Académique Documents
Professionnel Documents
Culture Documents
1 Mathematiques-Base
1 Mathematiques-Base
1 Mathematiques-Base
La finance dans ses applications générales n’utilise que des concepts mathématiques simples
(moyenne, variance, écart-type, covariance, coefficient de corrélation, etc.). On trouvera ci-
après un rappel sommaire de leur signification et de leur calcul.
1 Moyenne
Les rendements d’une valeur J (les actions d’une entreprise donnée), constatés sur plusieurs
périodes, sont les suivants :
Tableau 1
Rendement de la valeur j sur différentes périodes
Périodes Rendement
1 0,20
2 0,15
3 0,13
4 0,07
5 0,04
6 -0,02
La moyenne est égale à :
r ji
rj i 1
n
où :
r j est le rendement moyen recherché pour la valeur j ;
rji, le rendement de la valeur j à la ième période ;
n est le nombre de périodes.
Soit :
0,57
rj 0,095.
6
Annexe mathématique 1
2 Variance
La variance est une mesure de la dispersion autour de la moyenne des valeurs du caractère
étudié. Dans la mesure où les écarts positifs et négatifs se compensent, ces écarts sont élevés
au carré.
(r ji rj ) 2
2j i 1
n
Comme en finance on raisonne sur un échantillon, on a plus le chance d’avoir une variance
sous-estimée par rapport variance de la population. Cette erreur est corrigée en prenant
comme dénominateur n-1. La variance corrigée, que l’on appelle également variance non
biaisée1, est égale à:
(r ji rj ) 2
2j i 1
n 1
(r ji rj ) 2
corr
2
j i 1
n 1
n
corr
2
j 2 j
n 1
Cette relation montre que plus n sera grand plus les deux variances (corrigées et non
corrigées) seront proches.
Tableau 2
Calcul de la variance du rendement de la valeur j
1
La soustraction de 1 à la taille de l’échantillon correspond à la perte d’un degré de liberté. Ce concept relativement complexe peut
s’expliquer ainsi : tant qu’aucune valeur du caractère de la population étudiée n’a pas été fixé, ces valeurs peuvent être quelconques (s’il y a
n observations dans l’échantillon, on dit qu’il y a n degrés de liberté). A partir du moment où une valeur du caractère est précisée, seules n-1
valeurs du caractère sont encore libres (l’on dit que l’on a n-1 degrés de liberté). C’est ce qui se passe avec le calcul de la variance, les n-1
premiers écarts entre la moyenne et les valeurs que peut prendre le caractère sont libres ; par contre, le dernier écart est strictement déterminé
puisque la somme des écarts à la moyenne doit être égale à zéro. n-1 est le diviseur approprié pour le calcul de la variance.
Annexe mathématique 2
(1) (2) (3) (4)
Périodes rji (r ji r j ) (rji rj ) 2
1 0,20 0,105 0,011 025
2 0,15 0,055 0,003 025
3 0,13 0,035 0,001 225
4 0,07 - 0,025 0,000 625
5 0,04 - 0,055 0,003 025
6 - 0,02 - 0,115 0,013 225
Total 0,57 0,032 150
Moyenne : 0,095 Variance : 0,006 43
3 Ecart-type
L’écart-type est la mesure standardisée des écarts de la valeur de la variable étudiée autour de
la moyenne . Il est égal à la racine carrée de la variance, soit :
0,006 43 0,080187
4 Covariance
La covariance est une mesure du degré suivant lequel deux variables évoluent dans le même
sens. Une valeur positive signifie qu’en moyenne elles évoluent dans la même direction et
inversement. On ne peut attacher de signification à l’amplitude de la valeur absolue de la
covariance, qui dépend par ailleurs des unités de mesure utilisées.
