NOTE PEDAGOGIQUE SUR LA DOMINANCE

STOCHASTIQUE
La notion de dominance stochastique est souvent présentée sous une forme très technique, et avec des
démonstrations très ramassées, ce qui peut rebuter. Le but de cette note est de mettre l’accent sur l’aspect
économique de la notion, et de donner des démonstrations plus explicites que celles qu’on trouve habituellement.
Après une définition de la notion de dominance en général, on se limitera aux notions de dominance stochastique
d’ordre 1 et d’ordre 2.

I.- Notion de dominance

1.- Exemples
Soit l’ensemble !A, B, C" des vacances possibles pour un couple, où A désigne des vacances à la montagne, B
des vacances à la mer et C des vacances à la campagne. Supposons que chaque membre du couple ait ses propres
préférences sur cet ensemble:
– préferences de Monsieur: A ! B ! C;
– préférences de Madame: A ! C ! B.
Par définition, on dit que A domine B et C pour ce couple. Cette information suffit pour savoir que ce couple
choisira A. L’intérêt de la notion de dominance est de dispenser de connaître la fonction d’utilité de ce couple (si
elle existe), ou même simplement d’établir un préordre complet dans l’ensemble des possibilités qui s’offrent à ce
couple.
Pour prendre un exemple moins particulier, si A et B sont des paniers de biens de consommation
A ! #1; 2$ B ! #1; 1$
A domine B pour tous les consommateurs dont les préférences respectent l’hypothèse de non satiété.

2.- Définition
Plus généralement, pour définir une dominance,
– on pose une ou plusieurs hypothèses sur les préférences individuelles;
– on note S l’ensemble des ordres de préférence qui respectent ces hypothèses;
– on considère le rang des objets du choix A et B dans tous les ordres de préférence appartenant à S;
– si A est classé avant B dans tous les ordres de préférence de S, on dit que A domine B pour l’ensemble S des ordres
de préférence et on note:
A!B
S

3.- Spécifications
La dominance peut être définie au sens strict ou au sens large: si B n’est classé avant A dans aucun des ordres
de préférence de S, on dit que A domine B au sens large pour l’ensemble S des ordres de préférence et on note:
A"B
S
Si les objets du choix A et B représentent des profils temporels de revenus, on précise que la dominance est
temporelle.
Si les objets du choix sont des loteries et que les préférences sont représentables par des fonctions d’utilité
espérée, on précise que la dominance est stochastique.

4.- Les différentes dominances stochastiques

Parmi les ordres de préférence qui portent sur des richesses aléatoires W et qui sont représentables par une
fonction d’utilité espérée U#W$ ! E#u#W$$, on distingue notamment les classes suivantes:
– classe S 1 des ordres de préférence qui respectent l’hypothèse de non satiété (u croissante);
– classe S 2 des ordres de préférence appartenant à S 1 et présentant de l’aversion pour le risque (u croissante et
concave);
– classe S 3 des ordres de préférence appartenant à S 2 et tels que la dérivée troisième u """ est positive (condition
-1- JL CAYATTE
nécessaire, mais non suffisante, pour que l’aversion absolue pour le risque A a décroisse avec la richesse).
Si W ! W " , on dit que W domine stochastiquement W " à l’ordre n.
Sn

II.- La dominance stochastique d’ordre 1

Après avoir exposé le problème qui donne son intérêt à la notion, on précise la définition, on donne le critère de
dominance et on conclut par deux remarques.

1.- Le problème: supériorité et infériorité en univers incertain

En univers certain, l’expression “ La richesse W est plus grande que la richesse W " ” est une notion claire. Mais
en univers incertain, des trois richesses suivantes
w w#a w#a w # 2a w # 3a
W! W" ! W "" !
1 0, 5 0, 5 0, 4 0, 6
laquelle est la plus grande? Même question pour les deux demandes:
50 100 150 50 100 140
D! D" !
0, 1 0, 8 0, 1 0, 1 0, 7 0, 2
Même question sous une autre forme: que signifie “hausse” ou “baisse” d’une grandeur aléatoire?
Il n’y a pas de réponse objective à ces questions. Par contre, il se peut que tous les agents qui préfèrent une
grande richesse à une petite, préfèrent une richesse W à une richesse W " . On dit alors, non pas que la richesse W est
plus grande que la richesse W " , mais que W domine stochastiquement W " à l’ordre 1. La notion de dominance
stochastique d’ordre 1 permet donc d’exprimer, en univers incertain, du moins dans certains cas, les notions de
supériorité ou d’infériorité, et donc celles de hausse et de baisse, de l’univers certain.

2.- Définition
La richesse finale W domine stochastiquement la richesse W " à l’ordre 1 si tous les agents dont les préférences
sont représentables par une fonction d’utilité espérée et respectent l’hypothèse de non satiété préfèrent W à W " .
L’hypothèse de non satiété peut être définie de manière stricte (u " $ 0, si u est dérivable) ou de manière large
"
(u $ 0). Dans tout ce qui suit, sauf mention contraire, on traitera de dominance stricte et de non satiété stricte.
Cette définition de la dominance stohastique d’ordre 1 serait sans intérêt s’il n’existait pas de critère
relativement simple d’identification de cette dominance.

