ING 802 - Analyse de Faisabilité Technique de décision statistique/ Arbre de décision Cours 8 Sections 7 et 8 Chapitres 4 et 5 du codex «Technique de décision statistique avec information additionnelle» « Arbre de décision » 1 ING 802 - Analyse de Faisabilité Plan du cours 8 • Synthèse de la méthodologie d’analyse Bayesienne • Application de statistiques bayesiennes • Arbre de décision • Normes graphiques • Méthode de résolution • Relation entre statistiques Bayesiennes et arbre de décision 2 1 Introduction ING 802 - Analyse de Faisabilité qLes statistiques Bayesiennes et les arbres de décision peuvent être utilisés séparément. qPar contre, il peut être avantageux de les combiner pour mieux représenter une situation. qNous verrons les liens intimes entre ces deux outils d‘aide à la décision. 3 Résumé des probabilités ING 802 - Analyse de Faisabilité Probabilités Approche: Objective (Faits) Classique (A priori) (Connaissance/déduction) Subjective (Intuition) Empirique (Observations) Présentation: Diagramme de Venn Type de probabilités Simples/Marginales (Un événement dans l'espace d'échantillonnage) Conjointes (Combinaison d'événement dans l'espace d'échantillonnage) Conditionnelles Règle d'addition P(A ou B) = P(A) + P(B) - P(A et B) P(A) + P(B) Règle de multiplication Théorème de Bayes Général. Mut. Excl. Arbre de décision Indépendance P(A/B) = P(A) P(B/A) = P(B) P(A et B) = P(A) * P(B) Table de contingence Dépendance P(A et B) = P(A/B) * P(B) P(Bj/A) = P(A/Bj)*P(Bj)/SP(A/Bi)*P(Bi) Collectivement exhaustives et mutuellement exclusives P(A) = Σ P(A et Bi) P(A) = ΣP(A) * P(Bi) P(A) = ΣP(A/Bi) Bi exclusifs et exhaustifs Synthèse: Complément Général. Mut. excl. Mut. excl./col. exhaust. Indépendants Dépendants 0≤ P(Ei)≤1 P(Ã ) = 1-P(A) P(A ou B) = P(A) + P(B) - P(A et B) P(A ou B) = P(A) + P(B) ΣP(Bi) = 1 P(A et B) = P(A) * P(B) P(A et B) = P(A/B) * P(B) = P(B/A) * P(A) 4 2 Statistiques Bayesiennes ING 802 - Analyse de Faisabilité qPour tenir compte des informations additionnelles dans le cas des calculs des probabilités, nous faisons appel aux statistiques Bayesiennes. Elle sont caractérisées par l’ajustement des probabilités connues a priori par des probabilités comprenant plus d’information, les probabilités a posteriori. qL’information additionnelle peut provenir de déductions, d’études supplémentaires, de sondage, etc. 5 Théorème de Bayes ING 802 - Analyse de Faisabilité qPour n scénarios (états de la nature) mutuellement exclusifs et collectivement exhaustifs: S1, S2 , S3, …, Sn , dont on connaît les probabilités a priori, où l’on ajoute de l’information supplémentaire (indicateur), X, le théorème de Bayes est le suivant: P ( Si | X ) = P ( Si et X ) P ( S | X ) P( X ) = n i P( X ) ∑ P ( X | Si ) P(S i ) i =1 Avec P(X) ≠ 0 et discrète. 6 3 ING 802 - Analyse de Faisabilité Théorème de Bayes qDéfinition des variables: q S i: Les scénarios (états de la nature). q P(S i): Les probabilités a priori des divers scénarios (la somme des P(S i) = 1). q P(XS i): La probabilité conditionnelle d’obtenir l’indicateur X sachant que le scénario soit Si. q P(XS i) P(S i): La probabilité conjointe d’obtenir X et Si (la somme de P(XSi) P(Si) = P(X), la probabilité d’obtenir le résultat X de l’indicateur). q P(S iX): La probabilité a posteriori d’obtenir l;e scénario Si sachant que l’indicateur a fourni le résultat X. 7 ING 802 - Analyse de Faisabilité Statistiques Bayesiennes qForme tabulaire: En pratique, les analyse