Son calcul s’effectue ainsi :
(r ji r j )(rmi rm )
cov jm ou jm i 1
n 1
Annexe mathématique 3
Périodes rmi (rmi rm ) (rmi rm ) 2 (r ji r j )(rmi rm )
1 0,25 0,14 0,019 6 0,014 70
2 0,12 0,01 0,000 1 0,000 55
3 0,14 0,03 0,000 9 0,001 05
4 0,09 - 0,02 0,000 4 0,000 50
5 0,05 - 0,06 0,003 6 0,003 30
6 0,01 - 0,10 0,010 0 0,011 50
Total 0,66 0,034 6 0,031 60
Moyenne 0,11 Variance : 0,006 92 cov jm = 0,006 32
5 Coefficient de corrélation
(r ji r j )(rmi rm )
jm i 1
r r j rmi rm
n n
2 2
ji
i 1 i 1
soit :
0,031 6
jm 0,94.
0,032 15 0,034 6
1 Espérance mathématique
L’espérance mathématique est le nom donné à la moyenne lorsque les données sont
probabilisées. Ainsi, les rendements possibles de la valeur j à une période future déterminée
seront décrits comme ci-après :
Annexe mathématique 4
Tableau 4
Données prévisionnelles concernant le rendement de la valeur j
Rendement Probabilité
0,25 0,10
0,22 0,15
0,18 0,25
0,14 0,25
0,12 0,15
0,08 0,10
n
E (r j ) r ji Pi
i 1
où :
E(rj) est l’espérance du rendement de la valeur j à la période indiquée,
rji est le ième rendement possible de la valeur j à la même période,
Pi est la probabilité de réalisation attachée au rendement rji.
Pour l’exemple présenté, le calcul donnera donc :
Tableau 5
Calcul de l’espérance mathématique du rendement de la valeur j
2 Variance
Dans le cas de données probabilisées, la variance est égale à la somme du carré des écarts à
l’espérance mathématique multipliés par leur probabilité de réalisation ; elle se calcule donc
ainsi :
V r ou
n
j
2
j [r ji E (r j )]2 Pi
i 1
Tableau 6
Calcul de la variance du rendement de la valeur J
Annexe mathématique 5
Rendement Probabilité rji * Pi rji - E(rj) [rji-E(rj)]2 [rji-E(rj)] 2 * Pi
rji Pi
0,25 0,10 0,025 0,086 0,007 396 0,000 739 6
0,22 0,15 0,033 0,056 0,003 136 0,000 470 4
0,18 0,25 0,045 0,016 0,000 256 0,000 064 0
0,14 0,25 0,035 -0,024 0,000 576 0,000 144 0
0,12 0,15 0,018 -0,044 0,001 936 0,000 290 4
0,08 0,10 0,008 -0,084 0,007 056 0,000 705 6
E(rj) = 0,164 Variance 0,002 414 0
3 Ecart-type
Le calcul de l’écart-type reste inchangé par rapport à celui effectué à partir de données
observées, soit :
j V (r j )
4 Covariance
Comme dans le cas des données observées, on va présenter le calcul de la covariance en
comparant le rendement attendu pour le titre étudié (rj) avec le rendement attendu pour le
marché (rm).
La covariance entre les deux séries de rendements attendus pour une période donnée se
calculera ainsi :
n
cov jm ou jm [(r ji E (r j ))(rmi E (rm ))]Pi
i 1
où :
rmi est le ième rendement possible du marché pour la période étudiée ;
E(rm) est l’espérance du rendement du marché pour cette même période ;
Pi, la probabilité de réalisation des ièmes rendements de j et de m.
Ainsi, en se donnant une série de valeurs anticipées pour le rendement du marché (colonne 5
du tableau ci-après), le calcul de la covariance entre le rendement de la valeur étudiée et le
rendement du marché s’effectuera de la manière suivante :
Tableau 7
Calcul de la covariance entre le rendement de la valeur j et le rendement du marché.
