Professional Documents
Culture Documents
0-0
Décision multicritères
fargier@irit.fr
1
2
1. Introduction
• Engager du personnel.
• Acheter du matériel.
Modèle unicritère
alternatives
Durant Dupont Dubois Dubosc
prétentions 53 50 53 45
critères âge 31 25 32 38
expérience 7 2 7 15
compétences moyennes top top forte
Modèle multicritère
Démarche générale en
décision/optimisation multicritère
Attributs et critères
• Attribut: Caractéristique décrivant chaque objet
(âge, diplôme, résultats aux tests d’aptitude, prétentions)
Démarche générale en
décision/optimisation multicritère - cont
11
Plan
• Introduction
• Conclusion
13
Exercice 1
alternatives
Citroen Peugeot Renault Ford
prix (×1000 ∈) 22 20 21 16
critères consommation 7.1 7.0 7.2 7.8
puissance (kW) 55 65 58 55
type essence gpl gpl diesel
Avec gpl > essence, diesel; minimiser prix et consommation,
maximiser performance
Quelles sont les meilleures solutions ? Que dire si on ne tient compte
que des critères prix et consommation ?
Représenter les alternatives dans l’espace de ces deux critères.
2. Principes de base
15
Le modèle relationnel
Ce modèle décrit explicitement toutes les comparaisons deux à
deux entre alternatives.
On représente les préférences par une relation sur A: a b
signifiant que a est préféré au sens large à b.
Hypothèse minimale : est doit être réflexive (a est toujours
au moins aussi bon que a).
17
Transitivité
19
21
Vote à la majorité
C’est une règle pour synthétiser la préférence globale à partir
des préférences locales ("règle de décision")
Votant 1: a ≻1 b ≻1 c
Exemple: Votant 2: c ≻2 a ≻2 b
Votant 3: b ≻3 c ≻3 a
|{1, 2}| > |{3}| : a ≻M aj b,
|{1, 3}| > |{2}| : b ≻M aj c,
mais |{2, 3}| > |{1}| : c ≻M aj a
Complétude
23
La règle d’unanimité
25
Le modèle cardinal
Exercice 4 Le prouver.
27
• le modèle relationnel
– modèles acceptant l’incomparabilité : Pareto
dominance, surclassement
– modèles acceptant l’intransitivité: quasicritères,
décision à la majorité
gi : A 7→ R, i = 1, n
29
31
Pareto-unanimité
Pareto : économiste, première référence historique à la décision
multicritère (1896).
Définition [dominance faible]
a domine faiblement b ⇐⇒def ∀i, ai ≥ bi
33
Pareto-optimalité et efficacité
Définition [dominance (forte)]
a domine b ⇐⇒def ∀i, ai ≥ bi et ∃i, a >i b
Définition [Principe d’efficacité] : g satisfait le principe
d’efficacité si et seulement si, si a domine b alors a ≻g b.
35
a b c d
- prix -1000 -800 -1000 -800
critères image 5 4 5 4
son 5 5 3 3
SAV 4 4 5 5
37
Exercices
• ∼ est réflexive : a ∼ a
39
41
3.1 Introduction
Types d’approches
Principe de base
h(a) = f (a1 , . . . , an ).
43
a g b ⇐⇒ f (a1 , . . . , an ) ≥ f (b1 , . . . , bn )
n
X
h(a) = ui (ai )
i=1
avec ui monotones strictement croissantes (ui : fcts. d’utilité)
45
Séparabilité
= cohérence des décisions toutes choses égales par ailleurs.
Exercice 9 Le démontrer
47
wi a b c
g1 0.5 20 5 12
g2 0.5 5 20 12
wi a b c
g1 0.499 20 5 12
g2 0.501 5 20 12
49
Séparabilité
L’opérateur min ne distingue pas entre les profils dont les
minimaux sont égaux. Exemple : h4, 2, 3, 2i et h2, 4, 2, 2i sont
indistingués.
