Introduction au contrôle de gestion

Cette partie comprend les chapitres suivants :

Chapitre 0 – Introduction générale au contrôle de gestion
Chapitre 0 – Introduction : variables aléatoires et lois de probabilité

Chapitre 0 – Introduction : variables aléatoires et lois de probabilité

2.3. La prise en compte de données aléatoires
Sens et portée de l’étude
Il s’agit d’introduire l’aléa dans les modèles de contrôle de gestion en présentant les outils qui permettent de répondre à des
problèmes de gestion en avenir aléatoire : risque d’exploitation, calcul du chiffre d’affaires, d’une marge et d’un résultat.
Compétences attendues Savoirs associés
 Calculer et interpréter une espérance et un écart type de  Variables aléatoires discrètes et continues : fonctions de
ventes, coûts, marge et résultat, pour un ou plusieurs distribution et de répartition, espérance mathématique,
produits. variance et écart type.
 Identifier la loi de probabilité adaptée à une situation de  Propriétés de l’espérance et de la variance pour le seul cas
gestion donnée puis calculer et interpréter les probabilités. de variables aléatoires indépendantes.
 - Déterminer et interpréter le seuil de rentabilité en avenir  Caractéristiques et modalités d'application des lois
aléatoire. suivantes : binomiale, de Poisson, normale.
 Approximation des lois.

Plan :
I. Les lois de probabilité
A. Variables aléatoires
B. Variables aléatoires continues

II. La loi Normale

A. Caractéristiques
B. Représentation graphique
C. La loi normale centrée réduite
D. Applications

III. La loi Binomiale

A. Définitions préalables
B. Présentation de la loi
C. Espérance, Variance et Ecart-type

IV. La loi de Poisson

V. Approximation des lois

A. Approximation d’une loi Binomiale par une loi de Poisson
B. Approximation d’une loi Binomiale par une loi de Normale
C. Approximation d’une loi de Poisson par une loi Normale

Page 1 sur 14
Chapitre 0 – Introduction : variables aléatoires et lois de probabilité
I. Les lois de probabilité
A. Variables aléatoires
Exemple 1 : Sur 300 jours ouvrés, le nombre de contrats obtenus dans la journée par un représentant visitant la
clientèle est le suivant :

Probabilités
Nombre de Fonction de
Nombre de jours Espérance Calculs variance
contrats répartition

0 42
1 105
2 72
3 45
4 27
5 9
300

1) Fonction de distribution
On peut tout d’abord estimer la probabilité pour qu’aucun contrat ne soit signé dans la journée :

Soit X : la variable aléatoire représentant le nombre de contrats signés au cours d’une journée.
On dira que X est une variable aléatoire discrète :
- Aléatoire : car X (nombre de contrats signés dans la journée) n’est pas connu à l’avance ;
- Discrète : car la valeur que peut prendre X est forcément un entier.

On a établi la loi de probabilité (fonction de distribution). Cette fonction de distribution peut être représentée
graphiquement par un diagramme en bâton.

La probabilité associée à un évènement certain est égale à 1 ;

La probabilité associée à un évènement impossible est égale à 0.

Ainsi pour tout xi :

2) Fonction de répartition
La fonction de répartition traduit :

3) L’espérance mathématique
L’espérance mathématique, E(X), représente une moyenne en supposant que l’épreuve soit renouvelée un très grand
nombre de fois dans les mêmes conditions.

Dans notre exemple, le représentant arrive en moyenne à faire signer :

Page 2 sur 14
 4) Variance et écart type
On cherche à mesurer la dispersion de la variable par rapport à l’espérance. La variance et l’écart type permettent
surtout d’apprécier le risque.
Variance :
V(X) = Σ [xi - E(x)]² × pi [xi - E(x)]² : écart par rapport à la moyenne (au carré pour neutraliser le signe)
× pi : pondéré par la probabilité

Ce calcul peut être simplifié :

V(X) = Σ [xi² × pi ] – [E(x)]² Moyenne des carrés – carré de la moyenne

Dans notre exemple :
1ere méthode :
V(X) = Σ [xi - E(x)]² × pi
V(X) = (0 – 1,79)² × 0,14 + (1 – 1,79)² × 0,35 + (2 – 1,79)² × 0,24 + (3 – 1,79)² × 0,15 + (4 – 1,79)² × 0,09 + (5 – 1,79)² × 0,03
V(X) = 1,6459

2ème méthode :
V(X) = Σ [xi² × pi ] – [E(x)]²
V(X) = 4,85 – (1,79)²
V(X) = 1,6459

Ecart type : √ Variance = σ(X)

Dans notre exemple :

Ecart-type = √ 1,6459 = 1,2829

σ ( X)
Coefficient de variation =
E( X )

Dans notre exemple :

1,2829
Coefficient de variation = = 0,72
1 ,79

Exemple 2 : Soit une entreprise qui hésite entre deux projets

Projet d’investissement N°1 Projet d’investissement N°2

Profit xi Probabilité pi Profit xi Probabilité pi
50 000 0,50 - 150 000 0,25
150 000 0,50 100 000 0,50
350 000 0,25

Travail à faire : Calculer l’espérance, l’écart-type et le coeff de variation pour ces deux projets.

