Zooms Mathématiques Appliquées À La Gestion

M
athmatiques
appliques
la gestion
Outils mathmatiques pour la gestion
Mathmatiques financires
Statistique descriptive
Probabilits
Lim916 10/08/05 9:52 Page 1
Jean-Pierre POSIRE
est Professeur certifi en Mathmatiques et ex-chef de dpartement
Gestion (GEA) lIUT de Valenciennes.
Du mme auteur
Exercices de mathmatiques appliques la gestion
avec corrigs dtaills (coll. Les Zooms) 1
re
dition 2005
Lim916 10/08/05 9:52 Page 2
Jean-Pierre POSIRE
Outils mathmatiques pour la gestion
Statistique descriptive
Probabilits
M
athmatiques
appliques
la gestion
Lim916 10/08/05 9:52 Page 3
COL L ECTI ON
L ES ZOOM S
Sous la direction de Batrice et Francis Grandguillot
Fiscalit franaise 2005 (B. et F. Grandguillot)
Comptabilit gnrale Principes gnraux, oprations courantes,
oprations de fin dexercice 9
e
dition 2005 (B. et F. Grandguillot)
Exercices de comptabilit gnrale avec corrigs dtaills
2
e
Analyse financire 9
e
Exercices danalyse financire avec corrigs dtaills 1
re
dition 2005
(B. et F. Grandguillot)
Comptabilit de gestion 7
e
Comptabilit des socits 4
e
Droit du travail et de la scurit sociale 8
e
dition 2005
(D. Grandguillot)
Droit civil 1
re
dition 2005 (C. Renault-Brahinsky)
Droit des affaires 1
re
dition 2005 (P. Oudot)
Droit des socits 4
e
dition 2005 (X. Seux-Baverez)
Droit de la sant et de la scurit au travail (Ph. Malingrey)
Marketing et action commerciale 4
e
dition 2005 (G. Audigier)
Les techniques du commerce international 3
e
dition 2005
(G. Legrand et H. Martini)
Mathmatiques appliques 1
re
dition 2005 (J.-P. Posire)
Exercices de Mathmatiques appliques avec corrigs dtaills
1
re
dition 2005 (J.-P. Posire)
Institutions publiques franaises et europennes 1
re
dition 2005
(D. Grandguillot)
Gualino diteur, EJA Paris 2005
ISBN 2 - 84200 - 916 - 9
Lim916 10/08/05 9:52 Page 4
P
rsentation
Les mathmatiques font peur et pourtant !
En ralit les mathmatiques sont, en quelque sorte, un jeu pour ceux et celles qui cher-
chent les comprendre. Il nest pas ncessaire davoir des connaissances trs pousses pour
rsoudre la plupart des problmes. Dans beaucoup des cas, une dmarche logique basique
suffit. En fait, le plus difficile est de comprendre les problmes et les modliser.
Cet ouvrage a t crit dans ce sens, les mathmatiques ne sont pas considres comme
une science fondamentale mais comme un ensemble doutils permettant une analyse et la
recherche dune solution. La part des mathmatiques pures a t rduite le plus possible afin
de laisser la place un raisonnement souvent basique. Nanmoins, toute solution propose
doit pouvoir tre justifie de manire graphique, empirique ou analytique.
Les notions de mathmatiques appliques la gestion, rparties en quatre parties, sont
tudies partir de problmes consonance concrte. Des exemples dutilisation avec une
proposition de rsolution sont donns. Le lecteur pourra essayer de trouver dautres mthodes
pour arriver au rsultat.
Il faut cependant possder quelques connaissances mathmatiques minimales : avoir au
moins une mthode pour rsoudre une quation et un systme dquations (sont revues la
mthode des dterminants et la mthode matricielle) et savoir driver une fonction (tout au
moins les fonctions une variable).
Pour donner des rsultats chiffrs et trouver les rponses aux questions poses, il est
important de lire, comprendre et traduire en langage mathmatique les noncs. Lutilisation
dune calculatrice ou dun tableur est recommande, cest une aide apprciable en terme de
G MATHMATI QUES APPLI QUES LA GESTI ON

6
rentabilit : gain de temps. Lutilisation des menus quations , solveur est conseille
pour ceux et celles qui en disposent.
la lecture de cet ouvrage, le lecteur, mme non-matheux, doit tre convaincu que le mot
mathmatique nest pas synonyme de rpulsif. Les mathmatiques appliques la gestion
sont une science du concret accessible la plupart dentre nous, sous rserve davoir un peu
de rigueur.
S
ommaire
1
Outils mathmatiques pour lconomie et la gestion
Chapitre 1 La notion dquilibre sur le march pour un bien 21
1 Lanalyse du march 21
A Le problme pos 21
B La fonction doffre La fonction de demande 21
C La fonction doffre affine 22
D La fonction de demande affine 23
E La notion dquilibre sur le march 23
F Linfluence dune taxe (ou dune subvention) sur les conditions
lquilibre 25
G Deux autres hypothses 26
2 Trois exemples dutilisation 28
A Lexemple 1 : quilibre sans, puis avec subvention 28
B Lexemple 2 : Dtermination de fonction 29
C Lexemple 3 : Fonction du second degr 30
3 Le rsum 31
Chapitre 2 La notion dquilibre sur le march pour un ensemble
de biens 33
1 Le problme pos 33
A Les fonctions doffre et de demande plusieurs variables 33
B La notion dquilibre pour plusieurs biens 34

8
2 La rsolution dun systme dquation par la mthode de Cramer 34
A Le calcul dun dterminant 34
B La mthode de Cramer 37
3 La rsolution dun systme par la mthode matricielle 38
A La dfinition dune matrice 38
B Les oprations sur les matrices 38
C Deux matrices carres particulires 40
D Les valeurs propres dune matrice carre 43
E La rsolution du problme pos la Socit EREISOP 44
4 Le rsum 45
Chapitre 3 Une tude analytique pour un bien 47
1 Les notions fondamentales 47
A La prsentation 47
B Le cot moyen - Le cot total 48
C La notion de cot marginal 48
D Loptimum technique 48
E La notion dlasticit 50
F Loptimum conomique 51
A Lexemple 1 : Recherche dun optimum technique 52
B Lexemple 2 : Recherche dun optimum conomique 53
C Lexemple 3 : lasticit de Demande 54
3 Le rsum 55
Chapitre 4 Une tude analytique pour un ensemble de biens 57
1 Les optima pour une fonction plusieurs variables 57
A Le problme pos 57
B Lanalyse du problme pos 57
C La rsolution directe du problme pos 59
D La matrice du Hessien 60
E La mthode des mineurs diagonaux 61
F La mthode des valeurs propres 62
2 Les optima lis pour une fonction plusieurs variables 63
A Une modification du problme pos 63
B La mthode directe 63
C La mthode des coefficients de Lagrange 63
D La mthode des pseudo-valeurs propres du Hessien bord 65
E Une remarque 66
G
Sommaire
9
A Lexemple 1 : Recherche dun optimum simple et calcul
dune lasticit 66
B Lexemple 2 : Recherche dun optimum li 67
C Lexemple 3 : Fonction de satisfaction 69
4 Le rsum 71
Chapitre 5 La Programmation Linaire Simple 73
1 La modlisation et la rsolution graphique dun programme linaire
simple 73
A Le problme pos 73
B Le choix des variables et la modlisation 73
C La rsolution graphique dun programme linaire 75
D Les contraintes satures ou non-satures 76
2 La rsolution algbrique dun programme linaire 77
A La dualit 77
B La mthode exhaustive 78
C La mthode de Dantzig : recherche dun maximum 79
D Les tableaux du Simplexe de maximisation 80
E Quelques remarques propos de la dualit 83
3 Le rsum 85
2
Chapitre 6 Les suites numriques 89
1 Les suites arithmtiques 89
A La dfinition dune suite numrique 89
B La dfinition dune suite arithmtique 89
C Les suite arithmtiques finies 90
2 Les suites gomtriques 91
A La dfinition dune suite gomtrique 91
B Les suites gomtriques finies 91
A Lexemple 1 : Travail sur une suite arithmtique 92
B Lexemple 2 : Travail sur une suite gomtrique 93
C Lexemple 3 : Travail sur une suite bizarre 93
3 Le rsum 94

10
Chapitre 7 Les intrts simples 95
1 Lintroduction 95
A Les gnralits 95
B La valeur nominale la valeur acquise la valeur actuelle 95
C Le taux dintrt 96
D Le calcul de la dure 96
2 Les intrts simples 97
A Le principe 97
B Les adaptations de la relation de base 97
C Une remarque 98
A Lexemple 1 : Calcul dune dure de placement 98
B Lexemple 2 : Notion de taux moyen 99
C Lexemple 3 : Calcul de taux effectifs de placement 100
4 Le rsum 101
Chapitre 8 Lescompte intrts simples 103
1 La prsentation 103
A La problme pos 103
B Les dfinitions 104
C Lescompte rationnel 104
D Lescompte commercial 105
E Lquivalence entre effets 105
2 La pratique de lescompte 105
A Le bordereau descompte 105
B Le taux rel (ou effectif) descompte 106
A Lexemple 1 : Comparaison escompte commercial et escompte
rationnel 106
B Lexemple 2 : Equivalence entre effets 107
C Lexemple 3 : Choix entre conditions descompte 108
3 Le rsum 109
Chapitre 9 Les intrts composs 111
A Le principe 111
B La capitalisation des intrts 111
C Le schma de base 112
G
Sommaire
11
D Les taux dintrts proportionnels -
Les taux dintrts quivalents 112
E Le taux annuel continu 113
A Lexemple 1 : Diffrence entre capitalisation annuelle et capitalisation
continue 113
B Lexemple 2 : Que faire si les taux dintrts changent ? 114
C Lexemple 3 : Taux proportionnels - Taux quivalents - Taux annuel
continu 115
3 Le rsum 116
Chapitre 10 Les annuits 117
1 Les gnralits 117
A Le problme pos 117
B Les dfinitions 118
C La valeur acquise par une suite temporaire 119
D La valeur actuelle dune rente temporaire 119
2 Deux mthodes de recherche dun taux 120
A La mthode par interpolation linaire 120
B La mthode de la tangente 120
C Lapplication au cas de Monsieur Papy 121
3 Trois suites dannuits particulires 123
A Les suites dannuits constantes 123
B Les suites dannuits en progression gomtrique 124
C Les suites dannuits en progression arithmtique 125
4 Le rsum 127
Chapitre 11 Les emprunts indivis 129
1 Les gnralits 129
A La dfinition 129
B Les principes 129
C Le tableau damortissement 130
D Un exemple quelconque 130
2 Trois types demprunts indivis 131
A Les amortissements sont constants 131
B Les annuits sont constantes 132
C Le remboursement in fine Le fonds damortissement 133
3 Le rsum 135

12
Chapitre 12 Quelques notions sur les emprunts obligataires 137
1 Les gnralits 137
A La dfinition 137
B La terminologie 137
C Le taux effectif de placement pour un prteur 138
D Le principe de la gestion SICoVaM 138
E Le tableau damortissement dun emprunt obligataire 139
2 Deux exemples dutilisation 140
A Lexemple 1 : Construction dun tableau damortissement 140
B Lexemple 2 : Calcul de taux effectifs 141
3 Le rsum 144
3
Statistique Descriptive
Chapitre 13 Lintroduction la statistique descriptive 147
1 Les gnralits 147
A La dfinition 147
B La terminologie 147
C Les diffrents types de caractres 147
D La forme gnrale dun tableau statistique 148
2 Les reprsentations dune srie statistique 149
A Le cas des sries caractre qualitatif 149
B Le cas des sries caractre quantitatif discret 152
C Le cas des sries caractre quantitatif continu 153
3 Les caractristiques de position empiriques 155
A Le Mode (ou la Dominante) 155
B La mdiane 156
C La mdiale 156
D Quelques remarques 158
4 Les moyennes 158
A Une formulation gnralise 158
B La moyenne arithmtique 158
C La moyenne quadratique 159
D La moyenne harmonique 160
E La moyenne gomtrique 161
F Quelques remarques 162
5 Les caractristiques de dispersion empiriques 163
A Ltendue 163
G
Sommaire
13
B Les quantiles 163
C Quelques remarques 164
6 La srie des carts 164
A La dfinition 164
B Lcart moyen arithmtique 165
C Une remarque 165
7 Deux thormes importants 166
A Le thorme de Knig 166
B Lingalit de Bienaym-Tchebytcheff 167
8 Le rsum 169
Chapitre 14 Les mlanges de populations 171
1 Les gnralits 171
A Lintroduction 171
B Les notations initiales 171
C Une relation entre la moyenne de la population-mre
et les moyennes des sous-populations 172
D Une relation entre la variance de la population-mre et les variances
des sous-populations 172
E La fraction de la variance totale explique par lhtrognit des
moyennes entre sous-populations 173
A Lexemple 1 : Comparaison de calculs 174
B Lexemple 2 : Calcul partir dun tableau synthtique 177
3 Le rsum 179
Chapitre 15 La modlisation dune srie statistique 181
1 Deux mthodes empiriques destimation 181
A Lintroduction 181
B La premire mthode : lestimation par une valeur moyenne 182
C La seconde mthode : lestimation par la mthode de Mayer 182
D La notion de distance entre valeurs observes et valeurs estimes 184
2 La mthode des moindres carrs 185
A Le rsidu quadratique 185
B La droite des moindres carrs (par abus, droite dite de rgression) 186
C Lajustement suivant une fonction exponentielle 191
D Lajustement suivant une fonction puissance (fonction de Pareto) 193
E Lajustement parabolique 194
F Un ajustement quelconque 197
G Quelques remarques 200
3 Le rsum 202

14
Chapitre 16 Quelques notions sur les sries chronologiques 203
1 Les lments composant une chronique 203
A Lintroduction 203
B Une visualisation de la tendance gnrale (Trend) 203
C Une visualisation de la priodicit et de linfluence accidentelle 204
D Un graphique montrant simultanment les trois composantes 205
2 Une mthode empirique destimation 205
A La dcomposition du phnomne tudi 205
B Une estimation grossire du trend 206
C Le calcul des coefficients saisonniers 206
D La dtermination de lquation du trend 209
3 Une mthode analytique destimation 210
A La prsentation 210
B Les principes 210
C Le calcul de b et des coefficients saisonniers 211
D Le calcul de a 213
E Lapplication aux livraisons dessence de lhypermarch de papyville 215
4 Le rsum 216
Chapitre 17 Quelques notions sur les indices statistiques 217
1 Les indices lmentaires 217
A Lintroduction 217
B La dfinition 217
C Quelques proprits des indices lmentaires 218
2 Les indices synthtiques 218
A La dfinition et les principes 218
B Lindice de Laspeyre 219
C Lindice de Paasche 221
D Lindice de Fisher 222
3 Le rsum 222
4
Probabilits
Chapitre 18 Le dnombrement 227
1 Lanalyse combinatoire 227
A Le principe fondamental 227
B Les permutations 227
C Les arrangements 228
G
Sommaire
15
D Les combinaisons 228
E Quelques proprits des combinaisons 229
A Lexemple 1 : Combien de plans de table ? 230
B Lexemple 2 : Combien de descentes possibles ? 230
C Lexemple 3 : Combien de mains possibles ? 231
3 Le rsum 233
Chapitre 19 Quelques notions de probabilit 235
A La terminologie 235
B La dfinition dune probabilit 235
C Quelques proprits dune probabilit 236
D Les probabilits composes ou conditionnelles 237
A Lexemple 1 : Probabilit sur un jeu de carte 237
B Lexemple 2 : tude dune production 238
C Lexemple 3 : La fiabilit dun thylomtre 239
3 Le rsum 240
Chapitre 20 Les variables alatoires discrtes 243
1 Les gnralits 243
A La notion de variable alatoires 243
B Les lois de probabilit dune variable alatoire discrte : X L(X) 243
C Lesprance mathmatique et lcart-type 244
D Quelques proprits des esprances mathmatiques et des variances.
La notion de covariance 244
A Lexemple 1 : Les principales notions dans un exercice thorique 246
B Lexemple 2 : Calculer ses chances pour ouvrir une porte 248
3 Le rsum 250
Chapitre 21 Les variables alatoires continues 251
1 Les gnralits 251
A Les lois de probabilit dune variable alatoire continue : X L(X) 251
B Lesprance mathmatique et lcart-type 252
C Quelques remarques 252
A Lexemple 1 : Un exercice thorique 252
B Lexemple 2 : La loi exponentielle 254
3 Le rsum 255

16
Chapitre 22 La loi Binomiale 257
A La dfinition 257
B Lesprance mathmatique 257
C La variance et lcart-type 258
A Lexemple 1 : Pices dfectueuses dans un chantillon 258
B Lexemple 2 : Etat de voitures vendues 259
3 Le rsum 260
Chapitre 23 La loi de Poisson 261
A Lapproximation dune loi Binomiale 261
B Le Processus de poisson 262
C La dfinition 263
D Lesprance mathmatique 263
E La variance et lcart-type 263
F Quelques remarques 264
A Lexemple 1 : Le processus de Poisson 264
B Lexemple 2 : Lapproximation dune loi Binomiale 264
3 Le rsum 265
Chapitre 24 La loi Normale 267
A La dfinition 267
B La loi Normale centre rduite 268
C Le passage de la loi N(m ;) la Loi N(0 ;1) 268
D Quelques calculs de probabilits pour une variable alatoire
T L(T) = N(0 ; 1) 269
E Quelques calculs de probabilits pour une variable alatoire
X L(X) = N(m ; ) 272
2 Lapproximation dune loi Binomiale ou de Poisson par une loi
Normale 273
A La correction de continuit 273
B Lapproximation dune loi Binomiale par une loi Normale 275
C Lapproximation dune loi de Poisson par une loi Normale 275
3 Le rsum 276
G
Sommaire
17
Chapitre 25 Le test du Khi2 Le test de Henry 277
A La loi du Khi2 (
2
) 277
B Les caractristiques de la loi du Khi2 277
C Le nombre de degrs de libert 277
D La somme de variables
2
indpendantes 277
E Lutilisation de la table de la fonction inverse de la loi du
2
278
2 La validit de lajustement dune loi observe une loi thorique 278
A La dfinition et la loi de probabilit de la distance entre une loi
observe et une loi thorique 278
B Le test du Khi2 279
A Lexemple 1 : Ajustement suivant une loi Binomiale ou une loi de
Poisson 280
B Lexemple 2 : Ajustement par une loi Normale 281
4 Le test de Henry 283
A Le principe 283
B Un exemple dutilisation 283
5 Le rsum 287
Les Annexes 289
Lannexe 1 : Un tableau rsumant brivement le passage dune loi une autre 291
Lannexe 2 : La fonction de rpartition de la loi Normale N(0 ; 1) 292
Lannexe 3 : La fonction inverse de la rpartition de la loi Normale N(0 ; 1) 294
Lannexe 4 : La fonction inverse de la rpartition de la loi du Khi2 (
2
) 296
PARTIE 1
Outils mathmatiques
pour lconomie
et la gestion
1

Lanalyse du march
A Le problme pos
Comme chaque anne, la Socit EREISOP essaye de vendre son caf spcial auprs des habitants de
Papyville en ESPERIE. Ce caf est actuellement stock en paquets de 1 kg. Il faut galement savoir que
la Socit EREISOP est la seule produire ce type de caf.
En tudiant ses cots de production et son budget, Monsieur Papy, Pdg de la Socit EREISOP, constate
quil ne peut pas se permettre de vendre son caf moins de 2 le paquet et que, pour lui, lidal
serait quil arrive vendre 250 000 paquets 6 le paquet.
Du ct des ventuels clients et la vue des annes antrieures qui lui servent un peu dtude de mar-
ch, Monsieur Papy estime que, cette anne, sil vendait 5,5 son paquet de caf, il arriverait en ven-
dre 50 000 paquets alors que sil les vendait 3 il arriverait en vendre 175 000 paquets.
Pouvons-nous alors aider Monsieur Papy dterminer le prix auquel il devrait proposer son paquet de
caf et combien il en vendrait ?
B La fonction doffre La fonction de demande
la lecture du problme pos ci-dessus, nous constatons que le march est compos de deux compo-
santes principales :
la premire est la vue du march uniquement du ct du producteur, de loffreur, qui ne voit que sa
rentabilit en estimant ses besoins : Monsieur Papy cherchera donc vendre le plus de paquets de
caf possible au meilleur prix ;
la seconde est la vue du march plutt du ct des consommateurs, des demandeurs, qui auront ten-
dance acheter dautant moins que le prix est lev.
La premire composante sera appele offre : une fonction doffre sera donc une fonction qui reliera
un nombre de paquets mis en vente (offerts) un prix de vente affich par loffreur. Cette fonction
doffre sera, en gnral, croissante.
La notion dequilibre sur
le march pour un bien
Chapitre
1
G
22
MATHMATI QUES APPLI QUES LA GESTI ON
Si nous dsignons par p
o
(en ) le prix de vente en question et par Q
o
(en milliers) le nombre de paquets
mis en vente, cette fonction doffre peut se prsenter sous les formes :
o o o o o o
p Q f(p ) ou Q p f(Q ) = =
La seconde composante sera appele demande : une fonction de demande sera donc une fonction qui
reliera un nombre de paquets achets par les consommateurs (vendus ou demands) un prix pay par
le consommateur. Cette fonction doffre sera, en gnral, dcroissante.
Si nous dsignons par p
d
(en ) le prix pay en question et par Q
d
(en milliers) le nombre de paquets
achets et donc vendus, cette fonction de demande peut se prsenter sous les formes :
d d d d d
p Q f(p ) ou Q p f(Q ) = =
Le problme qui se pose maintenant est donc de savoir de quels types sont ces fonctions doffre et de
demande.
C La fonction doffre affine
Nous pouvons faire lhypothse comme quoi la fonction doffre est affine et quelle se prsente sous la
forme :
o o o o
Q p f(Q ) aQ b o a et b sont des constantes relles. = = +
Dans notre cas et grce aux donnes de lnonc, nous pouvons crire que :
b 2 a 0, 016
250a b 6 b 2, 000
= =

+ = =

Suivant cette hypothse, cette fonction doffre scrit :
o o o o
Q p f(Q ) 0, 016Q 2, 000 = = +
Cette fonction ne pouvant tre dfinie que sur
*
+
, nous la reprsenterons sous la forme suivante :

1
5
3
100 200 300 400
po
Qo
0
Au vu de cette reprsentation graphique, nous pouvons vrifier ce qui est dit au dpart, savoir que le
prix minimal doffre est bien gal 2 le paquet.
noter Par convention, les quantits sont places en abscisses et les prix en ordonnes, mme si la
fonction est donne sous la forme :
o o o
p Q f(p )
o o o o
QQ
oo
. Cette fonction affine nest pas reprsen-
te par une droite car un prix et une quantit ne sauraient tre ngatifs.
G
Chapitre 1 La notion dquilibre sur le march pour un bien
23
D La fonction de demande affine
Nous pouvons faire lhypothse comme quoi la fonction de demande est affine et quelle se prsente
sous la forme :
d d d d
Q p f(Q ) aQ b = = + o a et b sont des constantes relles.
Dans notre cas et grce aux donnes de lnonc, nous pouvons crire que :
175a b 3, 0 a 0, 020
50a b 5,5 b 6,500
+ = =

+ = =

Suivant cette hypothse, la fonction de demande scrit :
d d d d
Q p f(Q ) 0, 020 Q 6,500 = = +
noter Cette fonction affine, comme la fonction doffre, nest pas reprsente par une droite car
un prix et une quantit ne sauraient tre ngatifs.
Cette fonction ne pouvant tre dfinie que sur
+
, nous la reprsenterons sous la forme suivante :

1
5
3
100 200 300 400
pd
Qd
0
Au vu de ce graphique, il est facile de constater que le prix maximal quaccepterait de payer un con-
sommateur est de 6,5 le paquet de caf.
Si cette notion de prix maximal est naturelle , il est plus dlicat daffirmer que si les consommateurs
pouvaient acheter plus de 325 milliers de paquets de caf, la Socit EREISOP devrait les offrir gratuite-
ment (325 000 est la quantit au-del de laquelle le bien deviendrait libre).
En effet, si le consommateur conoit que plus la quantit achete est importante, plus le prix unitaire
doit tre bas (remise), il est difficile dadmettre que le bien en question devienne gratuit (libre).
Cest ce phnomne qui nous indique que le type de fonction choisie pour la demande est peut-tre
non-adapt.
E La notion dquilibre sur le march
Sur le march, comme nous lavons dj fait remarquer, les offreurs et les demandeurs cohabitent et
la quantit vendue par loffreur sera la quantit achete par le demandeur. De mme le prix peru par
loffreur sera celui pay par le demandeur.
G
24
Il est donc logique que les fonctions doffre et de demande se reprsentent sur un mme graphique.
Sur ce graphique, les units de quantit et de prix seront reprsentes par le mme symbole, soit par Q
et p respectivement.
Avant de faire ce graphique, il ne faut pas oublier de vrifier que lunit de prix est la mme dans loffre
et dans la demande (ici leuro) ainsi que lunit de quantit (ici le millier de paquets de caf).
Nous arrivons ainsi au graphique ci-dessous :

1
5
3
p
Q
100 200 300 400 0
pA
pB
Qo,B Qd,B Qd,A Qo,A
Offre
Demande
Demande
Offre
En analysant ce graphique, nous remarquons que pour un prix gal p
A
, la demande Q
d,A
est infrieure
loffre Q
o,A
. Pour ce prix, la production est donc trop importante par rapport la demande do cons-
titution de stocks. Pour couler cette surproduction, le producteur aura tendance diminuer ses prix.
Par contre, pour un prix gal p
B
, la demande Q
d,B
est suprieure loffre Q
o,B
. Pour ce prix, la pro-
duction est donc trop faible par rapport la demande do un manque gagner. Pour rcuprer cette
perte, le producteur aura tendance augmenter ses prix.
Pour le producteur, comme pour le consommateur, lidal serait que loffre soit gale la demande,
cest--dire que lidal serait darriver un point dquilibre sur le march.
Offre = Demande
= =

= =
o d
o d
p p p
Equilibre sur le march
Q Q Q
Le point dquilibre se situe donc au point dintersection entre les courbes doffre et de demande. Pour
dterminer les conditions lquilibre, il faut donc rsoudre le systme form par les deux quations
reprsentant loffre et la demande :
p 0, 016Q 2, 0 p 4
p 0, 020Q 6,5 Q 125
= + =

= + =

lquilibre sur le march, il faudrait donc que la Socit EREISOP mette en vente 125 000 paquets de
caf 4 le paquet.
G
25
F Linfluence dune taxe (ou dune subvention) sur les conditions
lquilibre
Supposons maintenant que la Socit EREISOP soit taxe par les services fiscaux dESPERIE. Cette taxe
peut se dfinir de deux manires diffrentes : soit une taxe unitaire fixe par paquet de caf vendu, soit
une taxe proportionnelle au prix donn sous forme de pourcentage.
1) Le cas dune taxe unitaire fixe
Supposons qu chaque fois que la Socit EREISOP vend un paquet de caf, elle doive payer une taxe
de 0,9 . Son prix doffre passera de p
o
p
o,t
= p
o
+ 0,9 et son prix minimal doffre qui tait de 2
passera 2,9 .
o o o o
La fonction d'offre devient donc : Q p f(Q ) 0, 016Q 2, 9 = = +
Par contre, pour le demandeur, le prix maximal de demande restera toujours gal 6,5 . Nous crirons
donc que p
d
= p
d,t
.
d d d d
La fonction de demande reste donc : Q p f(Q ) 0, 020Q 6,5 = = +
En simplifiant, nous dirons que le fait dintroduire une taxe modifie loffre mais pas la demande.
Pour trouver les nouvelles conditions lquilibre, il nous faut donc rsoudre le systme ci-dessous (nous
avons pos p
o,t
= p
d,t
= p
t
et Q
o,t
= Q
d,t
= Q
t
) :
t t t
t t t
p 0, 016Q 2, 9 p 4,5
p 0, 020Q 6,5 Q 100
= + =

= + =

Dans ces conditions et lquilibre sur le march, il faudrait donc que la Socit EREISOP mette en
vente 100 000 paquets de caf 4,5 le paquet.
2) Le cas dune taxe proportionnelle
Imaginons cette fois que la Socit EREISOP doive payer une TVA de 5,5 % sur le prix hors taxe. En fai-
sant le mme raisonnement que ci-dessus, nous constaterons que la fonction de demande est inchan-
ge mais que la fonction doffre est modifie.
Nous arriverons ainsi aux fonctions doffre et de demande suivantes :
o,t o,t o o,t o,t
Q p 1, 055 p 1, 055 (0, 016 Q 2) 0, 01688Q 2,11 = = + = +
d,t d,t d,t
Q p 0, 020Q 6,5 = + (la fonction de demande est inchange)
Pour trouver les conditions lquilibre, il faut donc rsoudre le systme ci-dessous :
t t t
t t t
p 0, 01688Q 2,11 p 4,12
p 0, 020Q 6,5 Q 119, 035
= + =

= + =

Dans ces conditions et lquilibre sur le march, il faudrait donc que la Socit EREISOP mette en
vente 119 035 paquets de caf 4,12 la paquet (la Socit EREISOP ne dtaillant pas ses paquets de
caf, nous avons t obligs darrondir les rsultats).
G
26
3) Une remarque
Nous pouvons remarquer que le fait dintroduire une taxe fait augmenter les prix et diminuer la con-
sommation. Si la Socit EREISOP avait bnfici dune subvention (taxe ngative) nous aurions cons-
tat qu lquilibre les prix diminuent et les quantits augmentent.
Une taxe a donc pour objet de faire diminuer la consommation alors quune subvention la fait augmen-
ter.
G Deux autres hypothses
1) Lhypothse n 1 : fonction lasticit constante
Nous avons vu au A de ce chapitre quil semblait logique que plus la demande devenait importante,
plus le prix avait tendance baisser mais quil tait difficile dadmettre que celui-ci devienne nul. Nous
allons donc faire une autre hypothse sur la fonction de demande en crivant que cette fonction est de
la forme :
d d d
Q p A Q o A et sont des constantes relles.
=
En reprenant les donnes nonces, les valeurs A et seront solution du systme suivant :
A 175 3, 0 ln(A) ln(175) ln(3, 0) A 36,5082
ln(A) ln(50) ln(5,5) 0, 484
A 50 5,5
= + = =

+ = =

=
Dans ce cas, la fonction de demande scrit sous la forme :

0,484
d d
d
Q p 36,5082Q
=
d
d
Q
Nous pouvons constater que, pour ce type de fonction, lim(p ) 0.

=
lquilibre sur le march, nous devons galiser loffre et la demande, soit rsoudre le systme (nous
gardons la mme fonction doffre) :
0,484
p 0, 016Q 2
p 36,5082 Q
= +
Pour rsoudre un tel systme, nous pouvons utiliser une fonction auxiliaire f (Q f(Q)) telle que :
0,484
f(Q) 36,5082Q 0, 016Q 2
=
En effet, rsoudre f(Q) = 0 revient dterminer la valeur de Q solution du systme ci-dessus.
1,484
df(Q)
Nous pouvons remarquer que : f (Q) 17, 6627Q 0, 016 0
dQ
= = <
La fonction f est donc continue et monotone dcroissante. Il suffit donc de dterminer deux valeurs Q
1

et Q
2
telles que f(Q
1
) > 0 et f(Q
2
) < 0 puis de procder une interpolation linaire.
G
27
Ici, linterpolation linaire pourrait se traduire par :
=

= =
f(109) 0, 028
Q 109 0, 000 0, 028
f(Q) 0, 000 d'o
110 109 0, 004 0, 028
f(110) 0, 004

= =

Q 109 0, 000 0, 028
Q 109,875
110 109 0, 004 0, 028
Si nous remplaons Q par 109,875 dans le systme traduisant lquilibre alors p = 3,76.
Dans ces conditions et lquilibre, il faudrait que la Socit EREISOP mette en vente 109 875 paquets
de caf 3,76 le paquet.
Au sujet de cette hypothse, nous pouvons remarquer que si la quantit demande augmente de %
(augmentation faible pour ne pas avoir trop dapproximation, par convention avec 0 1), le prix de
demande augmente environ de 0,484 % soit diminue environ de 0,484 %.
noter Une fonction du type x y = k x est dite lasticit constante (llasticit est gale )
et possde la proprit suivante : si x augmente de % (0 1) alors y augmente approximative-
ment de %.
2) Lhypothse n 2 : fonction homographique
Lhypothse n1 sur la fonction de demande est plus logique que lhypothse initiale mais il nous sem-
ble que la Socit EREISOP ne descendra pas ses prix en dessous de 2 le paquet de caf (pas de vente
perte). Il faudrait donc, peut-tre, que la fonction de demande soit telle que :
d
d
Q
lim (P ) 2

=
Do cette seconde hypothse o la fonction de demande est une fonction homographique qui vri-
fierait cette limite en plus des conditions initiales du problme.
Nous prenons donc une fonction de demande de la forme :
d
d d
d
aQ b
Q p avec c 0
cQ d
+
=
+
Il nous faut donc rsoudre le systme suivant :
50a b
5,5
50c d
a 2c
175a b
3, 0 b 175c
175c d
d 0
a
2, 0
c
+
=
=
+
= =

+

=
G
28
La constante c tant non-nulle, nous en dduisons que la fonction de demande est donne par :
d
d d
d
2Q 175
Q p
Q
+
=
Pour trouver les conditions lquilibre sur le march, il nous faut maintenant rsoudre le systme dans
lequel Q
d
> 0 (nous gardons toujours la mme fonction doffre) :
2
p 0, 016Q 2
p 0, 016Q 2
p 3, 67
2Q 175
p Q 104,583
0 0, 016Q 175
Q
= +
= +
=

+
= =
=

Dans ces conditions et lquilibre, il faudrait que la Socit EREISOP mette en vente 104 583 paquets
de caf 3,67 le paquet.
2

Trois exemples dutilisation
A Lexemple 1 : quilibre sans, puis avec subvention
Considrons sur le march un bien dont les fonctions de demande et doffre sont donnes res-
pectivement par :
d d d
p Q = 7 p + 12

o o o
p Q = 6 p 8
1) Dterminer les conditions lquilibre avant imposition dune taxe
ou dune subvention
lquilibre sur le march, loffre est gale la demande :
Q 7p 12
0 13p 20 p 1,5385
Q 6p 8
= +
= =
Dans ces conditions, Q = 5,5714.

lquilibre sur le march, il serait chang 5,5714 units du bien considr 1,5385 units montai-
res pice.
2) Que deviennent ces conditions si ce bien bnficie dune subvention
unitaire de 2
Seule la fonction doffre est modifie pour devenir : (un prix subventionn p
s
est gal au prix normal
p diminu de la subvention s) : p
s,o

p
o

s p
o
= p
s,o
+ s
s,o o s,o s,o
p Q 6 (p 2) 8 6p 4 = + = +
G
29
Do le systme rsoudre lquilibre :
s
s s
s
Q 7p 12
0 13 p 8 p 0, 6154
Q 6p 4
= +
= =
= +
Dans ces conditions, Q = 7,6923.

lquilibre sur le march, il serait chang 7,6923 units du bien considr 0,6154 unit montaire
pice.
B Lexemple 2 : Dtermination de fonction
Considrons un bien sur le march tel que :

o o o
sa fonction d'offre est donne par : p Q = 4p 10 ;
sa fonction de demande est affine ;
si le prix demand augmente de deux units, la quantit demande diminue de 5 units ;
le prix maximal de demande est gal 7.
1) Expliciter la fonction de demande
Si la fonction de demande est affine, nous pouvons lcrire sous la forme :
d d d
p Q ap b = +
De plus, si p
d
passe p
d
+ 2 (le prix de demande augmente de deux units), Q
d
passe Q
d
5 (la quan-
tit demande diminue de 5).
Do
d d d d d
p 2 Q - 5 a(p 2) b ap 2a b Q 2a + = + + = + + = +
d d
(car ap b Q ) . + =
Nous obtenons donc que a = 2,5 < 0. La fonction de demande est donc dcroissante. Son prix maxi-
mal est donc obtenu pour la quantit demande minimale soit Q
d
= 0.
Do 0 = 2,5 + b, soit b = 17,5.
La fonction de demande sexprime donc sous la forme :
d d d
p Q 2,5 p 17,5 = +
2) Quel est le montant total des taxes payes par le producteur de ce bien
lquilibre sur le march si la taxe unitaire est gale 3 ?
lquilibre sur le march, loffre est gale la demande. De plus, une taxe unitaire de 3 tant appli-
que, la fonction doffre va tre modifie. Nous sommes donc amens rsoudre le problme suivant :
t t t
t t
Q 4(p -3) - 10,0 Q 4p - 22,0 p 4, 077
Q - 2,5p 17,5 Q - 2,5p 17,5 Q 2, 308
= = =

= + = + =

G
30
Le montant total des taxes payes par le producteur se calcule en multipliant la quantit change
lquilibre par le montant de la taxe unitaire. Ce montant total est donc gal 6,924 units montaires.
C Lexemple 3 : Fonction doffre du second degr
Considrons sur le march un bien tel que sa fonction de demande est donne par :
d d d
p Q = 7 p + 75
et sa fonction doffre par :
2
o o o o
p Q = 32 p + 23 p 380
Sachant que ce bien bnficie dune taxe unitaire de 9, dterminer les conditions lquilibre
sur le march.
lquilibre sur le march, loffre est gale la demande. De plus, une taxe unitaire de 9 tant appli-
que, la fonction doffre va tre modifie. Nous sommes donc amens rsoudre le problme suivant :
t
2
t t
Q 7p 75
Q 32 (p 9) 23 (p 9) 380
= +
= +
t
2
t t
Q 7 p 75
Q 32 p 553 p 2005
= +
= +
t
2
t t
Q 7 p 75
0 32 p 546 p 1930
= +
= +
La deuxime quation donne un discriminant = 51 076 do deux valeurs possibles pour p

t
.
p
t
= 5 ou p
t
= 12,0625
Or, pour p
t
= 12,0625, la quantit change lquilibre est ngative.
Do la conclusion :
lquilibre sur le march, il serait chang 40 units du bien en question un prix de 5 units mon-
taires pice (taxe comprise).
Remarque : ces exemples sont tout fait thoriques.
G
31
3

Le rsum
Fonctions conomiques
o o o o o o
Fonction d'offre : p Q f(p ) ou Q p f(Q ) = =
d d d d d d
Fonction de demande : p Q f(p ) ou Q p f(Q ) = =
quilibre sur le march
(loffre est gale la demande)
o d o d
p p p et Q Q Q = = = =
Influence dune taxe
o,t o o d
p p t et Q Q Q = + = =
ou
o o,t d,t t
p p t et p p = =
Influence dune subvention
o,s o d,s s
p p s et p p = =
ou
o o,s d,s s
p p s et p p = + =
La notion dquilibre sur le march
pour un ensemble de biens
Chapitre
2
1

Le problme pos
A Les fonctions doffre et de demande plusieurs variables
La Socit EREISOP, qui vend galement des filtres caf (en bote de 100) et des percolateurs, se rend
compte quelle ne peut pas tudier la vente de son caf dune manire isole du fait que cette vente est
lie celles des filtres et des percolateurs : Monsieur Papy sest aperu en effet que sil augmentait le
prix de son paquet de caf, ses ventes de filtres et de percolateurs avaient tendance augmenter (allez
savoir pourquoi ?).
La Socit EREISOP sadresse alors un service commercial spcialis qui, aprs une tude de march et
une analyse de ses cots de production, lui donne les renseignements suivants :
En dsignant par : p
d,c
, p
d,p
et p
d,f
les prix, en euros, pays par les consommateurs respectivement
pour un paquet de caf, un percolateur et une bote de 100 filtres ;
Q
d,c
, Q
d,p
et Q
d,f
respectivement le nombre de milliers de paquets de caf, le nom-
bre de percolateurs et le nombre de centaines de botes de 100 filtres demands par
lensemble des consommateurs ;
p
o,c
, p
o,p
et p
o,f
les prix, en euros, estims par la Socit EREISOP respectivement
pour un paquet de caf, un percolateur et une bote de 100 filtres ;
Q
o,c
, Q
o,p
et Q
o,f
respectivement le nombre de milliers de paquets de caf, le nom-
bre de percolateurs et le nombre de centaines de botes de 100 filtres offerts par
Socit EREISOP sur le march.
Avec ces variables, les fonctions de demande et doffre de ces trois biens sur le march sont les suivan-
tes :
d,c d,p d,f d,c d,c d,p d,f
d,c d,p d,f d,p d,c d,p d,f
d,c d,p d,f d,f d,c d,p d,f
(p ;p ;p ) Q 20p 3p 5p 10
(p ;p ;p ) Q 20p p 2p 2
(p ;p ;p ) Q 10p 4p 5p
+ +
+
+
G
34
o,c o,p o,f o,c o,c o,p o,f
o,c o,p o,f o,p o,c o,p o,f
o,c o,p o,f o,f o,c o,p o,f
(p ;p ;p ) Q 40p p p 26
(p ;p ;p ) Q 30p 2p 5p
(p ;p ;p ) Q 10p p 40p 30
+
+ +
+ +
B La notion dquilibre pour plusieurs biens
En suivant le raisonnement du chapitre 1 prcdent, il serait idal que la Socit se place lquilibre
sur le march pour lensemble de ces trois biens : cest--dire que loffre et la demande devraient tre
identique pour chacun des trois biens en question.
Equilibre sur le march : offre = demande

d,c o,c c
d,p o,p p
d,f o,f f
Q Q Q
Q Q Q
Q Q Q

et

d,c o,c c
d,p o,p p
d,f o,f f
p p p
p p p
p p p

Cet quilibre peut alors se traduire par le systme de 3 quations 3 inconnues suivant :
c p f
c p f
p f
30p 2p 3p 18
50p 3p 3p 2
p 9p 6
|

|
|

|

|
|
Nous pourrions rsoudre ce systme par des mthodes dites par addition ou par substitution,
ou la mthode du pivot de Gauss, mais nous allons voir ici comment utiliser deux mthodes un
peu plus scientifiques : la mthode de Cramer (ou mthode des dterminants) et la mthode
matricielle.
2

La rsolution dun systme par la mthode de Cramer
A Le calcul dun dterminant
1) La dfinition
Un dterminant est un tableau carr de nombres reprsentant un nombre rel. Son ordre est gal
au nombre de lignes (ou encore au nombre de colonnes) qui le composent.
Nous dsignerons par D le dterminant dordre 3 suivant :
30 2 3
D 50 3 3
0 1 9

G
Chapitre 2 La notion d'quilibre sur le march pour un ensemble de biens
35
Le nombre rel D peut tre calcul de plusieurs manires dont en voici 3 :
2) La mthode gnrale
Dans le dterminant D fixons une ligne (ou une colonne) (par exemple, la 3
e
ligne) et dveloppons ce
dterminant par rapport notre choix pour arriver une somme algbrique de 3 dterminants dor-
dre 2.
Avec notre choix :
30 2 3
50 3 3 ,
0 1 9

nous arrivons la somme :

3 1 3 2 3 3
2 3 30 3 30 2
D (0) ( 1) (1) ( 1) ( 9) ( 1)
3 3 50 3 50 3
+ + +

+ +

Nous remarquons que, dans ce dveloppement, chaque lment de la somme est form de trois par-
ties : un coefficient pris sur la ligne choisie, une puissance de 1 o lexposant est gal la somme du
rang de la ligne et du rang de la colonne o est plac ce coefficient et un dterminant dordre 2 obtenu
en supprimant la ligne et la colonne o se situe ce coefficient.
La valeur dun dterminant dordre 2 du type
a b
c d
sobtient en faisant un produit en croix , cest--
dire en effectuant la somme ad cb.
noter Cest ce que nous pouvons appeler la rgle du lit le produit ab est un produit descendant
multipli par + 1 (quand on descend de son lit, on met ses chaussons et donc on pse plus lourd) alors
que le produit cb est un produit montant multipli par 1 (quand on monte dans son lit, on enlve ses
chaussons et donc on pse moins lourd).
Nous en dduisons ainsi que D = 150.
Remarquons que si le dterminant calculer tait dordre 5, il se dcomposerait dabord en une somme
algbrique de 5 dterminants dordre 4, chaque dterminant dordre 4 se dcomposerait alors en une
somme algbrique de 4 dterminants dordre 3, chacun dentre eux se dcomposant en une somme
algbrique de 3 dterminants dordre 2. Nous aurions ainsi calculer 60 dterminants dordre 2 pour
calculer ce dterminant dordre 5.
Remarquons galement que, dans le calcul de D, un des coefficients choisi est gal 0, ce qui fait quen
ralit D nest pas, au niveau des calculs, une somme algbrique de 3 dterminants dordre 2 mais
seulement une somme algbrique de 2 dterminants dordre 2. Nous en dduisons alors que, si nous
dveloppons un dterminant dordre 3 suivant une ligne (ou une colonne) sur laquelle figure 2 fois le
coefficient 0, ce dterminant dordre 3 serait gal, un coefficient prs, un dterminant dordre 2.
Do lide de la mthode suivante.
3) La mthode zros
En regardant de prs le dterminant D, nous constatons que, sur la troisime ligne, il y a non seulement
un 0 mais galement un coefficient 1 situ sur la deuxime colonne.
G
36
Dsignons alors cette deuxime colonne comme tant la colonne de base et transformons la 3
e
colonne
pour que le coefficient 9 situ sur la troisime ligne se transforme en 0. Nous ferons cette transforma-
tion de la manire suivante :
e e
3 colonne initiale 9 colonne de base 3 colonne transforme
3 9 2 21
3 9 3 30
9 9 1 0
+
+
+
+
noter Le coefficient 9 par lequel sont multiplis les termes de la colonne de base a t calcul de
telle sorte que le coefficient 9 situ troisime ligne et troisime colonne se transforme effectivement
en un 0.
Il ne reste plus qu dvelopper le dterminant obtenu en dveloppant par rapport la troisime ligne
comme indiqu dans la mthode gnrale.
Nous obtenons alors :

30 2 3
D 50 3 3
0 1 9

=
30 2 21
50 3 30
0 1 0

=
3 2
30 21
(1) ( 1)
50 30
+

= 150
4) Une mthode particulire
Les deux mthodes exposes ci-dessus sont des mthodes qui peuvent sappliquer des dterminants
de nimporte quel ordre. Celle qui va tre expose maintenant nest valable que pour les seuls
dterminants dordre 3 : cest la rgle de Sarrus.
Cette mthode se rapproche du produit en croix utilise pour les dterminants dordre 2 (la rgle du lit)
et peut se rsumer de la manire ci-aprs : en commenant par le terme a situ en haut gauche
(1
er
terme de la 1
re
colonne) et en dcalant chaque fois dune ligne et dune colonne, nous obte-
nons un produit descendant (nous effectuerons ce calcul partir des deux autres termes situs sur
la premire ligne, do lobligation dcrire les deux premires colonnes droite du dterminant pour
garder un produit de trois termes) ; en faisant la mme chose mais partir du terme g situ en bas
gauche (dernier terme de la 1
re
colonne) et en procdant de la mme manire mais en faisant des
produits montants . Nous obtenons ainsi trois produits montants et trois produits descendants. Do
le calcul ci-dessous :
a b c a b
d e f d e
g h i g h
= + (aei + bfg + cdh) (gec + hfa + idb)
Nous trouvons ainsi
30 2 3 30 2
D 50 3 3 50 3
0 1 9 0 1

= (810 + 0 150) (0 90 + 900) = 150
G
37
B La mthode de Cramer
1) Le dterminant principal dun systme
Pour pouvoir utiliser cette mthode et crire le dterminant principal dun systme, il faut que celui-ci
comporte autant dinconnues que dquations et que chacune de ces quations soit crite en sparant
les variables (places dans les premiers membres) des termes connus ou supposs tels (placs dans les
seconds membres) et que lordre des variables des premiers membres soit invariant (cest ce que nous
avons ralis pour crire le systme rsoudre obtenu au dbut de ce chapitre et que nous dsignerons
maintenant par systme S).
Le dterminant principal dun systme quelconque est obtenu en crivant les coefficients des variables
situes dans les premiers membres des quations en respectant lordre des variables et des quations
qui sy trouvent.
Nous pouvons alors constater que
30 2 3
D 50 3 3
0 1 9

est le dterminant principal du systme S.

2) Le systme de Cramer
Un systme de Cramer est un systme dquations o il y a autant dquations que dinconnues et dont
le dterminant principal est non-nul.
noter Systme de Cramer : autant dquations que dinconnues et dterminant principal non-nul
Le dterminant D = 150 tant non-nul, nous en dduisons que le systme S est un systme de
Cramer.
3) La rsolution dun systme par la mthode de Cramer
Nous calculons les dterminants associs chacune des variables du systme en remplaant dans son
dterminant principal les coefficients des variables par les valeurs des second membres.
Chaque variable est alors gale au rapport de son dterminant associ divis par le dterminant princi-
pal du systme tudi.
Pour le systme S nous obtenons ainsi :

c
c
p
p c
18 2 3
D
600
2 3 3 D 600 p 4
D 150
6 1 9

pp
pp p
30 18 3
D
9000
50 2 3 D 9000 p 60
D 150
0 6 9

f
f
p
p f
30 2 18
D
900
50 3 2 D 900 p 6
D 150
0 1 6

G
38
4) La rsolution du problme pos la Socit EREISOP
En remplaant les prix p
f
, p
p
et p
c
rouvs ci-dessus dans les fonctions doffre ou les fonctions de
demande initiales, nous obtenons :
Q
c
= 120, Q
p
= 30 et Q
f
= 250
Do la conclusion : Pour se placer lquilibre sur le march, la Socit EREISOP devrait produire et
vendre 120 000 paquets de caf 4 le paquet, 30 percolateurs 60 pice et 25 000 botes de
100 filtres 6 la bote.
noter Les mthodes par addition , substitution , ... peuvent toujours tre employes mais
risquent dtre plus longues mettre en uvre.
3

La rsolution dun systme par la mthode matricielle
A La dfinition dune matrice
Une matrice est un tre mathmatique form de rels (appels termes de la matrice) placs dans un
tableau comportant L lignes et C colonnes.
Contrairement un dterminant, une matrice ne reprsente pas un nombre et ne comporte pas obliga-
toirement autant de lignes que de colonnes.
Si une matrice comporte L lignes et C colonnes, elle est dite dordre LxC.
Si L = C, la matrice est dite carre dordre L (ou dordre C).
B Les oprations sur les matrices
1) Laddition de deux matrices
Pour que laddition de deux matrices soit possible, il faut que ces deux matrices soient de mme ordre.
Le rsultat est une matrice, toujours du mme ordre, dont les diffrents termes sont obtenus en ajou-
tant les termes de mme rang (situs au mme endroit) dans les deux matrices initiales.
Par exemple :
1 5 1 5 0 0
2 4 2 1 0 5
0 1 1 0 1 1
] ] ]
] ] ]
+
] ] ]
] ] ]

] ] ]
La matrice [O] dont tous les termes sont gaux 0 est donc llment neutre pour laddition des matri-
ces :
Si les matrices [A] et [O] sont de mme ordre, [O] + [A] = [A].
2) La multiplication dune matrice par un nombre rel (scalaire)
La multiplication dune matrice par un scalaire rel est toujours possible.
G
39
Cette multiplication mettant en jeu deux tres mathmatiques de natures diffrentes (rel et
matrice) est dite multiplication externe.
Le rsultat de cette opration est une matrice, du mme ordre que la matrice initiale, obtenue en multi-
pliant tous les termes de cette matrice initiale par le scalaire en question.
Par exemple :
1 5 3 15
3 2 4 6 12
0 1 0 3
] ]
] ]

] ]
] ]

] ]
3) La multiplication de deux matrices
La multiplication de deux matrices nest possible que dans un cas particulier : il faut que le nombre de
colonnes de la matrice crite en premier soit gal au nombre de lignes de la matrice crite en second. Le
rsultat est une matrice dont le nombre de lignes est gal au nombre de lignes de la premire matrice
et le nombre de colonnes est gal au nombre de colonne de la seconde matrice.
Schmatiquement : matrice
1 1
[L C ] * matrice
2 2
[L C ] = matrice
1 2
[L C ] si C
1
= L
2
.
Cette multiplication ne mettant en jeu que des matrices sera appele multiplication interne.
Le terme situ lintersection de la ligne i et de la colonne j dans la matrice rsultat sobtient en multi-
pliant entre eux les termes de mme rang situs sur la i
e
ligne de la matrice crite en premier et sur la
j
e
colonne de la matrice crite en second et en ajoutant tous les rsultats obtenus.
Par exemple, si nous posons

2 3
[A] 1 2
5 0
]
]
]
]
]

et

2 4 0
[B]
4 2 1
]
]
Nous pouvons calculer la matrice [C] = [A] * [B] car le nombre de colonnes de [A] est gal au nombre de
lignes de [B]. La matrice [C] sera dordre 3 3.
Ce produit peut se faire suivant le schma suivant :

2 0
4 1
]
]
]
4
2

2 3 8 14 3
[A] [B] 10 2 [C]
5 0 10 20 0
] ]
] ]

] ]
] ]
] ]
1 2 0
La valeur 0 en gras de la matrice [C], valeur situe lintersection de la 2
e
ligne de la matrice [A] et de
la 2
e
colonne de la matrice [B] sobtient en ajoutant les produits des deux premiers termes et des deux
seconds termes de cette ligne et de cette colonne : (1) (2) + (2) (- 2).
noter Le produit de deux matrices nest pas commutatif.
Dans notre cas, nous pouvons galement calculer la matrice [D] = [B] * [A] car le nombre de colonnes
de B est gal au nombre de lignes de [A]. Cependant la matrice [D] sera dordre 2 2.
G
40
Nous obtiendrons ainsi :
[ ]
8 2
[D] [B] A
11 16
]

]
]
C Deux matrices carres particulires
1) La matrice unit (ou identit) dordre n
La matrice unit (ou identit) dordre n, note [Id] est la matrice carre dordre n solution de lqua-
tion :
[A] (matrice carre) [A] = [A] * [Id] = [Id] * [A]
Pour donner un exemple de rsolution dune telle quation, nous travaillerons sur lensemble des matri-
ces carres dordre 3.
Si nous posons

a b c
[A] d e f
g h i
]
]
]
]
]

et

[ ]
x y z
Id t u v
w p q
]
]
]
]
]
Nous devons arriver au schma suivant :
x y z
t u v
w p q
a b c a b c
d e f d e f
g h i g h i
]
]
]
]
]
]
] ]
] ]
] ]
] ]
] ]
Nous devons donc rsoudre le systme de 9 quations 9 inconnues ci-aprs.
Remarquons que ce systme de 9 quations 9 inconnues se dcompose en trois systmes de 3 qua-
tions 3 inconnues ayant chacun une solution vidente.
ax bt cw a x 1
dx et fw d t 0
gx ht iw g w 0
ay bu cp b y 0
dy eu fp e u 1
gy hu ip h p 0
az bv cq c z 0
dz ev fq f v 0
gz hv iq i q 1
| + + | |
|| |
+ +

|
| |
|
+ +
| |
|
| + + | |
|| |
+ +

|| |
+ +
| |
|
|
+ + | |
|
| |
+ +
|
| | |
+ +
| | |
G
41
Nous obtenons ainsi que la matrice unit dordre 3 est gale

1 0 0
[Id] 0 1 0 .
0 0 1
]
]
]
]
]
La matrice identit dordre n est donc une matrice carre dordre n dont tous les termes sont nuls sauf
ceux de la diagonale descendante (diagonale principale).
2) La matrice inverse
La matrice inverse dune matrice [A] carre dordre n, note gnriquement [A]
1
est la matrice carre
dordre n solution de lquation : [Id] = [A] [A]
1
= [A]
1
[A].
Pour donner un exemple de rsolution dune telle quation, nous travaillerons sur lensemble des matri-
ces carres dordre 3.
Si nous posons
a b c
[A] d e f
g h i
]
]
]
]
]

et [A]
1
=
1
x y z
[A] t u v
w p q
]
]
]
]
]
Nous devons arriver au schma suivant :
x y z
t u v
w p q
a b c 1 0 0
d e f 0 1 0
g h i 0 0 1
]
]
]
]
]
]
] ]
] ]
] ]
] ]
] ]
Nous devons donc rsoudre, comme dans le systme permettant de calculer la matrice [Id], un systme
de 9 quations 9 inconnues.
Remarquons que, encore une fois, ce systme de 9 quations 9 inconnues se dcompose en trois sys-
tmes de 3 quations 3 inconnues que nous pouvons rsoudre par la mthode des dterminants.
ax bt cw 1
dx et fw 0
gx ht iw 0
ay bu cp 0
dy eu fp 1
gy hu ip 0
az bv cq 0
dz ev fq 0
gz hv iq 1
| + + |
||
+ +
|
|
|
+ +
|
|
| + + |
||
+ +
||
+ +
|
|
|
+ + |
|
|
+ +
|
||
+ +
| |
G
42
Nous constatons que le dterminant principal de chaque systme de 3 quations 3 inconnues est le
mme : cest le dterminant de la matrice [A].
Nous noterons ce dterminant

a b c
Det([A]) d e f
g h i
Pour pouvoir continuer, il faut donc que Det([A]) soit non-nul

noter [A]
1
existe si, et seulement si, Det([A]) 0
Le dterminant associ la variable x sera :
2
x
1 b c
e f
D 0 e f ( 1)
h i
0 h i

Celui associ la variable y sera :