3.- Critère de dominance stochastique d’ordre 1

On démontre deux théorèmes sur la dominance stochastique d’ordre 1.
Théorème n % 1: Condition nécessaire mais non suffisante
Pour que la richesse finale W domine stochastiquement la richesse finale W " à l’ordre 1, il est nécessaire, mais
non suffisant, que
E#W$ $ E#W " $
a) C’est nécessaire, car les agents neutres par rapport au risque préfèrent la richesse finale dont l’espérance est la
plus élevée.
b) Ce n’est pas suffisant, car un agent qui a de l’aversion pour le risque peut préférer une richesse W " à une
richesse W dont l’espérance est plus élevée.
Théorème n % 2: Condition nécessaire et suffisante
Commençons par un appel à l’intuition.
A.- Intuition
Comparons les deux richesses W et W " suivantes:
1 2 3 1 2 3
W! W" !
0, 1 0, 4 0, 5 0, 2 0, 5 0, 3
Elles ont les mêmes valeurs possibles. Mais W peut être reconstituée en transformant W " de la manière suivante: on
diminue la probabilité des richesses possibles les plus faibles (1 et 2), et on augmente celle de la plus élevée.
Intuitivement, on soupçonne que tous les individus qui préfèrent plus à moins préféreront W à W " . Avant de
démontrer qu’il en va bien ainsi, voici comment on peut, non pas le démontrer, mais rationaliser cette intuition.
-2- JL CAYATTE
Partons de la valeur la plus élevée:
Pr!W $ 3" ! 0, 5 Pr!W " $ 3" ! 0, 3
De ce point de vue, W est préférable à W " . Voyons la valeur possible suivante:
Pr!W $ 2" ! 0, 9 Pr!W " $ 2" ! 0, 8
De ce point de vue aussi, W est préférable à W " . Enfin
Pr!W $ 1" ! 1 Pr!W " $ 1" ! 1
De ce point de vue, W est équivalent à W " .
Au total, W apparaît préférable à W " parce que, pour toute valeur t, on a
Pr!W $ t" $ Pr!W " $ t"
avec une valeur de t (au moins) pour laquelle l’inégalité est stricte.
Une manière équivalente de s’exprimer est d’écrire
1 # Pr!W % t" $ 1 # Pr!W " % t"
soit, en notant F la fonction de répartition de W
F#t$ ! Pr!W % t"
"
et G la fonction de répartition de W
1 # F#t$ $ 1 # G#t$
F#t$ & G#t$
B.- Enoncé
La richesse finale W, de fonction de répartition F#t$, domine stochastiquement à l’ordre 1 la richesse finale W " ,
de fonction de répartition G#t$, si et seulement si
't F#t$ & G#t$ l’inégalité étant stricte pour un ensemble de valeurs de t de probabilité non nulle
Figure 1

C.- Démonstration
Nous ne donnons la démonstration que pour des richesses représentées par une variable aléatoire continue
bornée. A partir de l’équivalence :
W ! W " % E#u#W$$ $ E#u#W " $$
b d
% ( u#t$f#t$dt $ ( u#t$g#t$dt
a c
f
% ( u#t$&f#t$ # g#t$'dt $ 0
e

où e est la plus petite des bornes inférieures et f la plus grande des bornes supérieures, on démontre (Annexe 1) que
f
W ! W " % ( u " #t$&F#t$ # G#t$'dt % 0
e

ce qui s’interpète de la manière suivante:

1. Si l’hypothèse de non satiété est satisfaite de manière stricte (u " $ 0)
– pour que cette relation soit vraie, il suffit que F#t$ & G#t$ pour tout t, l’inégalité étant stricte pour un
ensemble de valeurs de t de probabilité non nulle;
– cette condition est également nécessaire. Supposons en effet qu’il existe un intervalle &g, h' tel que si
t ) &g, h', alors F#t$ $ G#t$. Alors
h
( g u " #t$&F#t$ # G#t$'dt $ 0
On peut toujours construire une fonction telle que u " soit suffisamment faible en dehors de l’intervalle &g, h' et
suffisamment forte sur cet intervalle pour que
h h f
( g u " #t$&F#t$ # G#t$'dt $ ( e u " #t$&F#t$ # G#t$'dt # ( g u " #t$&F#t$ # G#t$'dt
et donc telle que W " soit préférée à W.
Figure 2

2. Si u " $ 0, l’inégalité doit être stricte pour toute valeur de t appartenant à 'e, f' (e doit être exclu puisque
-3- JL CAYATTE
 F#e$ ! G#e$#! 0$).
3. Enfin, si on se contente d’une condition de dominance stochastique au sens large, la condition s’écrit
f
W " W" % ( e u " #t$&F#t$ # G#t$'dt & 0
S1
Par conséquent, il faut et il suffit que F#t$ & G#t$ quel que soit t, que u " $ 0 ou u " $ 0.
Au total, les quatre cas possibles sont résumés dans le tableau suivant:
dominance stricte dominance large
"
u $0 F#t$ & G#t$ F#t$ & G#t$
l’inégalité étant stricte pour un ensemble de valeurs de t de probabilité non nulle 't
"
u $0 F#t$ % G#t$ F#t$ & G#t$
't ) 'e, f' 't

N.B. On retrouve la condition nécessaire mais non suffisante démontrée précédemment. En effet, puisque
f
W ! W" %
S1
( e u#t$&f#t$ # g#t$'dt $ 0 pour toute fonction u croissante

l’inégalité est vraie en particulier pour la fonction u#t$ ! t. Par conséquent

f
( e t&f#t$ # g#t$'dt % 0 % E#u#W$$ $ E#u#W" $$
D.- Cas particuliers
a) Le cas particulier le plus simple de dominance stochastique à l’ordre 1 est la translation uniforme vers la
droite de la loi de probabilité. On dit que W est une translation uniforme vers la droite de W " si
W ! W" # a
où a est une grandeur certaine strictement positive: W et W " ont les mêmes probabilités, mais chacun des lots de W
est plus élevé que le lot de même probabilité de W " .
b) Plus généralement, si W et W " ont des lots w i et w "i de mêmes probabilités p i tels que w i $ w "i avec au moins
un i pour lequel w i $ w "i , W domine stochastiquement W " à l’ordre 1.

4.- Remarques
Dominance et ordre
La notion correspondant aux notions de supériorité ou de hausse de l’univers certain est celle de dominance
stochastique à l’ordre 1. Il reste cependant une différence importante avec l’univers certain:
– en univers certain, la demande D, par exemple, est nécessairement supérieure, égale ou inférieure à la demande
D";
– en univers incertain, il est possible que D ne domine pas D " , que D " ne domine pas D non plus et que les agents ne
soient pas tous indifférents entre D et D " .
Comme tout dominance, la dominance stochastique n’établit qu’un ordre partiel.
Dominance et bien-être
Si le nombre des tués par accident de la route au cours du week-end obéit à la loi de probabilité suivante
50 100 200
X!
0, 7 0, 2 0, 1
la route devient plus dangereuse le week-end si cette distribution X est remplacée par une distribution Y qui la
domine stochastiquement à l’ordre 1, par exemple
50 100 200
Y!
0, 2 0, 7 0, 1
Il ne faut donc pas confondre la dominance et la désirabilité lorsque les résultats possibles ne sont pas des montants
monétaires, mais des nombres mesurant des quantités non désirées.
Notez que dans le langage courant, on dira qu’il est plus risqué de prendre la route si la loi de probabilité du
nombre de tués est Y que si elle est X. Mais il s’agit d’une augmentation de la dangerosité, et non pas d’une
-4- JL CAYATTE
augmentation du risque au sens de Markowitz, comme l’indique le calcul des variances:
V#X$ ! 2 125 $ V#Y$ ! 1 500.

III.- La dominance stochastique d’ordre 2

Une richesse aléatoire présente un caractère plus ou moins risqué. Cette propriété, que la langue anglaise appelle
riskiness, pourrait être appelée en français risquosité (comme on dit dangerosité). Malheureusement, on emploie le
mot risque, au prix de confusion avec probabilité (risque de chômage) ou sinistralité (risque d’incendie), sans parler
de la distinction entre risque et incertitude de Knight (1921).
Quoi qu’il en soit, la dispersion de la variable aléatoire W est la condition d’existence du caractère risqué: si W
est une variable aléatoire sans dispersion, donc une variable aléatoire dégénérée, c’est une grandeur certaine, donc
par définition sans caractère risqué. Toute mesure de la dispersion est donc un candidat à la mesure du caractère
risqué d’une richesse. Et parmi ces candidats, le plus naturel, pour un statisticien, est la variance V#W$. Or ce
candidat pose problème.

1.- Le problème: risque et variance

L’idée que la variance de la richesse finale était une mesure raisonnable du caractère risqué d’une richesse a été
admise jusqu’en 1970, année où Rothschild et Stiglitz ont publié le premier de leurs deux articles célèbres sur la
question.
A.- Arguments en faveur de la variance
L’idée de mesurer le risque par la variance vient de trois ordres de considérations.
– Lorsqu’il n’y a pas de risque, donc lorsque la richesse finale est certaine, la variance est nulle. Lorsque la
richesse finale est aléatoire, la variance est strictement positive. Mais la variance partage cette propriété avec toutes
les mesures de la dispersion.
– La formule d’approximation de la prime de risque
V#W$
!* Aa
2
combine un élément qui ne dépend que des préférences (l’aversion absolue A a ) et un élément objectif, la moitié de
la variance. Mais ce n’est là qu’une approximation.
– Les fonctions d’utilité de Markowitz
U#W$ ! f#E#W$, V#W$$
qui réduisent les préférences à des arbitrages entre espérance et variance, sont très utilisées en économie appliquée
sans qu’on se heurte à beaucoup de contradictions avec l’observation. C’est là, au contraire des précédents, un
argument fort en faveur de la variance.
B.- Arguments contre la variance
A probabilités données, la variance est une caractéristique objective de la richesse. Or, pour expliquer un
comportement, la subjectivité est plus importante que les caractéristiques objectives: si les consommateurs sont
persuadés que tel produit est meilleur que tel autre, c’est évidemment ce sentiment, qu’il soit fondé ou non, qui
détermine leur comportement. C’est pourquoi la question intéressante pour l’analyse des comportements est de
savoir non pas si telle richesse est objectivement plus risquée qu’une autre, mais si cette richesse est jugée plus
risquée qu’une autre par les décideurs.
Avec des préférences représentables par une fonction de Markowitz, si deux richesses finales ont la même
espérance, tous les décideurs qui ont de l’aversion pour le risque préfèrent celle qui a la plus petite variance. Donc,
si les préférences de tous les agents étaient représentables par une fonction de Markowitz, on pourrait dire qu’une
richesse finale est perçue comme plus risquée qu’une autre de même espérance si sa variance est plus grande.
Mais si les préférences de certains agents ne sont pas représentables par une fonction de Markowitz, reste-t-il
vrai que tous les risquophobes préfèrent la richesse finale qui a la plus faible variance, à espérance donnée?
– Si oui, la variance est une mesure acceptable du risque perçu.
– Si non, la variance n’est pas une mesure acceptable du risque perçu.
Il est facile de montrer que c’est la réponse négative qui est la bonne. On construit, en effet, facilement des cas
comme celui qu’a proposé Ingersoll (1987, p.115): un agent dont les préférences sont représentées par une fonction
de Cramer U#W$ ! E W , ayant à choisir entre les deux richesses de même espérance et de variance différente

