{
const COL_W = 155, GAP = 22, PAD = 16;
const HDR_H = 36, NODE_H = 40, NODE_GAP = 10;
const sections = [
{
label: "Fondations",
hue: "#64748B",
chapters: [
{ label: "Notations", url: "notation.html" }
]
},
{
label: "Une variable",
hue: "#2563EB",
chapters: [
{ label: "Stats univariée", url: "univariate.html" },
{ label: "Probabilités", url: "probability.html" },
{ label: "Lois à densité", url: "density-function.html" },
{ label: "Loi normale", url: "normal-distribution.html" }
]
},
{
label: "Deux variables",
hue: "#16A34A",
chapters: [
{ label: "Stats bivariée", url: "bivariate.html" },
{ label: "Couples à densité", url: "joint-continuous-random-variables.html" },
{ label: "Révision", url: "revision-two-variables.html" },
{ label: "Exercices", url: "exercises-two-variables.html" }
]
},
{
label: "Convergence",
hue: "#EA580C",
chapters: [
{ label: "Convergence", url: "convergence-random-variables.html" }
]
},
{
label: "Inférence",
hue: "#9333EA",
chapters: [
{ label: "Échantillonnage", url: "sampling-distribution.html" },
{ label: "Estimation", url: "point-estimation.html" }
]
}
];
const maxN = d3.max(sections, s => s.chapters.length);
const W = sections.length * COL_W + (sections.length - 1) * GAP + 2 * PAD;
const H = PAD + HDR_H + NODE_GAP + maxN * (NODE_H + NODE_GAP) + PAD;
function alpha(hex, a) {
const r = parseInt(hex.slice(1, 3), 16),
g = parseInt(hex.slice(3, 5), 16),
b = parseInt(hex.slice(5, 7), 16);
return `rgba(${r},${g},${b},${a})`;
}
const svg = d3.create("svg")
.attr("viewBox", `0 0 ${W} ${H}`)
.attr("width", "100%")
.style("font-family", "system-ui,-apple-system,sans-serif")
.style("overflow", "visible");
// Single arrowhead marker (auto-orient: works for horizontal & vertical lines)
svg.append("defs").append("marker")
.attr("id", "arr")
.attr("viewBox", "0 -4 8 8")
.attr("refX", 7).attr("refY", 0)
.attr("markerWidth", 5).attr("markerHeight", 5)
.attr("orient", "auto")
.append("path")
.attr("d", "M0,-4L8,0L0,4")
.attr("fill", "#94A3B8");
sections.forEach((sec, i) => {
const sx = PAD + i * (COL_W + GAP);
// Column background
svg.append("rect")
.attr("x", sx).attr("y", PAD)
.attr("width", COL_W).attr("height", H - 2 * PAD)
.attr("rx", 8)
.attr("fill", alpha(sec.hue, 0.05))
.attr("stroke", alpha(sec.hue, 0.2))
.attr("stroke-width", 1.5);
// Header fill (rounded top, square bottom via overlap)
svg.append("rect")
.attr("x", sx).attr("y", PAD)
.attr("width", COL_W).attr("height", HDR_H)
.attr("rx", 8)
.attr("fill", alpha(sec.hue, 0.15));
svg.append("rect")
.attr("x", sx).attr("y", PAD + HDR_H - 8)
.attr("width", COL_W).attr("height", 8)
.attr("fill", alpha(sec.hue, 0.15));
// Header label
svg.append("text")
.attr("x", sx + COL_W / 2).attr("y", PAD + HDR_H / 2)
.attr("dy", "0.35em")
.attr("text-anchor", "middle")
.attr("fill", sec.hue)
.attr("font-size", "12px")
.attr("font-weight", "600")
.text(sec.label);
// Arrow to next section
if (i < sections.length - 1) {
svg.append("line")
.attr("x1", sx + COL_W + 3).attr("y1", PAD + HDR_H / 2)
.attr("x2", sx + COL_W + GAP - 3).attr("y2", PAD + HDR_H / 2)
.attr("stroke", "#CBD5E1")
.attr("stroke-width", 1.5)
.attr("marker-end", "url(#arr)");
}
// Chapter nodes
sec.chapters.forEach((ch, j) => {