3
y
0 b c
b c
D 1 e f ( 1)
h i
0 h i

Celui associ la variable t sera :
3
t
a 1 c
d f
D d 0 f ( 1)
g i
g 0 i

Et ainsi de suite ; les valeurs des variables tant gales au rapport entre leur dterminant associ et
Det([A]).
Ces dterminants associs sont appels cofacteurs.
Nous pouvons remarquer que, si nous comparons les deux matrices inverses
a b c
[A] d e f
g h i
]
]
]
]
]
et
1
x y z
[A] t u v ,
w p q
]
]
]
]
]
le dterminant Dx est, au facteur (-1)
i
prs, gal au dterminant de la matrice qui resterait en suppri-
mant dans la matrice [A] la ligne et la colonne de a, a tant le coefficient situ la mme place que x
dans la matrice [A]
1
. Nous dirons que Dx est le cofacteur associ a.
Par contre, le dterminant Dy est, au facteur (-1)
i
prs, gal au dterminant de la matrice qui resterait
en supprimant dans la matrice [A] la ligne et la colonne de d, d tant le coefficient situ la mme
place que le symtrique de y par rapport la diagonale principale dans la matrice [A]
1
. Nous dirons
que Dy est le cofacteur associ d.
De la mme manire, le dterminant Dt est, au facteur (-1)
i
prs, gal au dterminant de la matrice
qui resterait en supprimant dans la matrice [A] la ligne et la colonne de b, b tant le coefficient situ
la mme place que le symtrique de t par rapport la diagonale principale dans la matrice [A]
1
. Nous
dirons que Dt est le cofacteur associ b.
G
43
Do la procdure de recherche dune matrice inverse suivant la mthode des cofacteurs :
- calculer le dterminant de la matrice inverser pour vrifier que la matrice inverse existe ;
- effectuer la symtrie par rapport la diagonale principale, cest--dire transposer la matrice inver-
ser ;
- calculer les cofacteurs partir de la matrice transpose ;
- diviser la matrice des cofacteurs par la dterminant de la matrice inverser.
Schmatiquement, nous avons :
]
1 t
1
[A] Cof[A]
Det([A])
Appliquons cette mthode la matrice
30 2 3
[A] 50 3 3
0 1 9
]
]

]
]
]
Nous avons dja calcul
[ ] ( )
Det A 150 0.
Nous avons alors
t
30 50 0
[A] 2 3 1
3 3 9
]
]

]
]

]
[A]
t
est la matrice transpose de [A].
Do
t
3 1 2 1 2 3
3 9 3 9 3 3
50 0 30 50
30 0
Cof[A]
3 9 3 3
3 9
50 0 30 0 30 50
3 1 2 1 2 3
]
+ +
]

]
]
]
]
+
]
]

]
]
+ +
]

]
30 21 3
450 270 60
50 30 10
]
]

]
]
]
Rappelons que pour calculer le cofacteur associ au coefficient 50 de la matrice [A]
t
, nous suppri-
mons la ligne et la colonne de ce coefficient et nous multiplions le dterminant de la matrice qui reste
par (-1)
3
, 3 tant la somme du rang de la ligne et du rang de la colonne o figure le coefficient 50.
Do
1 7 1
5 50 50
1
9 2
5 5
1 1 1
3 5 15
30 21 3
1
[A] 450 270 60 3
150
50 30 10
]
]
]
]
]
]
]
]
]
]
]
D Les valeurs propres dune matrice carre
Les valeurs propres dune matrice carre [A] sont, par dfinition, les racines du dterminant associ la
matrice [A] [Id], ce dterminant tant un polynme en not P().
G
44
Par exemple, si
2 3
[A] ,
3 3
]
]

]

alors

2 3
[A] [Id]
3 3
]

]

]
Do P() = Det([A] [Id]) = (-2 )(-3 ) (-3)(-3) =
2
+ 5 3.
Les valeurs
1
5 37
2
+
et
2
5 37
2

sont les deux valeurs propres de la matrice [A].
E La rsolution matricielle du problme pos la Socit EREISOP
Ce problme se rsume au systme :
c p f
c p f
p f
30p 2p 3p 18
50p 3p 3p 2
p 9p 6
|

|
|

|

|
|
Posons
c
p
f
30 2 3 p 18
[A] 50 3 3 , [P] p et [R] 2
0 1 9 6
p
]
] ]
]
] ]

]
] ]
]
] ]
] ]
]
Nous pouvons vrifier que [A] [P] = [R] do [P] = [A]
1
[R].
Nous obtenons ainsi :
c
p
f
p 4
[P] p 60 .
6
p
]
]
]
]

]
]
]
]
]
]
Do les mmes rsultats que ceux obtenus par la mthode de Cramer (ce qui nest pas surprenant) :
c c
p p
f f
p 4 Q 120
p 60 et Q 30
p 6 Q 250
|

|

|

|
Do la mme conclusion : En supposant le march en concurrence parfaite et pour se placer lquili-
bre, la Socit EREISOP devrait produire et vendre 120 000 paquets de caf 4 le paquet, 30 percola-
teurs 60 pice et 25 000 botes de 100 filtres 6 la bote.
noter Cette mthode matricielle peut tre juge lourde mais elle est surtout utilise quand les sys-
tmes rsoudre sont multiples (taxes, pas de taxe, subvention, pas de subvention,...) ou paramtrs
(les seconds membres des quations sont littraux).
G
45
4 Le rsum
Fonctions conomiques (pour n biens)
Fonctions doffre :
o,1 o,i o,n o,i o,1 o,i o,n
i (p ;....;p ;....;p ) Q f(p ;....;p ;....;p )
ou
o,1 o,i o,n o,i o,1 o,i o,n
i (Q ;....; Q ;....; Q ) p f(Q ;....; Q ;....; Q )
Fonctions de demande :
d,1 d,i d,n d,i d,1 d,i d,n
i (p ;....;p ;....;p ) Q f(p ;....;p ;....;p )
ou
d,1 d,i d,n d,i d,1 d,i d,n
i (Q ;....; Q ;....; Q ) p f(Q ;....; Q ;....; Q )
quilibre sur le march
(loffre est gale la demande pour chacun des biens)
d,i o,i i d,i o,i i
i p p p et i Q Q Q
Influence dune taxe
o,i,t o,i i d,i,t d,i
i p p t et p p +
ou
o,i o,i,t i d,i,t d,i
i p p t et p p
Influence dune subvention
o,i,s o,i i d,i,s d,i
i p p s et p p
ou
o,i o,i,s i d,i,s d,i
i p p s et p p +
1

Les notions fondamentales
A La prsentation
La Socit EREISOP voudrait maintenant tudier analytiquement ses cots et ses marges obtenus par la
vente de ses paquets de caf.
Pour cela, elle constate que ses cots de production dpendent, bien entendu, du nombre Q
o
de
paquets de caf (en milliers) quelle produit et que, si elle dsigne par M son cot moyen (ou cot uni-
taire) de production en euros, elle obtient la fonction suivante :
o o
o
11 250
Q M 0,5Q 149
Q
= +
Par contre, elle estime que la fonction de demande la plus probable est la fonction de demande homo-
graphique obtenue au chapitre 1, soit, en dsignant par
o
Q le nombre de paquets de caf vendus (en
milliers) et par p
d
le prix (en euros) quacceptent de payer les consommateurs pour un paquet de caf :
d
d d
d
2Q 175
Q p
Q
+
=
Nous remarquons que, pour ces deux fonctions, il faut que
o
Q et
d
Q soient non-nuls, ce que nous
pouvons considrer comme vident car si la production tait nulle ou si le produit ne se vendait pas, il
ny aurait plus de problme.
La Socit EREISOP peut alors se poser comme question :
- comment rendre mon cot moyen de production minimal ?
- comment obtenir mon profit maximal ?
- comment variera mon cot total de production si celle-ci varie ?
- etc. ...
Une tude analytique
pour un bien
Chapitre
3
G
48
B Le cot moyen Le cot total
Connaissant le cot moyen de production M, il est facile de dterminer le cot total de production C.
En effet C = M x Q
o
.
La fonction donnant le cot total de production pour la Socit EREISOP est donc :
2
o o o
Qo C M Q 0,5Q 149 Q 11 250 = = +
C La notion de cot marginal
conomiquement, le cot marginal est gal la variation du cot total engendre par la production
dune unit supplmentaire.
Pour passer la dfinition mathmatique de ce cot marginal et aprs avoir remarqu que, bien sou-
vent, produire une unit supplmentaire est une augmentation plutt ngligeable de la production,
nous dirons que le cot marginal est la variation du cot total engendre par une augmentation infime
de la production, cette variation de cot total tant ramen laugmentation dune unit de la produc-
tion.
Ainsi, si pour une quantit produite gale Q
o
units, le cot total est gal C
0
= f(Q
0
), si cette pro-
duction augmente de h units, le cot total correspondant une production de Q
o
+ h units est gal
C
h
= f(Q
0
+ h). La variation de cot total engendre par cette augmentation de la production est donc
gale :
C
h
C
0
= f(Q
0
+ h) f(Q
0
)
Si nous ramenons cette variation de cot total une unit supplmentaire produite, cette variation de
cot total sera gale
0 0
f(Q h) f(Q )
.
h
+
Si laugmentation de production h est ngligeable par rapport la production initiale (h 0), nous
crirons que le cot marginal de production est gal
0 0
0
h 0
f(Q h) f(Q )
lim f (Q )
h
+
=

noter Mathmatiquement parlant, la fonction cot marginal est la fonction drive de la fonction
cot total.
D Loptimum technique
Par dfinition, une entreprise atteint son optimum technique au niveau dune de ses productions quand
le cot moyen de cette production est minimal.
loptimum technique, la drive du cot moyen devra donc tre ncessairement nulle.
G
Chapitre 3 Une tude analytique pour un bien
49
Remarquons que si C = f(Q
0
), alors la quantit Q
0
lance sur le march ne doit pas tre nulle (dans ce
cas, plus de problme) et si

o
o
o
f(Q )
M g(Q )
Q
= = alors
o o o
o
2
o
Q f (Q ) f(Q )
g (Q )
Q

=
loptimum technique, nous devons dons ncessairement avoir g(Q
0
) = 0, par consquent nous cons-
tatons que
o
o o
o
f(Q )
f (Q ) g(Q ) M
Q
= = =
loptimum technique, le cot moyen de production est donc ncessairement gal au cot marginal.
Cette condition est ncessaire mais non-suffisante car nous pourrions, dans ce cas, avoir un cot moyen
de production maximal et non pas minimal.
Avec la fonction donnant le cot moyen donne au dbut de ce chapitre, nous avons :
o
Q
2
o
o
dM 11 250
M 0,5
dQ
Q
= =

do
o
Q o
M 0 Q 150 = =
Reste voir si cette quantit produite gale 150 correspond un minimum pour le cot moyen de
production.
Pour cela, nous pouvons procder de plusieurs manires dont en voici deux :
- la premire, tracer le tableau de variations de la fonction donnant le cot moyen et vrifier le rsultat.
Dans notre cas, ce tableau de variation est le suivant :

M
Q
'
M
Q 150
0
1
- +
- la deuxime, utiliser la formule de Taylor qui indique que si une fonction numrique f est continue et
drivable plusieurs fois sur un intervalle alors, si x
0
et x
1
sont sur cet intervalle, nous avons :
2
1 0 0 0 0
2
1 df 1 d f
f(x ) f(x ) (x ) (x ) (x )
1! dx 2!
dx
= + + +

avec

1 0
0
x x
lim (x ) 0
=
Or, si f(x
0
) est un optimum pour f(x), nous avons ncessairement
0
df
(x ) 0,
dx
= pour toute valeur de
x
1
, la formule de Taylor nous indique que le signe de f(x
1
) f(x
0
) est identique celui de
2
0
2
d f
(x )
dx
G
50
Donc, si la drive seconde
2
0
2
d f
(x )
dx

est strictement ngative, f(x
0
) reprsente un maximum pour f(x) et
si la drive seconde
2
0
2
d f
(x )
dx

est strictement positive, f(x
0
) reprsente un minimum pour f(x).
Do :
Drive premire en x
o
nulle et drive seconde en x
o
strictement positive minimum en x
o
Drive premire en x
o
nulle et drive seconde en x
o
strictement ngative maximum en x
o
Dans notre cas, nous trouvons

o
2
Q
2 3
0 0
d M 22 500
M
dQ Q
= =
Pour Q
o
= 150, nous avons bien
o
Q
M 0. > Nous pouvons donc conclure que M est minimal pour
cette valeur de Q, cette valeur minimale de M tant gale 1.
Nous obtenons donc un cot moyen de production minimal de 1 par paquet de caf produit en fabri-
cant 150 000 paquets de caf.
Nous dirons que, dans ces conditions, la Socit EREISOP se situe son optimum technique.
noter Optimum technique = Cot moyen (ou cot unitaire) de production minimal
E La notion dlasticit
Daprs ce que nous venons de voir, si la production passe de
0
Q units Q
0
+ h, le cot total de pro-
duction passe de C
0
= f(Q
0
) Ch = f(Q
0
+ h).
Nous constatons donc que, pour une variation relative de la production gale
0
h
Q
, la variation relative
du cot total engendre par cette augmentation de la production est gale
h 0 0 0
0 0
C C f(Q h) f(Q )
C f(Q )
+
=
Nous appellerons lasticit du cot total par rapport la production, la valeur :
0
0 0
0 0 0 0 0
Q
h 0
0 0 0 0
0
f(Q h) f(Q )
E(C ) f(Q ) Q Q dC
lim f
h
E(Q ) f(Q ) f(Q ) dQ
Q
+

= = =

Avec le mme raisonnement que ci-dessus, nous pouvons affirmer que cette lasticit reprsente laug-
mentation relative du cot total de production pour une augmentation relative infime de la production,
cette dernire augmentation tant ramene lunit.
G
51
Nous pouvons donc crire que si la production augmente de 1 %, le cot total de production augmen-
tera approximativement de

0
0
E(C )
%.
E(Q )
Dans notre cas,
o o o o
o
o o o o
E(C ) Q dC Q
(Q 149)
E(Q ) C dQ C
= = = 1 si Q
o
= 150. Nous pouvons donc dire que
si la production passe de 150 000 151 500 paquets de caf (augmentation de la production de 1 %),
le cot total de production augmenterait approximativement de 1 % et passerait de 150 000 envi-
ron 151 500 .
Or, si Q
o
= 151,5, nous pouvons calculer que f(151,5) = 152,625. Or lcart entre 151 500 et
152 625 est de 1,08 %, donc assez ngligeable.
noter Si une fonction x y est donne, llasticit de y par rapport est gale :

E(y) x dy
.
E(x) y dx
=
noter galement Si

( )
x augmente de %
1

<
y augmente approximativement de
E(y)
%.
E(x)
F Loptimum conomique
Par dfinition, une entreprise atteint son optimum conomique lorsquelle ralise son profit maximal.
Pour la Socit EREISOP, la recette totale est gale R(Q
d
) = p
d
x Q
d
= 2 Q
d
+ 175.
Si nous supposons que Q
d
= Q
o
= Q, nous pouvons crire que le profit ralis par la Socit EREISOP est
gal : (Q) = R(Q) - C(Q) = - 0,5 Q
2
+ 151 Q - 11 075.
Nous obtenons :
Q
d
Q 151.
dQ
= = +
Cette drive premire est nulle pour Q = 151 et que
2
Q
2
d
1 0,
dQ
= = < nous pouvons

affirmer que loptimum conomique de la Socit EREISOP sera atteint lorsquelle produira et vendra
151 000 paquets de caf.
cet optimum conomique nous pouvons calculer quun paquet de caf sera produit un cot unitaire
de 1,003 et vendu un prix de 3,159 le paquet Le cot total de production de ces 151 000 paquets
de caf slvera donc 151 500 et la recette totale 477 000 . La Socit EREISOP ralisera donc
un profit maximal de 325 500 (attention, avec les valeurs du cot unitaire et du prix qui sont arron-
dies, le cot total de production est gal 151 453 , la recette totale est gale 477 009 et le pro-
fit maximal est gal 325 556 ).
Remarquons que, comme (Q) R(Q) C(Q) , = alors
Q Q Q
R C , = loptimum cono-
mique, nous avons ncessairement lgalit entre le cot marginal et la recette marginale. Rappelons
G
52
que cette condition nest que ncessaire mais non suffisante ( un minimum correspond galement une
drive nulle).
noter Optimum conomique = Profit (ou marge) maximal
2

A Lexemple 1 : Recherche dun optimum technique
Considrons, sur le march, un bien tel que sa fonction cot total de production C est donne
par :
2
o o o
Q C = 33 Q - 2 268 Q + 40 425
Dterminer loptimum technique. Montrer qu cet optimum technique le cot moyen est gal
au cot marginal.
loptimum technique, le cot moyen de production est minimal.
Nous obtenons le cot moyen de production M (ou cot unitaire de production) en divisant le cot total
C par la quantit produite Q
o
.
Pour allger lcriture, nous remplacerons Q
o
par Q.
Nous obtenons ainsi la fonction cot moyen suivante :
40 425
Q M 33Q 2268
Q
= +
Pour dterminer le minimum de cette fonction, il faut que la drive premire soit nulle et que la dri-
ve seconde soit strictement positive.
2
' "
Q Q
2 2 3
dM 40 425 d M 80850
M 33 et M
dQ
Q dQ Q
= = = =
2
' "
Q Q
2
dM d M
Or, pour Q 35 M 0 et M 1, 88571 0.
dQ
dQ
= = = = = >
Le minimum de M est donc atteint pour Q = 35. Dans ces conditions M = 42.
Loptimum technique, gal 42 units montaires, est donc obtenu en produisant 35 units du bien en
question.
Le cot marginal C
m
est gal la drive du cot total, do :
'
m
Q
dC
C C 66Q 2268
dQ
= = = do pour
m
Q 35 C 42 = =
Nous vrifions ainsi qu loptimum technique le cot marginal est bien gal au cot moyen.
G
53
B Lexemple 2 : Recherche dun optimum conomique
Considrons un bien sur le march tel que sa fonction de demande est donne par :
d d d
d
2 482
Q p = 2Q - 99 +
Q
et sa fonction cot moyen par :
2
o 0 o
o
1 285 472
Q M = 16Q + 24 Q - 57 083 +
Q
Calculer loptimum conomique. Montrer qu cet optimum conomique le cot marginal est
gal la recette marginale.
loptimum conomique, le profit total (ou la marge) est maximal.
Le profit total est gal la recette totale moins le cot total.
La recette totale est gale R = p
d
x Q
d
= 2 Q
d
2
- 99 Q
d
+ 2 482.
Le cot total est gal C = M x Q
o
= 16 Q
o
3
+ 24 Q
o
2
- 57 083 Q
o
+ 1 285 472.0
Pour crire le profit total et pour simplifier, nous supposerons que tout ce qui est produit est vendu,
cest--dire que Q
d
= Q
o
= Q.
Do ce profit total = R - C = - 16 Q
3
- 22 Q
2
+ 56 984 Q - 1 282 990.
Pour dterminer le maximum de cette fonction, il faut que la drive premire soit nulle et que la dri-
ve seconde soit strictement ngative.

= = + = =
2
' " 2
Q Q
2
d d
48Q 44Q 56 984 et 96Q 44
dQ
dQ

= = = = = <
2
' "
Q Q
2
d d
Or, pour Q 34 0 et 3 308 0
dQ
dQ
Le maximum de est donc atteint pour Q = 34. Dans ces conditions = 170.
Loptimum conomique, gal 170 units montaires, est donc obtenu en produisant 34 units du
bien en question.
Pour Q = 34, nous avons :
La recette marginale :
= =
'
Q
dR
R 4Q 99
dQ
(gale 37 pour Q = 34).
Le cot marginal : = = +
' 2
Q
dC
C 48Q 48Q 57 083
dQ
(gale 37 pour Q = 34).
Nous en dduisons, qu loptimum conomique, le cot marginal est gal la recette marginale.
G
54
C Lexemple 3 : lasticit de demande
Considrons un bien sur le march tel que sa fonction de demande est donne par :
d d d
d
5 586
Q p = - 4 Q + 316 -
Q
Calculer llasticit de demande correspondant Q

d
= 40. Interprter ce rsultat.
Comme son nom lindique, llasticit de demande ne concerne que la fonction de demande.
Cette lasticit, par dfinition, doit mesurer la variation relative de la demande (quantit demande) par
rapport au prix (prix de demande).
Nous devons transformer la dfinition de llasticit donne dans 1 E ci-dessus qui devient alors :
= = = =
p
d
d
d
' d d d d d
d
d
d d d d
E(Q ) p p dQ p 1
Q
dp
E(p ) Q Q dp Q
dQ
d
d
d
2
p 1
Q
5 586
4
Q

+

Nous sommes obligs de pousser la transformation car la drive par rapport p
d
ne peut pas tre faci-
lement calcule, pour cela il faudrait que Q
d
soit donn en fonction de p
d
Cette lasticit est alors gale 0,80344 si Q
d
= 40 (p
d
est alors gal 16,35).
Cela indique que si le prix augmente de 1 %, la quantit demande diminue approximativement de
0,803 %.
G
55
3

Le rsum
Fonctions une variable : Optima
Recherche dun minimum
Condition ncessaire : La drive premire est nulle
Condition suffisante : La drive seconde est strictement positive
Recherche dun maximum
Condition ncessaire : La drive premire est nulle
Condition suffisante : La drive seconde est strictement ngative
Terminologie et dfinitions
Dfinitions
Valeur marginale : Drive premire dune valeur globale
lasticit de y par rapport x :
E(y) x dy x 1
dx
E(x) y dx y
dy
= =
Remarque :
( )
x augmente de %
1

<
y augmente approximativement de
E(y)
%
E(x)
Terminologie
Optimum technique : Minimum du cot moyen de production
Optimum conomique : Maximum du profit global
1

Les optima pour une fonction plusieurs variables
A Le problme pos
En plus de ses productions classiques autour du caf, la Socit EREISOP a lanc sur le march, il y a
maintenant un an, un produit tout nouveau et rvolutionnaire, le Vasippre, qui permet aux sportifs,
disons dun certain ge, de raliser des performances poustouflantes.
En tudiant de prs, depuis le lancement, les marges mensuelles apportes par la vente de ce produit,
Monsieur Papy, Pdg de la Socit EREISOP, sest aperu que ces marges dpendaient des montants
investis dans la publicit au niveau des mdias audiovisuels et de la presse crite.
En dsignant par z (en centaines deuros) la marge du mois m, par x le montant (en centaines deuros)
investi le mois m-1 dans la publicit au niveau de la presse crite et par y le montant (en centaines
deuros) investi le mois m-1 dans la publicit au niveau des mdias audiovisuels, Monsieur Papy est
arriv la relation suivante :
(x ; y) z = f(x ; y) = - 2 x
2
+ 2 xy - 3,5 y
2
+ 24 y + 20
Monsieur Papy se pose alors la question de connatre les montants investir dans la publicit le mois m-
1 pour que la marge du mois m soit maximale.
Le problme revient donc trouver le maximum dune fonction deux variables.
B Lanalyse du problme pos
La reprsentation graphique de cette fonction dfinie sur R
+
2
est une surface situe dans un espace de
dimension 3 dont les axes seraient Ox, Oy et Oz. Nous devons donc dterminer les coordonnes du ou
des points optima de cette surface, si ce ou ces points existent.
Cette surface pourrait tre reprsente schmatiquement par le dessin ci-aprs.
Si nous dsignons par M
0
(x
0
; y
0
; z
0
) le point optimal de cette courbe, nous pouvons essayer de
procder de la mme manire que pour une fonction une seule variable en remarquant que si z est
Une tude analytique pour
un ensemble de biens
Chapitre
4
G
58
maximal pour x = x
0
et y = y
0
alors z est maximal suivant x quand y est fix y
0
et maximal suivant y
quand x est fix x
0
.
0
x

0
x
y
z
) z ; y ; x ( M
0 0 0 0
0
z

0
y
Fixons donc dans un premier temps y = y
0
. Nous pouvons alors crire la fonction ci-dessus sous la forme
dune fonction une variable x dont la reprsentation graphique serait une courbe situe dans un plan
parallle au plan (Oy ; Oz) :
x z = f(x) = - 2 x
2
+ 2 xy
0
- 3,5
2
0
y + 24 y
0
+ 20
En drivant par rapport la seule variable x (y
0
tant ici suppos connu), nous obtenons :
'
x
z =
dz
dx
= - 4 x + 2y
0
et
"
x
z =
2
2
d z
dx
= - 4 < 0
Comme la drive seconde est ngative, le maximum de z sera obtenu ds que x =
0
y
2
Fixons donc dans un second temps x = x
0
. Nous pouvons alors crire la fonction ci-dessus sous la forme
dune fonction une variable y dont la reprsentation graphique serait une courbe situe dans un plan
parallle au plan (Ox ; Oz) :
y z = f(y) = - 2
2
0
x + 2x
0
y - 3,5 y
2
+ 24 y + 20
En drivant par rapport la seule variable y (x
0
tant ici suppos connu), nous obtenons :
'
y
z =
dz
dy
= 2x
0
7 y + 24 et
"
y
z =
2
2
d z
dy
= - 7 < 0
Comme la drive seconde est encore une fois ngative, le maximum de z sera obtenu ds que :
0
2x 24
y
7
+
Le seul ennui ce raisonnement est quil faut connatre y

0
pour calculer x et connatre x
0
pour calcu-
ler y.
G
Chapitre 4 Une tude analytique pour un ensemble de biens
59
C La rsolution directe du problme pos
Dans la pratique, nous dsignerons
'
x
z la drive premire partielle de z par rapport x et
"
x
z la drive
seconde partielle directe de z par rapport x. Ces drives seront notes, sans utiliser y
0
, sous la forme :
'
x
z =
z
x
= - 4x + 2y et
"
x
z =
"
x , x
z =
2
2
z
x
= - 4
Nous dsignerons galement
'
y
z la drive premire partielle de z par rapport y et
"
y
z la drive seconde
partielle directe de z par rapport y. Ces drives seront notes, sans utiliser x
0
, sous la forme :
'
y
z =
z
y
= 2x - 7y + 24 et
"
y
z =
"
y,y
z =
2
2
z
y
= - 7
Enfin, nous pourrons admettre lexistence de drives secondes croises que nous crirons :
"
x,y
z =
2
z
x y

= 2 et
"
y,x
z =
2
z
y x

= 2
Ces deux dernires drives, par ailleurs gales entre elles (thorme de Schwarz), sont respectivement
la drive premire partielle par rapport y de la drive premire partielle de z par rapport x et la
drive premire partielle par rapport x de la drive premire partielle de z par rapport y.
Pour calculer les valeurs de x et de y qui rendront la marge de la Socit EREISOP maximale, il faut donc
que, simultanment, les deux drives premires partielles de z soient nulles, ce qui nous conduit
rsoudre le systme suivant :
4x 2y 0 x 2
2x 7y 24 0 y 4
+ | |

+
| |
ce stade, nous pouvons conclure que si y = 4 alors z est maximal pour x = 2 et que si x = 2 alors z est
maximal pour y = 4 (les deux drives secondes partielles directes sont ngatives). Par consquent, si z
est maximal, cela ne peut se faire que si x = 2 et y = 4.
Cette condition nest malheureusement que ncessaire et non-suffisante car nous pourrions tre, non
pas un maximum, mais au niveau dun col sur la surface reprsentative de z.
Pour lever cette ambigut, il convient dtudier ce qui se passe au voisinge de loptimum suppos et
donc dutiliser la formule de Taylor pour obtenir un dveloppement limit de z.
Nous dsignons par M
0
le point de coordonnes (x = 2 ; y = 4) et par M
1
le point de coordonnes
(x = 2 + h ; y = 4 + k).
Si M est le point de coordonnes (x,y), nous dsignerons par z(M) la valeur f(x ; y).
La formule de Taylor nous indique que :
' '
1 0 x 0 y 0
1
z(M ) z(M ) hz (M ) kz (M )
1!
]
+ +
]
2 " " 2 " 2 2
x,x 0 x,y 0 y,y 0 1
1
h z (M ) 2hkz (M ) k z (M ) h k (M )
2!
] ]
+ + + + +
] ]
o
1 0
1
M M
lim (M ) 0
G
60
Nous constatons alors que le signe de z(M
1
) - z(M
0
), comme les drives premires partielles sont nulles
au point X
0
, est identique au signe du polynme P(h ; k) dpendant de h et de k ci-aprs.
Nous avons P(h ;k) = h
2
"
x,x
z (M
0
) + 2hk
"
x,y
z (M
0
) + k
2
"
y,y
z (M
0
).
Nous pouvons galement constater que si z est maximal (minimal) au point M
0
alors le polynme
P(h ; k) est constamment ngatif (positif)
Comme nous pouvons considrer que le polynme P(h ; k) est un polynme du second degr en h,
pour que le polynme P(h ; k) ait un signe constant (celui de
"
x,x
z (M
0
)), il faut et il suffit que son discri-
minant rduit soit strictement ngatif.
Ici, nous avons = k
2

( )
0 0
2
" " "
x,y 0 x,x y,y
z (M ) z (M )z (M )
]
]
]
= k
2
(4 4x7).
Do = - 24k
2
< 0. Comme
"
x,x
z (M
0
) = - 4 < 0, nous en dduisons que z(M
1
) - z(M
0
) est constam-
ment ngatif et donc que z est maximal pour x = 2 et y = 4.
Nous en concluons que si la Socit EREISOP veut que sa marge soit maximale le mois m, il faudra
quelle investisse, le mois m-1, 200 dans la presse crite et 400 dans les mdia audiovisuels, dans
ces conditions, cette marge maximale sera gale 6 800 .
D La matrice du Hessien
La matrice du Hessien est la matrice forme par toutes les drives partielles secondes directes et croi-
ses o les drives partielles secondes directes sont situes sur la diagonale descendante. La matrice
du Hessien est donc une matrice symtrique.
Au point M
0
, cette matrice scrit :
0
" "
x,x 0 x,y 0
M
" "
y,x 0 y,y 0
z (M ) z (M )
[H]
z (M ) z (M )
]
]
]
]
]
]
noter Matrice du Hessien : Matrice forme par toutes les drives partielles secondes directes
et croises
Nous pouvons remarquer que cette matrice a pour dterminant loppos du coefficient de k
2
dans le
discriminant calcul prcdemment.
Au niveau terminologique, le polynme P(h ; k) gal h
2
"
x,x
z (M
0
) + 2hk
"
x,y
z (M
0
) + k
2
"
y,y
z (M
0
) cit ci-
dessus est encore appel polynme caractristique de la matrice du Hessien [H].
Dans notre exemple, nous avons :
0
M
4 2
[H]
2 7
]
]
]
]
]
Nous pouvons remarquer que la matrice
0
M
[H] a pour dterminant 24, soit loppos du coefficient de
k
2
dans le discriminant calcul prcdemment.
Nous en dduisons donc que z prsente un maximum au point M
0
parce que
x,x .0
z "(M ) est stricte-
ment ngatif et que le dterminant
0
M
D [H]
]
]
est strictement positif au point M
0
.
G
61
E La mthode des mineurs diagonaux
Nous appellerons mineurs diagonaux les dterminants calculs partir des termes de la matrice du
Hessien de la manire suivante :
- le premier mineur diagonal
0
1 1 M
m = D [H]
]
]
est gal au terme situ lintersection de la premire
colonne et de la premire ligne de la matrice du Hessien ;
- le deuxime mineur diagonal
0
2 2 M
m = D [H]
]
]
est gal au dterminant de la matrice forme par les
termes situs lintersection des deux premires colonnes et des deux premires lignes de la matrice
du Hessien ;
- le troisime mineur diagonal
0
3 3 M
m = D [H]
]
]
est gal au dterminant de la matrice forme par les
termes situs lintersection des trois premires colonnes et des trois premires lignes de la matrice
du Hessien ;
- et ainsi de suite.
Bien sr, le dernier mineur diagonal sera gal
0
M
D [H]
]
]
Si tous les mineurs diagonaux calculs partir de la matrice
0
M
[H] sont strictement positifs alors nous
serons un minimum ; par contre si tous les mineurs diagonaux calculs partir de la matrice
0
M
[H]
multiplie par (-1) sont strictement positifs alors nous serons un maximum (car un maximum pour z
correspond automatiquement un minimum pour -z).
Dans tous les autres cas, nous ne pourrons pas conclure en utilisant uniquement les drives secondes
partielles.
noter Recherche dun minimum Condition ncessaire : Toutes les drives partielles premires
sont nulles. Condition suffisante : Tous les mineurs diagonaux du Hessien sont strictement positifs
noter Recherche dun maximum Condition ncessaire : Toutes les drives partielles premires
sont nulles. Condition suffisante : Tous les mineurs diagonaux de loppos du Hessien sont strictement
positifs
Dans notre cas,
[ ]
0
M
4 2
H =
2 7
]
]
]
. Cette matrice du Hessien tant dordre 2, il ny aura que deux
mineurs diagonaux.
Nous constatons que :
0
1 1 M
m D [H]
]
]
= - 4 < 0 et
0
2 2 M
m D [H]
]
]
= 24 > 0
et que :
0
1 1 M
m D [H]
]

]
= 4 > 0 et
0
2 2 M
m D [H]
]

]
= 24 > 0
Nous retrouvons ainsi que z prsente un maximum au point M
0
.
Nous obtiendrons donc la mme conclusion que dans 1 C .
G
62
F La mthode des valeurs propres
Rappelons que les valeurs propres dune matrice [A] sont les racines du polynme P() gal au dtermi-
nant de la matrice [A] [Id] o [Id] est la matrice identit du mme ordre que la matrice [A].
Dans notre cas, nous avons [A] [Id] =
4 2 ]
]
]
]
2 7
]
Nous obtenons donc P() =
2
+ 11 + 24 = ( + 8) ( + 3).
Les valeurs propres de notre matrice du Hessien sont donc gales -8 et -3.
Nous pouvons alors en dduire quil existe au moins une matrice de passage [X] inversible telle que :
[X]
-1
x
0
M
[H] x [X] =
8 0
0 3
]
]
]
]
]
= [V]
De plus, la matrice
0
M
[H] tant symtrique, nous pouvons choisir la matrice [X] telle que nous ayons :
[X]
t
= [X]
-1
(la matrice [X] est dite orthogonale).
Le calcul nous donne [X] =
1 2
5 5
2 1
5 5
]
]
]
]
]
]
]
]
Nous en dduisons alors quen posant
1 2
H h k
5 5
et
2 1
K h k ,
5 5
+ le polynme carac-
tristique de la matrice du Hessien
0
M
[H] , soit P(h ; k), scrit - 8H
2
+ 3K
2
.
En effet, P(h ; k) = [h k] x
0
M
h
[H]
*
k
]
]
]
]
]
= [h k] x [X] x [V] x [X]
t
x
H
K
]
]
]
]
]
Nous pouvons alors conclure que si toutes les valeurs propres de la matrice du Hessien
0
M
[H] sont stric-
tement ngatives (positives) alors z sera maximal (minimal). Sinon, nous ne pourrons pas conclure.
noter Recherche dun minimum Condition ncessaire : Toutes les drives partielles premires
sont nulles. Condition suffisante : Toutes les valeurs propres du Hessien sont strictement positives
noter Recherche dun maximum Condition ncessaire : Toutes les drives partielles premires
sont nulles. Condition suffisante : Toutes les valeurs propres du Hessien sont strictement ngatives
G
63
Dans notre cas, les valeurs propres de la matrice du Hessien tant toutes deux strictement ngatives,
nous en dduisons que z prsente un maximum au point M
0
Nous obtiendrons donc encore la mme conclusion que dans 1 C.
2

Les optima lis pour une fonction plusieurs variables
A Une modification du problme pos
Imaginons maintenant que Monsieur Papy impose comme condition supplmentaire que la somme
totale investie dans la publicit soit gale 500 . En gardant les mmes variables et les mmes units
quau chapitre prcdent, nous arrivons au problme suivant :
(x ; y) z = f(x ; y) = - 2 x
2
+ 2 xy - 3,5 y
2
+ 24 y + 20
avec x + y = 5.
Nous pouvons alors procder de deux manires diffrentes, soit en utilisant une mthode directe, soit
en utilisant la mthode des coefficients de Lagrange.
B La mthode directe
Nous pouvons considrer que z, qui est au dpart une fonction deux variables x et y, est en ralit une
fonction une seule variable, par exemple x, en remplaant dans son criture y par (5 x).
Nous pouvons ainsi crire que : x z = f(x) = -
15
2
x
2
+ 21x + 52,5
Comme nous avons la drive premire
'
x
dz
z
dx
= - 15 x + 21 (qui sannule lorsque x est gal 1,4)
et
2
'
x
2
d z
z
dx
= - 1 < 0, le maximum de z est atteint lorsque x = 1,4, par consquent y = 3,6. Au maxi-
mum z est donc gal 67,2.
Nous en concluons donc que si la somme totale investie le mois m-1 est gale 500 , le maximum du
chiffre daffaires du mois m sera gal 6 720 . Ce maximum sera obtenu en investissant 140 dans
la presse crite et 360 dans les mdia audiovisuels.
C La mthode des coefficients de Lagrange
Il est parfois difficile, par lintermdiaire de la ou des contraintes supplmentaires, dexprimer une varia-
ble en fonction des autres. Dans ce cas, nous pouvons utiliser la mthode des coefficients multiplica-
teurs de Lagrange.
Dans notre cas, crire x + y = 5 revient crire que x + y - 5 = 0 = g(x ; y).
Nous pouvons alors tudier la fonction ci-aprs o est un coefficient rel appel coefficient de
Lagrange :
(x ; y ; ) z
1
= F(x ; y ; ) = - 2 x
2
+ 2 xy - 3,5 y
2
+ 24 y + 20 + (x + y - 5)
G
64
crivons dabord les drives premires partielles de z
1

x
'
1
z =
1
z
x
= = - 4 x + 2 y +
y
' 1
1
z
z
y
= 2 x - 7 y + + 24
'
1
z
=
1
z
= x + y - 5
valuons les valeurs de x, y et qui les annulent :
4x 2y 0 x 1,4
2x 7y 24 y 3,6
x y 5 1,6
+ + | |
| |
+

| |
+
| |
Nous constatons que, pour ces valeurs, z est gal z
1
. Remarquons cependant que nous avons affaire
une fonction F qui nest pas, contrairement aux apparences, une fonction 3 variables (x ; y ; ) mais
une fonction une seule variable (2 variables x et y dans la fonction f et une contrainte liant x et y par
lintermdiaire de la fonction g).
Si nous dsignons par M le point de coordonnes (x ; y ; ), nous pouvons encore crire que :
z
1
= F(x ; y ; ) = F(M) = f(x ; y) + g(x ; y)
Si nous dsignons par M
0
le point de coordonnes (x ; y ; ) et par M
1
le point de coordonnes
(x + h ; y + k ; ), la formule de Taylor applique au point M
0
scrit sous la forme :
F(M
1
) = F(M
0
) +
1
1!

' '
x 0 y 0
hF (M ) kF (M )
]
+
]
+
1
2!

2 " " 2 "
x,x 0 x,y 0 y,y 0
h F (M ) 2hkF (M ) k F (M )
]
+ +
]
+
2 2
h k
]
+
]
(M
1
) o
1 0
1
M M
lim (M ) 0

Si M
0
est le point de coordonnes (x = 1,4 ; y = 3,6 ;z = - 1,6), nous avons g(x ;y) = 0 et sil existe une
fonction telle que y = (x), nous pouvons crire la formule de Taylor lordre 1 pour obtenir :
y + k = (x + h) = y + h
'
x
(x) + (h) o
h 0
lim (h) 0

Nous pourrons alors crire que g(x ; y) = g(x ; (x)) = 0 do
dg
g g
dx
' ' '
+
x x y
Nous en dduisons alors que : k = - h
'
x
'
y
g
g
+ (h)
Nous pouvons ainsi crire que :
F(M
1
) - F(M
0
) =
! 2
1

2 '
x
2
) g (
h

' 2 " ' ' " ' 2 "
y x,x 0 x y x,y 0 x y,y 0
(g ) F (M ) 2g g F (M ) (g ) F (M )
]
+
]
+ (M
1
) o
1 0
1
M M
lim (M ) 0
G
65
Le signe de F(M
1
) - F(M
0
) est donc identique celui du nombre
' 2 " ' ' " ' 2 "
y x,x 0 x y x,y 0 x y,y 0
K (g ) F (M ) 2g g F (M ) (g ) F (M ) +
Si nous appelons [H
b
] la matrice du Hessien borde la matrice dtermine partir de la matrice du
Hessien dont il a t question au chapitre prcdent laquelle il sera ajout autant de ligne et de colon-
nes que de conditions spcifiques nonces, chaque ligne, et donc colonne, supplmentaire sera for-
me des drives premires de chaque condition spcifique values au point suppos optimal, le tout
complt par une matrice nulle, nous pouvons crire que :
[ ]
" " '
x,x 0 x,y 0 x 0
" " '
yx,x 0 y,y 0 y 0
b 0
' '
x 0 y 0
z (M ) z (M ) g (M )
z (M ) z (M ) g (M )
H (M )
g (M ) g (M ) 0
]
]
]
]
]
]
]
]
=
4 2 1
2 7 1
1 1 0
]
]
]
]
]
Nous pouvons alors remarquer que le nombre K est gal a loppos du dterminant de la matrice
[H
b
](M
0
), soit K = - 15.
Nous en dduisons ainsi que F(M
1
) - F(M
0
) est constamment ngatif et donc que F(M) = f(x ; y) est maxi-
mum pour M = M
0
, soit pour x = 1,4 et y = 3,6.
Nous en concluons donc que le chiffre daffaires du mois m sera maximal et gal 6 720 si, le budget
publicitaire ayant t limit 500 , la Socit EREISOP investi 140 dans la presse crite et 360
dans les mdias audiovisuels le mois m-1.
D La mthode des pseudo-valeurs propres du Hessien bord
Cette mthode sera seulement dcrite et non dmontre.
Nous pouvons, partir de la matrice du Hessien borde dont il a t question ci-dessus, crire le poly-
nme P() gal au dterminant de la matrice [A] ci-aprs et dont les racines seront appeles pseudo-
valeurs propres de la matrice [H
b
]
" " '
x,x 0 x,y 0 x 0
" " '
yx,x 0 y,y 0 y 0
' '
x 0 y 0
z (M ) z (M ) g (M )
z (M ) z (M ) g (M )
[A]
g (M ) g (M ) 0
]

]
]

]
]
]
]
]
=
4 2 1
2 7 1
1 1 0
]
]

]
]
]
Dans notre cas, nous obtenons P() = 2 + 15.
Nous nobtenons ainsi quune seule pseudo-valeur propre qui sera strictement ngative et gale 15.
Nous pourrons alors conclure un maximum pour f(x ; y) au point M
0
moyennant la condition que
g(x ; y) soit nul.
G
66
Nous en concluons donc, comme prcdemment, que le chiffre daffaires du mois m sera maximal et
gal 6 720 si, le budget publicitaire ayant t limit 500 , la Socit EREISOP investi 140 dans
la presse crite et 360 dans les mdias audiovisuels le mois m-1.
La thorie nous indiquerait que si les pseudo-valeurs propres de la matrice du Hessien borde sont
strictement ngatives (positives) alors, moyennant la ou les conditions avances, la fonction tudie
prsente un maximum (minimum) au point annulant les drives premires, dans les autres cas, nous ne
pourrons pas conclure.
E Une remarque
Les parties 2 C et D sont moins dveloppes.
noter La mthode des coefficients de Lagrange ne sera utilise, dans notre cas, que si la mthode
directe est difficile mettre en uvre : il vaut mieux diminuer le nombre de variables que laugmenter.
Quant la mthode des pseudo-valeurs propres, elle sera plutt rserve aux initis.
3

A Lexemple 1 : Recherche dun optimum simple et calcul dune lasticit
Considrons sur le march une entreprise produisant trois biens A, B et C dont les fonctions de
demande et de cot total de production sont donnes par les relations ci-aprs
A B C A A
A B C B A B C
A B C C B C A C
2 2
A B C A B A C
(Q ,Q ,Q ) p = 6 - 2 Q
(Q ,Q ,Q ) p = 12 + 4 Q - 4 Q + 2 Q
(Q ,Q ,Q ) p = 4 + 2 Q - 2 Q + 2 Q Q
(Q ,Q ,Q ) K = 10 Q + 2 Q + 2 Q Q
1) Dterminer le profit de cette entreprise loptimum conomique
loptimum conomique, le profit est maximal. Le profit est gal la recette soit
p
A
Q
A
+ P
B
Q
B
+ P
C
Q
C
diminue du cot total K.
+ +
+ + + +
A A B B C C
2 2 2
A B B A B B C A B C
p Q p Q p Q - K
- 2 Q - 6 Q - 2 Q 4 Q Q 4 Q Q - 4 Q 12 Q 4 Q
Do

+
A
'
Q A B
A
- 4 Q 4 Q - 4
Q
G
67
+ +
B
C
'
Q A B C
B
'
Q B C
B
4 Q 12 Q 4 Q 12
Q
4 Q 4 Q 4
Q
loptimum conomique, les drives premires doivent tre nulles. Do le systme :
|
| |
|
| | |
+

| | |

| |
|

|
A
A B A
B
A B C B
C
B C C
p 2
Q - Q - 1 Q 2
p 16
Q - 3 Q Q - 3 Q 3
p 18
Q - Q - 1 Q 4
K 102
Pour tre certain dtre au maximum du profit, il faut que les mineurs diagonaux calculs sur la matri-
ce - [H] ([H] est la matrice du Hessien, matrice forme par les drives secondes du profit) soient stricte-
ment positifs.
[ ] [ ]
> ] ] |
| ] ]
>
] ]
|
] ]
>
] ] |
1
- 4 4 0 4 - 4 0 m 4 0
H 4 - 12 4 - H - 4 12 - 4 d'o m2 32 0
0 4 - 4 0 - 4 4 m3 64 0
Nous sommes donc bien loptimum conomique ds quil a 2 units du bien A, 3 units du bien B et
4 units du bien C produites. Le profit maximal est alors gal 12 units montaires.
2) valuer la variation relative approximative de p
C
si Q
A
augmente de 1 %
partir des rsultats du 1)
Soit calculer llasticit de p
C
par rapport Q
A
:
( )
A
' C c A A A
CQ C
A C A C C
E(p ) p Q Q Q
p 2 Q
E(Q ) p Q p p
avec les valeurs donnes, nous obtenons :
C
A
E(p ) 2
(8) 0,889
E(Q ) 18
Nous en dduisons donc que, si Q
A
augmente de 1 %, le prix p
C
augmentera approximativement de
0,889 %.
B Lexemple 2 : Recherche dun optimum li
Considrons la fonction t dfinie de la manire suivante :
(x ; y ; z) t(x ; y ; z) = - x
2
+ 2 x y
4
+ 4 yz + 21
La valeur t dsigne le nombre de centaines de milliers dcrans plasma quune entreprise
vend le mois (n + 1) sachant quelle a dpens, au cours du mois n, x dizaines de milliers deuros
G
68
pour la publicit radio, y dizaines de milliers deuros pour la publicit tl et z dizaines de mil-
liers deuros pour la publicit murale.
Lentrepreneur investit une somme non nulle dans chaque type de publicit et dcide que le
montant affect la publicit la tl doit tre le double du montant affect la publicit
murale.
Indiquer les capitaux investir le mois n pour que le nombre dcrans plasma vendus au
cours du mois (n + 1) soit maximal.
Ce problme peut tre modlis sous la forme du programme ci-dessous (nous mettons [Max] la place
de trouver le maximum de trouver le maximum de ) :
[Max] t = - x
2
+ 2 x - y
4 +
4 y z + 21
x > 0 y > 0 z > 0
y = 2 z
La premire contrainte reprend le fait que les montants affects chaque type de publicit sont non-
nuls.
La dernire contrainte indiquant que le montant y affect la publicit la tl doit tre le double du
montant z affect la publicit murale.
Nous utiliserons la mthode directe qui permet de passer dune fonction 3 variables une fonction
deux variables en remplaant y par 2 z dans t.
Do le programme transform ( priori plus facile) :
[Max] t = - x
2
+ 2 x 16 z
4 +
8 z
2 +
21
x > 0 z > 0
Pour trouver le maximum de cette fonction deux variables, il faut calculer les drives premires par-
tielles et les annuler :
'
x
' 3
z
t
t 2x 2
x
t
t 64 z 16z
z
Do :
|
|
| + + |
| | | |

+ | | | | | |
|
|
3 2
t
0
2x 2 0 2 x 2 0
x 1
x
S
z 0,5
64 z 16z 0 16z (4 z 1) 0
0
y
La deuxime quation du systme na que cette solution car z > 0.
Pour prouver que nous sommes au maximum de S, il faut calculer la matrice du Hessien ([H]) et calculer
les mineurs diagonaux sur la matrice - [H]
[ ] [ ]
] ]

] ]
+ ] ]
] ]
2 2
2 0 2 0
H H
0 192z 16 0 192z 16
G
69
Les mineurs diagonaux de [H] sont gaux :

1
2
2
m 2 0
m 192z 16
>

Pour z = 0,5, nous avons m
2
= 64 > 0.
Les deux mineurs diagonaux tant strictement positifs, la valeur t est maximale pour x = 1 et z = 0,5.
Dans ces conditions, y = 2, z = 1 et t = 23.
Do la conclusion : Le nombre dcran plasma vendus le mois (n + 1) sera maximal et gal
2 300 000 units si lentrepreneur investit 10 000 dans la publicit radio, 10 000 deuros dans la
publicit tl et 5 000 deuros dans la publicit murale.
C Lexemple 3 : Fonction de satisfaction
Soient x le nombre de cafs 1 , y le nombre de croissants 1,50 et z le nombre de sand-
wiches 3 consomms quotidiennement par Monsieur Papy dont la partie du revenu journa-
lier consacr lensemble de ces trois produits est gal 16 .
Pour lensemble de ces trois produits, la fonction de satisfaction de Monsieur Papy est donne
par :
2
( x ; y ; z ) S = 2 x - 3(y + z) (y - 8) - 2z (S reprsente lindice de satisfaction)
Dterminer les quantits de cafs, de croissants et de sandwiches que devrait consommer
Monsieur Papy pour que, en dpensant la totalit de la partie consacre ces achats, son
indice de satisfaction quotidien soit maximal.
Ce problme peut tre formalis sous la forme du programme suivant (comme dans lexemple prc-
dent, nous mettons [Max] la place de trouver le maximum de ) :
[Max] S = 2x 3 (y + z) (y 8) 2 z
2
x 0 y 0 z 0
x + 1,5 y + 3 z = 16
La dernire quation correspond aux possibilits financires de Monsieur Papy.
De cette dernire quation, nous tirons : x = 16 - 1,5 y 3 z.
En remplaant x par sa valeur dans la satisfaction S, celle-ci devient :
S = 2 (16 - 1,5 y 3 z) 3 (y + z)(y - 8) 2 z
2
= - 3 y
2
2 z
2
3 zy + 21 y + 18 z + 32
Pour trouver le maximum de cette fonction deux variables, il faut calculer les drives premires par-
tielles et les annuler :
'
y
'
z
S
S 6 y 3z 21
y
S
S 4 z 3y 18
z
G
70
Do :
S
0
6 y 3z 21 y 2 y
x 4
S 3y 4 z 18 z 3
0
y
|
|
| + | | |

+
| | | |

|
|
Pour prouver que nous sommes au maximum de S, il faut calculer la matrice du Hessien ([H]) et calculer
les mineurs diagonaux sur la matrice - [H]
[ ] [ ]
6 3 6 3
H H
3 4 3 4
] ]

] ]

] ]
Les mineurs diagonaux de [H] sont gaux :
1
2
m 6 0
m 15 0
>
>
Les deux mineurs diagonaux tant strictement positifs, la satisfaction est maximale pour x = 4, y = 2 et
z = 3.
Pour que la satisfaction quotidienne de Monsieur Papy soit maximale, il faut quil consomme 4 cafs,
2 croissants et 3 sandwiches par jour.
G
71
4

Le rsum
Fonctions plusieurs variables : Optima libres
Matrice du Hessien : Matrice forme par toutes les drives partielles secondes directes
et croises.
Matrice note [H].
Condition ncessaire :
Condition suffisante :
Toutes les drives partielles premires sont nulles.
Tous les mineurs diagonaux de [H] sont strictement positifs
ou
Toutes les valeurs propres de [H] sont strictement positives.
Toutes les drives partielles premires sont nulles.
Tous les mineurs diagonaux de - [H] sont strictement positifs
ou
Toutes les valeurs propres de [H] sont strictement ngatives.
Fonctions plusieurs variables : Optima lis
Matrice du Hessien
bord :
Matrice forme par toutes les drives partielles secondes directes et croi-
ses de la fonction optimiser, les drives partielles premires des condi-
tions respecter, matrice complte par une matrice nulle
Matrice note [H
b
]
Toutes les drives partielles premires sont nulles
Tous les mineurs diagonaux bords de [H
b
] sont strictement positifs
ou
Toutes les pseudo-valeurs propres de [H
b
] sont strictement positives
Toutes les drives partielles premires sont nulles
Tous les mineurs diagonaux bords de - [H
b
] sont strictement positifs
ou
Toutes les pseudo-valeurs propres de [H
b
] sont strictement ngatives
1

La modlisation et la rsolution graphique
dun programme linaire simple
A Le problme pos
Le producteur de caf, soucieux de fournir la Socit EREISOP des produits de qualit, prfre fabri-
quer lui mme son engrais cologique .
Pour cela il fabrique un mlange comportant de la potasse, lextrait de fumier de cheval et du sang de
buf sch rduit en poudre.
Pour que cet engrais soit fabriqu en quantit suffisante pour une anne, notre producteur doit pou-
voir disposer dun engrais comportant au moins 4 tonnes de potasse, au moins une tonne dextrait de
fumier de cheval et au moins 400 kg de sang de buf sch.
Malheureusement, notre producteur ne trouve pas facilement ces trois produits sur le march de la
rgion o il est install mais un grossiste local dispose actuellement de deux articles vendus en sacs de
50 kg dont les compositions sont les suivantes :
- le Super Pousse 100 le sac qui contient 80 % de potasse, 10 % dextrait de fumier de cheval
et 5 % de sang de buf sch ;
- le Meilleur 150 le sac qui contient 40 % de potasse, 20 % dextrait de fumier de cheval et
5 % de sang de buf sch.
Les autres composants de ces deux articles sont des produits inertes pour lagriculture.
Le problme suivant se pose alors notre producteur : comment acqurir les quantits suffisantes de
potasse, dextrait de fumier de cheval et de sang de buf sch en achetant ces deux articles pour pou-
voir raliser son engrais au moindre cot ?
B Le choix des variables et la modlisation
Pour rsoudre un tel problme, nous constatons quil nous suffit de connatre le nombre de sacs de
Super Pousse et le nombre de sacs de Meilleur pour calculer le cot dacquisition des quantits
La programmation
linaire simple
Chapitre
5
G
74
ncessaires la ralisations de cet engrais. La premire question se poser est donc : comment calculer
le cot ?
Dsignons donc par x le nombre de sacs de Super Pousse et par y le nombre de sacs de Meilleur
acheter.
Nous pouvons dj crire que x 0 et y 0 car il nest pas possible dacheter un nombre ngatif de
sacs (contraintes videntes).
Nous dsignerons galement par C le cot dacquisition de ces deux articles (cot exprim en ).
Nous avons donc lgalit, vu les prix indiqus : C = 100 x + 150 y.
Il nous reste donc transcrire mathmatiquement les conditions de composition de lengrais (contrain-
tes spcifiques). Ces contraintes seront au nombre de trois, car trois composants sont dsigns : la
potasse, lextrait de fumier de cheval et le sang de buf sch.
Pour la potasse, nous constatons quun sac de Super Pousse en contient 40 kg et quun sac de
Meilleur en contient 20 kg. Comme le producteur en veut au moins 4 tonnes, nous pouvons crire,
en choisissant comme unit le kg, que 40,0 x + 20,0 y 4 000.
Pour lextrait de fumier de cheval, nous obtenons : 5,0 x + 10,0 y 1 000 (unit : le kg) et pour le sang
de buf sch, nous obtenons : 2,5 x + 2,5 y 400 (unit : le kg).
Nous pouvons regrouper toutes ces donnes et obtenir ainsi un programme linaire Simple :
[Min] C = 100 x + 150 y
(a) x 0 (b) y 0
+
+
+
(c) 40x 20y 4 000
(d) 5x 10y 1000
(e) 2,5x 2,5y 400
Les trois dernires contraintes (c), (d) et (e) (contraintes spcifiques) de ce programme peuvent tre sim-
plifies pour arriver au programme linaire suivant :
[Min] C = 100 x + 150 y
(a) x 0 (b) y 0
+
+
+
(c) 2x y 200
(d) x 2y 200
(e) x y 160
Nous pouvons alors remarquer que cette simplification revient changer dunits sur ces contraintes
spcifiques qui passe du kg aux 20 kg pour la potasse, du kg aux 5 kg pour lextrait de fumier de cheval
et du kg aux 2,5 kg pour le sang de buf sch.
noter Il faut faire trs attention aux units dans ce type de problme, le choix na aucune impor-
tance mails il doit tre fait dune manire dfinitive.
G
Chapitre 5 La programmation linaire simple
75
C La rsolution graphique dun programme linaire
En dsignant par D
1
, D
2
et D
3
les droites dquations respectives 2 x + y = 200, x + 2 y = 200 et
x + y = 160, nous dterminons, la vue des contraintes ci-dessus, le domaine de validit du programme
linaire.
Le domaine de validit est lensemble des points du plan dont les coordonnes x et y vrifient toutes les
contraintes du programme linaire, quelles soient videntes ou spcifiques au problme tudi.
Une fois ce domaine trac, il ne reste plus qu faire varier, suivant les valeurs de C, la droite correspon-
dant lobjectif, soit la droite dquation 100 x + 150 y = C pour trouver loptimum cherch.
Sur le graphique 1 ci-aprs, le domaine de validit a t trac ainsi que les droites dquations
C = 12 000 et C = 30 000.
0
100 200
100
200
C = 30 000
C = 12 000
Poi nt Optimal M
x
y
D
1
D
3
D
2
C
m
Domaine de val idi t
Graphique 1
Nous pouvons ainsi constater graphiquement quaucun des points de la droite C = 12 000 nappartient
au domaine de validit et que cette droite est parallle la droite C = 30 000 dont un des segments est
situ dans le domaine de validit.
La droite C
m
correspondant au cot minimal est donc celle qui est parallle aux deux droites C = 12 000
et C = 30 000 et qui est, relativement cette direction, la plus proche de lorigine du repre tout en
ayant au moins un point commun avec le domaine de validit.
G
76
Nous constatons quici la droite C
m
na quun point commun avec le domaine de validit : le point opti-
mal M, point dintersection des droites D
2
et D
3
dont les coordonnes sont solution du systme form
par les quations des deux droites en question.
Nous obtenons ainsi :
+ = =

