programme des enseignements de 2e année - ensai.fr 2015 2016... · ensai èmeprogramme des...

Programme des enseignements de 2e année

ANNEE SCOLAIRE 2015 / 2016

Ensai Programme des enseignements de 2ème année 2015/2016

1

PROGRAMME DES ENSEIGNEMENTS DE 2ÈME ANNÉE

ANNÉE SCOLAIRE 2015/2016


3

Table des matières

Présentation générale des enseignements ............................................................................ 5

Les grands domaines d'enseignement ................................................................................... 9

Tableau récapitulatif des enseignements 2A ....................................................................... 19

Enseignements du premier semestre .................................................................................. 21

Modèles de régression .......................................................................................................... 23 Séries temporelles ................................................................................................................. 25 Statistique exploratoire multivariée ..................................................................................... 27 Théorie des sondages ............................................................................................................ 28 Projet informatique ............................................................................................................... 30 Econometrics I ....................................................................................................................... 31 Econometrics II ...................................................................................................................... 33 Analyse de variance ............................................................................................................... 34 Anglais ................................................................................................................................... 35

Enseignements du deuxième semestre : tronc commun pour les élèves attachés .............. 37

Projet statistique ................................................................................................................... 39 Modèle linéaire généralisé et régression sur variables catégorielles ................................... 40 Données manquantes ........................................................................................................... 41 Méthodes de discrimination ................................................................................................. 42 Visualisation de données....................................................................................................... 43 Cartographie .......................................................................................................................... 44 Microéconométrie ................................................................................................................ 45 Economie du risque ............................................................................................................... 46 Empirical Macroeconomics ................................................................................................... 47 Panorama du Big Data ........................................................................................................... 48

Enseignements du deuxième semestre : tronc commun pour les élèves ingénieurs ........... 49

Projet statistique ................................................................................................................... 51 Modèle linéaire généralisé et régression sur variables catégorielles ................................... 52 Statistique computationnelle ................................................................................................ 53 Modèles de durée ................................................................................................................. 55 Programmation objet en C++ ................................................................................................ 56 Programmation avancée en R ............................................................................................... 58 Econométrie non paramétrique ............................................................................................ 59 Economie du risque ............................................................................................................... 61


4

Enseignements de deuxième semestre : cours électifs ....................................................... 62

Modèles avancés de régression ............................................................................................. 63 Chaînes de Markov ................................................................................................................ 65 Analyse de données répétées (pour les élèves ingénieurs) ................................................... 66 Martingales et processus de Lévy .......................................................................................... 67 Modèles de durée .................................................................................................................. 68 Méthodes de discrimination (pour les élèves ingénieurs) ..................................................... 69 Technologies mobiles ............................................................................................................ 70 Visual Basic Application (pour les élèves ingénieurs) ............................................................. 71 Panorama du Big Data (pour les élèves ingénieurs) ............................................................... 72 Education, Human Capital, and Growth ................................................................................ 73 Economie des contrats........................................................................................................... 74 Economie Industrielle ............................................................................................................ 75

Enseignements optionnels et de communication ................................................................ 77

Projet professionnel ingénieurs ............................................................................................. 78 Projet professionnel attachés ................................................................................................ 79 Participation aux activités associatives .................................................................................. 80 Sport....................................................................................................................................... 82 Cours d’ouverture .................................................................................................................. 83 Langues optionnelles ............................................................................................................. 84

Enseignements spécifiques aux élèves attachés .................................................................. 85

LibreOffice Basic..................................................................................................................... 86 Méthodologie d’enquête ....................................................................................................... 87 Techniques rédactionnelles ................................................................................................... 88 Comptabilité nationale .......................................................................................................... 89


5

Présentation générale des enseignements

Créée depuis près de 20 ans, l’Ensai est la seule grande école d’ingénieurs habilitée par la Commission des Titres d’Ingénieur, à être spécialisée dans le traitement de l’information et la statistique. L’école est positionnée sur un secteur en pleine croissance, afin de répondre aux demandes de plus en plus nombreuses des entreprises dans le domaine de l’analyse de l’information. Par ses six filières, l’école offre des compétences reconnues dans des spécialités encore nouvelles et qui trouvent leur place dans un nombre croissant de secteurs d’activités, de l’industrie à la banque, en passant par les services aux entreprises ou la santé , en France ou à l’étranger. Pour permettre aux élèves d’accéder aux multiples fonctions de l’ingénierie statistique, l’enseignement s’appuie sur 3 grands piliers : statistique, informatique et économie. La scolarité se déroule en trois ans pour les élèves ingénieurs et en deux ans pour les élèves attachés. Ces derniers ont cependant la possibilité d’obtenir un diplôme de master en statis-tique publique dans le cadre de la formation continue de l’Insee. Durant les deux premières années de scolarité à l'Ensai, les élèves ingénieurs et les élèves attachés suivent en commun la plupart des enseignements, passent les mêmes contrôles, sont notés ensemble. Toutefois au second semestre de 2

ème année, les parcours se différen-

tient sensiblement. Les élèves ingénieurs ont des enseignements qui les renforcent dans les compétences d’ingénieur statisticien et les préparent aux filières de 3

ème année. Les élèves

attachés reçoivent une formation plus orientée vers les connaissances utiles au statisticien public, que ce soit en tant que méthodologue chargé d’études ou concepteur d’enquêtes.

PREMIERE ANNEE

En première année, les enseignements (en statistique, probabilités, mathématiques, informa-tique, économie, sciences sociales, gestion) introduisent aux méthodes de raisonnement et aux connaissances de base nécessaires pour acquérir une bonne culture générale dans les domaines abordés, méthodes et connaissances qui seront approfondies et complétées dans les enseignements de seconde et de troisième année. Pour tenir compte des connaissances spécifiques des élèves recrutés, les programmes sont différenciés selon la voie d’entrée. Ainsi les élèves venant de la voie mathématique (concours communs polytechniques, L3 math…) ou des IUT Stid ont un enseignement renforcé en éco-nomie au 1

er semestre pour rattraper leur retard par rapport aux élèves venant de la voie

« économie ». De façon symétrique, les élèves venant de la voie économie (prépa BL, Cachan D2, L3 écono-mie…) suivent des cours complémentaires de mathématiques (algèbre, td d’analyse) pour acquérir les bases utiles dans l’apprentissage ultérieur des statistiques.


6

La pédagogie des enseignements des probabilités et des bases de la statistique est aussi adap-tée à ces différences de cursus d’origine, pour faciliter l’assimilation des notions nouvelles. En informatique, les étudiants issus de la voie mathématique et de la voie IUT Stid suivent un cours de complexité et de calculabilité tandis que les autres étudiants bénéficient d’un cours d’introduction à l’algorithmique et à la programmation. Les autres enseignements sont communs et permettent de regrouper toute la promotion de 1

ère année. Il s’agit notamment des logiciels statistiques (SAS, R), la macro et la microécono-

mie, les cours d’ouverture et l’anglais. A l’issue de cette 1

ère année, les élèves disposent d’un socle de connaissances commun en

mathématique/statistique, économie et informatique qui leur permet de poursuivre en 2ème

année dans un cursus où l’origine n’est plus différenciée. Un stage de un à deux mois conclut cette 1

ère année : stage de découverte de la statistique

publique pour les attachés stagiaires et stage opérateur pour les élèves ingénieurs.

DEUXIEME ANNEE

Au cours de la deuxième année, l'enseignement se poursuit au travers de cours fondamen-taux, pour certains introductifs, pour d'autres d’approfondissement. L’essentiel est dispensé sous forme d’enseignements de tronc commun. Pour autant, au 2

ème semestre, les élèves

choisissent aussi des cours électifs en fonction de leurs souhaits et des connaissances qu’ils veulent acquérir pour préparer leur spécialisation de 3

ème année (ingénieurs élèves) ou leur

entrer dans le monde professionnel (la plupart des élèves attachés). Pour les élèves ingénieurs, l’année se termine par un stage d’application en statistique de 2 à 3 mois.

TROISIEME ANNEE

Les filières de troisième année ne concernent que les élèves ingénieurs. Elles visent à leur donner une véritable spécialisation, tout en leur faisant découvrir progressivement l’univers professionnel. Les intervenants sont, pour l’essentiel, issus du monde de l’entreprise, ce qui permet aux étudiants d’avoir un premier aperçu des problématiques auxquelles ils seront confrontés à la sortie de l’École. L’enseignement est complété par des séminaires profession-nels. La formation est ensuite clôturée par un stage de fin d’études de 5 à 6 mois, à partir de début avril. Placés dans des services statistiques, informatiques ou économiques d'entreprises pu-bliques ou privées, les stagiaires y apprennent à mobiliser et mettre en œuvre les connais-sances acquises à l'École et découvrent leur futur milieu professionnel.

LES SIX FILIERES DE SPECIALISATION DE 3E ANNEE

Gestion des risques et ingénierie financière Cette filière répond aux développements accélérés des marchés financiers et à la pratique de la gestion des risques au sein des organismes financiers. Grâce à une approche transversale qui allie l’utilisation intensive des statistiques, la modélisation stochastique et des méthodes numériques, ainsi que la conception et le perfectionnement des applications informatiques, cette filière entend former des ingénieurs à la pointe des innovations financières et technolo-giques. Les trois grands domaines de compétences de cette filière sont : la réglementation et la gestion des risques bancaires – l’allocation et les stratégies d’investissement – l’innovation en ingénierie financière.


7

Marketing quantitatif et revenue management Cette filière répond à l’importance croissante accordée au marketing relationnel. L’étude du comportement du consommateur est vitale pour toute organisation en raison des consé-quences qu’elle entraîne pour toutes les décisions marketing : positionnement des marques, segmentation des marchés, développement de nouveaux produits, stratégies publicitaires, choix de canaux de distribution, etc. Cette analyse fait appel à des systèmes d’aide à la déci-sion, dont les composantes sont les bases de données recueillies dans l’organisation ou son environnement, les méthodes statistiques qui permettent d’analyser ces données ainsi que de nombreux modèles théoriques. L’approche est pluridisciplinaire, avec la mobilisation de connaissances en économie mais aussi en psychologie ainsi qu’en sociologie.

Statistique pour les sciences de la vie Après des compléments en statistique, notamment en données de survie, modèles mixtes et analyse séquentielle, les enseignements apportent les outils nécessaires pour une spécialisa-tion dans le domaine de l’expérimentation. Les cours d’épidémiologie, d’essais cliniques et de plans d’expériences permettent en particulier aux étudiants de recevoir une solide formation pour des applications dans le secteur de la santé.

Génie statistique Cette voie de spécialisation donne aux étudiants des compétences avancées dans divers do-maines de la statistique appliquée à l’industrie, aux services, à l’environnement. Les thèmes abordés incluent la qualité et la fiabilité, le traitement de l’image et du signal, ainsi que la prévision et ses applications, notamment dans le domaine de l’environnement.

Statistique et ingénierie des données A l’issue de cette filière, les étudiants possèdent des compétences complémentaires dans le traitement de l’information, notamment dans les domaines du datamining et des technolo-gies web. Les quatre piliers d’enseignement de cette voie couvrent l'informatique décision-nelle, la manipulation de larges volumes de données, les bases de données et le développe-ment d’applications en réseau. Cette filière ouvre sur de très nombreux domaines profession-nel, le métier de « Data Scientist » étant omniprésent aujourd’hui dans les grands groupes.

Ingénierie statistique des territoires et de la santé Cette filière vise à donner un bagage en ingénierie statistique et économétrie appliqué à la connaissance des dynamiques territoriales et à la santé, et permettant l’évaluation des poli-tiques publiques. Les outils statistiques et économétriques, notamment en microéconomé-trie, constituent le socle de cette filière. Mais les enseignements vont bien au-delà et donnent une vision globale des dynamiques de territoire (marché du travail, migration, urbanisation…), ils font le lien avec l’évaluation économique de la santé qui prend une place majeure en France et dans le monde. Les liens entre démographie et santé, urbanisation et économie spatiale sont, par exemple, étudiés avec l’œil à la fois du politique public et du statisticien. Cette filière ouvre sur de très nombreux domaines de la décision économique, que ce soit dans le secteur public (ministères, santé, sécurité sociale...) ou privé (cabinets d'étude, labo-ratoires pharmaceutiques, bureaux de conseils...).

L’OPTION DE FORMATION PAR LA RECHERCHE

Les élèves qui souhaitent faire de la recherche théorique ou appliquée après l'Ensai peuvent bénéficier de facilités offertes au cours de leur scolarité : possibilité, dans le cadre de conven-tions passées avec des universités, de suivre des cours de master 2 pendant leur troisième


8

année pour obtenir ce diplôme en même temps que celui de l'Ensai, d’avoir des contacts privilégiés avec les laboratoires de recherche universitaires et ceux d'autres Grandes Écoles, avec le Centre de Recherche en Économie et Statistique du Groupe des Écoles Nationales d’Économie et Statistique – le Crest –, de bénéficier d'un encadrement personnalisé par un « tuteur » spécialiste du domaine dans lequel l'élève souhaite poursuivre ses recherches, possibilité d'effectuer le stage de troisième année dans un laboratoire de recherche, etc.

LE MASTER EN STATISTIQUE PUBLIQUE

Les élèves titularisés comme attachés statisticiens de l'Insee peuvent obtenir un master en statistique publique dans le cadre de la formation continue de l’Insee :

- Intégrée, c'est-à-dire dans le prolongement de leur deuxième année de scolarité à l'Ensai,

- Décalée, c'est-à-dire de façon discontinue au cours de leurs premières années de fonction.

Ce master est cohabilité avec l’Université de Rennes 1 et comporte trois parcours au choix : statistiques et traitement des données, méthodologie de la statistique publique ou études statistiques.


