Probabilité et gravité : valeur espérée et utilité
Un risque ne se résume pas à sa probabilité
Lorsqu’un événement incertain nous inquiète, notre première question est souvent : « Quelle est la probabilité que cela arrive ? » Cette question est indispensable, mais elle ne suffit pas. Un événement très probable peut avoir des conséquences insignifiantes. À l’inverse, un événement extrêmement rare peut mériter une attention particulière si ses conséquences sont catastrophiques. Une probabilité de 50 % de perdre un euro n’a évidemment pas la même importance qu’une probabilité de 0,1 % de perdre sa maison ou sa vie. Pour évaluer une décision, nous devons donc considérer au moins deux dimensions : la probabilité d’une conséquence et son importance si elle se produit. Cette idée élémentaire constitue l’un des fondements de l’analyse du risque.
Probabilité faible ne signifie pas risque négligeable. Supposons deux situations. Dans la première, une activité possède une probabilité de 20 % de provoquer une perte de 10 euros. Dans la seconde, la probabilité de perte n’est que de 0,01 %, mais la perte serait de 100 000 euros. Si nous regardons seulement la fréquence, la première situation paraît beaucoup plus risquée. Mais la gravité modifie complètement le problème. C’est particulièrement important dans les domaines où certaines conséquences sont irréversibles : accident industriel, catastrophe environnementale, décès, faillite, destruction d’une infrastructure critique ou perte de données irremplaçables. La question pertinente devient alors : « Quelle est la probabilité de chaque conséquence, et quelle importance devons-nous lui accorder ? » Cette manière de raisonner permet déjà d’éviter deux erreurs symétriques : paniquer devant tout événement simplement parce qu’il est possible, ou négliger une possibilité grave simplement parce qu’elle est peu probable.
La valeur espérée : pondérer les conséquences par leurs probabilités
La manière la plus simple de combiner probabilités et conséquences est la valeur espérée. L’idée est intuitive : chaque résultat possible est pondéré par sa probabilité, puis les résultats ainsi pondérés sont additionnés. Pour une conséquence mesurée en euros : valeur espérée = somme de chaque conséquence × sa probabilité Prenons un jeu simple. Une pièce équilibrée est lancée.
- Face : vous gagnez 100 euros.
- Pile : vous perdez 40 euros.
Chaque résultat possède une probabilité de 50 %. La valeur espérée est donc : 0,5 × 100 + 0,5 × (−40) = 30 euros. Cela signifie qu’en répétant un très grand nombre de fois ce jeu dans des conditions identiques, le gain moyen tendrait vers environ 30 euros par partie. La valeur espérée permet ainsi de résumer une distribution complexe en une moyenne pondérée.
L’espérance n’est pas ce qui va forcément arriver. Il faut immédiatement éviter un malentendu. Une valeur espérée de 30 euros ne signifie pas que nous gagnerons 30 euros lors d’une partie. Ce résultat n’est même pas possible dans notre exemple : nous gagnerons 100 euros ou perdrons 40 euros. L’espérance est une moyenne théorique, non une prédiction du résultat individuel. Cette distinction est particulièrement importante lorsque la décision ne sera prise qu’une seule fois.
Supposons qu’une opération possède 99 % de chances de réussir et 1 % de chances d’entraîner une complication grave. La probabilité nous informe sur les fréquences attendues dans des situations comparables ; elle ne nous permet pas de savoir à l’avance dans quel groupe se trouvera une personne particulière. Un résultat moyen ne doit donc jamais être confondu avec une certitude individuelle.
Exemple : comparer deux stratégies
Imaginons qu’une entreprise hésite entre deux projets. Le projet A possède :
- 80 % de chances de produire un bénéfice de 100 000 euros ;
- 20 % de chances de provoquer une perte de 20 000 euros.
Sa valeur espérée est : 0,8 × 100 000 + 0,2 × (−20 000) = 76 000 euros. Le projet B garantit un bénéfice de 60 000 euros. Si nous ne considérons que la valeur monétaire attendue, le projet A paraît préférable. Mais ce résultat ne suffit pas encore à décider. L’entreprise peut-elle supporter la perte éventuelle ? Le projet pourra-t-il être répété de nombreuses fois ? Une mauvaise issue menace-t-elle simplement un trimestre ou l’existence même de l’entreprise ? Les estimations sont-elles fiables ? La valeur espérée constitue donc un outil de comparaison, non un ordre automatique.
