Définir le périmètre de la décision
Précisez si gain et perte sont mesurés par rapport au coût initial, si les frais sont inclus, quand la trésorerie est disponible et si les événements listés couvrent toutes les possibilités. Si le tableau oublie une probabilité de retard ou un apport supplémentaire, une formule élégante ne répare pas une question incomplète. Il vaut mieux montrer une fourchette inconnue qu’attribuer un zéro commode.
Une asymétrie désagréable
L’option A produit +1 000 roubles conditionnels avec une probabilité de 90 % et −12 000 avec une probabilité de 10 %. Son espérance est −300 : les 900 de composante positive attendue ne couvrent pas les 1 200 de perte attendue. L’option B produit +3 000 avec une probabilité de 40 % et −1 000 avec une probabilité de 60 %. Son espérance est +600. Toutes les probabilités sont inventées pour l’apprentissage et ne proviennent pas de données de marché.
Choisir selon la seule fréquence des gains favoriserait A et négligerait la taille de la perte rare. Choisir selon l’espérance seule serait également incomplet. Si une perte de 1 000 compromet un paiement familial obligatoire, l’espérance positive de B ne la rend pas acceptable. Séparez d’abord les fonds nécessaires aux obligations, comme dans le [guide de l’épargne de précaution](/guides/emergency-fund/), puis discutez du risque restant.
La sensibilité plutôt qu’un joli chiffre unique
Supposons que la probabilité d’un résultat positif de B ne soit pas connue exactement. Sans frais supplémentaires, le seuil de rentabilité est 25 % : 4 000 multiplié par la probabilité de succès doit couvrir la perte possible de 1 000. À 20 %, l’espérance devient déjà −200. Remplacez le débat sur « +600 » par deux questions : pourquoi la probabilité dépasserait-elle un quart et quelle est la fiabilité de sa source ?
Proposez trois scénarios : prudent, central et favorable. Gardez la même définition du résultat et le même horizon dans les trois. Ne modifiez pas en même temps probabilité, montant du gain et structure des coûts sans explication ; sinon on ne sait pas quelle hypothèse commande la conclusion. Le [journal de prévisions probabilistes](/guides/forecast-calibration/) vaut mieux que le souvenir de ses propres réussites.
L’argent et l’utilité ne sont pas la même chose
Les cours universitaires distinguent l’utilité attendue : on moyenne l’utilité des résultats, pas directement la somme monétaire. L’attitude au risque peut rendre l’utilité de l’argent attendu différente de l’utilité attendue. Cela explique que renoncer à une partie de l’espérance monétaire pour plus de prévisibilité ne soit pas nécessairement une erreur arithmétique.[1]
Ne transformez pas cette idée en coefficient personnel pseudo-précis. Un examen pédagogique peut indiquer la perte maximale supportable, la réserve de liquidité, l’horizon et l’interdiction de s’endetter. Deux personnes peuvent calculer correctement le même tableau et conclure différemment parce que leurs obligations diffèrent. Le calcul structure le choix sans le remplacer par un conseil universel.
Distinguer chance et bon processus
Conservez le tableau avant l’événement. Après le résultat, vérifiez non seulement le gain ou la perte mais aussi si le scénario réalisé était inclus, si les informations initiales étaient disponibles et si les probabilités n’ont pas été réécrites après coup. Une perte ne réfute pas une décision à espérance positive ; une victoire ne justifie pas une décision à espérance négative. Avec répétitions dépendantes et capital limité, des possibilités attractives séparément peuvent devenir impossibles à supporter. L’espérance doit donc toujours être accompagnée de la capacité à absorber la perte et à continuer de payer les obligations.
Valeur de l’information supplémentaire
Avant de choisir, demandez s’il vaut la peine de payer pour une estimation plus précise de la probabilité. Calculez d’abord le meilleur résultat attendu sans information nouvelle, puis celui obtenu avec une qualité de signal précisément décrite et toutes ses erreurs possibles. L’écart fixe une borne supérieure de l’intérêt économique de cette précision dans le modèle. Il ne justifie pas n’importe quel prix d’étude et ne suppose pas qu’une prévision payante soit informative.
N’inscrivez pas une connaissance parfaite du futur comme un service réellement disponible. Elle ne peut être qu’une borne théorique de comparaison. Si l’information ne change pas l’action admissible à cause du capital ou du délai, sa valeur monétaire peut être faible. Le terme [espérance mathématique](/glossary/matematicheskoe-ozhidanie/) aide à séparer le calcul de l’impression d’attractivité.
