Séance 7

Règles de base du calcul des probabilités

La règle du contraire est : P ( A c )=¿ 1-P(A)

Noircir et préciser la probabilité

totale.

Probabilité totale = 1
Quels que soient les événements A et B, on peut toujours écrire que

P ( A ou B )=¿ P(A) + P(B) – P(A∩B)

Noircir l’événement   .

Des événements sont mutuellement exclusifs lorsqu’ils sont disjoints ou ne peuvent pas se
produire simultanément.

A B Représenter graphiquement deux

événements et mutuellement
exclusifs.

Si A1 , A 2 ,… , Ak sont des événements mutuellement exclusifs, alors la règle de l’addition se

simplifie à P (A ou B) = P(A) + P(B)

P ( A 1   ou   A 2 ou A 3 ou … ou   A k )=P( A ¿¿1)+ P ( A 2 ) + P( A3 ) ¿ P

Selon la règle de l’inclusion, les probabilités de A et B satisfont la règle de l’inclusion quand

l’événement B se réalise automatiquement aussitôt que A est réalisé, ce qui s’écrit
mathématiquement au moyen de l’expression A ⊆B (A est inclue dans B), où P(A) ≤ P(B). Par
exemple A : regarder Prison break et Suits, B : regarder Suits. Si un étudiant regarde Prison
Break et Suits (A), il est certain qu’il regarde Suits (B).
B
N= ne répond pas A
R = répond, NC= taux de réponse
P(R)=1-P(N)
Règle de la multiplication pour événements indépendants
On dit que des événements A1 , A 2 ,… , Ak sont indépendants si l’occurrence des uns n’a aucun
impact sur l’occurrence des autres.

Si A1 , A 2 ,… , Ak sont des événements indépendants, alors la règle de la multiplication affirme

que

P ( A 1   et   A 2 et A3 et … et   A k )=P( A ¿ ¿1 )*P(   A2 )∗P ( A3 ) … ¿

Distribution cas des variables discrètes

Spécifier la distribution d’une variable aléatoire implique de préciser deux éléments :

1. Valeurs possibles.

2. Répartitions des observations entre ces valeurs.

Lorsque la répartition de données, recueillies dans la pratique, est étudiée, on peut parler de
distribution empirique

Une distribution de probabilité est un modèle théorique dont l’objectif est d’expliquer le mieux
possible le comportement des observations d’une variable.

Un bon modèle théorique pour une variable s’accorde à la répartition des données recueillies
lors de l’observation de cette variable dans la pratique. En d’autres mots, on souhaite une
bonne adéquation entre la distribution empirique et la distribution de probabilité.
Prise de notes en lien avec la capsule

Valeur espérée et calcul pour une variable discrète

Le concept de valeur espérée, ou espérance, s’applique dans le cas de variables de type…
(encercler la bonne réponse)
a) quantitatif b) qualitatif c) quantitatif et qualitatif

La valeur espérée de la variable X , que l’on dénote par E(X) se définit comme la valeur espérée
que l’on obtient si on observe X un grand nombre de fois, de façon indépendante d’une fois à
l’autre. Cas d’une variable discrète

Valeur Probabilité Dans le tableau, ou distribution de probabilités, x 1 représente

une valeur de la variable, alors que p1 correspond à la
x1 p1
proportion du temps où cette valeur surviendra si la variable est
x2 p2 observée un très grand nombre de fois (infini en théorie).
x3 p3
⋮ ⋮
xk pk
Pour obtenir la valeur espérée, il suffit d’effectuer le calcul suivant :
n
E [ X ] =¿ ∑ x i p i
i
Calcul rapide de la valeur espérée avec Excel

E [ X ] =¿ SOMMEPROD(valeurs de X , probabilités )

SUMPRODUCT dans la version anglaise

Notes additionnelles : Plus on fait des essais, plus la moyenne expérimentale se rapproche du
résultat théorique.

La loi binomiale
Une expérience de Bernoulli est une expérience aléatoire à laquelle il y a exactement 2 issues
possibles :
Succcès
Expérience
aléatoire Échec
Quatre ingrédients sont essentiels pour garantir que la variable X soit de loi binomiale
1. un nombre prédéterminé d’épreuves de Bernoulli, notons-le n est réalisé;
2. la probabilité d’obtenir un succès est identique à chaque épreuve, notons-la p;
3. les épreuves de Bernoulli sont indépendantes entre elles;
4. X =¿ nombre succès parmi les n épreuves.