Annexe mathématique 6
(1) (2) (3) (4) (5) (6) (7) (8)
Probabilités Rendements Espérance Ecarts du Rendement Espérance du Ecarts du Covariance
possibles du rendement rendement à s possibles rendement du rendement à
titre du titre l’espérance du marché marché l’espérance
Pi rji rji*Pi rji-E(rj) rmi rmi*Pi rmi-E(rm) (1)*(4)*(7)
0,10 0,25 0,025 0,086 0,18 0,018 0,088 0,000 757
0,15 0,22 0,033 0,056 0,14 0,021 0,048 0,000 403
0,25 0,18 0,045 0,016 0,10 0,025 0,008 0,000 032
0,25 0,14 0,035 -0,024 0,08 0,020 -0,012 0,000 072
0,15 0,12 0,018 -0,044 0,04 0,006 -0,052 0,000 343
0,10 0,08 0,008 -0,084 0,02 0,002 -0,072 0,000 605
E(rj) = 0,164 E(rm) 0,092 cov = 0,002 212
=
Remarque : l’exemple qui vient d’être traité est simplifié du fait qu’il n’admet que six
combinaisons entre les rendements possibles du titre et du marché.
5 Coefficient de corrélation
Le coefficient de corrélation correspond à la même définition et au même calcul que pour les
données observées.
jm
Soit : jm
j m
0,002 212
0,983 3
0,049 13 * 0,045 78
ce qui signifie que les rendements du titre sont très fortement liés aux rendements du marché.
Tableau 8
Tableau récapitulatif
Annexe mathématique 7
Données observées Données anticipées
Moyenne ou n n
n
Covariance
covjm ou
n
(r ji r j )(rmi rm ) [(r
i 1
ji E (r j ))(rmi E (rm ))]Pi
jm i 1
n 1
Coefficient de jm jm
corrélation jm jm
j m j m
La loi normale (de moyenne m, d’écart-type ) est une loi complexe. Son utilisation est
rendue plus facile si on la transforme en loi normale réduite (de moyenne m = 0, d’écart-type
= 1) par le changement de variable suivant :
xm
z
où :
z représente la variable centrée réduite ;
et x, la valeur dont on veut calculer la probabilité.
Annexe mathématique 8
Considérons la distribution normale des rentabilités attendues pour un projet d’investissement
dont l’espérance mathématique et l’écart-type sont égaux à 16 % et 12 % (figure 1). Quelle est
la probabilité d’avoir un taux de rentabilité supérieur à 25 % ?
Figure 1
Distribution des valeurs probables d’un projet d’investissement
La probabilité d’obtenir un taux de rentabilité r > 25 % peut être notée : P(r > 0,25).
Cette probabilité correspond à la surface hachurée sur la figure 1. Des tables statistiques
permettent de la calculer. Avant de se référer à la table (annexe table 6) 2, il faut centrer et
réduire la valeur de la variable étudiée pour passer de la loi normale à la loi normale centrée
réduite ; pour cela, on retranche à la valeur étudiée l’espérance mathématique et on divise la
différence obtenue par l’écart-type. La valeur centrée et réduite du taux de rentabilité, appelée
ci-après z, est égale à :
0,25 0,16
z 0,75
0,12
ce qui signifie que la valeur testée 0,25 est à une distance de 0,75 écart-type à la droite de la
valeur moyenne 0,16.
Ainsi donc, on peut écrire que :
ce qui correspond à la partie hachurée de l’aire sous la courbe présentée avec la table 6.
Puisque l’aire totale sous la courbe vaut 1, la probabilité d’obtenir un rendement > 0,25 est
égale à :
Annexe mathématique 9
La loi normale centrée-réduite présente des caractéristiques intéressantes qui peuvent être
mises en évidence dans la figure suivante :
Figure 2
Caractéristiques de la loi normale
Lorsque la distribution est normale, la probabilité pour qu’un événement se situe entre une
distance exprimée en écart-type au-dessus et au-dessous de la moyenne est comme ci-après :
Par contre, quelle que soit la loi (inégalité de Chebychev), on estime en général que :
75 % des valeurs de la distribution se situent à plus ou moins 2 par rapport à la moyenne ;
89 % à plus ou moins 3 par rapport à la moyenne.
Annexe mathématique 10
Tableau 9
Gains espérés des projets d’investissement A et B
La distribution de probabilité des projets A et B nous permet de faire l’hypothèse que les
distributions de valeur suivent des lois normales. On va calculer l’espérance et l’écart-type
des gains pour chacun des projets afin de pouvoir utiliser ces lois de probabilités.