const ny = PAD + HDR_H + NODE_GAP + j * (NODE_H + NODE_GAP);
const nw = COL_W - 20;
// Arrow between consecutive chapters within section
if (j > 0) {
svg.append("line")
.attr("x1", sx + COL_W / 2).attr("y1", ny - NODE_GAP + 1)
.attr("x2", sx + COL_W / 2).attr("y2", ny - 1)
.attr("stroke", alpha(sec.hue, 0.35))
.attr("stroke-width", 1)
.attr("marker-end", "url(#arr)");
}
const g = svg.append("a")
.attr("href", ch.url)
.style("cursor", "pointer");
g.on("mouseenter", function() {
d3.select(this).select("rect")
.attr("stroke-width", 2.5)
.style("filter", "drop-shadow(0 2px 6px rgba(0,0,0,0.18))");
})
.on("mouseleave", function() {
d3.select(this).select("rect")
.attr("stroke-width", 1.5)
.style("filter", null);
});
g.append("rect")
.attr("x", sx + 10).attr("y", ny)
.attr("width", nw).attr("height", NODE_H)
.attr("rx", 5)
.attr("fill", "white")
.attr("stroke", alpha(sec.hue, 0.45))
.attr("stroke-width", 1.5);
g.append("text")
.attr("x", sx + 10 + nw / 2).attr("y", ny + NODE_H / 2)
.attr("dy", "0.35em")
.attr("text-anchor", "middle")
.attr("fill", sec.hue)
.attr("font-size", "11px")
.attr("font-weight", "500")
.text(ch.label);
});
});
return svg.node();
}
“Tous les modèles sont faux, mais certains sont utiles.” — George E. P. Box
Ce cours introduit les probabilités et les statistiques comme outils de modélisation de l’incertitude et d’analyse de données. Il s’articule autour de trois axes complémentaires :
- La théorie des variables aléatoires continues (densités, lois classiques);
- les théorèmes de convergence (loi des grands nombres, théorème central limite);
- Les statistiques descriptives et inférentielles (résumé de données, estimation, tests).
1 Objectifs pédagogiques
À l’issue de ce module, l’étudiant sera capable de :
- Calculer des probabilités pour des variables aléatoires à densité et maîtriser les lois classiques (uniforme, exponentielle, normale).
- Analyser des couples de variables aléatoires : densités conjointes, indépendance, covariance, et loi de la somme par convolution.
- Comprendre et appliquer les théorèmes limites (loi des grands nombres, théorème central limite) à des problèmes concrets.
- Décrire et résumer des données uni- et bivariées à l’aide des outils de statistique descriptive.
- Construire des estimateurs (méthode des moments, maximum de vraisemblance) et des intervalles de confiance.
2 Plan des séances
| # | Séance | Sujets abordés |
|---|---|---|
| 1 | Statistiques univariées | Histogramme, fonction de répartition, résumés |
| 2 | Probabilités discrètes | Lois de Bernoulli, binomiale, Poisson |
| 3 | Lois à densité | Loi uniforme, exponentielle, espérance, variance |
| 4 | Loi normale | \(\mathcal{N}(0,1)\), standardisation, \(\chi^2\) |
| 5 | Statistiques bivariées | Contingence, indépendance, test du \(\chi^2\) |
| 6 | Intégrales sur \(\mathbb{R}^2\) | Tonelli-Fubini, domaines d’intégration |
| 7 | Lois conjointes | Densités conjointes, covariance, convolution |
| 8 | Convergence | LGN, théorème central limite |
| 9 | Échantillonnage | Moyenne et variance empiriques, lois exactes |
| 10 | Estimation | Moments, maximum de vraisemblance, IC |
3 Carte du cours
Le cours se déroule en cinq phases — cliquez sur un chapitre pour y accéder.
