année - Ensai

Transcription

année - Ensai

Programme
des enseignements
2e année
ANNEE SCOLAIRE 2016 / 2017
Ensai
Programme des enseignements de 2ème année
2016/2017
PROGRAMME DES ENSEIGNEMENTS DE 2ÈME ANNÉE
ANNÉE SCOLAIRE 2016/2017
1
Ensai
2016/2017
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 ................................................................................................................. 24
Statistique exploratoire multivariée ..................................................................................... 26
Théorie des sondages ............................................................................................................ 27
Projet informatique ............................................................................................................... 29
Econometrics I ....................................................................................................................... 30
Econometrics II ...................................................................................................................... 32
Analyse de variance ............................................................................................................... 33
Anglais ................................................................................................................................... 34
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
Python pour le statisticien public .......................................................................................... 43
Cartographie.......................................................................................................................... 44
Economie du risque ............................................................................................................... 47
Empirical Macroeconomics ................................................................................................... 48
Panorama du Big Data ........................................................................................................... 49
Enseignements du deuxième semestre : tronc commun pour les élèves ingénieurs ........... 51
Projet statistique ................................................................................................................... 53
Modèle linéaire généralisé et régression sur variables catégorielles ................................... 54
Statistique computationnelle ................................................................................................ 55
Modèles de durée ................................................................................................................. 57
Programmation avancée en R ............................................................................................... 60
Econométrie non paramétrique ............................................................................................ 61
Economie du risque ............................................................................................................... 62
Enseignements de deuxième semestre : cours électifs ....................................................... 63
Modèles avancés de régression ............................................................................................ 64
3
Ensai
2016/2017
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
Python pour l’ingénieur .........................................................................................................73
Education, Human Capital, and Growth ................................................................................74
Economie des contrats...........................................................................................................75
Economie Industrielle ............................................................................................................76
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
Lutte contre la discrimination ................................................................................................90
4
Ensai
2016/2017
Présentation générale des enseignements
Créée depuis 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 statistique 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,
ème
sont notés ensemble. Toutefois au second semestre de 2 année, les parcours se différentient sensiblement. Les élèves ingénieurs ont des enseignements qui les renforcent dans les
ème
compétences d’ingénieur statisticien et les préparent aux filières de 3
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, informatique, 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 écoer
nomie au 1 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 économie…) suivent des cours complémentaires de mathématiques (algèbre, td d’analyse) pour
acquérir les bases utiles dans l’apprentissage ultérieur des statistiques.
5
Ensai
2016/2017
La pédagogie des enseignements des probabilités et des bases de la statistique est aussi adaptée 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
ère
1 année. Il s’agit notamment des logiciels statistiques (SAS, R), la macro et la microéconomie, les cours d’ouverture et l’anglais.
ère
A l’issue de cette 1 année, les élèves disposent d’un socle de connaissances commun en
ème
mathématique/statistique, économie et informatique qui leur permet de poursuivre en 2
année dans un cursus où l’origine n’est plus différenciée.
ère
Un stage de un à deux mois conclut cette 1 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 fondamentaux, pour certains introductifs, pour d'autres d’approfondissement. L’essentiel est dispensé
ème
sous forme d’enseignements de tronc commun. Pour autant, au 2
semestre, les élèves
choisissent aussi des cours électifs en fonction de leurs souhaits et des connaissances qu’ils
ème
année (ingénieurs élèves) ou leur
veulent acquérir pour préparer leur spécialisation de 3
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 professionnels.
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 publiques ou privées, les stagiaires y apprennent à mobiliser et mettre en œuvre les connaissances 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 technologiques. 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.
6
Ensai
2016/2017