9

Les grands domaines d'enseignement En dehors de quelques enseignements très spécialisés de troisième année, les cours

peuvent être regroupés en quatre grands domaines :

1. Mathématiques, probabilités, statistique

2. Informatique

3. Économie, gestion et sciences sociales

4. Humanités

MATHEMATIQUES, PROBABILITES, STATISTIQUE

La statistique fait partie intégrante des mathématiques appliquées. Elle se base sur le calcul des probabilités. En première année, après des compléments de mathématiques nécessaires à une mise à niveau des étudiants n’ayant pas fréquenté les classes préparatoires scientifiques, ainsi qu’un cours d’optimisation dispensé à l’ensemble des élèves, quatre cours fondamentaux pour la compréhension des techniques statistiques enseignées par la suite sont abordés : des notions fondamentales de probabilités à la statistique inférentielle et aux tests. Ces cours, sur les-quels s’appuient des TD, sont complétés par une série de TP informatisés permettant une mise en œuvre pratique des concepts vus dans les cours de base, soit par une première étude statistique de fichiers, comprenant les méthodes usuelles de la statistique exploratoire, soit par l’utilisation des techniques de simulation. Les élèves réalisent également un projet statis-tique, en groupe, mettant en œuvre des méthodes de statistique descriptive. La seconde année est centrée sur l’apprentissage des techniques utiles au statisticien de pro-fession : la modélisation, paramétrique ou non, d’une régression, l’analyse non inférentielle de données multivariées, l’étude des séries chronologiques modélisables par la méthode de Box-Jenkins, la théorie des sondages, l’analyse des modèles à choix discrets. Ces bases sont complétées, selon le statut de l’élève et les choix, par un cours de modèles de durée, une initiation aux processus stochastiques, comprenant une introduction aux files d’attente, un premier cours de plans d’expérience, un cours portant sur les méthodologies statistiques assistées par ordinateur, et des compléments d’analyse des données. Un projet statistique, encadré par des professionnels et fonctionnant en petits groupes, per-met aux élèves de mettre en œuvre sur des données réelles un large éventail des techniques étudiées au cours des deux premières années. Les cours de troisième année s’inscrivent dans des voies de spécialisation. Ils présentent les développements spécifiques des probabilités et de la statistique utiles au domaine étudié, tout en apportant les connaissances indispensables sur l’environnement dans lequel sera amené à travailler le statisticien.

INFORMATIQUE

L'enseignement informatique de première année est adossé à trois concepts principaux : la conception d'applications, le développement logiciel et le stockage de données. La conception d'applications, est abordée dans le cadre de la modélisation d'applications orientées objet ainsi qu'en modélisation de bases de données. Tous les enseignements de modélisation s'ap-puient sur le même métalangage : UML. Le développement logiciel est introduit dans un pre-mier temps avec les notions algorithmiques de base, ces dernières sont mises en œuvre avec


10

un langage de programmation utilisant les mêmes bases de programmation que le langage Java. Ceci permet de découvrir la programmation impérative tout en ayant mis en œuvre les structure algorithmiques avec la syntaxe du langage Java. Les étudiants issus des voies ma-thématique et IUT Stid bénéficient en outre d’un cours portant sur la complexité et la calcula-bilité de algorithmes étudiés. Dans un deuxième temps, les concepts de programmation orientée objet sont abordés pour tous avec le langage Java. Enfin, les fichiers, les bases de données relationnelles et les tables SAS sont les trois principaux modes de stockage des don-nées mis en pratique. Les accès aux fichiers sont abordés lors des cours de programmation impérative et de programmation objet. Le langage SQL est l'outil standard de mise en œuvre et d'interrogation de bases de données relationnelles. Les logiciels SAS et R, dédiés à la statis-tique, sont également des outils de manipulation de données, leurs langages spécifiques font également l'objet d'un enseignement.

Par la suite, tous les élèves réalisent dès le début de la deuxième année un projet dont l’objectif est de mettre en application les enseignements reçus en 1

re année. Au cours du

second semestre, les élèves en fonction de leur statut (ingénieur ou fonctionnaire) suivent des cours différenciés. Les ingénieurs suivent un cours de programmation orientée objet en C++ complété par un enseignement d'intégration de programme C++ dans R. Les attachés suivent trois enseignements, la cartographie, la visualisation de données et une ouverture au « Big Data ». En outre, trois cours optionnels sont proposés en informatique, Visual Basic Application pour les ingénieurs, ouverture au Big Data pour les ingénieurs, et un enseigne-ment sur les technologies mobiles pour tous. Les attachés bénéficient de plus en fin d’année d’un enseignement obligatoire de LibreOffice Basic.

La troisième année apporte les compléments nécessaires à la mise en œuvre informatique des méthodes statistiques dans les domaines de spécialisation proposés. Elle offre également une voie d'approfondissement dans le domaine spécifique du traitement de l'information (compléments sur les bases de données, génie logiciel, conception et programmation orien-tées objet, administration de projets informatiques, intelligence artificielle, big data, datami-ning, réseaux, technologies web, etc.).

ÉCONOMIE, GESTION ET SCIENCES SOCIALES

Les enseignements d'économie, de gestion et de sciences sociales ont pour objectif d’offrir à tous les élèves une réelle capacité d’analyse et de compréhension des aspects essentiels du monde contemporain. Ils ont également pour ambition de fournir à certains d'entre eux, et notamment aux futurs attachés statisticiens de l'Insee, les moyens de mettre leurs connais-sances statistiques au service de l’économie. En première année, on distingue un public d'élèves ayant de bonnes connaissances en sciences économiques et sociales et un public d'élèves débutants ou n'ayant eu qu'une pre-mière initiation dans cette discipline. Pour les premiers, l'École propose des cours de niveau avancé abordant les développements récents en économie formalisée, et pour les seconds, des cours plus progressifs, avec en par-ticulier une introduction à la modélisation macroéconomique. Pour de futurs praticiens de l'analyse économique, les enseignants ont le souci de lier l'analyse à l'observation des faits à travers les données. L’enseignement de première année permet également aux étudiants de suivre certains cours introductifs, en particulier de sociologie, de démographie ou de gestion.


11

En seconde année, le cours d’économétrie du tronc commun vise à donner aux élèves les méthodes de validation empirique des modèles théoriques. Ce cours est complété au 2

ème

semestre par une approche non-paramétrique pour les ingénieurs, tandis que les attachés vont approfondir l’économétrie à la fois sous l’angle macro et micro. Les deux cursus sont aussi sensibilisés à l’économie du risque, particulièrement utile dans l’approche économique quantitative, à la fois dans le domaine bancaire et marketing. Des cours électifs complètent cette formation en ouvrant sur l’économie industrielle ou l’économie des contrats notam-ment.

HUMANITES

Communication

L’apprentissage des techniques de communication est progressif, basé sur la pratique et le conseil personnalisé. Il permet aux élèves de l’École de communiquer efficacement dans les situations les plus diverses de la vie sociale et professionnelle. Les élèves sont sensibilisés aux techniques de communication écrites et orales dans le cadre des projets statistiques en 1

ère année, puis développent ces compétences en travaillant sur les

projets qui jalonnent leur scolarité. Des coachs en communication interviennent directement auprès de chaque groupe d’élèves. En 3

ème année, des simulations d’entretien d’embauche

préparent les élèves à leur entrée sur le marché du travail.

Anglais

L'étude de l'anglais est obligatoire tout au long de la scolarité. Les élèves sont répartis en groupes de niveau. Des modules de préparation au TOEIC sont organisés toutes les années. Un score minimal de 785 points

1 à ce test est obligatoire pour l’obtention du diplôme

d’ingénieur.

Cours libres optionnels

Les élèves en première et deuxième année doivent choisir 2 enseignements parmi les ensei-gnements suivants : Langues optionnelles : Les langues proposées sont l’allemand, le chinois, l’espagnol et l’italien. Elles peuvent être étudiées du niveau initiation jusqu’au niveau perfectionnement. Pour ces langues optionnelles, l’inscription aux deux semestres est obligatoire. Cours d’ouverture : d’autres options dites de formation humaine sont organisées chaque année. La liste qui suit comporte des exemples des cours proposés par le passé :

- Anglais (thèmes ou TOEIC) - Architectures contemporaines - Cinéma - Dessin - Média, mémoire et histoire : des rapports ambigus - Philosophie : l’avenir de l’éthique - Atelier théâtre - Développement durable : un défi d’avenir ? - Peinture - Physique - Sociologie, Psychologie et Société - Tandem (modalités spécifiques)

1 Ce score minimum correspond au niveau B2 du CECRL.


12

La participation à des activités associatives peut remplacer un cours libre optionnel par se-mestre ou donner droit à des points bonus.

La participation aux activités sportives mises en place par l’école est prise en compte dans la scolarité au travers de points bonus.


13

Enseignements de 2ème année - Volumes horaires enseignés

Élèves attachés


14

Coefficients

Cours TD TP Projet Total et crédits

21 21 6 48 5

24 12 6 42 4

45 33 12 0 90 9

21 9 12 42 3,5

24 15 3 42 3,5

45 24 15 0 84 7

3 6 27 36 5

3 0 6 27 36 5

15 6 21 2,5

15 6 21 2,5

9 9 18 2

39 12 9 0 60 7

30 30 2

30 0 0 0 30 2

162 69 42 27 300 30

10 23 33 5

0 10 0 23 33 5

18 9 27 2

12 6 3 21 2

15 9 24 2

45 6 21 0 72 6

1,5 9 10,5 1

9 12 21 2

21 21 2

10,5 0 42 0 52,5 5

18 3 21 2

21 21 2

10,5 6 16,5 2

49,5 6 0 3 58,5 6

21 21 2

21 21 2

21 21 2

63 0 0 0 63 6

168 22 63 26 279 28

21 21 1

21 21 1

18 18

30 30

42 18 30 0 90 2

372 109 135 53 669 60

Volume horaire

Total UE2-12

TOTAL ANNEE

Projet professionnel

Sport (facultatif)

Cours libre optionnel n°1


TOTAL 2ND SEMESTRE

UE 2-12 : COURS LIBRES OPTIONNELS,

COMMUNICATION

Total UE 2-10

Panorama du Big Data

Cours électif n°3

Cours électif n°2

Cours électif n°1

UE 2-10 : COURS ELECTIFS

Total UE 2-09

Empirical Macroeconomics

Economie du risque

Microéconométrie

UE 2-09 : ECONOMETRIE DES POLITIQUES

ECONOMIQUES

Total UE 2-08

Cartographie

Total UE 2-05

Data visualisation

UE 2-08 : TECHNOLOGIE ET OUTILS

INFORMATIQUES

Total UE 2-07

Méthodes de discrimination

Données manquantes

Modèle linéaire. régression sur

variables catégorielles

UE 2-07 : STATISTIQUE POUR LE STATISTICIEN

PUBLIC

Total UE 2-06

Projet statistique

UE 2-06 : PROJET STATISTIQUE

TOTAL 1ER

SEMESTRE

Théorie des sondages

Anglais 1er

semestre

UE 2-05 : ANGLAIS

Total UE 2-04

Analyse de la variance

Econometrics II

Econometrics I

UE 2-04 : MESURE OU AMPLEUR DES VARIATIONS

Total UE 2-03

Projet informatique

UE 2-03 : PROJET INFORMATIQUE

Total UE 2-02

UE 2-01 : MODÈLES STATISTIQUES MULTIVARIES

Enseignements

Statistique exploratoire

multivariée

UE 2-02 : COLLECTION ET ANALYSE DE DONNEES

Total UE 2-01

Séries temporelles

Modèle de régression


15

Enseignements de 2ème année - Volumes horaires enseignés

Élèves ingénieurs


16

Coefficients

Cours TD TP Projet Total et crédits

21 21 6 48 5

24 12 6 42 4

45 33 12 0 90 9

21 9 12 42 3,5

24 15 3 42 3,5

45 24 15 0 84 7

3 6 27 36 5

3 0 6 27 36 5

15 6 21 2,5

15 6 21 2,5

9 9 18 2

39 12 9 0 60 7

30 30 2

30 0 0 0 30 2

162 69 42 27 300 30

10 23 33 5

0 10 0 23 33 5

18 9 27 3

12 6 3 21 2

27 3 18 48 4

57 9 30 0 96 9

6 21 27 2,5

3 12 15 1,5

9 0 33 0 42 4

21 21 2

21 21 2

42 0 0 0 42 4

21 21 2

21 21 2

21 21 2

63 0 0 0 63 6

171 19 63 23 276 28

21 21 1

21 21 1

11 11

30 30

42 11 30 0 83 2

375 99 135 50 659 60

EnseignementsVolume horaire

UE 2-01 : MODÈLES STATISTIQUES MULTIVARIES

Modèle de régression

Séries temporelles

Total UE 2-02

UE 2-03 : PROJET INFORMATIQUE

Projet informatique

Total UE 2-03

UE 2-04 : MESURE OU AMPLEUR DES VARIATIONS

Total UE 2-01

UE 2-02 : COLLECTION ET ANALYSE DE DONNEES

Statistique exploratoire

multivariée

Théorie des sondages

Anglais 1er semestre

Total UE 2-05

TOTAL 1ER

SEMESTRE

UE 2-06 : PROJET STATISTIQUE

Projet statistique

Econometrics I

Econometrics II

Analyse de la variance

Total UE 2-04

UE 2-05 : ANGLAIS

Total UE 2-07

UE 2-08 : TECHNOLOGIE ET OUTILS INFORMATIQUES

Programmation objet en C++

Programmation avancée en R

Total UE 2-06

UE 2-07 : STATISTIQUE POUR L'INGENIEUR

STATISTICIENModèle linéaire. régression sur

variables catégorielles

Modèles de durée

Statistique computationnelle

Total UE 2-08

UE 2-09 : ECONOMETRIE DES POLITIQUES

ECONOMIQUES

Econométrie non paramétrique

Economie du risque

Projet professionnel

Total UE 2-09

UE 2-10 : COURS ELECTIFS

Cours électif n°1

Cours électif n°2

Cours électif n°3

Sport (facultatif)

Total UE2-12

TOTAL ANNEE

Total UE 2-10

TOTAL 2ND SEMESTRE

UE 2-12 : COURS LIBRES OPTIONNELS,

COMMUNICATION




17

Enseignements de 2ème année

2nd semestre – UE 2-10

Les cours électifs

Les élèves doivent choisir 3 cours électifs (parmi la liste des cours figurant dans le tableau ci-dessous). Les choix sont subordonnés aux contraintes d’emploi du temps puisque certains cours sont programmés en même temps. De plus, les élèves ingénieurs devront choisir au moins une option statistique.

COURS ELECTIFS DE 2EME

ANNEE

Enseignements Volume horaire

Cours TD TP Projet Total

ECO

NO

MIE

Education, human capital, and growth 21

21

Economie des contrats 21

21

Economie industrielle 15 6

21

INFO

RM

ATI

QU

E

Technologie mobile 6 15 21

Panorama du Big Data 9 12 21

Visual Basic Application 1.5

19.5 21

STA

TIST

IQU

E

Modèles avancés de régression 21

21

Chaînes de Markov 15 6

21

Analyse de données répétées 15 6

21

Martingales et processus de Lévy 12 9

21

Modèles de durée 12 6 3 21

Méthode de discrimination 15 9 21


18

Enseignements de 2ème année

2nd semestre – UE2-12 ENSEIGNEMENTS SPECIFIQUES AUX ELEVES ATTACHES

Les élèves attachés ont des cours spécifiques en fin de 2

ème année de l’Ensai, précédés par un

séminaire de comptabilité nationale. De leur côté, les élèves ingénieurs commencent dès le mois de juin un stage d’application statistique portant sur le programme de 2

ème année.

