Decision sous incertitude — Exercices Corriges

Hélène Fargier, fargier@irit.fr

2019-2020

1 Exercice 1
Un ticket de loto coûte x euros. Il y a deux résultats possibles : soit on gagne 10 euros avec une probabilité de 1/50,
soit 1000000 euros avec une probabilité de 1/2000000.
1. Quelle espérance de gain peut-on avoir avec un ticket de loto (hors prix d’achat) ?

1 1
Correction : L’espérance de gain est de E(Jouer) = 10 × 50
+ 106 2 . 106
= 0.7 euros .

2. Si l’on est maximisateur d’espérance de gain, à quelle condition est-il rationnel d’acheter un ticket de loto ?

Correction : Ne pas jouer a une espérance de gain de 0 ; Jouer a une esperance de gain de (0.7 − prix ) ; il est rationel
de jouer à partir du moment où prix ≤ 0.7.

Alternativement, on peut modéliser le probleme en considérant l’acte constant JN = (ne pas jouer), où l’on gagne
1
prix euros à coup sur, et l’acte JO = (jouer) où l’on gagne 10 avec une probabilité de 50 et 106 avec une probabilité
de 2 . 1106 .
1 1
EG(JO) = 50
× 10 + 2 . 106
× 106 = 0.7

EG(JN ) = prix

Il est rationnel de jouer à partir du moment où EG(JO) ≥ EG(JN ), i.e. à nouveau 0.7 ≥ prix .

3. Si l’on est maximisateur d’espérance d’utilité, à quelle condition est-il rationnel d’acheter un ticket de loto à 1 euro ?

Correction : On achète ssi EU (JO) ≥ EU (JN ) avec : //

EU (JN ) = u( prix ) = u(1)

1 1 1 1
EU (JO) = 50
× u(10) + 2 . 106
× u(106 ) + (1 − 50
− 2 . 106
) × u(0)

En posant u(0) = 0 (l’utilité espérée n’est pas sensible aux transformations linéraires de u) :

1 1
50
× u(10) + 2 . 106
× u(106 ) ≥ u(prix) = u(1)

4. Supposons que u(10) = 10×u(1) à quelle condition sur u(1000000) un maximisateur d’espérance d’utilité achètera-t-il
un ticket ?

Correction : Il achetera un ticket à partir du moment où EU (JO) ≥ EU (JN )

1
soit 50 × u(10) + 2 . 1106 × u(106 ) ≥ u(1)
cad 0.2 × u(1) + 2 . 1106 × u(106 ) ≥ u(1), soit u(106 ) ≥ 1.6 × 106 × u(1) : gagner un million est plus d’un million de
fois plus satisfaisant que gagner gagner 1 euros

5. Des études sociologiques montrent que les personnes ayant de faibles revenus achètent un nombre de tickets de loto
assez disproportionnés. Pensez-vous que c’est parce qu’ils sont de  mauvais  décideurs ?

Correction : Non, en fait, ils ont une très forte utilité pour les forts gains.

Correction :

1
2 Exercice 2
Un détaillant en ordinateurs (le décideur) a un budget de 200 unités (centaines d’euros). Il peut avec ses 200 unités
acheter (décision A) ou non (décision Ā) à un grossiste un lot d’écrans qui peut se révéler, après achat :
- soit être de bonne qualité (événement B), auquel cas la revente du lot lui rapportera 600 unités (centaines d’euros),
- soit être de très mauvaise qualité (événement M), auquel cas il ne revendra rien
1. Quelle est la meilleure décision pour les critères Wald, Maximax, Regret, Laplace, Hurwicz (pour u(0) = 0, u(200) =
200, u(600) = 300) ?

A Ā meilleure decision
maximin 0 200 Ā
maximax 600 200 A
Correction :
regret 200 400 A
laplace 300 200 A
hurwicz (1 − α) . 300 200 A si α < 31 , Ā si α > 13
Note : On considère que le critère de Hurwicz est optimiste à partir du moment où α < 0.5 (indépendament de u).