Arbre de décision : probabilité d’une branche et probabilité d’une feuille
Un tableau à une seule décision ne décrit pas un choix séquentiel. L’arbre distingue le nœud de hasard, où l’on moyenne les résultats, et le nœud de décision, où l’on choisit une action disponible. Le calcul remonte des feuilles vers la racine. La probabilité d’un chemin complet est le produit des probabilités conditionnelles ; on additionne les chemins complets incompatibles. Le support du MIT traite de l’utilité attendue ; l’arbre et les chiffres suivants sont des exemples mathématiques construits séparément.[REV]
Poursuivons avec le projet artificiel B : succès 3 000, échec −1 000, probabilité initiale de succès 0,4. Refuser donne 0 ; sans information nouvelle, le meilleur résultat attendu est donc 600. Un test de recherche donne un signal positif avec probabilité 0,75 en cas de succès et 0,25 en cas d’échec. Les quatre probabilités de feuilles sont : succès et positif 0,30 ; échec et positif 0,15 ; succès et négatif 0,10 ; échec et négatif 0,45. Leur somme vaut un.
La probabilité du signal positif est 0,45 ; la probabilité conditionnelle de succès après ce signal est 0,30 / 0,45 = 2/3. L’espérance du projet sur la branche positive est 1 666,67. Après un signal négatif, la probabilité de succès est 0,10 / 0,55 = 2/11 et l’espérance −272,73. À ce nœud, on refuse avec un résultat 0 plutôt que de lancer le projet malgré tout. La valeur du choix disponible avant paiement de l’information est 0,45 × 1 666,67 + 0,55 × 0 = 750, en arrondissant seulement les totaux finaux. Si le test coûte 100 quel que soit le signal, la valeur à la racine est 650. L’information a ajouté 150 avant son prix et 50 après, par rapport aux 600 initiaux.
Une information parfaite donnerait 0,4 × 3 000 + 0,6 × 0 = 1 200 ; sa valeur est 600. C’est une borne supérieure dans ce modèle, pas le rendement d’une prévision accessible. Si le refus après le signal est impossible, le test ne crée aucune valeur ici : le même projet est réalisé quelle que soit la réponse et le prix ne fait que réduire l’espérance. Si les obligations interdisent même une perte possible de 1 000, il faut modifier d’abord l’ensemble des actions admissibles, pas la probabilité pour obtenir le choix souhaité.
Quand l’arbre ne peut pas être honnêtement rempli de probabilités
Un problème mal structuré diffère d’un jeu défini : la liste des résultats peut être incomplète, les informations contradictoires, les objectifs divergents et le délai court. Reconnaître une situation familière et imaginer un scénario plausible aide à choisir la première recherche, mais ne valide pas les probabilités. N’attribuez pas 0,7 simplement parce qu’un analyste a reconnu rapidement un schéma connu.
Un protocole limité consiste à noter objectif et délai ; marquer les inconnues susceptibles de changer l’admissibilité ; proposer deux scénarios nettement différents ; parcourir les besoins de trésorerie ; et nommer l’observation qui ferait cesser l’analogie. Ensuite, recueillez l’information discriminante, choisissez une action réversible à perte plafonnée ou renoncez. Sans probabilités défendables, montrez une fourchette au lieu de la présenter comme un arbre complet. Les notes conservées avant le résultat valent mieux que l’assurance de l’expert après coup. Une réaction physiologique dans une expérience de cartes ne prouve pas la capacité intuitive à reconnaître une action rentable.
Le jeu de Saint-Pétersbourg : somme infinie et utilité finie
Considérons un jeu mathématique, pas un conseil de jouer : on lance une pièce équitable jusqu’au premier côté face ; s’il apparaît au lancer N, le gain est X = 2ᴺ. La probabilité N = n vaut 2⁻ⁿ. Chaque terme de l’espérance monétaire 2⁻ⁿ × 2ⁿ vaut un. La somme sur tous les n diverge donc : E[X] = ∞. C’est une propriété d’un modèle infini ; caisse, temps et crédit réels ne le sont pas.
Si le gain maximal vaut 2¹⁰ et que ce maximum est payé pour N ≥ 10, les neuf premiers termes donnent 9 et la queue donne 2¹⁰ × P(N ≥ 10) = 2. L’espérance plafonnée vaut 11. Ne confondez pas ce plafond avec un autre jeu qui ne paie plus après le dixième lancer : sa queue et sa somme sont différentes. Modifier la limite modifie l’objet calculé.
Avec l’utilité logarithmique u(X) = ln X, E[u(X)] = ln2 × Σn/2ⁿ = 2ln2 ≈ 1,3863, une valeur finie. Cela ne donne pas un « prix raisonnable » universel du billet : l’utilité de la richesse totale après un prix d’entrée c vaut E[ln(W − c + X)], et non E[ln X] − c. Pour W > 0 et 0 ≤ c ≤ W, l’expression est définie ; sa borne supérieure ln(W + 1) + Nln2 a une espérance finie. Endettement, impossibilité de payer les obligations et préférences non logarithmiques exigent une autre formulation. Le logarithme illustre une utilité marginale décroissante ; il ne diagnostique pas l’attitude au risque d’une personne.