Le problème de la gravité. Dans certains domaines, les conséquences ne sont pas naturellement exprimées en argent. Comment comparer :
- une journée d’hospitalisation supplémentaire ;
- une douleur importante ;
- une probabilité de décès ;
- une perte de liberté ;
- une atteinte environnementale durable ;
- quelques milliers d’euros de coût supplémentaire ?
Nous pouvons parfois construire des indicateurs adaptés. En santé publique, certains outils cherchent par exemple à combiner durée et qualité de vie. Dans l’analyse environnementale, différentes méthodes peuvent attribuer des valeurs aux dommages ou comparer plusieurs critères. Mais aucune conversion ne devient neutre simplement parce qu’elle est exprimée numériquement. La question de la gravité contient souvent des jugements de valeur. Cela ne rend pas l’analyse impossible. Cela signifie qu’il faut éviter de présenter comme une simple mesure technique ce qui dépend également d’hypothèses et de priorités normatives.
Valeur et utilité ne sont pas exactement la même chose
La théorie classique de la décision distingue généralement la valeur objective d’un résultat, lorsqu’elle peut être mesurée, et son utilité pour le décideur. Cette distinction permet de représenter un phénomène simple : recevoir 1 000 euros supplémentaires n’a pas nécessairement la même importance pour quelqu’un qui possède 2 000 euros que pour quelqu’un qui possède plusieurs millions. La valeur monétaire augmente du même montant. Son importance pour la personne peut être très différente. On parle alors d’utilité pour représenter la valeur attribuée à une conséquence dans la décision. L’utilité ne doit pas nécessairement être comprise comme du « plaisir ». Dans la théorie de la décision, elle représente plus généralement la manière dont différentes conséquences sont classées et pondérées par le décideur.
L’utilité espérée
Lorsque les conséquences sont évaluées par leur utilité plutôt que directement par leur valeur monétaire, nous obtenons l’utilité espérée. Le principe reste similaire : utilité espérée = somme des utilités des conséquences × leurs probabilités Cette idée est centrale dans la théorie moderne de la décision sous risque. Elle permet notamment de représenter le fait qu’une personne peut préférer un résultat certain à une loterie de valeur monétaire moyenne identique. Prenons deux options :
- recevoir 50 000 euros avec certitude ;
- avoir 50 % de chances de recevoir 100 000 euros et 50 % de chances de ne rien recevoir.
Les deux options possèdent la même valeur monétaire espérée : 50 000 euros. Pourtant, beaucoup de personnes préféreront recevoir 50 000 euros avec certitude. Ce comportement n’est pas nécessairement irrationnel. Il peut refléter une utilité marginale décroissante de l’argent : perdre la certitude de disposer de 50 000 euros peut compter davantage que la possibilité de passer de 50 000 à 100 000 euros.
Aversion au risque : ne pas confondre avec peur irrationnelle
Une personne est dite averse au risque lorsqu’elle préfère, dans certaines conditions, un résultat certain à une loterie possédant la même valeur attendue. Cette attitude peut être parfaitement cohérente. Une famille disposant de peu d’épargne peut raisonnablement préférer conserver 20 000 euros plutôt que risquer cette somme dans un pari offrant une espérance légèrement positive. Pour elle, perdre cet argent pourrait empêcher de payer un logement ou faire face à une urgence. L’aversion au risque ne signifie donc pas simplement « avoir peur ». Elle peut traduire le fait que les conséquences d’une perte sont beaucoup plus importantes que ne le suggère leur montant brut. Cette remarque sera essentielle lorsque nous examinerons le risque de ruine.
Pourquoi nous souscrivons des assurances. L’assurance fournit un bon exemple de la différence entre valeur monétaire et utilité. Sur le plan strictement financier, une assurance commerciale doit généralement coûter en moyenne plus cher que les indemnisations attendues, puisque l’assureur doit couvrir ses frais et dégager une marge. Pourquoi une personne rationnelle accepte-t-elle alors de payer ? Parce qu’elle échange une petite perte certaine — la prime d’assurance — contre la suppression ou la réduction d’une perte rare mais potentiellement très lourde. Payer quelques centaines d’euros chaque année peut être préférable à supporter une petite probabilité de perdre plusieurs centaines de milliers d’euros. L’assurance montre ainsi que maximiser l’espérance monétaire n’est pas toujours la même chose que prendre la décision la plus raisonnable.