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 conséquences 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 décision, 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 spécialisation 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 domaines 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 technologies web. Les quatre piliers d’enseignement de cette voie couvrent l'informatique décisionnelle, la manipulation de larges volumes de données, les bases de données et le développement d’applications en réseau. Cette filière ouvre sur de très nombreux domaines professionnel, 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 politiques publiques. Les outils statistiques et économétriques, notamment en microéconométrie, 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, laboratoires 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 conventions passées avec des universités, de suivre des cours de master 2 pendant leur troisième
7
Ensai
2016/2017
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.
8
Ensai
2016/2017
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 lesquels 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 statistique, en groupe, mettant en œuvre des méthodes de statistique descriptive.
La seconde année est centrée sur l’apprentissage des techniques utiles au statisticien de profession : 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, permet 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'appuient sur le même métalangage : UML. Le développement logiciel est introduit dans un premier temps avec les notions algorithmiques de base, ces dernières sont mises en œuvre avec
9
Ensai
2016/2017
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 mathématique et IUT Stid bénéficient en outre d’un cours portant sur la complexité et la calculabilité 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 données 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 statistique, 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
re
l’objectif est de mettre en application les enseignements reçus en 1 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, un cours de Python 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 enseignement 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 orientées objet, administration de projets informatiques, intelligence artificielle, big data, datamining, 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 connaissances 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 première 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 particulier 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.
10
Ensai
2016/2017
En seconde année, le cours d’économétrie du tronc commun vise à donner aux élèves les
ème
méthodes de validation empirique des modèles théoriques. Ce cours est complété au 2
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 notamment.
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
ère
des projets statistiques en 1 année, puis développent ces compétences en travaillant sur les
projets qui jalonnent leur scolarité. Des coachs en communication interviennent directement
ème
auprès de chaque groupe d’élèves. En 3
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.
1
Un score minimal de 785 points 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 enseignements 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 :
1
Anglais (thèmes ou TOEIC)
Architectures contemporaines
Cinéma
Dessin
Média, mémoire et histoire : des rapports ambigus
Philosophie : l’avenir de l’éthique
Développement durable : un défi d’avenir ?
Peinture
Musique
Psychologie
Sociologie
Tandem (modalités spécifiques)
Ce score minimum correspond au niveau B2 du CECRL.
11
Ensai
2016/2017
La participation à des activités associatives peut remplacer un cours libre optionnel par semestre 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.
12
Ensai
2016/2017
Enseignements de 2ème année - Volumes horaires enseignés
Élèves attachés
13
Ensai
2016/2017
Volume horaire
Enseignements
Cours TD
TP
Coefficients
Projet Total
et crédits
UE 2-01 : MODÈLES STATISTIQUES MULTIVARIES
Modèle de régression
21
21
6
48
Séries temporelles
24
12
6
42
4
Total UE 2-01
45
33
12
90
9
21
9
12
42
3,5
Théorie des sondages
24
15
3
42
3,5
Total UE 2-02
45
24
15
0
84
7
7,5
27
36
5
7,5
27
36
5
0
5
UE 2-02 : COLLECTION ET ANALYSE DE DONNEES
Statistique
multivariée
exploratoire
UE 2-03 : PROJET INFORMATIQUE
Projet informatique
1,5
Total UE 2-03
1,5
0
Econometrics I
15
6
21
2,5
Econometrics II
15
6
21
2,5
Analyse de la variance
9
18
2
Total UE 2-04
39
60
7
UE 2-04 : MESURE OU AMPLEUR DES VARIATIONS
9
12
9
0
30
2
30
0
0
0
30
2
161
69
43,5
27
300
30
23
33
5
23
33
5
27
2
UE 2-05 : ANGLAIS
er
Anglais 1 semestre
Total UE 2-05
TOTAL 1
ER
SEMESTRE
30
UE 2-06 : PROJET STATISTIQUE
Projet statistique
Total UE 2-06
UE 2-07 : STATISTIQUE POUR LE STATISTICIEN
PUBLIC
Modèle linéaire. régression sur
variables catégorielles
Données manquantes
Méthodes de discrimination
10
0
10
18
12
9
6
15
Total UE 2-07
45
UE
2-08 :
TECHNOLOGIE
ET
OUTILS
INFORMATIQUES
Python pour le statisticien public 10,5
Panorama du Big Data
9
6
Cartographie
Total UE 2-08
19,5
0
0
3
21
2
9
24
2
72
6
10,5
1
21
0
12
21
2
21
21
2
52,5
5
33
0
UE 2-09 : ECONOMETRIE DES POLITIQUES
ECONOMIQUES
Microéconométrie appliquée
21
21
2
Economie du risque
21
21
2
16,5
2
58,5
6
Empirical Macroeconomics
10,5
6
Total UE 2-09
52,5
6
0
0
UE 2-10 : COURS ELECTIFS
Cours électif n°1
21
21
2
Cours électif n°2
21
21
2
Cours électif n°3
21
21
2
Total UE 2-10
63
0
0
0
63
6
TOTAL 2ND SEMESTRE
180
22
54
23
279
28
UE 2-12 : COURS
LIBRES OPTIONNELS,
COMMUNICATION
Cours libre optionnel n°1
21
21
1
21
21
1
14
Projet professionnel
18
Sport (facultatif)
Total UE2-12
TOTAL ANNEE
18
30
42
18
30
383 109 128
30
0
90
2
50
669
60
Ensai
2016/2017
Enseignements de 2ème année - Volumes horaires enseignés
Élèves ingénieurs
15
Ensai
2016/2017
Volume horaire
Enseignements
Cours TD
TP
Coefficients
Projet Total
et crédits
UE 2-01 : MODÈLES STATISTIQUES MULTIVARIES
Modèle de régression
21
21
6
48
Séries temporelles
24
12
6
42
4
Total UE 2-01
45
33
12
90
9
21
9
12
42
3,5
24
15
3
42
3,5
Total UE 2-02
45
24
15
0
84
7
7,5
27
36
5
7,5
27
36
5
0
5
UE 2-02 : COLLECTION ET ANALYSE DE DONNEES
Statistique
multivariée
exploratoire
UE 2-03 : PROJET INFORMATIQUE
Projet informatique
1,5
Total UE 2-03
1,5
0
Econometrics I
15
6
21
2,5
Econometrics II
15
6
21
2,5
9
18
2
Total UE 2-04
39
60
7
UE 2-04 : MESURE OU AMPLEUR DES VARIATIONS
9
12
9
0
30
2
0
0
0
30
2
161 69 43,5
27
300
30
10
23
33
5
23
33