On utilise alors la notation : X Bin(n,p)

Les valeurs possibles de la variable X sont des entiers positifs (0, 1, 2,…n)
-L’utilité principale de reconnaître qu’une variable obéit à la loi binomiale est que cela habilite à
effectuer efficacement plusieurs calculs
-La moyenne et l’écart-type de la variable binomiale X sont facilement calculés au moyen des
formules : E [ X ] =¿ np et σ =√ np(1−p) .
En utilisant la fonction LOI.BINOMIALE.N dans Excel, il est possible de calculer toute probabilité
de l’une des deux formes :P(X=x) et P(X≤ x )
Remarque : La capsule complémentaire Binomiale, calculs de probabilité avec Excel, expose
cette fonction de façon détaillée.
Toute autre probabilité peut être déduite de probabilités qui s’expriment sous l’une des deux
formes ci-haut. Une astuce pour éviter les erreurs de calcul est de faire appel à de petits
diagrammes comme :

P ( 55≤ X ≤ 65 )=P ( X ≤ 65 )−P( X ≤ 54)

Notes additionnelles : x = n’importe quel nb entier (en autant qu’il ne dépasse pas le nombre
total d’épreuve de Bernoulli) On retrouve cette loi quand on étudie le nb de personnes
intéressées à un produit/une idée, nb de clients qui ne renouvelleront pas leur abonnement, nb
d’items défectueux. NB DE FOIS QUE…Sur Excel : 1er argument = nb succès (x), tirage=nb d’épreuves
réalisées (n), probabilité succès = p, cumulative = champ logique (0 means X=x, 1 means P(X≤ x )

Règles de base du calcul des probabilités

La règle du contraire est : P ( A c )=¿ 1-P(A)

Noircir et préciser la probabilité

totale.

Probabilité totale = 1
Quels que soient les événements A et B, on peut toujours écrire que

P ( A ou B )=¿ P(A) + P(B) – P(A∩B)

Noircir l’événement   .

Des événements sont mutuellement exclusifs lorsqu’ils sont disjoints ou ne peuvent pas se produire
simultanément.

A B Représenter graphiquement deux

événements et mutuellement
exclusifs.

Si A1 , A 2 ,… , Ak sont des événements mutuellement exclusifs, alors la règle de l’addition se simplifie à

P (A ou B) = P(A) + P(B)

P ( A 1   ou   A 2 ou A 3 ou … ou   A k )=P( A ¿¿1)+ P ( A 2 ) + P( A3 ) ¿ P

Selon la règle de l’inclusion, les probabilités de A et B satisfont la règle de l’inclusion quand l’événement
B se réalise automatiquement aussitôt que A est réalisé, ce qui s’écrit mathématiquement au moyen de
l’expression A⊆B (A est inclue dans B), où P(A) ≤ P(B). Par exemple A : regarder Prison break et Suits, B :
regarder Suits. Si un étudiant regarde Prison Break et Suits (A), il est certain qu’il regarde Suits (B).

B
N= ne répond pas A
R = répond, NC= taux de réponse
P(R)=1-P(N)
Règle de la multiplication pour événements indépendants
On dit que des événements A1 , A 2 ,… , Ak sont indépendants si l’occurrence des uns n’a aucun
impact sur l’occurrence des autres.
Si A1 , A 2 ,… , Ak sont des événements indépendants, alors la règle de la multiplication affirme
que

P ( A 1   et   A 2 et A3 et … et   A k )=P( A ¿ ¿1 )*P(   A2 )∗P ( A3 ) … ¿

Distribution cas des variables discrètes

Spécifier la distribution d’une variable aléatoire implique de préciser deux éléments :
3. Valeurs possibles.

4. Répartitions des observations entre ces valeurs.

Lorsque la répartition de données, recueillies dans la pratique, est étudiée, on peut parler de
distribution empirique
Une distribution de probabilité est un modèle théorique dont l’objectif est d’expliquer le mieux
possible le comportement des observations d’une variable.
Un bon modèle théorique pour une variable s’accorde à la répartition des données recueillies
lors de l’observation de cette variable dans la pratique. En d’autres mots, on souhaite une
bonne adéquation entre la distribution empirique et la distribution de probabilité.