+ = =

x 2y 200 x 120
x y 160 y 40
En conclusion, notre producteur devrait acheter 120 sacs de Super Pousse et 40 sacs de Meilleur
pour satisfaire sa demande et minimiser son cot de acquisition, ce cot minimal tant alors gal
18 000 .
D Les contraintes satures ou non-satures
Daprs le raisonnement ci-dessus, le point optimal M a pour coordonnes des valeurs x et y qui vri-
fient, leurs limites, les contraintes (d) et (e) : ces deux contraintes sont satures.
Que se passe-t-il si notre producteur voulait un kilogramme dextrait de fumier de cheval supplmen-
taire ? Il faudrait quil augmente ses cots.
Pour calculer cette augmentation de cot, il nous suffit de rsoudre le systme ci-dessus dans lequel
nous remplaons 200 par 200,2 comme second terme de la premire quation et 160 comme second
terme de la seconde quation. En effet rappelons que lunit utilise dans la contrainte (d) est 5 kg et
que 1 kg = 0,2 x 5 kg.
Il faut donc maintenant rsoudre le systme :
+ = =

+ = =

x 2y 200, 2 x 119,8
x y 160, 0 y 40,2
Dans ces conditions, le nouveau cot minimal deviendrait thoriquement gal 18 010 .
Le kilogramme supplmentaire dextrait de fumier de cheval coterait donc thoriquement 10 notre
producteur.
Cette valeur thorique est appele cot marginal relatif au kg dextrait de fumier de cheval.
Nous pouvons calculer de la mme manire le cot marginal relatif au kilogramme de sang de buf
sch en rsolvant le systme :
+ = =

+ = =

x 2y 200 x 120,8
x y 160, 4 y 39,6

Le nouveau cot minimal deviendrait thoriquement gal 18 020 . Le kilogramme supplmentaire
de sang de buf sch coterait donc thoriquement 20 notre producteur.
Le cot marginal relatif au kg de sang de buf sch est donc gal 20 .
Pourquoi navons-nous pas chang de systme rsoudre pour trouver ces deux cots marginaux ?
G
77
Le graphique 1 ci-dessus nous indique quaugmenter la limite de la contrainte (d) (respectivement (e))
revient loigner lgrement, paralllement elle-mme, la droite D
2
(respectivement D
3
) de lorigine
et donc amputer le domaine de validit dune petite bande de plan. Ce nouveau graphique nous
permettrait de constater que le point du nouveau domaine de validit qui correspond au nouveau cot
minimal est toujours lintersection des droites D
2
et D
3
. Cest pour cela que nous avons toujours
chercher les coordonnes du point dintersection de ces deux droites.
Par contre, la contrainte (c) nest pas vrifie la limite car notre producteur a plus de potasse que
ncessaire : 5 600 kg de disponibles alors que 4 000 kg suffisaient. Cette contrainte (c) nest pas satu-
re et vouloir disposer dun kilogramme de potasse supplmentaire ne cote rien : le cot marginal
relatif au kg de potasse est nul.
Nous pouvons donc dire que les valeurs marginales relatives aux contraintes spcifiques non-satures
sont nulles alors que celles relatives aux contraintes satures ne la sont, en gnral, pas.
Insistons sur le fait que ces valeurs marginales sont calcules avec des valeurs thoriques. Par exemple,
pour trouver que le cot marginal relatif au kg dextrait de fumier de cheval est calcul avec x = 119,8
et y = 40,2, ce qui donne un nouveau cot de 18 010 , soit une augmentation de cot de 10 .
Ces valeurs marginales permettent de faire une tude de sensibilit : si notre producteur voulait effec-
tivement un kilogramme dextrait de fumier de cheval supplmentaire et quil puisse acheter les deux
produits Super pousse et Meilleur par kilogrammes, cette valeur marginale lui indique que sil
trouve le kilogramme dextrait de fumier de cheval moins de 10 , il a intrt lacheter, alors que
si ce prix tait suprieur 10 le kg, il aurait intrt modifier ses achats de Super pousse et de
Meilleur .
2

La rsolution algbrique dun programme linaire simple
A La dualit
Imaginons maintenant que la Socit EREISOP possde, comme sous-produits de sa production, de la
potasse, de lextrait de fumier de cheval et du sang de buf sch et quelle veuille concurrencer le
fournisseur de notre producteur.
Se pose alors la socit EREISOP la question suivante : quels prix dois-je vendre le kg de potasse, le
kg dextrait de fumier de cheval et le kg de sang de buf sch au producteur pour, non seulement
concurrencer le fournisseur du producteur, mais galement obtenir une recette maximale ?
En posant P
p
, P
c
et P
s
les prix du kg de potasse, du kg dextrait de fumier de cheval et du kg de sang
de buf sch respectivement, cette Socit, en dsignant par R sa recette en , devrait rsoudre le
programme linaire suivant :
[Max] R = 4 000 P
p
+ 1 000 P
c
+ 400 P
s
(1) P
p
0 (2) P
c
0 (3) P
s
0
+ +
+ +
p c s
p c s
(4) 40P 5P 2,5P 100
(5) 20P 10P 2,5P 150
G
78
En effet le producteur recherchant toujours la minimisation de son cot nachtera que 4 tonnes de
potasse, 1 tonne dextrait de fumier de cheval et 400 kg de sang de buf sch. De plus, la Socit
EREISOP cherchant concurrencer le fournisseur des deux produits Super pousse et Meilleur , les
contraintes (4) et (5) traduiront cette concurrence respectivement sur chacun des deux produits.
Ce programme linaire de maximisation, dduit directement du programme linaire de minimisation
tudi prcdemment sera appel dual de celui-ci.
Ce programme comportant trois variables ne pourra pas facilement tre rsolu graphiquement (repr-
sentation dans lespace) do la ncessit dintroduire une autre mthode de rsolution.
B La mthode exhaustive
Nous allons dabord transformer le systme dinquations form par les contraintes (4) et (5) du pro-
gramme linaire de maximisation en systme dquations en introduisant deux variables dcart e
1
et e
2

non-ngatives.
Soit rsoudre :
[Max] R = 4 000 P
p
+ 1 000 P
c
+ 400 P
s
(1) P
p
0 (2) P
c
0 (3) P
s
0 (6) e
1
0 (7) e
2
0
p c s 1
p c s 2
(4') 40P 5P 2,5P e 100
(5') 20P 10P 2,5P e 150
+ + + =
+ + + =
Le systme rsoudre est donc :
p c s 1
p c s 2
40P 5P 2,5P e 100
20P 10P 2,5P e 150
+ + + =
+ + + =
Ce systme de deux quations cinq inconnues peut tre rsolu en fixant trois inconnues sur les cinq.
Le raisonnement graphique effectu ci-dessus nous indique quil nous faut, pour obtenir loptimum,
saturer des contraintes, ce qui revient fixer 3 inconnues 0.
Les diffrents systmes obtenus, au niveau de leur solutions, sont les suivants :
P
p
P
c
P
s
e
1
e
2
R
0 0 0 100 150 0
0 0 40 0 50 16 000
0 0 60 - 50 0 //////
0 20 0 0 - 50 //////
0 15 0 25 0 15 000
0 10 20 0 0 18 000
2,5 0 0 0 100 10 000
7,5 0 0 - 200 0 //////
0,833 13,333 0 0 0 16 666,67
- 2,5 0 /// 0 0 //////
G
79
la lecture de ce tableau, nous constatons alors que le kg dextrait de fumier de cheval devrait tre
vendu 10 et le kg de sang de buf sch 20 . Par contre la potasse devrait tre offerte gratuite-
ment. Dans ces conditions, la Socit EREISOP obtiendra une recette maximale de 18 000 .
Nous constatons malheureusement que cette mthode exhaustive nous oblige calculer la solution de
systmes conduisant des rsultats impossibles pour le programme linaire tudi (solutions ngati-
ves).
C La mthode de Dantzig : Recherche dun maximum
Cette mthode itrative est base sur une thorie marginaliste et a pour point de dpart le programme
linaire obtenu aprs introduction des variables dcart e
1
et e
2
. Son but est damliorer une solution
dj obtenue.
Le cas le plus dfavorable pour une recette est que celle-ci soit nulle. Or, comme cette recette R est
gale 4 000 P
p
+ 1 000 P
c
+ 400 P
s
avec P
p
0, P
c
0 et P
s
0, cela nous oblige choisir P
p
, P
c
et P
s

nuls pour que R = 0.
Ces trois variables P
p
, P
c
et P
s
seront appeles variables hors solutions (VHS).
Nous pouvons ainsi calculer e
1
et e
2
qui seront respectivement gales 100 et 150. Ces deux variables
e
1
et e
2
seront appeles variables calcules (VC).
Nous remarquons alors quil est impossible daugmenter la valeur dune VC sans quau moins une VHS
devienne ngative : les recettes marginales relatives aux VC (e
1
et e
2
) sont donc nulles.
Par contre, si nous augmentons P
p
dune unit, la recette R passe de 0 4 000 (la recette marginale
relative P
p
est donc de 4 000). De mme les recettes marginales relatives P
c
et P
s
sont relativement
gales 1 000 et 400.
Le but tant de maximiser la recette, nous avons intrt faire passer P
p
de son statut de VHS un
statut de VC. Mais, dans ce cas, soit e
1
, soit e
2
devra devenir une VHS car le nombre de VHS doit rester
gal 3 : le systme rsoudre devant toujours tre un systme de 2 quations 2 inconnues.
Si nous choisissons e
1
= 0 avec P
c
= P
s
= 0, nous obtenons P
p
= 2,5 et e
2
= 100 do la recette R gale
10 000.
Si nous choisissons e
2
= 0 avec P
c
= P
s
= 0, nous obtenons P
p
= 7,5 et e
1
= - 200 do une solution
impossible.
ce stade, nous arrivons donc la solution suivante :
R = 10 000, P
c
= P
s
= e
1
= 0 (VHS), P
p
= 2,5 et e
2
= 100 (VC)
Se pose alors la question : cette solution est-elle la meilleure ?
Pour cela, il nous faut calculer les recettes marginales relatives chacune des variables.
Nous avons dj remarqu que les recettes marginales relatives aux VC sont nulles, il suffit donc de cal-
culer celles relatives aux VHS.
Nous remarquons galement que, si nous augmentons P
c
dune unit, la recette naugmentera pas ce
stade de 1 000 car P
p
devra diminuer.
G
80
Nous sommes donc obligs dvaluer la recette en fonction des VHS et transformer le systme des con-
traintes pour faire apparatre uniquement les valeurs des VC.
Pour cela, nous allons dabord modifier la premire contrainte (premire quation) qui nous a permis de
calculer P
p
: P
p
+ 0,125 P
c
+ 0,0625 P
s
+ 0,025 e
1
= 2,5.
Do P
p
= 2,5 - 0,125 P
c
- 0,0625 P
s
- 0,025 e
1
.
En remplaant P
p
par cette valeur dans R et dans la deuxime contrainte (deuxime quation), le pro-
gramme linaire rsoudre laisse place au programme linaire suivant :
[Max] R = R 10 000 = 500 P
c
+ 150 P
s
- 100 e
1
P
p
0 P
c
0 P
s
0 e
1
0 e
2
0
+ + + =
+ + =
p c s 1
c s 1 2
P 0,1250 P 0, 0625P e 2,5
7,5000 P 1, 2500 P 0,5000 e e 100, 0
Nous constatons alors qu ce stade, les recettes marginales relatives respectivement P
c
, P
s
et e
1
sont
respectivement 500, 150 et - 100 et donc que nous navons pas obtenu la solution optimale : deux des
trois valeurs marginales non-nulles sont encore strictement positives et donc R(donc R) peut tre aug-
ment.
Il suffit donc maintenant de refaire le mme raisonnement partir du nouveau programme linaire ci-
dessus.
D Les tableaux du simplexe de maximisation
Les tableaux du simplexe de maximisation donnent une tabulation de la mthode de Dantzig.
Ces tableaux ont tous la mme forme : un rectangle divis en six cases :
A B C
D E F
Dans la case A nous trouverons toutes les variables VHS (qui sont donc automatiquement nulles).
Dans la case B nous trouverons toujours deux lignes : la premire o figurerons toutes les variables,
initiales et dcart, du programme (toujours dans le mme ordre) et la seconde o seront indiques les
valeurs marginales correspondantes.
Dans la case C nous pourrons lire la valeur de lobjectif (attention : cette case a toujours une valeur glo-
bale gale 0).
Dans la case D nous trouverons toutes les VC et leurs valeurs correspondantes seront situes sur la
mme ligne dans la case F.
Dans la case E nous aurons lcriture schmatique des diverses contraintes spcifiques du programme
linaire tudi.
Do le premier tableau correspondant lobjectif nul (R - 0 = 0 dans la case C).
G
81
Tableau n 1
P
p
= 0
P
c
= 0
P
s
= 0
P
p
4 000,000
P
c
1 000,000
P
s
400,000
e
1
0,000
e
2
0,000
R
-
0,00
e
1
40,000 5,000 2,500 1,000 0,000 100,000 2,5
e
2
20,000 10,000 2,500 0,000 1,000 150,000 7,5
Pour analyser ce premier tableau du simplexe de maximisation, nous regarderons dabord les valeurs
marginales (2
e
ligne de la case B) pour dterminer la valeur entrante (variable VHS qui se transformera
en variable VC). Dans ce tableau, nous constatons que cette variable entrante est P
p
car sa valeur mar-
ginale est positive et suprieure toutes les autres. Sa colonne sera dsigne par c
p
.
Ensuite, nous devons dterminer la variable VC qui deviendra variable VHS en faisant le rapport entre
les valeurs trouves sur la mme ligne dans la case F et sur la colonne de la variable entrante dans la
case E. Cette variable, appele variable sortante, est celle qui correspondra au plus petit des rapports
non-ngatifs. Ici cette variable sortante est e
1
. Sa ligne sera dsigne par l
p
.
Nous appellerons pivot le terme situ lintersection de la colonne c
p
de la variable entrante et de la
ligne l
p
de la variable sortante.
Cette premire analyse tant faite, nous passerons lcriture du second tableau du simplexe de maxi-
misation qui correspondra une meilleure solution.
La procdure est la suivante :
a) Nous permuterons variable entrante et variable sortante (place place) dans les cases A et D ;
b) Nous diviserons la ligne du pivot par le pivot dans les cases E et F ;
c) la place du pivot, il y a donc maintenant un 1 et nous placerons 0 sur la colonne du pivot dans les
cases B et E (en gardant le 1 du pivot bien sur) ;
d) Tous les autres termes non-calculs des cases B, C, E et F seront tous calculs suivant la rgle du
rectangle : la valeur situe lintersection de la ligne l et de la colonne c du tableau n N + 1 est gal au
terme situ au mme endroit dans le tableau n N diminu du produit des termes situs lintersection
de la ligne l et de la colonne c
p
et lintersection de la colonne c et de la ligne l
p
du tableau n N, ce
produit tant divis par le pivot du tableau n N :
Terme remplacer
dans tableau n N
|
|
|
Y
------------------------------------------------------------------
------------------------------------------------------------------
X
|
|
|
Pivot
Nouvelle valeur du terme
dans tableau n N + 1
=
Terme remplacer
dans tableau n N
-
X Y
Pivot
G
82
Par exemple, la place du terme 1 000 dans la case B du tableau n 1 viendra se mettre 500 dans le
tableau n 2 :
=
4 000 5
1000 - 500
40

Nous arrivons ainsi au tableau n 2 suivant :
Tableau n 2
e
1
= 0
P
c
= 0
P
s
= 0
P
p
0,000
P
c
500,000
P
s
150,000
e
1
-100,000
e
2
0,000
R
-
10 000,00
P
p
1,000 0,125 0,0625 0,025 0,000 2,50 20
e
2
0,000 7,500 1,2500 -0,500 1,000 100,00 13,3
Nous constatons alors que les valeurs marginales situes dans la case B de ce nouveau tableau ne sont
pas toutes nulles ou ngatives, la recette de 10 000 pourra alors tre augmenter, do le tableau n 3 et
ainsi de suite.
Le dernier tableau calculer est donc celui dont aucune des valeurs marginales de la case B nest stric-
tement positive.
Do les tableaux suivants toujours calculs suivant la mme procdure (il faut quand mme faire atten-
tion pour le calcul du terme de la case C car pour arriver une valeur juste, il faut prendre la case C
compltement : pour le tableau n 3, nous prendrons comme terme remplacer R - 10 000 et nous
trouverons R - 16 666,67) :
Tableau n 3
e
1
= 0
e
2
= 0
P
s = 0
P
p
0,000
P
c
0,000
P
s
66,667
e
1
-66,667
e
2
-66,667
R
-
16 666,67
P
p
1,000 0,000 0,0417 0,033 -0,017 0,833 20
P
c
0,000 1,000 0,167 -0,067 0,133 13,333 80
Tableau n 4
e
1
= 0
e
2
= 0
P
p = 0
P
p
-1 600,00
P
c
0,000
P
s
0,000
e
1
-120,00
e
2
-40,00
R
-
18 000,00
P
s
24,000 0,000 1,000 0,80 -0,40 20,000
P
c
-4,000 1,000 0,000 -0,20 0,20 10,000
G
83
partir de ce dernier tableau, nous constatons que toutes les recettes marginales sont soit nulles, soit
ngatives.
Nous en concluons donc que :
La Socit EREISOP obtiendra sa recette maximale de 18 000 et concurrencera le fournisseur habituel
de notre producteur en vendant le kilogramme dextrait de fumier de cheval 10 et le kilogramme de
sang de buf sch 20 , la potasse tant offerte gratuitement.
E Quelques remarques propos de la dualit
En comparant les deux programmes linaires tudis jusque l, nous constatons que :
- lun consiste en la recherche dun minimum et lautre en la recherche dun maximum ;
- les deux contiennent des variables non-ngatives ;
- le nombre de contraintes spcifiques de lun est gal au nombre de variables de lautre ;
- les signes dingalit des contraintes spcifiques sont inverss ;
- la matrice des coefficients des variables dans le systme des contraintes spcifiques de lun est la
transpose de la matrice des coefficients des variables dans le systme des contraintes spcifiques de
lautre ;
- les coefficients des variables dans la fonction optimiser de lun sont les limites des contraintes spci-
fiques de lautre.
Remarquons toutefois que les signes des contraintes spcifiques doivent tre tous les mmes dans le
programme primal pour pouvoir appliquer la recette ci-dessus.
Si tous ces points sont vrifis au niveau des deux programmes linaires, nous dirons que ceux-ci sont
duaux lun de lautre. Le premier programme tudi, celui de minimisation dans notre cas, sera appel
programme primal et le second, celui de maximisation, programme dual.
Nous pouvons remarquer que lobjectif optimal de lun est gal lobjectif optimal de lautre.
En analysant dun peu plus prs les solutions de ces deux programmes, nous pouvons galement remar-
quer que lensemble formant la solution de lun est, au signe prs, gal lensemble des valeurs margi-
nales de lautre.
En effet, les cots marginaux du programme primal taient 0 pour le kg de potasse, 10 pour le kg
dextrait de fumier de cheval et 20 pour le kg de sang de buf sch. Ces valeurs forme la solution du
programme dual.
En regardant le dernier tableau du simplexe du programme dual, nous trouvons que la recette margi-
nale relative e
1
est gale - 120 et celle relative e
2
est gale - 40. Or e
1
est la valeur dcart que
nous avons plac sur la premire contrainte spcifique du programme dual, contrainte dont les coeffi-
cients sont ceux de la variable x du programme primal et e
2
est la valeur dcart que nous avons plac
sur la seconde contrainte spcifique du programme dual, contrainte dont les coefficients sont ceux de
la variable y du programme primal. La dernire remarque ci-dessus est alors justifie car le programme
primal avait pour solution x = 120 et y = 40.
Quand nous rsolvons un programme linaire et que nous lanalysons au niveau de ses valeurs margina-
les, nous avons, en ralit, les solutions de deux programmes linaires duaux lun de lautre.
G
84
Nous aurions donc pu trouver la solution du programme dual sans utiliser la mthode de Dantzig (les
tableaux du simplexe) mais en utilisant les valeurs marginales du programme primal. Rciproquement,
nous aurions pu rsoudre le programme primal par la mthode du simplexe en appliquant les remar-
ques faites pour la dualit.
Remarquons enfin que la valeur marginale relative P
p
dans le programme dual (dernier tableau du
simplexe) est gale 1 600 et que, dans le programme primal et par ses achats, notre producteur
disposait de 1 600 kg de potasse en trop (5 600 kg de disponible contre 4 000 kg demands au mini-
mum). Les deux autres valeurs marginales relatives P
c
et P
s
(toujours dernier tableau du simplexe) sont
nulles et nous indiquent que les contraintes relatives lextrait de fumier de cheval et de sang de buf
sch du programme primal sont satures.
G
85
3

Le rsum
Mthodologie pour la rsolution d'un programme linaire
ayant n variables et p contraintes spcifiques
Choisir et dfinir les variables permettant d'crire l'objectif et les contraintes
Analyser le programme linaire en vue de le rsoudre
si n = 2 si n > 2
Mthode graphique
Recherche d'un maximum Recherche d'un minimum
Mthode exhaustive Simplexe Si p = 2
Dualit
Mthode graphique
Mthode graphique
Mthode exhaustive
Mthode exhaustive Simplexe Si p = 2
Dualit
PARTIE 2
Mathmatiques
financires
1

Les suites arithmtiques
A La dfinition dune suite numrique
Une suite numrique est un ensemble ordonn de nombres rels appels termes pouvant tre dfi-
nie par une relation de rcurrence ou une relation gnrique.
Une relation de rcurrence est une relation qui permet de dterminer le terme de rang p + 1 en fonc-
tion du terme qui le prcde et qui est de rang p (p > 0) :
p 1 p
u f(u )
+
=
Une relation gnrique permet de dterminer un terme en fonction de son rang p et de u
1
, premier
terme de la suite considre :
p 1
u F(u ;p) =
noter Il existe deux grands types de suites : les suites arithmtiques et les suites gomtriques (ces
suites sont encore appeles progressions arithmtiques ou progressions gomtriques).
B La dfinition dune suite arithmtique
Une suite arithmtique est une suite numrique qui correspond la relation de rcurrence suivante :
p 1 p p
u f(u ) u R
+
= = + ou R tant une constante relle appele raison.
Nous allons, grace un raisonnement par rcurrence, dterminer une relation gnrique partir de
cette relation de rcurrence.
Nous avons : = +
= + = +
= + = +
2 1
3 2 1
4 3 1
u u R
u u R u 2R
u u R u 3R
Si nous posons

= + = +
p p 1 1
u u R u (p 1) R
Nous obtenons

+
= + = +
p 1 p 1
u u R u pR
Les suites numriques
Chapitre
6
G
90
Nous arrivons une relation analogue celles qui nous permettent de dterminer les premiers termes
de la suites : le terme de rang p dune suite arithmtique est gal au premier terme de cette suite aug-
ment dun nombre gal au produit de la raison par le rang du terme cherch diminu de 1.
Do la relation gnrique :
u
p
= F(u
1
;p) = u
1
+ (p-1)R
Nous pouvons constater quune suite arithmtique est entirement dtermine par la donne de son
premier terme et de sa raison.
Nous noterons ( )
1
A u ; R une suite arithmtique de premier terme u
1
et de raison R.
C Les suites arithmtiques finies
Une suite arithmtique finie est une suite arithmtique dont le nombre de termes est fix lavance. Par
exemple la suite arithmtique u
1
; u
2
; u
3
; ... ; u
p
; ... ; u
n-1
; u
n
est une suite arithmtique de n termes.
Cette suite finie sera note A(u
1
; R ; n).
Si nous crivons cette suite lenvers , nous arrivons une autre suite arithmtique finie
A(v
1
; R ; n) :
+
= = = = =
1 n 2 n 1 p n p 1 n 1 2 1 n
v u ; v u ; ... ; v u ; ... ; v u ; ... v u
Si nous posons

=
= = + + + + + + +

n
n p 1 2 3 p n 1 n
p 1
S u u u u u u u ,

nous constatons que
n
S est galement gale
=
= + + + + + + +

n
p 1 2 3 p n 1 n
p 1
v v v v v v v
Nous avons donc :

= + + + + + + +
= + + + + + + +

n 1 2 3 p n 1 n
n 1 2 3 p n 1 n
S u u u u u u
S v v v v v v
Soit encore :

+
= + + + + + + +
= + + + + + + +

n 1 2 3 p n 1 n
n n n 1 n 2 n p 1 2 1
S u u u u u u
S u u u u u u
En utilisant la relation gnrique, nous constatons que
p n p 1
u u
+
+ est gal
1 n
u u +
Par addition, nous obtenons que
n 1 n
2S n(u u ) = +
Soit
n
1 n
p n
p 1
n(u u )
u S
2
=
+
= =
G
Chapitre 6 Les suites numriques
91
2

Les suites gomtriques
A La dfinition dune suite gomtrique
Une suite gomtrique est une suite numrique qui correspond la relation de rcurrence suivante :
p 1 p p
u f(u ) u q
+
= = , q tant une constante relle appele raison.
Nous allons, grace un raisonnement par rcurrence, dterminer une relation gnrique partir de
cette relation de rcurrence.
Nous avons :
2 1
2
3 2 1
3
4 3 1
u u q
u u q u q
u u q u q

=
= =
= =
Si nous posons
p 1
p p 1 1
u u q u q

= = , nous obtenons
p
p 1 p 1
u u q u q
+
= =
Nous constatons alors que nous obtenons une relation analogue celles qui nous permettent de dter-
miner les premiers termes de la suites : le terme de rang p dune suite gomtrique est gal au premier
terme de cette suite multipli par un nombre gal la raison leve une puissance gale au rang du
terme cherch diminu de 1, do la relation gnrique :
p 1
p 1 1
u F(u ;p) u q

= =
Nous pouvons alors constater quune suite gomtrique est entirement dtermine par la donne de
son premier terme et de sa raison.
Nous noterons ( )
1
G u ; q une suite gomtrique de premier terme
1
u et de raison q.
B Les suites gomtriques finies
Une suite gomtrique finie est une suite gomtrique dont le nombre de termes est fix lavance. Par
exemple la suite gomtrique u
1
; u
2
; u
3
; ... ; u
p
; ... ; u
n-1
; u
n
est une suite gomtrique de n termes.
Cette suite finie sera note
( )
1
G u ; q;n
Posons

n
n p 1 2 3 p n 1 n
p 1
S u u u u u u u
=
= = + + + + + + +

Nous remarquons que
n
n p 2 3 4 p 1 n n
p 1
q S q u u u u u u q u
+
=
= = + + + + + + +

Nous avons donc :

n 1 2 3 p n 1 n
n 2 3 4 p 1 n n
S u u u u u u
q S u u u u u q u
+
= + + + + + + +
= + + + + + + +

Par diffrence membre membre, nous arrivons :
n
n n 1 1
(q 1) S q u u u (q 1) = =
G
92
Do les rsultats suivants :
Si q 1 alors

n n
n 1 1
q 1 1 q
S u u
q 1 1 q

= =

Par contre si q = 1, tous les termes de la suite sont gaux entre eux et en particulier
1
u , do le rsul-
tat suivant : si q = 1 alors S
n
= n x u
1
.
noter Ce chapitre nest pas trs dvelopp car des applications apparaitrons dans les chapitres
suivants. Il sera alors demand au lecteur de reconnatre une suite arithmtique, une suite gomtrique
ou une combinaison des deux.
3

A Lexemple 1 : Travail sur une suite arithmtique
Une suite arithmtique est telle que la somme de ses 100 premiers termes est gale 20 800 et
la somme de ses 60 premiers termes est gale 7 680. Calculer le 50
e
terme de cette suite.
Soient u
1
le premier terme et R la raison de cette suite.
Nous avons :
100
p 1 2 3 99 100
p 1
u u u u ...... u u 20 800
=
= + + + + + = =
1 100
1
100(u u )
50 (2u 99R)
2
+
= +
do 2 u
1
+ 99 R = 416
60
p 1 2 3 59 60
p 1
u u u u ....... u u 7 680
=
= + + + + + = =
1 60
1
60(u u )
30 (2u 59R)
2
+
= +
do 2 u
1
+ 59 R = 256.
Soit rsoudre :
1 1
1
2 u 99 R 416 u 10
2 u 59R 256 R 4
+ = =

+ = =

Nous travaillons donc avec la suite arithmtique A(10 ; 4).
Le 50
e
terme de cette suite est donc gal u
1
+ 49 R = 206.
G
Chapitre 6 Les suites numriques
93
B Lexemple 2 : Travail sur une suite gomtrique
Dterminer le 6
e
terme dune suite gomtrique croissante dont le 3
e
terme est gal 80 et le
5
e
terme 1 280.
Dsignons par q la raison de cette suite.
Nous pouvons crire que u
5
= u
3
x q
2
soit 1 280 = 80 x q
2
do q
2
= 16.
La suite tant croissante, nous en dduisons que la raison doit tre suprieure 1.
La seule valeur acceptable pour q est donc 4.
Nous travaillons donc avec la suite gomtrique G(u
1
;4)
Le 6
e
terme est donc gal 20 480 (u
6
= u
5
x q).
noter La connaissance de la valeur de u
1
est inutile.
C Lexemple 3 : travail sur une suite bizarre
Calculer la somme des carrs des n premiers entiers naturels non nuls.
Soit calculer S
2
= 1
2
+ 2
2 +
3
2
+ 4
2
+ ... + (n 1)
2
+ n
2
.
Nous poserons S = 1 + 2 + 3 + 4 + ... + (n 1) + n.
Nous savons que (a + b)
3
= a
3
+ 3 a
2
b + 3 a b
2 +
b
3
(identit remarquable).
Donc, si b = 1 (raison de la suite arithmtique reprsentant les entiers naturels), nous pouvons crire :
(a + 1)
3
= a
3
+ 3 a
2
+ 3 a
+
1
si a = 0 1
3
= 1
si a = 1 2
3
= 1
3
+ 3*1
2
+ 3*1 + 1
si a = 2 3
3
= 2
3
+ 3*2
2
+ 3*2 + 1
si a = 3 4
3
= 3
3
+ 3*3
2
+ 3*3 + 1
- - - - - - - - - -
- - - - - - - - - -
- - - - - - - - - -
si a = n-1 n
3
= (n-1)
3
+ 3*(n-1)
2
+ 3*(n-1) + 1
si a = n (n + 1)
3
= n
3
+ 3*n
2
+ 3*n + 1
(n + 1)
3 =
3*S
2
+ 3*S + (n + 1)*1
Nous savons que

n (n 1)
S
2
+
=
(cest la somme des n premiers termes dune suite arithmtique de premier terme 1 et de raison 1).
G
94
Do
3
2
n(n 1) n(n 1)(2n 1)
3 S (n 1) - 3 - (n 1)
2 2
+ + +
= + + =
2
n(n + 1) (2n + 1)
S =
6
4

Le rsum
Suites arithmtiques A(u
1
; R)
Relation rcurrente : p 1 p
u u R
+
= +
Somme des n premiers termes :
1 n
n
n(u u )
S
2
+
=
Relation gnrique :
p 1
u u (p 1) R = +
Relation rcurrente : p 1 p
u u q
+
=
Somme des n premiers termes :
Si
q 1
n n
n 1 1
q 1 1 q
S u u
q 1 1 q

= =

si q = 1
n 1
S n u =
Relation gnrique :
p 1
p 1
u u q

=
1

Lintroduction
A Les gnralits
Il est parfois intressant, ds quune certaine liquidit dargent est disponible, de dposer son argent sur
un compte qui rapporte un intrt. Il est parfois ncessaire davoir besoin dargent frais pour effectuer
un investissement et de contracter un emprunt qui nous obligera payer un intrt.
Nous voyons ainsi apparatre la notion dintrt qui peut tre considr comme la rmunration dun
placement (ou dun prt).ou comme le prix pay par un emprunteur pour utiliser un capital pendant un
temps donn. Lintrt peut donc tre considr comme le loyer de largent prt.
Au niveau thorique, un prt et un emprunt sont des notions similaires et symtriques : sil y a prt,
cest quil y a emprunteur. Tout problme financier peut donc se rsumer par une relation entre une
partie prteuse et une partie emprunteuse.
B La valeur nominale La valeur acquise La valeur actuelle
La valeur nominale dun capital est celle retenue officiellement et qui sert de base aux calculs. Cette
valeur doit obligatoirement tre associe une date encore appele date origine (dsigne ci aprs par
t
0
).
La valeur acquise par un capital est la valeur nominale augmente de lintrt acquis pendant le temps
couru au-del de la date origine. Le schma financier correspondant est alors le suivant :
Y X
t
1
t
0
intrt
X : valeur nominale Y : valeur acquise Y = X + intrt
La valeur acquise est donc, comme la valeur nominale, associe une date (dsigne ci-dessus par t
1
).
Les intrts simples
Chapitre
7
G
96
La valeur actuelle pour un capital, au contraire, se dtermine avant sa date origine et est gale sa
valeur nominale diminue de lintrt qui prend dans ce cas le nom descompte. Le schma financier
devient donc :
X Y
t
0
t
-1
escompte
X : valeur nominale Y : valeur acquise Y = X escompte
La valeur actuelle est donc, comme la valeur nominale, associe une date (dsigne ci-dessus par t-
1
).
Nous pouvons alors constater que la valeur acquise, comme la valeur actuelle, sont des valeurs dun
capital une date choisie encore appele date dvaluation. La valeur dun capital est donc, en gn-
ral, suprieure la valeur nominale si la date dvaluation est postrieure la date origine et infrieure
la valeur nominale si la date dvaluation est antrieure la date origine.
Dans tous les cas, lintrt, ou lescompte, sera proportionnel la valeur nominale et augmentera avec
la dure sparant la date origine de la date dvaluation.
C Le taux dintrt
Il est courant, pour pouvoir effectuer des comparaisons, que lintrt sexprime par une valeur de base
appele taux dintrt : cest lintrt rapport par un capital gal une unit montaire plac pendant
une unit de temps. En France, et si rien nest prcis, lunit montaire est leuro () et lunit de
temps est lanne. Nous dsignerons souvent ce taux dintrt, dit taux annuel, par la lettre i.
D Le calcul dune dure
Le calcul du temps pendant lequel un capital rapporte un intrt ou cote un escompte pour la dure
sparant la date origine de la date dvaluation se fait en utilisant la notion dintervalle.
Par exemple, un capital plac du 10 avril au 25 avril dune mme anne sera effectivement plac pen-
dant 15 jours (il est souvent dit que le 1
er
jour nest pas compt et que le dernier lest) :
10/04 25/04
1 2 5

6

7 8 9 10 11 12 13 14 15 3 4
Il faut galement savoir quil est courant en comptabilit de considrer quune anne est compose de
12 mois de 30 jours (anne commerciale). Attention, car mme dans ce cas, si les dures sont donnes
de date date les mois doivent tre obligatoirement dcompts pour leurs dures respectives. Il est en
effet difficile daffirmer que le mois de fvrier ou le mois de juillet ont une dure de 30 jours.
G
Chapitre 7 Les intrts simples
97
2

Les intrts simples
A Le principe
Nous avons vu dans lintroduction que lintrt est proportionnel la valeur nominale. En intrts sim-
ples, celui-ci est galement proportionnel la dure de placement et au taux dintrt.
Si nous dsignons par X la valeur nominale (en euros), par n la dure de placement (en annes), par i le
taux dintrt annuel et par I les intrts rapports par ce placement, nous arrivons la relation de base
suivante :
I = X x i x n
La valeur Y acquise par ce placement n annes aprs son commencement sera alors gale :
Y = X + I
B Les adaptations de la relation de base
Les intrts tant proportionnels la dure, cela revient dire que le taux dintrt est galement
proportionnel la dure et que, par exemple, si le taux dintrt annuel est gal i, le taux dintrts
simples mensuel correspondant ce taux annuel est gal i/12 vu quil y a 12 mois dans lanne. Ce
nouveau taux dintrt est appel taux mensuel proportionnel au taux annuel i.
En gnral, si lanne est divise en k priodes damplitudes gales, le taux priodique proportionnel au
taux annuel i est gal
i
k
et si le placement porte sur n priodes, lintrt rapport sera gal :
Xin
I
k
=
Un petit problme se pose cependant pour la dtermination du taux dintrt journalier. En effet, si
nous considrons que lanne est divise en 12 mois de 30 jours, soit 360 jours, nous arrivons au taux
journalier commercial proportionnel au taux i annuel gal
i
,
360
alors que si nous considrons
que lanne est divise en 365 jours (366 jours pour les annes bissextiles), nous arrivons au taux jour-
nalier civil proportionnel au taux i annuel gal
i
365
ou
i
.
366
noter Si aucune prcision nest donne, le taux dintrt sera annuel et la procdure sera celle de
lintrt commercial.
Noublions pas que, mme dans ce cas, si la dure est donne de date date, les mois doivent tre
dcompts pour leurs dures respectives.
G
98
Nous arrivons ainsi un rsultat peut-tre gnant : si vous placez un capital de X euros un taux dint-
rt annuel i pendant un an, celui-ci vous rapportera un intrt gal Xi = I. Si le mme capital est plac
dans les mmes conditions du 1
er
janvier au 31 dcembre de la mme anne non-bissextile (soit une
dure de 364 jours), lintrt rapport suivant la procdure commerciale sera de :
X i 364
I
360

=
et celui rapport suivant la procdure de lintrt civil sera gal :
X i 364
I
365

=
Nous constatons alors que I < I < I. Par soucis de justice et dans ce cas, lintrt rapport sera gal I.
C Une remarque
Cette procdure des intrts simples concerne principalement les oprations financires court terme.
3

Trois exemple dutilisation
A Lexemple 1 : Calcul dune dure de placement
La valeur acquise par un capital de 5 000 placs intrts simples 3,6 % est gale, au bout
dun certain temps, 5 075 . Quelle est la dure du placement ?
Il y a une inconnue : la dure. Nayant aucune information sur elle, il faut lui donner un nom : n et une
unit : le mois (ces choix sont personnels et ninfluent pas sur le rsultat final).
noter Le choix de lunit mois vite les problmes intrt civil - intrt commercial.
Pour visualiser le problme, nous le rsumerons sur un schma financier :
3,6%
5 075 5 000
t
1
75
t
0
n mois
Par convention, les dates et la dure se mettront au dessus de laxe du temps et les capitaux, ainsi que
lintrt (diffrence entre valeur de fin et valeur de dbut ) iront sous cet axe.
Il faut donc rsoudre lquation :
5 000 n 0, 036
5 075 5 000 75 n 5
12

= = =
La dure du placement est alors de 5 mois.
G
99
B Lexemple 2 : Notion de taux moyen
Trois capitaux sont placs intrts simples le 5 mai de lanne N mais des conditions diff-
rentes :
- le premier : 2 500 2,50 % jusquau 15 juin de lanne N ;
- le deuxime : 1 500 4,40 % jusquau 10 juillet de lanne N ;
- le troisime : 2 200 3,60 % jusquau 8 aot de lanne N.
Calculer le taux moyen applicable ces trois placements, cest--dire le taux unique qui, appli-
qu aux trois capitaux et pour leurs dures respectives de placement, donnerait le mme mon-
tant dintrt total.
Visualisons le problme sur un schma financier (sur ce schma, les inconnues choisies sont dfinies) :
2,5%
= i
1
V
1
2 500
= C
1
I
1
41 jours
= n
1
jours
4,4%
= i
2
V
2
1 500
= C
2
I
2
66 jours
= n
2
jours
3,6%
= i
3
V
3
2 200
= C
3
I
3
95 jours
= n
3
jours
15/06
10/07
08/08
05/05
05/05
05/05
Le taux moyen recherch sera dsign par i.
noter Rien ntant prcis, il faut utiliser la procdure de lintrt commercial.
Il faut rsoudre lquation :
3 3 3 1 1 1 2 2 2
C n i C n i C n i
360 360 360

+ + =
3 3 1 1 2 2
C n i C n i C n i
360 360 360

+ +
Cette quation peut tre simplifie et devenir :
1 1 1 2 2 2 3 3 3 1 1 2 2 3 3
C n i C n i C n i [C n C n C n ] i + + = + +
G
100
Do :
1 1 1 2 2 2 3 3 3
1 1 2 2 3 3
C n i C n i C n i
i
C n C n C n
+ +
=
+ +
En remplaant les inconnues par leurs valeurs respectives, nous obtenons un taux moyen de 3,5183 %.
noter Le fait de ne pas chiffrer les intrts partiels et de travailler dune manire littrale nous
indique que lappellation taux moyen pour i est exacte : ce taux i est la moyenne des taux i
1
, i
2

et i
3
pondre par des coefficients qui sont les produits des capitaux par leurs dures de placement
respectives en jours (C
1
n
1
, C
2
n
2
et C
3
n
3
). Ces coefficients sont encore appels Nombres .
C Lexemple 3 : Calcul de taux effectifs de placement
Une personne achte un bon de placement de 1 500 5,00 % pour 5 ans. Les intrts sont
compts suivant la procdure des intrts simples.
Les intrts tant prcompts sur 2 ans, dterminer les taux effectifs de placement brut et net
sachant que limpt libratoire slve 30 %.
Les intrt bruts percevoir par cette personne sont alors calculs 5 % sur le nominal du bon de pla-
cement, soit 1 500 et sur 5 ans, ils slvent donc 1 500 x 5 x 0,05 = 375 .
Si une partie des intrts ntaient pas prcompts, le schma financier serait le suivant :
1 500
+ 375
1 875
1 500
5 0
375
5 ans 5,0%
Le prcomptage des intrts sur deux ans signifie que cette personne reoit lavance, cest--dire au
moment de son placement, les intrt de deux ans soit 150
Tout revient donc dire que le capital effectivement plac nest plus le nominal du bon de placement
mais prend une valeur infrieure au nominal (il est diminu de 150 ). Bien entendu, le capital remis en
fin de placement sera infrieur celui ci-dessus (il sera galement diminu de 150 ).
Le schma financier correspondant est donc :
ib
1 500
1 725
1 500
1 350
5 0
375
Intrts prcompts Solde des intrts
5 ans
- 150 + 225
G
101
Le taux effectif de placement brut est donc le taux i
b
qui permet un capital de 1 350 dacqurir
une valeur de 1 725 au bout de 5 ans.
Ce taux est solution de lquation : 375 = 1 350 x 5 x i
b
i
b
= 0,055556
Le placement rapporterait donc 5,5556 % dintrts simples par an plutt que 5 % comme annonc.
Pour dterminer le taux de placement effectif net, il faut tenir compte en plus des impts libratoires
(si nous supposons que la personne choisit cette option).
Cette personne devra donc verser au fisc 30 % de ses revenus, soit 30 % de 150 au debut de son
placement et 30 % de 225 la fin. En effet, seuls les intrts sont considrs comme revenus.
Le schma financier correspondant la ralit du placement est donc :
i
n
1 500
+

225
1 725
- 67,50
1 657,50
1 500
-

150
1 350
+ 45
1 395
5 0
375
5 ans
Intrts effectivement perus
Impts libratoires
Solde des intrts Intrts prcompts
262,50
Tout revient donc ce que cette personne a dbours 1 395 et rcupr 1 657,50 au bout de cinq
annes de placement.
Le taux effectif de placement net est donc le taux i
n
qui permet un capital de 1 395 dacqurir
une valeur de 1 657,50 au bout de 5 ans.
Ce taux est solution de lquation : 262,5 = 1 395 x 5 x i
n
i
n
= 0,037634
Ce placement rapporte donc en ralit, effectivement, 3,7634 % dintrts simples par an plutt que
5 % comme annonc nominalement.
Le rsum
Les intrts simples
Intrt I proportionnel au capital X, au taux dintrt i et la dure n
(les units de ces trois variables doivent tre compatibles).
Relation gnrique : I = Xin
1

La prsentation
A Le problme pos
Aujourdhui, 9 fvrier 2005, Sylvie vient davoir une envie subite et achte un bouquin de mathmati-
ques Julien. Ce bouquin de Mathmatiques cote actuellement 46 et Sylvie na pas dargent, aussi
ngocie-t-elle cet achat.
Elle demande Julien si elle peut prendre tout de suite son bouquin de Mathmatiques et le lui payer
seulement le 15 juin de la mme anne. Julien, bon prince, accepte mais fait quand mme signer une
reconnaissance de dette Sylvie (on ne sait jamais). Cette reconnaissance de dette, ou effet de com-
merce, se prsente sous la forme suivante :
Moi, Sylvie, reconnat devoir Julien la somme de 46 en change dun bouquin de
mathmatiques. Je mengage payer cette somme le 15 juin 2005.
RECONNAISSANCE de DETTE
Fait et sign Valenciennes, le 09 fvrier 2005
Montant nominal de la dette
Date de cration de la dette Date de paiement
(ou date dchance)
Tout se passerait ainsi sans problme si Julien navait pas un besoin urgent dargent le 1
er
avril 2005.
Le 1
er
avril Julien va donc trouver Sylvie et lui demande de verser ce quelle lui doit mais celle-ci lui rtor-
que quelle na toujours pas dargent et que, de toutes faons, elle a sign une reconnaissance de dette
stipulant que cette dette serait rgle le 15 juin (soyez gentil !).
Julien, ayant toujours son besoin de liquidit, va donc trouver Marie, en lui montrant la reconnais-
sance de dette signe par Sylvie et lui demande si, par hasard, elle ne pourrait pas lui avancer les 46
Lescompte
intrts simples
Chapitre
8
G
104
en change de cette reconnaissance de dette. Marie accepte condition que Sylvie lui paye les 46
comme prvu le 15 juin et de ne verser que 44,50 Julien qui devra sestimer pay.
Le 1
er
avril sappelle date de ngociation de leffet et les 44,50 reprsentent la valeur actualise
au 1
er
avril des 46 payables le 15 juin. La diffrence entre les 46 et les 44,50 , 1,50 , prennent
alors le nom descompte.
B Les dfinitions
Lescompte, pour le juriste, peut tre dfini comme lopration par laquelle un banquier met la dis-
position de son client le montant dun effet de commerce avant son chance sous dduction dun
intrt.
Un effet de commerce, dont le rle est de reconnaitre une dette, est caractris par sa date de
cration, sa date dchance (ou dextinction) et sa valeur nominale (ou montant payable
lchance).
Cet effet de commerce peut tre escompt (ou ngoci) toute date comprise entre sa date de cra-
tion et sa date dchance. La date o cet effet a t remis lescompte prend alors le nom de date de
ngociation.
Le jour de la ngociation, le banquier indiquera son client, la valeur compensatoire (ou valeur actuelle
ou actualise) de son effet et le taux descompte la date de remise. Lintrt prlev par le banquier
prend le nom descompte.
La valeur actuelle la date de remise dun effet est gale sa valeur nominale diminue de son
escompte.
C Lescompte rationnel
Normalement, le schma financier correspondant ce problme descompte doit traduire le fait que la
valeur nominale C dun effet est gale la valeur acquise par sa valeur actuelle A
r
la date dchance,
soit n jours plus tard :
Date dchance Date de ngociation
C = Ar + er n jours Ar
Lescompte e
r
reprsente donc lintrt produit par un capital A
r
plac pendant n jours.
Si nous dsignons par i le taux dintrt (ou descompte), nous avons alors :
e
r
=
r
A ni
360

et C = A
r
+

r
A ni
360

do A
r
=
360C
360 ni +

et e
r
=
Cni
360 ni +
Nous constatons ainsi que, pour calculer A
r
, il faut effectuer un calcul relativement compliqu.
G
Chapitre 8 Lescompte intrts simples
105
D Lescompte commercial
Pour simplifier le calcul ci-dessus et comme la valeur nominale est indique sur leffet, le banquier, tout
en gardant le mme schma, prfre considrer que lescompte est lintrt calcul, non pas sur la
valeur actuelle, mais sur la valeur nominale.
En dsignant par e
c
lescompte commercial et par A
c
la valeur actuelle commerciale, nous arrivons a :
Date dchance Date de ngociation
n jours C = A
c
+ e
c
A
c
En dsignant toujours par i le taux dintrt, nous obtenons ainsi :
ec =
Cni
360

et Ac = C -
Cni
360

=

C(360 ni)
360
Nous pouvons remarquer que, non seulement le calcul est plus facile, mais, quen plus lescompte com-
mercial est suprieur lescompte rationnel.
noter Si dans un exercice rien nest prcis, lescompte commercial doit tre utilis.
E Lquivalence entre effets
Deux effets (ou deux capitaux) sont quivalents une date donne si, escompts cette date, au mme
taux et dans le mme systme descompte, leurs valeurs actuelles la date donne sont gales.
Par extension, un effet (ou un capital) est quivalent la somme de plusieurs autres effets une date
donne si, escompts cette date, au mme taux et dans le mme systme descompte, la valeur
actuelle de leffet unique est gale la somme des valeurs actuelles la date dquivalence donne.
Nous pourrons galement affirmer que deux groupes deffets sont quivalents une date donne si,
escompts cette date, au mme taux et dans le mme systme descompte, la somme des valeurs
actuelles du premier groupe est gale la somme des valeurs actuelles du second groupe la date
dquivalence donne.
2

La pratique de lescompte
A Le bordereau descompte
La remise deffets lescompte dans une banque entraine non seulement la retenue de lescompte,
mais aussi la retenue de diverses commissions et de la TVA. Lensemble de ces retenues constitue les
agios.
G
106
Les lments constitutifs des agios sont les suivants :
lescompte calcul par le banquier avec, souvent, un ou plusieurs jours descompte supplmentaires
(dits jours de banque). Un minimum de dure descompte est mme parfois xig ainsi quun mini-
mum descompte ;
des commissions :
commission de manipulation ;
commission de service ;
commission dendos (prorata temporis) ;
commission davis de sort ;
commission de non-domiciliation ;
commission de prsentation lacceptation ;
etc...
la TVA dont sont xonrs les escomptes et la commission dendos.
B Le taux rel (ou effectif) descompte
Les diverses commissions et la TVA ont pour effet de majorer le taux support par lescompteur auprs
de sa banque.
Le taux rel descompte est le taux support effectivement par lescompteur.
Le taux rel descompte est donc naturellement suprieur au taux nominal descompte.
3

A Lexemple 1 : Comparaison escompte commercial et escompte rationnel
Un effet de 1 000 au 30 juin est escompt le 20 avril de la mme anne 15 %.
1) Calculer lescompte commercial et la valeur actuelle commerciale de cet effet
Du 20 avril au 30 juin, il y a 71 jours.
Lescompte commercial e
c
se calcule sur la valeur nominale de leffet
Si nous dsignons par V
c
la valeur actuelle commerciale, nous avons :
c c
0,15
e 1 000 71 29,58 d'o V 1 000 - 29,58 970,42
360
= = = =
Cet effet subit donc un escompte commercial de 29,58 et a donc une valeur actuelle commerciale
gale 970,42 .
2) Calculer lescompte rationnel et la valeur actuelle rationnelle de cet effet
Lescompte rationnel e
r
se calcule sur la valeur actuelle de leffet.
G
107
r
la valeur actuelle rationnelle, nous avons :
r r r r r r
0,15
e V 71 0,0295833 V et V 1 000 - e 1,0295833 V 1 000
360
= = = =
Cet effet subit donc un escompte commercial de 28,73 et a donc une valeur actuelle commerciale
gale 971,27 .
B Lexemple 2 : Equivalence entre effets
Trois effets sont escompts le 10 mai 15 % :
- le premier de 1 540 au 30 juin de la mme anne ;
- le deuxime de 1 230 au 15 juillet de la mme anne ;
- le troisime de 923 au 30 aot de la mme anne.
Le jour de la ngociation, ces trois effet sont remplacs par un effet unique.
1) Dterminer la date dchance de cet effet unique si son nominal est gal
3 600
Comme rien nest prcis, la procdure de lescompte commercial sera applique.
Du 10 mai au 30 juin, il y a 51 jours, du 10 mai au 15 juillet, il y a 66 jours et du 10 mai au 30 aot, il y
a 112 jours.
Si les trois effets initiaux sont remplacs par une effet unique le 10 mai, cest que la somme de leurs
valeurs actualises cette date est gale la valeur actualise la mme date de leffet unique.
Nous pouvons donc crire que, en dsignant par n le nombre de jours descompte concernant leffet
unique :
0,15 0,15
1 540 - 1 540 51 1 230 - 1 230 66
360 360
+
0,15 0,15
923 - 923 112 3 600 - 3 600 n
360 360
=
Nous en dduisons ainsi que n = 11,08.
Nous compterons alors 12 jours descompte car 11 jours ne sont pas suffisants.
La date dchance de leffet de remplacement est donc le 21 mai.
2) Dterminer la date dchance de cet effet unique si son nominal est gal
3 693 . Quelles sont, dans ce cas, les donnes inutiles de lnonc ?
Nous pouvons maintenant crire que, en dsignant toujours par n le nombre de jours descompte con-
cernant leffet unique :
0,15 0,15
1 540 - 1 540 51 1 230 - 1 230 66
360 360
+ +
0,15 0,15
923 - 923 112 3 693 - 3 693 n
360 360
=
G
108
Cependant, dans ce cas, le nominal de leffet de remplacement est gal la somme des nominaux des
effets remplacs (1540 + 1 230 + 923 = 3 693).
Lquation rsoudre peut donc se simplifier.
1 540 51 1 230 66 923 112 3 693 n n 71,24 soit 72 jours + + = =
La date dchance de leffet de remplacement est donc le 21 juillet.
noter Nous avons pu simplifier par le taux descompte, la donne du taux descompte est donc
inutile dans ce cas.
Nous pouvons remarquer que si nous diminuons arbitrairement les nombres de jour descompte de x
jours, lquation obtenue aura toujours la mme solution :
1 540 (51 - x) 1 230 (66 - x) 923 (112 - x) + + =
3 693 (n - x) n 71,24 soit 72 jours =
La date de remplacement est donc inutile : nous pouvons choisir nimporte quelle date entre le 10 mai
et le 30 juin comme date dquivalence.
C Lexemple 3 : Choix entre conditions descompte
Un commerant a le choix pour lescompte de ses effets de commerce entre deux banques A et
B qui lui font les conditions suivantes :
- Banque A : Taux descompte : 9,5 % commission : 3 %.
- Banque B : Taux descompte : 12 % commission : 2,5 %.
Sachant quaussi bien la banque A qu la banque B les commissions sont indpendantes du
temps mais soumises la TVA 19,60 %, dterminer la banque qui fait les conditions les plus
avantageuses suivant lchance des effets ngocier.
Pour comparer les conditions offertes par les deux tablissements financiers, nous allons prendre un
effet de nominal X escompt pendant n jours.
Dans ltablissement A, la valeur actualise est dsigne par V
A
et dans ltablissement B, la valeur
actualise est dsigne par V
B
.
Nous pouvons crire (en plus de lescompte, il faudra dduire la commission TTC) :
A
B
0,095
V X - X n - 0,030 X 1,196
360
0,120
V X - X n - 0,025 X 1,196
360
Le commerant prfrera ltablissement le plus offrant, cest--dire celui qui lui proposera la plus forte
valeur actualise.
G
109
Ce commerant ira donc ngocier son effet la banque A si V
A
est strictement suprieur V
B
, la ban-
que B si V
A
est strictement infrieur V
B
et choisira indiferemment la banque A ou la banque B si V
A
est
gal V
B
.
tudions le premier cas :
> VA VB
>
0,095 0,120
X - X n - 0,030 X 1,196 X - X n - 0,025 X 1,196
360 360
Do, en simplifiant par X ( 0), n > 86,112.
Le commerant ira donc ngocier son effet la banque A si le nombre de jours descompte est sup-
rieur ou gal 87 et la banque B si le nombre de jours descompte est infrieur ou gal 86.
noter Le nominal de leffet ninfluencera pas le choix du commerant (nous avons simplifi
par X).
4

Le rsum
Escompte intrts simples
Escompte rationnel : Intrts calculs sur la valeur actuelle dun effet
Escompte commercial : Intrts calculs sur la valeur nominale dun effet
1