Bayesiennes sont réalisées par l’entremise d’un tableau standard. (1) (2) (3) (4) = (2)*(3) (5) = (4)/Σ(4) Scénario Probabilité a priori Probabilité de l'indicateur Probabilité conjointe Probabilité a posteriori S1 P(S1) P(X|S1) P(X|S 1)P(S1) P(X|S 1)P(S1)/P(X) S2 P(S2) P(X|S2) P(X|S 2)P(S2) P(X|S 2)P(S2)/P(X) … … … … … Si P(Si) P(X|Si) P(X|Si)P(Si) P(X|S i)P(Si)/P(X) … … … … … Sn P(Sn) P(X|Sn) P(X|S n)P(Sn) P(X|S n)P(Sn)/P(X) ΣP(Si) = 1 ΣP(X|Si)P(Si) = P(X) ΣP(Si|X) = 1 8 4 ING 802 - Analyse de Faisabilité Statistiques Bayesiennes qMéthodologie d’analyse Bayesienne: Avec l'information de base: Lister tous les scénarios Évaluer leur probabilité a priori Lister tous les choix à faire Établir la table des gains en fonction des décisions et des scénarios Calculer le gain espéré a priori Avec l'information additionnelle: Calculer les probabilités a posteriori pour chaque prédiction Calculer le gain a posteriori pour chaque prédiction (décision) En assumant que le scénario i se présentera: Faire le meilleur choix en fonction de ce scénario i Calculer le gain espéré a posteriori Déduire la valeur de l'information 9 ING 802 - Analyse de Faisabilité Statistiques Bayesiennes qExemple: q S 1: Les réglages de l’équipement sont bien faits. q S 2: Les réglages ne sont pas bien faits. q P(S 1) = 0.8 q P(S 2) = 1 – 0.8 = 0.2 q X: L’événement: il y a défaut dans l’échantillon. q Quand les réglages sont bien faits: 5% de défauts. q Quand les réglages sont mal faits: 25% de défauts. q Quelle est la probabilité que les réglages soient bien faits quand on trouve un défaut dans l’échantillon? q P(S1 |X) = ? 10 5 Statistiques Bayesiennes ING 802 - Analyse de Faisabilité qExemple: (1) (2) (3) (4) = (2)*(3) (5) = (4)/Σ (4) Scénario Si Probabilité a priori Probabilité de l'indicateur Probabilité conjointe Probabilité a posteriori Si P(X|Si) P(X|Si)P(Si) P(X|Si)P(Si)/P(X) P(Si) S1=Bien fait 0.8 0.05 0.04 0.444444444 S 2=Mal fait 0.2 Σ P(Si) = 1 0.25 0.05 P(X) = 0.09 0.555555556 Σ P(Si|X) = 1 qSachant qu’il y a eu un défaut, la probabilité que les réglages soient bien faits est de 44.4% 11 ING 802 - Analyse de Faisabilité Statistiques Bayesiennes qExemple: q Un investissement peut générer les valeurs présentes suivantes sont l’état de la nature: q q S1 : VP = 6 000 et S2 = -4 000 P(S1 ) = 0.40 et P(S2 ) = 0.60 q La décision consiste investir ou pas. q En investissant, la valeur espérée a priori est de: E(R) = 0.40 (6 000) + 0.60 (-4 000) = 0 q Supposons qu’en n’investissant pas, le résultat est aussi nul. q Il pourrait être intéressant d’investir en connaissant mieux l’avenir (probabilité de S1). 12 6 Statistiques Bayesiennes ING 802 - Analyse de Faisabilité qExemple: q En connaissant l’avenir, il serait possible de décider d’investir si le scénario S1 était prévu (+6 000$) et de ne pas investir si le scénario S2 était prévu (0$). q L’information additionnelle est la suivante: q q q X1 : Prévision du scénario S1 La probabilité de bien prédire ce scénario est de 80% X2 : Prévision du scénario S2 La probabilité de bien prédire ce scénario est de 60% Donc, P(S1 ) = 0.40 P(S2 ) = 0.60 P(X1 |S1 ) = 0.80 et P(X2 |S1 ) = 1 - P(X1 |S1 ) = 0.20 P(X2 |S2 ) = 0.60 et P(X1 |S2 ) = 1 - P(X2 |S2 ) = 0.40 13 Statistiques Bayesiennes ING 802 - Analyse de Faisabilité qExemple: q Si l’indicateur prévoit X1 , nous trouvons: (2) (3) (4) = (2)*(3) (5) = (4)/Σ (4) Probabilité a priori Probabilité de l'indicateur Probabilité conjointe Probabilité a