5
27
3
UE 2-05 : ANGLAIS
er
30
Anglais 1 semestre
Total UE 2-05
30
ER
TOTAL 1 SEMESTRE
UE 2-06 : PROJET STATISTIQUE
Projet statistique
UE 2-07 :
STATISTICIEN
Total UE 2-06
STATISTIQUE POUR
0
10
0
L'INGENIEUR
Modèle linéaire. régression sur
Modèles de durée
18
9
12
6
3
21
2
Statistique computationnelle
27
3
18
48
4
Total UE 2-07
57
9
30
96
9
0
UE 2-08 : TECHNOLOGIE ET OUTILS INFORMATIQUES
Programmation objet en C++
6
21
27
2,5
Programmation avancée en R
3
12
15
1,5
Total UE 2-08
9
42
4
UE 2-09 : ECONOMETRIE DES POLITIQUES
ECONOMIQUES
Econométrie non paramétrique
0
33
0
21
21
2
Economie du risque
21
21
2
Total UE 2-09
42
42
4
0
0
0
UE 2-10 : COURS ELECTIFS
Cours électif n°1
21
21
2
Cours électif n°2
21
21
2
Cours électif n°3
21
21
2
Total UE 2-10
63
TOTAL 2ND SEMESTRE
UE
2-12 :
COURS
COMMUNICATION
0
171 19
LIBRES
63
6
63
23
276
28
21
21
1
21
21
1
11
Sport (facultatif)
Total UE2-12
16
0
OPTIONNELS,
TOTAL ANNEE
0
11
30
42
11
30
374 99 137
30
0
83
2
50
659
60
Ensai
2016/2017
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 cidessous). 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.
EME
COURS ELECTIFS DE 2
Volume horaire
TD
TP
Projet
Total
Education, human capital, and growth
21
21
Economie des contrats
21
21
Economie industrielle
15
Technologie mobile
6
15
21
9
12
21
STATISTIQUE
ECONOMIE
Cours
INFORMATIQUE
Enseignements
ANNEE
Python pour l’ingénieur
6
21
À déterminer
Visual Basic Application
21
21
21
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
Méthode de discrimination
15
3
21
9
21
17
Ensai
2016/2017
Enseignements de 2ème année
2nd semestre – UE2-12 ENSEIGNEMENTS SPECIFIQUES AUX ELEVES ATTACHES
ème
Les élèves attachés ont des cours spécifiques en fin de 2
séminaire de comptabilité nationale.
année de l’Ensai, précédés par un
De leur côté, les élèves ingénieurs commencent dès le mois de juin un stage d’application
ème
statistique portant sur le programme de 2 année.
ENSEIGNEMENTS RESERVES AUX ELEVES ATTACHES EN JUIN
ENSEIGNEMENTS
Comptabilité nationale
Lutte contre la discrimination
LibreOffice Basic
Méthodologie d’enquête
Techniques rédactionnelles
Total
18
Cours
9
1,5
9
12
31,5
VOLUME HORAIRE
TD/TP
3
16,5
9
13,5
42
Total
9
3
18
18
25.5
73.5
Ensai
2016/2017
Tableau récapitulatif des enseignements 2A
Code matière
2AECO01
2AECO02
2AECO03
2AECO04
2AECO05
2AECO06
2AECO07
2AECO08
2AECO09
2AECO10
2AHUM01
2AHUM02
Econometrics I
Econometrics II
Education, human capital, and growth
Empirical macroeconomics
Economie industrielle
Economie du risque
Anglais
Enseignant
Purevdorj Tuvaandorj
Vincenzo CAPONI
Stéphane AURAY
Marian HRISTACHE
Reynald Alexandre LAURENT
Ronan LE SAOUT
Frédéric LOSS
Olivier RENAULT
R MAHIEU/M. ANTIER
Divers intervenants
Divers intervenants
2AHUM03
Divers intervenants
2AHUM04
2AHUM11
2AINF01
2AINF02
2AINF03
2AINF04
2AINF05
2AINF06
2AINF07
2AINF08
2AINF09
2AINF10
2ASTA01
2ASTA02
2ASTA03
2ASTA04
2ASTA05
2ASTA06
2ASTA07
Sport
Technologies mobiles
Cartographie
Projet informatique
Visual Basic Application
Python pour le statisticien public
LibreOffice Basic
Chaînes de Markov
Modèles de durée
Modèles de régression
Projet statistique
Modèle linéaire généralisé et régression sur variables
catégorielles
Séries temporelles
Données manquantes
Statistique exploratoire multivariée
Analyse de données répétées
Xavier HELFENSTEIN
Divers intervenants
Olivier LEVITT
Sandra CHIRAZI
Thomas GUYET
Divers intervenants
Steven GOUICHOUX
À déterminer
Thierry MATHE
Yann BUSNEL
Samuel TOUBON
À déterminer
Adrien SAUMARD
Myriam VIMOND
Divers intervenants
Yann DE RYCKE
Valentin PATILEA
Camille BRUNET
Divers intervenants
Correspondant
Vincenzo CAPONI
Stéphane AURAY
Marian HRISTACHE
Vincenzo CAPONI
Stéphane AURAY
Vincenzo CAPONI
Vincenzo CAPONI
Laurent DI CARLO
Esther LALAU-KERALY
Laurent DI CARLO
Valérie BROSSAUD/
Laurent DI CARLO
À déterminer
Corinne BARZIC
Samuel TOUBON
Sandra CHIRAZI
Samuel TOUBON
Samuel TOUBON
Samuel TOUBON
À déterminer
Samuel TOUBON
Yann BUSNEL
Samuel TOUBON
À déterminer
Adrien SAUMARD
Myriam VIMOND
Guillaume CHAUVET
À déterminer
Valentin PATILEA
Adrien SAUMARD
Salima EL KOLEI
À déterminer
À déterminer
Lionel TRUQUET
Guillaume CHAUVET
B. GELEIN/N. COSTET
Brigitte GELEIN
À déterminer
Guillaume CHAUVET
Lionel TRUQUET
Marian HRISTACHE
Lionel TRUQUET
Guillaume CHAUVET
Brigitte GELEIN
Brigitte GELEIN
À déterminer
Guillaume CHAUVET
Lionel TRUQUET
Marian HRISTACHE
2ASTA08
2ASTA09
2ASTA10
2ASTA11
2ASTA12
2ASTA13
2ASTA14
2ASTA15
2ASTA16
Matière
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.
19
Ensai
2016/2017
Enseignements du premier semestre
21
Ensai
2016/2017
UE 2-01 – Matière 2ASTA05 – Semestre 1
Linear Models
Cours : 21h TD : 21h TP : 6h
Enseignant
Correspondant
: Valentin PATILEA (Ensai)
: 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 remarquables, 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 mesures 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 variance 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.
•
Langue d’enseignement
Français
23
Ensai
2016/2017
Séries temporelles
Times Series
Cours: 24h TD: 12h TP: 6h
Enseignant
Correspondant
: Lionel TRUQUET (Ensai)
: 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 données 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 modèles à correction d’erreur
Prérequis
Notions de base en Probabilités et Statistique inférentielle. Notions de base du cours de Modèles 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
24
Ensai
2016/2017
• 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
25
Ensai
2016/2017
Statistique exploratoire multivariée
Multivariate Data Analysis
Enseignant
Correspondant
: Brigitte GELEIN et Nathalie Costet (Inserm)
: 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.
2.
3.
4.
5.
Analyse d'un nuage de points quelconque
Analyse en composantes principales
Analyse factorielle des correspondances
Analyse des correspondances multiples
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
e
• ESCOFIER B., PAGES J., Analyses factorielles simples et multiples (4 éd.), Dunod, 2008
• HUSSON F., LE S. & PAGES J., Analyse de données avec R. Presses Universitaire de
Rennes, 2009
e
• LEBART L. et alii., Statistique exploratoire multidimensionnelle (4 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
26
Ensai
2016/2017
Sampling Theory
Enseignant
Correspondant
: Guillaume CHAUVET (Ensai)
: 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 méthodes 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.