La prsentation
A Le principe
Aurlie est une personne trs dvoue aussi a-t-elle lhabitude de prter de largent ses petits cama-
rades.
Dernirement, elle a prt de largent Marie, argent remboursable en plusieurs annes moyennant,
bien entendu, un petit remerciement sous forme dintrts payables annuellement.
De ce fait chaque anne, Aurlie peroit la valeur des intrts produits par tous ses prts et reprte
immdiatement et aux mmes conditions le capital total quelle peroit. Comme cela ses intrts pro-
duits lannes n porteront eux-mmes intrts lanne n + 1 : cest le principe des intrts composs.
B La capitalisation des intrts
Lorsque la dure dun prt dpasse un an, il est rare que lintrt soit payable en une seule fois. Le
crancier demande, en gnral, que lintrt lui soit pay priodiquement, au moins une fois par an,
soit terme chu, soit, plus rarement, davance.
Le crancier a donc la possibilit de replacer lintrt ainsi peru pendant la dure restante du prt.
Si nous supposons que cet intrt pourra toujours tre replac au mme taux que le capital initial, tout
se passe comme si les intrts taient ajouts au capital pour produire eux-mmes des intrts : nous
dirons que les intrts sont capitaliss.
Les intrts composs
Chapitre
9
G
112
C Le schma de base
Ce qui vient dtre crit ci-dessus peut tre schmatis de la manire suivante si nous dsignons par C
0
le capital initial et par C
n
la valeur acquise par ce capital en fin de nime anne de placement en suppo-
sant les intrts terme chu calculs au taux annuel i :
0 1 2 n - 1 n
i C0 i C1
= = = =
C1 C2
Cn-1 Cn-2 C1 C0 C0
i Cn-2 i Cn-1
Cn-1 Cn
+ + + +
Nous constatons ainsi que : C
1
= C
0
(1 + i) C
2
= C
1
(1 + i) = C
0
(1 + i)
2
...
Par rcurrence, nous obtenons : C
n
= C
n-1
(1 + i) = C
0
(1 + i)
n
.
D Les taux dintrts proportionnels Les taux dintrts quivalents
Soit i lintrt vers la fin de chaque anne pour un capital de 1 et supposons quau lieu de verser
lintrt annuel en une fois, nous dcidions de verser un intrt la fin de chacune des k sous-priodes
gales contenues dans lanne tout en gardant la mme valeur acquise en fin danne soit 1 + i.
Nous pourrions choisir cet intrt priodique comme tant gal
i
k
mais, dans ces conditions, et en
appliquant la relation concernant les intrts composs, nous obtenons que la valeur acquise en fin
danne est gale :
k
i
1
k

+

= 1 + i + ... 1 + i
Nous constatons donc quil ny a pas quivalence entre les deux modes de versement. Le taux dintrt
i
k
sera appel taux priodique proportionnel au taux annuel i.
Pour avoir lquivalence, et en dsignant par i
k
le taux priodique correspondant, lquation suivante
doit tre vrifie : (1 + i
k
)
k
= 1 + i do i
k
=
1
k
(1 i) - 1 +
Le taux dintrt i
k
sera appel taux priodique quivalent au taux annuel i.
Comme nous avons vu que
k
i
1
k

+

1 + i = (1 + i
k
)
k
nous en dduisons que le taux dintrt pro-
portionnel est suprieur ou gal au taux dintrt quivalent :
k
i
i
k

Le produit k i
k
= j
k
est appel taux annuel payable k fois par an.
G
Chapitre 9 Les intrts composs
113
E Le taux annuel continu
Nous venons de voir que : 1 + i = (1 + i
k
)
k
do ln(1 + i) = k ln(1 + i
k
)
Ces galits sont valables quelque soit le nombre de priodes existant dans une anne, et en particulier
si ce nombre de priodes tend vers linfini :
( )
k
k
k ln(1 i ) ln(1 i)
lim

+ = +

(cette dernire valeur ne dpend pas de k)
k
k k
i i
Or, 0 ik donc 0 lim i lim 0
k k

=

Nous en dduisons donc que, pour k important, ln(1 + i
k
) i
k
Par consquent : ( )
k
k k
lim k ln(1 i ) lim k ik ln(1 i) j

+ = = + =
Le taux dintrt j est appel taux annuel continu.
noter partir de ce chapitre, et sauf indications contraires, les intrts seront calculs suivant la
mthode des intrts composs. Si aucune indication nest donne, la capitalisation sera considre
comme continue.
2

A Lexemple 1 : Diffrence entre capitalisation annuelle et capitalisation
continue
Calculer la valeur acquise par un capital de 5 430 placs 9 % pendant 3 ans et 4 mois
sachant que :
1) La capitalisation nest quannuelle
Schma financier :
4 3 2 1 0
5 430
?
Si la capitalisation nest quannuelle, il nous faut travailler en intrts composs sur les trois premires
annes (qui sont entires) et en intrts simples sur les quatre derniers mois.
La valeur acquise par ce capital au bout de trois ans est gale 5 430 (1,09)
3
= 7 032,01
Les intrts produits sur les quatre derniers mois sont gaux :
0,09
7 032,01 4 210,96
12
=
Ce capital a donc acquis, dans ces conditions, une valeur de 7 242,97 au bout de 3 ans et 4 mois.
G
114
2) La capitalisation est continue
Le schma financier est le mme que celui ci-dessus.
Si la capitalisation est continue, la valeur acquise par ce capital au bout de 3 ans est 4 mois est gale :
4
3
12
5 430 (1,09) 7 236,94
+
=
Ce capital a donc acquis, dans ces conditions, une valeur de 7 236,94 au bout de 3 ans et 4 mois.
noter La valeur acquise par la capitalisation continue est plus faible que dans le premier cas.
B Lexemple 2 : Que faire si les taux dintrts changent ?
Un capital de 10 000,00 est plac pendant 9 ans et 9 mois aux conditions suivantes :
- 12 % les cinq premires annes ;
- 14 % les sept semestres suivants ;
- 9 % le reste du temps.
Calculer la valeur acquise par ce capital en fin de placement.
Schma financier :
10 9 8 7 6 5 4 3 2 1 0
?
10 000
12% 14% 9%
Les taux donns sont annuels et la capitalisation est continue (aucune prcision donne).
l a fi n des 5 premi res annes l e capi tal de 10 000 a acqui s une val eur de
10 000 (1,12)
5
= 17 623,42.
Cest ce capital qui portera intrts 14 % les 7 semestres suivants.
Donc la fin des 7 semestres suivants, il aura acquis une valeur de 17 623,42 (1,14)
3,5
.
Soit une valeur de 10 000 (1,12)
5
(1,14)
3,5
= 27 877,71. (Remarquons que 7 semestres correspondent
une dure de 3,5 annes).
Cest ce dernier capital qui portera intrts 9 % sur les 1 an et 3 mois de placement qui restent soit
sur 1,25 ans de placement.
Do, la fin du placement, ce capital aura acquis une valeur de 27 877,71 (1,09)
1,25
.
Soit une valeur de 10 000 (1,12)
5
(1,14)
3,5
(1,09)
1,25
= 31 048,47 .
G
Chapitre 9 Les intrts composs
115
C Lexemple 3 : Taux proportionnels Taux quivalents
Taux annuel continu
Soit un taux annuel i de 14 %.
1) Calculer le taux mensuel proportionnel
Cest sans doute le plus facile des taux calculer : il suffit dappliquer la proportionnalit :
Le taux mensuel proportionnel i est
i 0,14
12 12
= = 0,011666 = 1,1667 %
Rappelons quil y a 12 mois dans lanne.
2) Calculer le taux trimestriel quivalent
Schma financier :
1 0
4 0
C
14% annuel
1 an
i4 trimestriel
C (1,14)
1
C
C (1 + i
4
)
4
4 trimestres
Nous avons dsign par i
4
le taux trimestriel cherch (il y a 4 trimestres dans lanne).
Au vu du schma financier ci-dessus, i
4
et quivalent i si le capital C a acquis une mme valeur au
bout dune anne, soit si C (1,14)
1
= C (1 + i
4
)
4
.
Si nous supposons que le capital C est non-nul, nous pouvons simplifier par C (le montant du capital est
inutile pour dterminer un taux quivalent).
Soit rsoudre : (1 + i
4
)
4
= 1,14
1
4
4
4
1 i 1,14 1,14 + = = = 1,033299
Le taux trimestriel quivalent 14 % annuel est gal 3,3299 %.
noter partir de ce taux trimestriel, nous pouvons calculer le taux annuel payable trimes-
triellement quivalent 14 % annuel, cest le taux trimestriel quivalent multipli par le nombre de
trimestres dune anne soit 4. Dans notre cas, ce taux, dsign par j
4
, est gal 13,3198 %.
3) Calculer le taux annuel continu quivalent
Daprs le E du 1 ci-dessus, ce taux est gal ln(1,14) = 0,131028.
Le taux annuel continu correspondant 14 % annuel est gal 13,1028 %.
G
116
noter Nous venons de parler de taux quivalents, 14 % annuel, 13,3198 % annuel payable tri-
mestriellement, 13,1028 % annuel continu. Il est alors tentant doublier les adjectifs et de ne parler
que de taux annuels. Pour un placement le taux serait de 14 % et pour un emprunt le taux serait de
13,1028 %. Cela reviendrait au mme mais le commercial aurait un avantage.
3

Le rsum
Intrts composs
Valeur acquise C
n
par un capital C
0
plac au taux i par priode pendant n priodes :
C
n
= C
0
(1 + i)
n
Taux priodique proportionnel du taux annuel i :
i
k
Taux dintrt i
k
quivalent au taux annuel i :
i

k
(1 i) - 1 +
Le taux dintrt proportionnel est suprieur ou gal au taux dintrt quivalent
Le produit k i
k
= j
k
est appel taux annuel payable k fois par an
1

Les gnralits
A Le problme pos
Imaginons Monsieur Papy recevant Monsieur Nasser reprsentant en voitures automobiles et discutant
sur le cot de revient dun crdit (prt ou emprunt).
Le vhicule choisi par Monsieur Papy coute 16 900 au comptant et Monsieur Nasser prsente le plan
de financement suivant : 10 % la livraison, soit 1 690 , puis 36 mensualits de 500 .
Monsieur Nasser veut prouver Monsieur Papy que ce mode de financement nest pas trs cher et cal-
cule donc un cot de crdit sous la forme dun taux annuel en faisant le raisonnement suivant :
Les 36 mensualits de 500,00 valent 18 000 et servent rembourser un crdit de (16 900 1 690)
soit de 15 210 . Lcart 18 000 15 210 reprsente donc le cot du crdit qui slve ainsi 2 790 .
Cet cart reprsente les intrts pays par Monsieur Papy sur un crdit portant sur un capital de
15 210 remboursables en trois ans.
Le schma correspondant ce problme est donc le suivant :
0
15 210 2 790
1 2 3
18 000
Le taux dintrt serait alors tel que : 2 790 = 15 210 x 3 x i do i = 0,061144
Monsieur Nasser affirmera donc Monsieur Papy que ce crdit lui cote 6,1144 % par an.
Monsieur Papy fait alors remarquer Monsieur Nasser que la procdure des intrts simples est dpas-
se et quil faudrait mieux prendre celle des intrts composs qui donnerait un taux dintrt tel que :
18 000 = 15 210 (1 + i)
3
soit i = 0,057745 do un cot de 5,7745 % par an.
Voil donc dja deux taux qui permettraient Monsieur Papy davoir une ide du cot de ce crdit qui
slverait environ 6 %.
Les annuits
Chapitre
10
G
118
Cependant Monsieur Papy a oubli que son remboursement ntait pas effectu en une seule fois mais
en plusieurs. Quelle est alors linfluence du fractionnement du remboursement dun prt sur son cot ?
Nous arrivons ainsi la notion dannuits.
B Les dfinitions
Par suite dannuits, nous dsignerons une suite de rglements effectus intervalles de temps gaux.
Cette suite de rglements (ou termes) constitue une rente pour celui qui en bnficie.
Lintervalle de temps sparant deux versements est une priode.
La rente est dite certaine quand le nombre de ses termes est fix lavance (cest le cas nonc dans
lintroduction).
La rente est dite alatoire quand le versement de ses termes peut tre interrompu par larrive dun
vnement qui ne peut tre prvu lavance (cest le cas dachats en viager).
La rente est dite temporaire si le nombre de ses termes est fini. Dans le cas contraire la rente est dite
perptuelle.
La rente est dite immdiate, ou termes chus, si la date origine prcde dune priode la date du
premier versement :
0 1 2
Date origine
a1 a2
La rente est dite diffre si la date origine prcde de plus dune priode la date du premier verse-
ment :
0 1 2
a1 a2
Date origine
La rente est dite anticipe si la date origine prcde de moins dune priode la date du premier verse-
ment :
0 1 2
a1 a2
Date origine
G
Chapitre 10 Les annuits
119
Si la rente est anticipe dune priode, la date origine concide avec la date du premier versement et la
rente est dite choir ou verse davance :
0 1 2
a2
a1
Date origine
C La valeur acquise par une rente temporaire
La valeur acquise par une rente une date donne, postrieure celle du dernier versement, est gale
la somme des valeurs acquises la mme date par chacun des termes constituant cette rente.
Pour calculer la valeur acquise par une rente temporaire immdiatement aprs le dernier terme, nous
utiliserons le schma suivant :
n-1
0
1
2
p
n
Vn
a
1
(1+I)
n-1
a
2
(1+I)
n-2
a
p
(1+I)
n-p
a
n-1
(1+I)
1
a
n
Valeurs des annuits actualises la date n
a
1
a
2
a
p
a
n-1
a
n
D La valeur actuelle dune rente temporaire
La valeur actuelle dune rente temporaire une date donne, antrieure la date o est effectu le pre-
mier versement, est gale la somme des valeurs actualises cette mme date de chacun des termes
constituant cette rente.
n
cette valeur acquise, nous
obtenons :
V
n
= a
1
(1 + i)
n-1
+ a
2
(1 + i)
n-2
+ ... + a
p
(1 + i)
n-p
+
... + a
n-1
(1 + i)
1
+ a
n
Soit :
n
n p
n p
p 1
V a (1 i)

=
= +
G
120
Nous pouvons, par exemple, calculer la valeur actuelle dune rente immdiate en utilisant le schma
suivant :

0
1
2
p
n
V0
Valeurs des annuits actualises la date 0
a
1
(1+I)
-1
a
2
(1+I)
-2
a
p
(1+I)
-p
a
n-1
(1+I)
-(n-1)
a
n
(1+I)
-n
a
1
a
2
a
p
a
n-1
a
n
n-1
noter V
n
= V
0
(1 + i)
n
.
2

Deux mthodes de recherche dun taux
A La mthode par interpolation linaire
Imaginons que nous ayons rsoudre lquation F(i) = 0 o F est une fonction monotone sur son
domaine dtude.
Nous allons essayer de trouver deux valeurs i
1
et i
2
, assez proches lune de lautre telles que le produit
F(i
1
) F(i
2
) soit ngatif cest--dire que F(i
1
) et F(i
2
) sont de signes contraires.
La valeur i solution de lquation F(i) = 0 situe sur lintervalle [i
1
; i
2
] est alors solution de lquation :
1 1
2 1 2 1
i i 0 F(i )
i i F(i ) F(i )

=

do

2 1
1 1
2 1
i i
i i F(i )
F(i ) F(i )
B La mthode de la tangente
Imaginons que nous ayons toujours rsoudre lquation F(i) = 0 o F est une fonction monotone sur
son domaine dtude et o F est en plus drivable.
Le raisonnement est bas sur le schma ci-aprs nous montre que lquation de la tangente la courbe
reprsentative de la fonction F au point dabscisse i
1
est donne par lquation : y - F(i
1
) = F(i
1
) (i - i
1
) et
que cette tangente coupe laxe des abscisses au point de coordonnes (i
2
; 0) tel que :
1 1 2 1
0 - F(i ) F (i ) (i - i ) =

do

1
2 1
1
F(i )
i i -
F (i )
=

0
cette valeur actuelle, nous
obtenons :
V
0
= a
1
(1 + i)
-1
+ a
2
(1 + i)
-2
+ ... + a
p
(1 + i)
-p
+ ... +
a
n-1
(1 + i)
-(n-1)
+ a
n
(1 + i)
-n
Soit :
n
p
0 p
p 1
V a (1 i)
=
= +
G
121
Nous construisons ainsi une suite rcurrente de termes i
n
tels que :
n
n 1 n
n
F(i )
i i ,
F (i )
+
=
suite qui converge rapidement vers la solution de lquation.

i
F(i)
0
i
1
i
2

i
3

i
F(i
1
)
F(i
2
)
Il va sans dire que nous utiliserons cette mthode quand nous utiliserons du matriel informatique.
noter La mthode calculatrice avec utilisation du menu Solveur existe galement. La
mthode tables numriques nest pas tudies ici : elle sapparente linterpolation linaire.
C Lapplication au cas de Monsieur Papy
Nous avons vu que les taux calculs dans lintroduction ne prenaient pas en compte le fait que les verse-
ments taient fractionns.
Nous pouvons, dans un souci de simplification, considrer que le crdit portant sur 15 210 est rem-
bours par le versement de trois annuits de 500 x 12 = 6 000 .
Le schma correspondant cette hypothse est alors le suivant :
0
X 6 000
1 2 3
6 000
6 000
6 000
Y
Z
+
+
=
15 210
G
122
Le montant du crdit reprsente donc la valeur actuelle dune suite de trois annuits gales 6 000 . En
dsignant par i le taux annuel de crdit, nous pouvons donc crire, en actualisant la date 0, que :
15 210 = 6 000 (1 + i)
-1
+ 6 000 (1 + i)
-2
+ 6 000 (1 + i)
-3
En remarquant que le second membre de cette quation est une suite de trois termes en progression
gomtrique de raison (1 + i) (quand on le lit de droite gauche), nous pouvons encore crire cette
quation sous la forme :
3 3
-3
(1 i) 1 1 (1 i)
15 210 6 000 (1 i) 6 000
(1 i) 1 i
+ +
= + =
+
Pour illustrer la mthode de la tangente vue ci avant, nous allons introduire la fonction F telle que :
3
1 (1 i)
F(i) 6 000 - 15 210
i
+
=
Nous pouvons alors remarquer que le taux de crdit est solution de lquation F(i) = 0.
Nous avons :
4 3
2
3i(1 i) 1 (1 i)
F (i) 6 000
i

+ + +
=
Nous pouvons galement comprendre que cette drive est ngative car si le taux augmente, pour les
mmes montants dannuits, le montant du crdit diminue (les intrts augmentent), la fonction F est
donc monotone dcroissante : la mthode de la tangente sapplique donc.
Nous partirons de i
1
= 10 % et nous construirons le tableau suivant pour trouver la suite rcurrente des
taux i
n
qui converge vers le taux cherch :
i
n
0,1 0,08900257 0,08917963 0,08917967
F(i
n
) - 288,888054 4,80688366 0,00128335 0,00000000
F(i
n
) - 26268,6975 - 27149,4564 - 27134,9614 - 27134,9575
Le taux de crdit slve alors, suivant cette procdure, 8,918 %.
Si nous prenons en compte le fait que les versements sont mensuels, nous devrions utiliser le taux men-
suel x et crire, en actualisant la date 0, que :
15 210 = 500 (1 + x)
-1
+ 500 (1 + x)
-2
+ ... + 500 (1 + x)
-35
+ 500 (1 + x)
-36
En remarquant que le second membre de cette quation est une suite de trois termes en progression
gomtrique de raison (1 + x) (quand on le lit de droite gauche), nous pouvons encore crire cette
quation sous la forme :
36 36
-36
(1 x) 1 1 (1 x)
15 210 500 (1 i) 500
(1 x) 1 x
+ +
= + =
+
G
123
Nous allons ici utiliser la fonction :
36
1 (1 x)
F(x) 500 - 15 210
x
+
=
et employer la mthode par interpolation linaire pour calculer x.
Nous avons : F(0,009) = 106,710189 et F(0,010) = - 156,247481
Do

= =

x 0, 009 0 106, 710189
x 0, 009405
0, 010 0, 009 156, 247481 106, 710189
Le taux mensuel de crdit est donc gal 0,9405 %.
Do le taux annuel de crdit de 11,29 % si nous prenons le taux annuel payable mensuellement soit
11,89 % si nous prenons un taux annuel payable une fois par an.
Nous voyons sur cet exemple que donner un taux de crdit ne veut rien dire si nous ne connaissons pas
quel taux est donn et que, ds fois, pour une dure de remboursement gale, il revient moins cher de
prendre un crdit 12 % plutt quun crdit 11,5 %.
Il faut galement savoir que charge (montant dun versement) et taux (cot) de crdit varient en sens
contraire.
3

Trois suites dannuits particulires
A Les suites dannuits constantes
Imaginons que pendant n annes, une personne place chaque premier juillet, une annuit de a euros au
taux annuel i.
Le schma financier est le suivant :
1 2 3 4 n n-1
a a a a a a
Vn
0
V0
En nous plaant la date n et en appliquant le principe la valeur acquise par des placements est gale
la somme des valeurs acquises par chacun des placements , nous arrivons :
Vn = a (1 + i)
n-1
+ a (1 + i)
n-2
+ a (1 + i)
n-3
+ a (1 + i)
n-4
+ ... + a (1 + i) + a
En lisant la somme ci-dessus de droite gauche, nous pouvons constater que nous calculons une
somme de termes en progression gomtrique de n termes dont le premier terme est gal a et la rai-
son gale (1 + i). Cette raison est diffrente de 1 car le taux dintrt est certainement non nul.
G
124
Do

n n
n
(1 i) - 1 (1 i) - 1
V a a
(1 i) - 1 i
+ +
= =
+
En utilisant le noter de 1 D et en dsignant par V
0
la valeur de la suite dannuits la date 0,
nous pouvons crire :
n n
n n
n 0 0 n
(1 i) - 1 1 (1 i)
V a V (1 i) V V (1 i)
i i
+ +
= = + = + =
B Les suites dannuits en progression gomtrique
Imaginons quune personne place un taux i annuel n annuits en progression gomtrique de raison
q. Nous dsignons par a le montant de premire annuit.
1 2 3 4 n n- 1
a aq
2
aq
V
0
V
0
aq
3
aq
n-2
aq
n-3
En nous plaant la date n et en appliquant le principe la valeur acquise par des placements est gale
la somme des valeurs acquises par chacun des placements (plus les intrts nous arrivons :
X = a (1 + i)
n-1
+ a q (1 + i)
n-2
+ a q
2
(1 + i)
n-3
+ ... + a q
n-2
(1 + i) + a q
n-1
En lisant la somme ci-dessus de droite gauche, nous pouvons constater que nous calculons une
somme de termes en progression gomtrique de n termes dont le premier est gal a q
n-1
et la raison
gale q
-1
(1 + i).
Deux cas sont distinguer : le cas o la raison est non-nulle (q 1 + i) et le cas o la raison est nulle
(q = 1 + i)
Si q 1 + i

n
-1
n n
n-1
n
-1
q (1 i) - 1
(1 i) - q
V a q a
(1 i) - q
q (1 i) - 1

+
+

= =
+
+
Si q = 1 + i, nous remarquons que tous les termes de la suite gomtriques (donc des valeurs actuali-
ses la date n des annuits) sont gaux entre eux.
La valeur acquise V
n
est donc egale n fois le premier terme : V
n
= n a q
n - 1
Pour trouver la valeur actualise de la suite dannuits la date 0, il suffit dappliquer le noter de
1
D.
G
125
C Les suites dannuits en progression arithmtique
Imaginons quune personne emprunte un capital V
0
un taux i annuel, capital remboursable par le
versement de n annuits en progression arithmtique de raison R. Nous dsignons par a le montant de
la premire annuit.
1 2 3 4
a a a a a a
V0
0
+ + + + +
Vn
3R 2R R
(n 2)R (n 1)R
n-1
En nous plaant la date n et en appliquant le principe le capital emprunt est gal la somme des
valeurs actualises des remboursements, nous arrivons :
V
0
(1 + i)
n
= [a] (1 + i)
n-1
+ [a + R] (1 + i)
n-2
+ [a + 2R] (1 + i)
n-3
+ [a + 3R] (1 + i)
n-4
+ ...+
[a + (n 2)R] (1 + i) + [a + (n 1)R]
Cette somme peut tre dcompose de la manire suivante :
V
0
(1 + i)
n
= a (1 + i)
n-1
+ a (1 + i)
n-2
+ a (1 + i)
n-3
+ a (1 + i)
n-4
+ ... + a (1 + i) + a +
R x [(1 + i)
n-2
+ 2(1 + i)
n-3
+ 3(1 + i)
n-4
+ ... + (n 2)(1 + i) + (n 1)]
Nous pouvons donc crire que : V
0
(1 + i)
n
= S + T x R
S = a (1 + i)
n-1
+ a (1 + i)
n-2
+ a (1 + i)
n-3
+ a (1 + i)
n-4
+ ... + a (1 + i) + a
En lisant la somme S ci-dessus de droite gauche, nous pouvons constater que nous calculons une
somme de termes en progression gomtrique de n termes dont le premier terme est gal a et la rai-
son gale (1 + i). Cette raison est diffrente de 1 car le taux dintrt est certainement non nul.
Do
n n
(1 i) - 1 (1 i) - 1
S a a
(1 i) - 1 i
+ +
= =
+
T = (1 + i)
n-2
+ 2(1 + i)
n-3
+ 3(1 + i)
n-4
+ ... + (n 2)(1 + i) + (n 1).
Do T (1 + i) = (1 + i)
n-1
+ 2(1 + i)
n-2
+ 3(1 + i)
n-3
+ ... + (n 2)(1 + i)
2
+ (n 1)(1 + i)
Par difference entre ces deux dernires lignes, nous arrivons :
iT = (1 + i)
n-2
+ (1 + i)
n-3
+ (1 + i)
n-4
+ ... + (1 + i) + 1 - n
En remarquant que cette somme, en excluant le dernier terme, est une somme de termes en progres-
sion gomtrique de premier terme 1, de raison (1 + i) et de n termes (nous lisons de droite gauche).
G
126
Do

n n n
2
(1 i) - 1 (1 i) - 1 (1 i) - 1 n
iT 1 - n 1 - n T -
(1 i) - 1 i i
i
+ + +
= = =
+
Nous arrivons ainsi :
n n
n
0
2
(1 i) - 1 (1 i) - 1 n
V (1 i) S R T a R -
i i
i

+ +
+ = + = +

Soit encore :
n n
n
0
2
(1 i) - 1 (1 i) - 1 nR
V (1 i) a R -
i i
i
+ +
+ = + =
n
(1 i) - 1 R nR
a -
i i i
+
+

Do :

-n
-n
0
1 - (1 i) R nR
V a - (1 i)
i i i
+
= + +

Cette dernire expression peut encore se modifier :
-n
-n
0
1 - (1 i) R nR
V a - (1 i)
i i i
+
= + + =

-n
-n
1 - (1 i) R nR nR nR
a - (1 i) -
i i i i i
+
+ + +

Do :

-n
0
1 - (1 i) R nR
V a nR -
i i i
+
= + +

G
127
4

Le rsum
Les annuits
La valeur acquise par une suite dannuits immdiatement aprs le versement de la dernire
est gale :
n
n p
n p
p 1
V a (1 i)

=
= +
La valeur actualise dune suite dannuits une priode avant le versement de la premire
est gale :
n
p
0 p
p 1
V a (1 i)
=
= +
Si les annuits sont constantes et gales a, nous avons :

n
n
(1 i) 1
V a
i
+
=
n
0
1 (1 i)
V a
i
+
=
Si les annuits sont en progression arithmtique de premire annuit a et de raison R, nous avons :
n
0
1 (1 i) R nR
V a nR -
i i i
+
= + +

Si les annuits sont en progression gomtique de premire annuit a et de raison q, nous avons :
-1 n - 1
n
- si q (1 i) 1 q 1 i alors V n a (1 i) + = = + = +
( )
n
-1 n - 1
n
1
q(1 i) 1 1
- si q (1 i) 1 q 1 i alors V a (1 i)
q(1 i) 1
+
+ + = +
+
1

Les gnralits
A La dfinition
Dans le chapitre prcdent, nous avons vu que la thorie des annuits servait calculer le montant des
versements quil fallait effectuer pour rembourser un emprunt.
Nous allons maintenant tudier comment fractionner chaque annuit en amortissement (rembour-
sement du capital emprunt) et intrts. Ce fractionnement nous permettra de connatre ltat de la
dette aprs chaque versement dannuit.
Lemprunt indivis est celui qui ne comporte quun seul prteur : banquier, tablissement financier,...
En gnral ce type demprunt porte sur un capital relativement faible.
B Les principes
Lemprunt indivis entraine, pour lemprunteur le service, au profit du prteur, dannuits divises en
deux composantes :
- lintrt toujours calcul sur le capital restant d ;
- le remboursement dune partie de la dette : lamortissement.
Chaque annuit remboursant un emprunt scrit donc sous la forme a
n
= m
n
+ i R
n-1
o a
n
reprsente
la n
ime
annuit verse, m
n
lamortissement contenu dans cette annuit, R
n-1
le reste d avant paie-
ment de cette annuit (donc aprs paiement de la prcdente) et i le taux dintrt de lemprunt.
Nous pouvons remarquer quaucune annuit remboursant un emprunt ne peut tre nulle car il faut
rgler au moins les intrts. Diffrer, ou anticiper, un emprunt revient donc augmenter, ou diminuer, le
montant effectif du capital emprunt.
Remarquons galement que la somme des amortissements doit tre gale au capital emprunt do :
n
p
p 1
m K
=
=
(K est le capital emprunt).

Les emprunts indivis
Chapitre
11
G
130
Bien entendu, si lemprunt est rembours par des annuits immdiates, son montant est gal la valeur
actualise par chacune des annuits une priode avant le versement de la premire do :
n
p
p
p 1
a (1 i) K
=
+ =
C Le tableau damortissement
Cest un tableau donnant la dcomposition de chaque annuit en intrts et amortissements, ainsi que
le capital restant d aprs le versement de chaque annuit.
Le tableau damortissement peut donc se prsenter sous la forme ci-dessous :
n Annuits Amortissements Intrts Restes ds
Pour nous, les restes ds seront les restes ds aprs paiement de lannuit correspondante.
D Un exemple quelconque
Considrons un emprunt portant sur un capital de 100 000 remboursable par le paiement de 5 annui-
ts calcules 12 %.
Imaginons que nous pouvons choisir le montant de nos versements.
Par exemple : les 3 premiers amortissements sont gaux 15 000 et la 4
e
annuit gale 39 600 .
Pour construire le tableau damortissement, il faut procder ligne par ligne et appliquer les principes ci-
dessus :
Lintrt contenu dans la 1
re
annuit est calcul sur le capital total emprunt : 100 000 x 12 % soit
12 000 .
La premire annuit est donc gale 15 000 (1
er
amortissement) + 12 000 (1
er
intrt) soit 27 000 .
Le reste d aprs paiement de la 1
re
annuit est gal 100 000 (capital emprunt) diminu de 15 000
(1
er
amortissement) soit 85 000 .
e
annuit est calcul sur le reste d aprs paiement de la 1
re
annuit :
85 000 x 12 % soit 10 200 .
La deuxime annuit est donc gale 15 000 (2
e
e
intrt) = 25 200 .
e
annuit est gal 85 000 (reste d aprs paiement de la 1
re
an-
nuit) diminu de 15 000 (2
e
e
e
annuit :
70 000 x 12 % soit 8 400 .
La troisime annuit est donc gale 15 000 (3
e
e
intrt) = 23 400 .
e
e
annuit)
diminu de 15 000 (3
e
e
e
annuit :
55 000 x 12 % soit 6 600 .
G
Chapitre 11 Les emprunts indivis
131
La quatrime annuit tant gale 39 600 et le 4
e
intrt gal 6 600 , le 4
e
amortissement est
gal 33 000 .
e
e
annuit)
diminu de 33 000 (4
e
e
e
annuit :
22 000 x 12 % soit 2 640 .
Le dernier reste d doit tre gal 0. Cela signifie que le dernier amortissement doit tre gal lavant
dernier reste. Le 5
e
amortissement est donc gal 22 000 .
La 5
e
et dernire annuit remboursant cet emprunt sera donc gale 22 000 (dernier amortisse-
ment) + 2640 (dernier intrt) soit 24 640 .
Do le tableau damortissement :
Annuits Amortissements Intrts Restes ds
1 27 000,00 15 000,00 12 000,00 85 000,00
2 25 200,00 15 000,00 10 200,00 70 000,00
3 23 400,00 15 000,00 8 400,00 55 000,00
4 39 600,00 33 000,00 6 600,00 22 000,00
5 24 640,00 22 000,00 2 640,00 0,00
100 000,00
noter Le dernier reste doit toujours tre gal 0. Le dernier amortissement est donc toujours gal
lavant dernier reste. Or cet avant dernier reste sert calculer le dernier intrt vers, qui est donc
gal au dernier amortissement multipli par le taux dintrt. La dernire annuit remboursant un
emprunt est donc gale au dernier amortissement multipli par (1 + i).
Nous pouvons vrifier que la valeur actualise par la suite dannuits remboursant cet emprunt une
priode avant le versement de la premire annuit est gale au capital emprunt :
En effet :
27 000 x 1,12
-1
+ 25 200 x 1,12
-2
+ 23 400 x 1,12
-3
+ 39 600 x 1,12
-4
+ 24 640 x 1,12
-5
= 100 000
2

Trois types demprunts indivis
A Les amortissements sont constants
Considrons le mme emprunt que ci-dessus, soit un emprunt portant sur un capital de 100 000
remboursable par le paiement de 5 annuits calcules 12 %.
Considrons que la procdure utilise est celle des amortissements constants.
G
132
Les amortissements tant constants, chacun dentre eux vaut 20 000, soit le capital total emprunt
divis par le nombre dannuits.
En appliquant les principes des emprunts indivis, nous arrivons au tableau damortissement ci-dessous :
1 32 000,00 20 000,00 12 000,00 80 000,00
2 29 600,00 20 000,00 9 600,00 60 000,00
3 27 200,00 20 000,00 7 200,00 40 000,00
4 24 800,00 20 000,00 4 800,00 20 000,00
5 22 400,00 20 000,00 2 400,00 0,00
100 000,00
Nous remarquons que le capital restant d diminue de 20 000 chaque fois, les intrts diminuent
donc de 0,12 x 20 000 = 2 400
Les annuits suivent donc une progression arithmtique de raison gale moins lintrts calcul sur un
amortissement.
Nous pouvons encore vrifier que la valeur actualise par la suite dannuits remboursant cet emprunt
une priode avant le versement de la premire annuit est gale au capital emprunt :
En effet : 32 000 1,12
-1
+ 29 600 1,12
-2
+ 27 200 1,12
-3
+ 24 800 1,12
-4
+ 22 400 1,12
-5
= 100 000
B Les annuits sont constantes
Considrons toujours le mme emprunt que ci-dessus, soit un emprunt portant sur un capital de
100 000 remboursable par le paiement de 5 annuits calcules 12 %.
Considrons que la procdure utilise est celle des annuits constantes.
La valeur actualise par la suite dannuits remboursant cet emprunt une priode avant le versement de
la premire annuit est gale au capital emprunt :
Lannuit constante a est donc solution de lquation :
a 1,12
-1
+ a 1,12
-2
+ a 1,12
-3
+ a 1,12
-4
+ a 1,12
-5
= 100 000
Le premier membre de cette equation est une somme de termes en progression gomtrique de raison
1,12 et de premier terme a 1,12
-5
(nous lisons de droite gauche).
Do
5
5
1,12 1
a 1,12 100 000
1,12 1
Soit

-5
1 - 1,12
100 000 a a 27 740,97
0,12
= =
G
133
1 27 740,97 15 740,97 12 000,00 84 259,03
2 27 740,97 17 629,89 10 111,08 66 629,14
3 27 740,97 19 745,48 7 995,50 46 883,66
4 27 740,97 22 114,93 5 626,04 24 768,73
5 27 740,97 24 768,73 2 972,25 0,00
100 000,00
Si nous dsignons par a
p
la p
ime
annuit, par m
p
le p
ime
amortissement, par R
p
le p
ime
reste d et par
I
p
le p
ime
intrt.
Nous avons : a
p
= m
p
+ I
p
= m
p
+ R
p-1
x i (i reprsente le taux dintrt)
a
p + 1
= m
p + 1
+ I
p + 1
= m
p + 1
+ R
p
x i
Or R
p
= R
p-1
- m
p
par consquent a
p + 1
= m
p + 1
+ (R
p-1
- m
p
) x i
Les annuits tant constantes, nous avons a
p + 1
= a
p
do m
p + 1
+ (R
p-1
- m
p
) x i = m
p
+ R
p-1
x i
Nous obtenons ainsi m
p + 1
= m
p
(1 + i)
noter Si les annuits sont constantes, les amortissements sont en progression gomtrique de
raison (1 + i).
C Le remboursement in fine Le fonds damortissement
Considrons toujours le mme emprunt que ci-dessus, soit un emprunt portant sur un capital de
100 000 remboursable par le paiement de 5 annuits calcules 12 %.
Considrons que cet emprunt est rembours in fine.
1 12 000,00 0,00 12 000,00 100 000,00
2 12 000,00 0,00 12 000,00 100 000,00
3 12 000,00 0,00 12 000,00 100 000,00
4 12 000,00 0,00 12 000,00 100 000,00
5 112 000,00 100 000,00 12 000,00 0,00
100 000,00
G
134
Nous pouvons toujours vrifier que la valeur actualise par la suite dannuits remboursant cet emprunt
une priode avant le versement de la premire annuit est gale au capital emprunt :
En effet :
12 000 x 1,12
-1
+ 12 000 x 1,12
-2
+ 12 000 x 1,12
-3
+ 12 000 x 1,12
-4
+ 112 000 x 1,12
-5
= 100 000
Nous remarquons que les 4 premires annuits sont nettement plus faibles que la dernire. Aussi est-il
peut-tre utile de penser au paiement de la dernire annuit.
Cette dernire annuit se dcompose en un intrt (12 000 ) et un amortissement (100 000 ) gal
au capital emprunt.
Le fonds damortissement sert payer le dernier amortissement. Se constituer un fonds damortisse-
ment revient donc verser, dans notre cas, 5 annuits (nous les considrons constantes et gales a)
de placement, ces 5 annuits devant avoir une valeur acquise de 100 000 lors du paiement de la
dernire.
Nous devons donc avoir :
4 3 2
100 000 a 1,09 a 1,09 a 1,09 a 1,09 a = + + + +
Soit

5
1,09 - 1
100 000 a a 16 709,25
0,09
= =
Il faut donc verser 5 annuits de 16 709,25 9 % pour se constituer un fonds damortissement de
100 000 .
Nous obtenons alors le schma financier suivant :
a a a a a
0 1 2 3 4 5
100 000
12 000 12 000 12 000
0 1 2 3 4 5
100 000
12 000 12 000 12 000 12 000
0 1 2 3 4 5
100 000
Emprunt
(dpart)
Fonds
d'amortissement
Emprunt
(au final)
12 000
12 000
+ a
+ a + a + a + a
12 000 +
Pour se constituer son fonds damortissement et rembourser son emprunt, cette personne doit donc
verser annuellement un montant X gal 12 000 + 16 709,25, soit 28 709,25 .
Le taux effectif de placement i est donc solution de lquation :
X (1 + i)
-1
+ x (1 + i)
-2
+ x (1 + i)
-3
+ x (1 + i)
-4
+ x (1 + i)
-5
= 100 000
G
135
Par interpolation linaire, nous trouvons i = 0,13399. Le taux effectif de cet emprunt est donc gal
13,40 % (donc suprieur aux 12 % initiaux). Ce taux effectif aurait t infrieur au taux nominal si le
taux de placement du fonds damortissement avait t suprieur 12 %.
noter Le fonds damortissement na, a priori, aucun rapport avec lemprunt.
3

Le rsum
Les emprunts indivis
a
n
= m
n
+ i R
n-1
o - a
n
reprsente la n
ime
annuit verse
- m
n
lamortissement contenu dans cette annuit
- R
n-1
le reste d avant paiement de cette annuit
(donc aprs paiement de la prcdente)
- i le taux dintrt de lemprunt.
n
p
p 1
m K (K est le capital emprunt)
=
=
n
p
p
p 1
a (1 i) K (K est le capital emprunt)
=
+ =
1

Les gnralits
A - La dfinition
Dans le chapitre prcdent, nous avons vu quun emprunt indivis est une relation entre un emprunteur
et un seul prteur, le montant des sommes empruntes (et donc prtes) sont donc naturellement assez
faibles.
Si la somme emprunte est importante, il est rare quun seul prteur puisse apporter le montant
demand, ce montant demand est apport par plusieurs prteurs ; lemprunt prend alors le nom dem-
prunt obligataire.
Chaque prteur apporte une part du capital emprunt, cette part sappelle une obligation.
A priori, les obligations peuvent tre de montants diffrents mais, pour des raisons de commodits,
lemprunt est divis en obligations de mme valeur, chaque prteur pouvant apporter (acheter) une ou
plusieurs obligations.
La thorie des emprunts indivis sappliquent donc en thorie mais il est convenu quune obligation est
rembourse ou ne lest pas : lamortissement contenu dans une annuit est donc obligatoirement un
multiple du montant de lobligation.
B - La terminologie
Le montant thorique dune obligation est sa valeur nominale ou pair.
Pour attirer les ventuels acheteurs dobligations (porteurs), il nest pas rare que la valeur dmis-
sion dune obligation soit infrieure au pair : les obligations sont alors dites mises en dessous du pair.
Il nest pas rare non plus que les obligations soient rembourses au dessus du pair, cest--dire que la
valeur de remboursement soit suprieure au pair.
Dans tous les cas, les intrts sont calculs sur le pair, lintrt annuel rapport par une obligation prend
alors le nom de coupon.
Quelques notions sur
les emprunts obligataires
Chapitre
12
G
138
C - Le taux effectif de placement pour un prteur
Chaque prteur, ou obligataire, peut donc acheter E une obligation de nominal gal P . Cette
obligation peut lui tre rembourse R n annes plus tard.
Si le taux dintrt nominal est gal i, le coupon est gal c = iP.
Le taux effectif dintrt sera celui effectivement peru par le prteur.
Le schma correspondant ce prteur est donc le suivant :
0 1 2 3 n-1 n
E c c c c c
+
R
Pour ce prteur, le taux effectif de placement x est donc solution de lquation (en nous plaant la
date 0) :
E = c

n
1 (1 x)
x
+
+ R (1 + x)
-n
Or, si nous prenons un exemple chiffr, si nous considrons que les obligations de 1 000 sont mises
980 et rembourses 1 050 , nous constatons que, si le taux dintrt nominal est gal 10 %,
le taux effectif pour un obligataire rembours :
- la date 1 est solution de lquation : 980 = (1 050 + 100) (1 + x)
-1
x = 17,347 %
- la date 2 est solution de lquation :
980 = 100 x (1 + x)
-1
+ (1 050 + 100) x (1 + x)
-2
x = 13,549 %
Les taux effectifs de placement sont donc dautant plus faibles que la date de remboursement est loi-
gne.
Les obligataires ont donc intrt tre rembourss le plus tt possible. Cest en partie pour cela que,
une anne donne, les obligations rembourses sont dsignes par tirage au sort.
D - Le principe de la gestion SICoVaM
En gnral, les obligataires confient la gestion de leurs titres une banque. Il se pourrait donc que tou-
tes les obligations mises par une banque soient rembourses la premire anne : les clients de cette
banque sont donc avantags par rapport aux clients dautres banque qui auraient achet des obliga-
tions concernant le mme emprunt.
Pour que toutes les banques mettrices dobligations concernant le mme emprunt obligataire soit sur
un pied dgalit, celles-ci se font aider dans leur tache par un tablissement spcialis : la Socit
Interprofessionnelle pour la Compensation des Valeurs Mobilires , sauf, peut-tre pour ce qui con-
cerne des emprunt lots.
chaque chance dintrts et de remboursement, la SICoVaM remet chaque banque un certificat
de coupons ou de titres qui leur permet dencaisser chez lemetteur de lemprunt les intrts et les rem-
boursements, charge pour elle de rpartir ces montants entre ses clients.
G
Chapitre 12 Quelques notions sur les emprunts obligataires
139
Les obligations amorties une anne donne ne sont pas tires au sort directement chez lemetteur, mais
leur nombre est rparti entre les banques dpositaires proportionnellement au nombre de titres ven-
dus par chacune delles, ces banques tant charges de rpartir ces titres par tirage au sort entre leurs
clients respectifs : cest un tirage au sort au second degr.
Le schma correspondant ce principe de gestion est le suivant (imaginons que 50 000 obligations
dun emprunt portant sur les 500 000 obligations mises soient amorties une anne donne) :
500 000 obligations mises 50 000 obligations rembourses
- 30 % par la banque A - 30 % par la banque A
- 50 % par la banque B - 50 % par la banque A
- 20 % par la banque C - 20 % par la banque A
A
150 000
B
250 000
C
100 000
A
15 000
B
25 000
C
10 000
E - Le tableau damortissement dun emprunt obligataire
Le tableau damortissement dun emprunt obligataire ressemble fort celui dun emprunt indivis part
quil fait apparaitre, les amortissements devant tre multiples des valeurs de remboursement, les nom-
bres dobligations amorties (rembourses) et vivantes (non encore rembourses). Le tableau damortis-
sement dun emprunt obligataire peut donc se prsenter sous la forme :
n Annuits Amortissements Intrts
Nombres dobligations
amorties vivantes
Dans la colonne Nombres dobligations vivantes , nous indiquerons les nombres dobligations non-
rembourses aprs paiement de lannuit correspondante.
Si nous dsignons par n
p
, le nombre dobligations amorties lanne p, lamortissement contenu dans
la p
ime
annuit est gal n
p
R et si nous dsignons par N
p-1
le nombre dobligations non encore rem-
bourses avant le paiement de la p
ime
annuit, lintrt contenu dans la p
ime
annuit est gal N
p-1
c
(rappelons que R est la valeur de remboursement dune obligation et c la valeur du coupon).
G
140
La p
ime
annuit a
p
est donc gale n
p
R + N
p-1
c.
noter Les calculs donnent, ds fois (et mme souvent), des valeurs non entires pour n
p
, ces
valeurs appeles nombres thoriques dobligations amorties (rembourses)n lanne p ne
donnent pas les vraies annuits mais leurs valeurs, comme leur nom lindique, thoriques. Ces valeurs
thoriques ne doivent pas figurer dans un tableau damortissement.
2

Deux exemples dutilisation
A Lexemple 1 : Construction dun tableau damortissement
Un emprunt obligataire est compos de 250 000 obligations de 2 400 rembourses au pair.
Le taux nominal de cet emprunt est gal 12 %. Cet emprunt est amorti par le paiement de
huit annuits sensiblement constantes et les nombres dobligations rembourses sont arrondis
la dizaine prs. Dresser le tableau damortissement de cet emprunt.
Les nombres dobligations amorties chaque anne doivent tre entiers (ou arrondis). Il nous faut donc
distinguer le nombre rel dobligations amorties (annuits sensiblement constantes) du nombre thori-
que dobligations amorties (annuits constantes).
Nous dsignons par n
p
le nombre dobligations thoriquement amorties lors du paiement de p
ime

annuit a
p
, par N
p
le nombre dobligations thoriquement vivantes aprs le paiement de cette annuit
(N est le nombre dobligations mises).
Le taux dintrt de cet emprunt sera dsign par i, le pair par P, la valeur de remboursement par R et
par c le coupon.
Nous avons c = i x P
a
p + 1
= n
p + 1
x R + N
p
x c a
p
= n
p
x R + N
p-1
x c N
p
= N
p-1
- n
p
Comme a
p + 1
= a
p
, nous avons n
p + 1
x R + (N
p-1
- n
p
) x c = n
p
x R + N
p
x c
Do n
p + 1
= n
p
x (1 + c/R)
Donc : si les annuits sont constantes, les nombres dobligations thoriquement amorties forment une
suite gomtrique de raison (1 + c/R).
Suivant la relation ci-dessus, le nombre n
1
dobligations amorties thoriquement la premire anne est
solution de lquation (dans notre cas le coupon est gal 288 ) :
8
1 1
288
1 - 1
2 400
250 000 n n 20 325,71034
288
2 400

+

= =
G
141
Nous avons ainsi, en arrondissant la dizaine prs :
Nb dobligations amorties
thoriques rels
1 20 325,71034 20 330
2 22 764,79559 22 760
3 25 496,57106 25 500
4 28 556,15958 28 560
5 31 982,89873 31 980
6 35 820,84658 35 820
7 40 119,34817 40 120
8 44 933,66995 44 930
250 000
Do le tableau damortissement (rel) de cet emprunt :
Annuits Amortissements Coupons
Nb dobligations
amorties vivantes
1 120 792 000,00 48 792 000,00 72 000 000,00 20 330 229 670
2 120 768 960,00 54 624 000,00 66 144 960,00 22 760 206 910
3 120 790 080,00 61 200 000,00 59 590 080,00 25 500 181 410
4 120 790 080,00 68 544 000,00 52 246 080,00 28 560 152 850
5 120 772 800,00 76 752 000,00 44 020 800,00 31 980 120 870
6 120 778 560,00 85 968 000,00 34 810 560,00 35 820 85 050
7 120 782 400,00 96 288 000,00 24 494 400,00 40 120 44 930
8 120 771 840,00 107 832 000,00 12 939 840,00 44 930 0
250 000
B Lexemple 2 : Calcul de taux effectifs
Un emprunt obligataire est compos de 750 000 obligations de 4 000 mises 3 960 et
rembourses 4 320 par 9 annuits constantes calcules 10 % et o les nombres dobli-
gations amorties chaque anne sont arrondis la dizaine la plus proche. Les frais dmission
slvent 100 par obligation mise.
G
142
1) Calculer le taux effectif de placement pour un obligataire rembours :
a) Au premier tirage
Le coupon est gal 10 % de 4 000 soit 400 .
Le schma financier correspondant est :
0 1
3 960
4 320
400
4 720
Le taux effectif de placement i pour un obligataire rembours au premier tirage est solution de lqua-
tion :
3 960 (1 + i) = 4 720 i = 0,1919
Ce taux effectif de placement est donc gal 19,19 %
b) Au second tirage
Le schma financier correspondant est :
4 320
0 1
3 960
400
4 720
2
400
Le taux effectif de placement i pour un obligataire rembours au second tirage est solution de lqua-
tion (nous actualisons la date 2) :
3 960 (1 + i)
2
= 400 (1 + i) + 4 720
Ce taux effectif de placement est donc gal 14,34 %
2) Calculer le taux actuariel brut au rglement
En utilisant la mme mthode que dans lexemple 1, savoir que, si les annuits sont constantes,
les nombres dobligation thoriquement amorties forment une suite gomtrique de raison (1 + c/R),
G
143
nous pouvons dterminer le nombre dobligation thoriquement amorties en rsolvant lquation ci-
dessous :
9
1 1
400
1 - 1
4320
750 000 n n 56 976,260349
400
4320

+

= =
Lannuit thorique constante remboursant cet emprunt est donc gale n
1
x 4 320 + 750 000 x 400.
Son montant est donc de 546 137 444,71 .
Le capital effectivement prt par lensemble des obligataires est gal :
750 000 x 3 960 = 2 970 000 000.
Nous pouvons considrer cet emprunt obligataire comme un emprunt indivis de 2 970 000 000 rem-
bours par le versement de 9 annuits immdiates constantes et gales 546 137 444,71 .
Le taux actuariel brut au rglement i (TAB) est le taux de cet empruntindivis, il est donc solution de
lquation :
-9
1 - (1 i)
2 970 000 000 546 137 444,71 i 0,11466
i
+
= =
Le TAB est donc gal 11,47 %.
3) Calculer le taux de revient de cet emprunt pour la socit mettrice
Lannuit thorique constante est toujours la mme mais si le capital prt par lensemble des obligatai-
res nest pas gal au capital disponible pour la socit mettrice : il faut compter les frais qui slvent
100 par obligation mise.
Le capital disponible est donc gal 750 000 x (3 960 - 100) = 2 895 000 000
En suivant un raisonnement analogue au 2) de cet exemple, nous pouvons considrer cet emprunt
obligataire comme un emprunt indivis de 2 895 000 000 rembours par le versement de 9 annuits
immdiates constantes et gales 546 137 444,71 .
Le taux de revient i est donc solution de lquation :
-9
1 - (1 i)
2 895 000 000 546 137 444,71 i 0,12136
i
+
= =
Le taux de revient de cet emprunt pour la socit mettrice est donc gal 12,14 %.
G
144
3

Le rsum
Les emprunts obligataires
a
p
= n
p
R + N
p-1
c o - a
p
reprsente la p
ime
annuit verse
- n
p
le nombre dobligations amorties dans cette annuit
- N
p-1
le nombre dobligations vivantes avant paiement de cette annuit
(donc aprs paiement de la prcdente)
- c le coupon (le coupon est lintrt rapport par une obligation en un an)
- si i est le taux dintrt de cet emprunt et si P est le pair (nominal) dune
obligation, c = i P
n
p
p 1
n N (N est le nombre d'obligations mises)
=
=
= N
PARTIE 3
La statistique
descriptive
1

Les gnralits
A La dfinition
La statistique descriptive est ltude de rsultats observs (statistiques) sur des ensembles comportant
un grand nombre dobservations dans le but de les condenser pour en avoir une vue synthtique.
Ce condens se fera en perdant un certain nombre dobservations mais en gardant lallure gnrale
du phnomne tudi. Certain diront que la statistique descriptive est comme la minijupe : elle laisse
entrevoir des choses tout en cachant lessentiel.
B La terminologie
La premire prcaution prendre avant de faire une tude statistique est de bien prciser lensemble
qui va tre tudi. Cet ensemble portera le nom de population, de population-mre ou densemble
de rfrence. Les lments de cette population seront appels individus ou units statistiques.
Cette population tant dfinie, il faudra prciser sur quoi portera ltude, cest--dire quil faudra prci-
ser le caractre tudi.
Pour pouvoir effectuer ltude suivant le caractre donn, il va falloir prciser quelle dcomposition du
caractre doit tre prise, cest--dire quil va falloir dfinir les modalits de ce caractre.
Par exemple, il ne sera pas possible de faire une statistique sur lensemble des franais suivant leurs
tailles en cm ou suivant leurs appartenances ethniques car lensemble des franais nest pas dfini :
quest-ce quun franais ? Est-ce une personne de nationalit franaise et habitant en France ? Est-ce
une personne de nationalit franaise et habitant nimporte o dans le monde ? Est-ce une personne
vivante au 01/01/1992 ou au 01/01/1900 ? Ce nest quaprs avoir prcis exactement la population
tudie que ltude statistique pourra commencer.
C Les diffrents types de caractres
Imaginons que la population dont il est question ci-dessus soit parfaitement dfinie (ensemble de per-
sonnes de nationalit franaises et vivantes en France mtropolitaine au 01/01/1992). Nous pourrions
tudier les personnes de cette population suivant :
leurs appartenances ethniques : nous pourrions entreprendre ltude suivant les modalits nordis-
tes ; bretons ; auvergnats et autres ethnies . Nous constatons que ces modalits ne sont
Lintroduction
la statistique descriptive
Chapitre
13
G
148
pas mesurables et ne peuvent pas faire lobjet dun ordre reconnu par tous. Ce type de caractre sera
appel caractre qualitatif ;
leurs pointures de chaussures : nous pourrions prendre comme modalits les diffrentes pointures trou-
ves dans le commerce : ... ; 39 ; 39 1/3 ; 39 1/2 ; 39 2/3 ; 40 ; ... etc. Nous constatons que ces modali-
ts sont mesurables et peuvent tre ordonnes de la plus petite la plus grande. Cependant il nexiste,
dans le commerce, aucune pointure entre 39 et 39 1/3. Ces modalits ne prennent donc que des valeurs
isoles. Ce caractre sera appel caractre quantitatif discret ou variable statistique discrte.
leurs tailles en cm : les diffrentes modalits sont les tailles effectivement mesures mais, contraire-
ment aux pointures de chaussures, il est thoriquement possible de trouver une taille moyenne entre
deux tailles donnes quelconques (il suffit damliorer la prcision de la mesure). Ces diffrentes tailles
peuvent tre galement ordonnes dans un ordre croissant ou dcroissant. Ce type de caractre sera
appel caractre quantitatif continu ou variable statistique continue. Dans ce cas les modalits
sont souvent regroupes en classes.
Nous constatons que pour les variables statistiques les modalits sont des nombres mesurables alors que,
pour les caractres qualitatifs, les modalits ne sont pas mesurables. Si nous voulons que les modalits
dun caractre qualitatif soient reprsentes par des nombres, il faudra faire appel une nomenclature :
Bretons
1
Nordistes
2
Auvergnats
3
Autres ethnies
4
D La forme gnrale dun tableau statistique
Tous les tableaux statistiques se prsentent de la mme manire :
Population et caractre tudi
Modalits Effectifs Frquences
x
i
n
i
f
i
x
1
n
1
f
1
x
i
n
i
f
i
x
m
n
m
f
m
Total N 1,00
La frquence dune modalit (ou associe une modalit) est gale leffectif de cette modalit divis
par leffectif total :
i
i
n
f
N
G
Chapitre 13 Lintroduction la statistique descriptive
149
Bien videmment,

m
i
i 1
f 1.