Le min ne satisfait pas le principe de séparabilité: h5, 4i ≻ h5, 3i
mais h2, 4i ∼ h2, 3i
Le principe d’efficacité n’est pas respecté non plus : h2, 4i ∼ h2, 3i
51
Le leximin (2)
Ordre leximin = tris non décroissant des vecteurs,
puis ordre lexicographique (inverse)
Exemples :
h1, 2, 3, 4i =leximin h4, 2, 1, 3i, car h1, 2, 3, 4i ⇐⇒ h1, 2, 3, 4i
h4, 2, 3, 2i ≻leximin h9, 2, 2, 2i, car h2, 2, 3, 4i précède h2, 2, 2, 9i
dans l’ordre lexicographique inverse
53
Critères
sauna hammam arc tennis
Cat non non OUI oui
Alternatives Cht non OUI non oui
Cats oui non OUI oui
Chts oui OUI non oui
55
Mesure floue
Il faut exprimer explicitement l’importance des combinaisons
de critères.
Définition [Mesure floue] Une mesure floue sur X est une
fonction µ : 2X → [0, 1], avec
• µ(X) = 1,
• µ(∅) = 0,
57
59
L’intégrale de Choquet
61
Exercice 10 Le montrer
63
L’utilité multiattribut
65
croissantes
La question essentielle reste donc de trouver les ui .
Principales voies :
67
69
4. Méthodes de
surclassement
4.1 Introduction
71
Résumé de la démarche
73
75
φi (x, y) = 1 si x >i y,
φi (x, y) = 0 si x =i y,
φi (x, y) = −1 si x <i y.
ψ= .
P
77
Détermination du noyau
Tout graphe sans circuit admet un noyau unique.
Un graphe avec circuits admet 0, 1 ou plusieurs noyaux.
79
81
• on définit
83
85
Exercices
87
candidats
A B C D E F
g1 16 10 18 18 16 6
critères g2 14 18 12 4 10 14
g3 16 12 6 20 12 18
Compétence: 0.6; motivation : 0.3 ; culture générale : 0.1.
• Etablir la matrice de concordance (pour chacun des critères, on
prend un seuil d’indifférence egal à 3) et la matrice de véto (seuil
de véto égal à 9). On rappelle que c(a, b) = Σj:aj +qj ≥bj pj et
ISAE Décision Multi critères 4. M ÉTHODES DE SURCLASSEMENT
88
89
5. Conclusion: l’optimisation
multicritère en pratique
Problématiques essentielles:
91
Approches constructives
Approches constructives: "fonder progressivement une conviction
plutôt que de révéler un optimum ou une préférence pré-existante”
On ne présuppose pas qu’une relation de préférence sur les
décisions soit totale, ni transitive, ni même qu’elle pré-existe.
L’aide à la décision multicritère est plutôt considérée comme
un processus d’élaboration d’une structure de préférences.
93
alternatives
Citroen Peugeot Renault Ford
prix (×1000 ∈) 22 20 21 16
critères consommation 7.1 7.0 7.2 7.8
puissance (kW) 55 65 58 55
type essence gpl gpl diesel
Avec gpl > essence, diesel ; minimiser prix et consommation, maximiser performance
Quelles sont les meilleures solutions ? Que dire si on ne tient compte que des critères prix et consom-
mation ?
Représenter les alternatives dans l’espace de ces deux critères.
Si l’on compare les alternatives sur les 4 critères : Peugeot domine Renault (consomption plus faible,
plus puissante et moins cher pour le même type de moteur). Elle domine également Citroen. En revanche,
elle ne domine pas Ford. Ford ne domine ni n’est dominée par aucune autre alternative. Peugeot et Ford
sont appelées décisions efficaces ou Pareto-optimales. Ce sont les deux meilleures solutions
Même résultat si l’on ne prend en compte que les critères consommation et prix :
C et R sont dominées par P (moins bonnes sur les deux critères. Elles peuvent donc être rejetées a
priori.
2 Préférence à l’unanimité
Montrer que la relation de préférence à l’unanimité est un préordre (partiel)
On montre facilement à partir de sa définition que la relation de préférence globale à l’unanimité que
la réflexivité des préférences locales ( ∀i, ai i ai ) entraı̂ne celle de la relation globale.
Pour la transitivité, on suppose que a U na b et b U na c, i.e. par définition, ∀i, ai U na bi et
∀i, bi U na ci . Donc ∀i, ai U na bi et bi U na ci . Par transitivité des i , cela donne ∀i, ai i ci . Donc
∀i, a U na c. a U na est transitive.
Reflexive et transitive, U na est un préordre.