Valeur espérée et calcul pour une variable discrète

Le concept de valeur espérée, ou espérance, s’applique dans le cas de variables de type…
(encercler la bonne réponse)
b) quantitatif b) qualitatif c) quantitatif et qualitatif
La valeur espérée de la variable X , que l’on dénote par E(X) se définit comme la valeur espérée
que l’on obtient si on observe X un grand nombre de fois, de façon indépendante d’une fois à
l’autre.
Cas d’une variable discrète

Valeur Probabilité Dans le tableau, ou distribution de probabilités, x 1 représente

x1 p1
une valeur de la variable, alors que p1 correspond à la
x2 p2
proportion du temps où cette valeur surviendra si la variable est
x3 p3 observée un très grand nombre de fois (infini en théorie).
⋮ ⋮ Pour obtenir la valeur espérée, il suffit d’effectuer le calcul
xk pk suivant :

n
E [ X ] =¿ ∑ x i p i
i
La loi binomiale
Une expérience de Bernoulli est une expérience aléatoire à laquelle il y a exactement 2 issues
possibles :

Succès
Remplir les boîtes par les
Expérience noms généralement
aléatoire utilisés.
Échec

Quatre ingrédients sont essentiels pour garantir que la variable X soit de loi binomiale
5. un nombre prédéterminé d’épreuves de Bernoulli, notons-le n est réalisé;
6. la probabilité d’obtenir un succès est identique à chaque épreuve, notons-la p;
7. les épreuves de Bernoulli sont indépendantes entre elles;
8. X =¿ nombre succès parmi les n épreuves.

On utilise alors la notation : X Bin(n,p)

Les valeurs possibles de la variable X sont des entiers positifs (0, 1, 2,…n)
L’utilité principale de reconnaître qu’une variable obéit à la loi binomiale est que cela habilite à
effectuer efficacement plusieurs calculs.
La moyenne et l’écart-type de la variable binomiale X sont facilement calculés au moyen des
formules :
E [ X ] =¿ np et σ =√ np(1−p)
En utilisant la fonction LOI.BINOMIALE. N dans Excel, il est possible de calculer toute probabilité
de l’une des deux formes :
P(X=x) et P(X≤ x )

Remarque : La capsule complémentaire Binomiale, calculs de probabilité avec Excel, expose

cette fonction de façon détaillée.
Toute autre probabilité peut être déduite de probabilités qui s’expriment sous l’une des deux
formes ci-haut. Une astuce pour éviter les erreurs de calcul est de faire appel à de petits
diagrammes comme :

P ( 55≤ X ≤ 65 )=P ( X ≤ 65 )−P( X ≤ 54)

Notes additionnelles : x = n’importe quel nb entier (en autant qu’il ne dépasse pas le nombre
total d’épreuve de Bernoulli)
On retrouve cette loi quand on étudie le nb de personnes intéressées à un produit/une idée, nb
de clients qui ne renouvelleront pas leur abonnement, nb d’items défectueux.
NB DE FOIS QUE…

Sur Excel : 1er argument = nb succès (x), tirage=nb d’épreuves réalisées (n), probabilité succès
= p, cumulative = champ logique (0 means X=x, 1 means P(X≤ x )
Capsule complémentaire
Calcul rapide de la valeur espérée avec Excel

E [ X ] =¿ SOMMEPROD(valeurs de X , probabilités )

SUMPRODUCT dans la version anglaise

Notes additionnelles : Plus on fait des essais, plus la moyenne expérimentale se rapproche du
résultat théorique.

Distribution cas des variables continues

Le concept de distribution est le même peu importe le type de variable. Ce qui diffère pour les
cas des variables discrètes et continues, c’est la présentation des distributions.
Pour présenter la distribution empirique d’une variable aléatoire continue, on utilise un
histogramme: a) Les valeurs possibles de la variable, regroupées par classes, se trouvent sur
l’axe X.
c) La hauteur des rectangles correspond à la fréquence d’observation de chacune des classes
et donc la donc la répartition des observations entre les classes (axe Y).

Pour les variables continues, les distributions de probabilités sont communiquées sous la forme
de courbes qui capture la répartition des données parmi leurs valeurs possibles.
La clé de la modélisation adéquate d’une variable aléatoire continue est de choisir une
distribution de probabilités dont la forme de la courbe épouse bien la forme de l’histogramme
des données recueillies.
Modèle symétrique de cloche = loi normale
Présentation de la loi normale
Si on utilise le modèle normal pour une variable aléatoire, c’est qu’on lui attribue le type…
d) continu b) discret (encercler la bonne réponse)

La loi normale est une distribution de probabilités en forme de cloche symétrique.

Axe de symétrie ou centre

Tracer une courbe normale

 Moyenne
Indiquer dans les trois boîtes trois
 Mode façons de caractériser l’axe de
symétrie (ou le centre).
 Médiane

Dans les applications, la loi normale est rencontrée (ex. demande ou revenus)
a) très fréquemment b) rarement (encercler la bonne réponse)
La loi normale est caractérisée par 2 paramètres : moyenne ( μ) et écart-type (σ ). On utilise la
notation :

X N( μ, σ )

(Veiller à ce que le premier paramètre soit illustré sur le graphique ci-haut).

Associations concernant le second paramètre

Grand écart-type

grande dispersion

courbe évasée

Petit écart-type

petite dispersion

courbe pointue

Peu importe les valeurs des deux paramètres, la loi normale se caractérise par des pourcentages
bien spécifiques d’observations attendues dans divers voisinages symétriques de la moyenne,
dont la longueur se définit en multiples de l’écart-type :

… des observations à moins de … écarts-types de μ

68.3% 1
95.5% 2
99.7% 3
95% 1.96
99% 2.58
Calculs pour la loi normale avec Excel
Si X obéit à la loi normale, alors la probabilité que X prenne sa valeur dans un intervalle donné
correspond à l’aire sous la portion de la courbe vis-à-vis cet intervalle (hauteur de la courbe
n’est pas une probabilité)

La fonction Excel LOI.NORMALE.N permet de calculer, pour n’importe quelle valeur de x , la

probabilité d’obtenir une valeur normale qui lui est inférieure :

connu

Attention : dans le champ logique « cumulative », toujours inscrire 1. Les autres détails
d’utilisation de la fonction Excel se trouvent dans la capsule.
Toute probabilité peut s’exprimer en termes de probabilités de la forme P( X < x).
Notons aussi que
1. P ( X < x )=P( X ≤ x)
2. P ( X > x )=P( X ≥ x)
Compléter ces deux équations.
d’où on n’a pas à se préoccuper du caractère strict ou non strict des inégalités lors des calculs
car P(X=x) = 0
P(≥ 7) = 1- P( X ≤ 7)
Calcul d’un quantile : Parfois, on fait face au problème inverse, c’est-à-dire qu’une probabilité
de la forme P ( X < x )est donnée et on cherche la valeur de X qui lui est associée. La fonction
Excel LOI.NORMALE.INVERSE.N permet d’obtenir la réponse :

connue

PAS OUBLIER QUE SYMÉTRIE = UTILE (même distance du centre = même probabilité)
Combinaisons de variables normales
Une combinaison linéaire de variables normales est de loi normale. Ce principe s’exprime
concrètement à travers deux règles, utiles pour les calculs :
Règle 1 : Si X N( μ , σ ¿ et T =aX + c , alors
T N(aμ+ c ,|a|σ ¿
Règle 2 : Supposons que X 1 , X 2 , … , X n satisfont les deux conditions :
1. elles sont de loi normale ↔ X i N (μi , σ i )
2. elles sont indépendantes
Si S=¿ X 1 + X 2+ …+ X n alors S N ( μ , σ ) , où
μ=μ 1+ μ 2+ …+ μn

σ =√ σ 12 +σ 22 +…+ σ n2
Distribution et nombre d’observations
Grand principe : pour une variable aléatoire obéissant à une distribution de probabilités
donnée, plus on l’observe (indépendamment) un grand nombre de fois, alors meilleur est
l’accord entre la répartition des données (distribution empirique) et la distribution théorique.
S’il était possible d’observer la variable un nombre infini de fois, alors l’accord serait parfait.
Dans une étude empirique, plus le nombre d’observations de la variable à l’étude est grand,
alors plus la forme de la distribution apparaît clairement et mieux on est outillé pour juger de la
qualité d’une distribution de probabilités comme modèle (si besoin est).
Remarque : Peu importe que ce soit le nombre d’observations ou la fréquence d’observation exprimée en pourcentage, qui soit rapportée dans
un histogramme ou un diagramme à bâtonnets, on y perçoit tout aussi bien la distribution.