En effet :
m
i
m m
i 1
i i
i 1 i 1
n
N
n N f 1
N N

2

Les reprsentations dune srie statistique
A Le cas des sries caractre qualitatif
Toute srie statistique peut tre reprsent par un tableau mais celui-ci, sil a le mrite de donner beau-
coup dinformations, nest pas trs parlant lesprit qui cherche se forger une ide assez fidle du
phnomne observ mais dune manire trs rapide, do ce qui suit.
Prenons la srie caractre qualitatif ci-aprs (srie 1) :
Distribution de 1 000 personnes habitant en France mtropolitaine
le 01/01/1992 et de nationalit franaise
suivant leurs origines ethniques
Ethnies
Effectifs Frquences
n
i
f
i
Bretons 180 0,18
Nordistes 400 0,40
Auvergnats 320 0,32
Autre ethnies 100 0,10
Total 1 000 1,00
1) Les diagrammes en tuyaux dorgue
En statistique, une reprsentation graphique prend souvent le nom de diagramme.
La population est reprsente par un rectangle divis proportionnellement aux effectifs, donc aux fr-
quences.
Ce rectangle est souvent prsent sous une forme clate qui la forme dun ensemble de tuyaux dor-
gue poss sur une ligne de terre.
En ordonne, nous avons choisi de placer les effectifs observs. Nous aurions obtenu le mme graphi-
que si nous avions placer les frquences en ordonnes, il nous suffit dans ce cas de changer dunit sur
laxe des ordonnes.
G
150
La srie statistique ci-dessus pourrait alors tre reprsente comme ci-dessous.
0
100
200
300
400
Bretons Nordistes Auvergnats Autres
ethnies
2) Les diagrammes circulaires
Plutt que de choisir un rectangle pour reprsenter la population-mre, nous pourrions la reprsenter
par un disque qui sera partag en secteurs dont les aires seront proportionnelles aux effectifs, donc aux
frquences.
Nous arriverions ainsi au diagramme ci-dessous :
Bretons
Nordistes
Auvergnats
Autres ethnies
Pour avoir une autre vision, nous pourrions faire clater les secteurs et arriver au diagramme ci-aprs :
Bretons
Nordistes
Auvergnats
Autres ethnies
Nous pourrions bien videmment choisir de reprsenter la population-mre par un demi disque pour
arriver un graphique semi-circulaire.
G
151
3) Les diagrammes figuratifs
Chaque modalit est reprsente par un schma dont laire est proportionnelle son effectif.
Bretons Nordistes Auvergnats Autres Etnies
Nous constatons alors que, contrairement au diagramme en tuyaux dorgue et aux diagrammes circu-
laire ou semi-circulaire, il est difficile de retrouver graphiquement les effectifs (ou les frquences) relatifs
chacune des modalits du caractre tudi.
Le gros avantages dun diagramme figuratif est donc de marquer dune manire non vraiment objective
lesprit du lecteur.
Un diagramme figuratif qui permet de retrouver peu prs les effectifs est celui o chaque modalit est
reprsente par plusieurs schmas identiques dont le nombre est proportionnel son effectif.
Bretons
Nordistes
Auvergnats
Autres Etnies
G
152
B Le cas des sries caractre quantitatif discret
1) Lintroduction
Prenons la srie caractre quantitatif discret suivante (srie 2) :
suivant leurs pointures de chaussures
Pointures Effectifs Frquences Frquences cumules
x
i
n
i
f
i
F
i
38,0 100 0,10 0,10
39,0 150 0,15 0,25
40,0 250 0,25 0,50
40,5 150 0,15 0,65
41,0 120 0,12 0,77
42,0 200 0,20 0,97
44,0 30 0,03 1,00
Total 1 000 1,00
Le caractre tant quantitatif, donc mesurables, les diffrentes modalits sont reprsentes par des
nombres. Ce caractre prend alors, rappelons-le, le nom de variable statistique.
Nous crirons alors que X est la variable statistique reprsentant la pointure dun individu.
Nous pourrons alors dfinir les frquences sous une forme plus mathmatique :
i i i i i i
x f f(X x ) et x F f(X x )
1) Le diagramme de distribution
Ce diagramme est thoriquement la reprsentation graphique de la fonction :
i i i
x f f(X x )
Ce diagramme serait donc une droite confondue avec laxe des abscisses sauf aux points correspondant
aux 7 modalits observes. Cette fonction est dite presque partout nulle (ppn).
G
153
Cest pour faire apparatre ces points isols que le diagramme btons a t cr :

f
i

0,10
0,20
38 39 40 41 42 43 44 x
i

Ce diagramme est encore parfois appel diagramme diffrentiel.
2) Le diagramme de rpartition
Ce diagramme est thoriquement la reprsentation graphique de la fonction :
i i i
x F f(X x )
Ce diagramme est encore parfois appel diagramme intgral.
Ces notions de diagrammes diffrentiel ou intgral viennent du fait quune intgrale correspond une
somme (comme les frquences F
i
) de drives (qui seraient les f
i
). Ces notions seront peut tre plus
explicites dans le cas des caractres quantitatifs continus.
Nous arrivons ainsi au diagramme en escalier ci-dessous :
C Le cas des sries caractre quantitatif continu
1) Lintroduction
Le caractre (ou la variable statistique) est toujours quantitatif mais les diffrentes modalits ne sont
plus connues sous une forme individuelle mais sous forme de classes.
Ce caractre sera encore dfini par X qui reprsentera donc la taille dun individu dans le tableau ci-
aprs.
G
154
Prenons la srie caractre quantitatif ci-aprs (srie 3) :
suivant leurs tailles en cm
Tailles
en cm
Effectifs Frquences
par classes
Frquences
unitaires
Frquences
cumules
n
i
f
i
d
i
F
i
moins de 160 50 0,05 0,0025 0,05
de 160 moins de 165 200 0,20 0,040 0,25
de 165 moins de 170 300 0,30 0,060 0,55
de 170 moins de 172 150 0,15 0,075 0,70
de 172 moins de 178 60 0,06 0,010 0,76
de 178 moins de 180 80 0,08 0,040 0,84
de 180 moins de 185 100 0,10 0,020 0,94
de 185 moins de 200 60 0,06 0,004 1,00
Totaux 1 000 1,00
Il est difficile de donner la frquence relative une valeur de X mais nous pourrons dfinir la frquence
relative un ensemble de valeurs de X. Dans le tableau ci-dessus, les f
i
reprsentent les frquences pour
une classe i de valeurs de X alors que les F
i
reprsentent la frquence pour un ensemble de valeurs de X
qui irait de la plus petite (nous avons choisi arbitrairement 140) celle choisie, obligatoirement la limite
suprieure dune classe.
Par exemple :
f(160 X < 165) = f
2
= 0,20
f(X < 172) = F
4
= 0,70
2) Le diagramme de distribution : lhistogramme
Les classes nayant pas toutes la mme amplitude, nous dsignerons par frquence moyenne sur la
classe i le rapport
i 1 i
i
i i 1
f(x X x )
d .
x x
<
Ces frquences moyennes nous permettrons de

tracer lhistogramme reprsentant cette srie statistique :
140 150 160 170 180 190 200 x
i
d
i
0,01
0,05
0,08
G
155
Nous pouvons remarquer que laire de lhistogramme est gal lunit.
3) Le diagramme de rpartition
Nous appellerons fonction de rpartition la fonction :
F : x F(x) = f(X < x) f(X x)
Cette fonction sera reprsente par le diagramme de rpartition encore appele ici courbe cumulative
Ces diagrammes sont utiles par le fait, comme nous lavons dj crit, quil nous permettent davoir une
vision rapide et globale du phnomne tudi.
3

Les caractristiques de position empiriques
A Le mode (ou la dominante)
Le mode (ou la dominante) est la valeur de la variable la plus souvent rencontre.
Cette caractristique, que nous dsignerons par M
o
est donc solution de linquation :
I f(X = M
o
) f(X = x
i
)
Cette caractristique est donc trs facile calculer, mais cest, peut-tre sa seule qualit.
Par exemple, si nous prenons la srie 2 le mode est gal 40 (cest la pointure quont un maximum de
personnes) alors que, si nous prenons la srie 3, nous ne trouvons pas une seule valeur mais un ensem-
ble de valeurs appele classe modale (dans notre cas, la classe modale est lensemble [170 ; 172]).
Le mode est alors choisi arbitrairement soit au centre de la classe (171) soit en prenant en compte les
classes adjacentes (le mode est alors tir plutt vers 170 plutt que vers 172). La classe modale cor-
respond au plus haut rectangle de lhistogramme.
Nous constatons alors un premier ennui : le mode peut ne pas tre dtermin. Nous pouvons imaginer
quune srie statistique ait une frquence maximale correspondant deux ou plusieurs modalits du
caractre tudi : la srie est alors dite bi-modale ou pluri-modale.
G
156
Enfin, il peut arriver pour des sries statistiques variables quantitatives continues que le fait de chan-
ger les limites des classes fait changer la classe modale et donc le mode.
Nous pouvons remarquer que le mode dpend uniquement de leffectif pour une valeur de variable ou
dune classe et pas de leffectif total. Le mode nest donc pas vraiment une caractristique de valeur
centrale.
B La mdiane
La mdiane est thoriquement la valeur de la variable qui partage leffectif dune srie classe en deux
parties gales.
Cette caractristique, que nous dsignerons par M
e
, est donc solution de lquation :
f(X M
e
) = f(X M
e
) = 0,50
Cette caractristique, de part sa dfinition, est donc place, thoriquement, au centre de la distribution
observe. Si nous prenons la srie 2, nous trouvons une pointure mdiane gale 40.
Cependant, son calcul est parfois assez compliqu. Si nous prenons la srie 3, nous constatons que la
mdiane est place entre 165 et 170, la classe [165,170[ sera appele classe mdiane.
Pour dterminer la valeur de la mdiane, nous devrons faire une interpolation linaire entre les bornes
de la classe modale sans oublier que f(X < x) f(X x). Dans le cas de la srie caractre quantitatif
continu de ce TD, nous crirons que :
f(X < 165) = 0,25
f(X < M
e
) = 0,50
f(X < 170) = 0,55
Il suffit alors de rsoudre lquation :
e
M 165 0,50 0, 25
170 165 0,55 0, 25

Nous arrivons ainsi dans ce cas M
e
= 169,17. Il y a donc 50 % des personnes de la population tudie
qui mesurent au plus 169,17 cm, et donc autant qui mesurent au moins la mme taille.
Il existe cependant des fois ou une srie ne possde pas de mdiane : si nous prenons un lve dont
la srie de notes classes obtenues dans une matire est la suivante : 03, 08, 08, 12, 15, 15. Aucune
note nest situe au centre de cette distribution qui ne possde quune classe mdiane [8, 12] et pas de
mdiane. De plus, la mdiane dpend peut-tre trop des valeurs extrmes observes qui peuvent tre
des valeurs exceptionnelles.
C La mdiale
La mdiale est surtout utilise quand la srie tudie concerne des salaires.
Considrons donc la srie ci-aprs qui donne la distribution des salaires mensuels des employs de la
Socit EREISOP, salaires observs au mois de juin dernier :
G
157
Salaires mensuels en euros Effectifs
de 490 moins de 510 500
de 510 moins de 550 650
de 550 moins de 750 1 500
de 750 moins de 900 800
de 900 moins de 1 100 400
de 1 100 moins de 1 500 100
de 1 500 moins de 2 500 50
Nous supposerons que les salaires sont rpartis uniformment dans chaque classe et que, par exemple,
la somme des salaires des 650 employs de la deuxime classe est gal leffectif de cette classe (650)
par le centre de la mme classe, soit le salaire moyen de cette classe (530). Cette supposition nous per-
met donc de calculer la masse salariale. Nous appellerons salaire mdial, le salaire quil faut atteindre
pour que la moiti de la masse salariale soit distribue.
Si nous dsignons par x
i
le salaire moyen dune classe et n
i
son effectif, la masse salariale correspondant
cette classe serait gal n
i
x
i
. La mdiale M
l
est donc la mdiane de la srie ci-dessus o les effectifs
seraient remplacs par les masses salariales par classe.
Nous utiliserons donc le tableau suivant o g
i
reprsente la part de la masse salariale distribue lorsque
nous arrivons au salaire maximal de la classe considre (par exemple, quand tous les salaires compris
entre 490 et 750 sont distribus, 54,90 % de la masse salariale totale est distribue) :
Salaires mensuels en euros n
i
x
i
n
i
x
i
g
i
de 490 moins de 510 500 500 250 000 0,087
de 510 moins de 550 650 530 344 500 0,208
de 550 moins de 750 1 500 650 975 000 0,549
de 750 moins de 900 800 825 660 000 0,780
de 900 moins de 1 100 400 1 000 400 000 0,920
de 1 100 moins de 1 500 100 1 300 130 000 0,965
de 1 500 moins de 2 500 50 2 000 100 000 1,000
Pour calculer la mdiale, il suffit donc de rsoudre lquation :
l
M 5 50 0,500 0, 208
5 70 5 50 0,549 0, 208

Nous obtenons ainsi une mdiale gale environ 721,30 euros.
G
158
D Quelques remarques
Ces diffrentes caractristiques sont, pour certaines, faciles calculer mais ne sont pas forcment des
valeurs centrales et, pour dautres, centrales mais pas faciles calculer.
Autre ennui propos de ces caractristiques, cest quelles sont dfinies partir dune ingalit et donc,
mathmatiquement parlant, peu facile exploiter.
Leur seul avantage est quelles prennent obligatoirement une valeur observable ou observe.
Nous allons introduire un autre type de caractristiques qui seront solutions dune quation ou dune
formule mais qui ne prendront pas forcment des valeurs observables.
4

Les moyennes
A Une formulation gnralise
Nous dsignerons par m
la -moyenne associe lapplication numrique la valeur solution de

lquation :

i i
i
(m ) f (x )
Il est vident que, pour tre dfinie, la valeur m
doit correspondre une application telle que toutes

les valeurs x
i
de la variable statistique ont une image par lapplication .
Nous allons maintenant voir quelles sont les moyennes les plus souvent utilises en statistique.
B La moyenne arithmtique
La moyenne arithmtique est la -moyenne associe lapplication numrique : x x
Cette -moyenne est souvent note x est donc telle que
i i
i
i i
i
n x
x f x
N

Nous verrons dans des exercices futurs, des particularits de cette moyenne.
Pour calculer, nous pouvons donc procder de deux manires, soit utiliser la dfinition premire et les
frquences, soit la dfinition drive et les effectifs.
Pour la srie 2, nous arrivons aux tableaux ci-aprs.
Nous obtenons alors directement que x = 40,365 dans le tableau 1 qui utilise les frquences.
Le tableau 2, qui utilise les effectifs, nous permet galement de calculer la moyenne arithmtique car x
est gale
40 365
40, 365
1 000

Cette seconde manire est la plus souvent employe car elle vite les erreurs dapproximation dues aux
arrondis possibles des frquences.
Cest cette seconde manire que nous utiliserons par la suite pour les calculs, la premire manire tant
plutt rserves aux calculs thoriques.
G
159
Si la statistique porte sur une variable continue ou si les modalits sont donnes sous forme de classes
de valeurs, les centres de classes jouerons le rle des x
i
.
Notons que la moyenne arithmtique est encore dsign sous le nom de moyenne, sans autre prcision,
ou encore sous le nom de moment dordre 1.
Pour la srie 3, nous arrivons x = 170,52 cm en utilisant le tableau ci-aprs :
x
i
n
i
n
i
x
i
moins de 160 150,0 50 7 500,00
160 moins de 165 162,5 200 32 500,00
165 moins de 170 167,5 300 50 250,00
170 moins de 172 171,0 150 25 650,00
172 moins de 178 175,0 60 10 500,00
178 moins de 180 179,0 80 14 320,00
180 moins de 185 182,5 100 18 250,00
185 moins de 200 192,5 60 11 550,00
Totaux 1 000 17 0520,00
C La moyenne quadratique
La moyenne quadratique est la -moyenne associe lapplication numrique : x x
2
.
Cette -moyenne est souvent note Q est donc telle que

i
i
2
i
2 2 i
i
i
n x
Q f x
N

Tableau 1 Tableau 2
x
i
f
i
f
i
x
i
x
i
n
i
n
i
x
i
38,0 0,10 3,800 38,0 100 3 800,00
39,0 0,15 5,850 39,0 150 5 850,00
40,0 0,25 10,000 40,0 250 10 000,00
40,5 0,15 6,075 40,5 150 6 075,00
41,0 0,12 4,920 41,0 120 4 920,00
42,0 0,20 8,400 42,0 200 8 400,00
44,0 0,03 1,320 44,0 30 1 320,00
Total 1,00 40,365 Total 1 000 40 365,00
G
160
Pour la srie 2, nous obtenons Q = 40,388 partir du tableau ci-dessous :
x
i
n
i
n
i
2
i
x
38,0 100 14 4400,00
39,0 150 228 150,00
40,0 250 400 000,00
40,5 150 246 037,50
41,0 120 201 720,00
42,0 200 352 800,00
44,0 30 58 080,00
Total 1 000 1 631 187,50
Pour la srie 3, nous obtenons Q = 170,775 cm partir du tableau ci-aprs :
x
i
n
i
n
i
2
i
x
moins de 160 150,0 50 1 125 000,00
160 moins de 165 162,5 200 5 281 250,00
165 moins de 170 167,5 300 8 416 875,00
170 moins de 172 171,0 150 4 386 150,00
172 moins de 178 175,0 60 1 837 500,00
178 moins de 180 179,0 80 2 563 280,00
180 moins de 185 182,5 100 3 330 625,00
185 moins de 200 192,5 60 2 223 375,00
Totaux 1 000 29 164 055,00
Le carr de cette moyenne quadratique est encore appele moment dordre 2.
D La moyenne harmonique
La moyenne harmonique est la -moyenne associe lapplication numrique

1
: x
x

Cette -moyenne est souvent note H. Remarquons que cette moyenne ne peut tre calcul que si tou-
tes les valeurs de la variables statistique observe sont diffrentes de 0.
Nous avons donc :
i
i i
i
i i
1
n
x 1 1
f
H x N

G
161
Pour la srie 2, nous obtenons H = 40,319 partir du tableau ci-dessous :
x
i
n
i
i
i
n
x
38,0 100 2,63158
39,0 150 3,84615
40,0 250 6,25000
40,5 150 3,70370
41,0 120 2,92683
42,0 200 4,76190
44,0 30 0,68182
Total 1 000 24,80199
Pour la srie 3, nous obtenons H = 170,017 cm partir du tableau ci-aprs :
x
i
n
i
i
i
n
x
moins de 160 150,0 50 0,33333
160 moins de 165 162,5 200 1,23077
165 moins de 170 167,5 300 1,79104
170 moins de 172 171,0 150 0,87719
172 moins de 178 175,0 60 0,34286
178 moins de 180 179,0 80 0,44693
180 moins de 185 182,5 100 0,54795
185 moins de 200 192,5 60 0,31169
Totaux 1 000 5,88176
E La moyenne gomtrique
La moyenne gomtrique est la moyenne associe lapplication numrique : x ln(x).
Cette -moyenne est souvent note G.
noter Cette moyenne ne peut tre calcul que si toutes les valeurs de la variables statistique
observe sont strictement positives.
Nous avons donc :
i i
i
i i
i
n ln(x )
ln(G) f ln(x ) .
N

Do

i
f
i
i
G x

G
162
Pour la srie 2, nous obtenons G = 40,342 partir du tableau ci-dessous :
x
i
n
i
n
i
ln(x
i
)
38,0 100 363,75862
39,0 150 549,53425
40,0 250 922,21986
40,5 150 555,19530
41,0 120 445,62865
42,0 200 747,53392
44,0 30 113,52569
Total 1 000 3 697,39628
Pour la srie 3, nous obtenons G = 170,267 cm partir du tableau page suivante.
x
i
n
i
n
i
ln(x
i
)
moins de 160 150,0 50 250,53176
160 moins de 165 162,5 200 1 018,13560
165 moins de 170 167,5 300 1 536,29501
170 moins de 172 171,0 150 771,24953
172 moins de 178 175,0 60 309,88716
178 moins de 180 179,0 80 414,99086
180 moins de 185 182,5 100 520,67502
185 moins de 200 192,5 60 315,60577
Totaux 1 000 5 137,37071
F Quelques remarques
Pour la srie statistique concernant les tailles (srie 3), nous avons estim que la taille moyenne des
50 personnes appartenant la premire classe tait gale 150 cm. Une autre estimation aurait donn
des rsultats diffrents.
Contrairement aux caractristiques de position du type mode, mdiane ou mdiale qui sont obligatoire-
ment des valeurs observes (ou observables) de la variable statistique, les diffrentes moyennes peuvent
tre des valeurs non-observables physiquement, et donc fictives : une moyenne est le rsultat dune
formule.
Si, sur une srie statistique caractre quantitatif, les quatre moyennes dont il est question ci-dessus
sont calculables, alors nous aurons toujours la relation dordre suivante :
H G x Q
G
163
Nous avons parl de moment pour une variable statistique sans en donner une dfinition gnrale
qui est : le moment dordre k de la variable statistique X est la valeur m
k
dfinie par la relation :
k
k i i
i
m f x

5

Les caractristiques de dispersion empiriques
A Ltendue
Ltendue E est la diffrence entre la plus forte valeur de la variable tudie et la plus faible valeur de
cette variable.
Nous pouvons crire que : E = Max(x
i
, i) - Min(x
i
, i)
Pour la srie des pointures (srie 2), ltendue est gale 6 et pour la srie des tailles (srie 3), ltendue
est gale 60 cm si nous estimons que la plus petite des tailles observes est gale 140 cm.
Il va sans dire que plus ltendue est importante, plus la srie risque dtre disperse.
Cependant, cette caractristique ne prend pas en compte les effectifs qui pondrent cette dispersion et
prend trop en compte les valeurs extrmes de la srie qui risquent dtre des valeurs exceptionnelles,
do lide des quantiles.
B Les quantiles
Nous appellerons quantile dordre , la valeur x
de la variable solution de lquation : f(X x
) =
Par exemple, pour la distribution des tailles (srie 3), le quantile dordre 0,84 est gal 180 cm.
Nous dsignerons la plus faible valeur observe par x
0
(le quantile dordre 0) et la plus forte valeur
observe par x
1
(le quantile dordre 1). Ltendue E peut donc encore scrire sous la forme E = x
1
- x
0
Nous utiliserons des quantiles particuliers et, par exemple, des quartiles.
Les quartiles sont les quantiles dordre 0,25 pour le premier (Q
1
), dordre 0,50 pour le second (cest la
mdiane M
e
) et dordre 0,75 pour le troisime (Q
3
).
Les quartiles, comme les quantiles, se calculent comme la mdiane, cest--dire par interpolation linaire
si la variable statistique est continue.
Pour la srie statistique donnant la distribution des tailles (srie 3), nous avons Q
1
= 165 cm (lu direc-
tement) et Q
3
= 177 cm. cela nous permet de dterminer lintervalle inter-quartiles qui est lintervalle
[Q
1
; Q
3
]. Sur cet intervalle, nous avons 50 % des observations : en effet, nous avons limins les plus
petites (25 %) et les plus grandes (25 %).
Nous pouvons alors raliser le schma ci-aprs :
G
164
Ce schma nous indique que 50 % des observations se distribuent sur intervalle damplitude 12 cm
(ce qui reprsente 20 % de ltendue). Il y a donc une concentration des observations sur cet intervalle
inter-quartiles.
Comme pour ltendue, plus lintervalle inter-quartiles est petit par rapport ltendue, plus la srie est
concentre autour de la mdiane.
Si nous trouvons quliminer 50 % des observations pour juger de la dispersion dune srie est exagr,
nous pouvons utiliser lintervalle inter-dciles ([D
1
; D
9
] = [x
0,1
; x
0,9
]) sur lequel nous trouvons 80 %
des observations, voire lintervalle inter-centiles ([C
1
; C
99
] soit encore [x
0,01
; x
0,99
]) sur lequel nous
trouvons 98 % des observations.
Ces intervalles, ou surtout leurs importances relatives par rapport ltendue, permettent de juger de la
dispersion, ou de la concentration, dune srie statistique.
C Quelques remarques
Ces caractristiques ont chacune leur dfaut principal : lune prend trop en compte les valeurs extrmes
(et peut-tre exceptionnelles) de la variable tudie et les autres liminent des valeurs de cette variable.
Do lide de ltude de la srie des carts par rapport une caractristique de position, carts pon-
drs par les effectifs observs. La caractristique de position que nous choisirons sera la moyenne des
valeurs observes (moyenne arithmtique).
6

La srie des carts
A La dfinition
Un cart entre deux valeurs a et b est gal |a - b|. Un cart ne peut donc jamais tre ngatif. Nous tra-
vaillerons donc ici avec les carts e
i
= | x
i
-
-
x |
Si nous prenons la srie des tailles (srie 3), nous obtenons la srie des carts suivantes :
e
i
n
i
| 150 - 170,52 | 20,52 50
| 162,5 - 170,52 | 8,02 200
| 167,5 - 170,52 | 3,02 300
| 171 - 170,52 | 0,48 150
| 175 - 170,52 | 4,48 60
| 179 - 170,52 | 8,48 80
| 182,5 - 170,52 | 11,98 100
| 192,5 - 170,52 | 21,98 60
partir de ce tableau, nous pouvons calculer la moyenne et la moyenne quadratique des carts.
G
165
B Lcart moyen arithmtique
Lcart moyen arithmtique est la moyenne des carts.
Nous avons donc
i i
i
i i
i
n e
e f e
N

Soit encore
i i
i
e f x x
Pour la srie des carts ci-dessus, nous obtenons

e
= 7,072 cm partir du tableau de calculs ci-aprs :
e
i
n
i
n
i
e
i
20,52 50 1 026,00
8,02 200 1 604,00
3,02 300 906,00
0,48 150 72,00
4,48 60 268,80
8,48 80 678,40
11,98 100 1 198,00
21,98 60 1 318,80
1 000 7 072,00
Les tailles observes scartent donc en moyenne de 7,072 cm de la taille moyenne, soit de 170,52 cm.
Plus cet cart moyen arithmtique est faible, plus la srie est concentre.
Lennui, pour les calculs thoriques, est quil faut utiliser des valeurs absolues pour calculer cette carac-
tristique.
C Lcart moyen quadratique : lcart-type
Lcart-moyen quadratique, souvent appel cart-type, est gal la moyenne quadratique des carts.
Son carr, que nous calculons en premier, est appel variance. Si nous dsignons par V(X) la variance
de la variable X et par (X) lcart-type de la mme variable, nous avons donc la relation V(X) = (X)
Nous avons donc
i
i
2
i
2 i
i
i
n e
V(X) f e
N

Soit encore :

2
i i
2 i
i i
i
n (x - x)
V(X) f (x - x)
N

G
166
Pour la srie des tailles (srie 3), nous obtenons V(X) = 86,9846 cm
2
, soit (X) = 9,327 cm, partir du
tableau ci-dessous :
e
i
n
i
n
i
e
i
2
20,52 50 21 053,520
8,02 200 12 864,080
3,02 300 2 736,120
0,48 150 34,560
4,48 60 1 204,224
8,48 80 5 752,832
11,98 100 14 352,040
21,98 60 28 987,224
1 000 86 984,600
Cette caractristique ne ncessitant pas lemploi de valeurs absolues est la caractristique de dispersion
la plus utilise.
Lcart-type tant une moyenne quadratique est donc suprieur lcart moyen arithmtique. Plus cet
cart-type sera petit, plus la srie statistique concerne sera concentre
D Une remarque
Ltude de la dispersion compare entre sries statistiques ne pourra se faire que si les sries concernes
tudient des phnomnes dont les modalits sexpriment dans la mme unit.
Si nous ne sommes pas dans ce cas, il faudra, au pralable, faire une conversion (utiliser des taux de
change si ltude porte sur des phnomnes montaires, par exemple) ou utiliser le coefficient de
variation gal

(X)
x
7

Deux thormes importants
A Le thorme de Knig
Le thorme de Knig va nous permettre de calculer la variance dune variable statistique sans utiliser
les carts.
Calculons et dveloppons la quantit
2
i i
i
f (x - a)
o a est une constante relle quelconque.
G
167
2
2 2 2
i i i i i i i i i
i i i i i
f (x - a) f (x - x) (x - a) f (x - x) 2 f (x - x) (x - a) f (x - a)
]
+ + +
]

2 2
i i i i i
i i i
f (x - a) V(X) 2(x - a) f (x - x) + (x - a) f +

Nous savons que

m
i
i 1
f 1
De plus :

i i i i i
i i i
f x - x) f x x f x x 0

Do
2 2
i i
i
f (x - a) V(X) (x - a) +
Cette galit est connue sous le nom de thorme de Knig.

Si nous remplaons a par 0 dans ce thorme, nous obtenons :
2
2
V(X) Q x
En prenant la srie des tailles (srie 3), si nous faisons
2
2
Q x

= 29 164,055 - 170,522, nous trou-
vons effectivement V(X) = 86,9846.
B Lingalit de Bienaym-Tchebytcheff
Lingalit de Bienaym-Tchebytcheff va permettre destimer un intervalle dit de confiance.
Cette ingalit indique que

2
1
f ( x - t (X) X x t (X) ) 1 -
t
< < +
Nous allons dmontrer ce thorme partir dune srie thorique caractre quantitatif discret.
Imaginons une srie o les valeurs de la variable X sont classes de x
1
x
n
. chaque valeur x
i
de la
variable, une frquence f
i
est associe. Bien entendu, nous avons
m
i
i 1
f 1
Nous savons que

n
2
i i
i 1
V(X) f x - x)

Si nous prenons deux indices p et q tels que < p < q < n, nous pouvons dcomposer cette variance et
crire :

p q n
2 2 2
i i i i i i
i 1 i p 1 i q 1
V(X) f (x - x) f (x - x) f (x - x)
+ +
+ +

Comme tous les lments des sommes sont non-ngatifs, nous pouvons encore crire que :
p n
2 2
i i i i
i 1 i q 1
V(X) f (x - x) f (x - x)
+
+

(Ingalit I)
G
168
Imaginons galement que la srie statistique donne possde une moyenne

x

et un cart-type (X) tels
quil existe une valeur relle t > 0 avec x
p
x - t (X) < x
p + 1
et x
q
x + t (X) < x
q + 1
Nous pouvons reprsenter ce fait sur le dessin ci-dessous :
Nous pouvons alors crire que i p alors x
i
x - t (X)
Soit i p alors x
i
- x - t (X) < 0
do i p alors (x
i
- x )
2
t
2
V(X)
Nous pouvons encore crire que i > q alors x
i
x + t (X)
Soit i > q alors x
i
- x t (X) > 0
do i > q alors (x
i
- x )
2
t
2
V(X)
Nous venons ainsi de trouver des minorants pour les termes des sommes de lingalit I ci-dessus qui
scrit donc :
p n
2 2
i i
i 1 i q 1
V(X) t V(X) f t V(X) f
+
+

do

p n
2
i i
i 1 i q 1
1 t f f
+
|
' J +
' J
( J

car V(X) > 0
Or, partir du dessin ci-dessous, nous constatons que :
q p n
i i i
2
i p 1 i 1 i q 1
1
f( x - t (X) X x t (X) ) f 1 f f 1
t
+ +
< < +

Cette ingalit se gnralise nimporte quelle srie caractre quantitatif.
Nous pouvons utiliser cette ingalit de la manire suivante : imaginons que, sur la srie des tailles,
nous ne connaissons que la moyenne x = 170,52 cm et lcart-type gal 9,327 cm. Si, dans linga-
lit de Bienaym-Tchebytcheff, nous fixons t = 2, nous pouvons crire que :
f(151,866 < X < 189,174) 1 -
2
1
2
= 75 %
Il y a donc plus de 75 % des individus de la population tudie qui mesurent entre 151,886 cm et
189,174 cm.
Daprs le tableau dtaill reprsentant cette srie, nous pouvons vrifier ce rsultat en crivant que :
f(151,866 < X < 189,174) f(160 < X < 185) = 0,94 - 0,05 = 0,89 75 %
Cette ingalit permet donc dvaluer facilement combien, environ, il y a dobservations sur un inter-
valle centr sur la moyenne.
noter Cet intervalle est encore appel intervalle de confiance bilatral.
G
169
8

Le rsum
1

Les gnralits
A Lintroduction
Dans le chapitre 13, nous avons vu comment une srie statistique pouvait tre condense par la donne
de deux caractristiques, lune de position, la moyenne, et lautre de dispersion, lcart-type.
Il arrive parfois que, pour des commodits de calculs, ces caractristiques valables pour la population
totale tudie (population-mre) soient calcules partir de sous-populations.
Nous allons montrer dans ce chapitre comment la moyenne et lcart-type dune population-mre peu-
vent tre calculs partir des moyennes et cart-types des sous-populations qui la composent dans
le cas o toutes ces sous-populations sont disjointes et o la runion de toutes ces sous-populations
recouvrent la population-mre.
B Les notations initiales
Imaginons une population-mre P divise en q sous-populations P
i
telles que :
i
i
P P et i k Pi Pk = =
Cette population, et sa dcomposition en sous-population, peut donc se rsumer dans le tableau ci-
dessous :
Sous populations
Modalits
P
1
P
i
P
q
P
x
1
n
1,1
n
1,i
n
1,q
n
1,*
x
h
n
h,1
n
h,i
n
h,q
n
h,*
x
m
n
m,1
n
m,i
n
m,q
n
m,*
Totaux n
*,1
n
*,i
n
*,q
N
Les mlanges
de population
Chapitre
14
G
172
la lecture de ce tableau, nous constatons que :
leffectif de la modalit x
h
est gal n
h,i
dans la sous-population P
i
et que son effectif dans la popula-
tion-mre est gal
h, h,i
i
n n
=

leffectif total de la sous-population P est gal
,j h,i
h
n n
=

alors que leffectif total de la popula-
tion-mre est gal
*,i h,i h,i
i i h h i
N n n n = = =

Notons que la population-mre est encore, parfois, appele distribution marginale par rapport au
tableau donnant les sous-populations.
C Une relation entre la moyenne de la population-mre et les moyennes
des sous-populations
Nous noterons X la moyenne calcule dans la population-mre et
i
X la moyenne calcule dans la
sous-population P
i
.
Nous avons ainsi :

h, h h,i h
h h
i
*,i
n x n x
X et X
N n
= =

Do
h,i h *,i i
h i i
n x n X
X
N N
= =

noter La moyenne de la population-mre peut tre calcule comme moyenne des moyennes des
sous-populations la composant, moyennes pondres par les effectifs correspondants de chaque sous-
population.
D Une relation entre la variance de la population-mre et les variances
des sous-populations
Pour tablir cette relation, nous partirons des variances pour ne pas avoir utiliser des racines carres.
Nous noterons V(X) la variance calcule sur la population-mre et V(X
i
) la variance calcule sur la sous-
population P
i
Nous avons donc :

*
2
h, h
h
n (x X)
V(X)
N

et

2
h,i h i
h
i
*,i
n (x X )
V(X )
n
Nous avons encore :

2 2
h,i h h,i h
i h h i
n (x X) n (x X)
V(X)
N N

= =

G
Chapitre 14 Les mlanges de population
173
Avant daller plus loin, nous allons utiliser le thorme de Knig et ladapter la sous-population P
i
(les
frquences f
h,i
seront remplaces par
h,i
*,i
n
) :
n
h,i 2 2 2
h,i h h i i
*,i h h
n
f (x X) (x X) V(X ) (X - X
n
= = +

Nous en dduisons ainsi que :

2
h,i h
h
n (x X

= n*,i V(Xi) + n*,i (
i
X - X )2
Do V(X) =

2
*,i i *,i i
i i
n V(X ) n (X X)
N
+

=
*,i i
i
n V(X )
N
+
2
*,i i
i
n (X X)
N
Soit encore : V(X) = V

a
(X) + V
r
(X)
V
a
(X) =
*,i i
i
n V(X )
N
est appele variance intra sous-populations : cest la moyenne des variances des
sous-populations, variances pondres par les effectifs correspondants de chaque sous-population.
V
r
(X) =
2
*,i i
i
n (X X)
N
est appele variance inter-sous-populations : cest la variance des moyen-

nes, moyennes pondres par les effectifs correspondants de chaque sous-population.
noter De part la dfinition de lcart-type, nous avons donc (X) =
a r
V (X) V (X). +
E La fraction de la variance totale explique par lhtrognt
des moyennes entre sous-populations
Nous dsignerons par fraction de la variance totale explique par lhtrognt des moyennes entre
sous-populations le rapport R
2
gal au rapport entre la variance inter sous-populations et la variance de
la population-mre.
Nous avons donc :
r
2
V (X)
R
V(X)
=
Comme V(X) = V
a
(X) + V
r
(X), nous avons galement :
2 a
V (X)
R = 1 -
V(X)
Comme les variances V(X), V
a
(X) et V
r
(X) sont non ngatives, nous avons 0 R
2
1
Nous pouvons galement remarquer que si R
2
= 1 alors V
a
(X) = 0. Ce qui signifie que chaque sous-
population est homogne : une seule modalit par sous-population.
Par contre si R
2
= 0 alors V
r
(X) = 0. Ce qui signifie que toutes les sous-populations ont mme moyenne.
G
174
2

A Lexemple 1 : Comparaison de calculs
Le village de Matheux en Esperie est compos de trois hameaux : Pluce, Moinsse et Quation.
La MST (Maison de la Statistique Transcendentale) a fait une tude la demande de Monsieur
Ereisop, maire de Matheux, et a obtenu le tableau statistique ci-dessous qui recense les habi-
tants de plus de 15 ans de ces trois hameaux et les distribue suivant leurs tailles :
Tailles (en cm) Pluce Moinsse Quation
de 110 moins de 120 0 1 2
de 120 moins de 130 5 5 12
de 130 moins de 150 12 10 34
de 150 moins de 160 35 12 45
de 160 moins de 170 46 4 80
de 170 moins de 180 12 2 74
de 180 moins de 185 9 0 85
de 185 moins de 190 4 0 30
de 190 moins de 195 0 0 10
de 195 moins de 200 0 0 4
1) Calculer la moyenne des tailles des habitants de chaque hameau de Matheux
Grce aux tableaux ci-dessous, nous pouvons calculer ces moyennes
Pluce
x
i
n
i
n
i
x x
i
n
i
x x
i
2
115,0 0 0,0 0,00
125,0 5 625,0 78 125,00
140,0 12 1 680,0 235 200,00
155,0 35 5 425,0 840 875,00
165,0 46 7 590,0 1 252 350,00
175,0 12 2 100,0 367 500,00
182,5 9 1 642,5 299 756,25
187,5 4 750,0 140 625,00
192,5 0 0,0 0,00
197,5 0 0,0 0,00
Totaux 123 19 812,5 3 214 431,25
G
175
La moyenne des tailles des habitants de Pluce est gale 161,08 cm
Moinsse
x
i
n
i
n
i
x x
i
n
i
x x
i
2
115,0 1 115,0 13 225,00
125,0 5 625,0 78 125,00
140,0 10 1 400,0 196 000,00
155,0 12 1 860,0 288 300,00
165,0 4 660,0 108 900,00
175,0 2 350,0 61 250,00
182,5 0 0,0 0,00
187,5 0 0,0 0,00
192,5 0 0,0 0,00
197,5 0 0,0 0,00
Totaux 34 5 010,0 745 800,00
La moyenne des tailles des habitants de Moinsse est gale 147,35 cm
Quation
x
i
n
i
n
i
x x
i
n
i
x x
i
2
115,0 2 230,0 26 450,00
125,0 12 1 500,0 187 500,00
140,0 34 4 760,0 666 400,00
155,0 45 6 975,0 1 081 125,00
165,0 80 13 200,0 2 178 000,00
175,0 74 12 950,0 2 266 250,00
182,5 85 15 512,5 2 831 031,25
187,5 30 5 625,0 1 054 687,50
192,5 10 1 925,0 370 562,50
197,5 4 790,0 156 025,00
Totaux 376 63 467,5 10 818 031,25
La moyenne des tailles des habitants de Quation est gale 168,80 cm.
2) Calculer, de deux manires diffrentes, la moyenne des tailles de tous les
habitants de Matheux qui ont plus de 15 ans
Pour la premire manire, nous pouvons regrouper les trois hameaux pour arriver la srie reprsentant
le village de Matheux
G
176
Matheux
x
i
n
i
n
i
x x
i
n
i
x x
i
2
115,0 3 345,0 39 675,00
125,0 22 2 750,0 343 750,00
140,0 56 7 840,0 1 097 600,00
155,0 92 14 260,0 2 210 300,00
165,0 130 21 450,0 3 539 250,00
175,0 88 15 400,0 2 695 000,00
182,5 94 17 155,0 3 130 787,50
187,5 34 6 375,0 1 195 312,50
192,5 10 1 925,0 370 562,50
197,5 4 790,0 156 025,00
Totaux 533 88 290,0 14 778 262,50
Nous trouvons ainsi que la taille moyenne des habitants de Matheux est gale 165,65 cm.
Pour la seconde manire, nous pourrions tudier la srie des moyennes de tailles par hameau :
Srie des moyennes
Ss Pop
i
x n
i
n
i i
x n
i

i
x
2
Pluce 161,08 123 19 812,50 3 191 342,73
Moinsse 147,35 34 5 010,00 738 238,24
Quation 168,8 376 63 467,50 10 713 094,56
Totaux 533 88 290,00 14 642 675,53
Nous trouvons que la moyenne des moyennes de taille par hameau est gale la moyenne des tailles
des habitants du village de Matheux.
3) Calculer la variance et lcart-type des tailles des habitants de chaque
hameau de Matheux
Grce aux premiers tableaux de calculs, nous en dduisons que :
La variance des tailles des habitants de Pluce est gale 187,71 cm
2
soit un cart-type gal
13,70 cm.
La variance des tailles des habitants de Moinsse est gale 222,40 cm
2
14,91 cm.
La variance des tailles des habitants de Quation est gale 279,09 cm
2
16,71 cm.
G
177
4) Calculer, de deux manires diffrentes, la variance, et lcart-type, des tailles
de tous les habitants de Matheux
En tudiant la srie des tailles de tous les habitants de Matheux, nous trouvons une variance gale
287,55 cm
2
soit un cart-type gal 16,96 cm.
En tudiant la srie des moyennes, nous pouvons calculer la variance des moyennes (encore appele
variance inter-sous-populations) :
Cette variance inter-sous-populations est gale 33,17 cm
2
.
Nous pouvons, en tudiant la srie des variances, calculer la moyenne des variances (encore appele
variance intra-sous-populations) :
Cette variance intra-sous-populations, calcule partir du tableau de la srie des variances ci-dessous,
est gale 254,38 cm
2
En ajoutant la variance inter-sous-populations et la variance intra-sous-populations, nous obtenons la
variance gnrale 287,55 cm
2
.
Srie des Variances
Ss Pop V
i
n
i
n
i
V
i
Pluce 187,71 123 23 088,52
Moinsse
222,4 34 7 561,76
Quation
279,09 376 104 936,69
Totaux 533 135 586,97
Lcart-type des tailles des habitants de Matheux est donc gal 16,96 cm.
5) Calculer la fraction de la variance totale explique par lhtrognt
des moyennes entre sous-populations
La fraction de la variance totale explique par lhtrognt des moyennes entre sous-populations est
gal au rapport entre la variance inter-sous-populations et la variance gnrale. Ce rapport est, dans
notre cas, gal 11,53 %.
B Lexemple 2 : Calcul partir dun tableau synthtique
Les tudiants de premire anne du Dpartement GEA de lIUT de Papyville sont rpartis en six
groupes dont les rsultats en mathmatiques appliques sont les suivants :
Groupes Moyennes cart-types Effectifs
A 10,56 2,30 30
B 10,02 1,97 25
C 9,87 3,50 19
D 11,01 2,56 31
E 10,28 1,87 28
F 12,34 4,30 32
G
178
Dterminer la moyenne et lcart-type des moyennes en mathmatiques pour tous les tu-
diants de premire anne de ce dpartement.
Nous allons travailler avec la srie des moyennes et avec la srie des variances :
Srie des moyennes
i
x
n
i
n
i

i
x
n
i

i
x
2
10,56 30 316,80 3 345,4080
10,02 25 250,50 2 510,0100
9,87 19 187,53 1 850,9211
11,01 31 341,31 3 757,8231
10,28 28 287,84 2 958,9952
12,34 32 394,88 4 872,8192
Totaux 165 1 778,86 19 295,9766
Srie des variances
i
V
i
=
i
2
n
i
n
i
V
i
2,30 5,2900 30 158,7000
1,97 3,8809 25 97,0225
3,50 12,2500 19 232,7500
2,56 6,5536 31 203,1616
1,87 3,4969 28 97,9132
4,30 18,4900 32 591,6800
Totaux 165 1 381,2273
De ces deux tableaux, nous dduisons que la moyenne en mathmatiques pour tous les tudiants est
gale 10,78 (cest la moyenne des moyennes) et que lcart-type est gal 3,01 (la racine carre de la
variance).
Cette variance dun montant de 9,09 est gale la somme le la variance inter-sous-populations (variance
des moyennes : 0,72) et de la variance intra-sous-populations (moyenne des variances : 8,37).
G
179
3

Le rsum
Population-mre P divise en q sous-populations P
i
telles que

i
i
P P =

et i, k P
i
P
k
=
Sous populations
Modalits
P
1
P
i
P
q
P
x
h
n
h,1
n
h,i
n
h,q
n
h,*
Totaux n
*,1
n
*,i
n
*,q
N
Moyenne gnrale
h,* h
h
n x
X
N
=
*,i i
i
n X
X
N
=
Variance intra
sous-populations
*,i i
i
a
n V(X )
V (X) =
N
Variance inter
sous-populations
2
*,i i
i
r
n (X X)
V (X) =
N
Variance gnrale
V(X) = V
a
(X) + V
r
(X)
1

Deux mthodes empiriques destimation
A Lintroduction
Il est habituel daffirmer que la taille dun individu dpend de sa masse, mais quen est-il exactement ?
Prenons lexemple suivant : un groupe de dix personnes est tudi suivant deux caractres statistiques :
leurs masses (en kilogrammes) et leurs tailles (en centimtres).
Les rsultats obtenus sont consigns dans le tableau A ci-dessous :
Masses
(en kg)
Tailles
(en cm)
60 153
65 164
65 166
70 172
75 178
72 174
80 181
88 186
78 179
80 182
Si nous considrons que ces 10 individus sont reprsentatifs de la population tudie, pouvons-nous
trouver une relation qui permet destimer la taille idale dun individu en connaissant sa masse ? En
dsignant par x la masse dun individu et par y sa taille, il faut trouver une relation fonctionnelle, si elle
existe, entre x et y, soit une fonction x y = f(x).
La modlisation
dune srie statistique
Chapitre
15
G
182
B La premire mthode : Lestimation par une valeur moyenne
La premire ide est de travailler en moyenne, cest--dire que nous prenons comme relation fonction-
nelle la fonction x y = f(x) = y ( y est la valeur moyenne des tailles observes).
Dans notre cas, si nous dsignons par y
i
la taille de lindividu i, nous obtenons :
10
i
i 1
y
1735
y 173,5
10 10
Nous affirmerions alors que la taille idale pour un individu de cette population, quel quil soit, est gale
173,50 centimtres, quelque soit sa masse.
Cette estimation est cependant sujette caution car elle ne montre pas du tout la relation qui devrait
exister entre la masse et la taille dun individu.
C La seconde mthode : Lestimation par la mthode de Mayer
Cette mthode est bas sur une tude graphique. Nous allons reprsenter la srie statistique double
donne ci-dessus sur un graphique o nous mettrons les masses en abscisses et les tailles en ordonnes.
Nous arrivons ainsi au graphique suivant :
Nous constatons que le nuage de points obtenu a une allure linaire, cest--dire que les points sont
sensiblement aligns et que, par consquent, la relation fonctionnelle cherche doit tre de la forme :
X y = f(x) = ax + b, a et b tant des constantes
Pour dterminer ces deux constantes, nous allons partager le nuage de points en deux parties et con-
sidrer que la droite reprsentative de cette relation doit passer par les points moyens de chacune des
deux parties.
G
Chapitre 15 La modlisation dune srie statistique
183
Pour dterminer les coordonnes des deux points moyens, il nous faut donc classer la srie et la parta-
ger. Ces coordonnes sont donnes dans le tableau suivant (x
i
reprsente la masse de lindividu i) :
x
i
y
i
Moyenne x Moyenne y
60 153
65 164
65 166 66,4 165,8
70 172
72 174
75 178
78 179
80 181 80,2 181,2
80 182
88 186
Daprs le graphique page suivante, nous pouvons constater que les deux constantes a et b sont solu-
tions du systme :
66, 4a b 165, 8 a 1,116
soit
80, 2a b 181, 2 b 91, 701
+ | |

+
| |
Do lquation de la droite de Mayer : y = 1,116 x + 91,701
60 70 80 90 x
150
160
170
180
190
y
G
184
Suivant cette thorie, un individu de cette population dont la masse est gale 67 kilogrammes devrait
avoir une taille gale 166 centimtres (et non pas 166,47 cm car une estimation ne peut pas tre plus
prcise que les donnes initiales) alors quun individu dont la masse est gale 90 kilogrammes devrait
avoir une taille gale 192 centimtres. Nous pourrions considrer ces tailles comme les tailles idales
que devraient avoir ces individus.
Cependant il ne faut pas confondre valeur observe et valeur estime. Dans lquation de la droite de
Mayer y reprsente une valeur estime.
D La notion de distance entre valeurs observes et valeurs estimes
Il y a bien sr des carts entre les tailles observes et les tailles estimes (nous crirons encore tailles
ajustes ou tailles idales).
Pour lindividu i et en dsignant par
i
y sa taille estime (ou calcule, ou idale), lcart scrira
e
i
= | y
i
-
i
y
|. Pour viter lusage des valeurs absolues, ces carts seront pris au carrs.
Nous appellerons distance entre valeurs observes et valeurs idales la somme des carrs des carts.
Cette distance dpend, bien entendu, du type de fonction dajustement choisi.
En dsignant par D cette distance, nous avons :

10
2
i
i 1
D e

Le tableau ci-dessous nous indique que D = 904,50 si les valeurs idales sont calcules partir des esti-
mations faites par une valeur moyenne.
Valeurs ajustes
i
y
Valeurs observes
y
i
carrs des carts
2
i
e
173,50 153 420,25
173,50 164 90,25
173,50 166 56,25
173,50 172 2,25
173,50 174 0,25
173,50 178 20,25
173,50 179 30,25
173,50 181 56,25
173,50 182 72,25
173,50 186 156,25
Total 904,50
Le tableau ci-dessous nous indique que D = 66,876 si les valeurs idales sont calcules partir de
lquation de la droite de Mayer.
G
185
Valeurs ajustes
i
y
Valeurs observes
y
i
carrs des carts
2
i
e
158,658 153 32,013
164,238 164 0,056
164,238 166 3,106
169,817 172 4,764
172,049 174 3,805
175,397 178 6,775
178,745 179 0,065
180,977 181 0,001
180,977 182 1,047
189,904 186 15,244
Total 66,876
Nous constatons ainsi que les estimations faites partir de la droite de Mayer sont meilleures que celles
faites partir dune valeur moyenne. Nous dirons quil est plus probable quun individu dont la masse
est gale 67 kilogrammes mesure 166 centimtres plutt que 173,50 centimtres.
1

La mthode des moindres carrs
A Le rsidu quadratique
Nous venons de parler de la distance D entre n valeurs ajustes et n valeurs observes (dans notre cas,
n tait gal 10 : 10 observations). Nous dsignerons par D la distance moyenne qui existe entre une
valeur ajuste et une valeur observe. Nous aurions alors
n
2
i i
i 1
1
D (y y )
n
. Nous dsignerons par

R le minimum de cette distance moyenne. Cette distance moyenne minimale, ou encore rsidu quadra-
tique, dpend, bien entendu, du type de la fonction dajustement choisie.
Nous allons prciser cette notion, partir dun cas gnral, en prenant comme type de fonction dajus-
tement une fonction constante (modle constant).
Soit un tableau statistique deux variables x et y du type (tableau B) :
x y
x
1
y
1
. .
x
i
y
i
. .
x
n
y
n
G
186
La distance D entre la distribution des y
i
observs et des

i
y

calculs partir dune fonction constante du
type x
i

i
y = f(x
i
) = k est gale
n n
2 2
i i i
i 1 i 1
D (y y ) y k)

La fonction dajustement tant choisie, nous constatons que D est fonction dune seule inconnue k. Le
problme consistera donc en la recherche du minimum de la fonction :
n
2
i
i 1
k D (y k)
Pour trouver le minimum de cette fonction, il nous faut trouver la valeur de k qui annule sa drive pre-
mire et qui rend sa drive seconde strictement positive.
Ici, nous avons :
n n
k i i
i 1 i 1
D
D - 2 (y k) - 2 y 2 nk
k

La drive premire sannule pour k y et la drive seconde tant gale
2
k
2
d
D 2 n 0,
dk
>
nous en dduisons que la distance minimale D
0
est obtenue en remplaant k par y , le rsidu quadrati-
que correspondant ce type de fonction est gal :
n
2
0 0 i
i 1
1 1
R D (y y) V(y)
n n
Nous constatons ainsi que, si nous voulons choisir de faire des estimations de y partir dune constante,
il vaut mieux choisir la constante gale la moyenne des valeurs observes de la variables y.
B La droite des moindre carrs
1) Lanalyse
Par abus, cette droite est parfois appele droite de rgression.
Nous allons essayer dajuster la srie statistique gnrique ci-dessus (Tableau (B)) en faisant des estima-
tions de la variable y partir des valeurs de la variable x suivant une formule du type x y = ax + b
(cette droite sera appele, par abus, droite de rgression de y par rapport x). Comme ci-dessus, nous
allons minimiser la distance entre les valeurs observes de y et les valeurs estimes de la mme variable :
Cette distance est gale :
n n
2 2
i i i i
i 1 i 1
D (y y ) (y ax b)

Nous constatons alors que cette distance est fonction de deux inconnues a et b. Pour dterminer le
minimum dune fonction deux variables, nous devons dabord calculer puis annuler simultanment les
deux drives premires partielles :
n n n n
2
a i i i i i i i
i 1 i 1 i 1 i 1
D
D - 2 x (y ax b) - 2 x y a x b x
a
]
]

G
187
n n n
b i i i i
i 1 i 1 i 1
D
D - 2 (y ax b) - 2 y a x bn
a
]
]

Lannulation simultanes de ces deux drives partielles, nous amne donc rsoudre le systme (1) ci-
dessous :
n n n
2
n n
i i i i 2
i i i i 1 i 1 i 1
i 1 i 1
n n
i i
i 1 i 1
a x b x x y
a x bnx x y
soit encore
a x bn y
anx bn ny

|
| +
|
+
|
|

| |
+
+
| |
|

La deuxime quation nous indique que b y ax
En remplaant b par sa valeur dans la premire quation, nous obtenons :
n n
2
i i i
i 1 i 1
a x (y - ax) n x x y

+

Do nous tirons :
n n
2
2
i i i
i 1 i 1
1 1
a x x x y x y
n n

]

]
]
]

Cette quation scrit encore : a V(x) = Cov(x,y) do
Cov(x; y)
a
V(x)
Pour savoir si ces deux valeurs a et b nous donne une distance minimale, il nous faut tablir la matrice
[H] (matrice du Hessien), matrice forme partir des drives secondes partielles directes et croises, et
montrer que ses dterminants mineurs sont strictement positifs.
Ici nous avons

n
" " 2
a,a a,b i
i 1
" "
b,a b,b
D D 2 x 2nx
[H]
D D
2nx 2n
]
]
]
]

]
]
]
]
]
Do
n
2
1 i
i 1
m 2 x 0 et
>
m2 = Det([H]) = 4 n V(x) > 0

Le minimum D
1
de la distance, lorsque que le type de fonction dajustement choisi est une fonction
affine, est donc obtenu pour :
Cov(x; y)
a et b y ax
V(x)

G
188
Dans ce cas, cette distance minimale est gale :
n n
2
2
1 i i i i
i 1 i 1
D (y ax y ax) (y y) a(x x)

]
+
]

n n n
2 2 2
1 i i i 1
i 1 i 1 i 1
D a (x x) - 2 a (x x) (y y) (y y)

+

D
1
= a
2
n V(x) 2 a n Cov(x,y) + n V(y)
Comme nous avons
Cov(x; y)
a
V(x)
, D
1
= n V(y) - a
2
n V(x)
Le rsidu quadratique est alors ici gal : R
1
= V(y) - a
2
V(x)
2) Le coefficient de corrlation linaire
Nous pouvons alors constater que ds que nous remplaons le choix dun modle constant par un
modle affine, le rsidu quadratique diminue de R
0
- R
1
(ou samliore) de a
2
V(x).
Le coefficient de dtermination, dsign par r
2
, est la diminution relative de ce rsidu quadratique :
2 2
2 0 1 0 1
0 0
R R D D a V(x) Cov(x, y)
r
R D V(y) V(x)V(y)

Ici, comme nous utilisons un ajustement linaire, ce coefficient sera appel coefficient de dtermina-
tion linaire.
Si nous posons
n
2
i i
i 1
1
K (y y t(x x)
n
]

]
nous constatons que, quelque soit la valeur de

t, K 0.
En dveloppant, nous trouvons que K = t
2
V(x) + 2 t Cov(x,y) + V(y). Le signe de K tant constant, ou
alors K tant nul, son discriminant rduit = Cov(x, y)
2
- V(x) V(y) doit tre infrieur ou gal zro.
Nous arrivons ainsi lingalit de Scharwz : Cov(x ; y)
2
V(x) V(y).
Cette ingalit nous permet dcrire que r
2
1. Le nombre r gal
a (x) Cov(x, y)
(y) (x) (y)

est appel
coefficient de corrlation linaire et nest calcul que pour des ajustements linaires.
Daprs la remarque ci-dessus, nous en dduisons que |r| 1 soit -1 r 1.
3) Quelques remarques
La dernire formule donnant r indique que la valeur du coefficient de corrlation linaire reste inchan-
ge si :
- nous ajoutons un mme nombre toutes les valeurs de x ou de y ;
- nous multiplions par un mme nombre positif toutes les valeurs de x ou de y.
Nous pouvons constater que le coefficient de corrlation linaire est symtrique en x et y. Cela signifie
que, si nous cherchons ajuster x y en utilisant la droite de rgression de x en y dont nous cri-
G
189
rons lquation sous la forme x = ay + b, nous trouverons, en permutant x et y,
Cov(x; y)
a
V(y)

et
b x - a y, soient deux valeurs diffrentes de a et b, mais nous trouverons le mme coefficient de
corrlation linaire.
Nous pouvons remarquer que a, aet r sont de mme signe et que le produit de a par aest gal r
2
.
Si le coefficient de corrlation linaire r est nul, la droite dajustement de y en x une pente nulle : nous
ne pouvons donc pas amliorer la prcision du modle en passant dun modle constant un modle
affine (cela nexclut cependant pas lexistence dune dpendance entre les deux variables x et y).
Si le coefficient de corrlation linaire est gal, en valeur absolue, lunit, le rsidu quadratique est
nul. En effet, R = V(y) - a
2
V(x) = (1 - r
2
) V(y), il existe donc une relation affine entre x et y, relation affine
que nous pourrions crire sous la forme x y = a x + b ou y x = a y + b.
Nous pouvons en conclure que plus le coefficient de dtermination linaire r
2
est proche de 1, plus la
relation linaire entre x et y est valable.
Nous ne devrons parler de corrlation entre x et y quuniquement dans le cas o x et y sont deux varia-
bles dpendantes, sinon il faudra parler de covariation.
noter Lutilisation des quations de ces deux droites ne donne que des estimations et non pas des
valeurs relles.
Pour ne plus avoir utiliser la matrice du Hessien, nous ne vrifierons le fait dtre un minimum de la
distance D quen conditions ncessaires mais non suffisantes, cest--dire que nous ne vrifierons que le
signe des drives secondes partielles directes qui doivent tre strictement positives.
4) Une autre prsentation
Avec les dfinitions statistiques de la variance et de la covariance, les relations donnant a, aet r scri-
vent encore :
n n
i i i i
i 1 i 1
n n
2 2
i i
i 1 i 1
(x x) (y y) (x x) (y y)
a et a
(x x) (y y)

n
i i
i 1
n n
2 2
i i
i 1 i 1
(x x) (y y)
r
(x x) (y y)
G
190
Soit encore, en posant
i i
X = (x - x)
) et
i i
Y = (y - y) :
n n n
i i i i i i
i 1 i 1 i 1
n n
n n
2 2
2 2
i i
i i
i 1 i 1
i 1 i 1
X Y X Y X Y
a , a et r
X Y
X Y

5) Lapplication la srie tailles-masses donne dans lintroduction
Nous voulons chiffrer la droite de rgression de y en x et, pour cela, nous devons chiffrer x, y, V(x),
V(y) et Cov(x,y). Pour chiffrer ces caractristiques, nous utiliserons le tableau C ci-dessous :
i x
i
y
i
2
i
x
2
i
y x
i
y
i
1 60 153 3 600 23 409 9 180
2 65 164 4 225 26 896 10 660
3 65 166 4 225 27 556 10 790
4 70 172 4 900 29 584 12 040
5 75 178 5 625 31 684 13 350
6 72 174 5 184 30 276 12 528
7 80 181 6 400 32 761 14 480
8 88 186 7 744 34 596 16 368
9 78 179 6 084 32 041 13 962
10 80 182 6 400 33 124 14 560
Total 733 1 735 54 387 301 927 127 918
Nous obtenons ainsi : x = 73,3, y = 173,5V(x) = 65,81, V(y) = 90,45 et Cov(x,y) = 74,25.
Do a = 1,1282 et b = 90,7994.
La droite de rgression de y en x scrit donc sous la forme : y = 1,1282 x + 90,7994 (attention, dans
cette quation, y reprsente une valeur estime). Le coefficient de dtermination est gal 0,9262 et le
coefficient de corrlation linaire est gal 0,9624.
La droite de rgression de x en y a pour quation x = 0,8209 y - 69,1254.
Remarquons que pour chiffrer ces caractristiques, nous aurions galement pu chiffrer le systme (1)
ci-dessus et le rsoudre. Le coefficient de corrlation linaire tant proche de 1, nous pouvons faire des
estimations valables.
Nous pouvons galement calculer le coefficient de dtermination en mesurant la distance D
1
et lam-
lioration que celle-ci apporte par rapport la distance D
0
. Rappelons que la distance D
0
est celle calcu-
le page 135. Cette distance est donc gale 904,50. la mme page, nous avons calcul la distance
G
191
D relative la droite de Mayer est gale 66,876. Le coefficient de dtermination de la droite de Mayer
est alors gal
0
0
D D
D
soit 0,92606. Ce coefficient indique que le passage du modle constant

au modle de Mayer apporte un amlioration de 92,606 % de la distance.
Nous pouvons calculer la distance D
1
relative la droite des moindres carrs par lintermdiaire du
tableau ci-dessous :
Valeurs ajustes
i
y
Valeurs observes
y
i
carrs des carts
158,494 153 30,187
164,136 164 0,018
164,136 166 3,476
169,777 172 4,943
172,033 174 3,868
175,418 178 6,667
178,803 179 0,039
181,059 181 0,004
181,059 182 0,885
190,085 186 16,689
Total 66,776
Le coefficient de dtermination de la droite des moindres carrs est alors gal
0 1
0
D D
D
soit
0,92617. Ce coefficient indique que le passage du modle constant au modle des moindres carrs
apporte un amlioration de 92,617 % de la distance.
Lamlioration apporte par la droite des moindres carrs est donc lgrement suprieure celle apporte
par la droite de Mayer (cette amlioration se calcule toujours par rapport au modle constant, soit D
0
).
Il faut donc mieux faire des ajustements linaires par la mthode des moindres carrs plutt que par la
mthode de Mayer.
C Lajustement suivant une fonction exponentielle
Une fonction exponentielle est une fonction du type x y = K
x
o K et sont des constantes relles.
En utilisant les logarithmes npriens, lquation devient : ln(y) = x ln() + ln(K).
En posant ln(y) = Y, ln() = a et ln(K) = b, nous arrivons Y = ax + b.
Pour chiffrer la fonction exponentielle, il nous suffit donc de rsoudre le systme (1) en remplaant les
valeurs observes de y par leurs logarithmes npriens. Nous trouverons ainsi les valeurs de a et b qui
nous permettrons de trouver les valeurs de = e
a
et K = e
b
.
G
192
En partant de lexemple tailles-masses (tableau A), nous arrivons au tableau ci-aprs :
i x
i
y
i
ln(yi)
2
i
x x
i
ln(y
i)
1 60 153 5,03044 3 600 301,82628
2 65 164 5,09987 4 225 331,49132
3 65 166 5,11199 4 225 332,27921
4 70 172 5,14749 4 900 360,32461
5 72 174 5,15906 5 184 371,45198
6 75 178 5,18178 5 625 388,63377
7 78 179 5,18739 6 084 404,61609
8 80 181 5,19850 6 400 415,87976
9 80 182 5,20401 6 400 416,32053
10 88 186 5,22575 7 744 459,86571
Total 733 51,54626 54 387 3 782,68926
Nous arrivons ainsi au systme :
54387a 733b 3782, 68926
733a 10b 51,54626
+ |
+
|

soit

a 0, 0066
b 4, 6703
|
|

do

1, 0066
K 106, 7307
|
|
Do lcriture de la fonction cherche : x y = 106,7307 1,0066
x
Nous pouvons calculer la distance D
2
relative cet ajustement exponentiel par lintermdiaire du tableau
ci-aprs :
Valeurs ajustes
i
y
Valeurs observes
y
i
carrs des carts
2
i
e
158,658 153 32,009
163,987 164 0,000
163,987 166 4,053
169,495 172 6,276
171,749 174 5,065
175,188 178 7,908
178,695 179 0,093
181,072 181 0,005
181,072 182 0,861
190,901 186 24,018
Total 80,289
G
193
Le coefficient de dtermination de cet ajustement exponentiel est alors gal

0 2
0
D D
D

soit
0,91123.
Ce coefficient indique que le passage du modle constant au modle exponentiel apporte un amliora-
tion de 91,123 % de la distance.
Lamlioration apporte par la droite des moindres carrs est donc ici encore suprieure celle apporte
par lajustement exponentiel (cette amlioration se calcule toujours par rapport au modle constant,
soit D
0
).
Les valeurs ajustes obtenues sont donc moins bonnes que celles obtenues par lutilisation de la
droite des moindres carrs.
D Lajustement suivant une fonction puissance (fonction de Pareto)
Une fonction puissance est une fonction du type x y = K x
o K et sont des constantes relles.