27
Ensai
2016/2017
• 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, SpringerVerlag, 2003
• TILLÉ Y., Sampling Algorithms, Wiley, 2006
Français
28
Ensai
2016/2017
UE 2-03 – Matière 2AINF04 – Semestre 1
Projet informatique
Computer Science Project
Suivi : 27h (dont suivi personnalisé du groupe : 5h)
Cours : 1.5h – TP : 7h30
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 applications 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.
3 TP 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 permettre 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.
29
Ensai
2016/2017
UE 2-04 – Matière 2AECO01 – Semestre 1
Econometrics I
Econométrie I
Cours : 15h TD : 6h
Enseignant
Correspondant
: Purevdorj Tuvaandorj (Ensai)
: 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 techniques 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 microéconomiques 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 (simultanéité, variables explicatives pertinentes omises et erreurs de mesure sur les variables
explicatives) et leurs effets sur le choix des outils d’inférence statistique (variables instrumentales, 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
30
Ensai
2016/2017
Support de cours et diapos
Pré-requis
On mobilisera ici trois cadres d’inférence statistique, i.e. Moindres Carrés, Méthode des Moments 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
th
• GREENE, W.H., Econometric Analysis. Prentice-Hall (7 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
nd
(2 rev. ed), 2010.
Anglais
31
Ensai
2016/2017
Econometrics II
Econométrie II
Cours : 15h TD : 6h
Enseignant
Correspondant
: Purevdorj Tuvaandorj (Ensai)
: 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 likelihood 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
32
Ensai
2016/2017
Analyse de variance
ANOVA
Cours : 9h TP : 9h
Enseignant
Correspondant
: Camille BRUNET
: Adrien SAUMARD
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.
2.
3.
4.
5.
Introduction
Analyse de variance à un facteur
Analyse de variance à deux facteurs
Analyse de la covariance
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
•
•
•
•
nd
AGRESTI, A., An introduction to categorical analysis (2 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
33
Ensai
2016/2017
UE 2-05 – Matière 2AHUM01 – Semestre 1
Anglais
English
er
nd
Cours/TD : 30h au 1 semestre (en cours libre optionnel au 2 )
TOEIC blancs d’entraînement facultatifs
Enseignant
Correspondant
: Divers intervenants
: Esther LALAU–KERALY
Les élèves qui n’ont pas passé ou qui n’ont pas obtenu le score minimum de 785 au TOEIC
l’année dernière auront progressé 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 auront la possibilité de faire des ateliers « English for
Statistics » en début de semestre. Ces cours facultatifs sont conçus pour préparer les élèves à
suivre le premier 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 compréhension 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 : Debating, 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. Un groupe 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 définis par l’enseignant.
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.
34
Ensai
•
•
•
•
2016/2017
Lougheed, Lin, Longman Preparation Series for the TOEIC Test, New York: Longman, 2007.
Lougheed, Lin, Préparation au Nouveau TOEIC, Paris: Pearson Education France, 2007.
Oxford Preparation Course for the TOEIC, Oxford: Oxford University Press.
rd
Rogers, Bruce, Complete Guide to the TOEIC Test (3 ed.), Boston: Thomson, 2006.
Anglais
Pour tout complément d’information, chaque élève peut consulter le Programme des enseignements : Langues étrangères, disponible sur le site de l’école.
35
Ensai
2016/2017
Enseignements du deuxième semestre :
tronc commun pour les élèves attachés
37
Ensai
2016/2017
Projet statistique
Project in Statistics
Projet : 33h, dont 7h de suivi avec le tuteur et 3h de coaching
Enseignant
Correspondant
: Salima EL KOLEI
Les projets de statistique sont encadrés par des praticiens de la statistique et ont pour objectif 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 circonscrire le problème soumis et le traiter en utilisant les concepts, méthodes et outils appropriés.
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
ère
ème
1 et 2 année qui seront mobilisés de façon inégale, selon le sujet traité.
Un rapport écrit, un poster et une soutenance orale.
Selon sujet traité.
Français
39
Ensai
2016/2017
Modèle linéaire généralisé et régression sur
Generalized Linear Models and Regression on Categorical Data
Cours : 18h TP : 9h
Enseignant
Correspondant
:
:
A l’issue de cet enseignement, les élèves devront en fonction du problème posé et de la nature 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).
•
•
•
•
rd
AGRESTI A., Categorical Data Analysis (3 ed.), WILEY & Sons, 2012
e
GOURIEROUX C., Économétrie des variables qualitatives, (2 éd.), Editions Economica, 1989
HOSMER D.W., LEMESHOW S., Applied Logistic Regression (3rd ed.), WILEY & Sons, 2013
e
LEBART L., MORINEAU A., PIRON M., Statistique exploratoire multidimensionnelle (4 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
nd
SAS System (2 ed.), Cary, NC : SAS Institute Inc, 2000
Français.
40
Ensai
2016/2017
Données manquantes
Missing Data
Cours : 12h TD-TP : 9h
Enseignant
Correspondant
: Guillaume CHAUVET (Ensai)
: 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 nonréponse 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.
41
Ensai
2016/2017
UE 2-07– Matière 2ASTA12 – Semestre 2
Discriminant Analysis
Cours : 15h TP : 9h
Enseignant
Correspondant
: Brigitte GELEIN (Ensai)
: Brigitte GELEIN
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 : scoring 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 (3e éd.), Technip, 2010
Français
42
Ensai
2016/2017
UE 2-08– Matière 2INFO06 – Semestre 2
Python pour le statisticien public
Python for public statistician
10h30 (répartition à déterminer)
Enseignant
Correspondant
: A déterminer
: A déterminer
43
Ensai
2016/2017
Cartographie
Cartography
Cours-TP : 21h (dont élaboration d’un atlas : 9h)
Enseignants
Correspondant
: Sandra CHIRAZI (Ensai)
: Sandra CHIRAZI
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 statistique spatiale (Document de travail Insee - disponible sur internet)
Français.
44
Ensai
2016/2017
UE 2-09– Matière 2AECO07 – Semestre 2
Applied Micro Econometrics