-5- JL CAYATTE
 0 4 1 9
W! W" !
0, 5 0, 5 7/8 1/8
E#W$ ! 2 E#W " $ ! 2
V#W$ ! 4 V#W " $ ! 7
U#W$ ! E W !1 U#W " $ ! E W" ! 1, 25

préfère W " à W, donc la richesse à la plus forte variance. Le risque qu’il perçoit n’est donc pas mesuré par la
variance.
Il existe cependant des cas où, à espérances égales, tous les risquophobes dont les préférences sont
représentables par une fonction d’utilité espérée, préfèrent la richesse finale dont la variance est la plus faible. Ces
cas se confondent avec ceux dans lesquels les fonctions de Markowitz suffisent à représenter les préférences.
C.- Fonctions de Markowitz et fonctions d’utilité espérée
On démontre, en recourant à l’approximation de Taylor (Annexe 2), que:
V#W$ "" " "
U#W$ ! u#E#W$$ # u #E#W$$ # 3 u """ #E#W$$ # 4 u #4$ #E#W$$ #. . .
2 3! 4!
où " r désigne le moment centré d’ordre r. De cette formule, on tire trois résultats:
1. Si la dérivée seconde u "" est égale à 0 pour toutes les valeurs de son argument, alors toutes les dérivées d’ordre
supérieur sont également nulles. Dans ce cas, la formule de Taylor n’est plus une approximation, mais une
formule exacte:
U#W$ ! u#E#W$$
Seule compte l’espérance de la richesse finale.
Les fonctions telles que u "" ! 0 sont les fonctions telles que u " ! C ste ! a, donc les fonctions affines
u ! aW # b.
Les préférences sont alors représentables par la fonction espérance: U#W$ ! E#W$.
2. Si la dérivée seconde u "" n’est pas nulle, mais constante, alors la dérivée troisième u """ et toutes les dérivées
d’ordre supérieur sont égales à 0 pour toutes les valeurs de leur argument. Dans ce cas, la formule de Taylor
n’est plus une approximation, mais une formule exacte:
V#W$ ""
U#W$ ! u#E#W$$ # u #E#W$$
2
Seules comptent l’espérance et la variance de la richesse finale.
Les fonctions telles que u "" ! C ste ! a sont les fonctions telles que u " ! aW # b et donc u ! a2 W 2 # bW # c,
c’est-à-dire les fonctions quadratiques.
Les préférences sont alors représentables par une fonction de Markowitz (non linéaire)
U#W$ ! E#W # #W 2 $ ! E#W$ # # V#W$ # &E#W$' 2
où # ! # a2 , b ! 1 et c ! 0.
Pour un risquophobe au sens strict, u "" est strictement négatif. On déduit donc de la formule de Taylor le
théorème suivant:
Tous les risquophobes dont les préférences sont représentées par une fonction d’utilité élémentaire
quadratique préférent, à espérances égales, la richesse dont la variance est la plus faible.
3. Si la dérivée d’ordre 3 n’est pas nulle, l’agent ne considère pas seulement l’espérance et la variance, mais
également des moments centrés d’ordre supérieur. Or les fonctions d’utilité quadratiques sont les seules pour
lesquelles u """ ! 0.
En découle-t-il que c’est là le seul cas dans lequel seules l’espérance et la variance comptent? La réponse est
négative, car il existe un cas particulier dans lequel les moments centrés d’ordre supérieurs à 2 non nuls sont
fonctions uniquement de la variance. Ce cas particulier est celui de la loi normale:
– comme pour toutes les lois symétriques, tous les moments centrés d’ordre impair sont nuls;
– quant aux moments centrés d’ordre pair, ils ont pour expression
" 2 ! V#X$ " 4 ! 3&V#X$' 2 " 6 ! 15&V#X$' 3 ... " 2r ! 1 & 3 & 5 &. . . #2r # 1$&V#X$' r
Donc, si la richesse finale suit une loi normale, les préférences ne dépendent que de l’espérance et de la
variance de cette richesse.
Mais ceci ne démontre pas que, de toutes les richesses qui suivent une loi normale et qui sont d’espérances
égales, tous les risquophobes préfèrent celle qui a la plus faible variance. Nous démontrerons cependant
-6- JL CAYATTE
 ci-dessous qu’il en va bien ainsi.
La variance n’étant donc pas un indicateur général du risque perçu, on recourt à la notion de dominance
stochastique d’ordre 2.

2.- Définition
On a vu qu’on ne sait pas dire si une richesse aléatoire est plus grande ou plus petite qu’une autre. Par contre, si
elle est unanimement préférée à une autre par tous ceux qui préfèrent une grande richesse à une petite, on dit que la
première domine la seconde stochastiquement à l’ordre 1.
De même, on ne sait pas dire si une richesse aléatoire est perçue comme plus risquée ou moins risquée qu’une
autre. Mais si une richesse W est unanimement préférée à une richesse W " par tous les risquophobes (dont les
préférences sont représentables par une fonction d’utilité espérée et respectent l’hypothèse de non satiété), nous
disons que W domine W " stochastiquement à l’ordre 2.
Cependant, il ne suffit pas que W soit unanimement préférée à W " pour qu’on puisse affirmer que W apparaît
comme moins risquée que W " ; le caractère plus risqué de W pourrait être compensé par une espérance plus grande.
W ne pourra être déclarée comme “perçue comme moins risquée” que si son espérance est la même que celle de W " .
C’est là un cas particulier de dominance d’ordre 2.

3.- Critères de dominance stochastique d’ordre 2

Par définition, si une richesse W domine stochastiquement la richesse finale W " à l’ordre 1, elle la domine
nécessairement à l’ordre 2, et à tous les ordres supérieurs.
Cela étant entendu, il existe un critère connu sous le nom de “condition sur les intégrales”. Si, enfin, on se limite
à la comparaison de richesses de même espérance, on peut énoncer trois théorèmes supplémentaires.
A. -Condition sur les intégrales
Enoncé
Comme pour la dominance d’ordre 1, l’énoncé de la condition nécessaire et suffisante varie légèrement selon
que l’on considère la dominance stricte (W ! W " ) ou large (W " W " ), la non satiété stricte (u " $ 0) ou large
S2 S2
(u " $ 0) et l’aversion pour le risque stricte (u "" % 0) ou large (u "" & 0). Si toutes les définitions sont strictes:
La richesse finale W de fonction de répartition F#t$
domine stochastiquement à l’ordre 2
la richesse finale W " de même espérance et de fonction de répartition G#t$
s s
si et seulement si 's ( #+ F#t$dt & ( #+ G#t$dt
avec un ensemble de valeurs de s de probabilité non nulle pour lequel l’inégalité est stricte.
c’est-à-dire si, pour toute valeur s, l’aire comprise entre l’axe horizontal et le graphe de la fonction F est inférieure
ou égale à l’aire comprise entre l’axe horizontal et le graphe de la fonction G.
Démonstration
On démontre (Annexe 3) que
f f s
W ! W " % u " #f$ ( &F#t$ # G#t$'dt # ( u "" #s$ ( e &F#t$ # G#t$'dt ds % 0
e e

1. On vérifie que si W domine W " à l’ordre 1, elle domine également à l’ordre 2.

2. Avec u " $ 0 et u "" % 0, le même raisonnement que pour la dominance d’ordre 1 montre que la condition
s
( e &F#t$ # G#t$'dt & 0
pour toute valeur de s, avec un ensemble de valeurs de s de probabilité non nulle pour lequel l’inégalité est
stricte, est à la fois nécessaire et suffisante.
On démontre (Annexe 4) que
f
E#W$ # E#W " $ ! # ( &F#t$ # G#t$'dt
e
"
La dominance d’ordre 2 exclut donc que E#W$ % E#W $.
f
3. Si on se limite aux richesses de même espérance, ( &F#t$ # G#t$'dt ! 0 et donc
e

-7- JL CAYATTE
 f s
W ! W " et E#W$ ! E#W " $
S2
% ( e u "" #s$ ( e &F#t$ # G#t$'dt ds $ 0