Probabilité × conséquence : une bonne intuition, mais pas une définition universelle du risque
On résume souvent le risque par la formule : risque = probabilité × gravité. Cette formule est pédagogiquement utile. Elle rappelle immédiatement qu’un événement ne doit pas être jugé sur sa probabilité seule. Mais elle devient trompeuse si elle est utilisée comme définition complète du risque. Deux situations peuvent posséder la même perte moyenne tout en étant très différentes. Considérons : Situation A : 100 % de chances de perdre 100 euros. Situation B : 1 % de chances de perdre 10 000 euros et 99 % de chances de ne rien perdre. Dans les deux cas, la perte espérée est de 100 euros. Pourtant, ces situations ne sont évidemment pas équivalentes pour quelqu’un qui ne peut pas supporter une perte de 10 000 euros. L’espérance ne décrit donc pas toute la distribution des conséquences. Il peut aussi être important de connaître leur dispersion, leur maximum possible, leur réversibilité et la capacité du décideur à absorber une mauvaise issue.
Moyenne identique, risques différents. Le problème apparaît encore plus clairement dans une comparaison entre deux investissements. Le premier produit presque toujours un rendement compris entre −2 % et +6 %. Le second produit généralement un rendement élevé mais possède une petite probabilité de perdre presque tout le capital. Ils peuvent avoir exactement le même rendement moyen attendu. Pourtant, une personne qui dépend de ce capital pour sa retraite ne les considérera pas nécessairement comme équivalents. Une moyenne ne raconte jamais toute l’histoire. Avant de comparer des options risquées, il faut donc examiner au minimum :
- leurs résultats possibles ;
- leurs probabilités ;
- l’importance de leurs conséquences ;
- les scénarios extrêmes ;
- la capacité à supporter une perte ;
- la possibilité de recommencer ou non.
Nous développerons ces derniers points dans la fiche consacrée aux décisions répétées et au risque de ruine.
Le cas particulier des conséquences catastrophiques
Certaines conséquences exigent une attention particulière parce qu’elles dépassent un simple coût quantifiable. Une perte financière limitée peut être compensée par un gain ailleurs. Un accident mortel, la disparition d’une espèce ou l’effondrement d’une entreprise peuvent être irréversibles. Lorsque les conséquences sont catastrophiques, une faible probabilité peut donc mériter davantage d’attention que ne le suggère une simple moyenne. Cela ne signifie pas qu’il faut prendre toutes les catastrophes imaginables au sérieux indépendamment de leur plausibilité. Sinon, n’importe quel scénario extravagant pourrait justifier n’importe quelle précaution. La difficulté consiste précisément à articuler trois éléments : plausibilité, gravité et qualité des informations. Nous reviendrons sur ce problème lorsque nous examinerons les règles de robustesse et le principe de précaution.
Les probabilités elles-mêmes comptent par leur qualité
Une valeur espérée calculée avec de mauvaises probabilités n’est pas rendue fiable par les mathématiques. Supposons qu’une analyse estime :
- 10 % de probabilité d’un dommage ;
- coût du dommage : 1 million d’euros.
La perte espérée serait de 100 000 euros. Mais que signifie réellement le chiffre 10 % ? S’il provient de milliers d’observations comparables, il peut être relativement solide. S’il provient de trois experts très incertains étudiant une technologie complètement nouvelle, le calcul de 100 000 euros possède une signification beaucoup plus fragile. La multiplication est exacte. Les prémisses peuvent ne pas l’être. C’est l’un des pièges classiques de l’analyse quantitative : la précision du calcul peut faire oublier l’incertitude des données utilisées.
Quantifier pour comparer, pas pour fabriquer une certitude. Les estimations approximatives restent néanmoins extrêmement utiles. Supposons qu’une mesure de sécurité coûte 100 000 euros et vise à réduire un risque industriel. Même si nous ne connaissons pas exactement la probabilité de l’accident, constater que toutes les estimations plausibles donnent une perte attendue de plusieurs dizaines de millions d’euros fournit une information importante. À l’inverse, si la mesure coûte dix millions d’euros pour éviter un événement dont même les hypothèses les plus pessimistes impliquent quelques milliers d’euros de dommages, la conclusion peut également être assez robuste. Nous n’avons donc pas toujours besoin d’une précision parfaite. Une estimation imparfaite peut être suffisante lorsque toutes les valeurs plausibles conduisent à la même décision. Le véritable problème apparaît lorsque la conclusion dépend fortement d’une estimation très fragile.