Cours-TD : 21h
Enseignant
Correspondant
: Ronan LE SAOUT (Ensai)
: Stéphane AURAY
L’INSEE présente la particularité d’être à la fois producteur de statistiques, d’analyses conjoncturelles et d’études économiques. Dans ces trois sphères, la micro-économétrie intervient
mais avec des objectifs différents. Elle est un outil pour la production d’indicateurs, par
exemple pour la construction d’indices de prix dits hédoniques. Elle intervient pour la détermination des hypothèses des modèles macro-économiques ou de micro-simulation (hypothèses sur l’élasticité de la demande, sur la rigidité des prix…). De manière plus naturelle, elle
sert à conduire des études économiques ou des évaluations de politiques publiques.
Cet enseignement apporte des compléments d’économétrie (théorique et appliquée) utiles
aux micro-économistes, en s’appuyant sur les travaux menés par l’INSEE. D’un point de vue
théorique, un complément sera effectué sur l’économétrie des données d’enquêtes. De manière appliquée, les enseignements du cours d’économétrie seront illustrés, en distinguant
analyse descriptive et causale.
Principaux acquis de la formation : à l’issue du cours, l’étudiant saura
• Mobiliser les concepts de la théorie micro-économique pour la construction d’indicateurs
ou la conduite d’une étude économique ;
• Interpréter les résultats d’une étude économique, en distinguant approche descriptive et
causale ;
• Choisir les techniques économétriques appropriées aux données d’enquête ;
• Lire et reproduire un texte économétrique avec un regard critique sur la qualité des données, le choix des méthodes et l’interprétation des résultats.
Contenu du cours
Le cours comprendra trois parties, la première consacrée à la quantification économique, par
exemple la mesure de la discrimination, les indices de prix hédoniques, l’évaluation des biens
non-marchands ; la deuxième consacrée aux études économiques à travers des thèmes de
micro-économétrie, par exemple en économie du travail, économie industrielle, évaluation
des politiques publiques ; la troisième consacrée à l’économétrie des données d’enquêtes.
Pré-requis
Ce cours mobilise principalement les concepts et outils présentés dans le cours d’économétrie
et dans les cours de micro-économie.
45
Ensai
2016/2017
Au début de chaque séance (hormis la première), il y aura un court quizz de 5 minutes (4
questions). Il sera demandé par groupe de deux étudiants une relecture critique d’une étude
économique, si possible en reproduisant les analyses menées dans l’article.
Davezies, Laurent, et Xavier D'Haultfoeuille. (2012) « Faut-il pondérer ? Ou l'éternelle
question de l'économètre confronté à des données d'enquête. » Acte des JMS, INSEE.
Solon, Gary, Steven J. Haider, et Jeffrey Wooldridge. (2014) « What are we weighting for ? »
NBER Working Paper n°18859.
Français
46
Ensai
2016/2017
Economie du risque
Economics of Risk
Cours : 21h
Enseignant
Correspondant
: Olivier RENAULT
: Vincenzo CAPONI
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, assurance, 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
rd
Measuring inequality (3
ed.), Frank Cowell, Oxford University Press, 2011
http://darp.lse.ac.uk/MI3
Langue d’enseignement :
Français ou anglais
47
Ensai
2016/2017
UE 2-09– Matière 2AECO04 – Semestre 2
Empirical Macroeconomics
Macroéconomie empirique
Cours : 10h30 TD : 6h
Enseignant
Correspondant
: Stéphane AURAY (Ensai)
: Stéphane AURAY
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, certains 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
e
appliquée (2 éd.), De Boeck
e
• DORMONT B., (2007), Introduction à l’économétrie (2 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
Ensai
2016/2017
UE 2-08– Matière 2AINF08 – Semestre 2
Introduction to Big Data
Cours : 9h Atelier : 12h
Enseignant
Correspondant
: Yann Busnel (Ensai) et Stéphane Tuffery (Crédit Mutuel - CIC)
: Yann Busnel
Au cours de la dernière décennie, nous avons assisté à l’émergence d’applications numériques 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 génération 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
Deux approches par la pratique seront proposées avec la vision informatique puis statistique.
Pré-requis
Programmation objet avec Java ; Programmation avec R.
Un contrôle continu portant sur les différentes facettes (informatique et statistique).
•
•
•
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)
Français
49
Ensai
2016/2017
Enseignements du deuxième semestre :
tronc commun pour les élèves ingénieurs
51
Ensai
2016/2017
Projet statistique
Project in Statistics
Projet : 33h, dont 7h de suivi avec le tuteur et 3h de coaching
Enseignant
Correspondant
: Salima EL KOLEI
Les projets de statistique sont encadrés par des praticiens de la statistique et ont pour objectif 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 circonscrire le problème soumis et le traiter en utilisant les concepts, méthodes et outils appropriés.
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
ère
ème
1 et 2 année qui seront mobilisés de façon inégale, selon le sujet traité.
Un rapport écrit, un poster et une soutenance orale.
Selon sujet traité.
Français
53
Ensai
2016/2017
Modèle linéaire généralisé et régression sur
Generalized Linear Models and Regression on Categorical Data
Cours : 18h TP : 9h
Enseignant
Correspondant
:
:
A l’issue de cet enseignement, les élèves devront en fonction du problème posé et de la nature 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).
•
•
•
•
rd
AGRESTI A., Categorical Data Analysis (3 ed.), WILEY & Sons, 2012
e
GOURIEROUX C., Économétrie des variables qualitatives, (2 éd.), Editions Economica, 1989
HOSMER D.W., LEMESHOW S., Applied Logistic Regression (3rd ed.), WILEY & Sons, 2013
e
LEBART L., MORINEAU A., PIRON M., Statistique exploratoire multidimensionnelle (4 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
nd
SAS System (2 ed.), Cary, NC : SAS Institute Inc, 2000
Français.
54
Ensai
2016/2017
Computational Statistics
Enseignant
Correspondant
: Myriam VIMOND (Ensai)
: 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 bootstrap, 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 Markov, 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 physique 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 indépendant 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 problèmes 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 multidimensionnelles. 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
