une méthode de calcul en théorie de la décision bayésienne ... · montpellier juin 2008...

MONTPELLIER JUIN 2008

INTRODUCTION THÉORIE DE LA DÉCISION BAYÉSIENNE CONSTRUCTION DE L’ UTILITÉ ROBUSTESSE CALCUL APPLICATION

Une méthode de calcul en théorie de la décisionbayésienne robuste

Christophe Abraham

UMR ASB, Montpellier SupAgro

MONTPELLIER JUIN 2008

INTRODUCTION THÉORIE DE LA DÉCISION BAYÉSIENNE CONSTRUCTION DE L’ UTILITÉ ROBUSTESSE CALCUL APPLICATION

Exemple 1 : Pêche du saumon

• Décision d : taux d’exploitation

• Capture Ct ∼ Bin(At , d) (année t)

• At : nombre d’adultes (année t)

At = p1Rt−3 + p2Rt−4 + p3Rt−5

Rt = St eα−βSt eεt (Ricker)

At = Ct + St (St : stock)

εt ∼ N(0, σ2)

• θ = (α, β, p1, p2, p3, σ2)

• Observation x ∼ Pθ

• Utilité U(θ, d)

MONTPELLIER JUIN 2008

INTRODUCTION THÉORIE DE LA DÉCISION BAYÉSIENNE CONSTRUCTION DE L’ UTILITÉ ROBUSTESSE CALCUL APPLICATION

Exemple 2 : Hauteur d’une digue

• Décision d : hauteur d’une digue

• Observations des hauteurs d’eau des dernières crues :x = (x1, . . . , xn) ∼ Pθ

• Utilité : U(θ, d)

MONTPELLIER JUIN 2008

INTRODUCTION THÉORIE DE LA DÉCISION BAYÉSIENNE CONSTRUCTION DE L’ UTILITÉ ROBUSTESSE CALCUL APPLICATION

Les élèments

• La décision d ∈ D• Le paramètre θ ∈ Θ

• La loi a priori θ ∼ π

• L’observation x ∼ Pθ

• La fonction d’utilité U(θ, d)

MONTPELLIER JUIN 2008

INTRODUCTION THÉORIE DE LA DÉCISION BAYÉSIENNE CONSTRUCTION DE L’ UTILITÉ ROBUSTESSE CALCUL APPLICATION

Le principe

• Mise à jour de l’information sur θ

→ construction de la loi a posteriori πx (théorème de Bayes)

• La décision optimale maximise l’utilité a posteriori :∫Θ

U(θ, d)πx(dθ)

MONTPELLIER JUIN 2008

INTRODUCTION THÉORIE DE LA DÉCISION BAYÉSIENNE CONSTRUCTION DE L’ UTILITÉ ROBUSTESSE CALCUL APPLICATION

Les conséquences

Choix de U ?

• R : conséquence de choisir d si le paramètre est θ

• R ∼ ξθ,d à valeurs dans R• u(r) l’utilité de la conséquence r ∈ R• On pose

U(θ, d) =

∫R

u(r) ξθ,d(dr)

MONTPELLIER JUIN 2008

INTRODUCTION THÉORIE DE LA DÉCISION BAYÉSIENNE CONSTRUCTION DE L’ UTILITÉ ROBUSTESSE CALCUL APPLICATION

Exemples

1. Pêche du saumon• R = C1000 : capture dans 1000 ans• R ∼ ξθ,d• u(r) ↗ sur [0,∞)

2. Digue• R = d − H• H ∼ ξθ : hauteur d’eau d’une crue• u(r) = ?

• inondation si r < 0• digue trop haute si r >> 0

MONTPELLIER JUIN 2008

INTRODUCTION THÉORIE DE LA DÉCISION BAYÉSIENNE CONSTRUCTION DE L’ UTILITÉ ROBUSTESSE CALCUL APPLICATION

Construction deu

• Subjective• Par comparaison entre des conséquences certaines et

conséquences aléatoires• Soit r∗ (resp. r∗) la plus mauvaise (meilleure) conséquence• On pose u(r∗) = 0 et u(r∗) = 1• r ∈ R : on cherche α ∈ [0, 1] tel que

r ∼ αδr∗ + (1− α)δr∗ ,

alors u(r) = α

MONTPELLIER JUIN 2008

INTRODUCTION THÉORIE DE LA DÉCISION BAYÉSIENNE CONSTRUCTION DE L’ UTILITÉ ROBUSTESSE CALCUL APPLICATION

Construction deU

• Ne permet pas de construire une utilité unique• On obtient plutôt une classe du type :