En utilisant les logarithmes npriens, lquation devient : ln(y) = ln(x) + ln(K).
En posant ln(y) = Y, ln(x) = X, = a et ln(K) = b, nous arrivons Y = aX + b.
Pour chiffrer la fonction puissance, il nous suffit donc de rsoudre le systme (1) en remplaant les
valeurs observes de x et de y par leurs logarithmes npriens. Nous trouverons ainsi les valeurs de a et
b qui nous permettrons de trouver les valeurs de = a et K = e
b
.
En partant de lexemple tailles-masses (tableau A), nous utiliserons le tableau ci-dessous :
i x
i
y
i
ln(x
i
) ln(y
i
) ln(x
i
)
2
ln(x
i
) ln(y
i
)
1 60 153 4,09434 5,03044 16,76366 20,59635
2 65 164 4,17439 5,09987 17,42551 21,28882
3 65 166 4,17439 5,11199 17,42551 21,33942
4 70 172 4,24850 5,14749 18,04971 21,86911
5 72 174 4,27667 5,15906 18,28987 22,06356
6 75 178 4,31749 5,18178 18,64070 22,37229
7 78 179 4,35671 5,18739 18,98091 22,59993
8 80 181 4,38203 5,19850 19,20216 22,77995
9 80 182 4,38203 5,20401 19,20216 22,80410
10 88 186 4,47734 5,22575 20,04654 23,39743
Total 42,88387 51,54626 184,02674 221,11094
Nous arrivons ainsi au systme :
184, 027a 42, 884b 221,11094
42, 883a 10b 51,54626
+ |
+
|

soit

a 0, 488
b 3, 060
|
|

do

0, 488
K 21, 325
|
G
194
Do lcriture de la fonction cherche : x y = 21,325 x
0,488
.
La distance D
3
entre valeurs observes et valeurs ajustes est ici gale 54,698 (voir tableau ci-aprs).
Le coefficient de dtermination est donc ici gal
0 3
0
D D
0,93953.
D
Par rapport au modle cons-

tant, lamlioration est alors de 93,953 %.
Cest la meilleure valeur obtenue jusqu prsent, cest donc ce type de fonction qui, parmi ceux dja
tudis et dans ce cas, devrait tre privilgi pour faire des estimations.
Valeurs ajustes
i
y
Valeurs observes
y
i
carrs des carts
2
i
e
157,566 153 20,845
163,848 164 0,023
163,848 166 4,630
169,888 172 4,460
172,242 174 3,090
175,711 178 5,239
179,110 179 0,012
181,339 181 0,115
181,339 182 0,437
189,981 186 15,847
Total 54,698
E Lajustement parabolique
Nous allons essayer dajuster le tableau statistique gnrique ci-dessus en essayant de faire des estimations
de la variable y partir des valeurs de la variable x en utilisant une formule du type x y = a x
2
+ b x + c
(cette fonction est reprsente par une parabole, do le nom de cet ajustement). Comme pour lajuste-
ment linaire, nous allons minimiser la distance entre les valeurs observes de y et les valeurs estimes de
la mme variable. Cette distance est gale :
n n
2 2 2
i i i i i
i 1 i 1
D (y y ) (y ax bx c)

Nous constatons alors que cette distance est fonction de trois inconnues a, b et c. Pour dterminer le
minimum dune fonction trois variables, nous devons dabord calculer puis annuler simultanment les
trois drives premires partielles.
n n n n n
2 2 2 4 3 2
a i i i i i i i i i
i 1 i 1 i 1 i 1 i 1
D
D - 2 x (y ax bx c) - 2 x y a x b x c x
a
]
]

G
195
n n n n n
2 3 2
b i i i i i i i i i
i 1 i 1 i 1 i 1 i 1
D
D - 2 x (y ax bx c) - 2 x y a x b x c x
a
]
]

n n n n
2 2
c i i i i i i
i 1 i 1 i 1 i 1
D
D - 2 (y ax bx c) - 2 y a x b x cn
a
]
]

Lannulation simultanes de ces trois drives partielles, nous amne donc rsoudre le systme ci-des-
sous :
n n n n
4 3 2 2
i i i i i
i 1 i 1 i 1 i 1
n n n n
3 2
i i i i i
i 1 i 1 i 1 i 1
n n n
2
i i i
i 1 i 1 i 1
a x b x c x x y
a x b x c x x y
a x b x cn y

|
+ +
|
|
|
|
+ +
|
|
|
+ +
|
|

Le tableau D ci-aprs et le tableau C vu prcdemment permettront de chiffrer ce systme pour arriver :
310090323a 4083397b 54387c 9543736
4083397a 54387b 733c 127918
54387a 733b 10c 1735
+ + |
|
+ +
|
+ +
|

do

a 0, 0341
b 6,1410
c 91, 3438
|
|
|

|
Tableau D
i x
i
y
i
3
i
x
4
i
x
2
i i
x y
1 60 153 12 960 000 216 000 550 800
2 65 164 17 850 625 274 625 692 900
3 65 166 17 850 625 274 625 701 350
4 70 172 24 010 000 343 000 842 800
5 75 178 31 640 625 421 875 1 001 250
6 72 174 26 873 856 373 248 902 016
7 80 181 40 960 000 512 000 1 158 400
8 88 186 59 969 536 681 472 1 440 384
9 78 179 37 015 056 474 552 1 089 036
10 80 182 40 960 000 512 000 1 164 800
tot 733 1 735 310 090 323 4 083 397 9 543 736
G
196
Nous avons galement :
2 2 2 n n
4 2
a,a i b,b i c,v
2 2 2
i 1 i 1
D D D
D 2 x 0 D 2 x 0 D 2 n 0
a b c

> > >

Ces trois drives secondes partielles directes tant strictement positives, nous sommes senss tre au
minimum de la distance (voir remarque prcdente : condition ncessaire mais non suffisante).
Lquation de la parabole cherche scrit donc : y = - 0,0341 x
2
+ 6,1410 x - 91,3438
La distance D
4
entre valeurs observes et valeurs ajustes est ici gale 10,336 (voir tableau ci-aprs).
0 4
0
D D
D
= 0,9886.
Valeurs ajustes
i
y
Valeurs observes
y
i
carrs des carts
2
i
e
154,467 153,000 2,153
163,879 164,000 0,015
163,879 166,000 4,498
171,588 172,000 0,170
174,194 174,000 0,038
177,593 178,000 0,166
180,378 179,000 1,899
181,894 181,000 0,800
181,894 182,000 0,011
185,234 186,000 0,587
Total 10,336
Par rapport au modle constant, lamlioration est alors de 98,86 %.
Il faut cependant se mfier car, en utilisant ce type de fonction dajustement, un individu ayant une
masse de 100 kilogrammes devrait avoir une taille de 182 centimtres. Cette dernire taille montre bien
les limites dun ajustement : trouver une formule dajustement cest bien mais encore faut-il vrifier si
lestimation obtenue est plausible ou pas, dans notre cas, il serait fort tonnant quun individu ayant
une masse de 100 kilogrammes mesure 182 centimtres. Pour faire des estimations, il ne faut donc
pas trop sloigner des valeurs extrmes observes. Cette remarque sera surtout valable pour les sries
chronologiques.
G
197
F Un ajustement quelconque
Nous pourrions complter le tableau A et considrer que la taille dun individu ne dpend pas unique-
ment de sa masse mais dpend galement de sa structure osseuse. Cette structure osseuse peut tre
mesure par un indicateur : le tour de son poignet donn en centimtres. Nous introduisons ainsi une
nouvelle variable statistique que nous dsignerons par la lettre t. La valeur t
i
sera donc le tour du poi-
gnet (en centimtres) de lindividu i.
Nous avons donc essayer destimer la taille y dun individu, non seulement en fonction de sa masse x,
mais galement en fonction de son tour de poignet t.
Nous allons donc essayer de dterminer une fonction (x ; t) y = f(x ; t) qui nous permettra de faire ces
estimations. Nous pouvons supposer que f(x ; t) = ax + bt + c o a, b et c sont des constantes.
Comme pour lajustement linaire, nous allons minimiser la distance entre les valeurs observes de y et
les valeurs estimes de la mme variable :
n n
2 2
i i i i i
i 1 i 1
D (y y ) (y ax bt c)

Nous constatons alors que cette distance est fonction de trois inconnues a, b et c. Pour dterminer le
minimum dune fonction trois variables, nous devons dabord, comme dans lexemple prcdent, cal-
culer puis annuler simultanment les trois drives premires partielles :
n n n n n
2
a i i i i i i i i i i
i 1 i 1 i 1 i 1 i 1
D
D - 2 x (y ax bt c) - 2 x y a x b x t c x
a
]
]

n n n n n
2
b i i i i i i i i i i
i 1 i 1 i 1 i 1 i 1
D
D - 2 t (y ax bt c) - 2 t y a x t b t c t
a
]
]

2 2 n n
2 2
a,a i b,b i
2 2
i 1 i 1
D D
D - 2 x 0 D 2 t 0
a b

> >

Lannulation simultanes de ces trois drives partielles, nous amne donc rsoudre le systme ci-des-
sous :
|
|
|
|
|
|
|
|
+ +
+ +
+ +

n
1 i
i
n
1 i
i
n
1 i
i
n
1 i
i i
n
1 i
i
n
1 i
2
i
n
1 i
i i
n
1 i
i i
n
1 i
i
n
1 i
i i
n
1 i
2
i
y cn t b x a
y t t c t b t x a
y x x c t x b x a
G
198
Avant de chiffrer et en utilisant, comme indiqu ci-dessus, des conditions ncessaires mais non suffi-
santes, et pour vrifier que nous sommes bien un minimum de la distance, nous allons vrifier que les
drives partielles secondes directes sont bien toutes strictement positives.
Dans ce cas, nous avons bien ces conditions vrifies car :
2 2 2 n n
2 2
a,a i b,b i c,c
2 2 2
i 1 i 1
D D D
D 2 x 0 D 2 t 0 D 2 n 0
a b a

> > >

Pour pouvoir faire ltude, nous allons complter le tableau A qui devient le tableau ci-aprs :
Masses
(en kg)
Tailles
(en cm)
Tours de Poignet
(en cm)
x
i
y
i
t
i
60 153 9,5
65 164 8,2
65 166 7,2
70 172 8,8
75 178 10,0
72 174 9,4
80 181 13,0
88 186 17,0
78 179 12,0
80 182 12,5
Le tableau ci-aprs et le tableau D vu prcdemment permettront darriver au systme chiffr :
54387, 00a 8085, 80b 733, 00c 127918, 00
8085, 00a 1233, 38b 107, 60c 18860, 70
733, 00a 107, 60b 10, 00c 1735, 00
+ + |
|
+ +
|
+ +
|
do
a 1, 7498
b 2, 0582
c 67, 3896
|
|

|
La fonction cherche scrit donc : (x ; t) y = 1,7498 x - 2,0582 t + 67,3896
La fonction cherche scrit donc : (x ; t) y = 1,7498 x - 2,0582 t + 67,3896.
Pour pouvoir faire lestimation de la taille en centimtres dun individu, il faudra, en plus de sa masse en
kilogrammes, connaitre son tour de poignet en centimtres avant dutiliser la relation que nous venons
de trouver.
Cette relation nest pas la seule que nous devrions tester mais le principe des moindres carrs (minimisa-
tion de la distance entre valeurs observes et valeurs estimes) sapplique pour toute formule que nous
aurions choisie.
G
199
i x
i
y
i
t
i
2
i
t t
i
y
i
1 60 153 9,5 90,25 1 453,5
2 65 164 8,2 67,24 1 344,8
3 65 166 7,2 51,84 1 195,2
4 70 172 8,8 77,44 1 513,6
5 75 178 10,0 100,00 1 780,0
6 72 174 9,4 88,36 1 635,6
7 80 181 13,0 169,00 2 353,0
8 88 186 17,0 289,00 3 162,0
9 78 179 12,0 144,00 2 148,0
10 80 182 12,5 156,25 2 275,0
totaux 733 1 735 107,6 1 233,38 18 860,7
Le tableau ci-aprs va nous permet de calculer la distance D
5
entre valeurs observes et valeurs ajustes
qui est ici gale 0,695 (voir tableau ci-dessus).
0 5
0
D D
0, 9992.
D
Par rapport au modle constant, lamlioration est alors de 99,92 %.

Valeurs ajustes
i
y
Valeurs observes
y
i
carrs des carts
2
i
e
152,822 153,000 0,032
164,246 164,000 0,061
166,304 166,000 0,093
171,760 172,000 0,058
178,039 178,000 0,002
174,025 174,000 0,001
180,613 181,000 0,150
186,378 186,000 0,143
179,172 179,000 0,029
181,642 182,000 0,128
Total 0,695
G
200
G Quelques remarques
Les tableaux statistiques correspondant une srie de deux variables ne sont pas toujours donns sous
la forme simple :
X Y
x
i
y
i
o chaque couple de valeurs (x
i
; y
i
) nest vu quune seule fois (chaque couple un effectif gal un).
En effet, les sries deux variables peuvent tre donnes partir dun tableau dans lequel chaque cou-
ple de valeurs (x
i
; y
i
) un effectif propre, soit un tableau sous la forme :
X Y Effectifs
x
i
y
i
n
i
Dans ces conditions, toutes les relations vues prcdemment sappliquent en prenant en compte les
effectifs. Par exemple, la place de
n
i
i 1
x ,
il faudra utiliser
n
i i
i 1
nx ,
n reprsentant le nombre de lignes

du tableau et non pas le nombre dobservations effectues.
Ces sries sont souvent donnes sous la forme dun tableau de contingence o les valeurs de x et de
y ont t regroupes qui indique quil y a eu n
i,j
couples de valeurs (x
i
; y
i
) observs.
Dans ce tableau, dont la forme gnrale est donn ci-aprs,, encore appel tableau double entre,
la valeur
,* h,i
i
nh = n
est leffectif marginal relatif y

h
et la valeur
*,i h,i
h
n n

est leffectif marginal
relatif x
i
.
Enfin
*,i h,* h,i h,i
i h i h h i
N n n n n
.

est le nombre total dobservations effectues.
X
Y
x
1
x
i
x
q
Totaux
y
1
n
1,1
n
1i
n
1,q
n
1,*
y
h
n
h,1
n
h,i
n
h,q
n
h,*
y
m
n
m,1
n
m,i
n
m,q
n
m,*
Totaux n
*,1
n
*,i
n
*,q
N
partir de ce type de tableau, nous pouvons sortir une srie statistique marginale en X et une
srie marginale en Y puis calculer les diffrentes caractristiques comme moyennes ou cart-types
G
201
pour dterminer les diffrentes formules dajustement. Ces sries statistiques marginales sont de la
forme :
X Effectifs Y Effectifs
x
1
n
1.
y
1
n
.1
x
i
n
i.
y
j
n
.j
x
p
n
p.
y
s
n
.s
Total N Total N
Ce qui vient dtre dcrit se gnralise bien entendu des sries statistiques comportant plus de deux
variables.
noter Le plus important est peut-tre dapprcier la qualit de lajustement par le calcul du coef-
ficient de corrlation linaire (si nous ralisons un ajustement linaire) ou par le calcul de la distance
entre valeurs observes et estimes. Pour faire une estimation, il faut viter de faire un seul
ajustement.
G
202
3

Le rsum
Principe des moindres carrs
Minimiser D = ( )
n
1 i
2
i i
y y
y
i
: valeur observe
i
y
= valeur estime
Cas gnral
Recherche du minimum
d'une fonction
Cas particulier
Rsolution d'un systme
Pour comparer des ajustements diffrents

comparer les distances entre valeurs
observes et valeurs ajoutes
ou
comparer coefficients de dtermination
1

Les lments composants une chronique
A Lintroduction
Une srie chronologique, ou chronique, est une srie o lune des variables est le temps. Cest--dire
quune srie chronologique (ou chronique) tudie une variable en fonction du temps en vue de faire des
prvisions.
Ces prvisions doivent prendre en compte la tendance gnrale (ou trend) du phnomne tudi, lin-
fluence dune tendance saisonnire et sa priodicit (si elles existent), linfluence de phnomnes acci-
dentels (ou alatoires).
Dans la suite, nous considrerons que les phnomnes accidentels sannulent sur une priode. Nous
chercherons donc les estomper mais nous ne ferons aucune estimation sur eux.
Nous allons montrer les diffrents lments composant une chronique et tudier deux mthodes desti-
mations, lune empirique et lautre analytique, sur lexemple chiffr ci-dessous :
Livraisons dessence Super dans un Hypermarch de Papyville
(Livraisons trimestrielles en millions de m
3
)
Trimestres
Annes
1 2 3 4
2001 1 050 1 300 1 500 1 300
2002 1 050 1 400 1 750 1 350
2003 1 100 1 550 1 850 1 450
2004 1 150 1 700 2 000 1 550
B Une visualisation de la tendance gnrale (Trend)
Cette tendance gnrale est encore appele Trend.
Cette visualisation peut se faire partir dun graphique dit successif o les trimestres des quatre
annes dtude sont placs les uns la suite des autres.
les sries chronologiques
Chapitre
16
G
204
Sur le graphique ci-aprs, les quantits sont dsignes par Q et les rangs des trimestres varient de 1
16 (4 annes dtudes).
Sur ce graphique en dents de scie nous constatons quil y a une tendance gnrale hausse alors que la
priodicit est suspecte mais non apparente.

1 3 2 5 4 6 7 8 9 10 11 12 13 14 15 16 t
2004 2003 2001 2002
1100
1200
1300
1400
1500
1600
1700
1800
2000
1900
Q
C Une visualisation de la priodicit et de linfluence accidentelle
Cette visualisation peut se faire partir dun graphique dit superpos o les annes se superposent,
do le graphique suivant :

T1 T2 T3 T4
1100
1200
1300
1400
1600
1500
1700
1800
1900
2000
Trimestres
Q
2001
2002
2003
2004
Nous constatons ainsi quil y a priodicit annuelle (les courbes sont sensiblement de mme forme) mais
quil y a certainement des phnomnes accidentels sous-jacents car les diffrentes courbes annuelles ne
sont pas tout fait parallles.
G
Chapitre 16 Quelques notions sur les sries chronologiques
205
D Un graphique montrant simultanment les trois composantes
Pour faire apparaitre sur un mme graphique la tendance gnrale, la priodicit et linfluence acci-
dentelle, il faut que ce graphique soit la fois successif et superpos do le graphique en toile
daraigne suivant :

T4 T2
T3
T1
1000 2000 1000 2000
1000
2000
1000
2000
Nous constatons que le phnomne tudi une tendance gnrale le hausse (la courbe sloigne
rgulirement de lorigine des axes), la priodicit et linfluence accidentelle tant prouves par des
courbes peu prs parallles.
2

Une mthode empirique destimation
A La dcomposition du phnomne tudi
Nous avons vu que les livraisons avaient tendance augmenter en ayant une priodicit annuelle.
En partant de lhypothse comme quoi un mouvement accidentel ntait pas prvisible mais que son
influence sannulait sur une priode, donc sur une anne, nous essaierons de chiffrer le trend par
lintermdiaire dune fonction affine et destimer la priodicit par le calcul de coefficients de pondra-
tion appels coefficients saisonniers. Nous considrerons ici que ces coefficients saisonniers sont multi-
plicatifs.
G
206
Si nous prenons le trimestre k de lanne i, ce trimestre est de rang 4(i-1) + k gal t : cest le t
ime
tri-
mestre vu depuis le dbut de ltude.
Nous allons chercher estimer y
i,k
(quantit dessence livre le trimestre k de lanne i) sous la forme
[a(4(i-1) + k) + b] c
k
= [at + b] c
k
o a et b sont des constantes et o les c
k
sont les coefficients saison-
niers.
La fonction t y
i,k
= y
t
= at + b reprsentera le trend.
B Une estimation grossire du Trend
Pour cette estimation, nous chercherons dabord, par la mthode des moindres carrs, lquation dune
droite qui nous permettra dvaluer, en fonction du rang dune anne (la priode), les quantits livres
trimestriellement en moyenne sur une anne.
Nous utiliserons donc le tableau ci-dessous o x reprsente le rang dune anne et m
x
la moyenne tri-
mestrielle correspondant cette anne.
x m
x
x
2
x m
x
1 1 287,5 1 1 287,5
2 1 387,5 4 2 775,0
3 1 487,5 9 4 462,5
4 1 600,0 16 6 400,0
10 5 762,5 30 14 925,0
Soit rsoudre :
n n n
2
i i i i
i 1 i 1 i 1
n n
i i
i 1 i 1
a x b x xm
a x bn m

|
+
|
|
|
+
|
|

soit
30a 10b 14 925, 0
10a 4b 5762,5
+ |
+
|
Nous trouvons ainsi a = 103,75 et b = 1 181,25
Do lquation de la droite : x m
x
= 103,75 x + 1 181,2511
C Le calcul des coefficients saisonniers
Le coefficient saisonnier tant multiplicatif, nous le dfinirons comme tant le rapport entre une valeur
saisonnalise et la valeur dsaisonnalise qui lui correspond. Lquation du trend va nous permettre de
calculer les valeurs dsaisonnalises.
En effet, nous constatons que si x passe de n n + 1, m
x
augmente de 103,75. Cette augmenta-
tion correspond donc une augmentation annuelle, soit une augmentation trimestrielle moyenne
de 25,9375. En faisant un graphique, nous constatons que labscisse reprsentant une anne se situe
G
207
au centre de lintervalle dont les extrmits sont les abscisses reprsentant les trimestres 2 et 3 de cette
anne :
1
3 1 4 5 6 7 2
2 Annes
Trimestres
1
re
anne 2
me
anne
Pour trouver la valeur dsaisonnalise correspondant au 2
e
trimestre de la premire anne, il nous suf-
fira donc de prendre la valeur moyenne de la premire anne et de lui enlever la moiti de 25,9375.
Les autres valeurs dsaisonnalises sont dtermines en considrant quentre le trimestre t et le trimes-
tre t + 1 il y a une augmentation de 25,9375.
Le tableau ci-dessous nous donne les valeurs initiales y
t
et les valeurs uniquement dsaisonnalises
y
t,d1
:
t y
t
y
t,d1
1 1 050 1 246,09375
2 1 300 1 272,03125
3 1 500 1 297,96875
4 1 300 1 323,90625
5 1 050 1 349,84375
6 1 400 1 375,78125
7 1 750 1 401,71875
8 1 350 1 427,65625
9 1 100 1 453,59375
10 1 550 1 479,53125
11 1 850 1 505,46875
12 1 450 1 531,40625
13 1 150 1 557,34375
14 1 700 1 583,28125
15 2 000 1 609,21875
16 1 550 1 635,15625
Si nous considrons uniquement les quatre premiers trimestres, et sil y a priodicit pure sur une anne,
les rapports entre y
t
et y
t,d1
devraient tre gaux, la valeur de ces rapports tant le coefficient saisonnier
correspondant aux premiers trimestres.
G
208
Or si nous calculons ces rapports nous arrivons au tableau suivant :
y
t
y
t,d1
t
t,d1
y
y
1 050 1 246,09375 0,8426
1 050 1 349,84375 0,7779
1 100 1 453,59375 0,7567
1 150 1 557,34375 0,7384
Ces rapports ne sont pas gaux du fait dune influence accidentelle. Nous prendrons comme coefficient
saisonnier correspondant aux premiers trimestres, la moyenne de ces rapports.
Nous obtenons ainsi c
1
= 0,7789
Les autres coefficients saisonniers sont calculs de la mme manire dans les trois tableaux ci-dessous :
y
t
y
t,d1
t
t,d1
y
y
1 300 1 272,03125 1,0220
Deuximes trimestres
1 400 1 375,78125 1,0176
1 550 1 479,53125 1,0476
1 700 1 583,28125 1,0737
c
2
1,0402
y
t
y
t,d1
t
t,d1
y
y
1 500 1 297,96875 1,1557
Troisimes trimestres
1 750 1 401,71875 1,2485
1 850 1 505,46875 1,2289
2 000 1 609,21875 1,2428
c
3
1,2190
y
t
y
t,d1
t
t,d1
y
y
1 300 1 323,90625 0,9819
Quatrimes trimestres
1 350 1 427,65625 0,9456
1 450 1 531,40625 0,9468
1 550 1 635,15625 0,9479
c
4
0,9556
G
209
D La dtermination de lquation du Trend
Les coefficients saisonniers tant maintenant dtermins, nous pouvons calculer les valeurs uniquement
dsaisonnalises y
t,d2
mais o linfluence accidentelle existe toujours.
Pour estomper cette influence accidentelle, nous calculerons des moyennes chelonnes et nous pren-
drons comme valeur dsaisonnalise y
t,d3
et sans influence accidentelle correspondant au trimestre t la
moyenne des 5 valeurs y
t,d2
obtenues prcdemment et centres sur le trimestre dsir (il ny aura donc
pas de valeur y
t,d3
pour les trimestres 1, 2, 15 et 16).
Lquation du trend sera alors obtenue en faisant un ajustement linaire par la mthode des moindres
carrs entre le rang t dun trimestre et la valeur y
t,d3
correspondante.
Le tableau ci-dessous va nous permettre de dterminer cette quation :
t y
t
y
t,d2
y
t,d3
t
2
t y
t,d3
1 1 050 1 348,01903
2 1 300 1 249,71769
3 1 500 1 230,56442 1 307,35065 9 3 922,05195
4 1 300 1 360,43308 1 306,91681 16 5 227,66723
5 1 050 1 348,01903 1 344,10497 25 6 720,52484
6 1 400 1 345,84982 1 380,54357 36 8 283,26142
7 1 750 1 435,65849 1 390,89904 49 9 736,29325
8 1 350 1 412,75743 1 419,30483 64 11 354,43866
9 1 100 1 412,21041 1 453,67409 81 13 083,06683
10 1 550 1 490,04801 1 470,02362 100 14 700,23621
11 1 850 1 517,69611 1 482,75249 121 16 310,27743
12 1 450 1 517,40613 1 527,15965 144 18 325,91583
13 1 150 1 476,40180 1 557,30056 169 20 244,90729
14 1 700 1 634,24621 1 578,17230 196 22 094,41226
15 2 000 1 640,75255
16 1 550 1 622,05483
102 17 218,20259 1 010 15 0003,05321
Soit rsoudre :
n n n
2
i i i i
i 1 i 1 i 1
n n
i i
i 1 i 1
a t b t t y
a t bn y

|
+
|
|
|
+
|
|

soit
1010a 102b 150 003, 05321
102a 12b 17 218, 20259
+ |
+
|
Nous trouvons ainsi a = 25,513 et b = 1 217,991
G
210
Do lquation du Trend linaire : x y
t
= 25,513 t + 1 217,991
Pour estimer la valeur qui correspondrait au premier trimestre 2005, il suffirait alors de remplacer t par
17 dans cette quation et de multiplier la valeur obtenu par le coefficient saisonnier correspondant aux
premiers trimestres.
Nous trouverons ainsi une valeur gale 1 286,55, vues les donnes initiales, nous estimerions alors
que le premier trimestre 2005, lhypermarch livrera 1 300 millions de m
3
de super.
3

Une mthode analytique destimation
A La prsentation
Nous avons vu quune srie chronologique est une srie qui peut tre donne sous la forme dun
tableau double entre suivant :
Priodes
Annes
1 k m
1 y
1,1
y
1,k
y
1,n
i y
i,1
y
i,k
y
i,m
n y
n,1
y
n,k
y
n,m
Dans ce tableau, les priodes peuvent tre des mois, des trimestres,...
Si nous prenons la priode k de lanne i, cette priode est de rang m(i-1) + k gal t : cest la t
ime
p-
riode vue depuis le dbut de ltude (nous avons vu un cas particulier dans le 2 prcdent).
B Les principes
Nous allons chercher estimer y
i,k
sous la forme a[m(i-1) + k) + b + c
k
o a et b sont des constantes et
o les c
k

sont les coefficients saisonniers (pour changer par rapport au 2 prcdent, nous avons choisi
des coefficients saisonniers additifs).
Daprs ce que nous avons vu, le principe des moindres carrs nous indique que nous devons minimiser
la quantit :
2
m n
i,k k
k 1 i 1
F y a(m(i 1) k) b c

] +
]

Dans le reste du raisonnement, nous poserons :
m
i i,k
k 1
1
m y
m
G
211
n
k i,k
i 1
1
m y
n

n m m n
g i k i,k
i 1 k 1 k 1 i 1
1 1 1
m m m y
n m mn

Lordre dans lequel nous crivons les doubles sommes tant indiffrent, nous poserons galement :
n
2
k i,k k
i 1
F y a(m(i 1) k) b c
] +
]
m
2
i i,k k
k 1
F y a(m(i 1) k) b c
] +
]
m n
k i
k 1 i 1
F F F

Nous poserons galement que
m n
k i
k 1 i 1
Min F Min F Min F

Le principe de conservation des aires nous indique que linfluence saisonnire sannule sur une anne,
nous poserons donc que :
m
k
k 1
c 0
Cette remarque va nous permettre de simplifier un peu lcriture de F. En effet, en posant b

k
= b + c
k
,
nous pouvons remarquer que :
m m m m
k k k k
k 1 k 1 k 1 k 1
1
b (b c ) mb c mb d' o b b
m

+ +

Nous obtenons ainsi que
2
m n
i,k k
k 1 i 1
F y a(m(i 1) k) b

] +
]

C Le calcul de b et des coefficients saisonniers
Nous allons chercher, dans un premier temps, minimiser F
k
en considrant k fix et a connu
n
2
k i,k k
i 1
F y a(m(i 1) k) b
] +
]
G
212
F est une fonction une seule variable b
k
, nous drivons donc suivant cette variable.
n
k i,k k
i 1
F 2 y a(m(i 1) k) b
]
] +
]
]
n n
k i,k k
i 1 i 1
F 2 y a (m(i 1) k nb

]
] +
]
]

n
k k k
i 1
F 2 nm am (i 1) ank nb
]
]
]
]
k k k
n(n 1)
F 2 nm am ank nb
2
]

]
]
Au minimum de F
k
, nous devons avoir
k
F 0
Nous en dduisons ainsi que

k k
n 1
b m - am ak
2

Calculons maintenant b.
m m m
2
k k
k 1 k 1 k 1
1 1 (n 1)
b b m am a k
m m 2
]
]
]

2
g
1 (n 1) m(m 1)
b mm am a
m 2 2
+ ]

]
]
g
n 1 m 1
b m am a
2 2
+

Do
g
mn 1
b m a
2
+

Calculons la valeur de c
k
pour k fix :
k k k g
n 1 mn 1
c b b m am ak m a
2 2
+
+
do
k k g
m 1
c m m a k
2
+ ]

]
]
La drive seconde de F par rapport b
k
F
k
tant gale 2n > 0, nous sommes bien un minimum.
Nous remplaons b
k
par la valeur obtenue ci-dessus dans F qui devient alors une expression une seule
variable a
2
m n
i,k k
k 1i 1
n 1
F y a[m(i 1) k] m am ak
2

]
+ + +
]
]

G
213
D Le calcul de a
Nous pouvons changer lordre des deux sommes sans changer la valeur de F qui devient :
[ ]
2
n
1 i
m
1 k
k k , i
k a
2
1 n
m a m k ) 1 i ( m a y F

]
]
]
+ +
En simplifiant un peu, nous arrivons :
2
n m
i,k k
i 1k 1
n 1
F y m am (i 1)
2

] |

] ' J
( J ]

Nous pouvons remarquer que, pour une anne fixe (i fix) et suivant les indices k, la moyenne des
i,k k
(y - m )
est gale
i g
(m - m ).
Nous pouvons alors appliquer le thorme de KNIG au niveau de F :

n m n
2 2
i,k k i g i g
i 1k 1 i 1
n 1
F (y m ) (m m ) m (m m ) am (i 1)
2

] |
]
+
] ' J
]
( J ]

Ce qui scrit encore :
n m n
2 2
i,k k i g i g
i 1k 1 i 1
n 1
F (y m ) (m m ) m (m m ) am i
2

] + |
]
+
] ' J
]
( J ]

F ne scrivant quavec une seule variable a, nous obtenons :
n
' 2
a i g
i 1
n 1 n 1
F 2m i (m m ) am i
2 2
] + + ] |

] ' J ]
] ( J ]
Soit encore :
n n
' 2 2
a i g
i 1 i 1
n 1 n 1
F 2m i (m m ) am i
2 2

]
+ + ] |
]
' J ]
] ] ( J
]

Remarquons que
2
n
" 3
a
i 1
n 1
F 2m i 0
2
+ ]
>
]
]
Nous serons donc un minimum de F ds que F

a
= 0
Nous crirons [ ]
' 2
a
F 2m N amD: en posant :
n
i g
i 1
n 1
N i (m m )
2

+ ]

]
]

et

2
n
i 1
n 1
D i
2
+ |

' J
( J
G
214
Occupons nous dabord de D :
2 n
2
i 1
(n 1)
D i i (n 1)
4
]
+
+ + ]
]
]
Soit
2 2
n(n 1) (2n 1) n(n 1) n(n 1)
D
6 2 4
+ + + +
+
Nous arrivons ainsi

2
(n - 1) n(n 1)
D n( n 1)
12 12
+
Nous pouvons crire N sous la forme ci-dessous :
n n n
i i g g
i 1 i 1 i 1
(n 1) (n 1)
N im m m i n m
2 2

+ +
+

n
i g g g
i 1
(n 1) n(n 1) (n 1)
N im m m n m
2 2 2
+ + +
+
Soit

n
i g
i 1
(n 1)
N im n m
2
crire F
a
= 0 revient crire que N - a m D = 0
Do

N
a
mD
Nous obtenons ainsi que :

n
i g
i 1
2
(n 1)
im n m
2
a
n(n 1)
m
12
Soit encore

n
i g
i 1
2
(n
12 im n m
2
a
mn(n 1)
]
+
]
]
]
noter Cette mthode est la mthode de Buys-Ballot.
G
215
E Lapplication aux livraisons dessence de lhypermarch de Papyville
Les divers lments servant nos calculs sont rsums dans le tableau ci-dessous :
1 2 3 4 T
i
m
i
im
i

1 1 050,0 1 300,0 1 500,0 1 300,0 5 150 1 287,500 1 287,5
2 1 050,0 1 400,0 1 750,0 1 350,0 5 550 1 387,500 2 775,0
3 1 100,0 1 550,0 1 850,0 1 450,0 5 950 1 487,500 4 462,5
4 1 150,0 1 700,0 2 000,0 1 550,0 6 400 1 600,000 6 400,0
T
k
4 350,0 5 950,0 7 100,0 5 650,0 23 050 14 925,0
m
k
1 087,5 1 487,5 1 775,0 1 412,5 1 440,625
c
k
-314,219 59,844 321,406 -67,031
Nous arrivons ainsi la fonction dajustement suivante :
er
e
i,k
e
e
314,22 1 Trim.
59,84 2 Trim.
y 25,94 [4 (i-1) k ] 1220,16
321, 41 3 Trim.
67,03 4 Trim.
|

|
|
|
+ + +

|
|
|
|
Nous pouvons constater que la somme des coefficients de corrlations linaires est nulle.
Si nous voulons, comme dans le chapitre prcdent, estimer les livraisons pour le premier trimestre
2005, il suffit de remplacer i par 5 et k par 1 pour obtenir y
i,k
= 1 346,88.
Vues les donnes initiales, nous estimerions donc 1 350 millions de m
3
la quantit de super livre par
lhypermarch.
G
216
4

Le rsum
Srie chronologique
Etude portant sur n annes (indices i)

et sur m priodes dans l'anne (indice k)

(Priodicit annuelle suppose)
Tendance gnrale ou Trend
3 composantes : Mouvement priodique ou saisonnier
Mouvement accidentel ou alatoire

Mthode empirique Mthode analytique
Formule gnrale :
y
t
=

(at + b) c
k y
i, k
= a[m( i-1)+k ) + b + c
k
Estimation grossire du trend
) 1 n ( n m
m
2
) 1 n (
n m i
12
a
2
g
n
1 i
i
-
+
-
=

=
Calculs des coefficients saisonniers

2
1 n m
a m b
g
+
- =
Elimination de l'influence saisonnire et
estompage de l'influence accidentelle

+
- - - =
2
1 m
k a m m c
g k k
Dtermination du trend final

Forme gnrale
1

Les indices lmentaires
A Lintroduction
Pour mesurer lvolution du cot de la vie, lvolution dune production au cours du temps, lvolution
dobservations quantitatives quelconques, lhabitude est dvaluer la variation du phnomne tudi en
pourcentage par rapport une priode de rference.
Si le phnomne tudi dpend dune seule variable statistique, nous utiliserons la notion dindice l-
mentaire.
Si le phnomne tudi dpend de plusieurs variables statistiques, nous utiliserons la notion dindice
synthtique.
B La dfinition
Lvolution des prix (hors taxes) en fonction du temps (au premier janvier) dun flacon dAntifunque
(produit destin la dsintoxication des fumeurs) est donne dans le tableau ci-dessous :
t 1998 1999 2000 2001 2002 2003 2004
p
t
12,0 12,5 15,0 17,0 20,0 23,0 27,0
partir de ce tableau nous pouvons mesurer lvolution de ces prix au cours du temps.
Par exemple, si nous voulons mesurer lvolution des prix des cigarettes Antifunque entre 2004 et 1998,
nous calculerions le ratio :
2004
1998
p 27
2, 25
p 12
= =
Ce ratio signifie que les prix des cigarettes Antifunque ont augmenter de 125 % entre 2004 et 1998.
Nous crirons alors que I(p)
2004/1998
= 2,25.
Nous dirons encore que lindice du prix des cigarettes Antifunque est gal 225, base 100 en 1998.
noter Lhabitude est prise de toujours donner un indice en pourcentage, ou plutt en rfrence
une base 100.
les indices statistiques
Chapitre
17
G
218
Nous pourrions de la mme manire calculer un indice des quantits qui mesurerait lvolution de la
production ou de la consommation.
En gnral, lvolution dune grandeur X entre t
0
et t
1
se mesure laide dun indice lmentaire gal :
1
1 0
0
t
t / t
t
X
I(X)
X
=
C Quelques proprits des indices lmentaires
La premire proprit est la reversibilit :
1 0
0 1
t / t
t /t
1
I(X)
I(X)
=
En effet
1
1 0
0
0 0 1
1
t
t / t
t
t t /t
t
X
1 1
I(X)
X
X I(X)
X
= = =
La seconde proprit est la transfrabilit :
1 0 1 2 2 1
t / t t / t t / t
I(X) I(X) x I(X) =
En effet
1 2 1
1 2 2 1 1 0
2 1 0
t t t
t / t t / t t / t
t t t
X X X
I(X) x I(X) x I(X)
X X X
= = =
Par exemple, pour les cigarettes antifunque, nous avons :
2000 2004
2000/1998 2004/2000
1998 2000
p p 15 27
I(p) 1,25 et I(p) 1,80
p 12 p 15
= = = = = =
Pour calculer I(p)
2004/1998
, il suffit de multiplier I(p)
2000/1998
par I(p)
2004/2000
:
En effet : 1,25 x 1,8 = 2,25.
La troisime proprit, dite proprit de circularit ou denchainement, est dduite de la proprit de
circularit
n 0 n n 1 n 1 n 2 2 1 1 0
t / t t / t t / t t / t t / t
I(X) I(X) x I(X) x ... x I(X) x I(X)

=
2

Les indices synthtiques
A La dfinition et les principes
Les indices lmentaires montrent vite leurs limites quand nous voulons tudier un ensemble de
valeurs.
Imaginons Nicolas consommant non seulement de lAntifunque mais galement de lAntipinard et du
Forenmat (ces deux derniers produits sont vendus en flacons et faciles dfinir).
G
Chapitre 17 Quelques notions sur les indices statistiques
219
Le tableau ci-dessous indique les consommations, les prix et les dpenses de Nicolas en 1998 et en
2004 :
i Produit Quantits q
i,t

(en centaines
de flacons)
Prix p
i,t

(en euross)
Dpenses D
i,t

(en centaines
de francs)
t = 1998 t = 2004 t = 1998 t = 2004 t = 1998 t = 2004
1 Antifunque 150 100 12,00 27,00 1 800,00 2 700,00
2 Antipinard 110 250 15,00 24,00 1 650,00 6 000,00
3 Forenmat 240 300 10,00 30,00 2 400,00 9 000,00
Dpense Totale 5 850,00 17 700,00
Nous pourrions mesurer lvolution des dpenses de Nicolas entre 1998 et 2004 en calculant lindice :
2004/1998
17 700
I(D) 3,0256
5 850
= = et annoncer que, pour lensemble de ces trois produits, le cot de la
vie a augment de 202,56 % entre 1998 et 2004.
Cependant, nous pouvons remarquer que cette volution ne dpend pas que dun seul paramtre mais
de deux (les prix et les quantits) et que pour mesurer la variation du cot de la vie (ou des quantits
consommes) une seule variable est prendre vritablement en compte soit les prix (les consomma-
tions), lautre variable servant de coefficients, pour calculer un indice de prix (de quantits).
Nous arrivons ainsi la notion dindice synthtique
B Lindice de Laspeyres
Lindice de Laspeyres des prix (des quantits) est lindice synthtique o les coefficients sont les quanti-
ts (les prix) de lpoque initiale (ou lointaine).
Nous crirons
i,2004 i,1998 i,1998 i,2004
2004/1998 2004/1998
i,1998 i,1998 i,1998 i,1998
p Q p Q
IL(p) et IL(Q)
p Q p Q
= =

Dans notre cas, nous obtenons :
2004/1998
27x150 24 x110 30x 240 13 890
IL(p) 2,3744
12x150 15x110 10x 240 5 850
+ +
= = =
+ +
2004/1998
12x100 15x 250 10x 300 7 950
IL(Q) 1,3590
12x150 15x110 10x 240 5 850
+ +
= = =
+ +
Cet indice peut encore scrire sous la forme dune moyenne arithmtique pondre dindices lmen-
taires.
G
220
En effet, si nous tudions lindice de Laspeyres des prix, nous avons :
i,2004
i,1998 i,1998
i,2004 i,1998 i,1998 i 2004 / 1998 i
2004/1998
i,1998 i,1998 i,1998 i,1998 i
p
p Q
p Q p I(p )
IL(p)
p Q p Q
= = =

o les diffrents
i
sont des coefficients budgtaires gaux
i,1998 i,1998
p Q
De la mme manire, lindice de Laspeyres des quantits est encore gal :

i,2004
i,1998 i,1998
i,1998 i,2004 i,1998 i i 2004 / 1998
2004/1998
i,1998 i,1998 i,1998 i,1998 i
Q
p Q
p Q Q I(Q )
IL(Q)
p Q p Q
= = =

o les diffrents
i
sont toujours les mmes coefficients budgtaires
Avec notre exemple, nous aurions :
i,t

(en centaines
de flacons)
Prix p
i,t

(en euros)
Coefficients
budgtaires
t = 1998 t = 2004 t = 1998 t = 2004
1 Antifunque 150 100 12,00 27,00 1 800
2 Antipinard 110 250 15,00 24,00 1 650
3 Forenmat 240 300 10,00 30,00 2 400
Do :
2004/1998
27 24 30
1800 1650 2 400
12 15 10
IL(p) 2,3744
5850
+ +
= =
et :
2004/1998
100 250 300
1800 1650 2 400
150 110 240
IL(Q) 1,3590
5 850
+ +
= =
Nous dirons que lindice des prix en 2004 est gal 237,44 et que lindice des quantits est gal
135,90, base 100 en 1998.
Suivant cet indice, et en considrant lensemble de ces trois biens, les prix auraient augments de
137,44 % et la production aurait augment de 35,90 % entre 1998 et 2004.
noter LIndice des Prix la Consommation (IPC) est un indice de Laspeyres chan annuellement (base
100 en 1998). Outre la composition de lchantillon, les pondrations utilises pour agrger les 21 000
indices lmentaires sont galement mises jour chaque anne. Ces pondrations reprsentent la part
des dpenses associes lagrgat concern au sein de lensemble des dpenses de consommation des
mnages couvertes par lIPC. Des traitements spcifiques sont effectus pour les produits frais, pour
les autres varits saisonnires et pour dterminer des volutions de prix pures , qualit constante
lorsquun produit disparu est remplac en cours danne par un autre. Les promotions et soldes offerts
tous les consommateurs sont prix en compte dans tous les produits de lindice. (Source INSEE)
G
221
C Lindice de Paasche
Lindice de Paasche des prix (des quantits) est lindice synthtique o les coefficients sont les quantits
(les prix) de lpoque prsente.
Nous crirons

i,2004 i,2004 i,2004 i,2004
2004/1998 2004/1998
i,1998 i,2004 i,2004 i,1998
p Q p Q
IP(p) et IP(Q)
p Q p Q
= =

Dans notre cas, nous obtenons :
2004/1998
27x100 24 x 250 30x 300 17 700
IP(p) 2,2264
12x100 15x 250 10x 300 7 950
+ +
= = =
+ +
2004/1998
27x100 24 x 250 30x 300 17 700
IP(Q) 1,2743
27x150 24 x110 30x 240 13 890
+ +
= = =
+ +
Cet indice peut encore scrire sous la forme dune moyenne harmonique pondre dindices lmen-
taires.
En effet, si nous tudions lindice de Paasche des prix, nous avons :
i,1998
i,2004 i,2004
i
i,2004
i 2004 / 1998
i,2004 i,2004
P 2004 / 1998 i,2004 i,2004 i
i,1998 i,2004
p
1
p Q
p
I(p ) 1 1
p Q
I (p) p Q
p Q
= = =

o les diffrents
i
sont des coefficients budgtaires gaux
i,2004 i,2004
p Q
De la mme manire, lindice de Paasche des quantits est encore gal :

i,1998
i,2004 i,2004
i
i,2004
i 2004 / 1998
i,2004 i,2004
P 2004 / 1998 i,2004 i,2004 i
i,2004 i,1998
Q
1
p Q
Q
I(Q ) 1 1
p Q
I (Q) p Q
p Q
= = =

o les diffrents
i
sont toujours les mmes coefficients budgtaires.
Avec notre exemple, nous aurions :
i,t

(en centaines
de flacons)
Prix p
i,t

(en euros)
Coefficients
budgtaires
t = 1998 t = 2004 t = 1998 t = 2004
1 Antifunque 150 100 12,00 27,00 2 700
2 Antipinard 110 250 15,00 24,00 6 000
3 Forenmat 240 300 10,00 30,00 9 000
G
222
Do :
P 2004 / 1998
12 15 10
2 700 6 000 9 000
1
27 24 30
0, 44915
I (p) 17700
+ +
= =
Soit I
P
(p)
2004/1998
= 2,2264
et :
P 2004 / 1998
150 110 240
2 700 6 000 9 000
1
100 250 300
0,78475
I (Q) 17700
+ +
= =
I
P
(Q)
2004/1998
= 1,2743
127,43, base 100 en 1998.
D Lindice de Fischer
Aucun des deux indices ntant satisfaisant 100 %, nous pouvons encore citer lindice idal de
Fischer qui est la moyenne gomtrique des indices de Paasche et de Laspeyres :
135,90, base 100 en 1998
2004/1998 P 2004/1998 L 2004/1998
IF(p) I (p) I (p) =
et
2004/1998 P 2004/1998 L 2004/1998
IF(Q) I (Q) I (Q) =
Avec notre exemple, nous aurions I
F
(p)
2004/1998
= 2,2992 et I
F
(Q)
2004/1998
= 1,3160
131,60, base 100 en 1998
3

Le rsum
Les Indices lmentaires
1 1
1 0 1 0
0 0
t t
t / t t / t
t t
p Q
I(p) et I(Q)
p Q
= =
G
223
Les Indices synthtiques
Indices de Laspeyres :
1 0 0 1
1 0 1 0
0 0 0 0
i,t i,t i,t i,t
L t / t L t / t
i,t i,t i,t i,t
p Q p Q
I (p) et I (Q)
p Q p Q
= =

ou avec les coefficients budgtaires

0 0
i i,t i,t
p Q =
1 0
1 0
i t / t i
L t / t
i
I(p )
I (p)

=
1 0
1 0
i t / t i
L t / t
i
I(Q )
I (Q)

=
Indices de Paasche :
1 1 1 1
1 0 1 0
0 1 1 0
i,t i,t i,t i,t
P t / t P t / t
i,t i,t i,t i,t
p Q p Q
I (p) et I (Q)
p Q p Q
= =

ou avec les coefficients budgtaires
1 1
i i,t i,t
p Q =
1 0
1 0
i
i t / t
P t / t i
1
I(p )
1
I (p)
1 0
1 0
i
i t / t
P t / t i
1
I(Q )
1
I (Q)
Indices de Fischer :
1 0 1 0 1 0
F t / t P t /t L t /t
I (p) I (p) I (p) =
1 0 1 0 1 0
F t / t P t /t L t /t
I (Q) I (Q) I (Q) =
PARTIE 4
Probabilits
1

Lanalyse combinatoire
A - Le principe fondamental
Le principe fondamental est celui utilisant un diagramme arborescent, soit un arbre des possibles .
Pour prsenter ce principe, nous partirons dun exemple : Imaginons que Nathalie a le choix, pour aller
une soire, entre 3 jupes et 2 chemisiers assortis. De combien de manires diffrentes Nathalie pourra-t-
elle shabiller pour se rendre cette soire ?
Pour ce dnombrement, nous allons crire toutes les possibilits par lintermdiaire dun arbre des
possibles :