2. On considère le critère de l’utilité moyenne, en posant u(0) = 0 : à quelle condition sur u le décideur va t il acheter ?

u(600) 0
Correction : Le décideur achète si 2
+ 2
≥ u(200), c’est à dire (puisque u(0) = 0) : u(600) > 2 u(200).

3. Le détaillant sait que, selon les arrivages, la probabilité que le lot soit bon varie entre 0.5 et 0.8
– Calculer l’utilité pessimiste probabiliste de chaque décision pour la fonction d’utilité u : u(0) = 0, u(200) =
200, u(600) = 300.

Correction : U∗ (A) = u(0) . 1 + (u(600) − u(0)) . P∗ (B) = 300 . 0.5 = 150

U∗ (Ā) = u(200) = 200

– Avec u(0) = 0, à quelle condition sur u le detaillant maximisant l’utilité pessimiste probabiliste t il acheter ?

Correction : Il achète à partir du moment où U∗ (A) = u(600) . P∗ (B) > U∗ (Ā)u(200), i.e. u(600) > 2 . u(200)

4. Si le détaillant accordait à l’événement B une probabilité de l’ordre de 0.7 (entre 0.6 et 0.8), toujours pour la fonction
d’utilité u : u(0) = 0, u(200) = 200, u(600) = 300, devrait il acheter ?

Correction : En fixant la probabilité de B à sa valeur moyenne (0.7) et en utilisant alors une utilité espérée :
uem (Ā) = u(200) = 200 ; uem (A) = 0.7 × u(600) + 0.3 × u(0) = 0.7 × 300 = 210 : oui il achètera .

En utilisant l’utilité pessimiste de Choquet (basée sur la probabilité inférieure) , u∗ (Ā) = u(200) = 200 ; u∗ (A) =
0 × 1 + 0.6 × (300 − 0) = 180 : non, il n’achètera pas.

En utilisant l’utilité optimiste de Choquet (basée sur la probabilité supérieure) , u∗ (Ā) = u(200) = 200 ; u∗ (A) =
0 × 1 + 0.8 × (300 − 0)+ = 240 : oui il achètera .

5. Le détaillant accorde aux ev. B et M les probabilités : P (B) = 0.6, P (M ) = 0.4.

– Calculer l’utilité espérée de chaque décision pour la fonction d’utilité u : u(0) = 0, u(200) = 200, u(600) = 300.

Correction : ue(Ā) = u(200) = 200 ; ue(A) = 0.6 × u(600) + 0.4 × 0 = 0.6 × 300 + 0.4 × 0 = 180 : avec ces utilités,
le détaillant ne devrait pas acheter ;

– Avec u(0) = 0, à quelle condition sur u le décideur va t il acheter ?

Correction : Il achète des que 0.6 × u(600) > u(200). Par exemple, avec u(200) = 200, il achète des que
u(600) > 333.33

– Avec u(0) = 0, à quelle condition sur u diriez vous le décideur est optimiste ?

Correction : Le decideur est considéré comme optimiste (independement de la probabilité) à partir du moment

2
 où sa fonction d’utilité est convexe, c’est à dire, pour tout x ≤ y ≤ z, le point (y, f (y)) est en dessous de la droite
passant par (x, f (x)) et (z, f (z)) (cette droite correspont à une utilité linéaire, neutre par rapport au risque).
u(600)
Avec les points (0, 0) et (600, u(600)), l’equation de cette droite est w = 600
× v. Le decideur est donc optimiste
u(200) u(600)
dans son choix entre A et Ā à partir du moment où ≤
200 600
.
Par exemple, dans la question précédent où on avait u(200) = 200, il aurait fallu que u(600) soit supérieur à 600
(ce qui n’était pas le cas).
Attention de ne pas confondre ”le detaillant achète” avec ”detaillant est optimiste”.