V = {u : R→ R : ak ≤ u(rk ) ≤ bk , k = 1, . . . , K}

• Eventuellement, avec des contraintes de formes et derégularité (S)

• Finalement,

U = V ∩ S

MONTPELLIER JUIN 2008

INTRODUCTION THÉORIE DE LA DÉCISION BAYÉSIENNE CONSTRUCTION DE L’ UTILITÉ ROBUSTESSE CALCUL APPLICATION

Exemple : Pêche du saumon

• D = [0, 1]

• R = [0,∞)

• S = {u : [0,∞) → [0, 1], croissante, continue, concave}

MONTPELLIER JUIN 2008

INTRODUCTION THÉORIE DE LA DÉCISION BAYÉSIENNE CONSTRUCTION DE L’ UTILITÉ ROBUSTESSE CALCUL APPLICATION

Exemple : Digue

• D = [0, 1]

• H ∈ [0, 1]

• R = [−1, 1]

• S = {u : [−1, 1] → [0, 1], continue,croissante sur [−1, 0], décroissante sur [0, 1]}

−1.0 −0.5 0.0 0.5 1.0

0.0

0.2

0.4

0.6

0.8

1.0

MONTPELLIER JUIN 2008

INTRODUCTION THÉORIE DE LA DÉCISION BAYÉSIENNE CONSTRUCTION DE L’ UTILITÉ ROBUSTESSE CALCUL APPLICATION

Récapitulatif

• u ∈ U• U(θ, d) =

∫R u(r) ξθ,d(dr)

•

uµ(d) =

∫Θ

U(θ, d) πx(dθ)

=

∫R

u(r)∫

Θξθ,d(dr) πx(dθ)

=

∫R

u(r) µd(dr)

• Finalement : R ∼ µd et uµ(d) = E(u(R))

MONTPELLIER JUIN 2008

INTRODUCTION THÉORIE DE LA DÉCISION BAYÉSIENNE CONSTRUCTION DE L’ UTILITÉ ROBUSTESSE CALCUL APPLICATION

Robustesse

• u ∈ U• M(u) = {d ∈ D : uµ(d) = supt∈D uµ(t)}• Si D ⊂ R, on pose

• d−u = inf M(u) et d+u = sup M(u)

• d−U = infu∈U d−u et d+U = supu∈U d+

u

• Problème : calculer d−U et d+U .

MONTPELLIER JUIN 2008

INTRODUCTION THÉORIE DE LA DÉCISION BAYÉSIENNE CONSTRUCTION DE L’ UTILITÉ ROBUSTESSE CALCUL APPLICATION

La stratégie

Une exploration aléatoire de U avec attraction pour lesfonctions u associées à des d−u petits (resp. d+

u grands).

Difficile (impossible) car :

• U espace de dim ∞• u ∈ U doit satisfaire des contraintes

• Pas de calcul rapide pour d−u (ou d+u ) à u fixée

Solution

• Approximation simultanée de U et R→ calcul rapide de d−u• Algorithme de recuit simulé → prise en compte des

contraintes de U .

MONTPELLIER JUIN 2008

INTRODUCTION THÉORIE DE LA DÉCISION BAYÉSIENNE CONSTRUCTION DE L’ UTILITÉ ROBUSTESSE CALCUL APPLICATION

La stratégie

Une exploration aléatoire de U avec attraction pour lesfonctions u associées à des d−u petits (resp. d+

u grands).

Difficile (impossible) car :

• U espace de dim ∞• u ∈ U doit satisfaire des contraintes

• Pas de calcul rapide pour d−u (ou d+u ) à u fixée

Solution

• Approximation simultanée de U et R→ calcul rapide de d−u• Algorithme de recuit simulé → prise en compte des

contraintes de U .

MONTPELLIER JUIN 2008

INTRODUCTION THÉORIE DE LA DÉCISION BAYÉSIENNE CONSTRUCTION DE L’ UTILITÉ ROBUSTESSE CALCUL APPLICATION

Hypothèses

H1 U = V ∩ S est constitué de fonctions continues

H2 Conséquence de la forme R = d − Y , Y ∼ ξθ

H3 D = Y = [0, 1] et R = [−1, 1]

H4 µ admet une densité / Lebesgue sur [0, 1]

Contexte assez général (estimation, prévision)

uµ(d) =

∫Y

u(d − y) µ(dy).