Cas pratique — Faut-il réaliser un examen médical supplémentaire ?
Imaginons qu’un patient présente un symptôme pour lequel une maladie grave est possible mais peu probable. Un examen supplémentaire pourrait permettre de la détecter. Mais cet examen possède lui-même des coûts : effets indésirables éventuels, exposition à un risque, faux positifs, anxiété, temps médical et dépenses. La question n’est donc pas seulement : « Quelle est la probabilité que le patient soit malade ? » Il faut également demander :
- quelle serait la gravité d’une maladie non détectée ;
- quelle est l’efficacité de l’examen ;
- quels dommages l’examen peut provoquer ;
- quelles conséquences peuvent avoir les faux positifs ;
- comment la décision changerait selon différents niveaux de risque initial.
Si la maladie est bénigne et spontanément résolutive, un risque très faible peut ne pas justifier un examen invasif. Si la maladie est mortelle mais facilement traitable lorsqu’elle est détectée tôt, le seuil à partir duquel l’examen devient raisonnable peut être beaucoup plus bas. La gravité transforme donc la probabilité nécessaire pour agir. Nous développerons précisément cette notion dans la fiche consacrée aux seuils de décision.
Ne pas comparer uniquement les risques de l’action. Une erreur fréquente consiste à examiner très attentivement les risques produits par une intervention tout en oubliant ceux de l’option concurrente. Un médicament possède des effets indésirables. Mais ne pas traiter une maladie comporte également un risque. Construire une digue peut produire des dommages environnementaux et coûter très cher. Ne pas la construire peut exposer une population à une inondation. Une opération chirurgicale peut être dangereuse. Reporter l’opération peut l’être aussi. La question rationnelle n’est donc pas : « Cette option comporte-t-elle un risque ? » Presque toutes en comportent. Il faut demander : « Comment ses risques se comparent-ils à ceux des autres options, y compris l’inaction ? » Cette comparaison deviendra centrale lorsque nous étudierons le statu quo.
Une faible probabilité ne devient pas automatiquement importante parce que la conséquence est énorme. L’idée selon laquelle une petite probabilité peut compter lorsqu’une conséquence est gigantesque doit être maniée avec prudence. Imaginons quelqu’un qui affirme :
« Il existe peut-être une chance sur un milliard que mon produit évite la destruction de l’humanité. Comme l’enjeu est immense, il faut donc me donner plusieurs milliards d’euros. »
Le raisonnement ne fonctionne que si la probabilité avancée possède une justification sérieuse. Lorsque les probabilités deviennent extrêmement petites et très spéculatives, les erreurs d’estimation peuvent être plus grandes que les probabilités elles-mêmes. Multiplier une conséquence astronomique par une probabilité inventée ne produit pas soudainement une décision rationnelle. Les conséquences extrêmes méritent de l’attention, mais la gravité d’un scénario ne constitue pas une preuve de sa plausibilité.
Valeur espérée et décisions répétées. La valeur espérée devient particulièrement intuitive lorsque la même décision peut être répétée de nombreuses fois. Un casino peut perdre beaucoup d’argent sur une soirée particulière tout en être rentable à long terme parce que les probabilités de milliers de jeux répétés lui sont favorables. Un assureur ne sait pas quels clients subiront un sinistre. Mais en regroupant un grand nombre de risques suffisamment indépendants, il peut prévoir plus précisément le coût moyen des indemnisations. La situation est différente pour une personne confrontée à un événement unique qui pourrait la ruiner. Cette différence entre moyenne statistique et trajectoire individuelle sera au cœur de la fiche suivante.
Ce que la valeur espérée fait bien. Malgré toutes ces limites, la valeur espérée est un outil extrêmement puissant. Elle oblige à expliciter :
- les conséquences possibles ;
- leurs probabilités ;
- l’importance attribuée à chaque résultat.