Correction :

3
3 Exercice 3
Soient π une distribution de possibilité normalisée sur un ensemble S, Π et N les mesures de possibilité et de nécessité
associées.

1.1 Montrer que ∀A ⊆ S : N (A) > 0 =⇒ Π(A) = 1

Correction : N (A) = 1 − Π(Ā). Puisque la distribution est normalisée, il existe un etat de degré de possibilité égal
à 1. Si il appartenait à Ā, on aurait Π(Ā) = 1, donc N (A) = 0, ce qui contredit N (A) > 0. Donc il n’appartient pas
à Ā. Donc il appartient à A. Donc Π(A) = 1.

1.2 Un examen comporte deux exercices, chacun devant durer environ 1h30, ce que l’on peut représenter par un inter-
valles flou trapezoidal de noyau [1h15, 1h45] et de support [0h45, 2h15], soit un noyau de [2h30, 3h30] et un support de
[1h30, 4h30] pour la totalité de l’examen Calculer Π et N pour les trois évènements F : ”l’examen est fini en 3h”, G :
”l’examen est fini en 4h” et H : ”L’examen n’est pas fini en 4h”. Sur lequel de ces évènements engageriez vous un paris ?

Correction : On modélise ces informations par un distribution de possiibilité trapezoidale : π(s) = 1 ssi s ∈
[2h30, 3h30], π(s) > 0 ssi s ∈ [1h30, 4h30]
Π(F ) = Π(f in ≤ 3) = 1 puisque 3 est dans le noyau. N (F ) = 1 − Π(f in > 3) = 1 − π(3) puisque 3h est dans le
noyau.

Π(G) = Π(f in ≤= 4)1 puisque 3 est dans le noyau. N (G) = 1 − Π(f in > 4) = 1 − π(4) = 0.5 (puisque π(4) = 0.5)

Π(H) = Π(f in > 4) = π(4) = 0.5 . N (H) = 1 − Π(f in ≤ 4) = 1 − 1 = 0 (puisque π(3) = 1 et que 3 ≤ 4)

4 Exercice 4
Un urne contient 20 balles. Le balles sont blanches, bleues ou rouges et portent des numeros différents. On propose à
un parieur les paris suivants sur la couleur et le numero de la balle qui va être tirée.
– Paris 1 : Gagner 10 si la balles est rouge, rien sinon.
– Paris 2 : Gagner 10 si la balle porte un numero pair, 0 si son numero est impair.
– Paris 3 : Gagner 5 si la balles est rouge, 2 si elle est bleue, 0 sinon.
– Paris 4 : Gagner 5 si la balle porte un numero pair, 1 si son numero est impair.
– Paris 5 : Gagner 3 si la balles est rouge ou blanche, 0 sinon.
On considère un problème à 6 états : (rouge, pair), (rouge, impair), (bleu, pair), etc.

1. Classer les paris du plus interessant au moins interessant en utilisant les differentes règles de décision sous ignorance
totale étudiées en cours : Maximin, Leximin, Maximax, Hurwicz, Laplace, Min Regret

Paris 1 Paris 2 Paris 3 Paris 4 Paris 5

maximin 0 0 0 1 0 on prefere le paris 4
maximax 10 10 5 5 3 on prefere les paris 1 et 2, puis 3 4, puis 5
Correction : Hurwicz (α = 0.5) 5 5 2.5 3 1.5 on prefere les paris 1 et 2, puis 4, puis 3, puis 5
regret 10 10 10 9 10 on prefere les paris 1, 3 et 5, puis 2 et 4

20 30 14 18 12
laplace 6 6 6 6 6
on prefere le pari 2, puis 1, puis 4, puis 3, puis 5
Le leximin permet de departager les aequo du maximin : 1 < 2 < 3 < 5 < 4.

