MATHEMATIQUES DE 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.

SECTION I. CAS DES DONNEES OBSERVEES

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.

La variance d’un population N ou d’un échantillon n est égale à:

 (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

La relation entre la variance et la variance corrigée

 (r ji  rj ) 2
 corr
2
j  i 1

n 1

Dans le cas de la valeur j, la variance corrigée sera égale à :

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

soit 2j = 0,032 15 / 5 = 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

Pour traiter un exemple, on va se donner le rendement du marché (rmi) correspondant aux

périodes d’observation du rendement de la valeur ayant permis le calcul de la moyenne
(tableaux 1 et 2). Le calcul est effectué dans la dernière colonne du tableau ci-après, soit :
Tableau 3
Calcul de la covariance entre le rendement de la valeur et le rendement du marché

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

Le coefficient de corrélation entre deux variables  indique à la fois le sens et la force de la

relation existant entre deux variables. Contrairement à la covariance, il n’est pas affecté par
les unités de mesure (mètres ou centimètres, euros ou centimes). Par ailleurs, sa valeur est
comprise entre -1 et +1.
Calcul à partir de la covariance :
 jm 0,006 32
 jm  =  0,94
 j m 0,080 187 * 0,083186

Calcul à partir des variables étudiées :

n

 (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

II CAS DES DONNEES ANTICIPEES

L’anticipation de la valeur d’une variable passe généralement par un descriptif probabiliste.

L’essentiel des phénomènes en finance se décrivent selon une loi normale.

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

L’espérance mathématique est égale à :

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

Rendement Probabilité rji * Pi

rji Pi
0,25 0,10 0,025
0,22 0,15 0,033
0,18 0,25 0,045
0,14 0,25 0,035
0,12 0,15 0,018
0,08 0,10 0,008
E(rj) = 0,164

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

Dans le cas de l’exemple précédent, le calcul s’effectuera donc ainsi :

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 )

et dans le cas de l’exemple on aura :

 j  0,002 414  0,049 13

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
=

La covariance est égale à : 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

Par rapport à l’exemple traité, il faut calculer l’écart-type du rendement du marché. En

appliquant la même démarche que pour le calcul du rendement du titre, l’écart-type du
rendement du marché ressort à : 0,045 78

Le coefficient de corrélation sera donc :

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

Espérance  rji E (ri )   r ji * Pi

Mathématique rj  i 1 i 1
n
n n

Variance  (rji  rj ) 2  2 j  [r ji  E (r j )]2 Pi

2j ou V 2j  i 1 i 1
n 1
Ecart-type  j  2j  j  V (r j )
j

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

III LA LOI NORMALE

Le responsable financier de l’entreprise, travaillant essentiellement en prévisionnel, décrit les

variables qu’il anticipe sous la forme d’une distribution de valeurs probables. Par exemple,
l’étude de la rentabilité d’un projet qui va être réalisé suppose d’attacher à chaque valeur
possible de rendement attendu une probabilité de réalisation. L’exploitation que l’on fait de
ces descriptions suppose souvent que le phénomène étudié se distribue sous la forme d’une loi
normale (Laplace-Gauss). Cette loi possède des propriétés utiles. Par exemple, lorsqu’une
variable étudiée suit une loi normale, la répartition de cette variable autour de la moyenne est
symétrique et ne dépend que de l’écart-type.

1 Utilisation de la loi normale

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 :

xm
z


où :
z représente la variable centrée réduite ;
et x, la valeur dont on veut calculer la probabilité.

La loi normale sert essentiellement à calculer la probabilité de réalisation d’un événement. La

table 6 donne la probabilité pour que la loi normale centrée-réduite soit inférieure ou égale à
z0. Cette probabilité correspond à l’aire hachurée sous la courbe pour la valeur z 0. Elle nous
donne donc la probabilité pour que la loi normale (de moyenne m et d’écart-type ) soit
inférieure ou égale à x.
Exemple de calcul de 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 :

P(r  0,25) = P(z  0,75)

La table de la loi normale centrée-réduite donne la probabilité suivante :

P(z < 0,75) = 0,7734, soit 77,34 %

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 :

1 - 0,7734 = 0,2266 soit 22,66 %.