Page 3 sur 14
On considère que le projet est risqué lorsque le coefficient de variation est supérieur à 1.

Exemple 3 :
Projet 1 Projet 2
Ecart-type 100 000 100 000
Espérance 50 000 500 000

L’écart-type est le même entre les deux projets, on serait donc tenté de croire qu’ils comportent le même risque. Or,
on peut remarquer que le projet 1 est plus risqué que le projet 2.

Exemple : L’entreprise CONNELLS

L’entreprise Connells vous présente le tableau suivant concernant son chiffre d’affaires :

CA Mensuel Probabilités
xi pi
10 000 10%
15 000 20%
22 500 35%
30 000 25%
40 000 10%

Travail à faire : Calculer l’espérance, la variance, l’écart-type et le coefficient de variation.

B. Variables aléatoires continues

1) Définition
Une variable aléatoire est continue lorsqu’elle peut prendre toutes les valeurs possibles au sein d’un intervalle donné.
De ce fait, la probabilité pour que la variable prenne une valeur donnée est quasiment nulle.

X : Valeur Aléatoire continue avec x ∈ [a ; b] et p (X=x)≈ 0

2) Fonction de répartition
F(x) = p(X<x)
F(x) est une fonction croissante

0
-∞ x1 x2 +∞

X : Valeur aléatoire définie sur un intervalle : ]- ∞ ; + ∞[

P(x1<X<x2) = p (X<x2) – p(X<x1)

Page 4 sur 14
 3) Fonction de densité de probabilité
La fonction de densité correspond à la dérivée de la fonction répartition.
En représentant graphiquement une fonction de densité, la probabilité sur un intervalle donné est représentée par son
aire.

f(x) : densité de probabilité

x1 m x2 x
m : moyenne

P(x1 < X < x2) = partie hachurée sur le graphique précédent

C. Opérations sur les variables aléatoires

Soit deux variables aléatoires X et Y et deux constantes a et b.

E (X + Y) = E(X) + E(Y)

E(a×X) = a × E(X)

E(X + b) =

V(a×X) = a² × V(X)

V(X + b) = V(X)

V(a×X + b) = a² × V(X)

V (X + Y) = V(X) + V(Y) ou X et Y sont deux variables aléatoires indépendantes

Page 5 sur 14
Exemple : L’entreprise PLACEBO
L’entreprise Placebo fabrique et distribue deux médicaments P1 et P2. Les quantités vendues mensuellement sont des
variables aléatoires. On donne les renseignements suivants :

P1 P2
Quantités vendues : espérance
5 000 unités 2 000 unités
mathématique
Quantités vendues : écart-type 400 300
Prix de vente unitaire 30 € 20 €
Charges variables unitaires 20 € 8€

Les charges fixes totales mensuelles sont de 60 000 €.

Travail à faire :
1. Calculer l’espérance mathématique et l’écart type du chiffre d’affaires mensuel total.
2. Calculer l’espérance mathématique et l’écart type de la marge sur coût variable mensuelle pour chacun des
produits.
3. Calculer l’espérance mathématique, l’écart type et le coefficient de variation du résultat mensuel.

II. La loi Normale

A. Caractéristiques
Une variable continue suit une loi normale de moyenne m et d’écart type σ si elle admet une fonction de densité :
( x−m )
1 −1 /2
σ
f(x) = ×e (fonction non à connaître)
σ ×√2 π

Ce sera le cas lorsque les valeurs prises par la valeur aléatoire dépendent de nombreux facteurs indépendants.

B. Représentation graphique
X suit une loi normale N (m ; σ)

f(x) : densité de probabilité

x1 m x2 x
m : moyenne

Symétrie par rapport à m ⬌ p (X<m) = p(X>m) = 0,50

Les probabilités les plus fortes sont obtenues pour des valeurs proches de l’espérance m  M est la valeur la plus
probable de X.

