Brique des enseignements de deuxième année 2021/2022

Programme
des enseignements de 2e année

ANNÉE SCOLAIRE 2021-2022

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX
1
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
Programme
des enseignements de 2e année
ANNEE SCOLAIRE 2021 / 2022

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX
2
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

Table des matières

PRESENTATION GENERALE DES ENSEIGNEMENTS ....................................................................................................... 5

LES GRANDS DOMAINES D'ENSEIGNEMENT................................................................................................................ 8
ENSEIGNEMENTS DE 2E ANNEE ..................................................................................................................................11
VOLUMES HORAIRES ENSEIGNES ...............................................................................................................................11
TABLEAU RECAPITULATIF DES ENSEIGNEMENTS 2A ...................................................................................................16
ENSEIGNEMENTS DU PREMIER SEMESTRE .................................................................................................................18
UE 2-01 : MODELISATION STATISTIQUE ....................................................................................................................... 19
REGRESSION LINEAIRE .............................................................................................................................................. 20
MODELE LINEAIRE GENERALISE ET REGRESSION SUR VARIABLES CATEGORIELLES ................................................. 21
SERIES TEMPORELLES 1 ............................................................................................................................................ 22
UE 2-02 : COLLECTE ET APPRENTISSAGE....................................................................................................................... 23
APPRENTISSAGE SUPERVISE ..................................................................................................................................... 24
THEORIE DES SONDAGES .......................................................................................................................................... 25
DROIT ET ETHIQUE DES DONNEES / SECURITE DES DONNEES ................................................................................. 26
UE 2-03 : INFORMATIQUE POUR LA DATA SCIENCE ..................................................................................................... 27
COMPLEMENT D’INFORMATIQUE ............................................................................................................................ 28
PROJET D’INFORMATIQUE ........................................................................................................................................ 30
REMISE A NIVEAU EN INFORMATIQUE ..................................................................................................................... 32
UE 2-04 : MODELISATION ECONOMIQUE ..................................................................................................................... 34
MODELISATION MICROECONOMIQUE ..................................................................................................................... 35
ECONOMETRIE APPLIQUEE ....................................................................................................................................... 37
UE 2-05 : HUMANITES ET STAGE OPERATEUR .............................................................................................................. 38
ANGLAIS .................................................................................................................................................................... 40
ENSEIGNEMENTS DU SECOND SEMESTRE : ................................................................................................................42
TRONC COMMUN ......................................................................................................................................................42
UE 2-06 : PROJET STATISTIQUE ..................................................................................................................................... 43
UE 2-07 : COMPLEMENTS DE MODELISATION STATISTIQUE ........................................................................................ 44
INTRODUCTION AUX MODÈLES DE DURÉE ............................................................................................................... 45
STATISTIQUE NON PARAMETRIQUE ......................................................................................................................... 46
TRAITEMENT DE LA NON-REPONSE DANS LES ENQUETES ....................................................................................... 47
CHAINES DE MARKOV ............................................................................................................................................... 48
SÉRIES TEMPORELLES 2 ............................................................................................................................................ 49
UE 2-08 : METHODES COMPUTATIONNELLES .............................................................................................................. 50
CALCULS BAYESIENS ................................................................................................................................................. 51
MICROECONOMETRIE APPLIQUEE............................................................................................................................ 52
MACROÉCONOMÉTRIE APPLIQUÉE .......................................................................................................................... 54

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX
3
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

PROGRAMMATION ORIENTEE OBJET AVEC JAVA ..................................................................................................... 55

C++ POUR LA STATISTIQUE COMPUTATIONNELLE ................................................................................................... 56
OUTILS POUR LE BIG DATA ....................................................................................................................................... 58
ENSEIGNEMENTS DU SECOND SEMESTRE : ................................................................................................................60
COURS ELECTIFS (PRE-SPECIALISATION UE 2-09) ........................................................................................................60
UE 2-09 : PRE-SPECIALISATION ..................................................................................................................................... 61
MODELES AVANCÉS DE RÉGRESSION ....................................................................................................................... 62
MÉTHODES DE RÉÉCHANTILLONNAGE ..................................................................................................................... 65
STATISTIQUE MATHÉMATIQUE ................................................................................................................................ 67
ÉCHANTILLONNAGE À PLUSIEURS DEGRÉS ............................................................................................................... 68
STATISTIQUE SPATIALE ............................................................................................................................................. 70
ECONOMIE DU RISQUE ............................................................................................................................................. 71
ECONOMIE NUMERIQUE .......................................................................................................................................... 72
ECONOMIE INDUSTRIELLE ........................................................................................................................................ 74
DEMOGRAPHIE ......................................................................................................................................................... 75
PROGRAMMATION AVANCÉE EN R .......................................................................................................................... 77
TECHNOLOGIES MOBILES ......................................................................................................................................... 78
TRAITEMENT DU SIGNAL .......................................................................................................................................... 79
CONCEPTION DE LOGICIEL ........................................................................................................................................ 81
DATA CHALLENGE ..................................................................................................................................................... 82
DATAVISUALISATION ................................................................................................................................................ 83
UE 2-10 : PROJET PROFESSIONNEL ............................................................................................................................... 85
TEST DE PERSONNALITE DANS LE MILIEU PROFESSIONNEL ..................................................................................... 86
CONSTRUIRE SON PROJET PROFESSIONNEL ............................................................................................................. 87
PROJET PROFESSIONEL DES ATTACHÉS .................................................................................................................... 88
STAGE D’APPLICATION .............................................................................................................................................. 89
COURS LIBRE OPTIONNEL 2 ...................................................................................................................................... 90
LANGUE OPTIONNELLE ............................................................................................................................................. 91
SPORTS ...................................................................................................................................................................... 92
R-SHINY ..................................................................................................................................................................... 93
VISUAL BASIC APPLICATION ...................................................................................................................................... 94
COMPLEMENTS DE SAS............................................................................................................................................. 95
LIBRE OFFICE BASIC ................................................................................................................................................... 96
MODULE SPECIFIQUE DES ATTACHÉS ....................................................................................................................... 98

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX
4
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

Présentation générale des enseignements

Créée il y a 20 ans, l’Ensai est l'une des deux grandes écoles d’ingénieurs avec l'Ensae à être spécialisée dans le
traitement de l’information et la statistique. Le secteur de la statistique est en pleine croissance, la donnée est devenue
un actif stratégique des entreprises, et le métier de statisticien a évolué vers celui de Data Scientist. Par ses six filières
de spécialisation, l’école offre ainsi des compétences reconnues dans des secteurs d’activités diversifiés, de l’industrie
à la banque, en passant par les services aux entreprises ou la santé , en France ou à l’étranger.
L’Ensai forme à la modélisation statistique, avec des compétences associées en économie et en informatique. Les
compétences sont à la fois théoriques et opérationnelles, avec une grand part de la formation dédiée aux applications.
La scolarité se déroule en trois ans pour les élèves ingénieurs et en deux ans pour les élèves fonctionnaires (attachés
statisticien de l'INSEE) avec, pour ces derniers, la possibilité d’obtenir un master mention mathématiques appliquées –
statistique, parcours « évaluation et décision publiques », coaccrédité avec les Universités de Rennes 1 et Rennes 2,
l’Insa de Rennes, Agrocampus Ouest.
Durant les deux premières années de scolarité à l'Ensai, les élèves ingénieurs et les élèves fonctionnaires suivent en
commun la majorité des enseignements.

PREMIERE ANNEE : HOMOGENEISER LES COMPETENCES ET ACQUERIR LES CONNAISSANCES SCIENTIFIQUES DE BASE
La diversité des étudiants recrutés avec des connaissances préalables plus fortes en économie ou mathématique oblige
à de premiers enseignements fondamentaux distingués au premier semestre selon le cursus antérieur. Ainsi les élèves
venant de la voie mathématique (concours communs polytechniques, L3 math…) ou des IUT Stid ont un enseignement
renforcé en économie au 1er 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.
La pédagogie des enseignements des probabilités 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 d’algorithmique, complexité et de calculabilité tandis que les autres étudiants bénéficient d’un cours
d’introduction à l’algorithmique et à la programmation.
A l’issue de cette première année, tous les étudiants auront les connaissances scientifiques de base en statistique,
économie et informatique. Ils sauront mener une étude descriptive à partir d’une base de données réelle, mettre en
œuvre les premiers modèles statistiques, juger des qualités de différents algorithmes, et relier des problèmes
économiques contemporains à la théorie économique. Les étudiants sont formés à différents langages informatiques
qui les rendront agiles et opérationnels dans leur vie professionnelle future.
Un stage de un à deux mois conclut cette 1re année : stage de découverte de la statistique publique pour les attachés
stagiaires et stage opérateur pour les élèves ingénieurs.

DEUXIEME ANNEE : APPROFONDIR ET COMMENCER A SE SPECIALISER

C’est l’année où les concepts statistiques avancés sont abordés, renforcés par des applications concrètes. Des cours
spécialisés aux types de données rencontrées sont ainsi proposés : données temporelles, durée, données économiques,
Big Data… L’année est également marquée par deux projets majeurs : l’un en informatique, l’autre en statistique. Les
étudiants gagnent en autonomie et des cours électifs sont proposés pour préparer leur spécialisation de 3 e année
(élèves ingénieurs) ou leur entrée dans le monde professionnel (élèves fonctionnaires). La présence des cours en Anglais
est renforcée lors du second semestre. Suite aux retours des entreprises partenaires et l’Insee sur l’importance de
l’Anglais dans la formation des élèves, l’école a décidé de mettre en œuvre un second semestre en Anglais, avec un
nombre de cours en Anglais librement choisi par les élèves. L'objectif est de donner la possibilité de suivre un cursus en
Anglais à tous les élèves pendant un semestre “international”, qu’ils soient partis en échange ou non. La mise en place
de ce cursus en Anglais vise également à permettre à nos partenaires européens de nous envoyer plus d'élèves et ainsi
de pérenniser nos accords Erasmus. Pour les élèves ingénieurs, l’année se termine par un stage d’application en
statistique de 2 à 3 mois.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX
5
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

TROISIEME ANNEE : SE SPECIALISER

Ingénierie statistique appliquée à l’industrie, aux sciences de la vie, à l’analyse des territoires et de la santé, au
traitement informatique de grands volumes de données, au marketing ou à la gestion des risques et à l’ingénierie
financière… En fin de 2e année, tous les élèves ingénieurs choisissent une filière de spécialisation dans laquelle

interviennent de nombreux professionnels et ponctuée par un stage de 6 mois. Pour les élèves fonctionnaires, c’est le
choix d’une option dans le parcours « évaluation et décision publiques » du master mention mathématiques appliquées
– statistique, selon une approche métier : études statistiques, méthodologie statistique ou traitements informatiques.
Il peut être suivi, sous conditions, directement à la suite de la 2e année ou en formation continue.

LES SIX FILIERES DE SPECIALISATION DE 3E ANNEE

La formation d’ingénieur de l’Ensai inclut 6 filières de spécialisation. Toutes ces filières forment aux métiers de la Data
Science, avec une maîtrise des outils permettant l'extraction, l'analyse et la fouille de données et une capacité à choisir
les modalités de traitements des données massives (Big Data) et des techniques d’apprentissage automatique (machine
learning). Selon les spécialisations, ces compétences sont spécifiques à un domaine ou transversales. L’ensemble des
filières continue à former aux compétences transversales (soft skills) et à la valorisation des travaux menés dans un
contexte professionnel et international. La séquence de Tronc Commun mêlant enseignements scientifiques, projets et
anglais conclut la formation à l’autonomie et la capacité à mettre en œuvre des analyses de données en situation
complexe.
Gestion des risques et ingénierie financière
Cette filière forme des ingénieurs spécialistes de la finance quantitative, capables d’innover et de proposer de nouvelles
méthodes d’analyse. Elle s’articule autour de trois grands domaines de compétences : la réglementation et la gestion
des risques bancaires - l’allocation et les stratégies d’investissement – l’innovation en ingénierie financière.
Marketing quantitatif et revenue management
Cette filière forme à la fois des data scientists ayant une très forte compréhension des enjeux métiers du marketing et
des revenue managers aux capacités analytiques et quantitatives très élevées.
Statistique pour les sciences de la vie
Cette filière forme au métier de biostatisticien. Elle s’appuie sur des compléments en statistique, et fournit les outils
nécessaires pour une spécialisation dans le domaine de l’expérimentation. Les cours d’épidémiologie, d’essais cliniques
et l’analyse des données Omics permettent en particulier aux étudiants de recevoir une solide formation pour des
applications dans le secteur de la santé.
Génie statistique
Cette filière renforce les connaissances en modélisation statistique, en abordant les thèmes de la qualité et la fiabilité,
du traitement de l’image et du signal, ainsi que la prévision et ses applications, notamment dans le domaine de
l’environnement. Les élèves sont ainsi capables de s'adapter à des problématiques provenant de différents secteurs
d'activité comme l'industrie, le secteur bancaire, l'environnement, les services...
Statistique et ingénierie des données
Cette filière vise à renforcer les connaissances en informatique pour l’analyse et la gestion de données, notamment
dans le traitement des grandes bases de données. La formation permet une approche de la culture informatique ainsi
qu’une présentation approfondie des technologies les plus récentes directement liées à l’analyse des données.
Ingénierie statistique des territoires et de la santé
Cette filière donne 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. Cette filière ouvre sur de très nombreux
domaines de la décision économique, principalement dans le secteur privé (cabinets d'étude, laboratoires
pharmaceutiques, bureaux de conseils…) mais également dans le secteur public (ministères, santé, sécurité sociale...).

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 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

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX
6
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

souhaite poursuivre ses recherches, possibilité d'effectuer le stage de troisième année dans un laboratoire
de recherche, etc.

LE MASTER MENTION MATHEMATIQUES APPLIQUEES-STATISTIQUE, PARCOURS « EVALUATION ET

DECISIONS PUBLIQUES »
Les élèves titularisés comme attachés statisticiens de l'Insee peuvent obtenir un master en « évaluation et décisions
publiques » 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.

Le master mention mathématiques appliquées-statistique est co-accrédité avec les Universités de Rennes 1 et Rennes
2, l’Insa de Rennes, Agrocampus Ouest. Le parcours « évaluation et décisions publiques » comporte trois colorations au
choix : statistiques et traitement des données, méthodologie de la statistique publique ou études statistiques.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX
7
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

1 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 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, quatre cours fondamentaux pour la compréhension scientifique
des techniques statistiques enseignées par la suite sont abordés : intégration, probabilités, introduction à la statistique
et statistique exploratoire multivariée. Les élèves réalisent également plusieurs projets statistiques, en groupe, mettant
en œuvre des méthodes de statistique descriptive ou des méthodes plus avancées. Les logiciels SAS et R, dédiés à la
statistique, font également l'objet d'enseignement.
La seconde année est centrée sur l’apprentissage des techniques utiles au statisticien de profession : la modélisation,
paramétrique ou non, d’une régression, l’étude des séries chronologiques modélisables par la méthode de Box-Jenkins,
la théorie des sondages, l’analyse des modèles à choix discrets, l’apprentissage supervisé, les chaînes de Markov, les
calculs bayésiens, les modèles de durée. Ces bases sont complétées, selon le statut de l’élève et les choix, par une
initiation aux processus stochastiques, des cours de méthodes de régression non paramétrique, ré-échantillonnage, de
compléments de séries temporelles, de statistique mathématique, de cartographie ou d’échantillonnage avancée.
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
élèves peuvent également participer à un Data Challenge.
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 : l'algorithmique, la conception
d'applications, et le stockage de données. Des liens sont effectués avec les enseignements de statistique. Python est le
langage utilisé en 1ère année. L'algorithmique est introduit dans un premier temps avec les notions algorithmiques de
base. Les étudiants issus des voies mathématique et IUT Stid bénéficient en outre d’un cours portant sur l’algorithmique
et la complexité des algorithmes étudiés. Dans un deuxième temps, une introduction à la programmation orientée
objet est abordée pour tous avec le langage Python. Le lien avec les enseignements de statistique est notamment
effectuée à travers de TP sous Python dans le cours d'optimisation et méthodes numériques. La conception
d'applications est abordée à travers des cours sur la documentation du code (y compris le métalangage de modélisation
UML) et d'un projet de traitement de données. Enfin, les fichiers, les bases de données relationnelles et les tables
statistiques SAS/R sont les trois principaux modes de stockage des données mis en pratique. Les accès aux fichiers sont
abordés lors des cours de de programmation objet et du projet. Le langage SQL est l'outil standard de mise en œuvre
et d'interrogation de bases de données relationnelles.

Par la suite, tous les élèves réalisent dès le début de la deuxième année un projet dont l’objectif est de mettre en
application les enseignements reçus en 1re année et des compléments informatiques sur la gestion des bases de
données dans des contextes web et/ou Big Data. Au cours du second semestre, les ingénieurs suivent un cours de

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX
8
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

programmation orientée objet en C++ ou Java, ainsi qu’une introduction aux outils pour le Big Data. Plusieurs
cours optionnels sont proposés en informatique, R avancé, technologies mobiles, conception de logiciel, traitement du
signal, et data visualisation. Des compléments informatiques sur des outils (R shiny, VBA, Libre Office Basic,
Compléments de SAS) sont proposés sans ECTS.
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 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, à travers la mobilisation de la
modélisation économique et de données fruits d'un comportement humain.
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 un projet de macroéconomie appliquée abordant les développements récents en économie formalisée, et pour
les seconds, des cours plus progressifs, avec en particulier une introduction à la modélisation macroéconomique
(questions macroéconomiques contemporaines) et une introduction aux sciences sociales. L’enseignement de première
année distingue un cours selon le statut d'ingénieur (principes de gestion des organisations) ou fonctionnaire
(comptabilité nationale).
En seconde année, le cours d’économétrie du tronc commun vise à donner aux élèves les méthodes de validation
empirique des modèles théoriques. Ce cours peut être complété au 2ème semestre par des cours de micro et macro-
économétrie appliquée. Des cours électifs complètent cette formation en ouvrant sur l’économie du risque, l’économie
industrielle, l’économie des contrats ou l’économie financière notamment.

HUMANITES
Pour nos ingénieurs data scientists ou statisticiens publics, la notion de compétence renvoie aux notions d’autonomie
et de savoir agir dans le champ de la production et de l’analyse de données et de la décision en situation complexe
(tâches non répétitives).
Les connaissances en mathématiques, informatique, statistique, économie (l’ADN de l’ENSAI) forment le socle
indispensable à la formation d’un ingénieur data scientist compétent.
Les compétences transversales ou soft-skills sont également indispensables pour valoriser dans un contexte
professionnel tout le potentiel acquis durant les 3 années de l’ENSAI.
L’école a produit un référentiel de ces domaines de compétences adapté aux futurs métiers des étudiants qu’elle forme.
Il est attendu d’un data-scientist qu’il présente des qualités importantes dans les domaines suivants : la rigueur
intellectuelle, le raisonnement analytique et la conceptualisation, la créativité et le sens de l’innovation, la
communication et la pédagogie, les relations humaines, le travail en équipe en mode projet et la gestion du temps,
l’ouverture au monde et la responsabilité sociale et civique.
Ces qualités sont mises en œuvre dans les différents processus d’apprentissages : les cours, les TP et TD, le travail
personnel demandé.
L’école a fait le choix de renforcer spécifiquement la montée en compétence sur « le savoir agir » de ses élèves à partir
principalement de situations s’approchant le plus de situations professionnelles : les projets, les data challenges, les
stages, les pratiques associatives.
L’apprentissage des techniques de communication et de la gestion de projet est progressif, basé sur la pratique et le
conseil personnalisé. Les élèves sont sensibilisés à ces compétences dans le cadre du projet de statistique descriptive
en 1re année, puis les développent en travaillant sur les projets qui jalonnent leur scolarité, en particulier le projet
statistique de deuxième année, le projet informatique de deuxième année et le projet statistique de troisième année.
Durant le stage d’observation de première année, les élèves élargiront leurs connaissances du monde professionnel et
développeront leur capacité d’analyse à travers la rédaction du rapport.

Le « Projet professionnel » en deuxième et troisième année permet aux étudiants de mieux se connaitre à travers en
particulier l’utilisation d’un test de personnalité très utilisé pour les recrutements, de valoriser leur compétences dans
leur recherche de stage ou d’emploi en préparant les documents supports de leur candidatures et de mettre en pratique

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX
9
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

les compétences scientifiques et comportementales durant leur stage d’application en statistique et leur
stage de fin d’étude.

L'étude de l'anglais est obligatoire tout au long de la scolarité. Les élèves sont répartis en groupes de niveau pour assurer
un contenu et une pédagogie adaptés. Des modules de préparation au TOEIC sont intégrés aux cours mais l’acquisition
et le développement des compétences linguistiques et communicationnelles restent les objectifs principaux des cours.
Le niveau B2 du CECRL est obligatoire pour l’obtention du diplôme d’ingénieur mais les cours visent l’acquisition du
niveau C1. Au-delà des compétences linguistiques, les cours d’anglais cherchent à équiper les futurs ingénieurs avec les
compétences transversales qui leur permettront d’évoluer dans des contextes internationaux variés, d’effectuer la
veille scientifique et de comprendre les normes culturelles dans les pays étrangers.
Les cours des Humanités visent à approfondir les connaissances des élèves dans plusieurs disciplines des arts et des
sciences sociales et humaines. Du fait de leur structure et contenu, ils permettent aux élèves de développer des
compétences transversales, notamment celles liées à l’ouverture au monde et la responsabilité sociale et civique. Les
élèves doivent choisir parmi deux types de cours :

Langues optionnelles : L’allemand, le chinois, l’espagnol, l’italien, le japonais et le russe peuvent être étudiées du niveau
A1 jusqu’au niveau B2+. Outre les compétences linguistiques et communicationnelles, les cours de langues optionnelles
cherchent à préparer les futurs ingénieurs à agir dans des contextes pluriculturels.
Cours d’ouverture : Plusieurs options sont organisées chaque année. Certains cours visent l’ouverture via la culture
générale (géopolitique, histoire de l’art, philosophie…), d’autres stimulent la créativité et la connaissance de soi via la
pratique artistique (dessin, musique, peinture, théâtre…). Enfin, la possibilité de participer aux activités associatives ou
aux projets spéciaux encourage l’engagement social et citoyen.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX
10
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

Enseignements de 2e année
Volumes horaires enseignés

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX
11
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

Total Cours TD ECTS

UE 2-01 : MODELISATION STATISTIQUE
Régression linéaire 33 15 18 3
Modèle linéaire généralisé et régression sur variables catégorielles 33 21 12 3
Séries temporelles 1 33 18 15 3
Total UE 2-01 99 54 45 9
UE 2-02 : COLLECTE ET APPRENTISSAGE
Apprentissage supervisé 27 18 9 2,5
Théorie des sondages 30 18 12 3
Droit et éthique des données 9 9 - 0,5
Total UE 2-02 66 45 21 6
UE 2-03 : INFORMATIQUE POUR LA DATA SCIENCE
Compléments d'informatique 18 6 12 2
Projet Informatique 36 - 36 4
Remise à niveau en informatique (AST seulement) 21 21 - 1
Total UE 2-03 54 6 48 6
UE 2-04 : MODELISATION ECONOMIQUE
Modélisation microéconomique 21 21 2
Econométrie appliquée 33 21 12 3
Total UE 2-04 54 42 12 5
UE 2-05 : HUMANITES ET STAGE OPERATEUR
Stage opérateur (hors AST) 1
Cours libre optionnel n°1 30 - 30 1
Anglais 1er semestre 30 - 30 2
Total UE 2-05 60 - 60 4
TOTAL 1ER SEMESTRE 333 147 186 30
Total Cours TD ECTS
UE 2-06 : PROJET STATISTIQUE
Projet statistique 33 - 33 6
Total UE 2-06 33 - 33 6
UE 2-07 : COMPLEMENTS DE MODELISATION STATISTIQUE
Introduction aux modèles de durée 21 12 9 2
Statistique non paramétrique (ing.) ou
21 12 9 2
Traitement données manquantes enquêtes (att.)
Au choix : Chaînes de Markov ou Séries temporelles 2 21 12 9 2
Total UE 2-07 63 36 27 6
UE 2-08 : METHODES COMPUTATIONNELLES
Au choix: Calculs bayésiens ou,
39 21 18 4
micro et macroéconométrie appliquée
Au choix: POO avec Java ou,
18 18 - 2
C++ pour la stat. Computationnelle
Outils pour le Big Data 24 24 - 2
Total UE 2-08 81 63 31.5 8
UE 2-09 : PRE-SPECIALISATION
Cours électif n°1 21 21 - 2
Cours électif n°2 21 21 - 2
Cours électif n°3 21 21 - 2
Cours électif n°4 21 21 - 2
Total UE 2-09 84 84 - 10
UE 2-10 : PROJET PROFESSIONNEL
Cours libre optionnel n°2 30 30 1
-
Cours outils optionnels 30 30
Projet professionnel et gestion de projets 20 - 20 1
Total UE2-10 80 - 80 2
TOTAL 2ND SEMESTRE 347 183 164 30
TOTAL ANNEE 680 330 350 60

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX
12
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

Enseignements de 2e année
2nd semestre – UE 2-09
Les cours électifs

Les élèves doivent choisir 4 cours électifs (parmi la liste des cours figurant dans le tableau ci-dessous). Les choix sont
subordonnés aux contraintes d’emploi du temps puisque certains cours sont programmés en même temps.
De plus, les élèves ingénieurs devront choisir au moins une option statistique.

COURS ELECTIFS DE 2E ANNEE

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 13
Tél : 33 (0)2 99 05 32 32 / [email protected]
www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

Conseils concernant le choix des cours électifs et des options

Des cours du Tronc Commun sont à choisir :

 Un langage objet entre C++ et Java. Les enseignements de C++ et Java ne peuvent pas être suivis en même
temps. Java est obligatoire pour les élèves attachés (sauf demande spécifique argumentée de suivre le cours
de C++). R avancé a comme prérequis C++, conception de logiciel et technologies mobiles ont comme prérequis
Java.
 Un parcours d'approfondissement en statistique/économétrie : chaines de markov et calculs bayésiens ou
séries temporelles avancées et micro/macro-économétrie. Le parcours séries temporelles avancées et
Micro/macro-économétrie est très fortement recommandée pour les élèves attachés. Il n'est pas obligatoire
de suivre le parcours complet, mais chaines de markov est un pré-requis du cours de calculs bayésiens, ainsi
que séries temporelles du cours de macro-économétrie.

Le cours de Data Challenge sera limité en nombre d'étudiants (40) et peut revêtir différentes formes, challenges exté-
rieurs ou organisé à l'Ensai. Un tirage au sort déterminera si besoin les étudiants.

Le choix de 4 cours électifs (un par bloc) vise à approfondir vos connaissances et à révéler vos préférences avant votre
spécialisation de 3ème année (filières ou parcours du master évaluation et décision publiques). Il n’y a aucune prise en
compte du choix des cours électifs suivis pour l’attribution des filières ou de parcours de master. Certains cours restent
néanmoins plus ou moins cohérents avec les spécialisations de dernière année. Le tableau suivant précise les cours
adaptés (+) ou très adaptés (++) aux spécialisations de dernière année. Certaines compétences et connaissances
associées aux cours définis comme « très adapté » seront considérées comme acquises en début de 3ème année. Les
cours de « Data Visualisation » et « Data Challenge » sont adaptés à l’ensemble des spécialisations, les compétences
mobilisées étant transversales. Le cours de statistique mathématique est très conseillé pour les élèves désirant
s’orienter vers une formation par la recherche en mathématiques.

Pour les étudiants qui suivent le parcours OFPR et qui souhaitent s'orienter vers une formation par la recherche en
mathématique, les cours suivants sont fortement conseillés.
Bloc 1: Statistique Mathématique
Bloc 2: Modèles avancés de régression, Traitement du signal
Bloc 3: Martingales et processus de Levy
Bloc 4: Rééchantillonnage

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 14
Tél : 33 (0)2 99 05 32 32 / [email protected]
www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 15
Tél : 33 (0)2 99 05 32 32 / [email protected]
www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

Tableau récapitulatif des enseignements 2A

Code Matière Enseignant Correspondant

2AECO01 Modélisation microéconomique Yutec SUN Yutec SUN
2AECO02 Econométrie appliquée Marion GOUSSÉ Samuel DANTHINE
2AECO03 Microeéconométrie appliquée Yutec SUN Yutec SUN
2AECO04 Economie du risque Olivier RENAULT Stéphane AURAY
2AECO05 Economie digitale Yutec SUN/Ambre NICOLLE Yutec SUN
2AECO06 Economie industrielle Frédéric LOSS Stéphane AURAY
2AECO07 Démographie Laurent DI CARLO Brigitte GELEIN
2AECO08 Macroéconométrie appliquée Stéphane AURAY Stéphane AURAY
2AHUM01 Anglais Divers intervenants Todd DONAHUE / Emily BURMEISTER
2AHUM02 Droit et éthique des données / Sécurité des données Stéphane ASTIER / Kamel GADOUCHE Brigitte GELEIN
2AHUM03 Projet professionnel ingénieur Divers intervenants Patrick GANDUBERT
2AHUM04 Projet professionnel attaché Divers intervenants Brigitte GELEIN
2AHUM05 Sport Divers intervenants Julien LEPAGE
2AHUM06 Stage Divers intervenants Patrick GANDUBERT/Ronan LE SAOUT
2AINF01 Compléments d’informatique Rémi PÉPIN Rémi PÉPIN
2AINF02 Projet informatique Divers intervenants Rémi PÉPIN
2AINF03 Remise à niveau en informatique Rémi PÉPIN Rémi PÉPIN
2AINF04 POO avec Java Benjamin GIRAULT Benjamin GIRAULT
2AINF05 C++ pour la statistique computationnelle Laurent Georget Hong-Phuong DANG
2AINF06 Outils pour le Big Data Arthur KATOSSKY/Rémi PÉPIN Rémi PÉPIN
2AINF07 Programmation avancée en R Matthieu MARBAC Matthieu MARBAC
2AINF08 Technologies mobiles Olivier LEVITT Hong-Phuong DANG
2AINF09 Traitement du signal Hong-Phuong DANG Hong-Phuong DANG
2AINF10 Conception de logiciel Olivier LEVITT Rémi PÉPIN
2AINF11 Data Challenge Salima EL KOLEI Salima EL KOLEI
2AINF12 Datavisualisation Arthur KATOSSKY Romaric GAUDEL
2ASTA01 Régression linéaire Basile DELOYNES Basile DELOYNES
2ASTA02 Modèle linéaire généralisé et régression sur variables catégorielles Gilles STUPFLER Gilles STUPFLER
2ASTA03 Séries temporelles 1 Marie DU ROY DE CHAUMARAY Marie DU ROY DE CHAUMARAY
2ASTA04 Apprentissage supervisé Brigitte GELEIN Brigitte GELEIN
2ASTA05 Théorie des sondages Guillaume CHAUVET Guillaume CHAUVET
2ASTA06 Projet statistique Divers intervenants David AUDENAERT
2ASTA07 Modèles de durée Valentin PATILEA Valentin PATILEA
2ASTA08 Statistique non paramétrique Marian HRISTACHE Marian HRISTACHE
2ASTA09 Traitement de la non réponse dans les enquêtes Brigitte GELEIN Brigitte GELEIN
2ASTA10 Chaînes de Markov François COQUET François COQUET
2ASTA11 Calculs bayésiens François PORTIER François PORTIER
2ASTA12 Modèles avancés de régression Eftychia SOLEA Eftychia SOLEA
2ASTA13 Martingales et processus de Lévy Basile DELOYNES Basile DELOYNES
2ASTA14 Méthodes de rééchantillonnage Myriam VIMOND Myriam VIMOND
2ASTA15 Séries temporelles 2 A déterminer A déterminer
2ASTA16 Statistique mathématique Lionel TRUQUET Lionel TRUQUET
2ASTA17 Echantillonnage à plusieurs degrés Guillaume CHAUVET Guillaume CHAUVET
2ASTA18 Statistique spatiale A déterminer A déterminer
2ASTA18 Séminaire professionnel Divers intervenants Ronan LE SAOUT
2AOUT01 R-Shiny Matthieu MARBAC Matthieu MARBAC

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 16
Tél : 33 (0)2 99 05 32 32 / [email protected]
www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

2AOUT02 Visual Basic Application Steven GOUICHOUX Benjamin GIRAULT

2AOUT03 Compléments de SAS Khaled LARBI Benjamin GIRAULT
2AOUT04 Libre Office Basic Samuel TOUBON Benjamin GIRAULT

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.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 17
Tél : 33 (0)2 99 05 32 32 / [email protected]
www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

Enseignements du premier semestre

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 18
Tél : 33 (0)2 99 05 32 32 / [email protected]
www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-01 – Semestre 1

UE 2-01 : MODELISATION STATISTIQUE

Correspondant de l’UE : Lionel TRUQUET

Nombre d’ECTS :9
Volume horaire de travail élève
(enseignements + travail personnel)
Nombre d’heures d’enseignement : 99h

Finalité de l’UE :
Introduire les modèles linéaires ou linéaires généralisés de base qui permettent d'expliquer ou de
prédire une variable d'intérêt ou réponse à partir d'un certain nombre de covariables associées. Mettre
en oeuvre des techniques d'inférence statistique adéquates pour ajuster ces modèles à partir d'un
échantillon de données. Cette UE permet de faire le lien entre les notions de statistique descriptive (UE
2 de la première année) et les principes de base de la statistique inférentielle (UE 6 de la première année)
à partir du formalisme probabiliste introduit dans l'UE 1 de la première année

Structuration de l’UE :
La matière Régression linéaire permet d'aborder le cas des données indépendantes avec réponse
continue, la matière Modèle linéaire généralisé et régression sur variables catégorielles celui des
données indépendantes avec réponse discrète et le matière Série temporelle 1 le cas où la variable
d'intérêt est continue et présente une corrélation temporelle.

Compétences ou acquis d’apprentissage à l’issue de l’UE :

Connaitre le cadre d'application et les hypothèses des différents modèles linéaires de base. Etre capable
d'ajuster et de valider ces modèles à partir d'un jeu de données, de produire et d'interpréter les
résultats. Comprendre les fondements mathématiques de ces modèles et les méthodes d'inférence ou
de test statistique utilisées.

Les pré-requis de l’UE :

les notions de probabilités, de statistique descriptve et de statistique inférentielle abordées en première
année.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 19
Tél : 33 (0)2 99 05 32 32 / [email protected]
www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-01 – Matière 2ASTA01 – Semestre 1

REGRESSION LINEAIRE
Linear regression
Enseignant : Basile DE LOYNES (Ensai)
Nombre d’ECTS :3
Volume horaire de travail élève : 90h
(enseignements + travail personnel)

Répartition des enseignements : 15h de cours, 12h de TD, 6h de TP

: Français
Langue d’enseignement
Logiciels : R et Python
Documents pédagogiques : Polycopiés de cours
Pré-requis :Lois de probabilités usuelles, vecteurs gaussiens, régions de
confiance, tests statistiques, algèbre matricielle, projection
orthogonale

Modalités d’évaluation :
Examen sur table

Acquis d’apprentissage (objectifs) :

 Comprendre la construction d’un modèle de régression linéaire
 Mener une étude complète de régression linéaire
 Effectuer une analyse constructive des résidus
 Sélectionner des variables pertinentes
 Utiliser des packages du logiciel R et la librairie statsmodel sous Python

Principales notions abordées :

 Rappels : projections orthogonales, vecteurs gaussiens et espérance conditionnelle
 Le modèle de régression linéaire multiple
 Le modèle de régression linéaire multiple sous hypothèse gaussienne
 Validation du modèle, sélection de variables, mesure de diagnostique

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 (2e éd .), Dunod, 2012
 CORNILLON P.-A., MATZNER-LOBER E., Régression avec R, Springer, 2010
 DODGE R., ROUSSON V., Analyse de régression appliquée (2e éd.), Dunod, 2004
 KLEINBAUM D. G. et al., Applied regression analysis and multivariate methods (4th ed.), Cengage Learning,
2008
 TOMASSONE R; et al., La régression (2e éd.), Masson, 1992

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX
Tél : 33 (0)2 99 05 32 32 / [email protected]
20
www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-01 – Matière 2ASTA02 – Semestre 1

MODELE LINEAIRE GENERALISE ET REGRESSION SUR

VARIABLES CATEGORIELLES
Generalized Linear Models and Regression on Categorial Data
Enseignant : Gilles STUPFLER
Nombre d’ECTS :3
Volume horaire de travail élève : 90h
(enseignements + travail personnel)

Répartition des enseignements : 21h de cours et 12h de TP

Langue d’enseignement : Français

Logiciels : SAS ou R
Documents pédagogiques : Compte rendu de cours
Pré-requis : cet enseignement demande que tous les élèves maîtrisent les cours
relatifs aux modèles de régression linéaire et à la statistique
inférentielle, ainsi que la notion de capacité de prédiction d’un
modèle.

Modalités d’évaluation :
Examen sur table

Acquis d’apprentissage (objectifs) :

 Savoir choisir un modèle approprié pour expliquer une variable binaire ou catégorielle selon la nature du
problème posé et des données disponibles
 Savoir construire ce modèle et le mettre en œuvre à l’aide d’un logiciel adapté
 Savoir interpréter finement les résultats obtenus

Principales notions abordées :

Modèle linéaire généralisé, modèle logistique, modèle polytomique, modèle mixte

Références bibliographiques :
 Agresti A., Categorical Data Analysis (3rd ed.), WILEY & Sons, 2012
 ALLISON, P., Logistic regression using SAS : theory and application(2nd ed.), Cary, NC : SAS Institute Inc, 2012
 Hosmer D.W., Lemeshow S., Applied Logistic Regression (3rd ed.), WILEY & Sons, 2013
 KLEINBAUM, D., KLEIN, M., Logistic regression : a self-learning text (3rd ed.), Springer, 2010
 Stokes Maura E., Davis, Charles S., Koch, Gary G., Categorical Data Analysis Using the SAS System (3rd ed.),
Cary, NC : SAS Institute Inc, 2012
 TUFFERY, S., Modélisation prédictive et apprentissage statistique avec R (2e éd.), Technip, 2017

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 21
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-01 – Matière 2ASTA03 – Semestre 1

SERIES TEMPORELLES 1
Times Series 1
Enseignant : Marie DU ROY DE CHAUMARAY (Ensai)
Nombre d’ECTS :3
Volume horaire de travail élève : 70h
(enseignements + travail personnel)

Répartition des enseignements : 18h de cours, 6h de TD et 9h de TP

Langue d’enseignement : Français

Logiciels :R
Documents pédagogiques : Résumés de cours
Pré-requis : Probabilités et statistique inférentielle

Modalités d’évaluation :
Partiel et examen final sur papier

Acquis d’apprentissage (objectifs) :

 Connaître les principaux modèles linéaires utilisés et leurs caractéristiques.
 Savoir estimer les paramètres des modèles et tester leur validité.
 Reconnaître les caractéristiques principales d'une série temporelle en utilisant les outils graphiques usuels.
 Savoir conduire une démarche statistique complète: trouver des modèles adéquats, vérifier leur validité pour
les données et faire des prévisions de valeurs futures.

Principales notions abordées :

1. Tendance, saisonnalité et filtrage linéaire.
2. Processus stationnaires, autocovariance, autocorrélation.
3. Processus ARMA, causalité, inversibilité, innovation, estimation.
4. Méthode de Box-Jenkins, processus non-stationnaires (S)ARIMA, test de racine unitaire.
5. Prévision : meilleur prédicteur linéaire, lissage exponentiel.
6. Contributions exogènes, processus ARMAX et corrélation croisée. Hétéroscédasticité et processus (G)ARCH.

Références bibliographiques :
 Hamilton J, Time Series, Princeton University Press, 1995.
 Box G., Jenkins G., Reinsel G., Time Series Analysis. Forecasting and Control, Prentice Hall, 1994, 3ème Edition
 Shumway R. and Stoffer D. , Time series analysis and its applications, Springer 2006.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 22
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-02 – Semestre 1

UE 2-02 : COLLECTE ET APPRENTISSAGE

Correspondant de l’UE : Brigitte GELEIN

Nombre d’ECTS :6
Volume horaire de travail élève : 160h
(enseignements + travail personnel)
Nombre d’heures d’enseignement : 66h

Finalité de l’UE :
Les données constituent la matière première qu’auront à manipuler les ingénieurs et élèves attachés de l’Insee à
la sortie de l’Ensai, tant dans les entreprises que les administrations. Il est crucial que cette matière première soit
collectée dans le respect de règles juridiques et éthiques. Cette collecte doit se faire de façon optimale sur le plan
scientifique, compte tenu de contraintes budgétaires. Ces données une fois collectées, les ingénieurs et attachés
seront en mesure d’en extraire une information dans l’optique de l’aide à la décision dans les secteurs publics et
privés. L’apprentissage supervisé recouvre une famille de techniques statistiques permettant d’offrir cette aide à
la décision sous l’angle de la prédiction et/ou l’explication d’une grandeur d’intérêt (variable cible).

Structuration de l’UE :
L’UE Collecte et apprentissage est structurée en matières. La matière Droit et éthique des données donne les
éléments de base du respect de règles juridiques et éthiques de la collecte des données. La matière Théorie des
sondages présente l’aspect scientifique de la collecte des données par des méthodes d’échantillonnage et de
redressement. Enfin, la matière Apprentissage supervisé fournit aux étudiants un ensemble d’algorithmes de
prédiction d’une grandeur d’intérêt ainsi que les outils d’évaluation de la qualité de cette prédiction.
Compétences ou acquis d’apprentissage à l’issue de l’UE (de façon synthétique et en se référant aux compétences
de l’ingénieur et compétences spécifiques de la formation ingénieur) :

Compétences ou acquis d’apprentissage à l’issue de l’UE :

 Capacité à identifier les responsabilités éthiques et professionnelles, à prendre en compte les enjeux des
relations au travail, de sécurité et de santé au travail et de la diversité
 Capacité à trouver l’information pertinente, à l’évaluer et à l’exploiter : «compétence informationnelle»
 Aptitude à étudier et résoudre des problèmes complexes souvent situés en univers incertain et risqué en
mobilisant des connaissances scientifiques à dominante mathématique, statistique, économique et
informatique.
 Concevoir et mettre en œuvre des projets de collecte et d’analyse d’informations en utilisant les outils
informatiques associés, les techniques de production (bases de données, enquêtes, données non
structurées issues d’internet) et les méthodes d’analyse quantitative de l’information, pour proposer des
solutions et aider à la décision.
 Concevoir et mettre en œuvre des algorithmes prédictifs de machine learning, s’intégrant dans une
architecture informatique de données volumineuses (big data) et en veillant au respect du cadre éthique
et juridique d’utilisation des données.

Les pré-requis de l’UE :

Probabilités, Statistique avec R, Régression linéaire, Statistique Exploratoire Multivariée 1A, projection et
d’optimisation (lagrangien).

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 23
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-02 – Matière 2ASTA04 – Semestre 1

APPRENTISSAGE SUPERVISE
Supervised learning
Enseignant : Brigitte GELEIN (Ensai)
Nombre d’ECTS : 2.5
Volume horaire de travail élève : de 60h à 75h
(enseignements + travail personnel)

Répartition des enseignements : 18h de cours et 9h de TP

Langue d’enseignement : Français

Logiciels :R
Documents pédagogiques : Polycopié contenant le diaporama du cours, sous Moodle les sujets
de TP
Pré-requis : Statistique Exploratoire Multivariée 1A, projection et d’optimisation
(lagrangien)

Modalités d’évaluation :
Examen sur table

Acquis d’apprentissage (objectifs) :

 Distinguer l’apprentissage supervisé de l’apprentissage non-supervisé
 Choisir et mettre en œuvre différentes méthodes d’apprentissage supervisé
 Comparer les performances des méthodes d’apprentissage concurrentes

Principales notions abordées :

 Apprentissage supervisé – définition et concepts généraux,
 k plus proches voisins (KNN ),
 Classifieur bayésien naïf (Naive bayes),
 Analyse discriminante (factorielle et bayésienne)
 Segmentation par arbres (CART, CHAID), Probability Estimation Trees, arbres à cibles multiples (Ctree).
 Comparaison de méthodes (LIFT, ROC, avantages et inconvénients des différentes méthodes présentées).

Références bibliographiques :
 BREIMAN L., FRIEDMAN J. H., OLSHEN R. A., STONE C. J. , Classification and regression trees. Wadsworth &
Brooks/Cole Advanced Books & Software, 1984.
 HASTIE, T., TIBSHIRANI, R., and FRIEDMAN, J. . The Elements of Statistical Learning: Data Mining, Inference, and
Prediction. Springer, 2009.
 HUBERTY C.J., Applied discriminant analysis, Wiley, 1994.
 CONFAIS J., NAKACHE J.-P., Statistique explicative appliquée, Technip, 2003.
 McLachlan G., Discriminant Analysis and Statistical Pattern Recognition, 2004.
 PROVOST F., DOMINGO P., Tree Induction for Probability-Based Ranking, Machine Learning, 52, 199–215, 2003,
Kluwer Academic Publishers
 TUFFERY Stéphane, Modélisation prédictive et apprentissage statistique avec R, Technip, 2015

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 24
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-02 – Matière 2ASTA05 – Semestre 1

THEORIE DES SONDAGES

Sampling Theory
Enseignant : Guillaume CHAUVET
Nombre d’ECTS :3
Volume horaire de travail élève : 60h
(enseignements + travail personnel)

Répartition des enseignements : 18h de cours, 9h de TD et 3h de TP

Langue d’enseignement : Français

Logiciels : SAS/R
Documents pédagogiques : Diaporama du cours
Pré-requis : Probabilités, Statistique avec R, Régression linéaire

Modalités d’évaluation :
Examen sur table

Acquis d’apprentissage (objectifs) :

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 de redressement, où une information externe est utilisée pour modifier les
estimateurs afin de diminuer leur variance.

Principales notions abordées :

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

 Sondage aléatoire simple
 Sondage stratifié
 Sondage à probabilités inégales

Partie 3 : Méthodes de redressement

 Estimateur par calage
 Applications : estimateur par la régression, estimateur post-stratifié
 Estimation d’un paramètre complexe

Références bibliographiques :
 ARDILLY P., Les Techniques de Sondage (nouv. éd.), Paris, Technip, 2006
 COCHRAN W.G., Sampling Techniques, 3e édition, New York, Wiley, 1977
 SÄRNDAL, C-E., SWENSSON, B, WRETMAN, J., Model Assisted Survey Sampling, Springer-Verlag, 2003
 TILLÉ Y., Sampling Algorithms, Wiley, 2006

25
Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-02 – Matière 2AHUM02 – Semestre 1

DROIT ET ETHIQUE DES DONNEES / SECURITE DES DONNEES

Ethics and Law in Data Analytics / Data Security
Enseignant : Stéphane ASTIER / Kamel GADOUCHE
Nombre d’ECTS : 0.5
Volume horaire de travail élève : 9h
(enseignements + travail personnel)

Répartition des enseignements : 9h de cours

Langue d’enseignement : Français

Modalités d’évaluation :
QCM en fin de séminaire

Acquis d’apprentissage (objectifs) :

La première partie a pour objectif d’apporter aux étudiants une « culture générale » juridique leur permettant, lorsqu’ils
seront en poste, d’échanger plus facilement avec leurs services juridiques sur les aspects spécifiques de la
réglementation « informatique et libertés ».

La seconde partie a pour objectif d’apporter aux étudiants une « culture sur le management de la sécurité » incluant les
enjeux de la sécurité des données, les responsabilités et les modalités d’application avec des exemples concrets.

Principales notions abordées :

En s’appuyant sur l’actualité (géopolitique, technologique, économique), la première partie du séminaire mettra en
perspective une série d’enjeux juridiques et éthiques liés à la digitalisation de l’ensemble de la société tant dans
l’environnement professionnel que personnel.
Des exemples concrets de procédures en cours devant les instances françaises et internationales ainsi que des faits
d’actualité viendront illustrer cette présentation et alimenter une réflexion globale sur l’impact de l’évolution
technologique sur notre civilisation.

La seconde partie s’appuiera sur les standards et référentiels en cours (RGPD, ISO). Il s’agira de présenter les principes
de la méthode d’établissement d’une politique de sécurité pour en comprendre les enjeux : objectifs, gouvernance,
risques, mesures, plan d’action, indicateurs, évaluation et amélioration continue. Cette partie présentera aussi des
recommandations, des exemples d’incident de sécurité et les principales mesures de sécurité généralement mises en
œuvre : anonymisation, chiffrement, sauvegardes, permissions d’accès,…

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX
Tél : 33 (0)2 99 05 32 32 / [email protected]
26

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-03 – Semestre 1

UE 2-03 : INFORMATIQUE POUR LA DATA SCIENCE

Correspondant de l’UE : Rémi PEPIN

Nombre d’ECTS : 6 ( 7 pour les AST)
Volume horaire de travail élève : 150-180h
(enseignements + travail personnel)
Nombre d’heures d’enseignement : 54h

Finalité de l’UE :
À la fin de cette UE, les élèves seront capables de concevoir et de réaliser en groupe une application informatique
complexe pour répondre aux besoin d’une maitrise d’ouvrage. Pour ce faire ils devront être capable répondre à
un besoin précis, d’adapter leur communication au niveau attendu par leur interlocuteur, de valoriser leur travail
et d’apprendre de nouveaux outils en autonomie et mobiliser des compétences de génie logiciel et de
programmation en Python.

Structuration de l’UE :
L’UE d’informatique pour la data science est constituée de deux modules, Compléments d’informatique, Remise à
niveau et Projet informatique. Les élèves directement admis en seconde année bénéficient dans le cadre de l’UE
d’une remise à niveau en informatique leur permettant de suivre les deux modules de l’UE.
Le premier module doit apporter les compétences supplémentaires nécessaires pour mener à bien le module
Projet informatique, mais également donner les compétences en informatique que tout data scientist doit avoir.
Le module de Projet informatique place les élèves face à une problématique courante dans le monde
professionnel : réaliser un projet dans un temps limité en groupe imposé. Ce projet sera l’occasion pour eux de
mobiliser de nouvelles compétences en génie logiciel et sécurité informatique acquises dans le module de
Compléments d’informatique. Il leur permettra également de développer leurs compétences communications et
de travail en groupe (animation, organisation).
Le module de Remise à niveau informatique concerne les élèves admis à l’Ensai sans avoir fait la première année
dans l’établissement. Il doit leur fournir un socle minimal de compétences informatiques pour suivre les
enseignements de l’UE. Ils acquerront également des compétences dans la sphère informatique pour mener à bien
leur scolarité.

Compétences ou acquis d’apprentissage à l’issue de l’UE :

- Réaliser une modélisation d’une application complexe indépendante du langage de programmation
utilisé
- Développer une application Python complexe utilisant plusieurs services externes (service web, base de
données)
- Comprendre des principes de base d’internet et du web et de sécurité informatique
- Synthétiser et mettre en avant le travail produit au travers de livrables écrits ou de présentations orales

Les pré-requis de l’UE :

Programmation orienté objets niveau initiation, python et SQL niveau intermédiaire

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 27
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-03 – Matière 2AINF01 – Semestre 1

COMPLEMENT D’INFORMATIQUE
Computer Science – Complementary Course
Enseignant : Rémi PEPIN (Ensai)
Nombre d’ECTS :2
Volume horaire de travail élève : de 50 à 60h
(enseignements + travail personnel)

Répartition des enseignements : 6h de cours, 12h de TD

Langue d’enseignement : Français

Logiciels : python3, Pycharm, PuTTY, git, phpadmin
Documents pédagogiques : sous Moodle, pas de polycopié
Pré-requis : Programmation orienté objets niveau initiation, python et SQL niveau
intermédiaire

Modalités d’évaluation :
Des QCM seront disponibles sur moodle pour permettre aux élèves d’autoévaluer leurs acquis des séquences en
autonomie. Ces QCM ne compteront pas dans la note finale

Acquis d’apprentissage (objectifs) :

Ce cours vient compléter les connaissances en informatique des étudiants afin de leur en donner une vision plus globale.
Les différents thèmes abordés permettront aux étudiants de mieux comprendre l’informatique d’aujourd’hui pour leur
vie professionnelle tout en les armant pour leur projet informatique qui sera mené en parallèle.
 Appliquer des concepts de base d'ingénierie logicielle pour réaliser une modélisation fonctionnelle
et indépendante du langage de programmation d'une application
 Expliquer le fonctionnement d'une application client server
 Expliquer le principe de l'injection de langage
 Déterminer le meilleur format d'échange de données pour un cas donné
 Mettre en place les outils pour mener à bien un projet informatique

Principales notions abordées :

Ce cours a pour but d’apporter des connaissances supplémentaires en informatique aux élèves pour leur permettre
d’évoluer dans le monde de la science de la donnée plus sereinement. Ainsi des notions de programmation orientée
objet seront revues et approfondis et des nouvelles notions seront abordée.
La communication client-serveur, incontournable aujourd’hui, sera donc vu dans le cadre du cours. Cela sera l’occasion
de démystifier certains termes informatiques, ainsi que de présenter le protocole http, et des notions de sécurité
informatique comme les injections de langage avec l’exemple de l’injection SQL.
Une analyse des différents formats d’échange de données sera faite dans ce cours avec l’opposition donnée tabulaire
(csv, base de données relationnelles) et non tabulaire (json, XML, HTML) ainsi que les moyens de traiter chacun de ces
formats de données.
Des éléments de culture informatique seront également apportés aux élèves pour développer leurs connaissances
générales dans le domaine.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 28
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2020/2021

Références bibliographiques :
 Debrauwer L., Heyde F., & Van der Heyde, F. (2020). UML 2.5. Editions ENI.
 Alhir S. S., Oram, A., & O’Reilly & Associates. (1998). UML in a Nutshell. O’Reilly.
 Roques P. (2015). UML 2.5. Eyrolles.
 Gamma E. (1999). Design patterns. Vuibert.
 Larman C. (2005). Applying UML and Patterns. Prentice Hall.
 Larman C. (2005). UML 2 et les design patterns. Télé-université.
 Lutz M. (2014). Python Pocket Reference. O’Reilly.
 Lutz M., & Maniez, D. (2019). Python précis et concis. Dunod.
 Martelli A., Ravenscroft A., & Ascher D. (2005). Python Cookbook (Second éd.). O’Reilly.
 Slatkin B. (2019). Effective Python. Addison Wesley.
 Richard E. Silvermam (2013). Git Pocket Guide. O’Reilly
 Soutou C. (2007). UML 2 pour les bases de données. Eyrolles.
 Refactoring and Design Patterns. (s. d.). Refactor guru. Consulté 23 juin 2020, à l’adresse
https://refactoring.guru/design-patterns

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 29
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-03 – Matière 2AINFO02 – Semestre 1

PROJET D’INFORMATIQUE
Computer Science project
Enseignant : Rémi PEPIN (Ensai)
Nombre d’ECTS :4
Volume horaire de travail élève : de 100 à 120h
(enseignements + travail personnel)

Répartition des enseignements : 36h de projet

Langue d’enseignement : Français (cours) et Anglais (ressources complémentaires fournies)

Logiciels : python3, Pycharm, PuTTY, git, phpadmin, python3, SQL, json, XML,
HTML, HTTP, SSH, webservice REST, UML
Documents pédagogiques : sous Moodle, pas de polycopié
Pré-requis : Programmation orienté objets niveau initiation, python et SQL niveau
intermédiaire

Modalités d’évaluation :
Soutenance

Acquis d’apprentissage (objectifs) :

 Concevoir une application multi-tiers via le formalisme UML
 Développer en python une application multi-tiers
 Communiquer avec une base de données via python
 Communiquer avec un serveur distant via python
 Planifier et mettre en place les outils pour un projet informatique

Principales notions abordées :

Ce projet demande aux élèves par groupe de 4-5 mettre en pratique sur un cas réel les connaissances acquises en
informatique. Ce projet a pour but de concevoir et développer une application multi-tiers en python. Ainsi les élèves
vont devoir :
- Réaliser l’étude fonctionnelle de leur application pour en déterminer acteurs et les fonctionnalités principales ;
- Prioriser ces fonctionnalités ;
- Réaliser un rapport avec les conclusions de leur analyse ;
- Produire le code python de leur application tout en s’assurant d’une qualité minimale en test et
documentation ;
- Réaliser un rapport final de leur projet et défendre ce projet lors d’une soutenance.

Les sujets seront proposés et encadrés par des professionnels de l’informatique qui pourront venir du secteur privé ou
public. Leur rôle sera d’orienter les élèves sur les bonnes pratiques organisationnelles et de développement applicatif.

Pour simuler une période de « crunch » (période intense de travail dans le milieu informatique), les élèves vivront 3
jours d’immersion pour travailler et finaliser leur projet. Cette période intense mettra à l’épreuve leurs compétences de
gestion du temps et de travail en groupe dans contexte proche de la vie professionnel quand un projet arrive à terme.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 30
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

Références bibliographiques :
 Debrauwer L., Heyde F., & Van der Heyde, F. (2020). UML 2.5. Editions ENI.
 Alhir S. S., Oram, A., & O’Reilly & Associates. (1998). UML in a Nutshell. O’Reilly.
 Roques P. (2015). UML 2.5. Eyrolles.
 Gamma E. (1999). Design patterns. Vuibert.
 Larman C. (2005). Applying UML and Patterns. Prentice Hall.
 Larman C. (2005). UML 2 et les design patterns. Télé-université.
 Lutz M. (2014). Python Pocket Reference. O’Reilly.
 Lutz M., & Maniez, D. (2019). Python précis et concis. Dunod.
 Martelli A., Ravenscroft A., & Ascher D. (2005). Python Cookbook (Second éd.). O’Reilly.
 Slatkin B. (2019). Effective Python. Addison Wesley.
 Richard E. Silvermam (2013). Git Pocket Guide. O’Reilly
 Soutou C. (2007). UML 2 pour les bases de données. Eyrolles.
 Chrisment C., Pinel-Sauvagnat K., Teste, O. & K. P. S. (2008). Bases de données relationnelles. Hermès
Science.
 HainautJ. L. (2018). Bases de données. Dunod.
 Jacobson I. (1992). Object Oriented Software Engineering : A Use Case Driven Approach (1re éd.). Addison-
Wesley Professional.
 Jacobson I., Booch G., & Rumbaugh J. (2000). Le processus unifié de développement logiciel. Eyrolles.
 Refactoring and Design Patterns. (s. d.). Refactor guru. Consulté 23 juin 2020, à l’adresse
https://refactoring.guru/design-patterns

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 31
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-03 – Matière 2ainfo03 – Semestre 1

REMISE A NIVEAU EN INFORMATIQUE

Computing Science refresh Course
Enseignant : Rémi PEPIN ( Ensai)
Nombre d’ECTS :1
Volume horaire de travail élève : de 25 à 30h
(enseignements + travail personnel)

Répartition des enseignements : 21h de cours

Langue d’enseignement : Français (cours) et Anglais (ressources complémentaires fournies)

Logiciels : python3, spyder, PyCharm, SQL, Phpadmin
Documents pédagogiques : sous Moodle, pas de polycopié
Pré-requis : Aucun

Modalités d’évaluation :
Examen sur table

Acquis d’apprentissage (objectifs) :

 Produire des requêtes à une base de données en SQL
 Concevoir une base de données relationnelle en appliquant les 3 premières formes normales
 Réaliser un programme simple en python
 Concevoir en UML une application simple

Principales notions abordées :

Ce cours va présenter les rudiments en informatique nécessaires à la scolarité des élèves qui n’auraient pas effectué la
première année à l’Ensai. Ainsi il traitera des bases de données relationnelle (conception et requêtes), de la
programmation avec python (impérative et objet) et de la conception d’application avec UML. Le cours mêlera
présentation type cours magistral et travaux pratique. Un accompagnement spécifique des élèves sera mis en place.
Ainsi en fonction de leur niveau, les élèves pourront se voir dispenser de certaines parties du cours ou travailler en
autonomie sur des notions plus poussées pendant que le cours suit son rythme normal.

Références bibliographiques :
 Cormen T. H. (2002). Introduction à l’algorithmique. Dunod.
 Cormen T. H., Leiserson, C. E., Rivest, R. L., Stein, C., & Ronald L. Rivest. (2010). Algorithmique. Dunod.
 Baynat B, Chretienne P, Hanen C, Kedad-Sihoum S, Munier-Kordon A, Picouleau C. (2012). Exercices et
problèmes d'algorithmique. Dunod
 Lutz M. (2014). Python Pocket Reference. O’Reilly.
 Lutz M., & Maniez, D. (2019). Python précis et concis. Dunod.
 Martelli A., Ravenscroft A., & Ascher D. (2005). Python Cookbook (Second éd.). O’Reilly.
 Slatkin B. (2019). Effective Python. Addison Wesley.
 Hainaut J-L. (2015), Bases de données : concepts, utilisation et développement (3e édition), Dunod
 Larman C. (2005). UML 2 et les design patterns. Télé-université.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 32
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

 Soutou C. (2007). UML 2 pour les bases de données. Eyrolles.

 Chrisment C., Pinel-Sauvagnat K., Teste, O. & K. P. S. (2008). Bases de données relationnelles. Hermès Science.
 HainautJ. L. (2018). Bases de données. Dunod.
 Goff, V. L. (2020, 23 juin). Apprenez à programmer en Python. OpenClassrooms.
https://openclassrooms.com/fr/courses/235344-apprenez-a-programmer-en-python

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 33
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-04 – Semestre 1

UE 2-04 : MODELISATION ECONOMIQUE

Correspondant de l’UE : Ronan LE SAOUT

Nombre d’ECTS :5
Volume horaire de travail élève : de 125 à 150h
(enseignements + travail personnel)
Nombre d’heures d’enseignement : 54h

Finalité de l’UE :
Cette UE vise à renforcer les compétences en modélisation microéconomique et à mettre en pratique la
modélisation statistique sur des données économiques. Les données économiques sont le fruit de comportements
humains, non aléatoires. L’utilisation de ces données et la modélisation afférente doit tenir compte de cette
caractéristique, la question étant de comprendre les effets de ce qui ne peut pas être mesuré (le terme d’erreurs
des modèles) i.e. l’endogénéité ou la corrélation entre le terme d’erreurs et les variables explicatives. Des
exemples de nombreux domaines sont présentés : économie de la santé, de l’éducation, de la concurrence,
fonctionnement du marché de l’assurance… Les méthodes sont directement mobilisables pour des métiers de
chargés d’études statistiques ou économiques. Elles permettent dans tous les cas d’avoir du recul sur l’usage des
méthodes statistiques, pour l’ensemble des métiers de la statistique.

Structuration de l’UE :
Le cours de microéconomie est un cours de théorie économique, pour lequel chaque concept est illustré par des
applications empiriques. Il vise à présenter et utiliser des modèles économiques utiles pour discuter l’utilisation
de données économiques. Le cours d’économétrie traite du lien entre modélisation statistique et théorie
économique, et détaille l’utilisation de méthodes statistiques adaptées à l’utilisation de données économiques.

Compétences ou acquis d’apprentissage à l’issue de l’UE :

Les principales compétences sont les suivantes :
 l’aptitude à mobiliser les ressources d’un (ou de plusieurs) champ scientifique et technique spécifique,
l’UE étant à l’interaction de plusieurs champs scientifiques ;
 la capacité à prendre en compte les enjeux et les besoins de la société, l’UE traitant de problèmes
sociétaux contemporains ;
 Aptitude à étudier et résoudre des problèmes complexes souvent situés en univers incertain et risqué en
mobilisant des connaissances scientifiques à dominante mathématique, statistique, économique et
informatique.
 Aptitude à mener des études économiques en valorisant les ressources informationnelles et en menant
une veille scientifique sur les méthodes scientifiques.

Les pré-requis de l’UE :

Le cours de microéconomie s’appuie sur les cours de modalisation économique de 1 ère année, le cours
d’économétrie s’appuie sur l’UE de modélisation statistique.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 34
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-04 – Matière 2AECO01 – Semestre 1

MODELISATION MICROECONOMIQUE
Microeconomic Theory
Enseignant : Yutec SUN (Ensai)
Nombre d’ECTS :2
Volume horaire de travail élève : de 50h à 60h
(enseignements + travail personnel)

Répartition des enseignements : 21h de cours

Langue d’enseignement : English

Documents pédagogiques : sous Moodle, pas de polycopié

Pré-requis : modélisation microéconomique 1

Modalités d’évaluation :
We plan to have a home assignment (devoir a la maison) and a final exam for course evaluation. The homework will
help with reviewing the lecture and preparing for the exam. Depending on the learning progress, the course evaluation
method is subject to change if necessary.

Acquis d’apprentissage (objectifs) :

 Understand and articulate main characteristics in microeconomic decisions
 Become familiar with canonical economic modeling approaches
 Formulate and derive models for analysis of specific empirical applications

Principales notions abordées :

In this course, we will learn how to formulate models for microeconomic analysis with motivation for empirical
applications. We will focus on models that allow us to understand how economic decisions are shaped by tradeoffs of
underlying economic incentives, and how such incentives can be estimated by those models. Over the course, we will
learn how we can extend the theoretical models learned in Modélisation microéconomique 1 to analyze more realistic
decision environment with empirical data.

Our plan is to examine the following topics based on the recent economics studies:

1. Optimizing agents
1. What drives political bias of U.S. news media?
2. Strategic players
1. Price competition, merger, and price collusion in beer market
2. (Optional) Rational model of police-civilian conflict
3. Risk, uncertainty & learning
1. The sound of silence: Observational learning in the U.S. kidney market
4. Dynamics
1. Repeated games and reputation
2. Value of commitment
5. Asymmetric information

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 35
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

1. Adverse selection
2. Moral hazard
3. Model of insurance market

Références bibliographiques :
 Hal Varian (2010). Introduction à la microéconomie, 6e édition, De Boeck.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 36
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-04 – Matière 2AECO02 – Semestre 1

ECONOMETRIE APPLIQUEE
Applied econometrics
Enseignant : Marion Goussé
Nombre d’ECTS :3
Volume horaire de travail élève : de 75 à 90h
(enseignements + travail personnel)

Répartition des enseignements : 21h de cours, 9h de TD et 3h de TP

Langue d’enseignement : Français

Logiciels : Stata
Documents pédagogiques : sous Moodle, pas de polycopié
Pré-requis : Régression linéaire, micro-économie

Modalités d’évaluation :
Les connaissances associées au cours seront évaluées à travers des QCM réguliers et compteront pour 1/3 de la note
finale. La mobilisation des connaissances seront évaluées à travers la reproduction d’un article d’économétrie et sa
présentation par groupe d’étudiants lors du dernier TP.

Acquis d’apprentissage (objectifs) :

 Mobiliser les concepts de la théorie micro-économique et les techniques statistiques appropriées 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 ;
 Analyser les sources et les effets de l’endogénéité des variables explicatives, et mettre en œuvre une analyse
par variable instrumentale ;
 Identifier les biais et gains potentiels liés à l’usage de variables particulières: évaluation des politiques
publiques, données d’enquête, données de panel, données temporelles…;
 Lire et discuter un texte économétrique avec un regard critique sur la qualité des données, le choix des
méthodes et l’interprétation des résultats.
Principales notions abordées :
Ce cours a pour but de présenter d’une part la démarche économétrique (spécification, identification, interprétation,
lien avec la théorie économique), et d’autre part les modèles de base et les techniques d’inférence utilisés par les
économètres. Les exemples seront principalement issus de la micro-économie.

Références bibliographiques :
 ANGRIST, J. D. and J.-S. PISCHKE, Mostly Harmless Econometrics, an empiricist companion, Princeton University
Press, 2008.
 CREPON, B. et N. Jacquement, Econométrie: méthode et applications. De Boeck, 2010
 WOOLDRIDGE, J. M., Introduction à l’écronométrie – Une approche moderne, De Boeck (2nd rev. ed), 2018.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 37
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-05 – Semestre 1

UE 2-05 : HUMANITES ET STAGE OPERATEUR

Correspondant de l’UE : BURMEISTER Emily

Nombre d’ECTS :4
Volume horaire de travail élève : 95h + période de stage
(enseignements + travail personnel)
Nombre d’heures d’enseignement : 41 à 50h

Finalité de l’UE :
À la fin de cette UE, notamment grâce aux enseignements des langues, les élèves seront capables de mettre en
œuvre les compétences linguistiques et culturelles qui facilitent la suivie des cours scientifiques dispensés en
anglais ou d’autres langues, le travail dans un environnement professionnel international et la compréhension des
normes culturelles dans les pays étrangers. À travers les cours d’ouverture, les élèves acquerront les
connaissances dans des disciplines autres que la statistique, l’économie et l’informatique. Cette UE vise également
le développement des compétences transversales (soft skills) qui aideront les élèves à réussir les projets
académiques de leur formation, à intégrer le marché du travail et à devenir les citoyens éclairés. Grâce au stage
de 1ère année, les élèves élargiront leurs connaissances du monde professionnel et développeront leur capacité
d’analyse à travers la rédaction du rapport

Structuration de l’UE :
L’UE Humanités en 2e année se compose de 2 matières obligatoires (l’anglais et les cours libres optionnels).
Anglais et langues optionnelles
L'étude de l'anglais est obligatoire au premier semestre en 2 ème année. Une deuxième langue est optionnelle mais
se suit obligatoirement pendant 2 semestres. Les élèves sont répartis en groupes de niveau en anglais et en langue
optionnelles. En anglais, les élèves travaillent toutes les compétences linguistiques pour atteindre le niveau B2 du
CECR1 et progresser vers un niveau C1. Pour les langues optionnelles (l’allemand, le chinois, l’espagnol, l’italien, le
japonais et le russe), les élèves travaillent toutes les compétences linguistiques afin de progresser selon leur niveau
de départ. Lors des cours de langues, les élèves développement également les connaissances interculturelles et
les compétences transversales (soft skills), notamment dans les domaines de l’ouverture au monde, à la vie sociale
et civique.
Pour tout complément d’information, chaque élève peut consulter le Programme des enseignements : Langues,
disponible sur le site de l’école.
Les cours d’ouverture
Cette option vise à développer chez les élèves une culture générale dans un domaine scientifique ou des sciences
sociales et humaines non couvert dans les autres l’UE à l’ENSAI (communication interculturelle, développement
durable, géopolitiques, histoire de l’art, l’initiation à l’entrepreneuriat, philosophie, psychologie, physique...), à
effectuer des travaux d'initiation dans un domaine artistique (cinéma, dessin, musique, peinture, théâtre...) ou à
valoriser l'engagement citoyen des étudiants (participation à des activités associatives, à des projets avec des
intervenants non statisticiens...). Les élèves développent ainsi les connaissances et des compétences transversales
dans la matière suivie à travers les dispositifs pédagogiques proposés projet individuel ou en groupe, réalisation
artistique,…).

1
Le niveau B2 au CECR correspond à un score minimal de 785 points au TOEIC. Un niveau B2 du CECRL est obligatoire
pour l’obtention du diplôme d’ingénieur.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 38
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

Les cours d’ouverture proposés en 2020/2021, leur contenu et leurs modalités de contrôle des connaissances sont
décrits dans le fascicule « Programme des enseignements : Cours libres optionnels »
Stage
Le stage de première année correspond à un stage d’observation de 1 à 3 mois. Les élèves vivent une expérience
professionnelle en autonomie, un stage de découvert de la statistique publique pour les attachés stagiaires et un
stage opérateur pour les élèves ingénieurs. Le stage est validé par un rapport écrit de quelques pages qui détail
l’expérience vécu.
Une structuration du rapport sous forme d’une proposition de plan et de questions est proposée aux élèves ainsi
que la liste des critères d’évaluation pour aider à développer chez les élèves une capacité à exprimer les apports
de l’expérience.

Compétences ou acquis d’apprentissage à l’issue de l’UE :

 maîtriser une ou plusieurs langues étrangères
 contextualiser et prendre en compte les enjeux et les besoins de la société
 se connaître, s’auto-évaluer, gérer ses compétences, opérer ses choix professionnels
 approfondir les connaissances du monde professionnel
 s’intégrer et évoluer dans un contexte professionnel y compris à l’international
 savoir identifier les informations pertinentes, à les évaluer et à les exploite

Les pré-requis de l’UE :

Pour les langues : test de positionnement

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 39
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-05 – Matière 2AHUM01 – Semestre 1

ANGLAIS
English
Enseignant : Emily BURMEISTER (Ensai)
Nombre d’ECTS :2
Volume horaire de travail élève : de 50 à 60h
(enseignements + travail personnel)

Répartition des enseignements : 30h de TD

Langue d’enseignement : Anglais

Logiciels : VLC, Audacity, Moodle, Teams
Documents pédagogiques : fournis sur Moodle par les intervenants
Pré-requis : Avoir passé le test de niveau pour les AST. Pour suivre les cours
thématiques, avoir le niveau B2 CECR

Modalités d’évaluation :
La note finale prendre en compte un TOEIC blanc à la fin du semestre ou le score TOEIC obtenu lors d’un TOEIC définitif
(30%), la note moyenne des contrôles continues (40%) et la participation (30%). La note de contrôle continu est
composée d’au moins 4 contrôles continus (interrogations et travaux divers) définis par les enseignants.

Acquis d’apprentissage (objectifs) :

Les élèves travailleront toutes les compétences linguistiques pour atteindre le niveau B2 du CECR et progresser vers un
niveau C1. Les élèves développeront également les soft skills, notamment dans les domaines de l’ouverture au monde,
à la vie sociale et civique.

à l’issue du cours, l’étudiant aura développé les compétences langagières afin de :

-objectif 1 : Comprendre le contenu essentiel de sujets concrets ou abstraits dans un texte ou dialogue complexe ;
-objectif 2 : Communiquer avec un degré de spontanéité et d'aisance tel qu'une conversation avec un locuteur natif
ne comportant de tension ni pour l'un ni pour l'autre ;
-objectif 3 : Posséder une gamme assez étendue de langue pour pouvoir faire des descriptions claires, exprimer
son point de vue et développer une argumentation sans chercher ses mots de manière évidente ;

-objectif 4 : Montre un degré assez élevé de contrôle grammatical. Ne faire pas de fautes conduisant à des
malentendus et peut le plus souvent les corriger lui/elle-même ;
-objectif 5 : S'exprimer de façon claire et détaillée sur une grande gamme de sujets, émettre un avis sur un sujet
d’actualité et exposer les avantages et les inconvénients de différentes possibilités ;
-objectif 6 : Parler relativement longtemps avec un débit assez régulier ; bien qu'il /elle puisse hésiter en cherchant
structures ou expressions, l'on remarque peu de longues pauses ;
-objectif 7 : Prendre l'initiative de la parole et son tour quand il convient et peut clore une conversation quand il
le faut, encore qu'éventuellement sans élégance ;
-objectif 8 : Faciliter la poursuite d'une discussion sur un terrain familier en confirmant sa compréhension, en
sollicitant les autres, etc. ;
-objectif 9 : Utiliser un nombre limité d'articulateurs pour lier ses phrases en un discours clair et cohérent bien qu'il
puisse y avoir quelques "sauts" dans une longue intervention.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX
40
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

Principales notions abordées :

Pour les élèves ingénieurs qui n’ont pas le niveau B2, les cours se concentrent en partie sur la préparation au TOEIC et
au développement des compétences pour atteindre le niveau B2. Tous les élèves du niveau B2 ou plus suivront deux
cours thématiques. Ce thème varient tous les ans, voici quelques exemples des thèmes proposés par le passé : Debating,
British Humour, American Politics, English through Popular Music, Travel et The Rise of China. Un nouveau cours
thématique, Scientific English, sera proposé à partir de 2020 et vise à préparer les élèves avec un niveau B2 faible à
suivre les cours scientifique en anglais lors du S2 ou d’une période d’échange à l’étranger.

Références bibliographiques :
 Azar, B. S., & Hagen, S. A. (2009). Understanding and using English grammar. White Plains, NY: Pearson
Longman.
 Council of Europe, Common European Framework of Reference for Languages
https://www.coe.int/en/web/common-european-framework-reference-languages/home
 Merriam-Webster's Online Dictionary Springfield, Mass. : Merriam-Webster, Inc., 2020. https://www.merriam-
webster.com/
 Oxford Advanced Learners Dictionary, 10th Edition, Oxford: Oxford University Press, 2020.
 Oxford Preparation Course for the TOEIC, Oxford: Oxford University Press.
 Rogers, Bruce, Complete Guide to the TOEIC Test (3rd ed.), Boston: Thomson, 2006.

 Divers ressources fournis selon les sujets traités par les enseignants qui fournissent un syllabus détaillé avec
les contenus, objectifs et ressources spécifiques à leurs cours.

Pour tout complément d’information, chaque élève peut consulter le Programme des enseignements : Langues,
disponible sur le site de l’école.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX
41
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

Enseignements du second semestre :

Tronc commun

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX
42
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-06 – Semestre 2

UE 2-06 : PROJET STATISTIQUE

Correspondant de l’UE : Youssef ESSTAFA

Nombre d’ECTS :6
Volume horaire de travail élève : 50h
(enseignements + travail personnel)
Nombre d’heures d’enseignement : 4h de suivi avec tuteur et 4h de coaching

Finalité de l’UE :
Les projets de statistique sont encadrés par des praticiens de la statistique « extérieurs à l’école » et ont pour
objectifs l'application et l'approfondissement des connaissances statistiques acquises dans le cadre des
enseignements, le travail en mode projet et en autonomie, la communication professionnelle et les échanges
scientifiques.
Les élèves, répartis par groupes de trois, 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.

Structuration de l’UE :
Le projet a pour objectif de répondre à une problématique concrète en exploitant des données réelles fournies
par le professionnel qui sera leur tuteur. Les élèves doivent utiliser les connaissances acquises durant leurs deux
premières années et utiliser au moins une méthode de modélisation. Les groupes travaillent pour répondre à la
problématique proposée et produisent un rapport d’étude accompagné d’un poster de présentation et d’une
présentation orale.
Pour les compétences relevant de la communication et du coaching de projet, les élèves bénéficient de quatre
séances avec des coachs en communication.

Compétences ou acquis d’apprentissage à l’issue de l’UE :

Le projet statistique de deuxième année constitue une étape importante vers la professionnalisation :
- Travailler dans une relation de service avec un « client » extérieur pour réaliser une étude statistique complète,
- communiquer les résultats sous différentes formes : rapport, poster, soutenance,
- consolider les compétences en termes de gestion de projet et de travail en équipe.

Les pré-requis de l’UE :

Sans objet

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 43
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-07 – Semestre 2

UE 2-07 : COMPLEMENTS DE MODELISATION STATISTIQUE

Correspondant de l’UE : Lionel TRUQUET

Nombre d’ECTS :6
Volume horaire de travail élève : de 120h à 180h
(enseignements + travail personnel)
Nombre d’heures d’enseignement : 63h

Finalité de l’UE :
Introduire des méthodes ou modèles plus avancés pour la statistique et qui sont utiles pour traiter des problèmes
plus spécifiques ou complémentaires à ceux traités dans l'UE 1 ou l'UE 2 de la deuxième année.
Restituée dans une dimension professionnelle, restituée dans la formation (en lien avec d’autres UE)

Structuration de l’UE :
Les quatre matières de cette UE sont indépendantes et traitent chacune d'un problème spécifique de modélisation
et/ou d'inférence statistique.

Compétences ou acquis d’apprentissage à l’issue de l’UE :

Maîtriser les techniques de modélisation statistique et les propriétés mathématiques de base des modèles
aléatoires avancés. Savoir collecter et interpréter des données. Savoir utiliser les outils informatiques.

Les pré-requis de l’UE :

les notions de probabilité et de statistique inférentielle abordées en première année ainsi que celles abordées
dans l'UE1 et l'UE2 de la deuxième année.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 44
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-07 – Matière 2ASTA07 – Semestre 2

INTRODUCTION AUX MODÈLES DE DURÉE

Introduction to Survival Analysis
Enseignant : Valentin PATILEA (Ensai)
Nombre d’ECTS :2
Volume horaire de travail élève : 39h (21h enseignement + 18h travail personnel)
(enseignements + travail personnel)

Répartition des enseignements : 12h de cours, 6h de TD et 3h de TP

Langue d’enseignement : anglais

Logiciels :R
Documents pédagogiques : Notes de cours, transparents, feuilles exercices
Pré-requis : Probabilités, inférence statistique, régression ; programmation en R

Modalités d’évaluation :
Devoir maison et examen écrit (2h)

Acquis d’apprentissage (objectifs) :

 Connaitre les aspects spécifiques de la modélisation statistique des durées
 Connaitre les modèles de lois et les procédures d’inférences de base
 Comprendre les hypothèses sous-jacentes aux différentes approches, notamment par régression
 Ajuster des modèles appropriés aux données à l’aide des logiciels spécialisés

Principales notions abordées :

Mécanismes de censure et de troncation
Modèles paramétriques (Weibull,…) et non paramétriques (Kaplan-Meier,…) et l’inférence associée
Comparaison des survies de plusieurs échantillons
Modèles de régression (Cox Risques Proportionnels, Accelerated Failure Time,…)

Références bibliographiques :
 J.P. KLEIN, M.L. MOESCHBERGER, Survival Analysis : Techniques for Censored and Truncated Data (2nd edition),
Statistics for Biology and Health, Springer, 2003.
 J.P. KLEIN, H.C. van HOUWELINGEN, J.G. IBRAHIM, T.H. SCHEIKE: Handbook of Survival Anlysis, CRC Press, 2014.
 D.G. KLEINBAUM, J.P. KLEIN: Survival Anlysis. A Self-Learning Text, Springer, 2005.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 45
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-07 – Matière 2ASTA08 – Semestre 2

STATISTIQUE NON PARAMETRIQUE

Nonparametric statistics
Enseignant : Marian HRISTACHE (Ensai)
Nombre d’ECTS :2
Volume horaire de travail élève : 50h
(enseignements + travail personnel)

Répartition des enseignements : 21h de cours

Langue d’enseignement : Français

Logiciels : Sans objet
Documents pédagogiques : Sans objet
Pré-requis : Sans objet

Modalités d’évaluation :
Examen écrit et devoir maison

Acquis d’apprentissage (objectifs) :

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 k). 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.

Principales notions abordées :

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

Références bibliographiques :
 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.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 46
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-07 – Matière 2ASTA09 – Semestre 2

TRAITEMENT DE LA NON-REPONSE DANS LES ENQUETES

Missing Survey Data

Enseignant : Brigitte GELEIN (Ensai)

Nombre d’ECTS :2
Volume horaire de travail élève : 50h
(enseignements + travail personnel)

Répartition des enseignements : 12h de cours, 9h de TP

Langue d’enseignement : Français

Logiciels : Sans objet
Documents pédagogiques : Support de cours tapuscrit
Pré-requis : Théorie des sondages, régression linéaire, modèle linéaire généralisé

Modalités d’évaluation :
Quizz et examen

Acquis d’apprentissage (objectifs) :

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

Principales notions abordées :

Partie 1 : Introduction
 Rappels sur l’échantillonnage en population finie
 Rappels sur les méthodes de calage
 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

Références bibliographiques :
 ARDILLY P., Les Techniques de Sondage (nouv. éd.), Paris, Technip, 2006
 HAZIZA D. (2009). Imputation and inference in the presence of missing data, Handbook of Statistics, vol. 29, chap. 10.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX
47
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-07 – Matière 2ASTA10 – Semestre 2

CHAINES DE MARKOV
Markov Chains
Enseignant : François COQUET (ENSAI)
Nombre d’ECTS :2
Volume horaire de travail élève : 30h
(enseignements + travail personnel)

Répartition des enseignements : 12h de cours, 9h de TD

Langue d’enseignement : Anglais

Logiciels : Sans objet
Documents pédagogiques : notes de cours + fiche TD – cours au tabeau ou tablette
Pré-requis : Cours de probabilités de base

Modalités d’évaluation :
Examen sur table

Acquis d’apprentissage (objectifs) :

-objectif1 : Reconnaître et prouver qu’un processus stochastique est une chaîne de Markov.
-objectif2 : Analyser la structure statique d’une chaîne de Markov (c’est-à-dire établir le graphe de transition associé,
identifier la structure en classes de communication, montrer la récurrence ou la transience des états de la chaîne,
calculer les périodicités des classes).
-objectif3 : Décrire le comportement limite d’une chaîne ergodique (par le calcul de la loi stationnaire, éventuellement
réversible ; citer et appliquer les théorèmes limites du cours).

Principales notions abordées :

Définition d’une chaîne de Markov homogène à temps discret sur un espace d’états discret. Illustration par des modèles
fondamentaux introduits dans divers contextes de modélisation. Équation de Chapman-Kolmogorov et formules de
conditionnement. Classification des états, périodicité, temps d’atteinte, récurrence et transience. Loi stationnaire et
théorèmes limites, réversibilité d’une chaîne de Markov.

Références bibliographiques :
 NORRIS J.R., Markov Chains, Cambridge Series in Statistical and Probabilistic Mathematics, 1997.
 GRIMMETT G.R. & STIRZAKER D.R., Probability and Random Processes, Oxford Sciences Publications, 2001 (3rd
ed.).
 GRIMMETT G.R. & STIRZAKER D.R., One thousand exercices in probability, Oxford Sciences Publications, 2001.
 FOATA D. & FUCHS A., Processus Stochastiques (2e éd.), Dunod, 2004.
 BALDI P., MAZLIAK L. & PRIOURET P., Martingales et chaînes de Markov : théorie élémentaire et exercices
corrigés, Hermann, 2001.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX
48
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-09 – Matière 2ASTA15 – Semestre 2

SÉRIES TEMPORELLES 2
Times Series 2
Enseignant : À déterminer
Nombre d’ECTS :2
Volume horaire de travail élève : 60h
(enseignements + travail personnel)

Répartition des enseignements : 12h de cours, 9h de TP

Langue d’enseignement : Français

Logiciels : Sans objet
Documents pédagogiques : Sans objet
Pré-requis : notions de base en probabilités et statistique inférentielle, calcul
matriciel de base et cours de séries temporelles univariées

Modalités d’évaluation :
Examen sur table

Acquis d’apprentissage (objectifs) :

 Connaitre les propriétés mathématiques des processus linéaires de base qui permettent de modéliser la
dynamique jointe de plusieurs séries temporelles.
 Savoir sélectionner et valider un modèle multivarié en fonction de la nature des séries temporelles
rencontrées. Identifier les méthodes d'inférence statistique à mettre en oeuvre pour les modèles choisis.
 Etre en mesure d'identifier certaines propriétés propres aux séries temporelles mulitivariées (phénomènes de
causalité ou de cointégration).

Principales notions abordées :

1. Séries temporelles linéaires multivariées. Modèles VARMA.
2. Inference et tests dans les modèles VAR. Causalité au sens de Granger.
3. Séries temporelles cointégrées. Modèles à correction d’erreurs et tests de cointégration. 4. Régresseurs exogènes,
modèles VARX.
5. Modèles VAR saisonniers.

Références bibliographiques :
 LUTKEPOHL H. New Introduction to Multiple Time Series Analysis, 2006, Springer Verlag.
 TSAY, R.S. Multivariate time series analysis: with R and financial applications. Wiley. 2014.
 JOHANSEN S. Likelihood Based Inference in Cointegrated Vector Auto-Regression Models, 1995, Oxford
University Press.
 HAMILTON J, Time Series, Princeton University Press, 1995.
 GOURIEROUX C., MONFORT A., Séries temporelles et modèles dynamiques, Economica, 1990, 2e Edition.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 49
Tél : 33 (0)2 99 05 32 32 / [email protected]
www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-08 – Semestre 2

UE 2-08 : METHODES COMPUTATIONNELLES

Correspondant de l’UE : Lionel TRUQUET

Nombre d’ECTS :8
Volume horaire de travail élève : de 160h à 200h
(enseignements + travail personnel)
Nombre d’heures d’enseignement : 81h

Finalité de l’UE :
Aujourd’hui, le développement logiciel s’appuie fortement sur la notion d’objet que ce soit pour les codes
développés par les data-scientistes ou pour les bibliothèques qu’ils utilisent. Dans ce contexte, une part de cette
UE vise à revoir et approfondir certains aspect de la programmation orientée objet et du développement
modulaire. Cette part de l’UE est aussi l’occasion de découvrir un langage typé et compilé et les contraintes et
avantages afférents. Enfin, cette part de l’UE présente la syntaxe d’un langage de calcul très utilisé pour le calcul
intensif ou l’industrialisation de calcul. Au choix : C++ ou Java.
Au cours de la dernière décennie, nous avons assisté́ 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.

Structuration de l’UE :
cf. ci-dessus

Compétences ou acquis d’apprentissage à l’issue de l’UE :

Concevoir et mettre en œuvre des projets de collecte et d’analyse d’informations en utilisant les outils
informatiques associés, les techniques de production (bases de données, enquêtes, données non structurées
issues d’internet) et les méthodes d’analyse quantitative de l’information, pour proposer des solutions et aider à
la décision.
Dans son champ qui évolue très rapidement, capacité de réaliser une veille scientifique et d’apprendre les
nouveaux outils et méthodes en autonomie (il possède les bases théoriques permettant la compréhension des
nouveaux outils).

Les pré-requis de l’UE :

cf. fiches matière

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 50
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-08 – Matière 2ASTA11 – Semestre 2

CALCULS BAYESIENS
Bayesian Computation
Enseignant : François PORTIER
Nombre d’ECTS :4
Volume horaire de travail élève : 39h (21h enseignement + 18h travail personnel)
(enseignements + travail personnel)

Répartition des enseignements : 21h de cours, 18h de TD/TP

Langue d’enseignement : Français

Logiciels :R
Documents pédagogiques : notes de cours, slides
Pré-requis : Probabilités, SEM, Chaines de Markov, Statistique inférentielle

Modalités d’évaluation :
Partiel et examen final sur papier

Acquis d’apprentissage (objectifs) :

Ce cours est une introduction à la statistique Bayésienne et aux méthodes numériques qui sont classiquement
utilisées dans ce cadre. On présentera tout d’abord les fondements de cette approche non fréquentiste ainsi que les
techniques de calcul qui en découlent. Dans un second temps, on étudiera la méthode de Monte-Carlo par chaîne de
Markov. Il s’agit d’une classe d'algorithmes pour l'échantillonnage de lois de probabilité basés sur la construction
d'une chaîne de Markov ergodique. Ces algorithmes sont communément utilisés en statistique bayésienne mais aussi
pour l'évaluation d'intégrales multiples. A l’issue de ce cours, les étudiants devront être capables de résoudre des
problèmes de statistique inférentielle par une approche bayésienne et de mettre en œuvre des algorithmes classiques
de Monte-Carlo par chaîne de Markov.

Principales notions abordées :

 Distributions a priori et a posteriori. Estimateur de Bayes. Choix de la loi a priori.
 Générateur de nombres aléatoires (Nombre pseudo-aléatoires, inversion de la fonction de répartition,
acceptation-rejet).
 Méthode de Monte-Carlo et MCMC (Metropolis-Hastings, Gibbs)

Références bibliographiques :
2MARIN J.-M. et ROBERT C., Bayesian Core : A Practical Approach to Computational Bayesian Statistics, Springer,
2007
3RUBINSTEIN R., Simulation and the Monte Carlo Method (2nd ed.), Wiley, 2008
4ROBERT C., Méthodes de Monte Carlo par chaînes de Markov, Economica, 1996
5ROBERT C., Le choix bayésien : principes et pratique, Springer, 2006

51
 Brique des enseignements de deuxième année 2021/2022

UE 2-08 – Matière 2AECO03 – Semestre 2

MICROECONOMETRIE APPLIQUEE
Applied microeconometrics
Enseignant : Yutec Sun (Ensai)
Nombre d’ECTS :2
Volume horaire de travail élève : 50h
(enseignements + travail personnel)

Répartition des enseignements : 21h de cours

Langue d’enseignement : Anglais

Logiciels : Stata, R, Matlab, Julia
Pré-requis : Econométrie, Méthodes d'estimation linéaires, Fondements
microéconomiques

Modalités d’évaluation :
Examen

Acquis d’apprentissage (objectifs) :

 Understand common source of bias in estimating causal effects in various empirical observations;
 Determine most effective econometric strategy to deal with particular identification challenge;
 Experience with estimating causal effects using econometric strategies adapted to panel data, discrete
variables, observed or counterfactual program evaluation.

Principales notions abordées :

The econometric strategies covered in this course can be categorized as follows:
1. Treatment effects
- Propensity score matching
- Difference in differences
- Heckman selection
- Regression discontinuity
2. Endogeneity
- Instrumental variables
- Control functions
- Limited information maximum likelihood
3. Unobserved heterogeneity
- Fixed effects
- Random effects
4. Discrete choice models
- Logit
- Probit
- Mixed logit
5. Equilibrium model (subject to change)
- Rational expectations
- Generalized method of moments
- Identification under multiple equilibria
- Counterfactual simulations

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 52
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

Références bibliographiques :
 Angrist and Pischke, Mostly harmless econometrics, 2008
 Wooldridge, Econometric analysis of cross section and panel data, 2002
 Wooldridge, Discrete choice methods with simulation, CUP, 2003

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 53
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-08 – Matière 2AECO09 – Semestre 2

MACROÉCONOMÉTRIE APPLIQUÉE
Applied Macroeconometrics
Enseignant : Stephane AURAY ( Ensai)
Nombre d’ECTS :2
Volume horaire de travail élève
(enseignements + travail personnel) : de 40h à 60h

Répartition des enseignements : 21h de cours

Langue d’enseignement : Français

Pré-requis : Les cours de macroéconomie de première année et de séries
temporelles de deuxième année sont supposés assimilés.

Modalités d’évaluation :
Projets

Acquis d’apprentissage (objectifs) :

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.

Principales notions abordées :

Plusieurs thèmes seront abordés à la fois d’un point de vue théorique et d’un point de vue empirique, portant
l’économie réelle. Ces thèmes permettent de comprendre les faits stylisés caractérisant les économies modernes
(utilisation de différentes méthodes pour mettre en exergue ces faits) et de comprendre comment les modéliser au
mieux.

Plan du cours :
 Introduction Part 1 : Evolution de la théorie macroéconomie au cours du temps (notes manuscrites)
 Introduction Part 2 : Les faits et la théorie
 Part 1 : Business Cycle Facts (slides)
 Part 2 : Inflation et chômage (notes manuscrites)
 Part 3 : Critique de Lucas (notes manuscrites)
 Part 4 : Comportement de consommation (notes manuscrites)
 Part 5 : Basic Model and extension with Labor Supply (slides)
 Part 6 : Fiscal Policy issues (slides)
 Part 7 : Search and Matching frictions (slides)

Références bibliographiques :
 ACEMOGLU, D. (2009), Introdution to Modern Economic Growth, Princeton University Press
 LJUNGVIST, L. and SARGENT, T. (2015), Recrusive Macroeconomic Theory, MIT University Press
 MCCANDLESS, G., (2017), The ABCs of RBCs, Harvard University Press
 PISSARIDES, C., (2000), Equilibrium Unemployment Theory, MIT University Press

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 54
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-08 – Matière 2AINFO06 – Semestre 2

PROGRAMMATION ORIENTEE OBJET AVEC JAVA

Object Oriented Programming with Java
Enseignant : Benjamin GIRAULT
Nombre d’ECTS :2
Volume horaire de travail élève : 25h
(enseignements + travail personnel)

Répartition des enseignements : 6h de cours et 18h de TP

Langue d’enseignement : Anglais

Logiciels : Eclipse ou VSCode
Documents pédagogiques : Transparents de cours
Pré-requis : Programmation orientée objet

Modalités d’évaluation :
Contrôle continu : un examen écrit

Acquis d’apprentissage (objectifs) :

Ce cours utilise Java comme langage d’application.
Vous découvrirez un langage typé et compilé. Ce contexte renforce l’importance des concepts de classe abstraite,
d’interface et d’héritage inhérents à la programmation orientée objet. Un exemple concret d’interface est la notion
d’itérateur, qui permet d’unifier le parcours de collections variées : vecteurs, listes, flux, arbres, …
Vous découvrirez aussi les problématiques découlant de la livraison d’un code “clef en main”.

Principales notions abordées :

 Langage Java
 Typage, compilation
 Interfaces, classes abstraites, extensions
 Polymorphisme
 Collections et Itérateurs
 Livrable, build, gestion des dépendances

Références bibliographiques :
 C. Delannoy, Programmer en java, Eyrolles. 2012 (8e éd.)
 B. Eckel, Thinking in Java, Prentice Hall, 2006 (4th ed.), www.BruceEckel.com, voir aussi la version française
http://penserenjava.free.fr/
 R. Chevalier, Java 7, Pearson (Synthex Informatique), 2011-2013.
 Collectif, The Java Tutorial : A Short Course on the Basics - 6th Edition, Addison Wesley, 2014.
 David Flanagan, Java in a nutshell, O’Reilly, 2014 (6th ed.)
 Joshua Bloch, Effective Java, Pearson, 2009.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 55
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-08 – Matière 2AINFO05 – Semestre 2

C++ POUR LA STATISTIQUE COMPUTATIONNELLE

Programming in C++

Enseignant : Laurent GEORGET

Nombre d’ECTS :2
Volume horaire de travail élève : ~30h
(enseignements + travail personnel)

Répartition des enseignements : 6h de cours et 12h de TP

Langue d’enseignement : Français

Logiciels : Eclipse pour C/C++
Documents pédagogiques :
Pré-requis : Bases de programmation dans un langage impératif (Python, Java)

Modalités d’évaluation :
La note finale du cours est établie pour moitié avec 2 TP notés et pour moitié avec un examen écrit.

Acquis d’apprentissage (objectifs) :

Comprendre le fonctionnement de la gestion de la mémoire des ordinateurs et donner aux élèves les principaux
concepts du langage C++ moderne pour écrire des programmes plutôt orientés calculs et informatique scientifique.

Principales notions abordées :

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 2020. 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, calculs financiers, traitement de grandes quantités de
données, imagerie 3D, traitement vidéo, traitement du signal.
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 des 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 et langages.
Ce langage pourra donc être utile pour les élèves devant faire face à des problèmes nécessitant des exécutions efficaces
ou dont les solution doivent s'intégrer dans les outils modulaires mentionnés plus haut. En particulier, les élèves de la
filière gestion des risques utiliseront ce langage dans leur cours de méthodes numériques et le développement de
modules en cours de R avancé pourra se faire en C++.

Les notions de base :

 Structure et syntaxe des programmes
 Expressions, instructions et types de base
 Manipulation des pointeurs, références et gestion de la mémoire
 Structures de données avancées et algorithmique

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 56
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

 Introduction aux classes C++ et concepts orientés objet : encapsulation, héritage, polymorphisme
 Outils pour le C/C++
 Environnement de programmation (notions de compilation)
 Debuggage (gdb, valgrind)
 Bibliothèque standard : structures de données, itérateurs, opérateurs

Références bibliographiques :
Bjarne STROUSTRUP, The C++ Programming Language, Pearson Education, 2013
Herb SUTTER and The Standard C++ Foundation, Chaîne YouTube de la CppCon, [en ligne :
https://www.youtube.com/user/CppCon

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 57
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-08 – Matière 2AINFO06 – Semestre 2

OUTILS POUR LE BIG DATA

Big Data IT Tools
Enseignant : Rémi PÉPIN (Ensai)
Nombre d’ECTS :2
Volume horaire de travail élève : 39h
(enseignements + travail personnel)

Répartition des enseignements : 10.5 de cours, 13.5h de TP

Langue d’enseignement : Anglais

Logiciels : Python et Spark
Documents pédagogiques : Support de présentation, Fiches de TP, Tutoriels en autonomie
Pré-requis : Connaissances élémentaires en Python

Modalités d’évaluation :
Quizz, examens et compte rendu de TP

Acquis d’apprentissage (objectifs) :

 s’orienter parmi les technologies étiquetées « big data » les plus courantes
 identifier les goulots d’étranglements dans l’exécution d’un traitement de données et adapter le traitement
pour y remédier
 choisir et mettre en œuvre une architecture adaptée à un traitement donné, et en particulier choix CPU vs.
GPU, local vs. cloud, batch vs. flux, haut niveau vs. bas niveau etc.
 produire des analyses statistiques simples avec Spark

Principales notions abordées :

Le terme de big data est de plus en plus utilisé aussi bien en entreprise que dans les médias généralistes.
Malheureusement, souvent, il est utilisé en tant que terme fourre-tout. Ce cours débute avec une déconstruction de la
notion de big data en présentant les V du big data et l’introduction de la notion de traitement de données à haute
performance.
Il présente ensuite un panorama des technologie étiquetées big data et les architectures informatiques associés en les
mettant en parallèle à des solutions classiques :
 architecture générale du calcul en local (processeur, mémoire vive, stockage) et en distribué (centralisé vs.
pee-to-peer ; avantages et inconvénients des systèmes répartis)
 architectures de stockages (systèmes de fichier vs. base de données, local vs. Distribué)
 zoom sur le stockage distribué avec HDFS
 zoom sur le calcul distribué avec Spark et MapReduce
 présentation du cloud computing avec manipulation de Amazon Web Service

Références bibliographiques :
 Carpenter, Jeff, and Eben Hewitt. 2020. Cassandra: The Definitive Guide; Distributed Data at Web Scale. 3rd
ed. O’Reilly Media, Inc, USA.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 58
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

 Chambers, Bill, and Matei Zaharia. 2018. Spark: The Definitive Guide: Big Data Processing Made
Simple. O’Reilly Media, Inc, USA.
 Steen, Maarten van, and Andrew S. Tanenbaum. 2017. Distributed Systems. 3.01 ed. CreateSpace
Independent Publishing Platform.
 White, Tom. 2015. Hadoop - The Definitive Guide 4e-. 4th ed. O′Reilly.
 Stephenson, D. (2018). Big Data Demystified : How to use big data, data science and AI to make better
business decisions and gain competitive advantage (1re éd.). FT Press.
 Erl, T., Puttini, R., & Mahmood, Z. (2013). Cloud Computing : Concepts, Technology & Architecture (The
Pearson Service Technology Series from Thomas Erl) (1re éd.). Pearson.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX
59
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

Enseignements du second semestre :

cours électifs (pré-spécialisation UE 2-09)

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX
60
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-09 – Semestre 2

UE 2-09 : PRE-SPECIALISATION

Correspondant de l’UE : Ronan LE SAOUT

Nombre d’ECTS :8
Volume horaire de travail élève : Entre 25h et 30h par ECTS
(enseignements + travail personnel)
Nombre d’heures d’enseignement : 84h

Finalité de l’UE :
Cette UE vise à proposer une diversité de compétences aux étudiants, dans la perspective de leur choix de
spécialisation. Les choix proposés de cours sont donc reliés aux spécialisations de 3 ème année.

Structuration de l’UE :
L’UE est structurée en 5 blocs (i.e. un ensemble de cours proposés aux mêmes créneaux dans l’emploi du temps).
Il est nécessaire de choisir un cours dans chaque bloc, ce qui permet de construire un parcours recherche,
statistique appliquée, informatique, économie, ou un parcours propre à chaque élève.

Compétences ou acquis d’apprentissage à l’issue de l’UE :

Diverses selon les enseignements choisis. L’objectif général est de mobiliser la diversité des compétences d’un
ingénieur statisticien.

Les pré-requis de l’UE :

Connaissances scientifiques de base de 1ère et 2ème année.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX
61
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-09 – Matière 2ASTA12 – Semestre 2

MODELES AVANCÉS DE RÉGRESSION

Advanced Regression Models
Enseignant : Eftychia SOLEA (Ensai)
Nombre d’ECTS :2
Volume horaire de travail élève : 60h
(enseignements + travail personnel)

Répartition des enseignements : 21h de cours

Langue d’enseignement : Anglais

Logiciels :R
Documents pédagogiques : Notes de cours, exercices intégrés, correction des exercices, code R
Pré-requis : Bonne compréhension des cours de régression et modèle linéaire
généralisé

Modalités d’évaluation :
Examen sur table

Acquis d’apprentissage (objectifs) :

 maîtriser la construction d'estimateurs par polynômes locaux en régression
 •avoir une compréhension fine des problèmes mathématiques et statistiques posés par une approche
strictement non-paramétrique
 être capable d'aborder la question de l'estimation d'un modèle semi-paramétrique dans des
exemples simples.

Principales notions abordées :

Estimateurs de la régression par polynômes locaux : définition, propriétés statistiques (biais, variance,
convergence), choix des paramètres, limites dues au cadre non-paramétrique. Ouverture vers le cadre semi-
paramétrique.
Régression partiellement linéaire : modèle, identifiabilité, construction des estimateurs, propriétés
statistiques, implémentation. Exemple pratique (avec R).
Modèles à direction révélatrice : modèle, identifiabilité, quelques méthodes d'estimation, implémentation.
Exemple pratique (avec R)

Références bibliographiques :
 Fan, J. and Gijbels, I. (1992). Variable bandwidth and local linear regression smoothers, Annals of
Statistics, 20, 2008-2036.
 Fan, J. and Gijbels, I. (1996). Local Polynomial Modelling and its Applications, Chapman & Hall.
 Friedman, J.H. and Stuetzle, W. (1981). Projection pursuit regression, