Ficha de revisão: Introduction aux probabilités et statistiques fondamentales

📋 Plan du Cours

1. Seuil de rentabilité
2. Calcul du point mort
3. Indicateur de marge de seuil
4. Distribution normale et règle empirique
5. Permutation et arrangement
6. Probabilités élémentaires
7. Probabilités d'événements
8. Indépendance et probabilité conditionnelle
9. Espérance, variance, écart-type
10. Dénombrment : combinaisons et arrangements
11. Probabilités composées

📖 1. Seuil de rentabilité

🔑 Notions clés & Définitions

• Seuil de rentabilité en quantité (Srq) : Quantité minimale à produire ou vendre pour couvrir les coûts fixes, calculée par la formule Srq = CF / MCV unitaire où CF est le coût fixe total et MCV unitaire la marge sur coût variable par unité.
• Seuil de rentabilité en valeur (SR) : Chiffre d'affaires à partir duquel l'entreprise ne réalise ni profit ni perte, déterminé par SR = CF / (taux x MCV), avec le taux de marge ou de contribution.
• Indice de seuil (Is) : Rapport entre la marge de seuil et le chiffre d'affaires, exprimé par Is = marge seuil / CA, permettant d’évaluer la part du chiffre d'affaires correspondant au seuil de rentabilité.
• Marge de seuil (marge seuil) : Différence entre le chiffre d'affaires et le seuil de rentabilité en valeur, soit marge seuil = CA - SR.
• Seuil opérationnel : Niveau d’activité où le résultat est nul, calculé par MSCV / Résultat, en lien avec la contribution marginale.

📝 Points essentiels

• Le Srq permet de déterminer la quantité minimale à vendre pour couvrir les coûts fixes, en utilisant la formule Srq = CF / MCV unitaire.
• Le SR donne le chiffre d'affaires critique, calculé via SR = CF / (taux x MCV), intégrant le taux de marge ou de contribution.
• La marge seuil est essentielle pour analyser la part du chiffre d'affaires qui couvre la différence entre le chiffre d'affaires total et le seuil, avec marge seuil = CA - SR.
• L'indice de seuil (Is) quantifie la proportion du chiffre d'affaires nécessaire pour atteindre le seuil, facilitant l’analyse de rentabilité.
• La formule du point mort (calcul du délai pour atteindre le seuil) est point mort = SR / CA x 350 (jours), permettant d’évaluer la période critique.

💡 À retenir

Le seuil de rentabilité, en quantité ou en valeur, est un indicateur clé pour déterminer le niveau d’activité nécessaire pour couvrir tous les coûts, en utilisant des formules précises intégrant coûts fixes, marges et chiffre d'affaires.

📖 2. Calcul du point mort

🔑 Notions clés & Définitions

• Seuil de rentabilité en valeur (SR) : Montant du chiffre d'affaires (CA) nécessaire pour couvrir l'ensemble des coûts fixes (CF) et variables, calculé par la formule SR = CF / (taux x MCV), où taux est le pourcentage de marge sur CA et MCV la marge contributive unitaire.
• Point mort : Chiffre d'affaires ou quantité de production à partir duquel l'entreprise commence à réaliser un bénéfice, calculé par point mort = SR / CA x 350 pour une période de référence (ex : 350 jours).
• Relation entre seuil de rentabilité, chiffre d'affaires et durée : Le seuil de rentabilité en valeur (SR) peut être rapporté au chiffre d'affaires annuel (CA) pour déterminer la période critique, notamment en utilisant la formule du point mort pour une durée spécifique (ex : 350 jours).
• Notion de seuil de rentabilité à partir du chiffre d'affaires : Le seuil de rentabilité en valeur (SR) est directement lié au chiffre d'affaires, permettant d'estimer la période critique en divisant SR par le CA journalier ou annuel.
• Utilisation du point mort pour évaluer la période critique : En comparant le chiffre d'affaires réalisé à celui du point mort, on peut déterminer si l'entreprise est dans une phase de rentabilité ou de perte, et ainsi ajuster ses stratégies pour éviter la période critique.

📝 Points essentiels

• Le calcul du seuil de rentabilité en valeur (SR) repose sur la formule SR = CF / (taux x MCV), permettant d'obtenir le CA minimal pour couvrir les coûts fixes.
• La formule du point mort = SR / CA x 350 permet d'estimer le nombre de jours nécessaires pour atteindre le seuil de rentabilité, en considérant une période de référence de 350 jours (année commerciale).
• La relation entre seuil de rentabilité, chiffre d'affaires et durée est essentielle pour planifier la gestion financière, notamment pour anticiper la période critique où l'entreprise n'est pas encore rentable.
• La connaissance du point mort permet d'évaluer si le chiffre d'affaires actuel est suffisant pour couvrir les coûts et de prévoir la durée nécessaire pour atteindre la rentabilité.
• La relation entre seuil de rentabilité, CA et durée facilite la prise de décision stratégique, notamment en période de croissance ou de crise.

💡 À retenir

Le calcul du point mort, basé sur le seuil de rentabilité en valeur, permet d'estimer la période critique en fonction du chiffre d'affaires, aidant ainsi à anticiper et à gérer la rentabilité de l'entreprise sur une période donnée.

📖 3. Indicateur de marge de seuil

🔑 Notions clés & Définitions

• Indice de seuil (Is) : Rapport entre la marge de seuil (marge qui sépare le seuil de rentabilité du résultat) et le chiffre d'affaires (CA). Il indique la proportion du CA qui constitue la marge de sécurité.
  Formule : Is = (CA - SR) / CA

• Marge de seuil (marge seuil) : Différence entre le chiffre d'affaires (CA) et le seuil de rentabilité (SR). Elle représente la marge de sécurité financière avant que l'entreprise ne devienne déficitaire.
  Formule : Marge seuil = CA - SR

• Calcul de la marge de seuil (CA - SR) : Méthode pour déterminer la marge de sécurité financière en soustrayant le seuil de rentabilité du chiffre d'affaires. Elle permet d'évaluer la résistance de l'entreprise face à une baisse de ses ventes.

• Utilisation de l'indice de seuil pour analyse financière : L'indice de seuil (Is) sert à mesurer la capacité de l'entreprise à absorber une baisse de CA sans perdre sa rentabilité, facilitant la prise de décisions stratégiques.

📝 Points essentiels

L'indice de seuil (Is) est un indicateur clé de la rentabilité, permettant d'apprécier la marge de sécurité relative à l'activité. En calculant la différence entre CA et SR, puis en la rapportant au CA, on obtient une mesure proportionnelle de la sécurité financière. Ce ratio est utile pour analyser la stabilité financière d'une entreprise, notamment en période de fluctuation du marché ou de baisse des ventes. La formule Is = (CA - SR) / CA synthétise cette relation, rendant l'analyse plus intuitive. La marge de seuil, quant à elle, indique la somme en chiffre d'affaires que l'entreprise peut perdre avant de devenir non rentable. Son calcul simple (CA - SR) est essentiel pour évaluer la robustesse financière. La compréhension et l'utilisation de ces indicateurs permettent d'anticiper les risques et d'ajuster la stratégie commerciale ou financière en conséquence.

💡 À retenir

L'indice de seuil (Is) mesure la proportion du chiffre d'affaires qui constitue la marge de sécurité, facilitant l’évaluation de la stabilité financière et la capacité d’absorption des pertes.

📖 4. Distribution normale et règle empirique

🔑 Notions clés & Définitions

• Distribution normale : loi de probabilité continue symétrique en forme de cloche, caractérisée par sa moyenne (μ) et son écart-type (σ). La majorité des valeurs se concentrent autour de la moyenne, avec une dispersion déterminée par σ.

• Règle empirique (68-95-99,7%) : principe selon lequel, dans une distribution normale, environ 68% des données se trouvent à une distance d’un écart-type (σ) de la moyenne (μ), 95% à deux σ, et 99,7% à trois σ. (AUTEUR : référence implicite à la distribution normale classique).

• Écart-type (σ) : mesure de dispersion ou de dispersion d’un ensemble de données par rapport à la moyenne. Plus σ est faible, plus les données sont concentrées autour de μ.

• Concept de dispersion : indication de la variabilité ou de la dispersion des valeurs autour de la moyenne. La dispersion est quantifiée par l’écart-type dans la distribution normale.

• Utilisation de l’écart-type pour construire des intervalles de confiance : dans une distribution normale, on peut estimer un intervalle autour de la moyenne dans lequel se trouve une certaine proportion des données (ex : 68%, 95%, 99,7%) en utilisant μ ± kσ, où k dépend du pourcentage souhaité.

• Règle de Chebyshev : applicable à toute distribution, elle stipule que, pour tout k > 1, au moins (1 - 1/k²) de la population se trouve dans l’intervalle μ ± kσ, indépendamment de la forme de la distribution.

📝 Points essentiels

• La distribution normale est la référence en statistiques pour modéliser de nombreux phénomènes naturels et sociaux, notamment grâce à sa forme en cloche et ses propriétés symétriques.

• La règle empirique permet d’estimer rapidement la proportion de données situées à une certaine distance de la moyenne dans une distribution normale, facilitant la construction d’intervalles de confiance.

• La formule de la règle empirique :

  • 68% des données dans μ ± σ
  • 95% dans μ ± 2σ
  • 99,7% dans μ ± 3σ

• La dispersion, mesurée par l’écart-type, est essentielle pour comprendre la variabilité des données et pour construire des intervalles de confiance précis.

• La règle de Chebyshev, valable pour toute distribution, garantit une proportion minimale de données dans μ ± kσ, ce qui est utile lorsque la distribution n’est pas normale.

💡 À retenir

La distribution normale, grâce à la règle empirique, permet d’estimer rapidement la concentration des données autour de la moyenne, tandis que la règle de Chebyshev offre une estimation universelle de la dispersion, indépendamment de la forme de la distribution.

📖 5. Permutation et arrangement

🔑 Notions clés & Définitions

• Permutation : Arrangement sans remise de tous les éléments d’un ensemble, où l’ordre compte. Par exemple, pour 4 éléments, le nombre de permutations est 4! (factorielle de 4). (Source : "exemple de permutation avec 4 éléments (4!)")
• Calcul du nombre de permutations : Si l’on dispose de m éléments, le nombre total de permutations possibles est m!.
• Arrangement avec remise : Sélection d’éléments où la remise est autorisée, permettant la répétition. Par exemple, pour 2 choix parmi 10 éléments avec remise, le nombre d’arrangements est 10².
• Arrangement sans remise : Sélection d’un sous-ensemble p d’éléments parmi m, sans répétition, où l’ordre est important. Le nombre d’arrangements est donné par la formule : A = m! / (m - p)! (voir dénombrement).
• Différence entre permutation et arrangement : La permutation concerne l’ordre de tous les éléments d’un ensemble, tandis que l’arrangement sans remise concerne la sélection d’un sous-ensemble avec ordre, souvent noté par la formule A(m, p).

📝 Points essentiels

• La permutation de m éléments est le nombre de façons d’arranger tous ces éléments, soit m! (factorielle). Par exemple, 4! = 4 × 3 × 2 × 1 = 24.
• Lorsqu’on choisit p éléments parmi m sans remise et en tenant compte de l’ordre, le nombre d’arrangements est :
  $A(m, p) = \frac{m!}{(m - p)!}$
• La permutation est un cas particulier d’arrangement où p = m, donc le nombre total de permutations d’un ensemble de m éléments est m!.
• La différence fondamentale entre permutation et arrangement réside dans le fait que la permutation concerne l’ordre de tous les éléments, alors que l’arrangement peut porter sur un sous-ensemble.
• Exemple : pour 4 éléments, le nombre de permutations est 4! = 24. Pour choisir 2 éléments parmi 4 en tenant compte de l’ordre, on a 4 × 3 = 12 arrangements.
• La notion de permutation est essentielle dans le dénombrement, notamment pour calculer le nombre de façons d’organiser ou d’ordonner un ensemble.

💡 À retenir

La permutation concerne l’ordre de tous les éléments d’un ensemble, avec un total de m! arrangements, tandis que l’arrangement sans remise de p éléments parmi m se calcule par m! / (m - p)! ; la différence réside dans la sélection et l’ordre.

📖 6. Probabilités élémentaires

🔑 Notions clés & Définitions

• Probabilité élémentaire : Pour un événement A, la probabilité est définie par P(A) = nombre de cas favorables / nombre de cas possibles. Elle mesure la chance que cet événement se réalise dans un univers Ω constitué de tous les cas possibles.

• Univers Ω et événements : L'univers Ω représente l'ensemble de tous les cas possibles. Un événement A est un sous-ensemble de Ω, correspondant à un résultat ou un ensemble de résultats favorables.

• Propriétés fondamentales :

  • P(Ω) = 1 : La probabilité de l'univers entier est 1.
  • P(∅) = 0 : La probabilité de l'ensemble vide est 0.
  • 0 ≤ P(A) ≤ 1 : La probabilité d'un événement A est toujours comprise entre 0 et 1.
  • Complément d'un événement : P(Ā) = 1 - P(A), où Ā est l'événement contraire de A.

📝 Points essentiels

• La probabilité élémentaire repose sur la notion de cas favorables et possibles, en supposant un univers équiprobable (tous les cas ont la même chance).
• La propriété P(Ω) = 1 garantit que la somme des probabilités de tous les cas possibles est 1.
• La règle du complémentaire permet de calculer la probabilité que A ne se produise pas, en soustrayant P(A) de 1.
• Ces notions sont fondamentales pour comprendre la modélisation probabiliste et la résolution de problèmes simples.

💡 À retenir

La probabilité élémentaire, basée sur le rapport entre cas favorables et possibles, est la base de tout calcul probabiliste, avec des propriétés qui assurent la cohérence des mesures de chance dans un univers donné.

📖 7. Probabilités d'événements

🔑 Notions clés & Définitions

• Probabilité de l'union : Pour deux événements A et B, la probabilité que l’un ou l’autre se réalise est donnée par P(A ∪ B) = P(A) + P(B) - P(A ∩ B), permettant d’éviter de compter deux fois la partie commune.
• Événements incompatibles : Deux événements A et B sont incompatibles si P(A ∩ B) = ∅, ce qui implique que P(A ∪ B) = P(A) + P(B), car ils ne peuvent se produire simultanément.
• Calculs de probabilités d'événements composés : La probabilité qu’un événement composé se réalise, notamment par la formule de l’union ou par la multiplication pour des événements indépendants, selon leur nature (voir section 8).

📝 Points essentiels

• La formule P(A ∪ B) = P(A) + P(B) - P(A ∩ B) est fondamentale pour le calcul des probabilités d’événements combinés. Elle évite le double comptage de la partie commune aux deux événements.
• En cas d’événements incompatibles, la formule se simplifie à P(A ∪ B) = P(A) + P(B), car P(A ∩ B) = 0.
• La connaissance de ces formules permet de réaliser efficacement des calculs pour des événements dépendants ou indépendants, en utilisant notamment la formule de la probabilité de l’union pour des événements non incompatibles.
• La probabilité d’un événement composé peut aussi s’obtenir par la formule de la probabilité totale ou en utilisant la règle de multiplication pour des événements indépendants (voir section 8).

💡 À retenir

La probabilité de l’union de deux événements est donnée par P(A ∪ B) = P(A) + P(B) - P(A ∩ B), et si ces événements sont incompatibles, cette formule se simplifie en P(A ∪ B) = P(A) + P(B).

📖 8. Indépendance et probabilité conditionnelle

🔑 Notions clés & Définitions

• Indépendance de deux événements : Deux événements A et B sont indépendants si la réalisation de l’un n’influence pas la probabilité de l’autre, c’est-à-dire que
  P(A ∩ B) = P(A) × P(B).
  (formule fondamentale)

• Probabilité conditionnelle : La probabilité de B sachant A, notée P_A(B), est la probabilité que B se réalise lorsque A est déjà réalisé, définie par
  P_A(B) = P(A ∩ B) / P(A),
  pour P(A) ≠ 0.
  (voir section 7)

• Formule de multiplication des probabilités conditionnelles : La probabilité de l’intersection de deux événements A et B peut s’écrire en utilisant la probabilité conditionnelle :
  P(A ∩ B) = P_A(B) × P(A).
  Elle relie la probabilité conjointe à la probabilité conditionnelle.

• Exemples d’application : Utilisation de tableaux pour calculer P(A ∩ B), P_A(B), et vérifier l’indépendance en comparant P(A ∩ B) à P(A) × P(B). Par exemple, si P(A) = 0,4, P(B) = 0,6, et P(A ∩ B) = 0,24, alors A et B sont indépendants car 0,24 = 0,4 × 0,6.

📝 Points essentiels

• L’indépendance de deux événements A et B est vérifiée si et seulement si P(A ∩ B) = P(A) × P(B).
• La probabilité conditionnelle P_A(B) permet de mesurer l’impact de la réalisation de A sur B. Si P_A(B) = P(B), alors A et B sont indépendants.
• La formule P(A ∩ B) = P_A(B) × P(A) est essentielle pour calculer la probabilité conjointe à partir de la probabilité conditionnelle.
• Lorsqu’on vérifie l’indépendance à partir de données, on compare P(A ∩ B) à P(A) × P(B) ; si elles sont égales, A et B sont indépendants.
• Exemple : Si P(A) = 0,4, P(B) = 0,6, et P(A ∩ B) = 0,24, alors P_A(B) = 0,24 / 0,4 = 0,6, ce qui est égal à P(B), confirmant l’indépendance.
• La vérification de l’indépendance repose sur la comparaison entre la probabilité conjointe et le produit des probabilités marginales.

💡 À retenir

L’indépendance entre deux événements se caractérise par l’égalité P(A ∩ B) = P(A) × P(B), et la probabilité conditionnelle permet d’évaluer si la réalisation de A influence B.

📖 9. Espérance, variance, écart-type

🔑 Notions clés & Définitions

• Espérance mathématique (E(X)) : PERROUX (date) : valeur moyenne attendue d'une variable aléatoire discrète, calculée par la formule E(X) = ∑ xi × pi, où xi sont les valeurs possibles et pi leurs probabilités respectives.
• Variance (V(X)) : PERROUX (date) : mesure de la dispersion d'une variable aléatoire autour de son espérance, donnée par V(X) = ∑ pi (xi - E(X))².
• Écart-type (σ(X)) : PERROUX (date) : racine carrée de la variance, σ(X) = √V(X), indicateur de la dispersion en même unité que la variable.
• Calculs d'espérance et variance pour variables discrètes : La formule de l'espérance consiste à faire la somme des produits des valeurs possibles par leurs probabilités, et celle de la variance à la somme des produits des probabilités par le carré de la différence entre chaque valeur et l'espérance.

📝 Points essentiels

• L'espérance E(X) représente la valeur moyenne attendue d'une variable discrète, calculée par la formule E(X) = ∑ xi × pi.
• La variance V(X) quantifie la dispersion des valeurs autour de l'espérance, V(X) = ∑ pi (xi - E(X))², en utilisant la différence entre chaque valeur et l'espérance.
• L'écart-type σ(X) est la racine carrée de la variance, permettant d'interpréter la dispersion dans la même unité que la variable.
• La formule de la variance peut aussi s'écrire en utilisant la formule V(X) = ∑ pi xi² - E(X)², ce qui facilite certains calculs.
• Ces notions sont fondamentales pour analyser la distribution d'une variable discrète, notamment pour estimer la dispersion et la tendance centrale.