Page 6 sur 14
 C. La loi normale centrée réduite
La loi normale centrée réduite est la loi normale de moyenne m = 0 et d’écart-type σ = 1  N (0 ; 1)

Soit T suit N (0 ; 1)

f(x) : densité de probabilité

t1 0 t2 t
m : moyenne = 0

Voir Annexe 1 - Tableau des probabilités de la loi normale centrée réduite

Propriétés de la loi normale :

p(T < 0) = 0,5 = 50%

p(T > 0) = 1 – p(T < 0) = 0,5 = 50%
f(x) : densité de probabilité

0 t2 t
m : moyenne 0(loi normale centrée réduite)

p (T > t) = 1 – p(T < t)

p(T < -t) = 1 – p (T < t)

Démonstration : p(T < -t) = p (T > t) = 1 – p(T < t)
Symétrie par rapport à 0

p(T > -t)= p (T<t)

Démonstration : p(T > -t) = 1 – p(T< -t) = 1 – [1 – p(T<t)] = p (T< t)

Exercice : Lecture du tableau de loi normale centrée réduite et application probabilité.

Donnez les probabilités des évènements suivants :

 T < 0,5
 T < 0,74
 T < -1
 T>2
 T > -1,5
 0,2 < T < 0,6
 -0,15 < T < 0,3

D. Applications
Page 7 sur 14
Application 1 : Le CA journalier X suit une loi normale de moyenne m = 12 000 et σ = 3 000
X N (12 000 ; 3 000)
X−12 000
T N (0 ; 1) avec T = 3 000

Travail à faire : Chercher la probabilité pour que :

 le CA < 13 000 €
 le CA < 15 000 €
 le CA > 13 500 €
 le CA < 10 000 €
 le CA > 9 500 €
 le CA compris entre 9 500 et 14 000 €

Application 2 :
Soit X  N (200 ; 40)
Travail à faire :
Déterminer x tel que p(X<x) = 0,70

Déterminer x tel que p(X<x) = 0,45

Déterminer x tel que p(-x<X<x) = 0,95

III. La loi Binomiale

A. Définitions préalables
Une combinaison est une disposition non ordonnée de k éléments choisis parmi n avec 0 ≤ k ≤ n

k n!
Le nombre de combinaisons = C n =
( n−k ) ! × k !

Exemple : On veut choisir 2 personnes parmi 5 candidats à l’embauche.

Combien existe-t-il de combinaisons ?

Calcul combinaison : calculatrice Casio

Page 8 sur 14
Calcul combinaison : calculatrice Texas (Ti 82 et Ti 83+)

Exemple : on veut choisir 4 personnes parmi 15 candidats à l’embauche.

Combien existe-t-il de combinaison ?

Un arrangement est une disposition ordonnée de k éléments choisis parmi n avec 0 ≤ k ≤ n

k n!
Le nombre de arrangements = An =
( n−k ) !

Exemple : on veut choisir 2 personnes parmi 5 candidats à l’embauche (ils n’occuperont pas le même poste).
Combien existe-t-il de combinaison ?

Remarque : C n
0
=1 et An =1
0

B. Présentation de la loi
Exemple : Un vendeur doit négocier un contrat avec 3 clients différents. La probabilité pour que la négociation
débouche sur une signature du contrat est estimée à 40%.

Soit X : Le nombre de contrats signés  Valeur aléatoire discrète qui peut prendre les valeurs 0, 1, 2, 3

Repérage d’une loi binomiale :

 Soit l’épreuve « Négociation d’un contrat » :
- Il existe seulement deux possibilités : « Echec signature » et « Succès signature » ;
- L’épreuve est renouvelée 3 fois dans les mêmes conditions et de façon indépendante ;
- On compte le nombre de contrats signés.

Alors X suit une loi binomiale

n : nombre de répétitions de l’épreuve (ici n = 3)
p : probabilité de succès (ici p = 40%)

X B (n = 3 ; p = 40%)
Remarque :
Si Y : Le nombre de contrats non signés  B (n = 3 ; p = 60%)
Pour une loi binomiale, on aura :

k k n-k
p(X=k) = C n × p × q avec q = 1-p

Ex : Dans l’exemple précédent calculer les probabilités suivantes.

p(X=1) ; p(X=0) ; p(X=2) ; p(X=3) ;

Remarques :

C. Espérance, Variance et Ecart-type

Page 9 sur 14
Si X  B (n ; p)
On aura :
E(X) = n × p
V(X) = n × p × q

Travail à faire :
Calculer l’espérance du nombre de contrats signés par le vendeur et l’écart-type pour l’exemple précédent.