La simulation Monte Carlo Qu’est-ce? Quand? Pourquoi?

Structure du problème : On s’intéresse à une mesure de performance de Y .

 Difficulté rencontrée : sa valeur est inconnue a priori, c’est-à-dire que c’est une variable
aléatoire.
 Objectif : caractériser les variations de Y , c’est-à-dire déterminer la distribution de Y .
(Cela permettra de savoir quelle est la valeur moyenne de Y , d’évaluer l’exposition au
risque en étudiant le niveau de variabilité, etc.)
Ingrédients nécessaires à la résolution du problème

Deux ingrédients sont essentiels pour que la simulation permette d’atteindre l’objectif :

1. Y peut s’exprimer en fonction de

i. variables aléatoires X 1 , X 2 , … , X k ;
ii. autres intrants (connus avec certitude).

2. Les distributions de probabilités de X 1 , X 2 , … , X k sont connues

Schéma pour résumer (compléter les bulles) :

Variables aléatoires Distribution de

de
distributions (caractérise les
connues variations de )

Méthodes de résolution du problème

Méthode 1 2
 Usage direct des règles du Simulation Monte Carlo
calcul des probabilités
Avantage : Inconvénient :
Une erreur d’estimation
Précision de la méthode Fournit la distribution est commise lors de la
exacte de Y . détermination de la
distribution de Y .
Inconvénients : Avantage :
 Ne permet de résoudre
que des problèmes très Est toujours applicable!
Spectre d’application
simple
 Fonctionne rarement en
pratique.
Exemple de règles pouvant être utilisées lors de l’application de la méthode 1 : les règles sur les
combinaisons linéaires de variables obéissant à la loi normale.

Principe de base de la simulation Monte Carlo

 Examiner un grand nombre de scénarios réalistes.

 Pour ce faire, on utilise le générateur de nombre aléatoire
 Avec ce dernier, on produit une liste de scénarios de valeurs, pour les variables
X 1 , X 2 , … , X k , telle que leur distribution empirique soit proche de leur distribution de
probabilités (du modèle théorique) connue.

Exemple :
  Puisque les scénarios générés pour X 1 , X 2 , … , X k dressent alors un portrait fiable de leur
distribution, alors les scénarios de Y =f ( X 1 , X 2 , … , X k ) qui en découlent dressent un
portrait fiable des valeurs de Y qui pourraient réellement être observées.
 Les valeurs calculées par simulation de diverses quantités d’intérêt liées à la variable Y
constituent des estimations adéquates des vraies valeurs de ces quantités.
Précision et nombre de scénarios

Plus de scénarios = estimations plus précises (moins d’erreurs

de scénarios)

LIMITES = SI L’ORDI PEUT GÉNÉRER LES SCÉNARIOS EN UN TEMPS PAS TROP LONG

Étapes d’une simulation Monte Carlo

1.Modéliser la situation 

 Identifier la mesure de performance Y .

 Identifier l’ensemble des variables. Pour les…
o variables auxiliaires (aléatoires primaires) : trouver leur valeur;
o variables de conséquences : définir les équations permettant de les
calculer.
2.Préparer une feuille Excel. … Y prévoir
 une colonne pour chacune des variables du problème;
 une ligne pour chaque scénario souhaité.
3.Générer les scénarios 
 En utilisant l’outil générateur de nombres aléatoires générer autant de valeurs
pour chaque variable primaire que l’on souhaite créer de scénarios.
 Calculer la valeur des variables conséquences sous chaque scénario.

4.Analyser les résultats 

 Utiliser la statistique descriptive, pour décrire, résumer et analyser la liste des valeurs
obtenues pour la mesure de performance, qui est représentative des valeurs qui pourraient
vraiment être observées en pratique.
Outil potentiellement utile : fonctions de base d’Excel ou gabarit de stats descriptives
Rencontre de l’optimisation et de la simulation Monte-Carlo
Il arrive que la modélisation d’une situation exige à la fois des éléments d’optimisation et de
simulation. C’est notamment le cas quand une simulation est nécessaire pour calculer la
fonction-objectif d’un problème d’optimisation, comme dans l’exemple Gilet Mignon.