2. Classer les paris du plus interessant en utilisant la règle du l’utilité moyenne fondée sur

2.a une attitude de neutralité par rapport au risque

Correction : u(x) = x : on retrouve le critere de laplace

2.b une attitude d’aversion au risque (e.g. u(x) = ln(1 + x))

Correction : On prefere le paris 4 (avec une utité esperée de 1.25

2.c une attitude d’optimiste fort (e.g. u(x) = exp(x))

4
 Correction : On prefère le paris 2.

3. On vous suggère, avec mais vous n’accordez qu’une fiabilité de 60% à cette source, que toutes les balles sont bleues.
Comment classer les paris ?

Correction : On utilise l’integrale de Choquet (ou, ce qui revient, l’utilité esperée multi prior) basée sur la proba-
bilité inférieure, qui est en l’occurence la belief (Bel) correspondant à la fonction de masse m({bleuP bleuI} = 0.6,
m({bleuP bleuIrougeP rougeIbalncP balncI}) = 0.4,

Ce qui donne : ch(pari1) = 0, 00, ch(pari2) = 0, ch(pari3) = 1, 2, ch(pari4) = 1, ch(pari5) = 0. On prefere 3 > 4 >
2∼5∼1

4. En réalité, seulement 20% des balles sont bleues ; d’autre part, on sait que les balles sont numerotées de 1 à 20.
Comment classer les paris ?

Correction : On utilise l’integrale de Choquet (ou, ce qui revient, l’utilité esperée multi prior) basée sur la probabilité
inférieure.
Ce qui donne : ch(pari1) = 0, 00, ch(pari2) = 5, ch(pari3) = 0, 4, ch(pari4) = 3, ch(pari5) = 2, 4. On prefere
2>4>5>3>1

Interpretation alternative : les paris sont des investissements financiers. Les paris 2 et 4 représentent des investisse-
ments sur le marché de l’acier, qui peut soit partir à la hausse (balles paires) soit baisser (balles impaires). Les paris 1, 3
et 5 sont des investissements sur l’aluminium, dont les stocks peuvent soit monter (balles rouges), soit rester stable (balle
blanches) soit s’écrouler (balles bleues).

5 Exercice 5
On reprend le problème de choix d’investissement immobilier, en considérant que le marché va rester
stable, une baisse restant plausible - le cas d’une remontée du marché n’étant toutefois pas à exclure, soit
π(M oyen) = 1 > π(F aible) > π(F ort) > 0.

Le décideur exprime son utilité en pourcentage de la satisfaction maximale possible : puisque les
conséquences s’étalent de 500 à −500 M. euros l’eventail est 1000 M. euros. L’utilité est donc u(x) = x+500
1000 .
Par exemple, u(−500) = 0 et u(500) = 1

Quelle sont les degré d’utilité possibiliste pessimistes et optimiste que l’on obtient pour le cas π(M oyen) =
1, π(F aible) = 0.6, π(F ort) = 0.1 ?

On pose π(F aible) = α et π(F ort) = β (avec α > β) . A quelle condition sur α et βle décideur
pessimiste préférera investir plutôt que de s’abstenir ? quel investissement préfèrera t il alors faire ?

Fort Moyen Faible

Residence 500 -100 -500
Immeuble 300 100 -300
Appartements 200 0 -200
Aucun 0 0 0

Correction : Le tableau des utilités est le suivant :

Fort (π = 0.1) Moyen (π = 1) Faible (π = 0.6)
Residence 1 0.4 0
Immeuble 0.8 0.6 0.2
Appartements 0.7 0.5 0.3
Aucun 0.5 0.5 0.5

Calcul de l’utilité pessimiste :