55
Ensai
2016/2017
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 manquantes 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 inférences sur la population. Différentes méthodes d'imputation simple ou partielle sont étudiées. Cours 3h, TP 3h
• Chapitre 7. L'algorithme EM L'algorithme espérance-maximisation est une méthode itérative pour évaluer l'estimateur du maximum de vraisemblance ou le mode a posteriori (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, conditionnement, 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).
•
•
•
•
•
nd
RUBINSTEIN R., Simulation and the Monte Carlo Method (2 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
56
Ensai
2016/2017
Modèles de durée
Survival Analysis
Enseignant
Correspondant
: Yann DE RYCKE
: A déterminer
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 KaplanMeier 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.
2.
3.
4.
5.
6.
7.
Motivation et exemples
Outils spécifiques aux modèles de durée
Modélisation paramétrique
Modélisation non-paramétriques
Tests de comparaison de fonctions de survie et tests d’adéquation.
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 maximum 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
Français
57
Ensai
2016/2017
Programming in C++
Cours : 6h TP : 21h
Enseignant
Correspondant
: Thomas GUYET (Agrocampus Ouest/IRISA)
: Samuel TOUBON
Le langage C++ est apparu en 1983. Il s’agit d’une extension du langage C permettant la programmation orientée objet. Ce langage reste très utilisé et a su évoluer dans le temps puisque
sa dernière révision date de 2014. Les points forts du C++ sont :
• Les grandes performances de calcul en temps et en utilisation mémoire
• L’utilisation de concepts de développement orienté objet
• L’existence d’une grande communauté d’utilisateurs et d’un outillage de
développement important (compilateurs, bibliothèques, outils de débuggage, etc.).
Ce langage est utilisé dans la recherche ou l’industrie surtout lorsque le temps d’exécution ou
la gestion de la mémoire deviennent des contraintes importantes : calcul scientifique, imagerie 3D, traitement vidéo, traitement du signal, calculs financiers, traitement de grandes quantités de données.
Sa capacité à traiter de l'information à bas niveau en fait un langage de prédilection pour la
conception d'outils modulaires. Il est ainsi possible d'intégrer les bibliothèques de fonctions
développées en C++ au sein de logiciels tels que Matlab, R, SAS ou encore Python pour dépasser les contraintes natives de ces outils.
Ce langage pourra donc être utile pour les élèves devant faire face à des problèmes nécessitant des exécutions efficaces ou dont les solutions doivent s'intégrer dans les outils modulaires mentionnés plus haut.
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
58
Ensai
2016/2017
Certaines de ces notions sont très proches de celles vues en Java mais le C++ a aussi des particularités. La gestion manuelle de la mémoire qui est à la l’origine de sa puissance est une de
ses difficultés. Les notions de pointeurs et d'allocation dynamique de la mémoire sont des
notions fondamentales d'informatique et feront l'objet d'un intérêt particulier.
Support de cours et de TP. Documents complémentaires en ligne (correction des TP, exercices
corrigés en ligne, annales d'examen).
Pré-requis
Le contenu du cours d’algorithmique de première année, les concepts de programmation
orientée objet vus en Java (incluant l'utilisation du logiciel Eclipse) ainsi que les notions de
conception d’application UML.
Un examen final (2/3 de la note), mini-projet (1/3 de la note)
•
•
•
•
•
S.B. LIPPMAN (1998), L’essentiel du C++, Addison-Wesley
B. STROUSTRUP (2003), Le langage C++, Pearson Edition
e
DEITEL & DEITEL (2003), Comment programmer en C++ (3 éd.), Eyrolles
nd
B. ECKEL (2000), Thinking in C++ (2 ed.), Prentice Hall
J. LIBERTY (1999), C++ Ressources d’experts, Campus Press.
Français
59
Ensai
2016/2017
Advanced Programming in R
Cours : 3h TP : 12h
Enseignant
Correspondant
: Thierry MATHE (Insee)
: Samuel TOUBON
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.
2.
3.
4.
Syntaxe de R – écrire des programmes efficaces en R
Les outils de profilage
Créer un paquet
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'utilisation (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
60
Ensai
2016/2017
UE 2- 09 – Matière 2AECO05 – Semestre 2
Nonparametric Econometrics
Cours : 21h
Enseignant
Correspondant
: Marian HRISTACHE (Ensai)
: 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 simplificateur 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.
2.
3.
4.
5.
Modèles non et semi-paramétriques. Principes de base de l’estimation fonctionnelle.
Estimation d’une densité par la méthode du noyau.
Estimation d’une régression par la méthode du noyau.
Estimation non paramétrique du score de propension.
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.
Français
61
Ensai
2016/2017
Economie du risque
Economics of Risk
Cours : 21h
Enseignant
Correspondant
: Olivier RENAULT
: Vincenzo CAPONI
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, assurance, 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
rd
Measuring inequality (3
ed.), Frank Cowell, Oxford University Press, 2011
http://darp.lse.ac.uk/MI3
Langue d’enseignement :
Français ou anglais
62
Ensai
2016/2017
Enseignements de deuxième semestre :
cours électifs
63
Ensai
2016/2017
Advanced Regression Models
Cours : 21h
Enseignant
Correspondant
: Marian HRISTACHE (Ensai)
: Marian HRISTACHE
Les modèles de régression semi-paramétriques s'imposent de plus en plus comme une alternative performante aux modèles non paramétriques et paramétriques classiques, car la présence 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 régression, 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.
2.
3.
4.
Modèles paramétriques, non paramétriques, semi-paramétriques
Régression non paramétrique : estimateurs par polynômes locaux
Régression partiellement linéaire
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.
Français
64
Ensai
2016/2017
Chaînes de Markov
Markov Chains
Cours : 15h TD : 6h
Enseignant
Correspondant
: Adrien SAUMARD (Ensai)
: Adrien SAUMARD
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.
e
• FOATA D. & FUCHS A., Processus Stochastiques (2 éd.), Dunod, 2004.
• GRAHAM C., Chaînes de Markov, Dunod, 2008.