Tableau 10
Espérance de gain et écart-type pour les projets A et B
Projet A
Probabilités Gains probables Espérance Gi - E(G) [Gi- E(G)]2 [Gi- E(G)]2*Pi
(Pi) (Gi) Gi * Pi
0,10 1 000 100 - 2 000 4 000 000 400 000
0,20 2 000 400 - 1 000 1 000 000 200 000
0,40 3 000 1 200 0 0 0
0,20 4 000 800 1 000 1 000 000 200 000
0,10 5 000 500 2 000 4 000 000 400 000
Espérance = 3 000 Variance = 1 200 000
Ecart-type = 1 095,44
Projet B
Probabilités Gains probables Espérance Gi - E(G) [Gi- E(G)]2 [Gi- E(G)]2*Pi
(Pi) (Gi) Gi * Pi
0,10 500 50 - 2 500 6 250 000 625 000
0,20 1 000 200 -2 000 4 000 000 800 000
0,40 3 000 1 200 0 0 0
0,20 5 000 1 000 2 000 4 000 000 800 000
0,10 5 500 550 2 500 6 250 000 625 000
Espérance = 3 000 Variance = 2 850 000
Ecart-type = 1 688,19
1ère application :
Quelle est la probabilité que le gain du projet A (et celui du projet B) soit égal à 2 500 ?
Annexe mathématique 11
2 500 3 000
Pour le projet A z soit : - 0,456 4
1 095,4
ce qui correspond à une probabilité de 32,28 %
2 500 3 000
Pour le projet B z soit : - 0,296 1
1 688,19
ce qui correspond à une probabilité de 38,2 %.
2ème application
Quelle est la probabilité que le gain soit compris entre 2 500 et 3 500 pour le projet A (et le
Projet B) ?
Cette probabilité est égale à la probabilité que le gain soit égal à 3 500 moins la probabilité
qu’il soit égal à 2 500.
3 500 3 000
z 0,456 4
1 095,4
ce qui correspond à une probabilité de 61,8 %. La probabilité pour que le gain du projet B soit
compris entre 2 500 et 3 500 est donc :
Ainsi, dans l’application précédente, la probabilité que le gain du projet A soit au plus égal à
3 500 est : 67,72 %. Donc la probabilité que le gain soit au moins égal à 3 500 est :
1 - 67,72 % = 32,28 %
Annexe mathématique 12
De la même manière pour le projet B, la probabilité que le gain soit au plus égal à 3 500 est
(d’après l’application précédente) : 61,8 %. La probabilité d’un gain au moins égal à 3 500 est
donc :
1 - 61, 8% = 38,2 %
Une distribution est dite symétrique si les valeurs observées se répartissent de façon uniforme
autour des trois valeurs centrales alors égales : la moyenne, le mode et la médiane.
Le coefficient d’asymétrie est nul si la loi est symétrique par rapport à la moyenne.
- Lorsque la distribution possède une queue vers la droite, le coefficient de Skewness est positif.
- Lorsque la distribution possède une queue vers la gauche, le coefficient de Skewness est
négatif.
(r ji rj )3
µ3 i 1
=S
n
Un investisseur prudent préférera une skewness positive, on rappellera que pour la loi
normale, S=0.
µ3
S Fisher
3
Annexe mathématique 13
où,
σ réprésente l’écart-type au cube.
(r ji rj ) 4
µ4 i 1
n
ou plus généralement :
Pearson a défini le coefficient d'aplatissement (Kurtosis) qui permet d'étudier la forme plus ou
moins pointue ou aplatie :
Annexe mathématique 14
On teste :
– H0 : les données suivent une « loi normale » (S = 0 et K = 3), contre
– H1 : les données ne suivent pas une « loi normale » (S ≠ 0 et K ≠ 3).
Avec :
– n = Nombre d’observations
– k = Nombre de variables explicatives si les données proviennent des résidus d’une
régression linéaire. Sinon, k=0.
– S = Skewness
– K = Kurtosis
Annexe mathématique 15