5
 upes (Residence) = min (max(1- 0.1, 1), max(1- 1, 0.4 ), max(1- 0.6, 0) ) = 0.4
upes (Immeuble) = min (max(1- 0.1, 0.8 ), max(1- 1, 0.6), max(1- 0.6, 0.2 ) ) = 0.4
upes (Appartements) = min (max(1- 0.1, 0.7), max(1- 1, 0.5 ), max(1- 0.6, 0.3 ) ) = 0.4
upes (Aucun) = min (max(1- 0.1, 0.5), max(1- 1, 0.5), max(1- 0.6, 0.5 ) ) = 0.5
Calcul de l’utilité optimiste :

uopt (Residence) = max (min( 0.1, 1), min( 1, 0.4 ), min( 0.6, 0) ) = 0.4
uopt (Immeuble) = max (min( 0.1, 0.8 ), min( 1, 0.6), min( 0.6, 0.2 ) ) = 0.6
uopt (Appartements) = max (min( 0.1, 0.7), min( 1, 0.5 ), min( 0.6, 0.3 ) ) = 0.5
uopt (Aucun) = max (min( 0.1, 0.5), min( 1, 0.5), min( 0.6, 0.5 ) ) = 0.5
Calcul parametré de de l’utilité pessimiste :
– upes (Aucun) = 0.5

– upes (Residence) = min(max(1 − β, 1), max(1 − 1, 0.4), max(1 − α, 0)) = min(1, 0.4, 1 − α) =
min(0.4, 1 − α) qui est inférieur à 0.4 et donc à upes (Aucun) quel que soient α et β

– upes (Appartements) = min(max(1 − β, 0.7), max(1 − 1, 0.5), max(1 − α, 0.3)) = min(max(1 −

β, 0.7), 0.5, max(1 − α, 0.3)) qui est inférieur ou egal à 0.5 = upes (Aucun) dans tous les cas

– upes (Immeuble) = min(max(1−β, 0.8), max(1−1, 0.6), max(1−α, 0.2)) = min(max(1−β, 0.8), 0.6, max(1−
α, 0.2)) Si 1 − α > 0.5, upes (Immeuble) = min(0.6, 1 − α) qui est strictement superieur : on achète.
Si 1 − α ≤ 0.5, upes (Immeuble) sera inférieur egal à 0.5 dans tous les cas.

Conclusion : on achète (un immeuble) plutot que rien si α < 0.5.

6 Exercice 6
Consider a small investor who likes to save 3000 euros. He can either buy a portfolio of auctions, use
his savings passbook , or buy an ethical porfolio . According to the financial press, the probability of
growth of the economy will vary between 0.1 and 0.3, and the probability of stability is between 0.6 and
0.8 ( a declining is thus non impossible). The following table gives an estimation of the value of each
porfolio after 4 years (depending of the behaviour of the economy) :

Growth Stability Crash

Auctions 6000 4000 1000
Ethical 4000 3000 2000
Passbook 3000 3000 3000

1. Compute the lower probability of each of the following events : {Growth, Stability, Crash}, {Growth},
{Stability}, {Growth, Stability}, {Crash}

Correction : We consider the set of probability distributions :

F = {p, 0.1 ≤ p(Growth) ≤ 0.3 and 0.6 ≤ P (Stability) ≤ 0.8}
P∗ ({Growth, Stability, Crash}) = 1 ; P∗ ({Growth, Stability}) = 0.7 ; P∗ ({Growth}) = 0.1, P∗ ({Stability}) =
0.6, P∗ ({Crash}) = 0

2. Compute the Choquet utility of each decision, on the basis of :

x
– a linear utility function, e.g. : u(x) = 1000

Correction : uC (Auctions) = u(1000).P∗ ({Growth, Stability, Crash}) + (u(4000) − u(1000)) ∗