posteriori P(X1 |Si) P(X1 |Si)P(Si) P(X1|Si)P(Si)/P(X 1 ) P(Si) (1) Scénario S i Si S1 =Favorable S2 =Défavorable q 0.4 0.8 0.32 0.571428571 0.6 Σ P(Si) = 1 0.4 0.24 P(X1 ) = 0.56 0.428571429 Σ P(Si|X1 ) = 1 Donc, si l’indicateur prévoit un environnement favorable (X1 ) et qu’on décide d’investir, la valeur espérée sera la suivante: E(R|X1 ) = 0.57 (6 000) + 0.43 (-4 000) = 1 714.29$ 14 7 Statistiques Bayesiennes ING 802 - Analyse de Faisabilité qExemple: q Si l’indicateur prévoit X2 , nous trouvons: (2) (3) (4) = (2)*(3) (5) = (4)/Σ(4) Probabilité a priori Probabilité de l'indicateur Probabilité conjointe Probabilité a posteriori P(X2 |Si) P(X 2|Si)P(Si) P(X 2 |Si)P(Si)/P(X2 ) P(Si) (1) Scénario Si Si S1 =Favorable 0.4 0.2 0.08 0.181818182 S2 =Défavorable 0.6 Σ P(Si) = 1 0.6 0.36 P(X 2) = 0.44 0.818181818 ΣP(Si|X2 ) = 1 q Donc, si l’indicateur prévoit un environnement défavorable (X2 ) et qu’on décide d’investir, la valeur espérée sera la suivante: E(R|X2 ) = 0.1818 (6 000) + 0.8181 (-4 000) = -2 181.80$ q Dans ce cas, il sera préférable de ne pas investir. 15 Statistiques Bayesiennes ING 802 - Analyse de Faisabilité qExemple: q Enfin, en ayant une indication supplémentaire sur l’état de la nature, nous prenons les décisions les plus avantageuses pour avoir le rendement suivant: 1 714 , si X = X1 E(R|X i) = 0 , si X = X2 q Ce qui génère une valeur espérée de: E(R|IP) = 0.56 (1 714) + 0.44 (0) = 960$ q VPPÉ = E(R|IP) - E(R) Valeur Prévue Provenant de l’Échantillon = Valeur espérée avec information Parfaite – Valeur prévue a priori Valeur espérée a posteriori – valeur prévue a priori 16 8 ING 802 - Analyse de Faisabilité Statistiques Bayesiennes qValeur Prévue provenant de l’Échantillon: q VPPÉ = E(R|IP) - E(R) q E(R|IP) = P(S i) * max[contribution(A1, A2, …,Aj, …, Am|Si] q E(R|IP) : Contribution espérée en ayant l’information parfaite. q E(R) : Contribution espérée (sans information add.)é q P(S i):Probabilité du scénario Si. q Aj: Choix ou décision j q Contribution(A j|Si]: Valeur de la décision j dans le scénario i. q max[contribution(A 1, A2, …,Aj, …, Am|Si]: Meilleure décision à prendre selon Si. 17 ING 802 - Analyse de Faisabilité Arbre de décision qSouvent, une décision actuelle influencera celles à venir, car ces dernières devront être prises dans le contexte qui sera l’héritage des décisions passées. qL’utilisation des arbres de décision s’avère un moyen très efficace pour représenter l’interaction dans une séquence de décisions. qSa simple construction exige une compréhension des décisions à venir, ce qui est déjà un avantage important. qSa résolution permet de trouver l’optimum. 18 9 ING 802 - Analyse de Faisabilité Arbre de décision qDéfinition: qUn diagramme illustrant toutes les conséquences des différentes décisions selon les états de la nature. qL’arbre de décision n’est pas un outil prescriptif, il contribue toutefois établir les décisions. qOn y représente seulement les actions et les décisions qui ont une importance. qOn suppose qu’il n’y aura pas de changement suffisamment important pour modifier la structure de l’arbre de décision. 