Jupe 1
Jupe 2
Jupe 3
Chemisier 1
Chemisier 2
Chemisier 1

Possibilit 1
Possibilit 2
Possibilit 3
Possibilit 4
Possibilit 5
Possibilit 6

Chemisier 1
Chemisier 2
Chemisier 2
Nous constatons ainsi que Nathalie a 3 x 2 = 6 possibilits de shabiller.
Cette mthode arborescente, facile utiliser, est cependant limite car si Nathalie avait eu 40 jupes
et 60 chemisiers, elle aurait pu shabiller de 40 x 60 = 2 400 manires diffrentes. Heureusement, le
dnombrement peut tre fait sans arbre des possibles .
B - Les permutations
Imaginons que Fabienne dispose dune collection de 8 tasses caf diffrentes et quelle les expose sur
une tagre comportant 8 places. De combien de manires Fabienne peut-elle ranger ces 8 tasses ?
Le dnombrement
Chapitre
18
G
228
Si nous numrotons les 8 tasses de 1 8, nous pouvons faire le raisonnement suivant :
- sur ltagre il y a 8 places donc Fabienne a 8 possibilits diffrentes de placer la tasse 1 ;
- il reste 7 places sur ltagre donc Fabienne 7 possibilits diffrentes de placer la tasse 2 ;
- et ainsi de suite.
Fabienne aura donc 8 x 7 x 6 x 5 x 4 x 3 x 2 x 1 = 40 320 = 8! (factorielle 8) possibilits diffrentes pour
placer ces 8 tasses sur son tagre.
En gnral, si vous avez n objets placer n places dtermines, vous aurez n! (factorielle n) possibili-
ts diffrentes de le faire.
Chaque possibilit tant une permutation de ces n objets, n! reprsente le nombre de permutations
possibles. Ce nombre est encore dsign par P
n
. P
n
= n !
Deux permutations sont donc diffrentes si deux objets, au moins, noccupent pas la mme place.
Nous pouvons remarquer que si nous navons aucun objet placer, nous navons quun seul moyen
d agir : ne rien faire. Nous arrivons donc ainsi au fait que 0! = 1.
C - Les arrangements
Le raisonnement que nous venons deffectuer pour les permutations va se reproduire dans lexemple
suivant : imaginons que Gonzague dispose de 10 cases (actuellement vides) pour ranger 4 types de
marchandises (cahiers, crayons gris, cassettes et disquettes). De combien de manire Gonzague pour-
rait-il faire son rangement ?
Si nous numrotons les cases de 1 10, nous constatons que Gonzague a 10 placements possibles
pour ses cahiers, 9 rangements possibles pour ses crayons, 8 rangements possibles pour ses cassettes et
7 rangements possibles pour ses disquettes.
Ce qui lui fait au total 5 040 possibilits de rangements diffrents (5 040 = 10 x 9 x 8 x 7).
En gnral si vous avez p objets choisir parmi n objets et les placer p endroits dtermins, avec bien
sr n p, vous aurez n(n - 1)n - 2)(n p + 1) possibilits diffrentes de le faire.
Chaque possibilit tant un arrangement de ces n objets pris p p, le nombre darrangements gal :
n(n - 1)n - 2)(n p + 1) (gal galement
n!
(n p)!
) scrit encore
p
n
A .
( )
p
n
n!
n p !
A =
Deux arrangements sont donc diffrents sils ne sont pas composs exactement des mmes objets o,
sils le sont, les objets qui les composent ne sont pas placs exactement la mme place.
D - Les combinaisons
Dans les notions de permutations et darrangements, il y a toujours rfrence un ordre. Mais, si nous con-
sidrons un joueur de belote, lordre dans lequel il place ses cartes dans sa main lui est tout fait personnel
et ce qui intresse son partenaire, et ses adversaires, cest la composition de son jeu et non pas son ordre de
rangement. Do la notion de combinaison qui sont, en quelque sorte, des arrangements sans ordre.
Imaginons que Narima joue la belote dans un tripot de Papyville et quelle se pose la question de
savoir combien de mains possibles et diffrentes existent dans ce jeu (une main est un ensemble de
8 cartes tires des 32 cartes du jeu).
G
Chapitre 18 Le dnombrement
229
Narima pourrait dire quil y en a

8
32
32!
(32 8)!
A =

mais, dans ce cas, elle tient compte de lordre des car-
tes quelle reoit. Comme il ny a pas dordre (elle peut ranger ses cartes comme elle le veut) et comme
elle a 8! possibilits de ranger ses 8 cartes, il y en a, en ralit :
8
32
32!
10 518 300
8! 8!(32 8)!
A
= =
En gnral, si vous avez p objets choisir parmi n objets et que vous ne vous occupiez pas de lordre
dans lequel vous les choisissez, vous avez
p
n
p!
A
possibilits diffrentes de le faire.
Chaque possibilit est une combinaison de ces n objets pris p p, le nombre de combinaisons est gal

p
n
p!
A
scrit encore
p
n
C
p
p n
n
n!
p! p!(n p)!
A
C = =
Deux combinaisons diffrent donc uniquement par la qualit des objets qui les composent.
E - Quelques proprits des combinaisons
Les nombres
p
n
C possdent beaucoup de proprits dont en voici quelques exemples :
p n p 0
n n n
n! n!
et 1
p!(n p)! 0!(n 0)!
C C C
= = = =

Avec la premire proprit, nous avons donc :
n n n 0
1
n n n
C C C
= = =
Nous avons galement :
n 1 1
n n
n!
n
1!(n 1)!
C C
= = =
Nous pouvons galement crire que :

p 1 p p 1
n n
n 1
C C C
+ +
+ =
+
En effet
p p 1
n n
n! n! n!(p 1) n!(n p)
p!(n p)! (p 1)!(n p 1)! (p 1)!(n p)! (p 1)!(n p)!
C C
+
+
+ = + = +
+ + +
Nous arrivons ainsi
p 1 p p 1
n n
n 1
n!(n 1) (n 1)!
(p 1)!(n p)! (p 1)!(n p)!
C C C
+ +
+
+ +
+ = = =
+ +
Cette proprit permet de construire le triangle de Pascal :
n
p
0 1 2 3 4 5
1 1 1
2 1 2 1
3 1 3 3 1
4 1 4 6 4 1
5 1 5 10 10 5 1

G
230
Pour comprendre ce triangle, il faut savoir qu lintersection de la p
ime
colonne et de la n
ime
ligne
nous trouvons la valeur de
p
n
C et que ce triangle est construit en commenant et en terminant chaque
ligne par 1, tous les autres termes sont calculs partir de la ligne prcdente de la manire suivante :
A B
A + B
Ce triangle de Pascal permet de dvelopper facilement des puissances de (a+b).
En effet, nous pourrions dmontrer que
n
n p n p p
n
p 0
(a b) a b C

=
+ =

(ce dveloppement est appel dve-
loppement du binme de Newton).
La lecture de la 4
ime
ligne du triangle de Pascal nous permet dcrire que :
(a+b)
4
= a
4
+ 4 a
3
b + 6 a
2
b
2
+ 4 ab
3
+ b
4
A noter : cette analyse combinatoire est une aide aux calculs de dnombrement et uniquement une
aide. Il ne faut pas que la premire raction soit : quelle formule je vais utiliser ? Il faut dabord analyser
le problme pos.
2

A - Lexemple 1 : Combien de plans de table ?
Autour dune table ronde, dont les places sont numrotes de 1 12, sont runies 12 person-
nes (dont Hlne et Manuel). De combien de manires diffrentes ces 12 personnes peuvent-
elles se placer si nous voulons quHlne et Manuel soient cte cte ?
12 possibilits pour Hlne, 2 possibilits pour Manuel ( droite ou gauche dHlne) et les 10 autres
personnes se rpartissent sur les 10 places restantes.
Do le rsultat : 12 x 2 x 10! = 12 x 2 x 3 628 800 = 87 091 200
Il y a donc 87 091 200 possibilits pour que ces 12 personnes se rpartissent autour de cette table
B - Lexemple 2 : Combien de descentes possibles ?
Un autobus qui dessert 12 stations avant de rentrer au garage transporte, au dpart, 9 voya-
geurs. sachant quaucun voyageur nest mont dans lautobus en cours de route et quil ne
reste aucun voyageur dans lautobus lorsquil rentre au garage, calculer :
1) de combien de manires diffrentes les 9 voyageurs ont pu descendre sil en est descendu
au plus un par arrt
Le premier voyageur a 12 possibilits de descente, le second 11, le troisime 10, etc .
G
231
do 12 x 11 x 10 x x 2 x 1 = 12! Possibilits.
Il y a donc 479 001 600 possibilits de descentes pour ces 9 voyageurs.
2) de combien de manires diffrentes les 9 voyageurs ont pu descendre sil peut descendre
une station quelconque 0, 1, 2, , 8 ou 9 voyageurs
Le premier voyageur a 12 possibilits de descente, le second 12, le troisime 12, etc .
do 12 x 12 x 12 x x 12 x 12 = 12
9
possibilits.
Il y a donc 5 159 780 352 possibilits de descentes pour ces 9 voyageurs.
C - Lexemple 3 : Combien de mains possibles ?
Considrons un jeu de 32 cartes rparties en 4 couleurs, chaque couleur comportant 8 car-
tes. Nous appellerons main tout ensemble de 8 cartes choisies au hasard parmi les 32 cartes.
Calculer combien il y a de mains :
1) Distinctes
Il suffit dappliquer les combinaisons partir du schma ci-dessous (en effet, une personne recevant
8 cartes peut les placer comme elle veut : il ny a pas dordre)
32 cartes

8 cartes
300 518 10
8
32
C =
Il y a 10 518 300 mains distinctes.
2) Comprenant 2 as et seulement 2
Mme principe que dans 1) mais schma diffrent

2260440 6376740
6
28
2
4
C C = =
As 28 Autres
2 As 6 Autres
Il y a 2 260 440 mains diffrentes comprenant 2 as et deux seulement.
G
232
3) Comprenant la fois 3 as, 2 rois et 5 curs

3 As non Coeur As non Coeur 3 Rois non Coeur Roi de Coeur 6 Coeurs non Roi non As 18 autres
6 As non Coeur As non Coeur 1 Rois non Coeur Roi de Coeur 3 Coeurs non Roi non As 0 autre
Soit calculer
1 1 3 0
3 1 6 18
2 1
180
3 1
C C C C C C =
Toujours le mme principe, mais, attention, il faut faire la distinguer le roi de cur des autres rois, las
de cur .
Il y a 180 mains distinctes comprenant la fois 3 as, 2 rois et 5 curs.
A noter : dans ce type dexercice, lastuce consiste faire une partition de lensemble des cartes.
G
233
3

Le rsum
Dnombrement
Principe Fondamental : Diagramme arborescent
ou arbre des possibles
Analyse combinatoire
Nombre de Permutations
n
n! P =
Nombre dArrangements
p
n
n(n-1)(n-2)...(n-p+1) A =
p
n
n!
(n p)!
A =
Nombre de Combinaisons
p
p n
n
A
C
p!
=
p
n
n!
C
p!(n p)!
=
1

La prsentation
A - La terminologie
Si les statistiques permettent dtudier et danalyser ce qui vient dtre observ, les probabilits vont se
placer plutt du ct de lavenir en essayant dvaluer les chances quapparaissent tels ou tels vne-
ments.
Un ensemble constitu par tous les rsultats possibles dune exprience alatoire est appel univers
des possibles, ou espace dchantillonnage, ou ensemble fondamental. Nous le noterons .
Chaque lment de constitue donc le rsultat dune exprience. Nous dsignerons par vnement
tout sous-ensemble de . Si ce sous-ensemble est un singleton, lvnement sera dit vnement l-
mentaire.
Par exemple, si nous prenons pour Univers des possibles lensemble = {0,1,2,3,4,5,6,7}, nous pour-
rons appeler : vnement tre un nombre pair le sous-ensemble A = {0,2,4,6}
vnement tre un multiple de 3 le sous-ensemble B = {3,6}
vnement tre gal 6 le singleton C = {6}
Nous dirons quun vnement X est ralis si le rsultat de lexprience est un lment de X.
Par exemple, si nous cherchons rpondre la question tre un multiple de 2 , nous constatons que
les vnements , A, B et C sont raliss. Il y a, bien sr, dautres vnements qui seront galement
raliss.
Calculer des probabilits revient construire une application Prob de lensemble des vnements, soit
P(), vers lensemble des rels R : Prob : P() R
B - La dfinition dune probabilit
Calculer une probabilit revient valuer le nombre de chances qua un vnement E de se raliser.
Nous pouvons valuer ce nombre de chances en faisant le rapport :
nombre de cas favorables la ralisation de E
Prob(E) =
nombre de cas possibles
Quelques notions
de probabilits
Chapitre
19
G
236
Cette dfinition est cependant limite car il faut, pour pouvoir lappliquer, que tous les cas possibles
aient, individuellement, le mme nombre de chances de se raliser. Nous dirons alors quil y a quipro-
babilit.
Une probabilit peut aussi tre dfinie dune manire plus gnraliste, plus mathmatique, laide
dune application Prob de P() (P() est lensemble des parties de , cest lensemble form de tous les
sous-ensembles de ) vers R qui vrifie les trois axiomes suivants :
- A P() Prob(A) 0
- Prob() = 1
- A P() B P() A B = Prob(A B) = Prob(A) + Prob(B)
Nous pouvons remarquer que la probabilit dfinie ci-dessus dune manire limite vrifie ces trois axio-
mes.
C - Quelques proprits dune probabilit
1) Prob() = 0
Nous savons que A P() A = Prob(A ) = Prob(A) = Prob(A) + Prob()
Ceci est une application directe du troisime axiome.
Do le rsultat cherch.
2) A B Prob(A) Prob(B)
Nous savons que si A B B = A (B-A) et A (B-A) =
Rappelons que B-A est lensemble des lments de B nappartenant pas A : cest le complmentaire
de A dans B.
Daprs laxiome 3, nous pouvons crire que Prob(A (B - A) = Prob(A) + Prob(B - A).
Daprs laxiome 1, nous savons que Prob(B ) 0.
Nous en dduisons ainsi que : Prob(A) Prob(B).
3) 0 Prob(A) 1
Nous savons que A . Daprs le 2), nous en dduisons facilement le rsultat cherch :
0 = Prob() Prob(A) Prob() = 1
4) A P() Prob(A) + Prob(A) = 1 (A est le contraire de A)
Nous savons que A A = .
Daprs laxiome 3, nous pouvons crire que :
1 = prob() = Prob(A A) = Prob(A) + Prob(A)
G
Chapitre 19 Quelques notions de probabilits
237
D - Les probabilits composes ou conditionnelles
A partir de deux vnements A et B de et dune probabilit Prob dfinie mathmatiquement sur P()
tels que Prob(B) 0, nous pouvons construire une application f dfinie sur P(B) dfinie par la relation :
Pr ob(A B)
A f(A)
Pr ob(B)
=
Nous pouvons vrifier que cette application vrifie les trois axiomes de dfinition dune probabilit, cest
donc une probabilit dfinie sur B et dduite de lapplication Prob. Nous noterons galement Prob cette
probabilit.
Nous poserons ainsi : Prob(A/B) = f(A) =
Prob(A B)
Prob(B)
et nous dirons que f(A) est la probabilit de A

sachant que B est ralis ou, plus simplement, probabilit de A quand B. (nous ne dirons pas probabilit
de A sur B car, si nous savons que la probabilit dtre une fille sachant que lon est un garon est nulle,
il nen est pas de mme de la probabilit dtre une fille sur un garon).
Nous dirons que A est indpendant de B pour la probabilit Prob si Prob(B) 0 et si Prob(A) = Prob(A/B).
Dans ce cas, pour peu que Prob(A) soit galement non-nul, en constatant daprs la dfinition ci-dessus
que Prob(A B) = Prob(A/B) Prob(B), do
Prob(A/B) Prob(B) = Prob(A B) = Prob(B A) = Prob(B/A) Prob(A).
Nous en dduisons ainsi que Prob(B) = Prob(B/A) et donc que B est indpendant de A pour la probabi-
lit Prob.
Lindpendance est rciproque.
Sil ny a pas dindpendance pour la probabilit Prob entre A et B, nous pouvons quand mme crire
que :
Prob(A/B) Prob(B) = Prob(B A) = Prob(B/A) Prob(A)
do Prob(A/B) Prob(B) = Prob(B/A) Prob(A)
Nous arrivons ainsi au thorme de Bayes qui indique que :
Prob(A) Prob(B/ A)
Prob(A/B) =
Prob(B)
A noter Il ne faut pas confonfre les notions dincompatibilit (les deux vnements ne peuvent pas
se raliser ensemble) et dindpendance pour une probabilit Prob (la ralisation dun vnement na
aucune influence sur la ralisation dun autre vnement).
2

A - Lexemple 1 : Probabilit sur un jeu de carte
Nous tirons simultanment, au hasard, 12 cartes dans un jeu de 52 cartes. Quelle est la proba-
bilit pour que nous ayons tir les quatre as ?
G
238
Nous pouvons supposer quil y a quiprobabilit : nous avons autant de chance de tirer telle carte plutt
que telle autre.
Dans ces conditions, la probabilit cherche est gale
nombre de cas favorables

Tou revient donc un problme de dnombrement :
Le nombre de cas possibles correspond au nombre de tirages possibles et le nombre de cas favorables
au nombre de tirage comprenant 4 as.
Soit calculer
4 8
4 48
12
52
0,001828
C C
C
=
Il y a donc 0,1828 % de chance davoir 4 as parmi 12 cartes tires dun jeu de 52 cartes.
B - Lexemple 2 : tude dune production
Dans une entreprise fabriquant un seul produit, les quatre ateliers autonomes ont une pro-
duction journalire dgale importance qui est envoye directement un magasin central de
stockage. Pour vrifier la qualit de la production, il est procd un test en prlevant succes-
sivement et aprs remise 4 produits au hasard dans le magasin de stockage.
Quelle est la probabilit pour que ces quatre produits tirs alatoirement proviennent dau
plus deux ateliers diffrents ?
Les ateliers tant autonomes et ayant une production journalire dgale importance, nous pouvons
travailler avec des quiprobabilits.
La probabilit davoir tir quatre articles provenant de o nous voulons est gale (1/4)
4
. Cest la pro-
babilit davoir tir 4 articles provenant de latelier A, cest aussi la probabilit davoir tir un article de
latelier A, puis un article de latelier B, puis un article de latelier C et enfin un artcle de latelier D.
Il suffit donc de compter de combien de manires nous pouvons avoir au maximum deux ateliers origi-
nes de nos articles.
Il y a 4 possibilits pour que les articles tirs proviennent dun seul atelier : AAAA BBBB CCCC DDDD
Il y a 6 possibilits de tirer deux ateliers parmi 4 : AB AC AD BC BD CD
Si nous choisissons deux ateliers (A et B par exemple), il y a 14 possibilits de tirer 4 articles :
AAAB AABA ABAA BAAA
AABB ABAB BAAB BBAA BABA ABBA
ABBB BABB BABB BBBA
La probabilit cherche est donc gale : (4 + 6 x 14)/4
4
= 0,34375
Il y a donc 34,375 % de chance pour que ces quatre produits tirs alatoirement proviennent dau plus
deux ateliers diffrents.
G
239
C - Lexemple 3 : La fiabilit dun thylomtre
La Socit Ereisop fabrique des thylomtres qui donnent un rsultat positif dans 95 % des cas si la
personne teste est ivre (au sens lgal du terme) et un rsultat ngatif dans 96 % des cas si la
personne teste nest pas ivre.
Etudiez la fiabilit de cet appareil au cours des congs de Nol o 2 % des conducteurs condui-
sent en tat divresse.
Nous pouvons faire un schma reprsentant cette tude.
Dans ce qui suit, I reprsente le fait dtre ivre, N celui de ne pas ltre, + le fait que lthylomtre soit
positif et - le fait quil ne le soit pas.
Par hypothse, nous avons : Prob(+/I) = 0,95 Prob(-/I) = 0,05
Prob(-/N) = 0,96 Prob(+/N) = 0,04
Prob(I) = 0,02 Prob(N) = 0,98
Nous obtenons : Prob(+) = Prob(+I) U Prob(+N) = Prob(+/I) Prob(I) + Prob(+/N) Prob(N)
(en effet (+I) (+N) = : une personne ne peut pas, en mme temps tre ivre et non-ivre)
Do Prob(+) = 0,95 x 0,02 + 0,04 x 0,98 = 0,0582
Nous obtenons : Prob(-) = Prob(-I) U Prob(-N) = Prob(-/I) Prob(I) + Prob(-/N) Prob(N)
(en effet (-I) (-N) = : une personne ne peut pas, en mme temps tre ivre et non-ivre)
Do Prob(-) = 0,05 x 0,02 + 0,96 x 0,98 = 0,9418
Nous pouvons faire un schma faisant apparatre ces rsultats :
I N
+
0,95 x 0,02
=
0,0190
0,04 0 ,98
=
0,0392
0,0582
-
0,05 x 0,02
=
0,0010
0,96 x 0,98
=
0,9408
0,9418
0,0200 0,9800 1,0000
partir de l, nous trouvons :
0,0190 0,9408
Prob( / ) 0,3265 et Prob( / ) 0,9989
0,0582 0,9418
= = = = + I N
G
240
En effet Prob(I) = Prob(I/+) Prob(+) et Prob(N) = Prob(N/-) Prob(-) (thorme de Bayes)
Nous en dduisons ainsi que, si lthylomtre est positif, il y 32,65 % de chance dtre ivre, alors que sil
est ngatif, il y a 99,89 % de chance de ne pas ltre. Est-ce pour cela que la marchausse nous laisse
partir quand lthylomtre est ngatif ?
3

Le rsum
Probabilits
Dfinition mathmatique
Prob : P() R
A Prob(A)
avec les trois axiomes :
A P() Prob(A) 0
Prob() = 1
A P() B P() A B = Prob(A B) = Prob(A) + Prob(B)
Dfinition simplifie
(si tous les vnements sont quiprobables)
nombre de cas favorables la ralisation de E
Prob(A)=
Dans tous les cas : A P() 0 Prob(A) 1
Probabilits composes ou conditionnelles
Si Prob(B) 0 Prob(A/B) =
Prob(A B)
Prob(B)

vnements indpendants pour la probabilit Prob
A est indpendant de B pour la probabilit p si Prob(A) = Prob(A/B)
Lindpendance est rciproque
G
241
Thorme de Bayes
Prob(A) Prob(B/ A)
Prob(A/B)=
Prob(B)
(Prob(B) 0 et Prob(A) 0)
1

Les gnralits
A - La notion de variable alatoire
Dans le chapitre prcdent, nous avons vu comment calculer des probabilits qui sont des images rel-
les dune application dfinie sur un univers des possibles. Il est commode qu chaque vnement, dont
le rsultat est quantitatif, soit associ un nombre : nous arrivons ainsi la notion de variable alatoire.
Nous rencontrons trs frquemment des phnomnes mesurs par des quantits dont la valeur num-
rique, changeant sous leffet de causes fortuites, ne peut tre exprime de manire univoque et perma-
nente.
En voici quelques exemples : la masse dun grain de bl ;
le nombre dufs pondus par une tortue en un temps donn ;
la distance sparant une arme feu de sa cible ;
etc,
Tous ces exemples, et une infinit dautres, ont en commun de nous mettre en prsence de quantits
mesurables mais dont la mesure ne peut tre exprime avec certitude par lexpression dune quantit
unique.
Ces quantits mesurables, comme la masse dun grain de bl, comme le nombre dufs pondus par
une tortue en un temps dtermin, comme la distance sparant une arme feu de sa cible, , sont
autant dexemples de variables alatoires.
Dans ce chapitre, nous ne considrerons que des variables alatoires discrtes.
B - Les lois de probabilits dune variable alatoire discrte : X ~ L(X)
Nous dfinirons la loi de distribution de la variable alatoire X dont les valeurs discrtes sont dfinies par
x
i
en crivant la fonction : x
i
Prob(X = x
i
)
Cette fonction de distribution sera reprsente par un diagramme btons.
La loi de rpartition de la variable alatoire X dont les valeurs discrtes sont dfinies par x
i
sera dfinie,
quant elle, en crivant la fonction : x
i
Prob(X x
i
)
Cette fonction de rpartition sera reprsente par un diagramme en escaliers.
Les variables alatoires
discrtes
Chapitre
20
G
244
C - Lesprance mathmatique et lcart-type
Lesprance mathmatique de la variable alatoire X, que nous noterons E(X) ou X .
Cette valeur est telle que
i i
i
E(X) x Prob(X = x ). =

Cette valeur sera encore appele la moyenne arithmtique, ou tous simplement moyenne, de tous les x
i

pondrs par leurs probabilits respectives.
Les notions de variance et dcart-type seront les mmes quen statistique, savoir que :
( )
2
i i
i
V(X) x E(X) Prob(X = x ) et (X) = V(X) =
Nous pouvons galement crire, grace au thorme de Knig que nous avons dmontr dans le chapi-
tre 13, que V(X) = E(X
2
) - E(X)
2
D - Quelques proprits des esprances mathmatiques
et des variances. La notion de covariance
Si a est une constante relle, nous avons a E(a) a = =
Soient X et Y deux variables alatoires discrtes ayant chacune un nombre de modalits finies et dont
les fonctions de distribution et les moments dordre 1 (E(X) et E(Y)) et dordre 2 (E(X
2
) et E(Y
2
)) sont
connus.
Nous pouvons crire que

i i k k
i k
E(X) x Prob(X=x ) et E(Y) = y Prob(Y=y ) =

i k
2 2 2 2
i k
i k
E(X ) x Prob(X = x ) et E(Y ) = y Prob(Y = y ) =

partir de la variable alatoire X nous pouvons construire la variable alatoire aX o a est une cons-
tante relle.
Nous avons alors
i i i i
i i
E(aX) ax Prob(X= x ) = a x Prob(X= x ) =aE(X) =

partir des variables X et Y nous pouvons galement construire la variable X + Y
Nous avons alors
E(X + Y) =
i k
i k
(x y ) +
Prob(X + Y = x
i
+
y
k
)
E(X + Y) =
i k
i k
(x y ) +
Prob(X = x
i
et Y = y
k
) (x
i
+ y
k
)
E(X + Y) =
i
i k
x
Prob(X = x
i

et

Y = y
k
) +
k
k i
y
Prob(X = x
i

et

Y = y
k
)
E(X + Y) =
i
i k
x
Prob(X = x
i
) Prob(Y = y
k

/ X = x
i
) +
k
k i
y
Prob(Y = y
k
) Prob(X = x
i
/ Y = y
k
)
G
Chapitre 20 Les variables alatoires discrtes
245
E(X + Y) =
i
i
x
Prob(X = x
i
)
k i
k
Prob(Y y X x ) /

= =

+
k
k
y
Prob(Y = y
k
)
i k
i
Prob(X x Y y ) /

= =

Comme
k i
k
Prob(Y y X x ) /

= =

= 1 et
i k
i
Prob(X x Y y ) /

= =

= 1, nous obtenons :
i i k k
i k
E(X Y) x Prob(X x ) y Prob(Y y ) E(X) E(Y) + = = + = = +

Nous pourrions galement construire la variable XY et calculer E(XY)
Nous avons :
i k
i k
E(XY) x y =

Prob(XY = x
i

y
k
) =
i k
i k
x y
Prob(X = x
i

et Y = y
k
)
Si nous navons pas de renseignements supplmentaires sur les variables X et Y, nous ne pouvons pas
aller beaucoup plus loin dans le dveloppement. Par contre si les variables X et Y sont indpendantes,
nous pouvons crire que Prob(X = x
i

et Y = y
k
) = Prob(X = x
i
) Prob(Y = y
k
)
Ce qui nous permet dcrire que
i i k k
i k
E(XY) x Prob(X x ) y Prob(X y )

= = =

Do, si les variables X et Y sont indpendantes, E(XY) = E(X) E(Y)
En rappelant que V(X) = E(X
2
) - E(X)
2
, nous pouvons galement calculer V(aX) o a est une constante
relle :
V(aX) = E((aX)
2
) - (E(aX))
2
= E(a
2

X
2
) - (a E(X))
2
= a
2
(E(X
2
) E(X)
2
) = a
2
V(X)
Nous pouvons galement calculer V(X + Y) = E((X + Y)
2
) - E(X + Y)
2
:
V(X + Y) = E(X
2
+ 2XY + Y
2
) - (E(X) + E(Y))
2
V(X + Y) = E(X
2
) + 2 E(XY) + E(Y
2
) - E(X)
2
- 2 E(X) E(Y) - E(Y)
2

V(X + Y) = V(X) + V(Y) + 2 Cov(X,Y) o Cov(X,Y) = E(XY) - E(X) E(Y)
Remarquons que la covariance est nulle si les variables X et Y sont indpendantes.
De ces diffrentes proprits, nous pouvons en dduire que :
V(aX + bY) = a
2
V(X) + b
2
V(Y) + 2ab Cov(X,Y)
G
246
2

A - Lexemple 1 : Les principales notions dans un exercice thorique
Soit X une variable alatoire discrte dont la loi de distribution est donne dans le tableau ci-
aprs :
x
i
- 2 - 1 0 1,5 2
Prob(X = x
i
) 0,3 0,1 0,2 0,1 ?
1) Tracez les diagrammes de distribution et de rpartition
La probabilt manquante est gale 0,3
Do le diagramme de distribution :
Prob (X = Xi)
0
1 2 -3
0,3
x
i
0,2
0,1
-2
et le diagramme de rpartition
0
1 -2
0,1
0,5
1,0
Prob(X x
i
)
x
i
-1 2
G
247
2) Calculer E(X) et (X)
Il suffit de complter le tableau pour pouvoir conclure (voir les dfinitions donnes ci-dessus) :
x
i
Prob(X = x
i
) x
i
Prob(X = x
i
) x
i
2
Prob(X = x
i
)
- 2 0,3 - 0,6 1,2
- 1 0,1 - 0,1 0,1
0 0,2 0,0 0,0
1,5 0,1 0,15 0,225
2 0,3 0,6 1,2
Totaux 1,0 0,05 2,725
Do E(X) = 0,05
V(X) = E(X
2
) - E(X)
2
= 2,725 - 0,052 = 2,7225 et (X) = 1,65
3) La variable alatoire Y est dfinie par Y = 4 X
2
- 5. Donnez la loi de distribution de Y et cal-
culez E(Y) et V(Y)
Nous avons : Prob(Y = 11) = Prob(X = -2) + Prob(X = 2) = 0,6
Prob(Y = 4) = Prob(X = 1,5) = 0,1
Prob(Y = - 1) = Prob(X = - 1) = 0,1
Prob(Y = - 5) = Prob(X = 0) = 0,2
Do le tableau correspondant cette variable Y :
y
j
Prob(Y = y
j
) Y
j
Prob(Y = y
j
) Y
j
2
Prob(Y = y
j
)
- 5 0,2 - 1,0 5,0
- 1 0,1 - 0,1 0,1
4 0,1 0,4 1,6
11 0,6 6,6 72,6
Totaux 1,0 0,05 79,3
Do E(Y) = 5,9 et V(Y) = 44,49
G
248
B - Lexemple 2 : Calculer ses chances pour ouvrir une porte
Stphanie rentre chez elle aprs un zinzin trop arros et essaie douvrir la porte de son appar-
tement qui, comble de malchance, est ferme clef. Autre malchance, Stphanie possde un
trousseau de 10 clefs et, bien sr ou heureusement, une seule de ces dix clefs ouvre effective-
ment la porte. Notre tudiante ne voyant plus trs clair, nous dsignerons par X-1 la variable
alatoire reprsentant le nombre de tentatives infructueuses avant de trouver la bonne clef
(nous considrerons que Stphanie, contrairement aux apparences, ne referme pas sa porte
clef si elle arrive pntrer chez elle).
Donner la loi de probabilit de la variable alatoire X et calculer E(X) et (X) si :
1) Stphanie limine au fur et mesure les clefs quelle essaie
Un arbre des possibles montre que Stphanie a chaque fois une chance sur 10 douvrir sa porte et
quau maximum sa porte sera ouverte en 10 essais.
F
O
9/10
1/10
F
O
8/9
1/9
F
O
7/8
1/8
F
O
6/7
1/7
(sur ce schma, O dsigne la fait que la porte souvre, F le fait que la porte reste ferme)
Prob(ouvre sa porte au 1
er
essai) = 1/10
e
essai) = 9/10 x 1/9 = 1/10
e
essai) = 9/10 x 8/9 x 1/8 = 1/10 etc. (il ny aurait que 10 essais au maxi-
mum).
Do le tableau donnant la loi de distribution de X :
x
i
0 1 2 3 4 5 6 7 8 9 10
Prob(X = x
i
) 1/10 1/10 1/10 1/10 1/10 1/10 1/10 1/10 1/10 1/10 1/10
Do E(X) = 5,5, E(X
2
) = 38,5, V(X) = 8,25 et s(X) = 2,8723
2) Stphanie oublie, aprs chaque essai infructueux, dliminer la clef quelle vient dessayer
Cette fois, chaque essai la probabilit que la porte souvre reste gale 0,10 (que ce soit au 1
er
, au 2
e

ou au n
ime
essai).
G
249
Larbre des possibles serait modifi de la manire suivante :
F
O
9/10
1/10
F
O
9/10
1/10
F
O
9/10
1/10
F
O
9/10
1/10
Cette fois, il pourrait y avoir, thoriquement une infinit dessais
er
essai) = 0,1
e
essai) = 0,9 x 0,1
e
essai) = 0,9
2
x 0,1 etc.
Nous pouvons donc donner la loi de probabilit de X (loi de distribution) sous la forme :
X ~ L(X) Prob(X = k) = 0,9
k-1
x 0,1
E(X) = 1 x 0,1 + 2 x 0,9 x 0,1 + 3 x 0,9
2
x 0,1 + 4 x 0,9
3
x 0,1 + 5 x 0,9
4
x 0,1 + ...
0,9 x E(X) = 1 x 0,9 x 0,1 + 2 x 0,9
2
x 0,1 + 3 x 0,9
3
x 0,1 + 4 x 0,9
4
x 0,1 + 5 x 0,9
5
x 0,1 +
par diffrence :
0,1 x E(X) = 0,1 + 0,9 x 0,1 + 0,9
2
x 0,1 + 0,9
3
x 0,1 + 0,9
4
x 0,1 0,9
5
x 0,1 + = 1
(somme des probabilits)
Do E(X) = 10
E(X
2
) = 1
2
x 0,1 + 2
2
x 0,9 x 0,1 + 3
2
x 0,9
2
x 0,1 + 4
2
x 0,9
3
x 0,1 + 5
2
x 0,9
4
x 0,1 + ...
0,9 x E(X
2
) = 1
2
x0,9 x 0,1 + 2
2
x 0,9
2
x 0,1 + 3
2
x 0,9
3
x 0,1 + 4
2
x 0,9
4
x 0,1 + 5
2
x 0,9
5
x 0,1 + ...
par diffrence :
0,1 x E(X
2
) = 0,1 + 3 x 0,9 x 0,1 + 5 x 0,9
2
x 0,1 + 7 x 0,9
3
x 0,1 + 9 x 0,9
4
x 0,1 + ...
0,9 x 0,1 x E(X
2
) = 0,9x 0,1 + 3 x 0,9
2
x 0,1 + 5 x 0,9
3
x 0,1 + 7 x 0,9
4
x 0,1 + 9 x 0,9
5
x 0,1 + ...
toujours par diffrence :
0,1
2
x E(X
2
) = 0,1 + 2 x 0,9 x 0,1 + 2 x 0,9
2
x 0,1 + 2 x 0,9
3
x 0,1 + 2 x 0,9
4
x 0,1 + ...
do 0,1
2
x E(X
2
) = 0,1 + 2 x 0,9 [0,1 + 0,9 x 0,1 + 0,9
2
x 0,1 + 0,9
3
x 0,1 + ...] = 0,1 + 2 x 0,9
Soit 0,1
2
x E(X
2
) = 1,9
Do E(X
2
) = 190
Nous obtenons ainsi V(X) = 90 et (X) = 9,4868
G
250
3

Le rsum
Lois de probabilit discrtes : X L(X)
Loi de distribution : x
i
Prob(X = x
i
)
Loi de rpartition : x
i
Prob(X x
i
)
i i
i
E(X) X x Prob(X x ) = = =
V(X) = ( )
2
i
i
x E(X)
Prob(X = x
i
) = E(X
2
) - E(X)
2

et (X) = V(X)
E(a) = a et E(aX) = a E(X)
E(X + Y) = E(X) + E(Y)
E(XY) = E(X) E(Y) si X et Y sont des variables alatoires indpendantes
V(X + Y) = V(X) + V(Y) + 2 Cov(X,Y)
avec Cov(X,Y) = E(XY) - E(X)E(Y)
V(aX + bY) = a
2
V(X) + b
2
V(Y) + 2ab Cov(X,Y)
Cov(X,Y) = 0 si X et Y sont des variables alatoires indpendantes
1

Les gnralits
A Les lois de probabilit dune variable alatoire continue : X L(X)
Nous pouvons considrer que, si la variable alatoire X est continue, la probabilit pour que X soit gale
une valeur donne est sensiblement nulle car il y a une infinit de valeurs possibles entre deux valeurs
donnes pour X.
Nous crirons ainsi que Prob(X < x) = Prob(X x).
Comme pour les variables alatoires discrtes, nous dfinirons la fonction de rpartition par la fonc-
tion continue :
F : x F(x) = Prob(X < x) = Prob(X x)
Nous pouvons alors remarquer que Prob(x X < x + k) = F(x + k) - F(x)
La probabilit moyenne sur lintervalle [x ; x + k[est donc gale :
Prob(x X x k) F(x k) F(x)
k k
< + +

=

F(x k) F(x)
k
+
Do, en supposant que la limite existe, la fonction F tant continue :
k 0 dx 0 dx 0
F(x k) F(x) Prob(X x) dF
lim lim lim F'(x)
k dx dx
+

En supposant donc que F est une fonction drivable, il existe une fonction f, appele fonction de den-
sit de probabilit, telle que, pour tout x, f(x) = F(x).
Par abus, et pour faire une analogie avec les variables alatoires discrtes, nous crirons, sans nous met-
tre en contradiction avec ce qui a t crit ci-dessus : Prob(X = x) = f(x) dx
Nous aurions d crire que Prob(X = x) =
dx 0
lim f(x)dx
Les variables alatoires

continues
Chapitre
21
G
252
En faisant toujours lanalogie avec les variables alatoires discrtes, nous crirons :
x f(x) 0 ( A, Prob(A) 0)
f(x)dx 1
(la somme des probabilits est gale 1).

Toutes fonctions vrifiant ces deux conditions pourront tre considrer comme des fonctions de densit
de probabilit.
partir dune fonction densit de probabilit f, nous pourrons crire que :
x
Prob(X x) = Prob(X < x) = f(t)dt

B Lesprance mathmatique et lcart-type
Toujours par analogie avec les variables alatoires discrtes, nous crirons :
( )
2
E(X) xf(x)dx et V(X) x E(X) f(x)dx

Nous crirons galement qu V(X) = E(X
2
) - E(X)
2
avec E(X
2
) =
2
x f(x)dx

Bien entendu, (X) = V(X)
C Quelques remarques
Nous pouvons remarquer que les proprits vues au chapitre 20 prcdent restent valables, savoir que :
E(X + Y) = E(X) + E(Y)
V(X + Y) = V(X) + V(Y) + 2 Cov(X,Y) avec Cov(X,Y) = E(XY) - E(X)E(Y)
V(aX + bY) = a
2
V(X) + b
2
V(Y) + 2ab Cov(X,Y)
2

A Lexemple 1 : Un exercice thorique
Une variable alatoire continue X est dfinie sur lintervalle [0 ; 3] par la fonction de densit
suivante :
x f(x) = k (3x - x
2
) o k est une constante relle.
G
Chapitre 21 Les variables alatoires continues
253
1) Calculer la valeur de k
La fonction f ci-dessus est dfinie sur [0 ; 3]. Cela signifie quen dehors de cet intervalle, f(x) = 0
Une fonction de densit de probabilit doit vrifier deux choses :
x f(x) 0 (1)
f(x)dx 1 (2)

Pour la condition (1), il suffit de remarquer que sur [0 ; 3], le polynme 3x x

2
est suprieur ou gal 0
(0 et 3 sont les racines de ce polynme).
Nous en dduisons donc k 0.
Pour la condition (2), nous avons :
- 0 3
1 f(x)dx f(x)dx f(x)dx f(x)dx
+ +

3
2 3
0
x x 9
k 3 - k
2 3 2
] | `
] ' J
' J
]
( J ]
Do k = 2/9.
Pour cette valeur les conditions (1) et (2) sont respectes.
2) Donner la fonction de rpartition de cette variable alatoire
La fonction de rpartition F dune variable alatoire continue peut scrire :
x
-
F(x) Prob(X x) f(t)dt

Nous avons donc :
x
x 2 3 2 3
2
0
0
si x 0 F(x) 0
2 2 t t x 2 x
si 0 x 3 F(x) (3t - t ) dt 3 - -
9 9 2 3 3 27
si x 3 F(x) 1
<
] | `
] ' J
' J
]
( J ]
>
3) Calculer E(X) et (X)

3
3 4
2 3
0
0
2 2 x
E(X) xf(x)dx x (3x - x )dx x -
9 9 4
] | `
] ' J
' J
]
( J ]

3
3 4 5
2 2 2 2
0
0
2 2 x x 27
E(X ) x f(x)dx x (3x - x )dx 3 -
9 9 4 5 10
] | `
] ' J
' J
]
( J ]

Do V(X) = 2,7 - 1,5
2
= 0,45 et (X) = 0,6708.
G
254
B Lexemple 2 : la loi exponentielle
La dure de fonctionnement, en heures et sans panne, dun appareil de grande diffusion est
une variable alatoire X dont la densit de probabilit est donne par :
f(x) = 0 si x < 0 et
x
1600
1
f(x) e
1 600
si x 0
Nous dirons que X suit la loi exponentielle de paramtre 1 600 et nous crirons que :
X L(X) = E(1 600)
1) Calculer la probabilit pour que la dure de vie de cet appareil soit
a) suprieure 1 000 heures
x -x
1600 1600
1000
1000
1
Prob(X 1 000) e dx - e 0,5353
1600
]
]
>
]
]
]
Il y a 53,53 % de chance pour que la dure de vie de cet appareil soit suprieur 1 000 heures
b) infrieure 1 500 heures
1500
x -x
1500
1600 1600
0
0
1
Prob(X 1 500) e dx - e 0,6084
1 600
]
]
<
]
]
]
Il y a 60,84 % de chance pour que la dure de vie de cet appareil soit infrieur 1 500 heures.
2) Calculer E(X)
x x x
1600 1600 1600
0 0
0
1
E(X) xf(x)dx x e dx x -e - -e dx
1 600

]
]

]
]
]

x
1600
0
E(X) 0 - 1 600 e 1 600
]
]

]
]
]
Nous avons utilis la formule dintgration par parties qui peut scrire shmatiquement sous la forme :
u v ' [u v] - u' v

G
Chapitre 21 Les variables alatoires continues
255
(nous avons choisi u = x et v =
x
1600
1
e dx
1 600
)
La dure de vie moyenne de cet appareil est donc de 1 600 heures (cest le paramtre de la loi exponen-
tielle).
3

Le rsum
Lois de probabilit continues : X L(X)
Loi de rpartition : x Prob(X x) = Prob(X < x) = F(x)
Loi de densit de probabilit : x f(x) = F(x)
avec
x f(x) 0 et f(x)dx 1
Par abus, nous crirons : Prob(X = x) = f(x) dx 0

E(X) = X =
xf(x)dx
V(X) = ( )
2
x E(X) f(x)dx

= E(X2) - E(X)2 et (X) V(X)
E(X + Y) = E(X) + E(Y)
V(X + Y) = V(X) + V(Y) + 2 Cov(X,Y)
avec Cov(X,Y) = E(XY) - E(X)E(Y)
V(aX + bY) = a
2
V(X) + b
2
V(Y) + 2ab Cov(X,Y)
Cov(X,Y) = 0 si X et Y sont des variables alatoires indpendantes
1

La prsentation
A La dfinition
Si nous rptons n fois la mme preuve, cette preuve pouvant avoir pour rsultat une alternative, soit
un vnement A (succs) avec une probabilit constante p ou un vnement
A
(chec) avec la probabi-
lit complmentaire q = 1-p, nous pouvons dfinir la variable alatoire discrte X reprsentant le nom-
bre de fois o lvnement A sest ralis (nombre de succs obtenus) lissue des n preuves.
Nous avons alors
k k n k
n
Prob(X k) C p q

= =
Il est facile de montrer, laide du binme de Newton que :
k
Prob(X k) 1 = =
En effet
k k n k
n
k k
Prob(X k) C p q

= =
= (p + q)
n
= 1
Chaque probabilit tant un terme du binme de Newton, nous dirons que X suit une loi Binomiale de
paramtres n (nombre dpreuves) et p (probabilit que lvnement A se ralise une preuve) et nous
crirons : X L(X) = B(n ; p)
X L(X) = B(n ; p) Prob(x = k) =
k k n k
n
C p q

noter : Une variable alatoire X suit donc une loi binomiale B(n ; p) si :
- elle est discrte et peut prendre toutes les valeurs entre 0 et n au sens large ;
- elle correspond des alternatives ;
- ces alternatives sont indpendantes.
B Lesprance mathmatique
Nous savons que pour une variable alatoire discrte X L(X) = B(n ; p),
n
k 0
E(X) k Prob(X k)
=
= =
Il faut donc calculer

n
k k n k
n
k 0
E(X) k C p q

=
=
avec p + q = 1
La loi binomiale
Chapitre
22
G
258
Pour se faire, posons f(x) = (px + q)n =
n
k k k n k
n
k 0
C p x q

=
Nous avons alors f(x) = np(px + q)n-1 =

n
k k k 1 n k
n
k 0
kC p x q

=
Nous pouvons alors constater que f(1) = E(X) = np

X L(X) = B(n ; p) E(X) = np
Lesprance mathmatique dune variable alatoire suivant une loi binomiale B(n ; p) est donc gale au
produit des deux paramtres.
C La variance et lcart-type
Daprs le thorme de Knig, nous savons que V(X) = E(X
2
) - E(X)
2
Or, E(X
2
) =
n n
2 2 k k n k
n
k 0 k 0
k Pr ob(X k) k C p q

= =
= =

En reprenant la fonction f ci-dessus (f(x) = (px + q)
n
), nous obtenons :
F(x) = n(n-1)p
2
(px + q)
n-2
=
n
k k k 2 n k
n
k 0
k(k 1)C p x q

=
Do :
n n
2 k k k 2 n k k k k 2 n k
n n
k 0 k 0
f (x) k C p x q kC p x q

= =
=

Nous pouvons ainsi constater que f(1) = E(X
2
) - E(X) = n(n-1)p
2
Nous obtenons ainsi que : E(X
2
) = n
2
p
2
- np
2
+ np = n
2
p
2
+ np(1-p) = n
2
p
2
+ npq
Do V(X) = npq et, bien entendu, (X) V(X) =
X L(X) = B(n ; p) V(X) = npq = np(1 p)
2

A Lexemple 1 : Pices dfectueuses dans un chantillon
Un lot compos dun nombre trs important de pices contient 3 % de pices dfectueuses.
Nous prlevons, au hasard, un chantillon de 9 pices tires successivement de ce lot. Soit X
la variable alatoire reprsentant le nombre de pices dfectueuses trouves dans cet chan-
tillon.
1) Quelle est la loi suivie par X ?
X est une variable alatoire discrte valeurs entires correspondant des alternatives.
Malheureusement, ces alternatives ne sont pas indpendantes : les pices tires ne sont pas remises
G
Chapitre 22 La loi binomiale
259
dans le lot et, par consquent, les conditions du tirage changent chaque fois (dun tirage lautre, la
composition du lot est modifie).
Cependant, tirer 9 pices dun lot en comportant un nombre trs important ne reprsentera pas un
changement norme dans la composition du lot : nous pouvons considrer quil y a, avant chaque
tirage, sensiblement toujours 3 % de pices dfectueuses.
En effet, si nous faisons un arbre des possibles, nous constaterions que les probabilits de tirer une
pice dfectueuse au 1
er
tirage, au 2
e
tirage, ... ou au 9
e
tirage est toujours sensiblement gal 3 %.
Dans ces conditions, nous pouvons crire que X suit une loi binomiale : X L(X) = B(9 ; 0,03)
En effet :
- la variable alatoire X est discrte et peut prendre toutes les valeurs entre 0 et 9 au sens large ;
- elle correspond des alternatives (une pice tire est dfectueuse ou ne lest pas) ;
- ces alternatives sont indpendantes (le fait dobtenir une pice dfectueuse un tirage na, a
priori, aucune influence sur ltat de la pice obtenue au tirage suivant).
2) Que valent E(X) et (X) ? Quelle sont leurs significations ?
Nous avons, vues les particularits de la loi binomiale :
E(X) = 9 x 0,03 = 0,27 et V(X) = 9 x 0,03 x 0,97 = E(X) x 0,97 = 0,2619 do (X) = 0,5118
Ces valeurs indiquent que, si nous tirons un nombre trs important dchantillons dans cette popula-
tion, en moyenne, il y aurait 0,27 pices dfectueuses sur 9 avec un cart-type (dispersion) de 0,5118.
3) Calculer Prob(X = 0) et Prob(X>2)
Vues les particularits de la loi binomiale :
0 0 9
9
Prob(X 0) C 0, 03 0, 97 0,76023 = = =
( ) Prob(X 2) 1 - Prob(X 2) 1 - Prob(X 0) Prob(X 1) Prob(X 2) > = = = + = + =
1 1 8 2 2 7
9 9
Prob(X 1) C 0, 03 0, 97 0,21161 Prob(X 2) C 0, 03 0, 97 0,02618 = = = = = =
Do Prob(X > 2) = 1 - 0,99802 = 0,00198.
B Lexemple 2 : tat de voitures vendues
Un concessionnaire de voitures vend le mme jour 8 vhicules identiques des particuliers.
Sachant que la probabilit pour que ce type de voiture soit en tat de rouler deux ans aprs
est de 85 %, calculer la probabilit pour que :
1) Les 8 vhicules soient toujours en service 2 annes plus tard ?
Dsignons par X la variable alatoire reprsentant le nombre de vhicules hors service deux annes plus
tard.
X est une variable alatoire discrte correspondant des alternatives indpendantes.
Nous pouvons donc crire que X L(X) = B(8 ; 0,15)
G
260
Nous devons calculer Prob(X = 0) car le fait que 8 vhicules soient en sevice deux annes plus tard est
quivalent au fait quaucun vhicule soit hors service deux annes plus tard.
0 0 8
8
Prob(X 0) C 0,15 0, 85 0,27249 = = =
Il y a 27,25 % de chance que les 8 vhicules soient toujours en service deux annes plus tard.
2) 5 vhicules soient hors service deux annes plus tard ?
5 5 3
8
Prob(X 5) C 0,15 0, 85 0,002612 = = =
Il y a 0,26 % de chance, soit trs peu, pour que 5 vhicules soient hors service deux annes plus tard.
3) 3 vhicules au plus soient hors service deux annes plus tard ?
Prob(X 3) Prob(X 0) Prob(X 1) Prob(X 2) Prob(X 3) = = + = + = + =
Prob(X = 0) = 0,27249 (dj calcul)
1 1 7
8
Prob(X 1) C 0,15 0, 85 0,38469 = = =
2 2 6 3 3 5
8 8
Prob(X 2) C 0,15 0, 85 0,23760 Prob(X 3) C 0,15 0, 85 0,08386 = = = = = =
Nous en dduisons quil y a 97,86 % de chance pour quau plus 3 vhicules soient hors service deux
annes plus tard.
3

Le rsum
La loi binomiale
X L(X) = B(n ; p)
Si X est une variable alatoire discrte et
k (0 k n) Prob(X = k) =
k k n k
n
C p q avec q = 1-p
Ou si X est une variable alatoire telle que :
elle est discrte et peut prendre toutes les valeurs entre 0 et n au sens large ;
elle correspond des alternatives ;
ces alternatives sont indpendantes.
Si X L(X) = B(n ; p)
alors E(X) = np et V(X) = npq
1 La prsentation
A Lapproximation dune loi binomiale
Nous venons dtudier la loi binomiale et nous avons vu quil fallait utiliser des
k
n
C donc des factorielles.
Or nous savons que n! nest pas facile calculer ds que n devient important. Do lide de modifier le
calcul dune probabilit pour une loi binomiale ou n est relativement important.
Considrons une variable alatoire discrte X suivant la loi binomiale B(n ; p).
Nous pouvons crire que : Prob(X = k) =
k k n k
n
C p q

et Prob(X = k + 1) =
k 1 k 1 n k 1
n
C p q
+ +
Do :
k 1 n k 1
k n k
k
n 1
Pr ob(X k 1) n!p q k!(n k)! n k p p n
Pr ob(X k) (k 1)!(n k 1)! k 1 q k 1 q
n!p q
+
|

' J
+
( J

+ + +
Si nous considrons que n est grand (n tend vers ), nous pouvons considrer que
k
n
tend vers 0 si k
est dans des limites raisonnables (petit) par rapport n.
Si de plus, nous considrons que p tend vers 0 donc q tend vers 1, nous pouvons encore crire que
Pr ob(X k 1)
Pr ob(X k)
+
tend vers
n p np
k 1 1 k 1

+ +
Or, le produit np est gal E(X) pour une loi binomiale. Donc si nous considrons que np tend vers une
limite finie lorsque n tend vers linfini et p tend vers 0, nous pouvons crire, en faisant un petit abus,
que :
Pr ob(X k 1)
Pr ob(X k) k 1
+
+
Nous en dduisons ainsi que : Prob(X = 1) =
1
Prob(X = 0)
Prob(X = 2) =
2
Prob(X = 1) =
2
2!
Prob(X = 0)
La loi de Poisson
Chapitre
23
G
262
Prob(X = 3) =
3
Prob(X = 2) =
3
3!
Prob(X = 0)
...
Prob(X = k) =
k
Prob(X = k-1) =
k
k!
Prob(X = 0)
Prob(X = k + 1) =
k 1
+
Prob(X = k) =
k 1
(k 1)!
+
+
Prob(X = 0)
...
La somme des probabilits devant tre gale 1, nous pouvons crire que :
1 = Prob(X = 0)
2 3 k
1 ... ...
2! 3! k!
]

+ + + + + + ]
]
]
= Prob(X = 0) e
Nous en dduisons ainsi que Prob(X = 0) = e
Par consquent, si n est grand et p petit dans une loi binomiale et si nous posons np = , nous obte-
nons que k (k entier positif)
k
Prob(X = k) = e
k!

Nous dirons alors que la variable alatoire discrte X suit une loi de Poisson de paramtre et nous cri-
rons que : X L(X) = P()
B Le processus de Poisson
Nous appellerons processus de Poisson la ralisation dvnements alatoires dans le temps et dans les-
pace obissant aux conditions suivantes :
la probabilit de ralisation de lvnement au cours dune petite priode ou sur une petite portion
despace t est proportionnelle t : cette probabilit est donc gale p t ;
cette probabilit est indpendante de ce qui sest produit antrieurement ou ct ;
la probabilit de deux apparitions sur le mme t est ngligeable.
Ainsi des vnements qui se ralisent de faon alatoire dans le temps : appels tlphoniques reus par
un standard, pannes de machines dans un atelier, arrives un page dautoroute, ... peuvent tre con-
sidrs comme raliss suivant un processus de Poisson.
Nous pouvons remarquer que si une variable X suit une loi binomiale de paramtres n et p o n est
grand (en gnral suprieur 30), p petit (en gnral infrieur 10 %), X vrifie galement le processus
de Poisson.
G
Chapitre 23 La loi de Poisson
263
C La dfinition
Si une variable alatoire discrte X valeurs entires vrifie le processus de Poisson et, comme nous
lavons vu prcdemment,
k
Prob(x = k) = e ,
k!

nous dirons que X suit une loi de Poisson de
paramtre et nous crirons que : X L(X) = P()
X L(X) = P() Prob(x = k) =
k
e
k!

D Lesprance mathmatique
Nous savons que
k k
k 0 k 0 k 1
E(X) = k Pr ob(X k) k e e
k! (k 1)!

Do, en posant K = k-1,
K
K 0
E(X) = e e e
K!
Lesprance mathmatique dune variable alatoire suivant une loi de Poisson de paramtre est donc
gale auparamtre .
X L(X) = P() E(X) =
E La variance et lcart-type
Daprs le thorme de Knig, V(X) = E(X
2
) - E(X)
2
Ici, E(X
2
) =
k k
2 2
k 0 k 0 k 1
k Pr ob(X k) k e e
k! (k 1)!

Ce qui peut encore scrire :
k k k 2 k 1
2 2
k 1 k 1 k 2 k 1
E(X ) = (k 1) e e e e
(k 1)! (k 1)! (k 2)! (k 1)!

+ +

Do, en posant K = k-1 et G = k-2, nous tirons :
G K
2 2 - -
G 0 K 0
E(X ) = e e
G! K!

+

=
2
e
-
e
+ e
-
e
=
2
+
Nous en dduisons ainsi que

2 2
V(X) = - = et (X) = +
X L(X) = P() V(X) =
G
264
F Quelques remarques
Nous pouvons dj remarquer que si la variable alatoire discrte X suit une loi de Poisson de
paramtre alors lesprance mathmatique et la variance sont gales ce paramtre .
Nous pouvons alors faire une seconde remarque qui serait que pour approcher une loi binomiale de
paramtres n et p par une loi de Poisson de paramtre , il faut que n soit grand (n > 30) et p petit
(p < 10 %) et np = , mais quil est surtout important que np soit relativement voisin de npq.
2

A Lexemple 1 : Le processus de Poisson
Des disquettes 3,5 pouces peu chres sont produites en srie et le nombre de dfauts sur cha-
que disquette suit une loi de Poisson de paramtre 1,2.
Calculer la probabilit pour quune disquette choisie alatoirement dans cette production.
1) Ne comporte aucun dfaut
Dsignons par X la variable alatoire reprsentant le nombre de dfauts sur une disquette.
Par hypothse : X L(X) = P(1,2)
Do
0
1, 2
1,2
Prob(X = 0) = e 0, 30119
0!
Il y a donc 30,12 % de chance pour quune disquette ne comporte aucun dfaut.