💡 À retenir

L'espérance donne la valeur moyenne attendue d'une variable discrète, tandis que la variance et l'écart-type mesurent sa dispersion autour de cette moyenne. Ces outils sont essentiels pour analyser la distribution et la stabilité d'une variable aléatoire.

📖 10. Dénombrment : combinaisons et arrangements

🔑 Notions clés & Définitions

• Factorielle (m!) : La multiplication de tous les entiers de 1 à m, avec la convention 0! = 1.
  Source : "m! = 1 × 2 × ... × m"
  Exemple : 5! = 1×2×3×4×5 = 120.

• Nombre d'arrangements de p éléments parmi m :
  $A = \frac{m!}{(m - p)!}$
  Définition : Combinaison ordonnée de p éléments issus d’un ensemble de m, sans remise.
  Exemple : Choisir 3 livres parmi 5 pour une étagère.

• Nombre de combinaisons de p éléments parmi m :
  $C = \frac{m!}{p!(m - p)!}$
  Définition : Choix de p éléments dans un ensemble de m, sans tenir compte de l’ordre.
  Exemple : Sélectionner 4 personnes dans un groupe de 10.

• Différence entre arrangements et combinaisons :

  • Arrangement : ordre important (permutation partielle).
  • Combinaison : ordre non important (choix).
    Source : "Différence entre arrangements (ordre important) et combinaisons (ordre non important)".

📝 Points essentiels

• La factorielle m! représente le nombre total de permutations de m éléments. La convention 0! = 1 est fondamentale pour les calculs.
• Le nombre d’arrangements de p éléments parmi m correspond au nombre de permutations partielles, calculé par $A = \frac{m!}{(m - p)!}$.
• Le nombre de combinaisons de p éléments parmi m, noté $C$, se calcule par $C = \frac{m!}{p!(m - p)!}$.
• La différence essentielle réside dans l’importance de l’ordre : dans une permutation ou arrangement, l’ordre compte ; dans une combinaison, il ne compte pas.
• Exemple de calcul :
  • $4! = 24$
  • Nombre d’arrangements de 3 parmi 5 : $\frac{5!}{(5-3)!} = \frac{120}{2!} = 60$
  • Nombre de combinaisons de 3 parmi 5 : $\frac{5!}{3!2!} = 10$.

💡 À retenir

Les arrangements comptent l’ordre des éléments, tandis que les combinaisons ne le prennent pas en compte ; ils se calculent respectivement par $\frac{m!}{(m - p)!}$ et $\frac{m!}{p!(m - p)!}$.

📖 11. Probabilités composées

🔑 Notions clés & Définitions

• Probabilité composée : La probabilité que deux événements A et B se produisent simultanément, notée P(A ∩ B). Elle peut s'exprimer en fonction de la probabilité conditionnelle ou des probabilités marginales :
  $P(A \cap B) = P_A(B) \times P(A) = P_B(A) \times P(B)$
  où P_A(B) est la probabilité de B sachant A, et P_B(A) la probabilité de A sachant B.

• Formule des probabilités totales : Permet de calculer la probabilité d’un événement en partitionnant l’univers Ω en événements incompatibles $A_1, A_2, ..., A_n$ tels que :
  $P(B) = \sum_{i=1}^n P(B \cap A_i) = \sum_{i=1}^n P_{A_i}(B) \times P(A_i)$
  Elle est essentielle pour décomposer un calcul complexe en sommes de probabilités conditionnelles.

• Événements dépendants et indépendants :

  • Deux événements A et B sont indépendants si :
    $P(A \cap B) = P(A) \times P(B)$
    (voir section 8).
  • Si cette égalité n’est pas vérifiée, ils sont dépendants.

• Utilisation de la formule des probabilités totales : Lorsqu’un événement B peut se produire via plusieurs événements incompatibles $A_i$, la probabilité totale de B s’obtient en sommant les probabilités conditionnelles pondérées par la probabilité de chaque $A_i$.