Il est partiel (pas complet) : on peut exhiber un cas d’incomparabilité, e.g. sur l’exemple du choix
d’automobiles.
1
– ∼ est transitive : a ∼ b et b ∼ c s’écrit a b et b c et b a et c b. Par transitivité de , cela
donne a c et c a donc a ∼ c.
– ≻ est irréflexive : a ≻ a est par définition a aetnona a ce qui est impossible. Donc non(a ≻ a).
– ≻ est transitive : supposons a ≻ b et b ≻ c. On a donc les assertions suivantes : a b, non(b a),
b c, non(c b). De là nous tirons que a c par transitivité de .
Pour montrer maintenant que non(c a), supposons que cela soit : c a. Par transitivité de ,
avec a b, nous tirons c b, ce qui est en contradiction avec non(c b). Donc on a non(c a).
Mais nous avions montré a c, ce qui, avec non(c a), s’écrit a ≻ c et termine la démonstration.
– Supposons a ≻ b. On doit montrer que ≻ est asymétrique, c’est-à-dire non(b ≻ a). Supposons que
cela soit, c’est-à-dire b ≻ a. Par la transitivité on tire a ≻ a, en contradiction avec l’irréflexibilité
démontrée plus haut. G est donc asymétrique.
2
Évident : a ∼ a donc a a
Cas 1 : Si pour tous les critères sauf un, aj = bj (sur ces critères, les deux vecteurs sont iden-
tiques), et que sur le dernier critère, disons i, ai ≻i bi . Le principe de projection des échelles assure que
ai {i}h ≻ bi {i}h, en posant h = a = b, cela donne ai {i}a ≻ bi {i}b, i.e. a ≻ b.
Cas m + 1 : Supposons que , quels que soient a et b, si sur tous critères sauf m, aj = bj et que sur les
m autres critères ai ≻i bi , alors a ≻ b.
On choisit maintenant a et b tels que, sur tous critères sauf m + 1, aj = bj et que sur les m + 1 autres
critères ai ≻i bi . On note j l’un des critères où ai ≻i bi . Par récurrence, a{j}a ≻ a{j}b et à cause du
principe de projection a{j}b ≻ b{j}b. Par transitivité, a{j}a ≻ b{j}b, i.e. a ≻ b
Utilisons maintenant le fait que les fonctions fi sont monotones strictement croissantes par définition :
et donc
n
X n
X
fi (a′i ) > fi (a∗i ),
i=1 i=1
∗
d’où une contradiction puisque a ne maximiserait pas h(a).
Soient a, b, c trois alternatives et V un ensemble de critères tels que aV c bV c au sens d’une agrégation
additive, i.e. Σi∈V f i(ai ) + Σi∈V / f i(ci ) ≥ Σi∈V f i(bi ) + Σi∈V / f i(ci ). Ceci est logiquement équivalent à
Σi∈V f i(ai ) ≥ Σi∈V f i(bi ), cette dernière inégalité étant elle même équivalente à Σi∈V f i(ai )+Σi∈V
/ f i(di ) ≥
Σi∈V f i(bi ) + Σi∈V
/ f i(d i ), quel que soit l’alternative d. Donc aV c bV c est logiquement équivalent à
aV d bV d.
3
10 Le min comme intégrale de Choquet
Montrer que le min est une intégrale de Choquet particulière
Pour exprimer le min par une intégrale de Choquet, on pose µ(S) = 1, µ(A) = 0∀A 6= S.
Pour exprimer un OWA quelconque par une intégrale de Choquet, poser µ(A) = Σi=n−Card(A)+1,n wi
Voir : M. Grabisch, On equivalence classes of fuzzy connectives : The case of fuzzy integrals. IEEE
Transactions on Fuzzy Systems 3 1 (1995), pages 96 à 109.
L’ordre leximin est complet car on peut toujours comparer lexicographiquement (ordre du diction-
naire) deux vecteurs. Il est réflexif car l’ordre lexicographique sur les vecteurs est réflexif.
Supposons que a leximin b et b leximin c.
Si on a deux indifférences, c’est que les trois vecteurs sont identiques à une permutation près ; une fois
rangés ils sont donc équivalent pour l’ordre lexicographique. Donc ils sont équivalents pour le leximin.