La loi normale définit une forme de probabilités et des moments finis ; elle n’est pas une condition nécessaire à l’existence d’une espérance. Une queue lourde peut aussi avoir une moyenne finie. Ce qui compte est le gain avec sa probabilité et la vitesse de décroissance de la queue, pas l’étiquette « normal/anormal ». L’indépendance des répétitions est une autre hypothèse. On ne peut pas déclarer à la fois tous les rendements financiers normaux ou toutes leurs moyennes dépourvues de sens.
L’analogie avec les actions de croissance est limitée : un paiement futur en forte croissance peut dominer la valorisation si sa probabilité et son actualisation freinent trop peu cette croissance. Il faut limiter horizon, ressources et concurrence, pas déclarer le prix actuel justifié par une espérance infinie. Une entreprise réelle n’est pas une pièce dont la probabilité est connue. On peut étudier choix, espérance et valeur de l’information sans importer des récits de cartes ou de paris ni promettre un gain répétable.
Expérience statistique : série de victoires ou compétence
Définissez une victoire comme un dépassement positif d’un repère comparable choisi à l’avance, après frais, pour une période non chevauchante. Dans un modèle nul artificiel, la probabilité de victoire est 1/2, les périodes sont indépendantes et la règle et l’exécutant sont choisis avant l’observation. Le nombre de victoires K sur dix périodes suit une loi binomiale. La probabilité d’au moins huit victoires vaut (45 + 10 + 1) / 1024 = 0,0546875, soit environ 5,47 %. Ce n’est pas la probabilité que l’exécutant « n’ait pas de compétence » ; c’est la probabilité d’obtenir des données de ce niveau ou plus extrême sous le modèle nul.
Même dix victoires sur dix donnent 1/1024, mais après observation de 100 exécutants indépendants la probabilité d’en trouver au moins un est 1 − (1023/1024)¹⁰⁰ ≈ 9,31 %. Les fonds réels partagent facteurs et positions, ce qui viole l’indépendance. On ne peut donc pas appliquer mécaniquement ce chiffre aux marchés. Des résultats semblables peuvent refléter un seul risque commun plutôt que 100 expériences indépendantes.
Poursuivez l’évaluation de compétence avec une série de contrôle mise de côté à l’avance, une définition inchangée du succès, l’ampleur du dépassement, une fourchette d’incertitude, la rotation et les pertes lourdes. Si le gain n’apparaît que sur un marché haussier, testez l’explication par l’exposition commune ; s’il disparaît après les frais, séparez l’information prédictive du résultat net accessible. Le seuil de 5 % ne sépare pas talent et chance. Ne pas rejeter le modèle nul après dix périodes peut signifier peu d’information, pas l’absence de compétence. Décrivez toute la recherche et les dépendances ; la biographie d’un gagnant célèbre ne remplace pas le test.
Le problème du groupe gagnant ajoute une sélection après le résultat. Si le chercheur regroupe les gagnants sous le nom d’une école, d’un secteur ou d’un style seulement après avoir vu le tableau, le groupe lui-même a été sélectionné. Il ne peut pas être évalué comme s’il avait été le seul objet déclaré à l’avance. Un style commun peut expliquer risque, données et positions communs, plutôt qu’une confirmation indépendante de la compétence de chacun.
Un protocole séparé consiste à conserver avant la période les 100 exécutants admissibles, y compris ceux qui fermeront ensuite ; à indiquer la date d’affectation au style, les règles de changement de groupe, le repère et les frais. Formez les groupes à partir des informations alors disponibles, pas du rendement final. Calculez d’abord l’écart de chaque groupe au contrôle, puis testez l’exposition commune. Si dix participants détiennent presque le même portefeuille, une bonne année ne devient pas dix expériences indépendantes. Renommer les groupes ne crée pas d’information.
L’incertitude contrefactuelle est le résultat non observé du même groupe sous un autre choc commun. Des périodes supplémentaires et un modèle de dépendance explicitement justifié peuvent l’étudier, mais une biographie célèbre ne la supprime pas. Exécutants fermés, groupes perdants et classifications essayées restent dans le rapport. Une période de contrôle après gel des groupes peut apporter un indice de stabilité du processus ; elle ne prouve ni talent inné ni rendement net futur garanti. Le test porte sur une hypothèse limitée de processus, pas sur une légende de gagnant.
Sources et limites de vérification
[1] [Lecture 20: Uncertainty](https://ocw.mit.edu/courses/14-01-principles-of-microeconomics-fall-2023/mit14_01_f23_lec20.pdf). Valeur monétaire attendue et utilité attendue.
[REV] MIT OpenCourseWare, « Lecture 20: Uncertainty », source rm-expected-utility. La référence soutient la distinction entre espérance monétaire et utilité. L’arbre, la dérivation du jeu infini et les exemples binomiaux sont des exemples mathématiques autonomes à hypothèses explicites, pas des affirmations empiriques.