P∗ ({Growth, Stability}) + (u(6000) − u(4000))P∗ ({Growth}) = 1 ∗ 1 + (4 − 1) ∗ 0.7 + (6 − 4) ∗ 0.1
uC (Ethical) = u(2000).P∗ ({Growth, Stability, Crash})+(u(3000)−u(2000))∗P∗ ({Growth, Stability})+
(u(4000) − u(3000))P∗ ({Growth}) = 2 ∗ 1 + (3 − 2) ∗ 0.7 + (4 − 3) ∗ 0.1
uC (P assbook) = u(3000).P∗ ({Growth, Stability, Crash}) = 3

6
 – a perssimistic utility function, e.g. : u(x) = ln(x)

Correction : uC (Auctions) = u(1000).P∗ ({Growth, Stability, Crash}) + (u(4000) − u(1000)) ∗

P∗ ({Growth, Stability}) + (u(6000) − u(4000))P∗ ({Growth}) = 6.9 ∗ 1 + (8.29 − 6.9) ∗ 0.7 + (8.69 −
8.29) ∗ 0.1
uC (Ethical) = u(2000).P∗ ({Growth, Stability, Crash})+(u(3000)−u(2000))∗P∗ ({Growth, Stability})+
(u(4000) − u(3000))P∗ ({Growth}) = 7.6 ∗ 1 + (8 − 7.6) ∗ 0.7 + (8.29 − 8) ∗ 0.1
uC (P assbook) = u(3000).P∗ ({Growth, Stability, Crash}) = 8

7 Exercice 7
Un juge sait ceci :
– Big Boss a décidé que M. Jones devait mourir ;
– 3 tueurs possibles : Peter, Paul, Mary ;
– Big Boss désigne à pile ou face le sexe du tueur (pièce non truquée) ;
– Aucune idée sur le choix entre Peter et Paul, dans le cas où un homme est choisi ;
– M. Jones est tué par un tueur de Big Boss
Question : Qui a tué M. Jones ?

Modéliser le problème dans un cadre adéquat ; dans quelle mesure peut on penser que Peter est cou-
pable, Mary est coupable, que le coupable est Paul ou Peter, que le coupable est Paul ou Mary ?

Correction :
On utilise le cadre des fonction de croyances, sur le reférentiel S = {P ierre, P aul, M ary} (pour ”Peter
est coupable”, ”Paul est coupable”, ”Mary est coupable”). La distribution m comporte deux elements
focaux, {M ary} (l’ensemble des filles) et {P aul, P eter} (l’ensemble des garçons), chacun de poids 12
puisque Big Boss tire à pile ou face avec une piece non truquée. D’où la distribution :
1 1
m({M ary}) = , m({P aul, P ierre}) =
2 2
.
On calcule la plausibilité et la certitude des évènements Mary, Paul ou Peter, Paul ou Mary :

1
Bel({M ary}) = P l({M ary}) = m({M ary}) = 2

1
Bel({P aul, P eter}) = P l({P aul, P eter}) = m({P aul, P eter}) = 2

Bel({P aul, M ary}) = m({M ary}) = 12

P l({P aul, M ary}) = m({M ary}) + m({P aul, P eter}) = 1

En estimant l’utilité de condamner un coupable à 100, celle de condamner un innocent à −100, celle
de laisser courir un coupable à −50, quelle serait la meilleure décision ?

Correction : On calcule les utilités des décisions ”condamner Mary”, ”condamner Paul” , ”Condamner
Peter”, ”Ne condamner personne” pour les differents etats :

Mary Paul Peter

Condamner Mary 100 -150 -150
Condamner Peter -150 -150 100
Condamner Paul -150 100 -150
Ne Condamner personne -50 -50 -50
Condamner Paul et Peter -250 0 0

7
 On a affaire à une capacité additive (Bel pour le cas pessimiste) et une utilité additive : on peut
utiliser l’intégrale de Choquet pour evaluer chacune des décisions. Ce qui donne :