Résoudre un problème d’optimisation nécessite d’être

capable de calculer la valeur de la fonction-objectif
correspondant à toute valeur des variables de décision :
 
 
 
Il arrive que la simulationValeurs
Montedes
Carlo soit l’outil qui permette ce calcul.
variables Valeur de la
Le prix à payer est que la fonction-objectif
de décisions n’est alors pas calculée exactement, mais plutôt une approximation.
fonction-objectif
 
 

Un exemple : Optimisation du profit de Gilet Mignon Le gérant de la boutique Gilet Mignon

doit décider combien de vestes bleues à capuchon acheter en prévision de la saison hivernale à
venir, de façon à maximiser le profit.

Données du problème

 Coût d’approvisionnement : 30 / veste;

 Prix de vente en saison : 50 / veste;
 Prix de vente en fin de saison : 25 / veste;
  Distribution de la quantité demandée : D N(30; 5.5);
 Vestes livrées en ballots de 5 vestes.
Modélisation : Ce problème est un problème d’optimisation, dont les composantes sont :

Variables de décision nombre de vestes commandées

 

Fonction-objectif MAX profit espéré = E(profit) = f(q)

 

Contrainte q est un multiple de 5

 

Comme méthode de résolution de ce problème d’optimisation, on peut utiliser l’énumération :

on énumère les valeurs de la fonction-objectif pour q=¿ 5, 10, 15, etc.
Calcul du profit :
V =¿ nombre de vestes vendues en saison ¿ min(q,D)

Profit ¿ 50 ×V +¿ 25 X (q-V) – 30 x Q

En substituant, on obtient : Profit ¿ 50 x min(q, D) + 25 X (q- min(q, D)) – 30 x q

Calcul de la fonction-objectif :

Valeur de la
fonction-objectif

Valeur de
Simulation
E (profit)

Profit Profit = 50 x min(q, D) + 25 X (q- min(q, D)) – 30 x q

N(30; 5.5)

Remarque : Dans la simulation, la mesure de performance est le profit et la variable aléatoire D est une variable primaire.

Implantation d’une simulation à l’intérieur d’un modèle d’optimisation dans Excel

Quand un modèle de simulation est utilisé pour calculer une fonction-objectif dans le but d’en
optimiser la valeur, un principe fondamental doit être respecté :

Utiliser toujours la MÊME liste de scénarios générés aléatoirement.

comparer les différentes valeurs des variables de DÉCISION toute

L’idée maitresse est de
autre chose étant maintenue CONSTANTES
Cela permet en effet de mieux isoler l’effet des variables de décision sur la valeur de la fonction-
objectif.

La corrélation : Interprétation
Définition : Le coefficient de corrélation est une mesure de l’association linéaire entre une paire
de points de variables quantitatives de type différents.
Notation :
 Cas théorique (modèle) : En présence de distributions de probabilités utilisées pour
modéliser le comportement conjoint d’une paire de variables, le coefficient de
corrélation est dénoté par la lettre grecque ρ
 Cas empirique (données) : En présence de données, plus précisément d’observations
d’une paire de variables, le coefficient de corrélation est dénoté r

Sur une échelle allant de -1 à 1, le coefficient de corrélation mesure deux aspects d’une relation
linéaire :
 direction
 force
Direction de l’association linéaire

Corrélation négative Corrélation positive

 Nuage de points : un exemple Nuage de points : un exemple

Pente négative Pente positive

Les variables tendent à varier dans la Les variables tendent à varier en

direction opposée: directions identiques :
X ↑ avec Y ↓ ou X ↓ avec Y ↑ X ↑ avec Y ↑ ou X ↓ avec Y ↓
(tracez une flèche dans chaque boîte) (tracez une flèche dans chaque boîte)

Exemple de variables négativement Exemple de variables positivement

corrélées : corrélées :
X =¿ prix de vente X =¿ budget de publicité
Y =¿ vente du produit Y =¿ ventes d’un produit

Attention : La pente de la droite n’égale pas le coefficient de corrélation.