MONTPELLIER JUIN 2008

INTRODUCTION THÉORIE DE LA DÉCISION BAYÉSIENNE CONSTRUCTION DE L’ UTILITÉ ROBUSTESSE CALCUL APPLICATION

Calcul ded−u etd+u

0.0 0.2 0.4 0.6 0.8 1.0

0.00

0.05

0.10

0.15

0.20

0.25

0.30

• u(r) ≈ uγ(r) =∑j

l=−j γlFl(r)

• µ(dy) ≈ µj(dy) =∑j

i=1 µi δi/j(dy)

• r = d − y

uµ(d) ≈j∑

l=−j

γl

∫Y

Fl(d − y)µ(dy)

≈j∑

l=−j

j∑i=1

µiγlFl(d − i/j) =

j∑l=−j

j∑i=1

µiγlFl+i(d)

MONTPELLIER JUIN 2008

INTRODUCTION THÉORIE DE LA DÉCISION BAYÉSIENNE CONSTRUCTION DE L’ UTILITÉ ROBUSTESSE CALCUL APPLICATION

RésultatsHypothèses• R est de la forme R = d − H avec H ∼ ξθ

⇒ uµ(d) =∫

u(d − h)µ(dh)

• D = [0, 1], R = [−1, 1],

Approximations• Il , intervalle de longueur j−1, R = ∪l Il• u(r) ≈ uγ(r) linéaire par morceau de pente γl on Il• µ(dy) ≈ µj(dy) discrète qui charge les points l/j

Résultats• Si M(u) = {du}, pour j assez grand du ≈ duγ où

M(uγ) = {duγ}• u

µjγ est linéaire par morceau avec la pente b′lγ sur Il• bl ne dépend pas de γ•

∥∥uµγ − uµj

γ

∥∥∞ → 0 as j →∞

• Résultats analogues pour la dérivée de uµjγ

MONTPELLIER JUIN 2008

INTRODUCTION THÉORIE DE LA DÉCISION BAYÉSIENNE CONSTRUCTION DE L’ UTILITÉ ROBUSTESSE CALCUL APPLICATION

RésultatsHypothèses• R est de la forme R = d − H avec H ∼ ξθ

⇒ uµ(d) =∫

u(d − h)µ(dh)

• D = [0, 1], R = [−1, 1],

Approximations• Il , intervalle de longueur j−1, R = ∪l Il• u(r) ≈ uγ(r) linéaire par morceau de pente γl on Il• µ(dy) ≈ µj(dy) discrète qui charge les points l/j

Résultats• Si M(u) = {du}, pour j assez grand du ≈ duγ où

M(uγ) = {duγ}• u

µjγ est linéaire par morceau avec la pente b′lγ sur Il• bl ne dépend pas de γ•

∥∥uµγ − uµj

γ

∥∥∞ → 0 as j →∞

• Résultats analogues pour la dérivée de uµjγ

MONTPELLIER JUIN 2008

INTRODUCTION THÉORIE DE LA DÉCISION BAYÉSIENNE CONSTRUCTION DE L’ UTILITÉ ROBUSTESSE CALCUL APPLICATION

RésultatsHypothèses• R est de la forme R = d − H avec H ∼ ξθ

⇒ uµ(d) =∫

u(d − h)µ(dh)

• D = [0, 1], R = [−1, 1],

Approximations• Il , intervalle de longueur j−1, R = ∪l Il• u(r) ≈ uγ(r) linéaire par morceau de pente γl on Il• µ(dy) ≈ µj(dy) discrète qui charge les points l/j

Résultats• Si M(u) = {du}, pour j assez grand du ≈ duγ où

M(uγ) = {duγ}• u

µjγ est linéaire par morceau avec la pente b′lγ sur Il• bl ne dépend pas de γ•

∥∥uµγ − uµj

γ

∥∥∞ → 0 as j →∞

• Résultats analogues pour la dérivée de uµjγ

MONTPELLIER JUIN 2008

INTRODUCTION THÉORIE DE LA DÉCISION BAYÉSIENNE CONSTRUCTION DE L’ UTILITÉ ROBUSTESSE CALCUL APPLICATION

Résultats théoriques

• Duµjγ =

∑2jl=−j(a

′lγ) Fl

• al indépendant de γ• supd∈D

∣∣Duµγ (d)− Duµj

γ (d)∣∣ ≤ Aj(µ) maxl∈{−j,...,j} |γl |

• uµjγ =

∑2jl=−j(b

′lγ) Fl

• bl indépendant de γ• supd∈D

∣∣uµγ (d)− uµj

γ (d)∣∣ ≤ Bj(µ) maxl∈{−j,...,j} |γl |

• Si M(u) = {du}, ∃(uγj ) telle que, si j →∞• uγj → u unif.• tj → du où {tj} = M(uγj )

MONTPELLIER JUIN 2008

INTRODUCTION THÉORIE DE LA DÉCISION BAYÉSIENNE CONSTRUCTION DE L’ UTILITÉ ROBUSTESSE CALCUL APPLICATION

Exploration aléatoire deU

• Algorithme (recuit simulé) :A l’iteration n, l’algorithme est à γ(n).