2 Caractéristiques de la distribution normale

2
Toutes les tables de loi normale ne sont pas construites de la même façon. Avant de les lire, observer le sens de la construction.

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 :

38,3 % des valeurs de la distribution se situent à plus ou moins ½  par rapport à la

moyenne ;
49,72% à plus ou moins 2/3  ;
68,26 % à plus ou moins 1  par rapport à la moyenne ;
95,46 % à plus ou moins 2  par rapport à la moyenne ;
99,74 % à plus ou moins 3  par rapport à la moyenne.

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.

3 Autres utilisations de la loi normale

Soit à étudier deux projets d’investissement dont les gains attendus sont décrits sous la forme
d’une distribution de valeurs probables décrite ci-après :

Annexe mathématique 10
 Tableau 9
Gains espérés des projets d’investissement A et B

Probabilités Projet A Projet B

0,10 1 000 500
0,20 2 000 1 000
0,40 3 000 3 000
0,20 4 000 5 000
0,10 5 000 5 500

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.

Pour le projet A, probabilité que le gain soit égal ou inférieur à 3 500 :

3 500  3 000
z  0,456 4
1 095,4

ce qui correspond à une probabilité de 67,72 %.

La probabilité pour que le gain du projet A soit compris entre 2 500 et 3 500 est donc :

67,72 % - 32,28% = 35,44 %.

Pour le projet B, probabilité que le gain soit égal ou inférieur à 3 500 :
3 500  3 000
z  0,296 1
1 688,19

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 :

61,8 % - 38,2 % = 23,6 %

3ème application
Quelle est la probabilité que le gain soit au moins égal à 3 500 pour le projet A (et le projet
B)?
La table 6 du manuel, telle qu’elle est construite, donne la probabilité qu’une valeur de
variable soit « au plus égale à ». Pour obtenir la probabilité que la valeur de la variable soit
« au moins égale à », prendre la différence à l’unité de la probabilité lue directement dans la
table.

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 %

IV LES PARAMETRES DE DISPERSION

Les paramètres de dispersion permettent d’évaluer le niveau d'étalement de la série autour de

la valeur centrale.

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.

On analysera ici, le coefficient d’asymétrie ou Skewness, le coefficient d’aplatissement ou

Kurtosis et un test de normalité de distribution, le test de Jarque-Bera.

1. Le coefficient d’asymétrie ou Skewness

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.

Le coefficient d'asymètrie ou Skewness est le moment d'ordre 3 centré. Il se calcule comme

suit :

 (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.

Le coefficient d'asymétrie ou Skewness de Fisher est relatif et se calcule comme suit :

µ3
S Fisher 
3

Annexe mathématique 13
où,
σ réprésente l’écart-type au cube.

Exemple de calcul du coefficient d’asymétrie S

(1) (2) (3) (4)

rji (r ji  r j ) (rji  rj ) 2 (r ji  r j ) 3

1 0,20 0,105 0,011 025 0,00115763

2 0,15 0,055 0,003 025 0,00016638
3 0,13 0,035 0,001 225 4,2875E-05
4 0,07 - 0,025 0,000 625 -1,5625E-05
5 0,04 - 0,055 0,003 025 -0,00016638
6 - 0,02 - 0,115 0,013 225 -0,00152088
Total 0,57 0,032 150 -0,000336
Moyenne : 0,095 Variance 0,005 36 S =-0,000056
(non corrigée) :
σ (non corrigé) = 0,07 32
SFisher=-0,1428

2. Le coefficient d’applatissement ou Kurtosis

Le coefficient d'aplatissement ou Kurtosis est le moment centré d'ordre 4

 (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 :

Fisher propose d'étudier K0 = K - 3 ce qui permet de faire référence à une distribution

particulière qui est la loi normale pour laquelle K vaut 3.

3. Normalité de la distribution des rendements

Le test de Jarque-Bera est un test d’hypothèse qui cherche à déterminer si des données suivent
approximativement une « loi normale », plus précisément si le kurtosis et la Skewness des
données sont les mêmes que ceux d'une loi normale de même espérance et variance. Ce test
est d'autant plus performant que le nombre de données est important.

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).

La statistique de test est :

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

La statistique JB suit asymptotiquement un khi 2 à 2 degrés de liberté.

Annexe mathématique 15