Force de l’association linéaire
Plus le coefficient de corrélation est près de -1 ou 1, plus le degré d’association linéaire est
grand. Inversement, plus il est près de 0, le centre de l’échelle, plus l’association linéaire est de
faible force.
 Associez les cinq valeurs sur
l’échelle de corrélation au
Corrélation
nuage de points
positive parfaite
correspondant.
Corrélation
positive forte

Corrélation
négative faible

Absence de
corrélation

Corrélation
négative parfaite

Prudence
Le coefficient de corrélation n’a de sens que si la relation sous étude est de nature autre, ce
dont on peut s’assurer en traçant un graphique. Il faut que la forme de ce nuage soit
adéquatement décrite par une ligne pour pouvoir passer à l’interprétation.
Espérance d’une combinaison linéaire
 Une combinaison linéaire des variables X 1 , X 2 , … , X k , appelons-la T , est une variable de
la forme
 T =¿ a 1∗X 1 +a 2∗X 2 …+a k∗X k + c
 où les coefficients a 1 , a2 , … , ak sont des constantes
  Afin de calculer la valeur espérée de la combinaison linéaire T des variables aléatoires
X 1 , X 2 , … , X k définie plus haut, il suffit de prendre la combinaison linéaire ayant les
mêmes coefficients constants, mais où on substitue aux variables aléatoires leurs valeurs
espérées. Mathématiquement, cela s’écrit :
 E [T ]=¿ a 1 E [ X 1 ] +a 2 E [ X 2 ] …+a k E [ X k ] + c

LA RELATION DOIT ÊTRE LINÉAIRE !!!

Écart-type d’une combinaison linéaire
Considérons une combinaison linéaire de la forme
T =a 1 X 1 + a2 X 2+ …+ak X k + c ,
où a 1 , a2 , … , ak et c sont des constantes.
Afin de calculer l’écart-type de la variable T , à partir des écarts-types de X 1 , X 2 , … , X k , on doit
absolument passer par le calcul de la variance :

connus

Pour effectuer le passage de l’un à l’autre, on doit appliquer les règles :

V ( X)=¿ variance et σ X =¿ écart-type

L’écart-type et la variance sont deux mesures de la dispersion d’une variable. Dans la pratique,
on préfère utiliser l’écart-type, qui est plus facile à interpréter. En effet, son unité de mesure est
la même que l’unité dans laquelle est mesurée la variable à l’étude

Calculs de variance

 Cas indépendant La variance de T =a 1 X 1 + a2 X 2+ …+ak X k + c est :

V (T )=¿ a 21 ¿ ¿
 Attention : pas oublier d’élever les coefficients à la puissance 2

Notons les deux cas particuliers :

Si T =X 1 + X 2+ …+ X k , alors V ( T ) =¿ V ( X ¿¿ 1)+V ( X 2)+…+V (X ¿¿ k )¿ ¿

2 2
Si T =X −Y , V ( T ) =¿ 1 V ( X ¿¿ 1)+ (−1 ) V ( X 2 ) =V ( X ¿¿ 1)+ V (X 2 )¿ ¿

Cas général pour deux variables La variance de T =aX +bY + c est :

2 2
V (T )=¿ a 2 ( V ( X ) ) +b 2 ( V ( Y ) ) +2 ab ρ X ,Y σ X σ Y

où ρ X ,Y est le coefficient de corrélation entre les variables X et Y . En particulier, lorsque X

et Y sont indépendantes, alors ρ X ,Y =¿ 0 et on retombe sur V ( T ) =¿

2 2
a 1 V (X ¿¿ 1)+a 2 V (X 2 )¿

Cas général pour trois variables La variance de T =a 1 X 1 + a2 X 2+ a3 X 3 +c est :

2 2 2
V (T )=¿ a 2 ( V ( X ) ) +b 2 ( V ( Y ) ) +c 2 ( V ( Z ) ) + 2(ab ρ X ,Y σ X σ Y +ac ρ X , Z σ X σ z + bc ρZ , Y σ Z σ Y )

Cas général pour k variables La variance de T =a 1 X 1 + a2 X 2+ …+ak X k + c est

V (T )=¿ a 21 ¿.

Rendement : SOMMEPROD de la moyenne des fluctuations et du poids de chacune action du

portefeuille