19 ING 802 - Analyse de Faisabilité Arbre de décision qIl existe deux types d’arbre de décision: q Déterministes q q Dans ce cas, la séquence de décisions est prise dans un contexte de certitude. L’arbre structure et illustre bien les conséquences. q Probabilistes q q Ici, en plus des décisions il y a des événements aléatoires dont on peut estimer les probabilités. L’arbre est d’autant plus utile dans ce cas. 20 10 Arbre de décision ING 802 - Analyse de Faisabilité qExemple déterministe: Remplacement q Il est prévu de réévaluer la situation à chaque trois ans quant à l’opportunité de remplacer une machine. Vieille 4M$/an 3 ans -0.8M$ Déc. 1 q Neuve 5M$/an 9 ans -15M$ Déc, 2 Vieille 3.5M$/an 3 ans -1M$ Déc. 3 Vieille 3M$/an 3 ans -2M$ Neuve 6.5M$/an 3 ans -18M$ Neuve 6.5M$/an 6 ans -17M$ Quand devrait-on remplacer la machine? Remarque: Sans la valeur de l’argent dans le temps. ING 802 - Analyse de Faisabilité 21 Arbre de décision qExemple déterministe: Remplacement q Pour prendre la meilleure décision au point 1 (Déc. 1), il faut considérer les impacts de cette décision. q Plutôt que de tenter d’évaluer les chaînes de conséquences, il est beaucoup plus astucieux de débuter par l’analyse de la décision la plus lointaine. q Ainsi, on choisira la troisième décision , ensuite la deuxième et finalement la première! q q On appelle ce processus, les décision à rebours ou à contre-courant. C’est donc en ayant pris les futures décisions qu’on est le mieux placé pour prendre celles actuelles! 22 11 Arbre de décision ING 802 - Analyse de Faisabilité qAnalyse Décision 3 Choix Vieille Neuve Résultats financiers Revenus - coûts 3.0M$(3) - 2.0M$ = 7.0M$ 6.5M$(3) - 18.0M$ = 1.5M$ 2 Vieille Neuve 7.0M$ + 3.5M$(3) - 1.0M$ = 16.5M$ 6.5M$(6) - 17.0M$ = 22.0M$ Vieille Neuve 22.0M$ + 4.0(3)M$ - 0.8M$ = 33.2M$ 5.0M$(9) - 15.0M$ = 30.0M$ 1 Décision Vieille Neuve Vieille qDonc, il sera préférable de remplacer cette machine dans trois ans (point de décision 2). 23 Arbre de décision ING 802 - Analyse de Faisabilité qEn reconsidérant le même exemple, mais avec un taux d’actualisation de 25%, l’analyse est plus complexe. Déc. 1 Vieille 4M$/an 3 ans -0.8M$ Neuve 5M$/an 9 ans -15M$ Déc, 2 Vieille 3.5M$/an 3 ans -1M$ Neuve 6.5M$/an 6 ans -17M$ Déc. 3 Vieille 3M$/an 3 ans -2M$ Neuve 6.5M$/an 3 ans -18M$ qDans ce cas, il est avantageux d’utiliser la valeur présente et d’actualiser les valeurs monétaires au point de décision. 24 12 ING 802 - Analyse de Faisabilité Arbre de décision qAnalyse avec i = 25% Décision 3 Choix Vieille Neuve 2 Vieille Neuve 1 Vieille Neuve Résultats financiers Revenus - coûts 3.0M$(P/A;25%;3) - 2.0M$ 3.0M$(1.95) - 2.0M$ = 3.85M$ 6.5M$(P/A;25%;3) - 18.0M$ 6.5M$(1.95) - 18.0M$ = -5.33M$ 3.85(P/F;25%;3)M$ + 3.5M$(P/A;25%;3) - 1.0M$ 3.85(0.512)M$ + 3.5M$(1.95) - 1.0M$ = 7.79M$ 6.5M$(P/A;25%;6) - 17.0M$ 6.5M$(2.95) - 17.0M$ = 2.18M$ 7.79M$(P/F;25%;3) + 4.0(P/A;25%;3)M$ - 0.8M$ 7.79M$(0.512) + 4.0(1.95)M$ - 0.8M$ = 10.99M$ 5.0M$(P/A;25%;9) - 15.0M$ 5.0M$(3.46) - 15.0M$ = 2.30M$ Décision Vieille Vieille Vieille qLe haut taux d’actualisation privilégie les faibles investissements actuels et retarde le remplacement. ING 802 - Analyse de Faisabilité 25 Arbre de décision qExemple probabiliste: Décision d’automatisation q On doit déterminer s’il est préférable d’automatiser un procédé de fabrication ou de le laisser tel quel. q On reconnaît que ce n’est pas un projet « gagné d’avance » et qu’il y a une incertitude quant aux résultats d’une automatisation. q On considère les trois scénarios suivants: Conséquences d'une automatisation Réduction Faible amélioration Grande amélioration Impact Probabilité -90M$ 0.5 +40M$ 0.3 +300M$ 0.2 26 13 Arbre de décision ING 802 - Analyse de Faisabilité qExemple probabiliste: Décision d’automatisation Réduction: -90M$(0.5) Faible amélioration: 40M$(0.3) Automatiser Grande amélioration: 300M$(0.2) D1 Ne pas automatiser 0$ qOn remarque que les décisions sont représentées par des carrés alors que les événements aléatoires le sont pour des cercles. 