La condition nécessaire et suffisante est donc exactement la même que si les espérances sont inégales. Mais,
Rothschild et Stiglitz (1970) ont démontré l’équivalence de la dominance stochastique d’ordre 2 avec égalité
des espérances avec deux autres conditions: une condition dite des bruits blancs et une condition dite de
transfert de poids, qui se révèlent fort utiles. Si on y ajoute une condition nécessaire mais non suffisante, on
peut démontrer trois théorèmes. Limitons-nous donc, à présent, aux richesses de même espérance.
B.- Richesses de même espérance
Théorème n % 1: condition nécessaire mais non suffisante
Pour que la richesse finale W domine stochastiquement la richesse finale W " de même espérance à l’ordre 2, il
est nécessaire, mais non suffisant, que
V#W$ % V#W " $
a) C’est nécessaire, car les agents qui ont des préférences quadratiques préfèrent, à espérance égale, la richesse
finale dont la variance est la plus faible.
b) Ce n’est pas suffisant, comme le montre la décomposition de Taylor.
Théorème n°2: condition sur les bruits blancs
Ce théorème s’applique aux richesses finales discrètes.
a) Exemple
Soit les deux richesses de même espérance
w w#a w#a
W! W" !
1 0, 5 0, 5
W ne présente aucun risque. Il semble intuitif que tous les risquophobes devraient préférer W à W " . Mais nous
sommes désormais méfiants. Ne va-t-il pas se trouver des risquophobes pour préférer W " à W? La variance de W " est
plus forte que celle de W; mais, si la dérivée troisième u """ n’est pas nulle?
En réalité, tous les risquophobes préfèrent bien W. Cette fois, c’est l’inégalité de Jensen qui nous le montre:
U#W " $ ! E&u#W " $'
% u#E#W " $$ ! u#E#W$$ ! u#w$ ! E#u#w$$ ! U#W$
W " peut être obtenu à partir de W par l’ajout d’une variable aléatoire
#a #a
W " ! W # ' , W!w avec ' , W!w !
0, 5 0, 5
Cette opération peut être répétée sur W " . Plus généralement, on peut ajouter autant de variables aléatoires qu’il y a
de résultats possibles, pourvu que leur espérance soit nulle et qu’elles soient indépendantes les unes des autres. On
appelle bruits blancs des variables aléatoires ' , W!w d’espérance nulle et indépendantes les unes des autres.
b) Enoncé
On démontre que :
Une richesse finale W domine stochastiquement à l’ordre 2
une richesse finale W "
si W " peut être obtenue à partir de W par l’ajout de bruits blancs.
Par construction,
– W et W " ont la même espérance.
– Si on note a la plus petite et b la plus grande des valeurs possibles de W et c et d respectivement celles de W " :
c&a&b&d
"
– W a une plus grande variance que W.
De manière relâchée, on peut dire que remplacer une des richesses possibles par une variable aléatoire (dont
l’espérance est égale à cette richesse), c’est remplacer une “certitude” par une “incertitude”, comme le disent
judicieusement Eeckhoudt et Gollier (1992, p.59).
c) Démonstration
On se contentera de montrer le principe de la démonstration sur un exemple. Considérons la richesse

-8- JL CAYATTE
 w1 w2 w3 w4
W!
p1 p2 p3 p4
Considérons les résultats w 2 et w 4 , et les bruits blancs

x1 x2
$ , W!w 2 ! E#$ , W!w 2 $ ! 0
!1 !2

x "1 x "2 x "3

$ , W!w 4 ! E#$ , W!w 4 $ ! 0
! "1 ! "2 ! "3

Nous obtenons la richesse finale

W " ! W # $ , W!w 2 # $ , W!w 4

"
w1 w2 # x1 w2 # x2 w3 w 4 # x "1 w 4 # x "2 w 4 # x "3
W !
p1 p2!1 p2!2 p3 p 4 ! "1 p 4 ! "2 p 4 ! "3
Alors
E#u#W$$ ! p 1 u#w 1 $ # p 2 u#w 2 $ # p 3 u#w 3 $ # p 4 u#w 4 $
E#u#W " $$ ! p 1 u#w 1 $ # p 2 #! 1 u#w 2 # x 1 $ # ! 2 u#w 2 # x 2 $$ # p 3 u#w 3 $
# p 4 #! "1 u#w 4 # x "1 $ # ! "2 u#w 4 # x "2 $ # ! "3 u#w 4 # x "3 $$
L’inégalité de Jensen nous dit que si u est strictement concave:
u#E#X$$ $ E#u#X$$
et donc
u#w 2 $ $ ! 1 u#w 2 # x 1 $ # ! 2 u#w 2 # x 2 $
u#w 4 $ $ ! "1 u#w 4 # x "1 $ # ! "2 u#w 4 # x "2 $ # ! "3 u#w 4 # x "3 $
Donc
E#u#W$$ $ E#u#W " $$
N.B. Par construction, la variance de W " est plus élevée que celle de W; mais ce n’est pas pour cette raison que W
domine W " .
Théorème n°3: les transferts de poids
a) Notion de transfert de poids
On peut présenter l’ajout d’un bruit blanc comme un transfert de probabilité, ou poids, maintenant l’espérance
mathématique de la richesse. Soit, par exemple, la richesse finale
10 20 30
W! E#W$ ! 21
0, 1 0, 7 0, 2
Enlevons du poids au résultat 20, en faisant passer sa probabilité de 0,7 à 0,4 par exemple. Affectons-en 2/7 (soit
une probabilité de 0,2) à un nouveau résultat possible, 1 par exemple, et le reste (donc une probabilité de 0,1), à une
valeur x telle que l’espérance reste constante:
1 10 20 x 30
W" ! E#W " $ ! 15, 2 # 0, 1x
0, 2 0, 1 0, 4 0, 1 0, 2
Pour que E#W " $ ! E#W$, il faut que x ! 58, soit
1 10 20 30 58
W" !
0, 2 0, 1 0, 4 0, 2 0, 1
On vérifie sans peine que W " ! W # ' , W!20 où
#19 0 #38
' , W!20 !
2/7 4/7 1/7