1. Simuler γ avec la loi Pγ(n)

2. Accepter γ(n+1) = γ avec la probabilité

ρn = exp{−βn(d−γ − d−

γ(n))}∧ 1 ; prendre γ(n+1) = γ(n)

sinon.

• Contraintes V ∩ S → 1.• γ ∼ Pγ(n) , γ = (γ−j , . . . , γj)

• i ∼ U{−j,...,j}• γi ∼ U{uγ∈V∩S}

• γ = (γ(n)−j , . . . , γ

(n)i−1, γi , γi+1, γ

(n)i+2, . . . , γ

(n)j )

• Convergence vers d−U → 2.

• Preuve pour βn = Cte log(n + e)

MONTPELLIER JUIN 2008

INTRODUCTION THÉORIE DE LA DÉCISION BAYÉSIENNE CONSTRUCTION DE L’ UTILITÉ ROBUSTESSE CALCUL APPLICATION

Exploration aléatoire deU

• Algorithme (recuit simulé) :A l’iteration n, l’algorithme est à γ(n).

1. Simuler γ avec la loi Pγ(n)

2. Accepter γ(n+1) = γ avec la probabilité

ρn = exp{−βn(d−γ − d−

γ(n))}∧ 1 ; prendre γ(n+1) = γ(n)

sinon.

• Contraintes V ∩ S → 1.• γ ∼ Pγ(n) , γ = (γ−j , . . . , γj)

• i ∼ U{−j,...,j}• γi ∼ U{uγ∈V∩S}

• γ = (γ(n)−j , . . . , γ

(n)i−1, γi , γi+1, γ

(n)i+2, . . . , γ

(n)j )

• Convergence vers d−U → 2.

• Preuve pour βn = Cte log(n + e)

MONTPELLIER JUIN 2008

INTRODUCTION THÉORIE DE LA DÉCISION BAYÉSIENNE CONSTRUCTION DE L’ UTILITÉ ROBUSTESSE CALCUL APPLICATION

Construction d’une digue

• La classe U

−1.0 −0.5 0.0 0.5 1.0

0.0

0.2

0.4

0.6

0.8

1.0

MONTPELLIER JUIN 2008

INTRODUCTION THÉORIE DE LA DÉCISION BAYÉSIENNE CONSTRUCTION DE L’ UTILITÉ ROBUSTESSE CALCUL APPLICATION

Construction d’une digue

• Duµj

γ(n) pour n = 3000, 105, 4× 105

−1.0 −0.5 0.0 0.5 1.0 1.5 2.0

−1.0

−0.5

0.0

0.5

1.0

1.5

2.0

MONTPELLIER JUIN 2008

INTRODUCTION THÉORIE DE LA DÉCISION BAYÉSIENNE CONSTRUCTION DE L’ UTILITÉ ROBUSTESSE CALCUL APPLICATION

Construction d’une digue

• Chaines du recuit simulé

0e+00 1e+05 2e+05 3e+05 4e+05

0.2

0.3

0.4

0.5

0.6

0.7

MONTPELLIER JUIN 2008

INTRODUCTION THÉORIE DE LA DÉCISION BAYÉSIENNE CONSTRUCTION DE L’ UTILITÉ ROBUSTESSE CALCUL APPLICATION

Construction d’une digue

• Histogrammes de d−γ(n) et d+

γ(n)

0.2 0.3 0.4 0.5 0.6 0.7

05

10

15

20

25

0.2 0.3 0.4 0.5 0.6 0.7

010

20

30

40

MONTPELLIER JUIN 2008

INTRODUCTION THÉORIE DE LA DÉCISION BAYÉSIENNE CONSTRUCTION DE L’ UTILITÉ ROBUSTESSE CALCUL APPLICATION

Construction d’une digue

• Fonctions d’utilité uγ(n) pour d−Ujet d+

Uj

−1.0 −0.5 0.0 0.5 1.0

0.0

0.2

0.4

0.6

0.8

1.0

MONTPELLIER JUIN 2008

INTRODUCTION THÉORIE DE LA DÉCISION BAYÉSIENNE CONSTRUCTION DE L’ UTILITÉ ROBUSTESSE CALCUL APPLICATION

Construction d’une digue

• j = 20

• µ = Beta(5, 7)

• [d−Uj, d+Uj

] = [0.2408, 0.6624]

(entre 1/4 et 2/3 de la hauteur maximum)

• nombre d’itération : 4× 105

• durée du calcul < 2 minutes