ENSEIGNEMENTS RESERVES AUX ELEVES ATTACHES EN JUIN

ENSEIGNEMENTS VOLUME HORAIRE

Cours TD/TP Total

Comptabilité nationale LibreOffice Basic

9 1,5

16,5

9 18

Méthodologie d’enquête 9 9 18 Techniques rédactionnelles 12 13,5 25.5

Total 31,5 39 70.5


19

Tableau récapitulatif des enseignements 2A

Code matière Matière Enseignant Correspondant

2AECO01 Econometrics I Purevdorj Tuvaandorj Purevdorj Tuvaandorj

2AECO02 Econometrics II Purevdorj Tuvaandorj Purevdorj Tuvaandorj

2AECO03 Education, human capital, and growth Vincenzo CAPONI Vincenzo CAPONI

2AECO04 Empirical macroeconomics Vincenzo CAPONI Vincenzo CAPONI

2AECO05 Econométrie non paramétrique Marian HRISTACHE Marian HRISTACHE

2AECO06 Economie des contrats Reynald Alexandre LAURENT Stéphane AURAY

2AECO07 Microéconométrie Grégory Verdugo Stéphane AURAY

2AECO08 Economie industrielle Frédéric LOSS Stéphane AURAY

2AECO09 Economie du risque A déterminer Stéphane AURAY

2AECO10 Comptabilité nationale R MAHIEU/C. BIDAULT Laurent DI CARLO

2AHUM01 Anglais Divers intervenants Esther LALAU-KERALY

2AHUM02 Techniques rédactionnelles Divers intervenants Laurent DI CARLO

2AHUM07 Projet professionnel Divers intervenants Valérie BROSSAUD/Aurélie DUCHESNE

2AHUM11 Sport Divers intervenants Corinne BARZIC

2AINF01 Technologies mobiles Olivier LEVITT Samuel TOUBON

2AINF02 Cartographie Sandra CHIRAZI Laurence DUVAL

2AINF03 Programmation objet en C++ A déterminer Samuel TOUBON

2AINF04 Projet informatique Divers intervenants Samuel TOUBON

2AINF05 Visual Basic Application A déterminer Samuel TOUBON

2AINF06 Data visualisation Laurence DUVAL Laurence DUVAL

2AINF07 Programmation avancée en R Thierry MATHE Samuel TOUBON

2AINF08 Panorama du Big Data Yann BUSNEL Yann BUSNEL

2AINF09 LibreOffice Basic Samuel TOUBON Samuel TOUBON

2ASTA01 Chaînes de Markov Alexandra POPIER François COQUET

2ASTA02 Statistique computationnelle Myriam VIMOND Myriam VIMOND

2ASTA03 Méthodologie d’enquête Divers intervenants Guillaume CHAUVET

2ASTA04 Modèles de durée Aude GRELAUD Aude GRELAUD

2ASTA05 Modèles de régression Valentin PATILEA Valentin PATILEA

2ASTA06 Analyse de la variance A déterminer A déterminer

2ASTA07 Projet statistique Divers intervenants Salima EL KOLEI

2ASTA08 Modèle linéaire généralisé et régression sur variables catégorielles

A déterminer A déterminer

2ASTA09 Séries temporelles Lionel TRUQUET Lionel TRUQUET

2ASTA10 Données manquantes Guillaume CHAUVET Guillaume CHAUVET

2ASTA11 Statistique exploratoire multivariée A déterminer Brigitte GELEIN

2ASTA12 Méthodes de discrimination A déterminer Brigitte GELEIN

2ASTA13 Analyse de données répétées A déterminer A déterminer

2ASTA14 Théorie des sondages Guillaume CHAUVET Guillaume CHAUVET

2ASTA15 Martingales et processus de Lévy Lionel TRUQUET Lionel TRUQUET

2ASTA16 Modèles avancés de régression Marian HRISTACHE Marian HRISTACHE

La durée et les modalités d’examen sont données à titre indicatif. La direction des études se réserve le droit de les modifier. Les élèves seront prévenus par les enseignants en début de cours.


21

Enseignements du premier semestre


23

UE 2-01 – Matière 2ASTA05 – Semestre 1

Modèles de régression Linear Models

Cours : 21h � TD : 21h � TP : 6h Enseignant : Valentin PATILEA (Ensai)

Correspondant : Valentin PATILEA

Objectif de la matière

Être capable de mener une étude complète de régression linéaire, d'avoir une lecture critique des sorties logicielles, d’effectuer une analyse constructive des résidus et des points remar-quables, d’identifier d’éventuels écarts au modèle, de les corriger, de faire une sélection de variables pertinente. Si possible, maîtriser les manipulations matricielles sous-jacentes au modèle linéaire.

Contenu de la matière

1. Introduction 2. Le modèle de régression linéaire simple 3. Le modèle de régression linéaire multiple 4. Le modèle de régression linéaire multiple sous hypothèse gaussienne 5. Régions de confiance et tests d'hypothèses 6. Détection (et correction) des écarts au modèle - Analyse des résidus, effet levier et me-sures d’influence 7. Sélection de variables

Documents pédagogiques

Polycopié de cours.

Pré-requis

Lois de probabilité usuelles; régions de confiance et tests statistiques; vision matricielle de la projection orthogonale sur un sous-espace.

Contrôle des connaissances

Un partiel et un examen final

Références bibliographiques

• AZAIS J.M et BARDET J.M, Le modèle linéaire par l’exemple : régression, analyse de la va-riance et plans d’expérience illustrés avec R et SAS (2ème éd .), 2012, Dunod

• CONFAIS J., LE GUEN M., Premiers pas en régression linéaire avec SAS, tutoriel.

• CORNILLON P.-A., MATZNER-LOBER E., Régression avec R, 2010, Springer.

• DODGE R., ROUSSON V., Analyse de régression appliquée (2e éd.), 2004, Dunod.

• KLEINBAUM D. G. et al., Applied regression analysis and multivariate methods (4th ed.), 2008, Cengage Learning.

• TOMASSONE R. et al., La régression (2e éd.), 1992, Masson.


24

Langue d’enseignement

Français


25


Séries temporelles Times Series

Cours: 24h � TD: 12h � TP: 6h Enseignant : Lionel TRUQUET (Ensai) Correspondant : Lionel TRUQUET


L’objectif de ce cours d’introduction aux séries temporelles est de présenter les méthodes classiques d’analyse et de prévision de séries d’observations corrélées dans le temps. Dans une première partie de ce cours, nous présenterons les outils et notions de base pour étudier les séries temporelles univariées (tendance, saisonnalité, lissage, notion de stationnarité) en introduisant notamment les processus ARMA et la méthodologie de Box-Jenkins. Les séries multivariées seront abordées dans un second temps avec les processus VAR et les notions importantes de causalité ou de cointégration. Enfin une troisième partie sera consacrée au problème de la non-stationnarité. Les concepts de ce cours seront illustrés à l’aide de don-nées réelles ou simulées. A la fin de cet enseignement, les étudiants devront être capables d’analyser des séries temporelles classiques à l’aide de logiciels spécialisés.


1. Introduction 2. Exemples and motivations. 3. Analyse descriptive d’une série temporelle. 4. Saisonnalité, tendance, décompositions d’une série temporelle, lissage exponentiel et prévision. 5. Modélisation probabiliste des séries temporelles. Stationnarité, autocorrélation, densité spectrale. 6. Modèles SARIMA et méthodologie de Box-Jenkins. 7. Séries temporelles multivariées. Processus VAR, estimation, prévision et causalité. 8. Séries non stationnaires et cointégration. Tests de racine unité, de cointégration et mo-dèles à correction d’erreur

Prérequis

Notions de base en Probabilités et Statistique inférentielle. Notions de base du cours de Mo-dèles de régression.


Partiel et Examen final sur papier


• Box G., Jenkins G., Reinsel G., Time Series Analysis. Forecasting and Control, Prentice Hall, 1994, 3ème Edition

• Brockwell P., Davis R., ITSM for Windows. A user’s Guide to Time Series Modelling and Forecasting, Springer, 1994


26

• Brockwell P., Davis R., Time Series : Theory and methods, Springer, 1991, 2ème Edition, Springer Verlag.

• Brockwell P., Davis R., Introduction to Time Series and Forecasting, Springer, 1996

• JOHANSEN S. Likelihood Based Inference in Cointegrated Vector Auto-Regression Models, 1995, Oxford University Press.

• LUTKEPOHL H. New Introduction to Multiple Time Series Analysis, 2006, Springer Verlag.

• HAMILTON J, Time Series, Princeton University Press, 1995.

• Gourieroux C., Montfort A., Séries temporelles et modèles dynamiques, Economica, 1990, 2ème Edition.


Français


27


Statistique exploratoire multivariée Multivariate Data Analysis

Cours : 21h � TD : 9h � TP : 12h Enseignant :

Correspondant : Brigitte GELEIN


A l’issue de cet enseignement, les élèves devront être capables de mettre en œuvre et d’analyser les résultats des méthodes d’analyse exploratoire multivariée que sont l’Analyse en Composantes Principales (ACP), l’Analyse Factorielle des Correspondances (AFC), l’Analyse des Correspondances Multiples (ACM), ainsi que certaines méthodes de classification. Les séances de TP auront lieu en salles informatiques et permettront aux étudiants d’utiliser les logiciels R, SAS et SPAD.


1. Analyse d'un nuage de points quelconque 2. Analyse en composantes principales 3. Analyse factorielle des correspondances 4. Analyse des correspondances multiples 5. Méthodes de classification


Support de cours.

Pré-requis

Cet enseignement demande la maîtrise du calcul matriciel, de la notion de projection et d’optimisation (lagrangien).


Un partiel écrit sans document et un examen écrit avec documents.


• CELEUX G et alii., Classification automatique des données, Dunod Informatique, Paris, 1989

• ESCOFIER B., PAGES J., Analyses factorielles simples et multiples (4e éd.), Dunod, 2008

• HUSSON F., LE S. & PAGES J., Analyse de données avec R. Presses Universitaire de Rennes, 2009

• LEBART L. et alii., Statistique exploratoire multidimensionnelle (4e éd.), Dunod, 2006

• NAKACHE J.-P., CONFAIS J., Approche pragmatique de la classification, TECHNIP, 2005

• VOLLE M., Analyse des données, 4e édition, Economica, 1997


Français


28


Théorie des sondages Sampling Theory

Cours : 24h � TD : 15h � TP : 3h Enseignant : Guillaume CHAUVET (Ensai)

Correspondant : Guillaume CHAUVET


A l’issue de ce cours, les étudiants doivent connaître et maîtriser les principales méthodes d’échantillonnage utilisées dans le cas d’une population finie, ainsi que les propriétés des estimateurs associés. Une partie du cours est également consacrée à la présentation de mé-thodes d’estimation avancées, où une information auxiliaire est utilisée pour redresser un estimateur, dans le but de diminuer sa variance.


Partie 1 : Echantillonnage en population finie

• Notations

• Estimation de Horvitz-Thompson

• Calcul de précision : estimateur de variance, intervalle de confiance. Partie 2 : Méthodes d’échantillonnage direct

• Sondage aléatoire simple

• Sondage stratifié

• Sondage à probabilités inégales

• Echantillonnage raisonné Partie 3 : Introduction aux méthodes d’échantillonnage indirect

• Sondage à plusieurs degrés

• Sondage en deux phases

• Echantillonnage indirect et partage des poids Partie 4 : Méthodes de redressement

• Estimation par le ratio

• Estimateur post-stratifié

• Estimateur par la régression

• Estimateur par calage


Support de cours.

Pré-requis

Cours de Statistique Exploratoire Univariée et Bivariée, cours de Statistique 1, 2 et 3.


L'examen est un écrit. L’enseignement donne lieu à contrôle continu.


29


• ARDILLY P., Les Techniques de Sondage (nouv. éd.), Paris, Technip, 2006

• COCHRAN W.G., Sampling Techniques, 3ème édition, New York, Wiley, 1977

• SÄRNDAL, C-E., SWENSSON, B, WRETMAN, J., Model Assisted Survey Sampling, Springer-Verlag, 2003

• TILLÉ Y., Sampling Algorithms, Wiley, 2006


Français


30

UE 2-03 – Matière 2AINF04 – Semestre 1

Projet informatique Computer Science Project

Suivi : 27h (dont suivi personnalisé du groupe : 5h) Cours : 3h – TP : 6h (selon détail ci-dessous) Enseignant : Samuel TOUBON (Ensai)

Correspondant : Samuel TOUBON


Le projet permet de mettre en pratique, sur un cas réel, les connaissances acquises dans les enseignements de conception d’applications en UML, de programmation orientée objet et de bases de données. Réalisé par groupe de 4 ou 5 étudiants sur un sujet proposé par l’encadrant, le projet démarre début septembre et les soutenances ont lieu fin novembre. Il permet de mettre en œuvre UML, Java et le langage SQL, via JDBC et un SGBD. Les applica-tions développées devront intégrer des données issues de fichiers externes pour aborder la variabilité des formats de présentation, une des problématiques du Big Data.


- 1 cours de présentation du projet (organisation, environnement, outils), notions de gestion de projet, quelques techniques nouvelles et des rappels de première année.

- 2 TP de 2 créneaux sur différentes techniques à utiliser dans le cadre du projet : Tests, Javadoc, Data Access Object, intégration de différents formats de données, connexion BD, gestion des exceptions.

- 9 séances de suivi de 3h. 10 créneaux bloqués dans l’emploi du temps pour per-mettre aux groupes de se réunir.


Notice.

Pré-requis

Connaître les bases d’algorithmique, les concepts objet et langage Java. Maîtriser l’analyse conception avec UML, connaître le langage SQL.


La notation sera à la fois collective et individuelle et portera sur le suivi de l’encadrant, le rapport rendu à mi-projet, le rapport final et la soutenance prévue début décembre.


• JACOBSON I. (2004) Object Oriented Software Engineering, A Use Case Driven Approach, Addison Wesley (traduction française chez le même éditeur).

• C. CHRISTMENT, O. TESTE, M. TUFFERY, K. PINEL-SAUVAGNAT (2008), Bases de données relationnelles, Hermès Science.


Français.


31

UE 2-04 – Matière 2AECO01 – Semestre 1

Econometrics I Econométrie I

Cours : 15h � TD : 6h Enseignant : Purevdorj Tuvaandorj (Ensai)

Correspondant : Purevdorj Tuvaandorj


Ce cours a pour but de présenter deux types de notions : d’une part la spécification et l’analyse des modèles micro-économétriques, et d’autre part les modèles de base et les tech-niques d’inférence utilisés par les micro-économètres. A l’issue de cet enseignement, les élèves devront être capables de mettre en relation la forme structurelle d’un modèle issu de la théorie (ou tout au moins d’un raisonnement) économique et son estimation à l’aide d’une technique statistique appropriée. Ce cours se concentre sur les spécificités (i) de la modélisation des comportements micro-économiques et (ii) des méthodes d’inférence statistiques employées en micro-économétrie. Le cours et organisé en trois grandes parties. La première partie présente les problèmes liés à l’endogénéité des variables explicatives dans les modèles économétriques : leur origine (si-multanéité, variables explicatives pertinentes omises et erreurs de mesure sur les variables explicatives) et leurs effets sur le choix des outils d’inférence statistique (variables instrumen-tales, en information limitée ou complète). La seconde partie présente l’intérêt des modèles à variables latentes (choix discret, censure et troncature) et leur estimation. La troisième partie présente le problème de la mesure statistique des effets de traitement lorsque le choix du traitement est endogène. Ce problème combine les éléments présentés dans les deux parties précédentes pour résoudre une question économique importante, celle de la mesure des effets des politiques publiques.


Introduction 1. Qu’est-ce que l’économétrie, à quoi ça sert ? 2. Rappels de théorie statistique asymptotique et notations Partie A. Modèles linéaires 1. Exogénéité et identification 2. Variables explicatives exogènes : modèles de régression et MC 3. Problèmes d’endogénéité 4. Variables explicatives endogènes : modèles à VI et Méthode des Moments 5. Eléments d’analyse des systèmes d’équations simultanées Partie B. Modèles à variables latentes 1. Variables latentes, et mécanismes d’observation et de décision 2. Bref rappels sur le Maximum de Vraisemblance (Conditionnel) 3. Modèles de choix dichotomique 4. Problèmes de censure et de troncature 5. Modèles à régime


32

Documents pédagogiques Support de cours et diapos

Pré-requis

On mobilisera ici trois cadres d’inférence statistique, i.e. Moindres Carrés, Méthode des Mo-ments et Maximum de Vraisemblance, et des raisonnements micro-économiques simples.


Examen écrit avec documents.


• ANGRIST, J. D. and J.-S. PISCHKE, Mostly Harmless Econometrics, an empiricist companion, Princeton University Press, 2008.

• CAMERON A.C. and P.K. TRIVEDI, Microeconometrics. Methods and Applications, Cambridge University Press, 2005.

• CREPON, B. et N. Jacquement, Econométrie: méthode et applications. De Boeck, 2010

• GREENE, W.H., Econometric Analysis. Prentice-Hall (7th

ed), 2011.

• RUUD, P.A, An Introduction to Classical Econometric Theory, Oxford University Press, 2000.

• THOMAS, A., Econométrie des variables qualitatives, Dunod, 2000.

• VERBEEK, M., A guide to Modern Econometrics. Wiley (4th ed), 2012.

• WOOLDRIDGE, J. M., Econometric analysis of cross-section and panel data, The MIT press (2

nd rev. ed), 2010.


Anglais


33


Econometrics II Econométrie II

Cours : 15h � TD : 6h Enseignant : Purevdorj Tuvaandorj (Ensai)

Correspondant : Purevdorj Tuvaandorj

Course Description:

The objective of this course is to provide an introduction to econometric theory and practice. A great deal of emphasis will be placed on regression analysis. Among other important issues, we will concern ourselves with the various approaches to the identification and treatment of violations to the assumptions associated with the specification of the multiple regression models. Time permitting we will treat other methods of estimation such as maximum likeli-hood estimation, method of moments and simulated based estimation methods.

Suggested Textbook:

Jeffrey M. Wooldridge, “Introductory Econometrics a Modern Approach”, Thomson, 2006

Course Evaluation:

Midterm Test: 30% Problem Sets: 30% FinalExam: 40%

Assignments:

There will be assignments in the course. You are allowed to complete these assignments in groups. Questions related to these assignments will appear in both the Midterm Test and Final Exam. The due date of each assignment will be announced in class or by email/website.

Topics and Reading List:

1. Introduction to the Data. Chapter 1. 2. Review of Probability Theory and Statistics. (Appendices B and C). 3. Regression Analysis with Cross Sectional Data Chapters 2 to 9. 4. Problems Regression Analysis with Time Series Data Chapters 10 to 12. 5. Advance Topics: IV and Cointegration. Chapters 15 and 18 (time permitting and subject to change).

Language of Instruction

English


34


Analyse de variance ANOVA

Cours : 9h � TP : 9h Enseignant :

Correspondant :


Être capable d'effectuer une analyse de variance, d'avoir une lecture critique d'une sortie logicielle, de traiter les points remarquables et de choisir un modèle adéquat. Connaître les bases de l’ANOVA : savoir tester l'égalité de moyennes dans des cas simples, savoir mettre en place et analyser un modèle d’analyse de covariance, maitriser la notion d’interaction.


1. Introduction 2. Analyse de variance à un facteur 3. Analyse de variance à deux facteurs 4. Analyse de la covariance 5. Introduction aux plans d’expérience


Support de cours.

Pré-requis

Cet enseignement nécessite la maîtrise du cours d’Econométrie I, de statistique inférentielle de 1ère année, ainsi que du cours de modèle de régression 1.


A définir


• AGRESTI, A., An introduction to categorical analysis (2nd

ed.), Wiley, 2007.

• CORNILLON P.-A., MATZNER-LOBER E., Régression. Théorie et applications, Springer, 2007.

• DODGE Y., ROUSSON V., Analyse de régression appliquée (2e éd.), Dunod, 2004.

• KLEINBAUM D. G. et alii, Applied regression analysis and multivariate methods (4e éd.), Duxbury press, 2008.


Anglais


35

UE 2-05 – Matière 2AHUM01 – Semestre 1

Anglais English

Cours/TD : 30h au 1er

semestre (en cours libre optionnel au 2nd

)

2 TOEIC blancs obligatoires (4h), 2 TOEIC blancs facultatifs (4h) Enseignant : Divers intervenants

Correspondant : Esther LALAU–KERALY


Les élèves qui n’ont pas passé ou qui n’ont pas réussi le Toeic l’année dernière auront pro-gressé dans les compétences requises – c’est-à-dire la compréhension orale, les pièges grammaticaux et la compréhension écrite. Dans les cours à thème ils auront élargi leur culture générale tout en pratiquant l’anglais. Ils auront pris de l’aisance à l’oral et ils auront eu à leur disposition tous les éléments pour progresser en anglais.


Tous les élèves en deuxième année suivent un cours « English for Statistics » de 6h en début de semestre. Ce cours est conçu pour préparer les élèves à suivre les cours de statistique en anglais. Pour les élèves ingénieurs qui n’ont pas passé ou qui n’ont pas réussi le TOEIC, les cours se concentrent sur la préparation à cet examen. Les élèves attachés qui ne souhaitent pas passer le TOEIC suivent des cours dont l’objectif est d’améliorer l’expression et la com-préhension orale. Tous les élèves dont le niveau le permet (score d’au moins 785 au TOEIC) choisissent deux thèmes. Voici quelques exemples des thèmes proposés par le passé : Deba-ting, Travel, Current & Topical Affairs, English through Popular Music, et Translation. Les cours au 2nd semestre sont facultatifs et, autant que possible, en fonction des souhaits des élèves. Au moins un groupe de niveau sera dédié à la préparation du TOEIC.

Pré-requis

Avoir passé le test de niveau pour les AST. Pour les cours thématiques, avoir obtenu un score d’au moins 785 au TOEIC.


La note finale prend en compte un test de niveau commun ou le Toeic, la note moyenne des contrôles continus, la participation, et l’assiduité. La note de contrôle continu est composée des interrogations et travaux divers. L'objectif de la CTI pour tous les élèves ingénieurs est d'atteindre le niveau B2 sur l’échelle CECRL. Le niveau acquis apparaîtra sur le supplément de diplôme.


• Azar, B., Understanding and Using English Grammar, New York: Longman, 1999.

• Lecomte, Stéphane, et. al, La Grammaire au TOEIC et au TOEFL : Mode d’emploi, Paris: Ophrys, 2008.

• Lougheed, Lin, Longman Preparation Series for the TOEIC Test, New York: Longman, 2007.


36

• Lougheed, Lin, Préparation au Nouveau TOEIC, Paris: Pearson Education France, 2007.

• Oxford Preparation Course for the TOEIC, Oxford: Oxford University Press.

• Rogers, Bruce, Complete Guide to the TOEIC Test (3rd

ed.), Boston: Thomson, 2006.


Anglais Pour tout complément d’information, chaque élève peut consulter le Programme des ensei-gnements : Langues étrangères, distribué au début de l’année académique.


37

Enseignements du deuxième semestre : tronc commun pour les élèves attachés


39


Projet statistique Project in Statistics

Projet : 33h, dont 7h de suivi avec le tuteur et 3h de coaching Enseignant : Divers intervenants

Correspondant : Salima EL KOLEI


Les projets de statistique sont encadrés par des praticiens de la statistique et ont pour objec-tif l'application et l'approfondissement des connaissances statistiques acquises dans le cadre des enseignements. Les élèves, répartis par groupes de quatre, traitent le sujet qu'ils ont choisi sous la conduite scientifique et technique du praticien qui l'a proposé. Ils doivent cir-conscrire le problème soumis et le traiter en utilisant les concepts, méthodes et outils appro-priés.


Les sujets traités au cours des projets sont issus de domaines divers, mais présentent une forte composante statistique, de nature méthodologique et technique. Exemples de sujets traités :

• Typologie de clientèle

• Étude de la dynamique de la structure par terme des taux

• Analyse de l'activité des hôpitaux locaux

• Typologie de consommation de soins

• Mesure de la précision du nouveau recensement

• Évolution des concentrations de nitrate dans les cours d'eau bretons


Un guide pratique.

Pré-requis

Cet enseignement demande la maîtrise de l’ensemble des enseignements de statistique de 1

ère et 2

ème année qui seront mobilisés de façon inégale, selon le sujet traité.


Un rapport écrit, un poster et une soutenance orale.


Selon sujet traité.


Français


40


Modèle linéaire généralisé et régression sur variables catégorielles Generalized Linear Models and Regression on Categorical Data


Correspondant :


A l’issue de cet enseignement, les élèves devront en fonction du problème posé et de la na-ture des données disponibles, savoir choisir un type de modèle, savoir le construire, le mettre en œuvre sous SAS et en interpréter les résultats.


Dans de nombreux domaines d’études la variable expliquée est catégorielle, c’est-à-dire qu’elle est représentée par un nombre fini de modalités. L’étude statistique de ces variables nécessite alors un autre outil que le modèle linéaire, à savoir le modèle linéaire généralisé. Ce cours fournira donc une méthode de régression sur variables catégorielles. Nous étudierons les modèles dichotomique, polytomique ordonné et multinomial, ainsi que la régression de Poisson. La méthode sera illustrée d’exemples utilisant les procédures LOGISTIC et CATMOD sous SAS.

Pré-requis

Cet enseignement demande que tous les élèves maîtrisent les cours de modèle de régression et statistique 3 (statistique inférentielle).


Un examen écrit d’une durée de deux heures (+ éventuellement rapport de TP).


• AGRESTI A., Categorical Data Analysis (3rd

ed.), WILEY & Sons, 2012

• GOURIEROUX C., Économétrie des variables qualitatives, (2e éd.), Editions Economica, 1989

• HOSMER D.W., LEMESHOW S., Applied Logistic Regression (3rd ed.), WILEY & Sons, 2013

• LEBART L., MORINEAU A., PIRON M., Statistique exploratoire multidimensionnelle (4e éd.),

Dunod, 2006

• SAS Institute Inc. Logistic Regression. Examples. Version 6, 1995.

• STOKES MAURA E., DAVIS, CHARLES S., KOCH, GARY G., Categorical Data Analysis Using the SAS System (2

nd ed.), Cary, NC : SAS Institute Inc, 2000


Français.


41


Données manquantes Missing Data

Cours : 12h � TD-TP : 9h Enseignant : Guillaume CHAUVET (Ensai) Correspondant : Guillaume CHAUVET


On rencontre des problèmes de données manquantes dans les enquêtes quand certaines des unités refusent de répondre, ou quand il est impossible de les contacter. On parle de non-réponse partielle lorsqu’un individu échantillonné renseigne une partie des questions de l’enquête, et de non-réponse totale lorsqu’aucune réponse n’est observée pour un individu. La non-réponse a des conséquences en termes de variance des estimateurs (la taille de l’échantillon effectivement observé diminue) et surtout en termes de biais : les estimateurs non ajustés pour la non-réponse peuvent être fortement biaisés si les répondants diffèrent des non-répondants au regard des variables étudiées. L’objectif de ce cours est de présenter les différents types de non-réponse, les facteurs qui peuvent permettre de limiter ce problème, et des méthodes classiques de traitement de la non-réponse dans les enquêtes.


Partie 1 : Introduction

• Rappels sur l’échantillonnage en population finie

• Méthode de linéarisation

• Les types de non-réponse : non-réponse totale, non-réponse partielle Partie 2 : Traitement de la non-réponse totale

• Echantillonnage à deux phases

• Redressement par repondération

• Groupes homogènes de réponse

• Applications Partie 3 : Traitement de la non-réponse partielle

• Le modèle d’imputation

• Méthodes d’imputation simple

• Applications


Support de cours.

Pré-requis

Cours de Théorie des Sondages, Régression, Régression sur Variables Catégorielles.


L'examen est un écrit.


42

UE 2-07– Matière 2ASTA12 – Semestre 2

Méthodes de discrimination Discriminant Analysis

Cours : 15h � TP : 9h Enseignant : Marine DEPECKER (CEA)



A l’issue de cet enseignement, les élèves devront être capables de mettre en œuvre et d’analyser les résultats des méthodes de discrimination et de segmentation par arbre. Les applications de l’analyse discriminante et de la segmentation sont très nombreuses : sco-ring bancaire, marketing, aide au diagnostic ou au pronostic médical, reconnaissance de formes, prévision d’événements, etc. Ce module présentera les fondements théoriques de ces méthodes et permettra leur mise en œuvre concrète lors de séances de TD et TP sur SAS et SPAD. Elles consisteront en des études de cas réalisées sur des jeux de données réels pour lesquelles les élèves devront définir les méthodes à utiliser, les mettre en œuvre et en interpréter les résultats.


Partie 1 : Analyse discriminante Partie 2 : Segmentation par arbre (CART, CHAID) Partie 3 : Comparaison de méthodes


Polycopiés.

Pré-requis

Cet enseignement demande la maîtrise du cours de Statistique Exploratoire Multivariée 1, de la notion de projection et d’optimisation (lagrangien).


Un examen écrit.


• HUBERTY C.J., Applied discriminant analysis, Wiley, 1994.

• McLACHLAN G.J., Discriminant analysis and statistical pattern recognition, Wiley, 1992.

• CELEUX G., NAKACHE J.P., Analyse discriminante sur variables qualitatives, Polytechnica, 1994

• CONFAIS J., NAKACHE J.-P., Statistique explicative appliquée, Technip, 2003 • TUFFERY Stéphane, Data Mining et statistique décisionnelle (3

e éd.), Technip, 2010


Français


43

UE 2-08– Matière 2INFO06 – Semestre 2

Visualisation de données Data Visualization

Cours : 1h30 � TP : 9h Enseignant : Laurence DUVAL (Ensai)

Correspondant : Laurence DUVAL


La visualisation de données peut être utilisée pour l’analyse des données ou pour la restitu-tion de résultats, pour en faciliter la lecture. Ces deux finalités sont importantes pour les sta-tisticiens qui sont amenés à la fois à analyser des données et à publier des résultats. Au-jourd’hui les outils de visualisation ont beaucoup évolué. L’objectif de cette matière est de présenter la théorie dans le domaine de la visualisation et de mettre en pratique sur un cas concret issu des projets effectués par les étudiants au cours de leur scolarité.


1. Historique de la visualisation 2. Eléments de psychologie cognitive 3. Les principaux modes visuels de représentation de l’information 4. L’usage de la visualisation en analyse de données. 5. Mise en pratique


Support de cours

Documentation web du domaine

Pré-requis

Aucun


Le contrôle des connaissances se fera en binôme à partir d’un cas pratique effectué en TP avec R. Les données seront choisies par les étudiants, la pertinence des données choisies fera partie des critères d’évaluation.


• Jacques Bertin, « Sémiologie graphique », Editions EHESS

• Paul Murrell « R graphics », Chapman & Hall/CRC

• Nathan Yau , « Data visualisation - de l'extraction des données à leur représentation graphique », Eyrolles


Français


44


Cartographie Cartography

Cours-TP : 21h (dont élaboration d’un atlas : 9h)

Enseignants : Sandra CHIRAZI

Correspondant : Laurence DUVAL


Les objectifs de ce module sont de prendre en main un outil de cartographie et d’apprendre à réaliser des cartes sémiologiquement correctes. Les étudiants devront réaliser en binôme un atlas cartographique au format électronique à partir de données à mobiliser sur le Web. Le logiciel utilisé sera Quantum GIS


• Initiation aux projections et référentiels cartographiques

• Connaître et manipuler les différents types de fichiers (fonds de cartes vectoriels, etc.)

• Créer de nouvelles couches géographiques / Importer et exporter des données

• Cartographie élémentaire et sémiologie

• Connaissance avancée des objets géométriques

• Géocodage/géolocalisation et utilisation de données carroyées par l’analyse spatiale.

• La cartographie à l’Insee (initiation aux outils « maison » : Oceanis, Macros SAS, etc.) et les zonages d’études.

• Mobilisation et préparation des données à cartographier


Support de cours

Pré-requis

Aucun


1 examen-TP pour 1/5 de la note. Réalisation d’un atlas cartographique de 12, 4/5 de la note.


• Quantum Gis – Manuel de l’utilisateur

• P. Rouet (1991), Les données dans les systèmes d'information géographique, Ed. Hermes

• S-A Souiah & E. Minvielle (2003) - L'analyse démographique et spatiale. Statistiques, cartographie, télédétection, SIG. Editions du temps

• JM FLOCH (2012), Détection des disparités socio-économiques - L'apport de la statis-tique spatiale (Document de travail Insee - disponible sur internet)


Français.


45

UE 2-09– Matière 2AECO07 – Semestre 2

Microéconométrie Microeconometrics

Cours : 18h � Projet : 3h Enseignant : Grégory Verdugo

Correspondant : Stéphane AURAY


Ce cours vise à présenter la démarche permettant de conduire une étude de micro-économie quantitative appliquée. Pour chacun des grands domaines de la micro-économie appliquée, il présente les étapes nécessaires :

• Analyse de la question économique posée

• Mobilisation des concepts de la théorie micro-économique

• Construction du modèle micro-économétrique

• Choix et utilisation des techniques d’inférence appropriées

• Analyse et interprétation des résultats obtenus

Contenu du cours

1. Economic valuation 2. Revealed preferences and stated preferences 3. Choice among large sets of alternatives 4. Hedonic prices 5. Contingent valuation

Pré-requis

Ce cours mobilise principalement les concepts et outils présentés dans le cours d’économétrie et dans les cours de micro-économie.


Examen écrit


• BEN-AKIVA M., LERMAN S., Discrete choice analysis, MIT Press, 1985.

• HENSHER D., LOUVIER J., SWAIT J., Stated choice method. Analysis and application, CUP, 2000.

• TRAIN K., Discrete choice methods with simulation (2nd

ed.), CUP, 2009.

• BONNIEUX F., DESAIGUES B., Économie et politiques de l’environnement, Dalloz, 1998.

• FREEMAN A., The measurement of environmental and resource values : theory ans methods (2

nd ed.), Resources for the future, 2003.


Français


46


Economie du risque Economics of Risk

Cours : 21h Enseignant : A déterminer



Le cours se divise en 2 parties. Dans une première partie, nous étudierons le processus de décision en situation de risque et d’incertitude ainsi qu’une introduction à la théorie de l’assurance. La seconde partie sera consacrée à des applications (mesures d’inégalités, assu-rance, portefeuille) encore à déterminer.


1. Eléments de théorie du risque et de l’incertitude 1.1 Introduction : risque et incertitude 1.2 Quelques critères de décision

1.2.1 en situation d’incertitude 1.2.2 en situation risquée

1.3 Attitude vis-à-vis du risque 1.3.1 Le critère de l’utilité espérée 1.3.2 La dominance stochastique 1.3.3 Prime de risque et Equivalent-certain 1.3.4 Aversion au risque 1.3.5 Mesure du risque

1.4 Le risque et la théorie de l’assurance 1.4.1 Aléa moral et anti-sélection 1.4.2 Assurance optimale

2. Applications

Pré-requis :

Modélisation microéconomique du comportement du consommateur et du producteur

Contrôle des connaissances :

A déterminer

Références bibliographiques :

• The Economics of Risk and Time, Christian Gollier, MIT Press, 2001.

• Economic and financial decisions under uncertainty, Louis EECKHOUDT, Christian

GOLLIER, Harris SCHLESINGER, Princeton University Press, 2005

• Measuring inequality (3rd

ed.), Frank Cowell, Oxford University Press, 2011 http://darp.lse.ac.uk/MI3

Langue d’enseignement :

Français ou anglais


47

UE 2-09– Matière 2AECO04 – Semestre 2

Empirical Macroeconomics Macroéconomie empirique

Cours : 10h30 � TD : 6h Enseignant : Vincenzo CAPONI (Ensai)

Correspondant : Vincenzo CAPONI


Cet enseignement a pour but d’apporter des compléments d’économétrie théorique utiles aux macro-économistes et de mettre en pratique, dans le cadre de la macroéconomie, cer-tains outils vus dans le cours d’économétrie.


Plusieurs thèmes seront abordés, à la fois d’un point de vue théorique et d’un point de vue empirique, portant soit sur l’économie réelle, soit sur l’économie monétaire et financière. L’an passé les thèmes suivants ont été abordés :

− Croissance et convergence du PIB par tête des économies

− Analyse économique du problème du chômage

− Politique monétaire et règle de Taylor

− La valorisation des marchés actions

Pré-requis

Les cours de macroéconomie de première année sont supposés assimilés.


A déterminer


• CADORET I., BENJAMIN C., MARTIN F., HERRARD N., TANGUY S., (2009), Econométrie appliquée (2

e éd.), De Boeck

• DORMONT B., (2007), Introduction à l’économétrie (2e éd.), Montchrestien

• HAIRAULT J.O. (sous la direction de), (2000), Analyse macroéconomique, La Découverte, Tomes 1 et 2

• ROMER D., (1997), Macroéconomie approfondie, Mc Graw Hill


Anglais


48

UE 2-08– Matière 2AINF08 – Semestre 2

Panorama du Big Data Introduction to Big Data

Cours : 9h � Atelier : 12h Enseignant : Yann Busnel (Ensai)

Correspondant : Yann Busnel (Ensai)


Au cours de la dernière décennie, nous avons assisté à l’émergence d’applications numé-riques nécessitant de faire face à de gigantesques quantités de données, générées de plus en plus rapidement. Ces applications (surveillance de réseaux, biologie et médecine, applications financières, réseaux sociaux, etc.) nécessitent un besoin grandissant de techniques capables d’analyser et de traiter ces grandes masses d’information, avec précision et efficacité. La statistique rejoint ici les sciences du numérique, et plus précisément l’informatique répartie, pour proposer de nouvelles approches, relatives au Big Data. Les techniques et les modèles doivent prendre en compte le volume pléthorique de ces données, mais également leur géné-ration rapide en continu (vélocité) ainsi que la diversité de leur format (variété) et la qualité de l’information (véracité), appelés communément les 4V du Big Data.


• Que se cache-t-il derrière l’expression marketing « Big Data »

• La volumétrie : un problème de performance

• La vélocité : un problème d’efficacité

• La variété : un problème d’hétérogénéité

• La véracité : un problème de qualité

Pré-requis

Programmation objet avec Java ; SQL


Un examen d’une heure et demi, tous documents autorisés. Un contrôle continu pourra être proposé.


• Analyses des Big Data : quels usages, quels défis ? Note d’analyse du Comissariat général à la stratégie et la prospective

• Pirmin Lemberger, Marc Batty, Médéric Morel, Jean-Luc Raffaëlli. Big Data et machine learning - Manuel du data scientist, Dunod, 2015.

• Rudi Bruchez. Les bases de données NoSQL et le BigData : Comprendre et mettre en œuvre, Eyrolles (2015)

Langue d’enseignement Français


49

Enseignements du deuxième semestre : tronc commun pour les élèves ingénieurs


51


Projet statistique Project in Statistics

Projet : 33h, dont 7h de suivi avec le tuteur et 3h de coaching Enseignant : Divers intervenants

Correspondant : Salima EL KOLEI


Les projets de statistique sont encadrés par des praticiens de la statistique et ont pour objec-tif l'application et l'approfondissement des connaissances statistiques acquises dans le cadre des enseignements. Les élèves, répartis par groupes de quatre, traitent le sujet qu'ils ont choisi sous la conduite scientifique et technique du praticien qui l'a proposé. Ils doivent cir-conscrire le problème soumis et le traiter en utilisant les concepts, méthodes et outils appro-priés.


Les sujets traités au cours des projets sont issus de domaines divers, mais présentent une forte composante statistique, de nature méthodologique et technique. Exemples de sujets traités :

• Typologie de clientèle

• Étude de la dynamique de la structure par terme des taux

• Analyse de l'activité des hôpitaux locaux

• Typologie de consommation de soins

• Mesure de la précision du nouveau recensement

• Évolution des concentrations de nitrate dans les cours d'eau bretons


Un guide pratique.

Pré-requis

Cet enseignement demande la maîtrise de l’ensemble des enseignements de statistique de 1

ère et 2

ème année qui seront mobilisés de façon inégale, selon le sujet traité.


Un rapport écrit, un poster et une soutenance orale.


Selon sujet traité.


Français


52


Modèle linéaire généralisé et régression sur variables catégorielles Generalized Linear Models and Regression on Categorical Data


Correspondant :


A l’issue de cet enseignement, les élèves devront en fonction du problème posé et de la na-ture des données disponibles, savoir choisir un type de modèle, savoir le construire, le mettre en œuvre sous SAS et en interpréter les résultats.


Dans de nombreux domaines d’études la variable expliquée est catégorielle, c’est-à-dire qu’elle est représentée par un nombre fini de modalités. L’étude statistique de ces variables nécessite alors un autre outil que le modèle linéaire, à savoir le modèle linéaire généralisé. Ce cours fournira donc une méthode de régression sur variables catégorielles. Nous étudierons les modèles dichotomique, polytomique ordonné et multinomial, ainsi que la régression de Poisson. La méthode sera illustrée d’exemples utilisant les procédures LOGISTIC et CATMOD sous SAS.

Pré-requis

Cet enseignement demande que tous les élèves maîtrisent les cours de modèle de régression et statistique 3 (statistique inférentielle).


Un examen écrit d’une durée de deux heures (+ éventuellement rapport de TP).


• AGRESTI A., Categorical Data Analysis (3rd

ed.), WILEY & Sons, 2012

• GOURIEROUX C., Économétrie des variables qualitatives, (2e éd.), Editions Economica, 1989

• HOSMER D.W., LEMESHOW S., Applied Logistic Regression (3rd ed.), WILEY & Sons, 2013

• LEBART L., MORINEAU A., PIRON M., Statistique exploratoire multidimensionnelle (4e éd.),

Dunod, 2006

• SAS Institute Inc. Logistic Regression. Examples. Version 6, 1995.

• STOKES MAURA E., DAVIS, CHARLES S., KOCH, GARY G., Categorical Data Analysis Using the SAS System (2

nd ed.), Cary, NC : SAS Institute Inc, 2000


Français.


53


Statistique computationnelle Computational Statistics

Cours : 27h � TD : 3h � TP : 18h Enseignant : Myriam VIMOND (Ensai) Correspondant : Myriam VIMOND


La statistique computationnelle a pour objet la mise en œuvre de méthodes statistiques sur les ordinateurs, y compris celles impensables avant l'âge de l'ordinateur (par exemple boot-strap, simulation), ceci pour faire face aux problèmes analytiques. A partir de modèles statistique simple (inférence sur un tableau de contingence, modèles de mélanges, données manquantes, régression logistique, régression linéaire, valeurs extrêmes, modèle d'échantillonnage), le cours présentera des algorithmes permettant l'inférence des données. Ces algorithmes sont justifiés par la théorie des probabilités.


• Chapitre 1. Introduction aux chaines de Markov (Espace d'état discrets, Propriété de Mar-kov, Classification des états, Ergodicité, Espace d'états continus). Les chaînes de Markov sont probablement l'un des concepts les plus importants de la statistique computationnelle. Les chaînes de Markov ont des applications dans les sciences exactes et naturelles : en phy-sique statistique, la biologie, l'écologie, l'économie et le marché boursier. Cours 6h, TD 3h (pour les attachés qui suivent l’option chaîne de Markov, il y a 6h de TD)

• Chapitre 2. Générateur de nombres aléatoires (Nombre pseudo-aléatoires, inversion de la fonction de répartition, acceptation-rejet, stratification). Générer des nombres aléatoires issus d'une loi de probabilité désiré est un préalable à toute expérience de Monte Carlo. Ce chapitre présente différentes méthodes permettant de générer des échantillons indépen-dant et identiquement distribués et de simuler des lois vectorielles. Cours 3h, TP 3h

• Chapitre 3. Méthodes de Monte Carlo (Echantillon d'importance, Stratification, Evaluation d'intégrales et de quantiles, Erreur de Monte Carlo). Les méthodes de Monte Carlo sont une large classe d'algorithmes de calcul qui reposent sur un échantillonnage aléatoire répétée afin d'obtenir des résultats numériques. Elles sont principalement utilisés dans trois pro-blèmes distincts: l'optimisation, l'intégration numérique et la production d'échantillons à partir d'une distribution de probabilité. Ce chapitre se consacre à l'un de ses problèmes, l'évaluation d'une intégrale et l'évaluation d'un quantile d'une distribution. Cours 3h, TP 3h

• Chapitre 4. Monte Carlo par Chaîne de Markov (Metropolis Hastings, Gibbs, Erreur de Monte-Carlo) Les MCMC sont une classe d'algorithmes pour l'échantillonnage de lois de probabilité basé sur la construction d'une chaîne de Markov ergodique. Ces algorithmes sont communément utilisés en statistique bayésienne ou pour l'évaluation d'intégrales mul-tidimensionnelles. Cours 3h, TP 3h

• Chapitre 5. Rééchantillonnage (Mesure empirique, Estimateur plug-in, Jackknife, Bootstrap d'Efron) Le concept rééchantillonnage des données présente est utilisée pour estimer la


54

précision d'un estimateur comme l'erreur-type, un intervalle de confiance, ou le biais d'un estimateur. Ces techniques peuvent ainsi compléter les méthodes statistiques usuelles. Cours 6h, TP 4h30

• Chapitre6. Données manquantes (Les différents mécanismes des données manquantes, l'imputation simple, l'augmentation des données). On est en présence de données man-quantes lorsque l'on constate l'absence de valeurs pour une variable donnée. Les données manquantes réduisent la représentativité de l'échantillon et peuvent donc fausser infé-rences sur la population. Différentes méthodes d'imputation simple ou partielle sont étu-diées. Cours 3h, TP 3h

• Chapitre 7. L'algorithme EM L'algorithme espérance-maximisation est une méthode itéra-tive pour évaluer l'estimateur du maximum de vraisemblance ou le mode a posterio-ri (MAP) dans le cas où le modèle dépend de variables latentes non observées. Cours 3h, TP 1h30


Support de cours.

Pré-requis

Les notions de probabilités générales vues en première année (calcul de lois, conditionne-ment, théorèmes de convergence, algorithmes classiques de simulation de lois). Méthodes classiques d’estimation (méthode des moments, du maximum de vraisemblance, utilisation de la mesure empirique). Statistique Bayesienne. Le cours de programmation de première année. Des notions de programmation en R.


Un partiel (1h) portera sur les trois premiers chapitres (coeff 1/3). Un examen écrit (2h15) avec une feuille A4 autorisée (coeff 2/3).


• RUBINSTEIN R., Simulation and the Monte Carlo Method (2nd

ed.), Wiley, 2008

• ROBERT Ch., Méthodes de Monte Carlo par chaînes de Markov, Economica, 1996

• EFRON B., TIBSHIRANI R. J., An introduction to the bootstrap, 1993

• NTZOUFRAS, I, Bayesian Modeling Using WinBUGS, Wiley, 2009

• LITTLE, R., RUBIN, D. Statistical Analysis with missing data, Wiley, 2002


Français


55


Modèles de durée Survival Analysis

Cours : 12h � TD : 6h � TP : 3h Enseignant : Aude GRELAUD (Ensai)

Correspondant : Aude GRELAUD


Avoir identifié les hypothèses, les problèmes spécifiques et les champs d'application de l'étude des modèles de durée ; connaître correctement les outils spécifiques et le vocabulaire particulier à cette problématique ; savoir calculer en pratique les estimateurs de Kaplan-Meier et Nelson-Aalen, des fonctions de survie et de hasard ; savoir pratiquer, notamment sur ordinateur, une estimation paramétrique ou non-paramétrique à partir d'un jeu de données. Les logiciels SAS ou R seront utilisés lors des TP.


1. Motivation et exemples 2. Outils spécifiques aux modèles de durée 3. Modélisation paramétrique 4. Modélisation non-paramétriques 5. Tests de comparaison de fonctions de survie et tests d’adéquation. 6. Modèles de régression 7. Approche bayésienne


Comptes rendus de cours ; polycopié.

Pré-requis

Bonne maîtrise du calcul de probabilité tel que vu en première année. Notions d'estimation non-paramétrique, notamment maîtrise des statistiques d'ordre et de la fonction de répartition empirique. Notions d'estimation paramétrique, notamment savoir calculer une vraisemblance, un maxi-mum de vraisemblance (cas discret et absolument continu).


Un examen final (2 h).


• J.J. DROESBEKE, B. FICHET & P. TASSI éditeurs. Analyse Statistique des durées de vie. Modélisation des données censurées, 1989

• J.P. KLEIN, M.L. MOESCHBERGER, Survival Analysis : Techniques for Censored and Truncated Data (2nd edition), Statistics for Biology and Health, Springer, 2003.

• W. NELSON, Applied Life Data Analysis, Wiley series in Probability and Mathematical Statistics, 1982



56


Programmation objet en C++ Programming in C++

Cours : 6h � TP : 21h Enseignant : A déterminer


Le langage C++ est apparu en 1983. Il s’agit d’une extension du langage C permettant la pro-grammation orientée objet. Ce langage reste très utilisé et a su évoluer dans le temps puisque sa dernière révision date de 2011. Les points forts du C++ sont :

• Les grandes performances de calcul

• L’introduction de concepts de développement objet

• L’existence d’une grande communauté d’utilisateurs et d’un outillage de dévelop-pement important (des compilateurs largement disponibles, grand nombre de biblio-thèques, outils de débuggage, etc.).

Les compilateurs C++ sont réputés pour fournir des fichiers exécutables rapides. Ce langage est donc utilisé dans la recherche ou l’industrie surtout lorsque le temps d’exécution devient un élément important : calcul scientifique, imagerie 3D, traitement vidéo, traitement du signal, calculs financiers, traitement de grandes quantités de données. Ce langage pourra donc être utile pour les élèves devant faire face à ces problèmes. En parti-culier les élèves de la filière gestion des risques utiliseront ce langage dans leur cours de mé-thodes numériques.


Donner aux élèves les principaux concepts du langage afin qu’ils puissent comprendre et écrire des programmes en C++.


Les notions de base :

• Structure des programmes

• Expressions, instructions et types de base.

• La manipulation des pointeurs, des références et gestion de la mémoire.

• Les opérateurs et leur surcharge.

• La généricité (template) Les notions de programmation orientée objet

• Les classes et l’encapsulation

• Vie des objets : construction, manipulation et destruction des objets

• L’héritage simple et multiple

• Le polymorphisme dynamique

• Les classes abstraites Utilisation de la librairie standard (C++11)

• fonctionnement des conteneurs de données

• manipulation des entrées/sorties : affichages, saisies, fichiers Certaines de ces notions sont très proches de celles vues en Java mais le C++ a aussi des parti-cularités. Par exemple la gestion manuelle de la mémoire qui est à la l’origine de sa puissance et sans doute une de ses plus grande difficulté.


57


Support de cours.

Pré-requis

Le contenu du cours d’algorithmique de première année (ce qui inclut les bases du langage C++), les concepts de programmation orientée objet vus en Java ainsi que les notions de con-ception d’application UML.


A déterminer


• S.B. LIPPMAN (1998), L’essentiel du C++, Addison-Wesley

• B. STROUSTRUP (2003), Le langage C++, Pearson Edition

• DEITEL & DEITEL (2003), Comment programmer en C++ (3e éd.), Eyrolles

• B. ECKEL (2000), Thinking in C++ (2nd

ed.), Prentice Hall

• J. LIBERTY (1999), C++ Ressources d’experts, Campus Press.


Français


58


Programmation avancée en R Advanced Programming in R

Cours : 3h � TP : 12h Enseignant : Thierry MATHE (Insee)



Le langage R permet au statisticien de développer ses propres programmes. Cependant, le temps d’exécution de ces programmes peut être long. Lorsque ce temps d’exécution devient problématique il faut alors chercher à optimiser le programme.

Le but de cet enseignement est de donner aux étudiants :

• des outils permettant de rechercher les parties du programme qui posent problème

• des pratiques de programmation en R permettant d’obtenir des programmes plus rapides

• un aperçu de l’utilisation de bibliothèques C ou C++ en R


1. Syntaxe de R – écrire des programmes efficaces en R 2. Les outils de profilage 3. Créer un paquet 4. Intégrer du code C/C++ dans R


Support de cours

Pré-requis

Programmation en R Cours de Programmation objet en C++


Un examen.


- http ://www.r-project.org : site du projet R, contenant en particulier des manuels d'utilisa-tion (http ://cran.r-project.org/manuals.html) comme Writing R Extensions ou R Internals. - http ://rwiki.sciviews.org : wiki des utilisateurs de R. - http ://www.r-bloggers.com : blog(s) des utilisateurs de R.


Français


59

UE 2- 09 – Matière 2AECO05 – Semestre 2

Econométrie non paramétrique Nonparametric Econometrics

Cours : 21h Enseignant : Marian HRISTACHE (Ensai)

Correspondant : Marian HRISTACHE


La donnée d’un modèle statistique paramétrique fait intervenir une famille de lois caractérisée par un petit nombre de paramètres réels inconnus. Un tel cadre peut être parfaitement approprié lorsque la famille des lois de probabilité retenue apparaît imposée par le phénomène aléatoire que l’on veut décrire. En pratique cependant, ce choix d’un modèle paramétrique n’est souvent qu’un procédé simplifi-cateur commode, amenant des erreurs d’identification. L’approche alternative consiste à définir un modèle plus large, « non paramétrique », où une loi possible est caractérisée par une fonction

(et non plus un élément de Ρk). Identifier la loi revient alors à estimer cette fonction, approche qui a connu un vigoureux développement au cours des vingt dernières années, et constituera l’objet de ce cours.


1. Modèles non et semi-paramétriques. Principes de base de l’estimation fonctionnelle. 2. Estimation d’une densité par la méthode du noyau. 3. Estimation d’une régression par la méthode du noyau. 4. Estimation non paramétrique du score de propension. 5. Méthode des moments (généralisés) et instruments optimaux.


Support de cours.

Pré-requis

Bonne connaissance des cours de statistique 1-4, modèles de régression et économétrie.


Examen écrit + devoirs.


• BOSQ, D., LECOUTRE, J. P. (1987), Théorie de l’estimation fonctionnelle, Economica.

• HOROWITZ, J.L. (2009), Semiparametric and Nonparametric Methods in Econometrics, Springer

• LI, Q., RACINE, J. S. (2007), Nonparametric Econometrics. Theory and Practice, Princeton University Press.

• PAGAN, A., ULLAH, A. (1999), Nonparametric Econometrics, Cambridge University Press.

• TSYBAKOV, A. B. (2004), Introduction à l’estimation non-paramétrique, Springer.

• WASSERMAN, L. (2006), All of Nonparametric Statistics, Springer.


60


Français


61


Economie du risque Economics of Risk

Cours : 21h

Enseignant : A déterminer



Le cours se divise en 2 parties. Dans une première partie, nous étudierons le processus de décision en situation de risque et d’incertitude ainsi qu’une introduction à la théorie de l’assurance. La seconde partie sera consacrée à des applications (mesures d’inégalités, assu-rance, portefeuille) encore à déterminer.


1. Eléments de théorie du risque et de l’incertitude 1.5 Introduction : risque et incertitude 1.6 Quelques critères de décision

1.6.1 en situation d’incertitude 1.6.2 en situation risquée

1.7 Attitude vis-à-vis du risque 1.7.1 Le critère de l’utilité espérée 1.7.2 La dominance stochastique 1.7.3 Prime de risque et Equivalent-certain 1.7.4 Aversion au risque 1.7.5 Mesure du risque

1.8 Le risque et la théorie de l’assurance 1.8.1 Aléa moral et anti-sélection 1.8.2 Assurance optimale

2. Applications

Pré-requis :

Modélisation microéconomique du comportement du consommateur et du producteur

Contrôle des connaissances :

A déterminer

Références bibliographiques :

• The Economics of Risk and Time, Christian Gollier, MIT Press, 2001.

• Economic and financial decisions under uncertainty, Louis EECKHOUDT, Christian

GOLLIER, Harris SCHLESINGER, Princeton University Press, 2005

• Measuring inequality (3rd

ed.), Frank Cowell, Oxford University Press, 2011 http://darp.lse.ac.uk/MI3

Langue d’enseignement :

Français ou anglais


62

Enseignements de deuxième semestre : cours électifs


63


Modèles avancés de régression Advanced Regression Models

Cours : 21h Enseignant : Marian HRISTACHE (Ensai)

Correspondant : Marian HRISTACHE


Les modèles de régression semi-paramétriques s'imposent de plus en plus comme une alter-native performante aux modèles non paramétriques et paramétriques classiques, car la pré-sence simultanée d'un paramètre fonctionnel et d'un paramètre de dimension finie permet à la fois l'interprétation intuitive simple du paramètre euclidien, indispensable à l'utilisateur, et une plus grande flexibilité dans le choix du modèle, liée au paramètre fonctionnel. De plus, on peut ainsi échapper à deux problèmes classiques du modélisateur :

1. la très faible vitesse de convergence des estimateurs non paramétriques de régres-sion, dès que le nombre des régresseurs est grand.

2. les erreurs de spécification usuellement inhérentes à une modélisation paramétrique trop précise.

Le but du cours est la découverte de deux modèles de régression semi-paramétriques usuels.


1. Modèles paramétriques, non paramétriques, semi-paramétriques 2. Régression non paramétrique : estimateurs par polynômes locaux 3. Régression partiellement linéaire 4. Réduction de dimension : modèles à direction révélatrice


Support de cours.

Pré-requis

Bonne connaissance des cours de modèles statistique et estimation et modèles de régression. Avoir suivi le cours de modèle linéaire généralisé aidera à une meilleure compréhension des deux cours.


Examen écrit.


• EUBANK, R.L. (1999), Nonparametric Regression and Spline Smoothing, (2nd ed.), Dekker.

• FAN, J., GIJBELS, I. (1996), Local Polynomial Modelling and Its Applications, Chapman & Hall.

• HÄRDLE, W., LIANG, H., GAO, J. (2000), Partially Linear Models, Springer.

• HASTIE, T., TIBSHIRANI, R.J. (1990), Generalized Additive Models, Chapman & Hall.

• HOROWITZ, J. (1998), Semiparametric Methods in Econometrics, Springer.


64



65


Chaînes de Markov Markov Chains

Cours : 15h � TD : 6h Enseignant : Alexandre POPIER (Université du Maine)

Correspondant : François COQUET


Ce cours revient des chaînes de Markov, famille importante de processus stochastiques, déjà rencontrée en ISAO, et dont le champ d’application est très large : file d'attente, gestion de stocks, fiabilité, traitement d'images, économétrie, génétique, physique, etc. Le cours nécessite la maîtrise du calcul des probabilités. Il introduira les notions nécessaires à une bonne compréhension de la modélisation des phénomènes markoviens. De nombreux exemples d’application seront étudiés en cours et sous forme d’exercice.


Rappel des définitions. Équation de Chapman-Kolmogorov et formules de conditionnement. Classification des états, périodicité, temps d’atteinte, récurrence et transience. Loi stationnaire et théorèmes limites, statistiques des chaines de Markov.


Examen écrit de 2h00.


• BALDI P., MAZLIAK L. & PRIOURET P., Martingales et chaînes de Markov : théorie élémentaire et exercices corrigés, Hermann, 2001.

• BENAIM M., EL KAROUI N., Promenade aléatoire, éditions de l’École Polytechnique, 2004.

• BOULEAU N., Processus stochastiques et applications (nouv. éd.), Hermann, 2000.

• FOATA D. & FUCHS A., Processus Stochastiques (2e éd.), Dunod, 2004.

• GRAHAM C., Chaînes de Markov, Dunod, 2008.

• GRIMMETT G.R. & STIRZAKER D.R., Probability and Random Processes, Oxford Sciences Publications, 2001 (3

rd ed.).

• NORRIS J.R., Markov Chains, Cambridge Series in Statistical and Probabilistic Mathematics, 1997.

• PARDOUX E., Processus de Markov et applications: Algorithmes, réseaux, génome et finance. Dunod, 2007.


Français.


66


Analyse de données répétées (pour les élèves ingénieurs)

Longitudinal Data Analysis


Correspondant :


L’analyse de mesures répétées ou données longitudinales survient par exemple lorsque l’on suit des patients au cours du temps (courbes de croissance. Contrairement à ce qui a été fait jusque là pour les modèles linéaires et linéaires généralisés, les observations ne sont plus indépendantes ; en effet elles se divisent naturellement en groupes (par individu) qui sont eux indépendants. L’objet de ce cours est de voir sur 2 modèles classiques, le modèle linéaire et la régression logistique, comment écrire un modèle tenant compte de cette dépendance et estimer ces paramètres. L’implémentation se fera sous SAS.


1. Rappel sur les modèles linéaires et GLM 2. Limites du modèle linéaire et GLM et définition des données répétées 3. Modèle linéaire pour l’analyse de données répétées 4. Régression logistique sur des données répétées 5. Implémentation des modèles sous SAS

Pré-requis

Bonne connaissance des cours de modèle linéaire, ANOVA et GLM.


A déterminer


• Charles E. McCulloch , Shayle R. Searle , John M. Neuhaus , 2008 .Generalized, Linear, and Mixed Models (Wiley Series in Probability and Statistics)

• Verbeke, Geert; Molenberghs, Geert ,1997. Linear Mixed Models in Practice A SAS-Oriented Approach

• Agresti, A., An introduction to categorical analysis, Wiley, 1996


Anglais.


67


Martingales et processus de Lévy Martingales and Levy Process

Cours : 12h � TD : 9h Enseignant : Lionel TRUQUET (Ensai)

Correspondant : Lionel TRUQUET


Connaître et savoir appliquer les techniques de bases faisant appel aux outils de type martin-gale. Maîtriser notamment les notions de temps d'arrêt et de crochet de martingales. Avoir une intuition de la notion de martingale en temps continu et de la propriété de Lévy. Être prêt à appliquer ces techniques dans un cadre applicatif.


1. Processus stochastiques, filtrations, temps d’arrêt 2. Martingales sous-martingales et sur-martingales en temps discret 3. Théorèmes d’arrêt et de convergence 4. Processus en temps continu 5. Processus de Lévy, processus de Poisson, mouvement brownien 6. Exemples de martingales à temps continu

Pré-requis

Une bonne maîtrise des techniques probabilistes telles qu'elles sont présentées dans le cours de Probabilités « maths ».


Un examen final (2 h). Documents et calculatrices autorisés.


• FOATA D., FUCHS A., Processus stochastiques (2e éd.) (Dunod, 2004)

• WILLIAMS D., Probability with martingales (Cambridge University Press, 1991)


Français


68


Modèles de durée Survival Analysis

Cours : 12h � TD : 6h � TP : 3h Enseignant : Aude GRELAUD (Ensai)

Correspondant : Aude GRELAUD


Avoir identifié les hypothèses, les problèmes spécifiques et les champs d'application de l'étude des modèles de durée ; connaître correctement les outils spécifiques et le vocabulaire particulier à cette problématique ; savoir calculer en pratique les estimateurs de Kaplan-Meier et Nelson-Aalen, des fonctions de survie et de hasard ; savoir pratiquer, notamment sur ordinateur, une estimation paramétrique ou non-paramétrique à partir d'un jeu de données. Les logiciels SAS ou R seront utilisés lors des TP.


1. Motivation et exemples 2. Outils spécifiques aux modèles de durée 3. Modélisation paramétrique 4. Modélisation non-paramétriques 5. Tests de comparaison de fonctions de survie et tests d’adéquation. 6. Modèles de régression 7. Approche bayésienne


Comptes rendus de cours ; polycopié.

Pré-requis

Bonne maîtrise du calcul de probabilité tel que vu en première année. Notions d'estimation non-paramétrique, notamment maîtrise des statistiques d'ordre et de la fonction de répartition empirique. Notions d'estimation paramétrique, notamment savoir calculer une vraisemblance, un maxi-mum de vraisemblance (cas discret et absolument continu).


Un examen final (2 h).


• J.J. DROESBEKE, B. FICHET & P. TASSI éditeurs. Analyse Statistique des durées de vie. Modélisation des données censurées, 1989

• J.P. KLEIN, M.L. MOESCHBERGER, Survival Analysis : Techniques for Censored and Truncated Data (2nd edition), Statistics for Biology and Health, Springer, 2003.

• W. NELSON, Applied Life Data Analysis, Wiley series in Probability and Mathematical Statistics, 1982



69


Méthodes de discrimination (pour les élèves ingénieurs) Discriminant Analysis

Cours : 15h � TP : 9h Enseignant : Marine DEPECKER (CEA)



A l’issue de cet enseignement, les élèves devront être capables de mettre en œuvre et d’analyser les résultats des méthodes de discrimination et de segmentation par arbre. Les applications de l’analyse discriminante et de la segmentation sont très nombreuses : sco-ring bancaire, marketing, aide au diagnostic ou au pronostic médical, reconnaissance de formes, prévision d’événements, etc. Ce module présentera les fondements théoriques de ces méthodes et permettra leur mise en œuvre concrète lors de séances de TD et TP sur SAS et SPAD. Elles consisteront en des études de cas réalisées sur des jeux de données réels pour lesquelles les élèves devront définir les méthodes à utiliser, les mettre en œuvre et en interpréter les résultats.


Partie 1 : Analyse discriminante Partie 2 : Segmentation par arbre (CART, CHAID) Partie 3 : Comparaison de méthodes


Polycopiés.

Pré-requis

Cet enseignement demande la maîtrise du cours de Statistique Exploratoire Multivariée 1, de la notion de projection et d’optimisation (lagrangien).


Un examen écrit.


• HUBERTY C.J., Applied discriminant analysis, Wiley, 1994.

• McLACHLAN G.J., Discriminant analysis and statistical pattern recognition, Wiley, 1992.

• CELEUX G., NAKACHE J.P., Analyse discriminante sur variables qualitatives, Polytechnica, 1994

• CONFAIS J., NAKACHE J.-P., Statistique explicative appliquée, Technip, 2003 • TUFFERY Stéphane, Data Mining et statistique décisionnelle (3

e éd.), Technip, 2010


Français


70


Technologies mobiles

Mobile Technologies

Cours : 6h � TP : 15h Enseignant : Olivier LEVITT (Insee)



L'arrivée des appareils mobiles entraine des changements dans le développement des appli-cations pour tenir compte des capacités de stockage mais surtout de la spécificité des écrans de visualisation, notamment leur taille. L'objectif de ce cours est de sensibiliser les étudiants aux contraintes d'utilisation de ces supports et de leur montrer, à travers de cas pratiques, comment en tenir compte lors de la réalisation d'une application. Le développement sera effectué pour des appareils fonctionnant sous Android : smartphone ou tablette tactile.


1. Android, les présentations a. Contexte b. Architecture

2. Android et les applications a. Cycle de vie b. Activités

3. Android et les interfaces a. Layouts et Views b. Menus et évènements

4. Android et les données a. Accès aux ressources b. Content Providers


Support de cours

Pré-requis

Les étudiants choisissant cette option devront être très à l'aise avec les concepts objets et la programmation abordés en première année.


Un travail pratique à faire en binôme.



Français


71


Visual Basic Application (pour les élèves ingénieurs) Visual Basic Programming Using Excel

Cours : 1h30 � TP : 19h30 Enseignant : A déterminer



Découvrir et comprendre l’environnement et la logique de développement en VBA pour Excel. Être capable de développer des applications en VBA pour Excel et d’accéder aux bases de données. Savoir mobiliser l’information nécessaire au développement en VBA pour Excel.


1. L’éditeur VBA : les fenêtres et leurs éléments 2. Les objets Visual Basic Application : classeur, feuille, cellule, graphique 3. Le langage de programmation : variables, structures conditionnelles et boucles,

procédures et fonctions 4. Le code : compilation, exécution et débogage 5. L’utilisation des principales formules d’Excel dans VBA pour le traitement de données 6. Les boîtes de messages et les formulaires 7. L’accès aux bases de données


Support de cours

Pré-requis

Les concepts algorithmiques abordés dans le cours algorithmique et programmation de 1ère

année doivent être maîtrisés. L'accès aux bases de données nécessite un minimum de con-naissance en SQL. La maîtrise des principes de base du tableau est souhaitable.


Un TP noté en binôme (25%) et un examen sous forme de TP individuel (75%)


• Excel 2007 VBA : étape par étape - Reed Jacobson, MicrosoftPress – 2007

• http://silkyroad.developpez.com/

• Support de cours : http://bidou.ftp-developpez.com/Cours/VBA/formationVBA.pdf

• Formation Excel débutant : http://www.siteduzero.com/informatique/tutoriels/les-bases-d-excel


Français


72


Panorama du Big Data (pour les élèves ingénieurs) Introduction to Big Data

Cours : 9 h � Atelier : 12h Enseignant : Yann Busnel (Ensai)

Correspondant : Yann Busnel


Au cours de la dernière décennie, nous avons assisté à l’émergence d’applications numé-riques nécessitant de faire face à de gigantesques quantités de données, générées de plus en plus rapidement. Ces applications (surveillance de réseaux, biologie et médecine, applications financières, réseaux sociaux, etc.) nécessitent un besoin grandissant de techniques capables d’analyser et de traiter ces grandes masses d’information, avec précision et efficacité. La statistique rejoint ici les sciences du numérique, et plus précisément l’informatique répartie, pour proposer de nouvelles approches, relatives au Big Data. Les techniques et les modèles doivent prendre en compte le volume pléthorique de ces données, mais également leur géné-ration rapide en continu (vélocité) ainsi que la diversité de leur format (variété) et la qualité de l’information (véracité), appelés communément les 4V du Big Data.


• Que se cache-t-il derrière l’expression marketing « Big Data »

• La volumétrie : un problème de performance

• La vélocité : un problème d’efficacité

• La variété : un problème d’hétérogénéité

• La véracité : un problème de qualité

Pré-requis

Programmation objet avec Java ; SQL


Un examen d’une heure et demi, tous documents autorisés. Un contrôle continu pourra être proposé.


• Analyses des Big Data : quels usages, quels défis ? Note d’analyse du Comissariat général à la stratégie et la prospective

• Pirmin Lemberger, Marc Batty, Médéric Morel, Jean-Luc Raffaëlli. Big Data et machine learning - Manuel du data scientist, Dunod, 2015.

• Rudi Bruchez. Les bases de données NoSQL et le BigData : Comprendre et mettre en œuvre, Eyrolles (2015)



73


Education, Human Capital, and Growth Education, capital humain et croissance

Cours : 21h Enseignant : Vincenzo CAPONI (Ensai)

Correspondant : Vincenzo CAPONI

Objective

This course treats microeconomic issues related to human capital: How human capital is ac-quired, what policies are affective in increasing the accumulation of human capital, the rela-tionship between human capital and education, human capital as an investment etc…; and the macroeconomic relevance of human capital for growth and inequality.

Contents

Micro The relevance of education The demand for education Borrowing constraints Signalling e screening Production of education Education financing The return to education Mobility and Inequality Macro: The Solow Growth Model The Solow model with human capital

Pre-requisites

Macroeconomics; Econometrics.

Evaluation

Depending on feasibility there will be presentations or assignment worth 30% of the final mark, and a final exam.

References

• ACEMOGLU D., (2008), Introduction to Modern Economic Growth, Princeton University Press

• CHECCHI D., (2008) The Economics of Education: Human Capital, Family Background and

Inequality, Cambridge University Press

• BREWER D. J. and mcEwan P. J., (2010), Economics of Education, Elsevier


Anglais


74


Economie des contrats Contract Theory

Cours : 21h Enseignant : Reynald-Alexandre LAURENT

Correspondant : Stépahne AURAY


Depuis le milieu des années 1970 l'économie des contrats est devenue un champ majeur de développement théorique d’une part car elle correspond à un développement des pratiques contractuelles dans la vie économique réelle et d’autre part car l’approche des transactions économiques réalisées sur des marchés concurrentiels s'est révélée insuffisante, sur le plan analytique, pour rendre compte de nombreux phénomènes observés.


Introduction : Pourquoi une théorie économique des contrats? Première partie : L’analyse économique des contrats 1. Modèles fondamentaux et problématique 2. Les contrats face aux aléas 3. Le rôle des asymétries d'information 4. Les contrats d'agence Deuxième partie : formes fréquentes de contrat 1. Les contrats verticaux 2. Les ententes entre entreprises 3. Les enchères 4. Les contrats de franchise

Pré-requis

Aucun


Un examen final de 2h.


Bernard Salanié , « Théorie des contrats », 2e édition, Economica


Français


75


Economie Industrielle Industrial Organization

Cours : 15h � TD : 6h Enseignant : Frédéric LOSS (Université de Dauphine)


Objectifs de la matière

Ce cours doit permettre aux élèves d’acquérir une bonne compréhension des différentes problématiques relevant de la stratégie de développement des entreprises du secteur concur-rentiel, ainsi que des enjeux et des modes de régulation relevant de l’autorité publique en matière de pratiques concurrentielles. Il doit également conduire les élèves à maîtriser la construction de modèles théoriques en permettant l’analyse.


Le cours mettra l’accent sur les applications (études sectorielles, décisions de politique de concurrence) afin de montrer l’intérêt et la portée de la modélisation théorique tant pour les décideurs privés (entreprises) que pour les décideurs publics (autorités de la concurrence).

Plan indicatif

Chapitre 1 : Concurrence imparfaite et pouvoir de marché : Cournot versus Bertrand Chapitre 2 : La différenciation sur les marchés Chapitre 3 : La collusion Chapitre 4 : Les fusions horizontales Chapitre 5 : Les relations verticales

Pré-requis

Cours de Modélisation microéconomique ou équivalent


Examen écrit


• MEDAN, P. et T. WARIN. Économie industrielle. Une perspective européenne. Dunod, Collection ECO-SUP, 2000.

• CARLTON, D. et J. PERLOFF. Économie industrielle (2e éd.). De Boeck, 2008.

• MOTTA, M. Competition Policy. Theory and Practice. Cambridge University Press, 2004.

• YILDIZOGLU, M. Introduction à la théorie des jeux (2e éd.). Dunod, Collection ECO-SUP, 2011.


Français


77

Enseignements optionnels et de communication


78

UE 2-11 ing – Matière 2AHUM07 – Semestre 1

Projet professionnel ingénieurs Professional Preparation

TD : 11h Enseignant : Divers intervenants

Correspondant : Aurélie DUCHESNE


L’objectif est de préparer les élèves aux candidatures pour les stages et entretiens d’embauche.


Séance 1 : - rédiger des CV et lettres de motivation efficaces ; - valoriser le stage opérateur et plus généralement les expériences passées ; - communiquer efficacement sur son parcours.

Séance 2 : - préparer des tests psychotechniques, fréquemment utilisés pour les recrutements.

Séance 3 : - candidater à l’international avec un CV et une lettre de motivation adaptés aux

usages des pays anglophones.

Lors de cette séance, des anciens élèves exposeront aussi leurs parcours et expériences de l’international.

Séance 4 : simulation d’entretien, avec des responsables de recrutement

Pré-requis

Aucun


L’enseignement est validé par la validation des CV et lettres de motivation en français et an-glais.


Seront données en cours.


Français et anglais


79

UE 2-11 att – Matière 2AHUM07 – Semestre 1

Projet professionnel attachés

Professional Preparation

TD : 18h

Enseignant : Divers intervenants Correspondant : Valérie BROSSAUD


L’objectif est de sensibiliser les attachés stagiaires aux emplois et activités dans la statistique publique, afin de mieux cerner leur projet professionnel à court et moyen terme.


Les séances seront consacrées à : - Comprendre l’activité et appréhender les domaines de compétences de l’INSEE. - Connaître les familles de métiers à l’INSEE et dans la statistique publique. - Comprendre les enjeux et modalités de la campagne de mobilité. - Dégager ses motivations professionnelles et construire des parcours cohérents.

Pré-requis

Aucun


Le module sera validé en fonction de l’implication de l’élève tout au long des TD.


Notices Insee


Français


80

UE 2-11 et Bonus

Participation aux activités associatives Participation in ENSAI associations

Correspondant : Laurent DI CARLO


La participation à des activités associatives favorise l’ouverture d’esprit, le développement des relations personnelles et l’engagement collectif. De ce point de vue, l’école souhaite l’encourager, dans la limite d’un investissement compatible avec la réussite académique de l’élève qui reste bien évidemment la priorité.

1) Les activités associatives liées à l’école La participation comme dirigeant ou membre du bureau d’une association de l’école peut donner droit à des points bonus qui s’ajoutent à la moyenne du semestre concerné. La liste précise des bénéficiaires et le niveau du bonus sont fixés par la direction des études, après concertation avec les associations concernées :

- en début d’année académique pour le semestre 1.

- en début d’année civile pour le semestre 2.

Pour bénéficier de ce bonus, les élèves doivent avoir une activité avérée au sein de l’association pendant le semestre concerné. La liste définitive des bénéficiaires est validée par le directeur des études avant chaque jury. En plus de ce dispositif, des membres des associations de l’école, dont la liste et/ou les fonc-tions sont précisées en début d’année académique, peuvent bénéficier d’une prise en compte plus importante de leur engagement, afin de plus valoriser l’ouverture procurée par les activi-tés concernées (comptabilité, organisation, prospection, communication, animation…).

Cette prise en compte supplémentaire consiste en la dispense d’un cours d’ouverture par

semestre. Pour en bénéficier, les élèves concernés doivent faire remonter par le Président de l’association concernée une demande, puis remettre en fin de semestre un rapport d’activité détaillant les actions réalisées - à titre personnel - pour l’association. Ce rapport est noté par le directeur des études, qui en appréciera la forme et la richesse des actions entreprises pour l’école. La note est prise en compte dans l’UE 11. Hors cas de force majeure, si un élève ne remplit pas ses engagements et si son activité ne justifie pas la dispense, celle-ci est rétroactivement annulée. L’élève sera donc soumis au régime prévu dans le règlement de scolarité, c'est-à-dire qu’il devra donc composer sur deux cours d’ouverture (ou un cours de langue optionnelle) pour l’unité d’enseignement concer-née.


81

2) Les autres activités associatives La participation à des activités associatives dans un cadre hors scolaire peut aussi donner droit à des points bonus et à une dispense de cours d’ouverture. C’est notamment le cas lorsque l’activité :

- traduit une compétence forte dans un domaine d’ouverture,

- valorise l’école,

- demande un investissement important.

Par exemple, la participation au 4L Trophy peut entrer dans ce cadre, lorsque les dates sont compatibles avec la période d’examens ou de rattrapages de l’école. Les élèves souhaitant en bénéficier doivent déposer une demande argumentée à la direction des études.


82

Bonus

Sport Sports

TP : 30h Enseignant : Divers intervenants

Correspondant : Jacques LEGOUIC

Enseignement destiné aux élèves-ingénieurs et aux attachés


L’objectif est d’amener les élèves à maintenir un esprit sportif, sortir du strict cadre acadé-mique et développer leurs capacités physiques.


7 activités sportives sont proposées par l’école : - Badminton - Basket - Fitness - Football - Hand-ball - Tennis de table - Tennis débutant - Volley-ball

Outre les entraînements, les élèves inscrits peuvent être amenés à participer à des compéti-tions.

Prise en compte dans la scolarité

La participation à une activité sportive peut donner lieu à l’attribution d’un bonus (non cumu-lable) ajouté sur la moyenne du semestre concerné. Le niveau de ce bonus est précisé dans une circulaire d’application en début d’année académique. Il varie selon l’assiduité aux séances, l’engagement et la participation aux compétitions tout au long de l’année. Pour être définitive, la liste des élèves bénéficiant de ces bonus doit être validée par le direc-teur des études.


83

UE 2-11 – Semestres 1 et 2

Cours d’ouverture General Culture Courses

Cours : 21h par semestre Enseignant : Divers intervenants

Correspondant : Esther LALAU-KERALY


L’objectif est d’amener les élèves à maintenir un esprit ouvert sur le monde, sortir du strict cadre académique et parfois scientifique et développer leurs connaissances en culture géné-rale.


Différents cours d’ouverture sont proposés par l’école : � Atelier théâtre � Cinéma � Dessin � Histoire de l'art du XXe siècle � Histoire pour comprendre le monde d'aujourd'hui � Introduction à la psychologie sociale : quelques éléments de compréhension du

comportement humain � Média, mémoire et histoire : des rapports ambigus � Peinture � Philosophie générale : le temps et l'histoire � Physique : une science appliquée aux enjeux sociétaux, économiques et environne-

mentaux � Relations de l'homme avec son environnement : le développement durable et les

nouveaux enjeux du 21e siècle � Sociologie � Villes et architecture en Europe aux XIXe et XXe siècles

Leur contenu et leur mode de contrôle des connaissances sont décrits dans le fascicule « Pro-gramme des enseignements : Cours libres optionnels. »


84

UE 2-11 – Matière TALV2 – Semestres 1 et 2

Langues optionnelles Optional Languages

Cours : 30h par semestre Enseignant : Divers intervenants

Correspondant : Esther LALAU-KERALY


L’étude d’une deuxième langue vivante est très fortement conseillée par la Commission du Titre d’Ingénieur et une période à l’étranger est obligatoire pendant la scolarité. Les objectifs varient selon le niveau et la langue. Tous les élèves auront progressé dans les quatre compétences, c’est à dire l’expression écrite et orale et la compréhension écrite et orale.


4 langues optionnelles sont proposées par l’école : � Allemand � Chinois � Espagnol � Italien

Leur contenu et leur mode de contrôle des connaissances sont décrits dans le fascicule « Pro-gramme des enseignements : Cours libres optionnels. »


85

Enseignements spécifiques aux élèves attachés

ENSEIGNEMENTS VOLUME HORAIRE

Cours TD/TP Total

Comptabilité nationale LibreOffice Basic

9 1,5

16,5

9 18

Méthodologie d’enquête 9 9 18 Techniques rédactionnelles 12 13,5 25.5

Total 31,5 39 70.5


86

UE 2-12 – Matière 2AINF09

LibreOffice Basic LibreOffice Basic

Cours : 1h30 – TP : 16h30 Enseignant : Samuel TOUBON (Ensai)


Enseignement destiné aux élèves-attachés


Découvrir et comprendre l’environnement et la logique de développement en Basic pour LibreOffice Calc. Être capable de développer des applications dans ce langage pour automati-ser des traitements. Savoir rechercher et utiliser l’information nécessaire dans ce domaine.


1. Le langage de programmation Basic : a. variables, structures conditionnelles et boucles, procédures et fonctions b. les structures de données usuelles : tableaux, matrices, structures complexes c. les formats, la gestion des dates d. le traitement des erreurs

2. L’éditeur LibreOffice : a. les fenêtres, les boîtes de dialogue, les formulaires b. compilation, exécution et débogage du code Basic

3. L’API LibreOffice : a. manipulation des classeurs, feuilles, cellules, graphiques b. l’utilisation de formules de Calc dans Basic et de fonctions Basic dans Calc

4. L’accès aux bases de données


Un examen final sous forme de TP individuel.


Guide de programmation de OpenOffice.org Basic :

https://wiki.openoffice.org/wiki/Documentation/BASIC_Guide

Mémento sur la manipulation des feuilles de calcul :

https://wiki.openoffice.org/wiki/Spreadsheet_common


Français


87

UE 2-12 – Matière 2ASTA03

Méthodologie d’enquête Survey Methodology

Cours : 9h (cours) + 9h (présentations) Enseignant : Divers intervenants

Correspondant : Guillaume CHAUVET



L’objectif de ce cours est de présenter aux élèves des méthodes spécifiquement utilisées par l’Insee pour ses enquêtes, notamment auprès des ménages. La première partie de cet ensei-gnement est constituée d’un cours durant lequel seront présentés les méthodes d’échantillonnage multidegrés avec des exemples d’application. La seconde partie de cet enseignement correspond à trois présentations de 2h50 portant sur des enquêtes menées par l’Insee.


Partie Cours :

• Rappels sur l’échantillonnage

• Sondage par grappes

• Sondage à plusieurs degrés

• Exemples


Supports de cours.

Pré-requis

Cours de Sondages, cours de Sondages Avancés.


Examen écrit et/ou note de synthèse.


• ARDILLY P., Les Techniques de Sondage, Paris, Technip, 2006

• COCHRAN W.G., Sampling Techniques (3rd

ed.), New-York, Wiley, 1977

• SÄRNDAL C.-E., SWENSSON B., WRETMAN, Model Assisted Survey Sampling, New York, Springer Verlag, 1992


Français


88

UE 2-12 – Matière 2AHUM2

Techniques rédactionnelles Editorial Techniques

Cours : 12h � TP : 13h30 Enseignant : Laurent BISAULT (Insee), Pascal CAPITAINE (Insee), Laurent DI CARLO




L’objectif de cet enseignement est de former les futurs attachés, et en particulier les futurs chargés d’études, aux techniques rédactionnelles, c’est-à-dire à l’ensemble des règles per-mettant d’améliorer la lisibilité d’un texte et sa compréhension par un lecteur.


Les points suivants seront abordés : 1. les lois de proximité 2. la structure d’un texte : pyramide inversée, message essentiel, angle… 3. les règles de lisibilité : adopter un style actif, construire des phrases courtes, éviter les

enchâssements et la logique instrumentale… 4. l’habillage : titres, inters et chapô 5. les illustrations : tableaux et graphiques.

Pré-requis

Aucun.


Rédiger une analyse de territoire dans un format de « 2 pages » à partir d’un ensemble de tableaux statistiques.


Français


89

UE 2-12 – Matière 2AECO10

Comptabilité nationale National Accounting Cours : 9h Enseignant : Ronan MAHIEU / Claire BIDAULT (Insee)


Enseignement destiné aux élèves Attachés


L’objet du cours est de présenter la comptabilité nationale sous l’angle de l’économie et de ses circuits. Les principaux concepts seront définis, le cadre comptable cohérent dans lequel ils s’articulent sera présenté.


1

ère séance : Introduction

Tableau Entrées-Sorties (TES) 2

ème séance : Tableau économique d'ensemble (TEE)

Compte de capital, financier et de patrimoine 3

ème séance : Comptes trimestriels

Conclusion

Pré-requis

Les cours d’économie.


Un examen écrit de 1h, sans document.


• INSEE, (2014), L’Économie française - Comptes et dossiers,, INSEE Références.

• PIRIOU J.P., BOURNAY J. (2012), La comptabilité nationale (16e édition), La Découverte, coll. Repères.


Français.