27 ING 802 - Analyse de Faisabilité Arbre de décision qExemple probabiliste: Décision d’automatisation q La valeur espérée de ne pas automatiser est de 0$. q La valeur espérée de l’automatisation est de: -90M$(0.5) + 40M$(0.3) + 300M$(0.2) = 27M$ q Selon q q la valeur espérée, les choix sont les suivants: Automatiser è 27M$ √ Ne pas automatiser è 0$ q Remarque: Cette décision n’est pas si évidente, car il existe un risque de 50% de générer une perte de 90M$! 28 14 Arbre de décision ING 802 - Analyse de Faisabilité qExemple probabiliste: Décision d’automatisation q Pour limiter les risques, on propose l’opportunité de faire réaliser une étude d’envergure au coût de 10M$ pour approfondir la compréhension du contexte. q L’étude q q q déterminera si ce choix technologique est: Risqué Prometteur Très approprié 29 Arbre de décision ING 802 - Analyse de Faisabilité qExemple probabiliste: Décision d’automatisation Réduction: -90M$(0.5) Réduction: -90M$(0.5) Faible amélioration: 40M$(0.3) Faible amélioration: 40M$(0.3) Grande amélioration: 300M$(0.2) Automatiser Grande amélioration: 300M$(0.2) D1 Automatiser Ne pas automatiser 0$ D2a Ne pas automatiser Étude de -10M$ 0$ Réduction: -90M$(0.5) Faible amélioration: 40M$(0.3) Risqué (0.41) Grande amélioration: 300M$(0.2) Automatiser D2b Prometteur (0.35) Ne pas automatiser Très approprié (0.24) 0$ Réduction: -90M$(0.5) Faible amélioration: 40M$(0.3) Grande amélioration: 300M$(0.2) Automatiser D2c 30 Ne pas automatiser 0$ 15 Arbre de décision ING 802 - Analyse de Faisabilité qExemple probabiliste: Décision d’automatisation q On remarque que les nœuds d’événements aléatoires se synthétise par la valeur espérée des conséquences. Point de décision Choix Valeur présente espérée 2a Automatiser -90M$(0.73) + 40M$(0.22) + 300M$(0.05) = -41M$ Ne pas automatiser 2b 2c 1 Décision 0 $ Ne pas automatiser Automatiser -90M$(0.43) + 40M$(0.34) + 300M$(0.23) = 43.9M$ Ne pas automatiser 0$ Automatiser Automatiser -90M$(0.21) + 40M$(0.37) + 300M$(0.42) = 121.9M$ Ne pas automatiser 0$ Automatiser Automatiser -90M$(0.5) + 40M$(0.3) + 300M$(0.2) = 27M$ Ne pas automatiser 0$ Accepter l'étude 0$(0.41) + 43.9M$(0.35) + 121.9M$(0.24) - 10M$ = 34.6M$ Accepter l'étude 2a 2b 2c 31 ING 802 - Analyse de Faisabilité Arbre de décision qÉtapes de construction: q Identifier les points de décision et les choix à faire; q Identifier les points d’aléa et leur résultats possibles; q Dessiner l’arbre de décision q Estimer les données nécessaires à l’analyse: q q q Probabilités Résultats financiers (coûts, VP, etc.) Analyser les décisions en débutant par les plus éloignées en remontant jusqu’à la première. 32 16 ING 802 - Analyse de Faisabilité Arbre de décision qRemarques: q Plutôt que d’utiliser la valeur espérée, il est aussi possible de considérer une fonction d’utilité ou toute autre estimation financière appropriée. q Comme l’arbre peut devenir immense, il est souhaitable de se limiter aux principaux choix et aux principales situations induisant de l’aléa. Dans un deuxième temps, il sera possible d’éliminer les cas les moins intéressants et d’enrichir ceux étant le plus pertinents. q Aux points de décision et d’aléa, les choix scénarios doivent être mutuellement exclusifs et exhaustifs. 33 17