• GRIMMETT G.R. & STIRZAKER D.R., Probability and Random Processes, Oxford Sciences
rd
Publications, 2001 (3 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.
65
Ensai
2016/2017
Analyse de données répétées (pour les élèves ingénieurs)
Longitudinal Data Analysis
Cours : 15h TP : 6h
Enseignant
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.
2.
3.
4.
5.
Rappel sur les modèles linéaires et GLM
Limites du modèle linéaire et GLM et définition des données répétées
Modèle linéaire pour l’analyse de données répétées
Régression logistique sur des données répétées
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.
66
Ensai
2016/2017
Martingales and Levy Process
Cours : 12h TD : 9h
Enseignant
Correspondant
: Lionel TRUQUET (Ensai)
: Lionel TRUQUET
Connaître et savoir appliquer les techniques de bases faisant appel aux outils de type martingale. 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.
2.
3.
4.
5.
6.
Processus stochastiques, filtrations, temps d’arrêt
Martingales sous-martingales et sur-martingales en temps discret
Théorèmes d’arrêt et de convergence
Processus en temps continu
Processus de Lévy, processus de Poisson, mouvement brownien
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.
e
• FOATA D., FUCHS A., Processus stochastiques (2 éd.) (Dunod, 2004)
• WILLIAMS D., Probability with martingales (Cambridge University Press, 1991)
Français
67
Ensai
2016/2017
Modèles de durée
Survival Analysis
Enseignant
Correspondant
: Yann DE RYCKE
: À déterminer
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 KaplanMeier 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.
2.
3.
4.
5.
6.
7.
Motivation et exemples
Outils spécifiques aux modèles de durée
Modélisation paramétrique
Modélisation non-paramétriques
Tests de comparaison de fonctions de survie et tests d’adéquation.
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 maximum 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
Français
68
Ensai
2016/2017
Méthodes de discrimination (pour les élèves ingénieurs)
Discriminant Analysis
Cours : 15h TP : 9h
Enseignant
Correspondant
: Marine DEPECKER (CEA)
: Brigitte GELEIN
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 : scoring 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 (3e éd.), Technip, 2010
Français
69
Ensai
2016/2017
Technologies mobiles
Mobile Technologies
Cours : 6h TP : 15h
Enseignant
Correspondant
: Olivier LEVITT (Insee)
: Samuel TOUBON
L'arrivée des appareils mobiles entraine des changements dans le développement des applications 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.
2.
3.
4.
Android, les présentations
a. Contexte
b. Architecture
Android et les applications
a. Cycle de vie
b. Activités
Android et les interfaces
a. Layouts et Views
b. Menus et évènements
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
70
Ensai
2016/2017
Visual Basic Application (pour les élèves ingénieurs)
Visual Basic Programming Using Excel
TP : 21h
Enseignant
Correspondant
: Steven GOUICHOUX (Insee)
: Samuel TOUBON
Découvrir et comprendre l’environnement et la logique de développement en VBA pour Excel.
Être capable de développer des applications en VBA s’appuyant sur Excel.
Savoir mobiliser l’information nécessaire au développement en VBA pour Excel.
1.
2.
3.
L’éditeur VBA : les fenêtres et leurs éléments
Les objets Visual Basic Application : classeur, feuille, cellule, graphique
Le langage de programmation : variables et constantes, structures conditionnelles et
boucles, procédures et fonctions
4. Traitement des chaînes de caractères
5. Le code : compilation, exécution et débogage
6. L’utilisation des principales formules d’Excel dans VBA pour le traitement de données
7. Les boîtes de messages
8. Les formulaires et leur interaction avec Excel
9. Manipulation du système de fichiers Windows
10. Manipulation de fichiers textes : création, lecture, écriture
Support de cours
Pré-requis
ère
Les concepts algorithmiques abordés dans le cours algorithmique et programmation de 1
année doivent être maîtrisés. 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%)
• Débuter en VBA Excel :
https://openclassrooms.com/courses/analysez-des-donnees-avec-excel/premiers-pas-en-vba
• FAQ VBA : http://excel.developpez.com/faq/?page=VBA
• Support de cours : http://bidou.developpez.com/article/VBA/
Français
71
Ensai
2016/2017
Panorama du Big Data (pour les élèves ingénieurs)
Introduction to Big Data
Cours : 9 h Atelier : 12h
Enseignant
Correspondant
: Yann Busnel (Ensai) et Stéphane Tuffery (Crédit Mutuel - CIC)
: Yann Busnel
Au cours de la dernière décennie, nous avons assisté à l’émergence d’applications numériques 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 génération 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
Deux approches par la pratique seront proposées avec la vision informatique puis statistique.
Pré-requis
Programmation objet avec Java ; Programmation avec R
Un contrôle continu portant sur les différentes facettes (informatique et statistique).
•
•
•
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)
Français
72
Ensai
2016/2017
UE 2-10– Matière 2INF10 – Semestre 2
Python for engineer
21h (répartition à déterminer)
Enseignant
Correspondant
: A déterminer
: A déterminer
73
Ensai
2016/2017
Education, Human Capital, and Growth
Education, capital humain et croissance
Cours : 21h
Enseignant
Correspondant
: Vincenzo CAPONI (Ensai)
: Vincenzo CAPONI
Objective
This course treats microeconomic issues related to human capital: How human capital is acquired, what policies are affective in increasing the accumulation of human capital, the relationship 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
Ensai
2016/2017
Contract Theory
Cours : 21h
Enseignant
Correspondant
: Reynald-Alexandre LAURENT
: Vincenzo CAPONI
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
Ensai
2016/2017
Economie Industrielle
Industrial Organization
Cours : 15h TD : 6h
Enseignant
Correspondant
: Frédéric LOSS (Université de Dauphine)
: Vincenzo CAPONI
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 concurrentiel, 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.
e
• CARLTON, D. et J. PERLOFF. Économie industrielle (2 éd.). De Boeck, 2008.
• MOTTA, M. Competition Policy. Theory and Practice. Cambridge University Press, 2004.
e
• YILDIZOGLU, M. Introduction à la théorie des jeux (2 éd.). Dunod, Collection ECO-SUP, 2011.
Français
76
Ensai
2016/2017
Enseignements optionnels et de