📝 Points essentiels

• La probabilité composée s’utilise pour calculer la co-occurrence d’événements, notamment dans le cas d’événements dépendants ou indépendants. La formule $P(A \cap B) = P_A(B) \times P(A)$ est fondamentale pour exprimer cette relation, où la probabilité conditionnelle joue un rôle clé.
• La formule des probabilités totales permet de décomposer la probabilité d’un événement en sommant des probabilités conditionnelles sur une partition de l’univers. Elle est particulièrement utile lorsque l’événement à étudier peut se produire via plusieurs chemins disjoints.
• Lors d’applications, il faut distinguer événements dépendants (où $P(A \cap B) \neq P(A) \times P(B)$) et indépendants (où l’égalité est vérifiée). La vérification de cette propriété permet de simplifier ou de complexifier le calcul des probabilités conjointes.
• La compréhension de ces concepts est essentielle pour résoudre des problèmes impliquant des événements liés ou séparés, en utilisant la formule des probabilités totales ou la relation de dépendance.

💡 À retenir

La probabilité composée permet d’évaluer la co-occurrence d’événements en utilisant la probabilité conditionnelle, tandis que la formule des probabilités totales facilite le calcul en décomposant une probabilité en somme de probabilités conditionnelles sur une partition de l’univers.

📊 Tableaux de Synthèse

Thème	Notions clés	Formules / Concepts	Auteur / Référence
Seuil de rentabilité	Srq, SR, Indice de seuil, Marge de seuil	Srq = CF / MCV unitaire, SR = CF / (taux x MCV), Marge seuil = CA - SR, Is = Marge de seuil / CA	Perroux (croissance), Analyse financière classique
Calcul du point mort	Seuil de rentabilité en valeur, Point mort	SR = CF / (taux x MCV), Point mort = SR / CA x 350	Méthodes standard en gestion financière
Indicateur de marge de seuil	Marge de sécurité, Indice de seuil	Marge de seuil = CA - SR, Is = (CA - SR) / CA	Analyse de la sécurité financière
Distribution normale	μ, σ, Règle empirique	68-95-99,7%, σ mesure dispersion, μ moyenne	Loi normale, référence en statistiques

⚠️ Pièges & Confusions Fréquentes

1. Confondre seuil de rentabilité en quantité (Srq) et en valeur (SR).
2. Utiliser la formule du point mort sans vérifier si le CA est constant ou variable.
3. Confondre l’indice de seuil (Is) avec le taux de marge ou de contribution.
4. Négliger l’impact de la dispersion (σ) dans la distribution normale, notamment pour les intervalles de confiance.
5. Croire que la règle empirique s’applique à toutes les distributions, alors qu’elle concerne uniquement la normale.
6. Omettre de distinguer la marge de seuil (CA - SR) de la marge de sécurité en pourcentage.
7. Confusion entre la formule du seuil de rentabilité et celle du seuil opérationnel.

✅ Checklist Examen

• Connaître la définition du seuil de rentabilité en quantité (Srq) selon Perroux.
• Savoir calculer le seuil de rentabilité en valeur (SR) à partir du coût fixe et de la marge contributive.
• Maîtriser la formule de l’indice de seuil (Is) et son interprétation.
• Comprendre le calcul du point mort en utilisant le seuil de rentabilité en valeur et le chiffre d’affaires annuel.
• Savoir appliquer la règle empirique pour la distribution normale et ses limites.
• Identifier la différence entre permutation et arrangement dans le dénombrement.
• Connaître la formule de la probabilité d’un événement et la probabilité conditionnelle.
• Maîtriser la notion d’indépendance entre deux événements en probabilité.
• Savoir calculer l’espérance, la variance et l’écart-type d’une variable aléatoire.
• Connaître la formule des combinaisons et arrangements pour le dénombrement.
• Être capable de calculer des probabilités composées en utilisant la règle du produit.
• Vérifier la maîtrise du vocabulaire et des concepts clés en statistiques et gestion financière.