Si a ≻leximin b et b ≻leximin c, cela signifie que, jusqu’à une composante i∗ les vecteurs classes
correspondant à a et à b, notés a′ et b′ sont identiques, et qu’en i∗ , a′i∗ > b′i∗ . De la même façon, jusqu’à
une composante j ∗ les vecteurs classes correspondant à b et à c, sont identiques, et qu’en j ∗ , b′j ∗ > b′j ∗ .
Soit k ∗ = min(i∗ , j ∗ ). Jusqu’en k ∗ , les trois vecteurs classés sont identiques ; en k ∗ , soit a′k∗ > b′k∗ et
′
bk∗ = ck∗ , soit a′k∗ = b′k∗ et b′k∗ > ck∗ . Donc en k ∗ a′k∗ > ck∗ . Les vecteurs classes a′ et c′ étant identiques
jusqu’en k ∗ , avec de plus a′k∗ > ck∗ , on a par définition a ≻leximin c.
Pour prouver le principe d’efficacité, prenons a et b tels que a domine b au sens de Pareto (sens fort).
a ∼leximin b est impossible car les deux vecteurs classes sont différent du fait de la dominance. Considérons
les deux vecteurs classés, et supposons que b ≻leximin a. Cela signifie qu’il existe une composante des
vecteurs classés tels que a′i < b′i et ∀j < i, a′j = b′j .
Soit k le critère qui fournit a′i ; sur ce critère, ak ≥ bk , puisque a domine b au sens de Pareto par
hypothèse . Ce critère bk ne peut pas apparaitre dans les vecteur classé b′ après le rang i car toutes les
notes a partir du rang i sont supérieurs ou égales à b′i et b′i > a′i = ak .
On fait le même raisonnement pour tous les critères qui fournissent les a′j , j < i : aucun d’entre deux
ne peut pas apparaitre dans les vecteur classé b′ après le rang i.
Soient donc i + 1 notes a apparaı̂tre avant le rang i, ce qui est impossible.
On compare 4 types d’automobiles selon 3 critères : prix (en kE), consommation (en l/100 km), confort
(noté sur 20).
alternatives
a b c d
g1 consommation -10 -9 -10 -9
critères g2 confort 15 13 15 13
g3 prix -10 -10 -30 -30
g -35 -34 -40 -43
4
La conséquence importante de la non-séparabilité est que la préférence globale ne peut pas être
représentée par une fonction d’utilité qui soit une fonction d’agrégation additive sur les critères.
Pour aller au plus simple, on va utiliser un critère global h le critère global défini par test sur le
critère coût (on aurait pu alternativement construire une intégrale de Choquet) :
– si g3 < −20 : h = g1 + 2g2 + 2g3
– si g3 ≥ −20 : h = 3g1 + g2 + 2g3 .
Les valeurs de g sont représentées dans le tableau ci-dessus. Elles permettent de représenter les préférences
globales : (x ≺ y) ≡ (h(x) < h(y))
On classe les critères du moins important (petit indices) au plus important (gros indices).
1) exprimer formellement la relation de préférence globale.
– a ≻ b ssi existe un critère j tel que aj > bj et si ak = bk pour tous les critères k plus importants
que j, i.e. pour tout k > j.
– a ∼ b ssi ak = bk pour tout k.
– comme =≻ ∪ ∼.
h(a) = Σi ai . pi
Pour y parvenir, il faut que les niveaux de préférence sur chaque critère soient en nombre fini. Sup-
posons qu’on s’y ramène, avec par exemple N + 1 niveaux par critère, par exemple entre 0 et N (ceci se
fait sans perte de généralité). Soit n le nombre de critères.
Le cas le moins favorable pour une préférence lexicographique a ≻ b est quand, sur le critère décisif
k, ak − bk = 1 et que sur tous les critères moins important que k, b est excellent (note N ) et a mauvais
(note 0).
La traduction de a ≻ b par une somme pondérée exige que :
5
ak . pk + 0 > +bk . pk + Σi<k N.pi
Une condition suffisante pour que cette in équation soit vérifiée est
14 Le paradoxe de Condorcet
Construire, selon la méthode de classement à la majorité, un exemple pour lequel la relation de
préférence n’est pas transitive (paradoxe de Condorcet).