communication
77
Ensai
2016/2017
UE 2-11 ing – Matière 2AHUM07 – Semestre 1
Projet professionnel ingénieurs
Professional Preparation
TD : 11h
Enseignant
Correspondant
: A déterminer
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 anglais.
Seront données en cours.
Français et anglais
78
Ensai
2016/2017
UE 2-11 att – Matière 2AHUM07 – Semestre 1
Projet professionnel attachés
Professional Preparation
TD : 18h
Enseignant
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
79
Ensai
2016/2017
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 fonctions 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 activités 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 concernée.
80
Ensai
2016/2017
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.
81
Ensai
2016/2017
Bonus
Sport
Sports
TP : 30h
Enseignant
Correspondant
: Julien LEPAGE
Enseignement destiné aux élèves-ingénieurs et aux attachés
L’objectif est d’amener les élèves à maintenir un esprit sportif, sortir du strict cadre académique et développer leurs capacités physiques.
8 activités sportives sont proposées par l’école :
- Badminton
- Basket
- Fitness
- Football
- Hand-ball
- Tennis de table
- Tennis débutant
- Volley-ball
- Course à pied/préparation physique/coaching sportif (nouveau)
Outre les entraînements, les élèves inscrits peuvent être amenés à participer à des compétitions.
Prise en compte dans la scolarité
La participation à une activité sportive peut donner lieu à l’attribution d’un bonus (non cumulable) 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 directeur des études.
Un bonus peut être exceptionnellement attribué en dehors des activités sportives réalisées
dans le cadre Ensai. Pour y prétendre, les élèves concernés doivent remplir les 3 conditions
suivantes :
- pratiquer régulièrement une activité sportive et participer aux compétitions liées ;
- posséder un niveau national (voir très bon niveau régional suivant le sport en question) ;
- déposer une demande argumentée auprès de la direction des études et du service sport en
début d'année scolaire, afin de faire valider le programme d'entraînement, des compétitions
et les modalités de diffusion des performances.
Pour certains ayant des contraintes sportives, des aménagements horaires pourront d'ailleurs
être ainsi envisagés si besoin.
82
Ensai
2016/2017
UE 2-11 – Semestres 1 et 2
Cours d’ouverture
General Culture Courses
Cours : 21h par semestre
Enseignant
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 générale.
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 environnementaux
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 « Programme des enseignements : Cours libres optionnels. »
83
Ensai
2016/2017
UE 2-11 – Matière TALV2 – Semestres 1 et 2
Langues optionnelles
Optional Languages
Cours : 30h par semestre
Enseignant
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 « Programme des enseignements : Cours libres optionnels. »
84
Ensai
2016/2017
Enseignements spécifiques
aux élèves attachés
ENSEIGNEMENTS
LibreOffice Basic
Total
Cours
9
1,5
9
12
31,5
VOLUME HORAIRE
TD/TP
3
16,5
9
13,5
42
Total
9
3
18
18
25.5
73.5
85
Ensai
2016/2017
UE 2-12 – Matière 2AINF09
LibreOffice Basic
LibreOffice Basic
Cours : 1h30 – TP : 16h30
Enseignant
Correspondant
: Samuel TOUBON (Ensai)
: Samuel TOUBON
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 automatiser des traitements. Savoir rechercher et utiliser l’information nécessaire dans ce domaine.
1.
2.
3.
4.
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
L’éditeur LibreOffice :
a. les fenêtres, les boîtes de dialogue, les formulaires
b. exécution et débogage du code Basic
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
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
86
Ensai
2016/2017
UE 2-12 – Matière 2ASTA03
Survey Methodology
Cours : 9h (cours) + 9h (présentations)
Enseignant
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 enseignement 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
rd
• COCHRAN W.G., Sampling Techniques (3 ed.), New-York, Wiley, 1977
• SÄRNDAL C.-E., SWENSSON B., WRETMAN, Model Assisted Survey Sampling, New York,
Springer Verlag, 1992
Français
87
Ensai
2016/2017
UE 2-12 – Matière 2AHUM2
Editorial Techniques
Cours : 12h TP : 13h30
Enseignant
Correspondant
: Laurent BISAULT (Insee), Pascal CAPITAINE (Insee), Laurent DI CARLO
: 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 permettant d’améliorer la lisibilité d’un texte et sa compréhension par un lecteur.
Les points suivants seront abordés :
1.
2.
3.
4.
5.
les lois de proximité
la structure d’un texte : pyramide inversée, message essentiel, angle…
les règles de lisibilité : adopter un style actif, construire des phrases courtes, éviter les
enchâssements et la logique instrumentale…
l’habillage : titres, inters et chapô
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
88
Ensai
2016/2017
UE 2-12 – Matière 2AECO10
National Accounting
Cours : 9h
Enseignant
Correspondant
: Ronan MAHIEU / Marion ANTIER (Insee)
: Laurent DI CARLO
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.
ère
1
séance :
ème
séance :
ème
séance :
2
3
Introduction
Tableau Entrées-Sorties (TES)
Tableau économique d'ensemble (TEE)
Compte de capital, financier et de patrimoine
Comptes trimestriels
Conclusion
Pré-requis
Les cours d’économie.
Pas d’examen
• 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.
89
Ensai
UE 2-12 – Matière 2AHUM04
Fighting Discrimination
Cours : 3h
Enseignant
Correspondant
: Xavier HELFENSTEIN
: A déterminer
Enseignement destiné aux élèves Attachés
La diversité et la prévention des discriminations
1. Le cadre européen et juridique
2. Les 20 critères prohibés par la loi +1
3. L’arsenal juridique
4. Les stéréotypes
5. La laicité
Pré-requis
Aucun
Aucun
Français.
90
2016/2017

année - Ensai

Transcription

Documents pareils

ESITECH - GP32-MPM-Microstructure et propriétés des matériaux

Prochaines dates clés pour l`école des DJ UCPA : Lyon : 27 janvier

LICENCE 3 Licence Ingénierie de la santé «Sciences Sanitaires et

Stages - Tennis de Table du Grésivaudan

ensai - ecole nationale de la statistique et du traitement de l

Poème Archimède - L`Univers de Pi

L`Association La Marque au fil de l`Eau vous propose des spectacles

Nouveauté => le DUT GEA en alternance dès la 2ème année !

L1 DAPI/JTA Méthodologie du droit et de la recherche documentaire

MINISTERE DE L`EDUCATION NATIONALE DE L`ENSEIGNEMENT