Elle permet également de détecter certains raisonnements trompeurs. Une mesure peut réduire de moitié un risque mais n’éviter presque aucun dommage si le risque initial était minuscule. Une autre peut n’améliorer que légèrement une probabilité tout en produisant un bénéfice considérable parce que l’événement concerné est fréquent ou très grave. La valeur espérée nous apprend surtout à ne pas raisonner seulement à partir d’une propriété spectaculaire d’une option. Probabilité et conséquence doivent être examinées ensemble.
Ce qu’elle ne fait pas. La valeur espérée ne répond pas seule à plusieurs questions importantes. Elle ne nous dit pas :
- si une perte est supportable ;
- si une conséquence est irréversible ;
- si le risque est concentré sur certaines personnes ;
- si les probabilités sont bien connues ;
- si une option pourrait provoquer notre ruine ;
- si la même décision sera répétée ;
- si certaines valeurs ne peuvent pas être facilement converties en une unité commune ;
- si le résultat moyen cache une distribution extrêmement asymétrique.
Ces limites ne rendent pas le concept inutile. Elles indiquent simplement où nous devons compléter l’analyse.
Une méthode simple. Face à une décision risquée, nous pouvons commencer par cinq questions :
| Question | Pourquoi elle importe |
|---|---|
| Que peut-il arriver ? | Identifier les conséquences |
| Avec quelle probabilité ? | Pondérer les scénarios |
| Quelle serait leur gravité ? | Ne pas confondre fréquence et importance |
| Quelle confiance avons-nous dans ces estimations ? | Éviter la fausse précision |
| Pouvons-nous supporter le pire résultat plausible ? | Repérer les situations où la moyenne ne suffit pas |
Les quatre premières questions permettent de construire une analyse du risque. La cinquième introduit une difficulté nouvelle : certaines pertes changent complètement la structure de la décision parce qu’elles empêchent de continuer.
À retenir
Évaluer un risque demande de considérer à la fois la probabilité d’un événement et la gravité de ses conséquences. La valeur espérée fournit une première méthode pour combiner ces éléments en pondérant chaque conséquence par sa probabilité. L’utilité espérée va plus loin en reconnaissant que l’importance d’une conséquence ne correspond pas nécessairement à sa valeur monétaire brute.
Ces outils sont puissants, mais ils ne suffisent pas à résumer toutes les décisions risquées. Deux options peuvent avoir la même moyenne tout en présentant des distributions de pertes très différentes. Une petite probabilité de catastrophe peut être particulièrement importante lorsqu’une mauvaise issue est irréversible ou menace la possibilité même de continuer. La bonne question n’est donc pas simplement : « Quelle option possède la meilleure moyenne ? » mais aussi : « Quels résultats cette moyenne cache-t-elle, et pouvons-nous réellement supporter les mauvaises issues possibles ? » Cette question nous conduit directement à la distinction entre décisions uniques et répétées, assurance, diversification et risque de ruine. Pour approfondir la mise à jour des probabilités à partir de nouvelles observations, voir la catégorie Probabilités et raisonnement bayésien.
Sources et approfondissements
John von Neumann et Oskar Morgenstern, *Theory of Games and Economic Behavior*, Princeton University Press, 1944. L'ouvrage fournit le cadre classique dans lequel des préférences satisfaisant certaines conditions peuvent être représentées par une fonction d’utilité espérée. Leonard J. Savage, *The Foundations of Statistics*, Wiley, 1954. Référence majeure pour la théorie subjective de la décision sous incertitude et l’articulation entre croyances probabilistes et préférences. Howard Raiffa, *Decision Analysis: Introductory Lectures on Choices Under Uncertainty*, Addison-Wesley, 1968. Introduction classique à l’utilisation des probabilités et des utilités dans l’analyse des décisions. Martin Peterson, *An Introduction to Decision Theory*, 2e éd., Cambridge University Press, 2017. Présentation pédagogique des fondements de la valeur espérée, de l’utilité, de l’aversion au risque et des limites des principales règles de décision.
David E. Bell, Howard Raiffa et Amos Tversky (dir.), *Decision Making: Descriptive, Normative, and Prescriptive Interactions*, Cambridge University Press, 1988. Ensemble de travaux fondamentaux sur les liens et les tensions entre modèles normatifs de décision et comportements observés.