4 Contenu du cours
4.1 Fondations
Notations mathématiques — Guide de lecture · Symboles probabilistes (\(P\), \(\mathbb{E}\), \(\sigma\)) vs statistiques (\(\bar{x}\), \(s\)) · Conventions du cours
4.2 Une variable
- Statistiques univariées — Série discrète et continue · Histogramme (densité) · Fonction de répartition empirique · Médiane, quartiles, écart interquartile · Moyenne, variance, König-Huygens · Transformations affines
- Probabilités discrètes — Variables aléatoires discrètes · Loi de probabilité · Espérance et variance · Lois de Bernoulli, binomiale, géométrique, Poisson · Approximation de la loi binomiale
- Lois à densité — Intégrales généralisées · Densité et fonction de répartition · Loi uniforme \(\mathcal{U}([a,b])\) · Loi exponentielle \(\mathcal{E}(\lambda)\) · Espérance, variance, écart-type
- Loi normale — Loi \(\mathcal{N}(0,1)\) et table \(\Phi\) · Standardisation · Loi \(\mathcal{N}(m,\sigma^2)\) · Stabilité par somme · Loi log-normale · Loi du khi-deux \(\chi^2_n\)
4.3 Deux variables
- Statistiques bivariées — Tableau de contingence · Distributions marginales et conditionnelles · Indépendance statistique · Test du \(\chi^2\) d’indépendance · Résidus standardisés
- Intégrales sur \(\mathbb{R}^2\) — Tonelli-Fubini · Domaine d’intégration · Changement d’ordre · Calculs sur triangles, rectangles et supports non rectangulaires
- Loi conjointe d’un couple de variables aléatoires continues — Densité sur \(\mathbb{R}^2\) · Support · Probabilités sur une région · Lecture géométrique
- Lois marginales — Marginalisation · Densités conditionnelles · Indépendance par factorisation · Interprétation géométrique
- Couples de variables à densité — Vue d’ensemble · Indépendance · Covariance et corrélation · Espérance de fonctions · Convolution
- Révision — Probabilités et statistiques à deux variables — Synthèse des cinq chapitres · Méthodes de calcul · Formulaire minimal · Pièges classiques
- Feuille d’exercices — Probabilités et statistiques à deux variables — 8 exercices progressifs · Corrigés repliables · Statistiques bivariées, densités, covariance et convolution
4.4 Convergence
- Convergence de variables aléatoires — Inégalités de Markov et Bienaymé-Tchebychev · Convergences en probabilité, en loi, en moyenne quadratique · Loi faible des grands nombres · Théorème central limite · Approximation de la loi binomiale
4.5 Inférence
- Distribution d’échantillonnage — Échantillon i.i.d. · Statistique · Moyenne empirique (espérance, variance, loi) · Variance empirique corrigée et biais · Lois exactes en cas gaussien (\(\mathcal{N}\), \(\chi^2\))
- Estimation — Estimateur, biais, erreur quadratique · Méthode des moments · Maximum de vraisemblance · Intervalles de confiance pour une proportion, une moyenne, une variance
4.6 Annexes
Tables statistiques — Table de la loi de Poisson · Quantiles du \(\chi^2\) · Quantiles de la loi de Student
4.7 Projet intégrateur
Projet intégrateur du module — Étude de cas complète · Données réelles ou simulées · Modélisation probabiliste · Convergences, TCL, Monte-Carlo · Estimation et recommandations
5 Évaluation du module
Ce cours s’appuie sur une approche d’apprentissage actif [@sheldon_multiplayer_2020] : les étudiants progressent au travers de missions, accumulent des points d’expérience (XP) et débloquent des niveaux au fil du semestre.
5.1 Niveaux
| Niveau | Titre | XP requises |
|---|---|---|
| 1 | Analyste Junior | < 400 |
| 2 | Analyste Confirmé | ≥ 400 |
| 3 | Stratège Financier | ≥ 800 |
| 4 | Expert en Stratégie Financière | ≥ 1 200 |
5.2 Activités notées
Chaque activité du cours génère des XP selon son type :
| Activité | Description | XP |
|---|---|---|
| Feuille d’exercices | Rendue individuellement avant chaque séance via le site du cours | 50 |
| Participation en séance | Questions, réponses et discussions lors des corrections | 20 |
| Mission de groupe | Étude de cas appliquée réalisée en binôme ou trinôme | 100 |
| Examen écrit | Contrôle final sur table (2 h) couvrant l’ensemble du cours | 200 |
6 Utilisation du site du cours
Le site du cours est votre référence principale tout au long du semestre. Il est attendu que vous :
- Consultiez les chapitres avant chaque séance pour vous familiariser avec les notions abordées.
- Téléchargiez et complètiez la feuille d’exercices associée à chaque chapitre, puis déposiez votre travail avant le délai fixé.
- Vérifiez vos solutions en déroulant les corrigés détaillés disponibles sur chaque feuille d’exercices.
- Utilisiez les tables statistiques (loi de Poisson, \(\chi^2\), Student) en ligne lors de vos révisions et à l’examen.
7 Bibliographie recommandée
| Author(s) | Title | Edition | Publisher/Source |
|---|---|---|---|
| Saporta, G. | Probabilités, analyse des données et statistique | 3e | Technip |
| Wackerly, D.; Mendenhall, W.; Scheaffer, R. | Mathematical Statistics with Applications | 7th | Cengage |
| Ross, S. | A First Course in Probability | 10th | Pearson |
Citation
BibTeX citation:
@online{gilles,
author = {Gilles, Guillaume},
title = {Probabilités \& {Statistiques}},
url = {https://ggilles.dev/teaching/probability/},
langid = {en}
}
For attribution, please cite this work as:
Gilles, Guillaume. n.d. “Probabilités & Statistiques.”
https://ggilles.dev/teaching/probability/.