-9- JL CAYATTE
 L’avantage de la présentation en termes de transfert de poids est qu’on peut l’appliquer à une richesse continue.
b) Enoncé
Partons de la fonction de densité de probabilité f#t$ de W pour construire celle g#t$ de W " . Diminuons la densité
de probabilité sur un intervalle &x 1 , x 2 ' d’une valeur %#t$. Répartissons-la pour ##t$ sur l’intervalle &y 1 , y 2 ' et &#t$
sur l’intervalle &z 1 , z 2 ', respectivement à droite et à gauche de &x 1 , x 2 ', éventuellement en sortant de l’intervalle sur
lequel f#t$ est strictement positive, de manière à obtenir une nouvelle variable aléatoire W " de même espérance.
Figure 3
Rothschild et Stiglitz (1970) ont démontré qu’une richesse W " obtenue de cette manière à partir d’une richesse W
était dominée stochastiquement à l’ordre 2 par W. La démonstration formelle est trop fastidieuse pour être
reproduite ici.
c) Cas particulier
Soit les deux richesses finales W ˆ N#"; ' 2 $ et W " ˆ N#"; v 2 $ avec v 2 $ ' 2 . La densité de probabilité de
W " est obtenue par transfert de poids d’un intervalle centré sur " vers la droite et la gauche:
Figure 4
Par conséquent, entre deux richesses finales suivant des lois normales de même espérance, tous les
risquophobes préfèrent celle qui a la plus petite variance (nous savions seulement, jusqu’à présent, que, dans ce cas,
une fonction de Markowitz suffisait pour représenter les préférences).

Conclusion
L’utilité de la notion de dominance stochastique est de limiter de manière décisive la spécification des fonctions
d’utilité. Par exemple, il suffit de supposer que des agents sont risquophobes pour montrer qu’ils ont intérêt à former
une mutuelle pour assurer leurs biens. Cependant, ce n’est pas sur l’intérêt, relativement évident, de la notion de
dominance que nous souhaitons conclure, mais sur les rapports entre économie et mathématiques (ou statistiques), à
propos de deux points.
1. Pour la dominance stochastique d’ordre 1, nous avons fait le chemin dans le sens suivant: quelles sont les
caractéristiques des richesses telles que tous les agents dont les préférences satisfont l’hypothèse de non satiété
préfèrent W à W " ? La réponse a été F#t$ & G#t$.
Mais, comme c’est là une condition à la fois nécessaire et suffisante, le chemin peut être parcouru en sens
inverse, à savoir: on définit la dominance stochastique d’ordre 1 par la condition F#t$ & G#t$; puis on démontre
que tous les agents dont les préférences satisfont l’hypothèse de non satiété préfèrent W à W " . Enfin on conclut
que la notion de dominance stochastique est utile à l’économiste. Telle est la démarche notamment de Laffont
et d’Ingersoll.
Cette démarche présente donc les économistes comme découvrant l’intérêt d’une propriété statistique. Mais on
voit mal quel intérêt aurait la notion purement statistique de dominance en l’absence d’une fonction d’utilité u
croissante qui, seule semble-t-il, lui donne un sens.
2. Nous n’avons pas déclaré que si W ! W " , W était plus grande que W " , ou que si W ! W " et que leurs
S1 S2
espérances étaient égales, W était plus risquée que W " . C’est cependant ce que font, à la suite de Rothschild et
Stiglitz eux-mêmes, Laffont, Ingersoll ou Eeckhoudt et Gollier.
Pour la dominance stochastique à l’ordre 1, leur raisonnement sous-jacent peut s’exprimer sous la forme
suivante: en univers certain, il est équivalent de dire que les agents dont les préférences respectent l’hypothèse
de non satiété préfèrent une grande richesse à une petite, ou de dire qu’une richesse est plus grande qu’une
autre si tous les agents dont les préférences respectent l’hypothèse de non satiété la préfèrent à une autre. Donc
on peut transposer en univers incertain, en gardant la deuxième proposition: on déclare donc qu’une richesse
est plus grande qu’une autre si elle est unanimemement préférée par les agents dont les préférences respectent
l’hypothèse de non satiété. De même pour le risque et la dominance stochastique avec espérances égales.
Le reproche que nous nous permettons à l’égard de cette manière de s’exprimer est le suivant: à quoi bon un
concept de dominance d’ordre 1 s’il est synonyme de supériorité, d’ordre 2 s’il est synonyme de moindre
risque? Au contraire, la notion de dominance permet de faire la distinction. Au concours de beauté de Keynes,
ne vaut-il pas mieux dire que la personne qui remporte le premier prix est unanimement considérée comme la
plus belle, plutôt que de dire qu’elle est la plus belle?
Mais il est clair qu’il s’agit là uniquement de manières de s’exprimer, et non de problèmes de fond.
-10- JL CAYATTE
 Références
Louis EECKHOUDT et Christian GOLLIER, Les risques financiers. Evaluation, Gestion, Partage, Edisciences
International, 1992.
Jonathan E. INGERSOLL, Jr, Theory of Financial Decision Making, Rowman & Littlefield, 1987.
Frank KNIGHT, Risk, Uncertainty and Profit, Houghton Mifflin, 1921.
Jean-Jacques LAFFONT, Economie de l’incertain et de l’information, Economica, 1991 (première édition,
1985). Traduction anglaise: The Economics of Uncertainty and Information, The MIT Press, 1989.
Michael ROTHSCHILD et Joseph E. STIGLITZ, ‘Increasing risk: I. A Definition’, Journal of Economic
Theory, 1970 volume 2, p.225-243.
Michael ROTHSCHILD et Joseph E. STIGLITZ, ‘Increasing risk: II. Its Economic Consequences’, Journal of
Economic Theory, 1971 volume 3, p.66-84.

-11- JL CAYATTE
 Annexe 1.- Dominance stochastique d’ordre 1
Partons de
f
W ! W " % ( u#t$&f#t$ # g#t$'dt $ 0
e

Intégrons par partie, en appliquant la formule

f f
( e uv " dt ! &uv' fe # ( e u " vdt
et en posant
u ! u#t$ u " ! u " #t$
v ! F#t$ # G#t$ v " ! f#t$ # g#t$
soit
f
&u#t$&F#t$ # G#t$'' fe # ( u " #t$&F#t$ # G#t$'dt $ 0
e
f
u#f$&F#f$ # G#f$' # u#e$&F#e$ # G#e$' $ ( e u " #t$&F#t$ # G#t$'dt
f
u#f$&1 # 1' # u#e$&0 # 0' $ ( e u " #t$&F#t$ # G#t$'dt
ou encore
f
( e u " #t$&F#t$ # G#t$'dt % 0

Annexe 2.- Décomposition de Taylor des fonctions d’utilité

espérée
L’approximation de Taylor s’écrit, pour la fonction f#x$:
2 3
f#x # h$ ! f#x$ # hf " #x$ # h f "" #x$ # h f """ #x$ #. . .
2! 3!
Approximons la fonction élémentaire u#w i $ en fonction de sa valeur au point E#W$, qui correspond donc au x de la
formule de Taylor. Le h de cette formule est alors w i # E#W$. On en déduit l’approximation de la fonction
U#W$ ! E&u#W$'.
Fonction élémentaire et donc
u#w i $ U#W$ ! E&u#W$' ! - p i u#w i $
! u#E#W$$ ! - p i u#E#W$$ ! u#E#W$$
##w i # E#W$$u " #E#W$$ # - p i &#w i # E#W$$u " #E#W$$' #0
#w i #E#W$$ 2 #w i #E#W$$ 2 V#W$
# 2
u "" #E#W$$ # - pi 2
u "" #E#W$$ # 2
u "" #E#W$$
#w i #E#W$$ 3 #w i #E#W$$ 3 "3
# 3!
u """ #E#W$$ # - pi 3!
u """ #E#W$$ # 3!
u """ #E#W$$
"4
#. . . #. . . # 4!
u #4$ #E#W$$ #. . .

Annexe 3.- Dominance stochastique d’ordre 2

Nous ne donnons la démonstration que pour deux richesses représentées par une variable continue bornée.
Partons de la formule établie lors de l’étude de la dominance stochastique d’ordre 1
f
W ! W" % ( e u " #s$&F#s$ # G#s$'ds % 0
Intégrons par partie, en appliquant la formule
f f
( e u " v " ds ! &u " v' fe # ( e u "" vds
avec

-12- JL CAYATTE
 s
v#s$ ! ( &F#t$ # G#t$'dt v " #s$ ! F#s$ # G#s$
e

soit
s f f s
u " #s$ ( &F#t$ # G#t$'dt # ( u "" #s$ ( e &F#t$ # G#t$'dt ds % 0
e e e
f e f s
u " #f$ ( &F#t$ # G#t$'dt # u " #e$ ( &F#t$ # G#t$'dt # ( u "" #s$ ( e &F#t$ # G#t$'dt ds % 0
e e e
f f s
u " #f$ ( &F#t$ # G#t$'dt # ( u "" #s$ ( e &F#t$ # G#t$'dt ds % 0
e e

Annexe 4.- Espérances et intégrales des fonctions de répartition

f
Montrons que ( &F#t$ # G#t$'dt est de signe opposé à celui de E#W$ # E#W " $. Par définition de l’espérance,
e
f f
E#W$ # E#W " $ ! ( e tf#t$dt # ( e tg#t$dt
Intégrons par partie, en appliquant la formule
f f
( e uv " dt ! &uv' fe # ( e u " vdt
avec
u!t u" ! 1
v ! F#t$ v " ! f#t$
soit
f f
E#W$ # E#W " $ ! &tF#t$' fe # ( 1 & F#t$dt # &tG#t$' fe # ( 1 & G#t$dt
e e
f f
! &f & 1 # e & 0' # ( F#t$dt # &f & 1 # e & 0' # ( G#t$dt
e e
f
! # ( &F#t$ # G#t$'dt
e
f
En particulier, si W et W ont la même espérance, ( &F#t$ # G#t$'dt ! 0 et inversement.
"
e

-13- JL CAYATTE