Trois alternatives a, b, c.
g1 (a) = 3, g1 (b) = 2, g1 (c) = 1
g2 (a) = 2, g2 (b) = 1, g2 (c) = 3
g3 (a) = 1, g3 (b) = 3, g3 (c) = 2
6
Quelles exigences sur les ψ et φi peuvent traduire cette hypothèse ?
Soit la propriété de monotonie suivante :
∀a, b :
∃j : aj ≥ bj et ∀i 6= j : ai = bi =⇒ a b
Quelles exigences sur les ψ et φi permettent d’assurer cette propriété ?
On suppose φi (v, v) = 0∀v, i, φi croissantes sur le premier argument et décroissante sur le second (
φi (u, v) croit quand u croit et décroı̂t quand v croit, et ce pour tout i ).
Sur ψ, on suppose ψ(0, ....., 0) = 0 et que ψ est croissante avec ses arguments.
Dans ce cas en effet, pour tous les i 6= j, φi (ai , bi ) = φi (ai , ai ) = 0. Comme les φi sont croissante dans
leur premier argument, φj (aj , bj ) ≥ φj (bj , bj ) = 0.
Comme φj (aj , bj ) ≥ 0, que φi (ai , bi ) = 0 pour tout i 6= j, et que ψ est croissante ψ(φj (aj , bj ), 0, ..., 0) ≥
ψ(0, ....., 0). Puisque psi(0, ....., 0) = 0, on obtient ψ(a, b) ≥ 0 donc a b
17 Electre I
candidats
A B C D E F
g1 (0.6) 16 10 18 18 16 6
critères g2 (0.1) 14 18 12 4 10 14
g3 (0.3) 16 12 6 20 12 18
1 - Alternatives pareto optimales : toutes, sauf E qui est dominé par A
2 - Alternative optimale pour la moyenne pondérée : D, qui a une note globale pondérée de 17.2 (suivi
de A : 15.8)
3 - Matrice de concordance :
A B C D E F
A 1 0.9 1 0.7 1 1
B 0.1 1 0.4 0.1 0.4 0.7
C 0.7 0.6 1 0.7 0.7 0.7
D 0.9 0.9 0.9 1 0.9 0.9
E 0.6 0.9 1 0.7 1 0.6
F 0.4 0.3 0.4 0.4 0.4 1
4 - Matrice de discordance : veto sur (C, A), (C, D), (C, F ), (D, A), (D, B), (D, F ), (F, A),(F, C),
(F, D), donc des 1 sur ces cases, 0 sur les autres et non discordance
5- Matrice de concordance : et non discordance
A B C D E F
A 1 0.9 1 0.7 1 1
B 0.1 1 0.4 0.1 0.4 0.7
C v 0.6 1 v v 0.7
D v v 0.9 1 0.9 v
E 0.6 0.9 1 0.7 1 0.6
F v 0.3 v v 0.4 1
– Avec µ = 1, la relation de surclassement est la relation de dominance forte aux seuils d’indifférence
près. C’est une relation très pauvre (peu de couples la satisfont) : A surclasse C, E et F ; E surclasse
C ; Noyau {A, B, D}
– On obtient des relations plus riches pour µ = 0.9 et µ = 0.7. Le noyau est {A, D} dans le premier
cas, {A} dans le second.
– On recommande A, qui est dans tous les noyaux lorsque l’on fait varier le seuil µ (en dessous de
0.7, le consensus devient vraiment mou ; en dessous de 0.5, µ n’a pas de sens).
– avec la somme pondérée, D se détache très nettement, bien qu’il ne soit pas équilibré (sa culture
générale est catastrophique). A se detache avec l’approche par surclassement : cette approche limite
les effets de compensation et degage des candidats plus équilibrés.