Exemple : Société MICROLOR

L’entreprise Microlor fabrique en grande quantité un certain type de pièces pour l’équipement informatique.
Dans un stock de ces pièces, on prélève au hasard dix pièces pour vérification. Le stock est assez important pour que
l’on puisse assimiler ce prélèvement à un tirage avec remise de 10 pièces.
On note E l’évènement : « Une pièce prélevée au hasard dans ce stock est défectueuse. »
On note p(E) = 0,03. On considère la variable aléatoire X qui, à tout prélèvement de dix pièces, associe le nombre de
pièces défectueuses parmi ces dix pièces.

Travail à faire :
1. Justifier que la variable aléatoire suit une loi binomiale et déterminer les paramètres de cette loi.
2. Calculer la probabilité que, dans un tel prélèvement, aucune pièce ne soit défectueuse. Arrondir à 10 -3.
3. Calculer la probabilité que, dans un tel prélèvement, au plus deux pièces soient défectueuses. Arrondir à 10 -3.

Dans un lot de ce type de pièce, on admet que 3,2% des pièces sont défectueuses. On prélève au hasard 500 pièces de
ce lot. Le lot est suffisamment important pour que l’on puisse assimiler ce prélèvement à un tirage avec remise de 500
pièces.
On considère la variable aléatoire Y qui, à tout prélèvement de 500 pièces, associe le nombre de pièces défectueuses
parmi ces 500 pièces. On admet que la variable aléatoire Y suit la loi binomiale de paramètre N = 500 et p = 0,032.

Travail à faire :
4. On considère que la loi suivie par la variable aléatoire Y peut être approchée par une loi normale. Retrouver
les paramètres de cette loi normale. (A faire en vous aidant du V. Approximation des lois).

On désigne par Z la variable aléatoire suivant la loi normale de moyenne 16 et d’écart-type 3,9 et permettant
d’approcher la variable aléatoire Y.

Travail à faire :
5. Déterminer la probabilité que, dans un tel prélèvement, il y ait entre 13 et 19 pièces défectueuses :
Calculer p(12,5 < Z < 19,5) Arrondir à 10-3.

Page 10 sur 14
 IV. La loi de Poisson
Elle s’applique à des évènements rares dont la probabilité de réalisation sur un laps de temps court est faible.
Ex : Le nombre d’appels à un poste de secours dans une station balnéaire ; le nombre de bus arrivant à une station
d’arrêt de bus durant une heure ; etc.

Soit X la variable aléatoire discrète

−λ k

X P (λ) si la probabilité de p(X = k) = e ×λ

k!

On aura alors E(X) = V(X) = λ (parfois m)

Deux types de table de la loi de Poisson :

 Table des probabilités : Fonction de distribution p(X = k)
 Table des probabilités : Fonction de répartition p(X < k) [Attention parfois p(X ≤ k)]
(Voir annexes 2 et 3)

Exemple : Coquilles
On évalue en moyenne à cinq le nombre de coquilles par page d’un mémoire rédigé par un étudiant.
Travail à faire :
En supposant que le nombre de coquilles par pages est une variable aléatoire C qui suit une loi de Poisson,
calculer la probabilité pour que dans un page donnée :
- Il n’y ait aucune coquille ; - Il y ait exactement 5 coquilles ;
- Il y ait au moins trois coquilles ; - Il y ait plus de 4 coquilles.

V. Approximation des lois

A. Approximation d’une loi Binomiale par une loi de Poisson
On peut approximer une loi binomiale par une loi de Poisson de paramètre λ = n × p
A condition que :
- n soit suffisamment grand (n > 30)
- p proche de 0 (p <10%)

Approche de la loi de Poisson  E(X) ≈ V(X)

Or la loi Binomiale E(X) = n × p et V(X) = n × p × q avec q = 1 - p

B. Approximation d’une loi Binomiale par une loi de Normale

On peut approximer une loi binomiale par une loi normale de paramètres m = n × p et σ = √ n × p ×q
A condition que :
- p ni proche de 0, ni proche de 1
- (autre critère parfois utilisé : n × p × q > 3)

C. Approximation d’une loi de Poisson par une loi Normale

On peut approximer une loi de Poisson par une loi normale de paramètres m = λ et σ = √ λ
A condition que :
- λ > 15
Rappel :
Loi Binomiale
Approximation par une loi Normale
Loi de Poisson

X : VA discrète X : VA continue

P(X=8) p(7,5 < Y < 8,5)

P(3 ≤ X ≤ 6) p(2,5 < Y < 6,5)
P(3 < X < 6) p(3,5 < Y < 5,5)
Annexe 1 - Tableau des probabilités de la loi normale centrée réduite
Page 11 sur 14
Page 12 sur 14
Annexe 2 - Table des probabilités de la loi de Poisson : Fonction de distribution

Page 13 sur 14
Annexe 3 - Table des probabilités de la loi de Poisson : Fonction de répartition

Page 14 sur 14