2) Comporte plus de deux dfauts
Prob(X > 2) = 1 - Prob(X 2) = 1 - [Prob(X = 0) + Prob(X = 1) + Prob(X = 2)]
Prob(X = 0) = 0,30119 (dj calcul)
1
1, 2
1,2
Prob(X = 1) = e 0, 36143
1!
et
2
1, 2
1,2
Prob(X = 2) = e 0, 21686
2!
= 0,21686
Do Prob(X > 2) = 1 - 0,87548 = 0,12452
Il y a donc 12,45 % de chance pour quune disquette ne comporte plus de deux dfauts.
B Lexemple 2 : Approximation dune loi binomiale
Une enqute statistique portant sur 10 000 automobilistes dbutants a rvl que 200 den-
tre eux avaient provoqu un accident corporel dans leur premire anne de conduite et que,
parmi ceux-ci, 10 dentre eux avaient provoqu un accident mortel.
G
Chapitre 23 La loi de Poisson
265
Nous choisissons 100 automobilistes au hasard, quelle est la probabilit pour quaucun dentre
eux nait eu un accident mortel au cours de sa premire anne de conduite ?
Dsignons par X la variable alatoire reprsentant le nombre dautomobilistes, parmi les 100 choisis au
hasard, ayant eu un accident mortel.
X est une variable alatoire discrte correspondant des alternatives indpendantes.
Nous pouvons donc crire que X L(X) = B(100 ; 0,001)
Comme le nombre dpreuves est important (100 30) et la probabilit faible (0,001 0,1), nous pou-
vons approcher cette loi binomiale par une loi de Poisson de paramtre = 100 x 0,001 = 0,1 :
X L(X) = B(100 ; 0,001) P(0,1)
0
0,1
0,1
Prob(X 0) e 0,90483
0!

Il y a donc 90,48 % de chance pour quaucun automobiliste nait eu un accident mortel au cours de sa
premire anne de conduite.
3

Le rsum
La Loi de Poisson
X L(X) = P()
Si X est une variable alatoire discrte et
k (0 k) Prob(X = k) =
k
e
k!

Ou si X est une variable alatoire qui vrifie le processus de Poisson
Si X L(X) = P()
alors E(X) = et V(X) =
Si X L(X) = B(n ; p)
avec n grand et p petit tels que, en posant q = 1-p,
le produit np est relativement proche de npq,
alors, en posant = np, nous pouvons crire que :
X L(X) = B(n ;p) P()
1

La prsentation
A La dfinition
Nous dirons quune variable alatoire X continue dfinie sur R et dpendant dun grand nombre de
causes plutt indpendantes dont les effets sadditionnent mais dont aucune nest nettement prpon-
drante (conditions de Borel) suit une loi normale, ou une loi de Laplace-Gauss, ou une loi de Gauss.
La fonction de densit de cette variable alatoire est alors donne par :
2
2
(x m)
2
1
x f(x) e
2

=

avec m et constantes
Cette densit ne dpendant que de deux paramtres m et , nous crirons que :
X L(X) = N(m ; )
X L(X) = N(m ; ) f(x) =
2
2
(x m)
2
1
e
2

(f : densit de probabilit)
Nous admettrons sans dmonstration que E(X) = m et que (X) = (V(X) =
2
)
X L(X) = N(m ; ) E(X) = m et (X) =
partir de cette densit, nous pouvons crire que :
Prob(X x
0
) = Prob(X < x
0
) =
2
2
0 0
(x m)
x x
2
0
1
f(x)dx e dx F(x )
2

= =

noter Il ny a pas de distinction entre ingalit stricte et ingalit large dans le cas dune loi con-
tinue.
La loi normale
Chapitre
24
G
268
B La loi normale centre rduite
Nous constatons quil y a une infinit de choix possibles pour m et , il existe donc une infinit de loi
normale et il est donc impossible de les tabuler toutes.
Do lide de tabuler la loi normale centre rduite dont la moyenne est gale 0 et lcart-type gal
1 (en statistique, centre veut dire que la moyenne est gale 0 et rduite veut dire que lcart-type
est gal 1).
Par convention, la variable alatoire ne sera plus dsigne par X mais par T, la fonction de densit ne
sera plus dsigne par la fonction f mais par la fonction n.
Nous crirons alors que : T L(T) = N(0 ; 1)
et que :
2
t
2
1
t n(t) e
2
partir de cette nouvelle densit, nous pouvons crire que :

Prob(T t
0
) = Prob(T < t
0
) =

= =

2
0 0
t
t t
2
0
1
n(t)dt e dt N(t )
2
Nous pouvons reprsenter cette loi par le graphe suivant :
n(t)
N
(
t
o
)
0
t
o
t
Nous arrivons ainsi la clbre courbe en cloche .
C Le passage de la loi N(m ; ) la loi N(0 ; 1)
Pour passer de la fonction de densit f telle que

=

2
2
(x m)
2
1
f(x) e
2

la fonction de densit n telle
que
2
t
2
1
n(t) = e ,
2

il suffit de faire un changement de variable alatoire en posant :
X m
T
Dans ces conditions, =
1
f(x) n(t). Nous avons donc, en notation diffrentielle,
1
dt = dx (dx = s(dt))
G
Chapitre 24 La loi normale
269
Nous pouvons alors remarquer que :
Prob(X < x
0
) = Prob(X x
0
) =
0 0
x t 1
f(x)dx n(t) dt

= =

0
t
0
n(t)dt N(t )
= =
Prob(T t
0
) = Prob(T < t
0
)
En posant
0
0
x m
t ,
nous pouvons calculer nimporte quelle probabilit concernant une variable

alatoire X suivant une loi N(m ; ) partir des tables numriques concernant la loi normale N(0 ; 1).
En conclusion :
X L(X) = N(m ; ) et T L(T) = N(0 ; 1) si
x m
t =

alors Prob(X < x) = Prob(T < t)
D Quelques calculs de probabilits pour une variable alatoire
T L(T) = N(0 ; 1)
1) Calculer Prob(T < 0,36)
Graphiquement, nous devons calculer laire hachure ci-dessous :
0
t
n(t)
N(t)
0,36

N(0,36)

Connaissant la valeur de t (0,36), nous utiliserons la table de la fonction de rpartition de la loi norma-
le N(0 ;1).
Do Prob(T < 0,36) = N(0,36) = 64,058 %
2) Calculer Prob(T < -1,97)
Ici t est ngatif or la fonction de rpartition pour la loi normale centre rduite est souvent donne pour
des valeurs de t positives. Daprs la courbe ci-dessus, nous pouvons constater que la fonction de rpar-
tition de la loi normale centre rduite est paire do une symtrie par rapport laxe des ordonnes.
Ceci est visible sur le graphique ci-aprs.
Connaissant la valeur de t (1,97), nous utiliserons la table de la fonction de rpartition de la loi norma-
le N(0 ; 1).
G
270

0
t
n(t)
1,97
-1,97

Par consquent, Prob(T < -1,97) = Prob(T > 1,97) = 1 - Prob(T 1,97) = 1 - N(1,97)
Prob(T < -1,97) = 1 - 0,97558 = 2,442 %
3) Dterminer la valeur de t telle que Prob(T t) = 57,90 %
Le schma est le suivant :

0
t
n(t)
N(t)
t
0,5790
Ne connaissant la valeur de t mais laire (57,90 %), nous utiliserons la table de la fonction inverse de la
rpartition de la loi normale N(0 ; 1).
Sur cette table, nous trouvons t = 0,19934.
Sinon, si nous navons que la table de la fonction de rpartition de la loi N(0 ; 1), il faut procder par
interpolation linaire et poser :
Prob(T 0,19) 0,57535
Prob(T t) 0,57900
Prob(T 0,20) 0,57926
=
=
=
d'o
t 0,19 0,57900 0,57535
0, 20 0,19 0,57926 0,57535

=

Nous trouvons galement ainsi t = 0,19934.
4) Dterminer la valeur de t tel que Prob(T < t) = 16,5 %.
Ici, il faut dabord remarquer que N(t) < 50 % do t < 0 (en effet pour la loi N(0 ; 1), Prob(T < 0) = 0,5).
En appliquant la symtrie par rapport laxe des ordonnes (t = 0) de la courbe de rpartition de la
loi N(0 ; 1), nous avons Prob(T < - t) = 1 - Prob(T - t) = 1 - Prob(T < t)
G
271
Soit rsoudre Prob(T < - t) = 83,5 % comme dans 3) :

0
t
n(t)
N(t)
-t
0,8350

Ne connaissant la valeur de - t mais laire (83,50 %), nous utiliserons la table de la fonction inverse de la
rpartition de la loi normale N(0 ; 1).
Sur cette table, nous trouvons - t = 0,97411
Nous en dduisons que t = - 0,97411
Sinon, si nous navons que la table de la fonction de rpartition de la loi N(0 ; 1), il faut procder par
interpolation linaire aprs avoir crit Prob(T < -t) = 83,5 % :
Prob(T 0,97) 0,83398
t 0,97 0,83500 0,83398
Prob(T t) 0,83500 d'o
0,98 0,97 0,83646 0,83398
Prob(T 0,98) 0,83646
=

= =

=
Nous trouvons ainsi - t = 0,97411 do t = - 0,97411.
5) Dterminer un intervalle de confiance bilatral 95 % pour t
Dterminer un intervalle de confiance bilatral 95 % signifie dterminer un intervalle centr sur la
moyenne (donc sur 0) dont la probabilit est gale 95 %.
Il faut donc dterminer t > 0 tel que Prob(-t < T < t) = 95 %
Le schma est le suivant :

0
t
n(t)
t -t
0,95
Laire totale est gale 1, en dehors de lintervalle [- t ; t], laire non-hachure est gale 0,05.
G
272
Par symtrie, nous avons donc Prob(t < -t) = Prob(T > t) = 0,025
Do Prob(T < t) = N(t) = 97,5 %
Soit le nouveau schma :

0 t
n(t)
N(t)
t
0,9750

Si nous avons la table de la fonction inverse de la rpartition de la loi N(0 ; 1), il suffit de savoir lire pour
trouver que t = 1,95996
Sur la table de la fonction de rpartition, nous trouvons N(t) = 1,96
une confiance bilatrale de 95 % correspond donc une valeur de t gale 1,96
Lintervalle de confiance bilatral 95 % scrit donc : [- 1,96 ; 1,96]
E - Quelques calculs de probabilits pour une variable alatoire
X L(X) = N(200 ; 15)
1) Calculer Prob(X < 230)
Dans ce qui suit, il suffit dappliquer la formule de passage de la loi N(200 ; 15) la loi N(0 ; 1).
Cest--dire :
X 200
T =
15
Nous crirons : Prob(X < 230) = Prob

230 200
T
15

<

= Prob(T < 2) = N(2) = 97,725 %
2) Calculer Prob(X > 260)
Prob(X > 260) = 1 - Prob(X 260) = 1 - Prob
260 200
T
15

<

= 1 - Prob(T < 4)
Do Prob(X > 260) = 1 - N(4) = 1 - 0,9999683 = 0,00317 %
3) Dterminer x tel que Prob(X < x) = 13,8 %
Nous allons dabord rsoudre lquation Prob(T < t) = N(t) = 13,8 %
Comme ci-dessus il faut dabord remarquer que N(t) < 50 % do t < 0 et procder de la mme manire
que dans D 4).
Si nous avons la table de la fonction inverse de la rpartition de la loi N(0 ; 1), il suffit de savoir lire pour
trouver que t = - 1,08935.
G
273
Sinon, il faut procder par interpolation linaire aprs avoir crit Prob(T < -t) = 86,2 % :
Prob(T 1,08) 0,85993
Prob(T t) 0,86200
Prob(T 1,09) 0,86214
=
=
=

do
t 1, 08 0, 86200 0, 85993
1, 09 1, 08 0, 86214 0, 85993

=

Nous trouvons ainsi - t = 1,08937 do t = - 1,08937 (cart ngligeable entre les deux rsultats).
Comme
x 200
t
15
= , nous obtenons x = 183,66

4) Dterminer lintervalle de confiance bilatral 90 %
Nous allons dabord dterminer t > 0 tel que Prob(-t < T < t) = 90 %
Prob(-t < T < t) = Prob(T < t) - Prob(T -t) = N(t) - N(-t) = 2 N(t) - 1 = 90 %. Do N(t) = 95 %.
Si nous avons la table de linverse de la fonction de rpartition de la loi N(0 ; 1), il suffit de savoir lire
pour trouver que t = 1,64485.
Sinon, il faut procder par interpolation linaire :
N(1, 64) 0, 94950
N(t) 0, 95000
N(1, 65) 0, 95053
=
=
=

do

t 1, 64 0, 95000 0, 94950
1, 65 1, 64 0, 95053 0, 94950

=

Nous trouvons ainsi t = 1,64485. une confiance bilatrale de 90 % correspond donc une valeur de t
gale 1,645.
Comme
x 200
t
15
= , nous obtenons x = 200 + 15t

Do lintervalle de confiance bilatral 90 % : [175,327 ; 224,6728]
Nous pouvons remarquer que cet intervalle est bien centr sur E(X), soit sur 200.
2

Lapproximation dune loi binomiale ou de Poisson
par une loi normale
A La correction de continuit
Pour approximer une loi binomiale ou une loi de Poisson par une loi normale, il faut approximer une
loi discrte par une loi continue, soit mettre en correspondance deux lois de natures diffrentes : do
lobligation de faire une correction de continuit
Le graphique ci-aprs va nous permettre de comprendre dune autre manire le pourquoi dune correc-
tion de continuit.
Ce graphique reprsente, superposes, une partie du diagramme de distribution dune variable ala-
toire discrte et une partie de la courbe reprsentative de la variable alaoire continue associe.
G
274
x
2
Prob
ou
Densit
Q C B A N
M
D
E
G
P
0,5 0,5
x
3
x
1
Le diagramme de distribution est reprsent par les segments MN, PQ et EB reprsentant, respective-
ment, Prob(X = x
1
), Prob(X = x
3
) et Prob(X = x
2
).
La courbe de densit de la variable alatoire continue est donc lenveloppe de ces segments. Comme
nous avons dsign par X la variable alatoire discrte, nous dsignerons par Xla variable alatoire con-
tinue qui lui est associe et par f la fonction densit de probabilit.
Nous pouvons dja remarquer que Prob(X = x
2
) = f(x
2
). Remarquons galement que x
2
et
'
2
x ont les
mmes valeurs.
Nous pouvons faire une autre approche qui relierait deux probabilits, lune concernant les probabilits
discrtes et lautre les probabilits continues.
Graphiquement, nous pouvons constater que, en mesure, la longueur du segment EB est gale laire
du rectangle ACFD (en effet, ce rectangle une base centre sur x
2

et de longueur 1).
Comme les deux triangles curvilignes DEH et EFG ont sensiblement mme aire, nous pouvons consid-
rer que les aires du rectangle ACFD et du trapze curviligne AHGC sont sensiblement gales.
Si nous traduisons ces remarques sous forme mathmatique, nous pouvons crire que :
2
2
x 0,5
2 2 2
x 0,5
Prob(X = x ) = f(x )dx Prob(x - 05 < X < x + 0,5)
+

=
Cette seconde approche nous permettra de calculer des probabilits pour des intervalles concernant
des variables alatoires discrtes dont lapproche a t faite par une loi de probabilit continue tout en
distinguant les ingalits larges et les ingalits strictes.
Par exemple, nous crirons :
2 2
Prob(X < x ) = Prob(X < x - 0,5) <
2 2
Prob(X x ) = Prob(X < x 0,5) +
2 2
Prob(X x ) = Prob(X > x 0,5) > +
et
2 2
Prob(X x ) = Prob(X > x - 0,5)
G
275
B Lapproximation dune loi binomiale par une loi normale
Supposons que la variable alatoire discrte X suive une loi binomiale de paramtres n et p o n est
grand (n > 30) et p voisin de 50 % (35 % p 65 %). Nous savons que E(X) = np et V(X) = npq.
Dans ces conditions, en posant m = np et = npq, la variable continue X dduite de X suit une loi
normale de paramtres m et .
Bien entendu, il ne faut pas oublier de faire une correction de continuit.
Nous pouvons remarquer, en regardant le graphique ci-dessus, que
1 x m
Prob(X = x) = n

qui est
sensiblement gal Prob(x - 0,5 < X < x + 0,5).
Par exemple la loi B(1 000 ; 0,45) peut tre approxime par la loi N(450 ; 15,73).
C Lapproximation dune loi de Poisson par une loi normale
Supposons que la variable alatoire discrte X suive une loi de Poisson de paramtre o est grand
( > 16). Nous savons que E(X) = et V(X) = .
Dans ces conditions, en posant m = et = , la variable continue X dduite de X suit une loi nor-
male de paramtres m et .
Bien entendu, il ne faut pas oublier de faire une correction de continuit.
Nous pouvons remarquer,comme crit ci-dessus, que
1 x m
Prob(X = x) = n Prob(x - 0,5 < X < x + 0,5)

Par exemple la loi P(10 000) peut tre approxime par la loi N(10 000 ; 100).
noter Lannexe 1 montre un tableau rsumant brivement le passage dune loi une autre.
G
276
4

Le rsum
La loi normale (ou de Laplace-Gauss, ou de Gauss)
La loi normale gnralise
X L(X) = N(m ; )
Si X est une variable alatoire continue (f, fonction de densit) et
2
2
(x m)
2
1
x f(x) e
2

=

avec m et constantes
Ou si X est une variable alatoire qui vrifie les conditions de Borel
Si F est la fonction de rpartition, nous avons :
Prob(X x
0
) = Prob(X < x
0
) =
0
x
f(x)dx
2
2
0
(x m)
x
2
0
1
e dx F(x )
2

Si X L(X) = N(m ; )
alors E(X) = m et V(X) =
2
La loi normale centre rduite
T L(T) = N(0 ; 1)
Si T est une variable alatoire continue (n, fonction de densit) et
2
t
2
1
t n(t) e
2
Si N est la fonction de rpartition, nous avons :

Prob(T t
0
) = Prob(T < t
0
) =
0
t
n(t)dt
2
0
t
t
2
0
1
e dt N(t )
2
Nous passons de la loi N(m ; ) la loi N(0 ; 1)

en posant :
x m
T =
1

La prsentation
A La loi du Khi2 (
2
)
Soient X
1
, X
2
,..., X
n
, n variables alatoires continues et indpendantes suivant une loi normale N(0,1).
La variable alatoire continue
2 2 2
1 2 n
X X ... X + + + qui varie entre 0 et est dsigne par
2
et a pour
densit de probabilit :
2
2 2 n 1 x n 1
0
1
F( ) = e ( ) o (n) e x dx
(n)

Nous dirons encore que cette variable alatoire suit une loi du
2
avec n degrs de liberts.
B Les cararactristiques de la la loi du Khi2
Nous admettrons sans dmonstration que : E(
2
) = n et V(
2
) = 2n
Nous constatons ainsi que si une variable alatoire suit une loi du
2
sa variance est gale au double de
sa moyenne.
C Le nombre de degrs de libert
Considrer n variables alatoires normales centres rduites et indpendantes revient se placer dans
un espace de dimension n : cest le nombre de degrs de libert de la loi du
2
.
Si ces n variables normales centres rduites sont linairement dpendantes et sil existe k relations du
type
i,j i
i
a X K
(j variant de 1 k), le nombre de degrs de libert de la loi du

2
sera gal n-k.
D La somme de variables
2
indpendantes
Nous admettrons que la somme de k variables
2
indpendantes ayant respectivement n
1
, n
2
, ... n
k
.
pour nombre de degrs de libert suit elle-mme une loi du
2
avec n
1
+ n
2
+ ... + n
k
pour nombre de
degrs de libert.
Le test du Khi2 (
2
)
et le test de Henry
Chapitre
25
G
278
E Lutilisation de la table de la fonction inverse
de la rpartition de la loi du
2
La distribution du
2
ne dpend que dun seul paramtre : le nombre de degrs de libert n.
La table du
2
sera donc double entre et donnera, pour n infrieur ou gal 30, la valeur de
2

ayant la probabilit p dtre dpasse.
Cette table est situe en annexe 4.
Par exemple, pour n = 6,
2
6
Prob( 10, 645) 0,10 >
La loi du
2
nest jamais tabule au dela de n = 30 car ds que nous atteindrons des nombres de degrs
de libert importants, nous pourrons utiliser la variable alatoire continue associe U suivante, qui est
distribue approximativement suivant une loi normale centre rduite :
2
U 2 - 2(n 1) 1
2

La validit de lajustement dune loi observe
par une loi thorique
A Dfinition et loi de probabilit de la distance
entre une loi observe et une loi thorique
Soit X une variable alatoire suivant une loi de probabilit L(X).
Procder N observations de cette variable revient tirer un chantillon de taille N dans la population,
thoriquement infinie, correspondant la loi de probabilit L(X).
Ces observations sont ensuite classes suivant k modalits C
1
, C
2
, ..., C
k
, qui reprsentent soit les dif-
frentes valeurs possibles (ou groupe de valeurs) de la variable si celle-ci est discrte, soit les classes de
valeurs associes la variable si celle-ci est continue.
chacune de ces modalits correspond une probabilit dtermine par la loi de probabilit de X
soit L(X) : p
1
, p
2
, ..., p
k
Nous pouvons donc dire que les effectifs
1
,
2
, ...,
k
. susceptibles dtre observs sur lchantillon
pour chacune des modalits C
1
, C
2
, ..., C
k
suivent une variable alatoire binomiale : ainsi pour la clas-
se C
i
leffectif
i
est une variable alatoire binomiale de paramtres N (effectif de lchantillon) et p
(probabilit que la variable X appartienne cette modalit) :
i
L(
i
) = B(N ; p
i
)
Son esprance mathmatique E(
i
) = Np
i
reprsente leffectif thorique de la classe C
i
et sa variance
V(
i
) gale Np
i
(1 - p
i
) est proche de Np
i
car le choix du nombre de modalits est gnralement fait de
faon ce que la probabilit p
i
soit relativement faible.
G
Chapitre 25 Le test du Khi2 et le test de Henry
279
Dans ces conditions, pourvu que la modalit C
i
soit suffisamment grande pour avoir un effectif thori-
que dau moins 4 ou 5 individus (ceci pour que nous puissions approximer la loi binomiale par une loi
normale), lcart rduit entre leffectif empirique
i
, et leffectif thorique Np
i
, soit
i i
i
i
( Np )
E =
Np

peut tre considr comme une variable normale centre rduite.
Les effectifs observs en ralit sur lchantillon pour chacune des modalits sont n
1
, n
2
, n
3
, ..., n
k
.
Ainsi, pour la classe C
i
lcart rduit prend sur lchantillon la valeur e
i
gale
i i
i
i
(n Np )
e
Np
Nous posons alors

2
i
i
d e
et nous appelons d : distance entre la distribution observe et la loi tho-

rique L.
La distance d est une valeur de la variable alatoire D, qui est obtenue comme une somme de variables
alatoires normales centres rduites, suit donc une loi du
2
k-1 degrs de libert car nous avons la
relation :
i
i
n N
B Le test du Khi2
Gnralement, nous ne connaissons pas a priori la loi de probabilit thorique suivie par la variable
alatoire X mais, suivant la nature du phnomne et aprs analyse de la distribution observe, nous
choisirons un type de loi L.
Ce choix effectu, nous pourrons calculer les effectifs thoriques et valuer la valeur de la variable ala-
toire D.
Cette variable alatoire D suit, dans lhypothse o la distribution observe suit effectivement la loi L,
une loi du
2
dont le nombre de degrs de libert dpend du nombre k de modalits observes et du
nombre r de paramtres estims partir de ces observations. Ce nombre de degrs de libert est donc
gal n = k - r - 1.
Le test du
2
introduit par K. Pearson repose sur le raisonnement suivant :
nous faisons lhypothse que le phnomne observ suit la loi thorique L. Dans ces conditions la
variable alatoire D suit une loi du
2
n = k - r 1 degrs de libert ;
sil y a une probabilit forte que D prenne une valeur suprieure la valeur d observe, les fluctua-
tions alatoires suffisent expliquer la valeur enregistre : lhypothse est donc juge acceptable ;
si, par contre, il ny a quune faible probabilit dobtenir une valeur de la variable alatoire D sup-
rieure la valeur d observe, il est beaucoup plus probable que cette valeur observe soit due un
mauvais choix de la loi thorique L : lhypothse sera rejete.
G
280
3

A Lexemple 1 : Ajustement suivant une loi binomiale
ou une loi de Poisson
La distribution de 100 chantillons de 40 pices tires dune production trs importante suivant le nom-
bre de pices dectueuses est donne dans le tableau :
Nombre de pices
dfectueuses
Effectifs
observs
x
i
n
i
0 28
1 40
2 21
3 7
4 3
5 1
6 et plus 0
Le constructeur de la machine produisant ces pices donne 4 % comme pourcentage de pices rebu-
ter dans sa production.
1) Que pensez-vous de cette affirmation ?
Nous allons prendre comme hypothse que le nombre X de pices rebuter dans un chantillon de 40
pices suit une loi B (40 ; 4 %). Cette loi peut tre approxime par la loi P(1,6).
La probabilit pour quun chantillon de 40 pices ait 0 pice dfectueuse est gale 0,202 (calcul
effectu par lintermdiaire de la loi P(1,6)). Donc, sur 100 chantillons de 40 pices, il doit thorique-
ment avoir 0,202 x l00 soit 20,2 chantillons en moyenne ayant 0 pice dfectueuse.
En procdant de la mme manire pour les chantillons ayant une, deux, trois, ... pices dfectueuses,
nous arrivons au tableau ci-aprs :
x
i
n
i
p
i
Np
i
e
i
2
0 28 0,202 20,2 3,01188
1 40 0,323 32,3 1,83560
2 21 0,258 25,8 0,89302
3 7 0,138 13,8 3,35072
4 3 0,055 5,5
5 1 0,018 1,8 1,92532
6 et plus 0 0,006 0,6
Totaux 100 1,000 100 11,01655
G
281
noter les deux dernires modalits ont t regroupes parce que leffectif de la dernire modalit
est trop faible.
Nous obtenons ainsi que d = 11,01655.
Or, la table de la fonction inverse de la loi de rpartition du
2
nous indique que
2
4
Prob( > 9,488) = 0,05
pour un nombre de degrs de libert gal 4.
Par consquent,
2
4
Prob( >11,01654) est infrieure 5 % et donc, en considrant cette probabilit
comme tant faible (la distance est importante), nous devons rejeter lhypothse annonce.
2) Quelle hypothse donneriez-vous ?
En tudiant la srie donne, nous constatons que la moyenne m des observations est gale 1,2 : nous
allons faire lhypothse que la loi de probabilit nest pas B(40 ; 4 %) mais la loi B(40 ; 3 %) (ou encore
la loi P(1,2)). Dans ces conditions, nous arrivons au tableau suivant :
x
i
n
i
p
i
Np
i
e
i
2
0 28 0,301 30,1 0,14651
1 40 0,361 36,1 0,42133
2 21 0,217 21,7 0,02258
3 7 0,087 8,7
4 3 0,026 2,6
5 1 0,006 0,6 0,10000
6 et plus 0 0,002 0,2
100 1,000 100 0,69042
Remarquons que les trois dernires modalits ont t regroupes. Nous obtenons ainsi que la dis-
tance d est gale 0,69042. Or la table de la loi du
2
nous donne, pour un nombre de degrs
de libert gal 4 - 2 = 2 (nous avons estim la moyenne 1,2), que
2
2
Prob( 0, 713) 0, 70 > et
2
2
Prob( 0, 446) 0, 80. >
Nous en dduisons donc que
2
2
Prob( 0, 69042) > est comprise entre 70 % et 80 %. Cette probabilit
tant assez forte (la distance est faible), notre hypothse comme quoi la loi observe suit une loi de
Poisson de paramtre 1,2 (ou encore une loi binomiale de paramtres 40 et 0,03) est acceptable.
B Lexemple 2 : Ajustement suivant une loi normale
Considrons la distribution dun lot de 400 vis suivant leurs diamtres en mm.
Lentreprise produisant ces vis vous demande de tester lhypothse selon laquelle la distribution obser-
ve suit une loi normale de paramtres m (la moyenne des diamtres observs) et (lecart-type des
diamtres observs).
G
282
Le tableau donnant la distribution des diamtres observs est le suivant :
Diamtres
(en mm)
Nb de vis
3,00 moins de 3,05 3
3,05 moins de 3,10 6
3,10 moins de 3,15 13
3,15 moins de 3,20 23
3,20 moins de 3,25 39
3,25 moins de 3,30 78
3,30 moins de 3,35 91
3,35 moins de 3,40 72
3,40 moins de 3,45 42
3,45 moins de 3,50 17
3,50 moins de 3,55 9
3,55 moins de 3,60 5
3,60 moins de 3,65 2
Par calcul, nous obtenons que m = 3,32 et = 0,10.
Nous allons donc tester lhypothse selon laquelle la variable alatoire reprsentant le diamtre dune
vis produite suit une loi normale N(3,32 ; O,10).
Nous arrivons ainsi au tableau suivant :
Diamtres
(en mm)
n
i
t
i
p
i
Np
i
e
i
2
moins de 3,05 3 -2,7 0,00347 1,388
3,05 moins de 3,10 6 -2,2 0,01043 4,172 2,128
3,10 moins de 3,15 13 -1,7 0,03067 12,268 0,044
3,15 moins de 3,20 23 -1,2 0,0705 28,200 0,959
3,20 moins de 3,25 39 -0,7 0,12689 50,756 2,723
3,25 moins de 3,30 78 -0,2 0,17878 71,512 0,589
3,30 moins de 3,35 91 0,3 0,19717 78,868 1,866
3,35 moins de 3,40 72 0,8 0,17023 68,092 0,224
3,40 moins de 3,45 42 1,3 0,11506 46,024 0,352
3,45 moins de 3,50 17 1,8 0,06087 24,348 2,218
3,50 moins de 3,55 9 2,3 0,02516 10,064
3,55 moins de 3,60 5 2,8 0,00821 3,284 0,184
3,60 et plus 2 3,3 0,00256 1,024
400 1,00000 400 11,287
G
283
Dans le tableau qui prcde, t
i
est la valeur de t correspondant la borne suprieure de la classe i et p
i

correspond la probabilit dtre sur la classe i.
Pour le calcul du
2
, remarquons que les deux premires modalits ont t regroupes ainsi que les trois
dernires. Nous arrivons ainsi d = 11,287.
Or les tables de la loi du
2
nous indiquent que, pour un nombre de degrs de libert gal
10 1 - 2 = 7 (nous avons estim m et partir de la distribution observe), que :
2 2
7 7
Prob( 9, 803) 0, 20 et Prob( 12, 017) 0,10 > >
Nous en dduisons donc que
2
7
Prob( 11, 287) > est compris entre 0,10 et 0,20. Cette probabilit
ntant pas trs leve (la distance nest pas trs faible), le test du
2
ne nous permet pas daccepter
cette hypothse.
Notre rponse lentreprise produisant ces vis serait donc que le diamtre dune vis produite ne suit pas
une loi N(3,32 ; O,10).
4

Le test de Henry
A Le principe
Ce test sert voir si une srie statistigue peut tre ajuste par une loi normale.
En effet, une variable X est normale sil existe deux nombres m et tels que la fonction de rpartition F
puisse svaluer a laide de la loi normale N(0 ; 1) suivant la relation :
x m x m 1 m
F(x) N N(t) soit t x -
| `

' J

( J
Il suffit donc de faire apparaitre cette relation sur un papier gausso-arithmtique et de vrifier que la
courbe obtenue est bien une droite.
Le papier gausso-arithmtique (voir la fin de lexemple dutilisation suivant) est un papier style papier
millimtr comportant trois axes : laxe des abscisses chelle arithmtique et deux axes pour les
ordonnes (celui de droite est chelle arithmtique, celui de gauche est chelle gaussienne). Les
valeurs de droite ont pour probabilits les valeurs de gauche suivant la loi normale N(0,1).
Cette droite est encore appele droite de Henry do le nom de test de Henry.
Rappelons que ce test ne sert qu voir si un tableau statistique suit une loi normale.
B Un exemple dutilisation
la demande de la chambre syndicale des fabricants de produits surgels, une enqute por-
tant sur les dpenses mensuelles de produits surgels chez les mnages dots dun rfrigra-
teur avec conservateur (***) a t faite.
G
284
Les rsultats de cette enqute sont les suivants :
Nombre de mnages
dans lchantillon
Dpenses mensuelles
(en euros)
25 moins de 20
25 20 moins de 40
45 40 moins de 60
60 60 moins de 80
75 80 moins de 100
85 100 moins de 120
75 120 moins de 140
50 140 moins de 160
45 160 moins de 200
15 200 et plus
Montrer, en traant la courbe des frquences cumules sur du papier fonctionnel gausso-arith-
mtique, que la distribution observe suit une loi normale dont vous prciserez les param-
tres.
Nous allons dabord calculer les frquences cumules et tracer le graphique sur le papier gausso-arith-
mtique page suivante :
n
i
Classes f
i
F
i
25 moins de 20 0,05 0,05
25 20 - 40 0,05 0,10
45 40 - 60 0,09 0,19
60 60 - 80 0,12 0,31
75 80 - 100 0,15 0,46
85 100 - 120 0,17 0,63
75 120 - 140 0,15 0,78
50 140 - 160 0,10 0,88
45 160 - 200 0,09 0,97
15 200 et plus 0,03 1,00
500 1
G
285
Papier gausso-arithmtique
0
,
9
9
9
0
,
9
8
0
0
,
9
5
0
0
,
9
0
0
0
,
8
0
0
0
,
7
0
0
0
,
6
0
0
0
,
5
0
0
0
,
4
0
0
0
,
3
0
0
0
,
2
0
0
0
,
1
0
0
0
,
0
5
0
0
,
0
2
0
0
,
0
0
1
2
0
4
0
6
0
8
0
1
0
0
1
2
0
1
4
0
1
6
0
1
8
0
2
0
0
-
3
-
2
-
1
0 1 2 3
Le graphique nous indique que les points dabscisse les dpenses et dordonnes (axe de droite) les
frquences cumules correspondantes sont pratiquement aligns. Lajustement de ces points donne la
droite de Henry.
G
286
Nous pourrions utiliser la mthode des moindres carrs pour dterminer lquation de cette droite mais
le graphique nous montre que deux points (40 ; 0,10) et (160 ; 0,88) doivent tre situs dur cette droite
de Henry.
Nous allons donc plus vite en rsolvant le systme suivant :
0,10 t 1, 282 et x 40
0, 88 t 1,175 et x 160
|

|
Pour trouver son quation du type t = a x + b, il suffit de rsoudre le systme suivant :
1, 282 40a b a 0, 0205
1,175 160a b b 2,1010
+ | |

+
| |
Comme
1
a
et b = -
m
_
, la distribution observe suit approximativement une loi normale de param-

tres 102,61 et 48,84.
G
287
5

Le rsum
La loi du
2
Soient X
1
, X
2
, ..., X
n
, n variables alatoires continues et indpendantes suivant toutes
une loi normale N(O,l).
La variable alatoire continue
2 2 2
1 2 n
X X ... X + + qui varie entre 0 et est dsigne par
2
2
2 2 n 1 x n 1
0
1
F( ) e ( ) o (n) e x dx
(n)

Cette variable alatoire suit une loi du
2
avec n degrs de liberts.
2
n
Si X L(X)
alors E(X) = n et V(X) = 2n
Le test du
2
Juger de limportance la somme des carts centrs rduits entre valeurs observes et valeurs
thoriques par lintermdiaire de la loi du
2
.
Le nombre de degrs de libert est gal au nombre de termes composants la somme diminu
de un et du nombre de paramtres calculs et utiliss.
Le test de Henry
Juger de la qualit de linarit dun nuage de points
trac sur du papier gausso-arithmtique.

Annexes
Tableau rsumant brivement
le passage dune loi une autre
Annexe
1
X P()
Prob(X= k) =

e
! k
k
E(X) = V (X) =
X B(n;p)
Prob(X= k) =
k n k k
n
q p C

E(X) = np V(X) = npq
n grand
p moyen
p petit
p grand
= np
m = np
= npq
m =
=
grand
X = X
= nq
X N(m; )
E(X) = m V(X) =
2
T N(0;1)
E(T) = 0 V(T ) = 1
T =
m x
X :
X : : T
Loi bi nomiale Loi de Poisson
C o r r e c t i o n d e C o n t i n u i t
Loi Normale Gnralise Loi Normale Centre Rdui te
Variables alatoires continues
Variable alatoire discrte
0 T
n(t)
Prob(T<t)
t
t 0 1 2 3 4 5 6 7 8 9
0,0* 0,50000 0,50399 0,50798 0,51197 0,51595 0,51994 0,52392 0,52790 0,53188 0,53586
0,1* 0,53983 0,54380 0,54776 0,55172 0,55567 0,55962 0,56356 0,56749 0,57142 0,57535
0,2* 0,57926 0,58317 0,58706 0,59095 0,59483 0,59871 0,60257 0,60642 0,61026 0,61409
0,3* 0,61791 0,62172 0,62552 0,62930 0,63307 0,63683 0,64058 0,64431 0,64803 0,65173
0,4* 0,65542 0,65910 0,66276 0,66640 0,67003 0,67364 0,67724 0,68082 0,68439 0,68793
0,5* 0,69146 0,69497 0,69847 0,70194 0,70540 0,70884 0,71226 0,71566 0,71904 0,72240
0,6* 0,72575 0,72907 0,73237 0,73565 0,73891 0,74215 0,74537 0,74857 0,75175 0,75490
0,7* 0,75804 0,76115 0,76424 0,76730 0,77035 0,77337 0,77637 0,77935 0,78230 0,78524
0,8* 0,78814 0,79103 0,79389 0,79673 0,79955 0,80234 0,80511 0,80785 0,81057 0,81327
0,9* 0,81594 0,81859 0,82121 0,82381 0,82639 0,82894 0,83147 0,83398 0,83646 0,83891
1,0* 0,84134 0,84375 0,84614 0,84849 0,85083 0,85314 0,85543 0,85769 0,85993 0,86214
1,1* 0,86433 0,86650 0,86864 0,87076 0,87286 0,87493 0,87698 0,87900 0,88100 0,88298
1,2* 0,88493 0,88686 0,88877 0,89065 0,89251 0,89435 0,89617 0,89796 0,89973 0,90147
1,3* 0,90320 0,90490 0,90658 0,90824 0,90988 0,91149 0,91309 0,91466 0,91621 0,91774
1,4* 0,91924 0,92073 0,92220 0,92364 0,92507 0,92647 0,92785 0,92922 0,93056 0,93189
1,5* 0,93319 0,93448 0,93574 0,93699 0,93822 0,93943 0,94062 0,94179 0,94295 0,94408
1,6* 0,94520 0,94630 0,94738 0,94845 0,94950 0,95053 0,95154 0,95254 0,95352 0,95449
1,7* 0,95543 0,95637 0,95728 0,95818 0,95907 0,95994 0,96080 0,96164 0,96246 0,96327
1,8* 0,96407 0,96485 0,96562 0,96638 0,96712 0,96784 0,96856 0,96926 0,96995 0,97062
1,9* 0,97128 0,97193 0,97257 0,97320 0,97381 0,97441 0,97500 0,97558 0,97615 0,97670
2,0* 0,97725 0,97778 0,97831 0,97882 0,97932 0,97982 0,98030 0,98077 0,98124 0,98169
2,1* 0,98214 0,98257 0,98300 0,98341 0,98382 0,98422 0,98461 0,98500 0,98537 0,98574
2,2* 0,98610 0,98645 0,98679 0,98713 0,98745 0,98778 0,98809 0,98840 0,98870 0,99899
2,3* 0,98928 0,98956 0,98983 0,99010 0,99036 0,99061 0,99086 0,99111 0,99134 0,99158
2,4* 0,99180 0,99202 0,99224 0,99245 0,99266 0,99286 0,99305 0,99324 0,99343 0,99361
2,5* 0,99379 0,99396 0,99413 0,99430 0,99446 0,99461 0,99477 0,99492 0,99506 0,99520
2,6* 0,99534 0,99547 0,99560 0,99573 0,99585 0,99598 0,99609 0,99621 0,99632 0,99643
2,7* 0,99653 0,99664 0,99674 0,99683 0,99693 0,99702 0,99711 0,99720 0,99728 0,99736
2,8* 0,99744 0,99752 0,99760 0,99767 0,99774 0,99781 0,99788 0,99795 0,99801 0,99807
2,9* 0,99813 0,99819 0,99825 0,99831 0,99836 0,99841 0,99846 0,99851 0,99856 0,99861
3,0* 0,99865 0,99869 0,99874 0,99878 0,99882 0,99886 0,99889 0,99893 0,99896 0,99900
La fonction de rpartition
de la loi N(0;1)
Annexe
2
G
Annexes
293
t Prob(T<t) t Prob(T<t)
3,0 0,998650 3,8 0,999928
3,1 0,999032 3,9 0,999952
3,2 0,999313
3,3 0,999517 4,0 0,9999683
3,4 0,999663 4,2 0,9999867
4,4 0,9999946
3,5 0,999767 4,6 0,99999789
3,6 0,999841 4,8 0,99999921
3,7 0,999892 5 0,99999971
(valeurs obtenues grce au tableur Excel)
0 T
n(t)
Prob(T<t) = N(t)
t
N(t) 0 1 2 3 4 5 6 7 8 9
0,50* 0,00000 0,00251 0,00501 0,00752 0,01003 0,01253 0,01504 0,01755 0,02005 0,02256
0,51* 0,02507 0,27580 0,03008 0,03259 0,03510 0,03761 0,04012 0,04263 0,04513 0,04764
0,52* 0,05015 0,05266 0,05517 0,05768 0,06020 0,06271 0,06522 0,06773 0,07024 0,07276
0,53* 0,07527 0,07778 0,08030 0,08281 0,08533 0,08784 0,09036 0,09288 0,09540 0,09791
0,54* 0,10043 0,10295 0,10547 0,10799 0,11052 0,11304 0,11556 0,11809 0,12061 0,12314
0,55* 0,12566 0,12819 0,13072 0,13324 0,13577 0,13830 0,14084 0,14337 0,14590 0,14843
0,56* 0,15097 0,15351 0,15604 0,15858 0,16112 0,16366 0,16620 0,16874 0,17128 0,17383
0,57* 0,17637 0,17892 0,18147 0,18402 0,18657 0,18912 0,19167 0,19422 0,19678 0,19934
0,58* 0,20189 0,20445 0,20701 0,20957 0,21214 0,21470 0,21727 0,21983 0,22240 0,22497
0,59* 0,22754 0,23012 0,23269 0,23527 0,23785 0,24043 0,24301 0,24559 0,24817 0,25076
0,60* 0,25335 0,25594 0,25853 0,26112 0,26371 0,26631 0,26891 0,27151 0,27411 0,27671
0,61* 0,27932 0,28193 0,28454 0,28715 0,28976 0,29237 0,29499 0,29761 0,30023 0,30286
0,62* 0,30548 0,30811 0,31074 0,31337 0,31600 0,31864 0,32128 0,32392 0,32656 0,32921
0,63* 0,33185 0,33450 0,33716 0,33981 0,34247 0,34513 0,34779 0,35045 0,35312 0,35579
0,64* 0,35846 0,36113 0,36381 0,36649 0,36917 0,37186 0,37454 0,37723 0,37993 0,38262
0,65* 0,38522 0,38802 0,39073 0,39343 0,39614 0,39886 0,40157 0,40429 0,40701 0,40974
0,66* 0,41246 0,41519 0,41793 0,42066 0,42340 0,42615 0,42889 0,43164 0,43440 0,43715
0,67* 0,43991 0,44268 0,44544 0,44821 0,45099 0,45376 0,45654 0,45933 0,46211 0,46490
0,68* 0,46770 0,47050 0,47330 0,47610 0,47891 0,48173 0,48454 0,48736 0,49019 0,49302
0,69* 0,49585 0,49869 0,50153 0,50437 0,50722 0,51007 0,51293 0,51579 0,51866 0,52153
0,70* 0,52440 0,52728 0,53016 0,53305 0,53584 0,53884 0,54174 0,54464 0,54755 0,55047
0,71* 0,55338 0,55631 0,55924 0,56217 0,56511 0,56805 0,57100 0,57395 0,57691 0,57987
0,72* 0,58284 0,58581 0,58879 0,59178 0,59477 0,59776 0,60076 0,60376 0,60698 0,60979
0,73* 0,61281 0,61584 0,61887 0,62191 0,62496 0,62801 0,63106 0,63412 0,63719 0,64027
0,74* 0,64335 0,64643 0,64952 0,65262 0,65573 0,65884 0,66196 0,66508 0,66821 0,67135
0,75* 0,67449 0,67764 0,68080 0,68396 0,68713 0,69031 0,69349 0,69668 0,69988 0,70309
0,76* 0,70630 0,70952 0,71275 0,71599 0,71923 0,72248 0,72574 0,72900 0,73228 0,73556
0,77* 0,73885 0,74214 0,74545 0,74876 0,75208 0,75542 0,75875 0,76210 0,76546 0,76882
0,78* 0,77219 0,77557 0,77897 0,78237 0,78577 0,78919 0,79262 0,79606 0,79950 0,80296
0,79* 0,80642 0,80990 0,81338 0,81687 0,82038 0,82389 0,82742 0,83095 0,83450 0,83805
0,80* 0,84162 0,84520 0,84879 0,85239 0,85600 0,85962 0,86325 0,86689 0,87055 0,87422
0,81* 0,87790 0,88159 0,88529 0,88901 0,89273 0,89647 0,90023 0,90399 0,90777 0,91156
0,82* 0,91537 0,91918 0,92301 0,92686 0,93072 0,93459 0,94848 0,94238 0,94629 0,95022
0,83* 0,95417 0,95812 0,96210 0,96609 0,97009 0,97411 0,97815 0,98220 0,98627 0,99036
0,84* 0,99446 0,99858 1,00271 1,00686 1,01103 1,01522 1,01943 1,02365 1,02789 1,03215
La fonction inverse de la
rpartition de la loi N(0;1)
Annexe
3
G
Annexes
295
N(t) 0 1 2 3 4 5 6 7 8 9
0,85* 1,03643 1,04073 1,04505 1,04939 1,05374 1,05812 1,06252 1,06694 1,07138 1,07584
0,86* 1,08032 1,08482 1,08935 1,09390 1,09847 1,10306 1,10768 1,11232 1,11699 1,12168
0,87* 1,12639 1,13113 1,13590 1,14069 1,14551 1,15035 1,15522 1,16012 1,16505 1,17000
0,88* 1,17499 1,18000 1,18504 1,19012 1,19522 1,20036 1,20553 1,21073 1,21596 1,22123
0,89* 1,22653 1,23186 1,23723 1,24264 1,24808 1,25357 1,25908 1,26464 1,27024 1,27587
0,90* 1,28155 1,28727 1,29303 1,29884 1,30469 1,31058 1,31652 1,32251 1,32854 1,33462
0,91* 1,34076 1,34694 1,35317 1,35946 1,36581 1,37220 1,37866 1,38517 1,39174 1,39838
0,92* 1,40507 1,41183 1,41865 1,42554 1,43250 1,43953 1,44663 1,45381 1,46106 1,46838
0,93* 1,47579 1,48328 1,49085 1,49851 1,50626 1,51410 1,52204 1,53007 1,53820 1,54643
0,94* 1,55477 1,56322 1,57179 1,58047 1,58927 1,59819 1,60725 1,61644 1,62576 1,63523
0,95* 1,64485 1,65463 1,66456 1,67466 1,68494 1,69540 1,70604 1,71689 1,72793 1,73920
0,96* 1,75069 1,76241 1,77438 1,78661 1,79912 1,81191 1,82501 1,83842 1,85218 1,86630
0,97* 1,88079 1,89570 1,91104 1,92684 1,94313 1,95996 1,97737 1,99539 2,01409 2,03352
0,98* 2,05375 2,07485 2,09693 2,12007 2,14441 2,17009 2,19729 2,22621 2,25713 2,29037
0,99* 2,32635 2,36502 2,40892 2,45726 2,51214 2,57583 2,65207 2,74778 2,87816 3,09023
P = Prob(X < x) = Prob(X x)
Q = Prob(X > x) = Prob(X x)
C(x)
0 x X
P
Q
P 0,010 0,025 0,050 0,100 0,200 0,300 0,500 0,700 0,800 0,900 0,950 0,975 0,990 P
Q 0,990 0,975 0,950 0,900 0,800 0,700 0,500 0,300 0,200 0,100 0,050 0,025 0,010 Q
1 0,000 0,001 0,004 0,016 0,064 0,148 0,455 1,074 1,642 2,706 3,841 5,024 6,635 1
2 0,020 0,051 0,103 0,211 0,446 0,713 1,386 2,408 3,219 4,605 5,991 7,378 9,210 2
3 0,115 0,216 0,352 0,584 1,005 1,424 2,366 3,665 4,642 6,251 7,815 9,348 11,345 3
4 0,297 0,484 0,711 1,064 1,649 2,195 3,357 4,878 5,989 7,779 9,488 11,143 13,277 4
5 0,554 0,831 1,145 1,610 2,343 3,000 4,351 6,064 7,289 9,236 11,070 12,832 15,086 5
6 0,872 1,237 1,635 2,204 3,070 3,828 5,348 7,231 8,558 10,645 12,592 14,449 16,812 6
7 1,239 1,690 2,167 2,833 3,822 4,671 6,346 8,383 9,803 12,017 14,067 16,013 18,475 7
8 1,646 2,180 2,733 3,490 4,594 5,527 7,344 9,524 11,030 13,362 15,507 17,535 20,090 8
9 2,088 2,700 3,325 4,168 5,380 6,393 8,343 10,656 12,242 14,684 16,919 19,023 21,666 9
10 2,558 3,247 3,940 4,865 6,179 7,267 9,342 11,781 13,442 15,987 18,307 20,483 23,209 10
11 3,054 3,816 4,575 5,578 6,989 8,148 10,341 12,899 14,631 17,275 19,675 21,920 24,725 11
12 3,571 4,404 5,226 6,304 7,807 9,034 11,340 14,011 15,812 18,549 21,026 23,337 26,217 12
13 4,107 5,009 5,892 7,042 8,634 9,926 12,340 15,119 16,985 19,812 22,326 24,736 27,688 13
14 4,660 5,629 6,571 7,790 9,467 10,821 13,339 16,222 18,151 21,064 23,685 26,119 29,141 14
15 5,229 6,262 7,261 8,547 10,307 11,721 14,339 17,322 19,311 22,307 24,996 27,488 30,578 15
16 5,812 6,908 7,962 9,312 11,152 12,624 15,338 18,418 20,465 23,542 26,296 28,845 32,000 16
17 6,408 7,564 8,672 10,085 12,002 13,531 16,338 19,511 21,615 24,769 27,587 30,191 33,409 17
18 7,015 8,231 9,390 10,865 12,857 14,440 17,338 20,601 22,760 25,989 28,869 31,526 34,805 18
19 7,633 8,907 10,117 11,651 13,716 15,352 18,338 21,689 23,900 27,204 30,143 32,852 36,191 19
20 8,260 9,591 10,851 12,443 14,578 16,266 19,337 22,775 25,038 28,412 31,410 34,170 37,566 20
21 8,897 10,283 11,591 13,240 15,445 17,182 20,337 23,858 26,171 29,615 32,671 35,479 38,932 21
22 9,542 10,982 12,338 14,041 16,314 18,101 21,337 24,939 27,301 30,813 33,924 36,781 40,289 22
23 10,196 11,689 13,090 14,848 17,186 19,021 22,337 26,018 28,429 32,007 35,173 38,076 41,638 23
24 10,856 12,401 13,848 15,659 18,062 19,943 23,337 27,096 29,553 33,196 36,415 39,364 42,980 24
25 11,524 13,120 14,611 16,473 18,940 20,867 24,337 28,172 30,675 34,382 37,652 40,647 44,314 25
26 12,198 13,844 15,379 17,292 19,820 21,792 25,336 29,246 31,795 35,563 38,885 41,923 45,642 26
27 12,879 14,573 16,151 18,114 20,703 22,719 26,336 30,319 32,912 36,741 40,113 43,194 46,963 27
28 13,565 15,308 16,928 18,939 21,588 23,647 27,336 31,391 34,027 37,916 41,337 44,461 48,278 28
29 14,256 16,047 17,708 19,768 22,475 24,577 28,336 32,461 35,139 39,087 42,557 45,722 49,588 29
30 14,953 16,791 18,493 20,599 23,364 25,508 29,336 33,530 26,250 40,256 43,773 46,979 50,892 30
La fonction inverse de la
rpartition de la loi du Khi2 (
2
)
Annexe
4
G
Annexes
297
P 0,010 0,025 0,050 0,100 0,200 0,300 0,500 0,700 0,800 0,900 0,950 0,975 0,990 P
Q 0,990 0,975 0,950 0,900 0,800 0,700 0,500 0,300 0,200 0,100 0,050 0,025 0,010 Q
35 18,509 20,569 22,465 24,797 27,836 30,178 34,336 38,859 41,778 46,059 49,802 53,203 57,342 35
40 22,164 24,433 16,509 29,050 32,345 34,872 38,335 44,165 47,269 51,805 55,759 59,342 63,691 40
45 25,901 28,366 30,612 33,350 36,884 39,585 44,335 49,452 52,729 57,505 61,656 65,410 69,957 45
50 29,707 32,357 34,764 37,689 41,449 44,313 49,335 54,723 58,164 63,167 67,505 71,420 76,154 50
55 33,570 36,398 38,958 42,060 46,036 49,055 54,335 59,980 63,577 68,796 73,311 77,381 82,292 55
60 37,485 40,482 43,188 46,459 50,641 53,809 59,335 65,227 68,972 74,397 79,082 83,298 88,379 60
N dditeur : 2448
Dpt lgal : aot 2005
Document1 10/08/05 10:00 Page 301

Zooms Mathématiques Appliquées À La Gestion

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Zooms Mathématiques Appliquées À La Gestion

Uploaded by

Copyright:

Available Formats

M

G MATHMATI QUES APPLI QUES LA GESTI ON

G MATHMATI QUES APPLI QUES LA GESTI ON

G MATHMATI QUES APPLI QUES LA GESTI ON

G MATHMATI QUES APPLI QUES LA GESTI ON

G MATHMATI QUES APPLI QUES LA GESTI ON

G MATHMATI QUES APPLI QUES LA GESTI ON

, nous la reprsenterons sous la forme suivante :

Dans ce cas, la fonction de demande scrit sous la forme :

Dans ces conditions, Q = 5,5714.

Dans ces conditions, Q = 7,6923.

La deuxime quation donne un discriminant = 51 076 do deux valeurs possibles pour p

nous arrivons la somme :

est le dterminant principal du systme S.

Pour pouvoir continuer, il faut donc que Det([A]) soit non-nul

= = < nous pouvons

Calculer llasticit de demande correspondant Q

Le seul ennui ce raisonnement est quil faut connatre y

Si nous dsignons par V

suite qui converge rapidement vers la solution de lquation.

Si les annuits sont constantes et gales a, nous avons :

(K est le capital emprunt).

Ces frquences moyennes nous permettrons de

la -moyenne associe lapplication numrique la valeur solution de

Il est vident que, pour tre dfinie, la valeur m

doit correspondre une application telle que toutes

de la variable solution de lquation : f(X x

Pour la srie des carts ci-dessus, nous obtenons

o a est une constante relle quelconque.

Cette galit est connue sous le nom de thorme de Knig.

Nous savons que

Nous avons encore :

Soit encore : V(X) = V

est appele variance inter-sous-populations : cest la variance des moyen-

. Nous dsignerons par

m2 = Det([H]) = 4 n V(x) > 0

nous constatons que, quelque soit la valeur de

soit 0,92606. Ce coefficient indique que le passage du modle constant

o K et sont des constantes relles.

Par rapport au modle cons-

Par rapport au modle constant, lamlioration est alors de 99,92 %.

n reprsentant le nombre de lignes

est leffectif marginal relatif y

Cette remarque va nous permettre de simplifier un peu lcriture de F. En effet, en posant b

Nous en dduisons ainsi que

Nous pouvons alors appliquer le thorme de KNIG au niveau de F :

Nous serons donc un minimum de F ds que F

Nous obtenons ainsi que :

noter Cette mthode est la mthode de Buys-Ballot.

Calculs des coefficients saisonniers

De la mme manire, lindice de Laspeyres des quantits est encore gal :

De la mme manire, lindice de Paasche des quantits est encore gal :

Nous pouvons galement crire que :

et nous dirons que f(A) est la probabilit de A

Les variables alatoires

(la somme des probabilits est gale 1).

Pour la condition (1), il suffit de remarquer que sur [0 ; 3], le polynme 3x x

3) Calculer E(X) et (X)

Par abus, nous crirons : Prob(X = x) = f(x) dx 0

Il faut donc calculer

Nous avons alors f(x) = np(px + q)n-1 =

Nous pouvons alors constater que f(1) = E(X) = np

Nous en dduisons ainsi que Prob(X = 0) = e