7
!"#$%& ' () * +,-. #//$. ' 012-./ 3. )$4.-5%. 6778
!"#$!%& '!('(&"#"()&
# M N ) 0
4&E: Fg1 G OP O7 O8 OP OP
;!""&%: Fg2 G O8 O8 O6 Q O7
".%>&%-2/4. Fg3 G OP O6 P O8 O6
C25+=+:$ Fg4 G O8 O7 OA 67 O7
! NI2?!. ;&=!:+&/ .;: .==. R2%.:& &":+-2=. S )&+:'&/H =. 42; $4I$2/:H &/ $42%:.% 4.==.; ?!+ /. =. ;&/: "2; D
T ?!2/3 =. 5!: .;: &%*% #"())%! !/. "%&"&;+:+&/ !/+?!. S
T ?!2/3 =. 5!: .;: 3. *+&&%! =.; "%&"&;+:+&/; S
"! )&//.% =. 4=2;;.-./: &5:./! ;!% =.; "%&"&;+:+&/; ./ !:+=+;2/: =2 %,U=. 3! -+/
$! 0/ "%.-+,%. 2/2=V;.H =.; .1".%:; 4&/;+3,%./: ?!. =. 4&!: .;: !/ 4%+:,%. "%+-&%3+2=H ?!. =2 ".%>&%-2/4.H =2
C25+=+:$ .: =. ;!""&%: ;&/: 3.; 4%+:,%.; /&/ /$U=+U.25=.;@ N. ?!+ ;. :%23!+: "2% =2 3+;:%+5!:+&/ 3. "&+3; ;!+<2/:. D
p1 = 0.4 p2 = 0.2 p3 = 0.2 p4 = 0.2
)&//.% =. 4=2;;.-./: &5:./! ;!% =.; "%&"&;+:+&/; ./ !:+=+;2/: =2 %,U=. 3. =2 ;&--. "&/3$%$.@
%! W/ .1"=&%. -2+/:./2/: =.; "%&"&;+:+&/; L =K2+3. =. =2 -$:I&3. 0=.4:%.H ./ %."%./2/: =. X.! 3. "&+3; "%$4$3./:@
W/ C1. =. -Y-. ;.!+= 3K+/3+Z$%./4. $U2= L 3 "&!% :&!; =.; 4%+:,%.; .: =. -Y-. ;.!+= 3. <$:& $U2= L [ "&!% :&!;
=.; 4%+:,%.;@ N&-"=$:.% =.; -2:%+4.; 3. 4&/4&%32/4. .: 3. <.:& ;!+<2/:.; D
# M N ) 0 # M N ) 0
# O O O O # 7 7 7 7 7
M 7@6 O 7@Q 7@6 7@P M 7 7 7 O 7
N 7@P 7@P O 7@P 7@8 N O 7 7 O 7
) 7@8 7@8 O 7@8 )
0 7@Q 7@8 7@8 7@P O 0 7 7 7 O 7
'! (3./:+C.% ?!.==. ;.%2+: !/ 5&/ 4I&+1 3. "%&"&;+:+&/ L "2%:+% 3.; %$"&/;.; 2!1 ?!.;:+&/ 6H *H Q .: \@
(! JK!/ 3.; .1".%: >2+: %.-2%?!.% ?!. =. ;!""&%: 3&+: 2<&+% -&+/; 3K+-"&%:2/4. ;!% =.; -2:$%+.=; C25=.;@ N. ?!+
;. :%23!+: "2% =2 42"24+:$ ;!+<2/:. ;!% =.; 4&2=+:+&/; 3. 4%+:,%.; D
µ(A) = Σgi ∈A pi ;+ g4 ∈
/A µ(A) = Σgi ∈A qi ;+ g4 ∈ A &] q1 = 0.4 q2 = 0.1 q3 = 0.2 q4 = 0.3
O
!"#$%& ' () * +,-. #//$. ' 012-./ 3. )$4.-5%. 6778
!"#$!%& '!('(&"#"()&
# M N ) 0
4&E: Fg1 G OP O7 O8 OP OP
;!""&%: Fg2 G O8 O8 O6 Q O7
".%>&%-2/4. Fg3 G OP O6 P O8 O6
C25+=+:$ Fg4 G O8 O7 OA 67 O7
! NI2?!. ;&=!:+&/ .;: .==. R2%.:& &":+-2=. S )&+:'&/H =. 42; $4I$2/:H &/ $42%:.% 4.==.; ?!+ /. =. ;&/: "2; D
T ?!2/3 =. 5!: .;: &%*% #"())%! !/. "%&"&;+:+&/ !/+?!. S
T ?!2/3 =. 5!: .;: 3. *+&&%! =.; "%&"&;+:+&/; S
U&/@ 0 .: M /. ;&/: "2; "2%.:& &":+-2=.; F.==. ;&/: 3&-+/$.; ;:%+4:.-./: "2% #G
V/ ".!: =.; .42%:.% "&!% =. "%&5=,-. 3. ;$=.4:+&/H -2+; "2; "&!% =. "%&5=,-. 3. 4=2;;+C42:+&/
"! )&//.% =. 4=2;;.-./: &5:./! ;!% =.; "%&"&;+:+&/; ./ !:+=+;2/: =2 %,W=. 3! -+/
$! 0/ "%.-+,%. 2/2=Z;.H =.; .1".%:; 4&/;+3,%./: ?!. =. 4&!: .;: !/ 4%+:,%. "%+-&%3+2=H ?!. =2 ".%>&%-2/4.H =2
C25+=+:$ .: =. ;!""&%: ;&/: 3.; 4%+:,%.; /&/ /$W=+W.25=.;@ N. ?!+ ;. :%23!+: "2% =2 3+;:%+5!:+&/ 3. "&+3; ;!+<2/:. D
p1 = 0.4 p2 = 0.2 p3 = 0.2 p4 = 0.2
)&//.% =. 4=2;;.-./: &5:./! ;!% =.; "%&"&;+:+&/; ./ !:+=+;2/: =2 %,W=. 3. =2 ;&--. "&/3$%$.@
%! V/ .1"=&%. -2+/:./2/: =.; "%&"&;+:+&/; L =K2+3. =. =2 -$:I&3. 0=.4:%.H ./ %."%./2/: =. [.! 3. "&+3; "%$4$3./:@
V/ C1. =. -\-. ;.!+= 3K+/3+]$%./4. $W2= L 3 "&!% :&!; =.; 4%+:,%.; .: =. -\-. ;.!+= 3. <$:& $W2= L ^ "&!% :&!;
=.; 4%+:,%.;@ N&-"=$:.% =.; -2:%+4.; 3. 4&/4&%32/4. .: 3. <.:& ;!+<2/:.; D
# M N ) 0
# O O O O
M 7@6 O 7@Q 7@6 7@P
N 7@P 7@P O 7@P 7@8
) 7@8 7@8 O 7@8
0 7@Q 7@8 7@8 7@P O
c(a, d) = 0.4(g1) + 0.2(g2) + 0.2(g3) + 0.2(g4) = 1
c(d, a) = 0.4(g1) + 0.2(g3) + 0.2(g4) = 0.8
# M N ) 0
# 7 7 7 7 7
M 7 7 7 O 7
N O 7 7 O 7
)
0 7 7 7 O 7
+= Z 2 <.:& 4&/:%. ) X # .: ) X M @
=2 =+W/. -2/?!2/:. .;: 3&/4 1 1 0 0 0
O
! !"#$%# &' (" )"$#%*' &' *+,*+#&",*' '$ &' (" )"$#%*' &' -'$+ !#.*.&',$'/0 &.$'#)%,'# (" #'("$%+, &'
/1#*("//')',$ !+1# 1, ,%-'"1 &' *+,*+#&",*' mu = 0.7
2'//%,'# (' 3#"!4' &' (" #'("$%+, &' /1#*("//')',$ ', &+,,'# 1, ,+5"16
7, 81/%+,,' (" )"$#%*' &' *+,*+#&",*' '$ (" )"$#%*' &' -'$+ 9
: ; 2 <
= = = = =
: >6? = >6@ -'$+ >6A
; -'$+ >6A = -'$+ >6B
2 -'$+ -'$+ >6B = >6B
< >6@ >6B >6B -'$+ =
-'* 1, /'1%( &' *+,*+#&",*' '3"( C >6D0 *'(" &+,,' (" )"$#%*' &' /1#*("//')',$
: ; 2 <
= = = = =
: > = > > >
; > > = > =
2 > > = = =
< > = = > =
E+%$ A ≥ A, B, C, D, E
B≥B
C ≥ C, E
E ≥ B, C, E
D ≥ D, E, C
U" -"('1# &' (R%,$.3#"(' &' ;4+H1'$ !+1# '/$ "(+#/ Ch(A) == 16 × (µ({g1, g2, g3, g4}) − µ({g2, g4})) + 18 ×
µ({g2, g4}) = 16 ∗ (1 − 0.4) + 18 ∗ 0.4 = 16.8