Ch(CondamnerM ary) = −150 ∗ Bel(S) + 250 ∗ Bel({M ary}) = −150 ∗ 1 + 250 ∗ 21 = −25.
Ch(CondamnerP eter) = −150 ∗ Bel(S) + 250 ∗ Bel({P eter}) = −150 ∗ 1 + 250 ∗ 0 = −150.
Ch(CondamnerP aul) = −150 ∗ Bel(S) + 250 ∗ Bel({P aul}) = −150 ∗ 1 + 250 ∗ 0 = −150.
Ch(N eCondamnerP ersonne) = −50 ∗ Bel(S) = −50.
Ch(CondamnerP auletP eter) = −250 ∗ Bel(S) + 250 ∗ Bel({P aul, P eter}) = −250 ∗ 1 + 250 ∗ 0.5 = −125.

Etant donné la connaissance qu’on a (il y a une chance sur deux que Mary soit coupable) et les utilités
donnees, la meilleure décision est de condamner Mary.

On peut calculer à partir de quel moment il vaut mieux de ne condamner personne (utilité −50) que
de condamner Marie, en fonction de l’utilité −x de condamner un innocent :
Ch(N eCondamnerP ersonne) = −50 > Ch(CondamnerM ary)
cad −50 > (−50 − x) ∗ Bel(S) + (100 − (−50 − x)) ∗ Bel({M ary}) = (−50 − x) + (150 + x) ∗ 21 .
Soit −50 > (50−x)
2 , i.e. x > 150
A partir du moment où ”condamner un innocent” à une utilite de −150 ou pire, il vaut mieux de
condamner personne.

8 Exercice 8
L’investisseur veut utiliser les prévisions sur le quartier en considérant les probabilités respectives des
composantes de la population pour anticiper les chances qu’il a de trouver des locataires E, M ou S.
Il s’adresse à un cabinet de conseil en immobilier qu’il connaı̂t et dont il sait évaluer la fiabilité
des prévisions selon la catégorie de population prédite : le cabinet est plus fiable quand il conseille
CS =”’investir pour S”’ ou CE =”’investir pour E”’. En effet :
– Lorsque le cabinet conseille CE , il y a une probabilité 3/4 que des étudiants viennent effectivement
s’installer, et une probabilité 1/4 que ce soient des cadres moyens ou supérieurs
– Lorsque le cabinet conseille CS , il y a une probabilité 3/4 que des cadres superieurs viennent
effectivement s’installer, et une probabilité 1/4 que ce soient des cadres moyens ou des étudiants
– Lorsque le cabinet conseille CM , il y a une probabilité 1/2 que des cadres moyens viennent effecti-
vement s’installer, et une probabilité 1/2 que des etutiants ou au contraire des cadres supérieurs.

Question A
L’utilité de l’investisseur est supposée neutre par rapport au gain
1. Quelle sera la forme de la fonction d’utilité de l’investisseur ? donner un exemple

Correction : neutralité par rapport au gain = fct d’utilité linéaire, par ex u(x) = x

2. Si il ne veut pas faire d’hypothèse supplementaire, quelle théorie l’investisseur peut il utiliser pour
modéliser l’information qu’il peut déduire du conseil du cabinet ? modéliser le cas où il reçoit l’in-
formation CM
Correction : La theorie des fonctions de croyance : on posera m({M }) = 0.5,m({E, S}) = 0.5.

3. Si le cabinet conseille CM , quelle est la plausibilité des evenements suivants : {S}, {M, S}, {M, S, E} ?
quelle est la certitude de ces evenements ?
Correction : P l({S}) = 0.5, P l({M, S}) = 1, P l({M, S, E}) = 1 ; Bel({S}) = 0, Bel({M, S}) =
0.5, Bel({M, S, E}) = 1

4. En utilisant l’utilité de Choquet prudente ou l’utilité à à priori multiples, déterminer le choix de

l’investisseur lorsque le conseil est CM

Correction : Ch(appartements) = 30×1+(200−30)×0.5+(300−200)×0.5 = 30+0.5×270 = 165

8
 Ch(villas) = 0 × 1 + (220 − 0) × 0.5 + (360 − 220) × 0 = 220 × 0.5 = 110
l’investisseur va choisir d acheter des appartements

5. Pour lequel des trois avis du cabinet l’insvestisseur va t il decider d’investir dans des villas ? Justifez
votre reponse

Correction : Lorsque le conseil est CE , l’utilité de Choquet de villas va diminuer et celle de

appartements augmenter - cela ne sera pas plus en faveur de ”villas” que pour le conseil CM ; Si le
conseil est CS , on a :
Ch(appartements) = 30 × 1 + (200 − 30) × P∗ ({E, M }) + (300 − 200) × P∗ ({M }) = 30 + 170 ×
0.25 + 100 × 0
Ch(villa) = 0 × 1 + (220 − 0) × P∗ ({S, M }) + (400 − 220) × P∗ ({S}) = 400 × 0.75+ = 300
Avec le conseil Cs , l’investisseur va acheter des villas.

Question B
Pour toute fonction de masse m sur un referentiel S, on definit l’ensemble des distributions de pro-
babilité compatibles avec m : F (m) = {p, ∀A ⊆ S, Bel(A) ≤ P (A) ≤ P l(A)}

Il est facile de montrer que Bel est la mesure de probabilité inférieure associée à cette famille et P l
la mesure de probabilité inférieure associée à cette famille.

En appliquant le principe de Laplace, on peut construire une distribution de probabilité particuliere

q en repartissant les poids des elements focaux de m sur les etats qu’ils contiennent. Formellemet, cette
distribution q est definie par ∀s ∈ S, q(s) = ΣA,s∈A m(A)
|A| . On note EUq (f ) est l’utilité esperée de f basée
sur q
1. Application : calculer la distribution q qui correspond au conseil CM ; calculer EUq (V illa) et
EUq (Appartement)

Correction : q(M ) = 0.5 q(S) = q(E) = 0.25 ; EUq (V illas) = 0.5 × 220 + 400 × 0.25 = 210 ; ;
EUq (Appartements) = 0.5 × 300 + 200 × 0.25 + 30 × 0.25 = 207.5

2. Montrer que quel que soit m, q appartient à F (m)

3. Montrer que quel que soit m, pour toute décision f , ChP l (f ) ≥ EUq (f ) ≥ ChB (f )
où ChB (f ) est l’utilité de Choquet basée sur la fonction Bel associée à m et ChB (f ) est l’utilité
de Choquet basée sur la fonction P l associée à m

Correction : Pour calculer la probabilité d’un B selon q (on la note Q(B)), on va sommer les
proba selon q des etats des elements focaux qui sont inclus dans B et celles des etats des elements
focaux non inclus dans B mais non disjoints de B ; donc on recupère dans la somme les masses
de tous les elements focaux inclus dans B : la proba de B sera plus grande que Bel(B) ; mais on
recupère moins que les poids des elements focaux d’intersection non vide avec B (pour chacun de
ces elements focaux, on ne recupere qu’une partie) ; la proba de B sera plus petite que P L(B) ; En
resumé, ∀B ⊆ S, Bel(B) ≤ Q(B) ≤ P l(B) : donc q appartient à F (m)

4. EUq et ChB donnent elles toujours les memes decision optimales ? si oui le demontrer si non donner
un contre exemple

Correction : Sachant que EUq (f ) est l’utilité de Choquet basée sur la mesure de probabilité
Q, ChP l (f ) ≥ EUq (f ) = ChQ (f ) ≥ ChB (f ) est une conséquence directe du fait que pour
∀B ⊆ S, Bel(B) ≤ Q(B) ≤ P l(B)

5. Quels types de décideurs vont utiliser EUq plutot que ChB ?

Correction : Des décideurs qui veulent satisfaire le principe de la chose sure : ils doivent travailler
avec une probabilité unique (et non pas une famille)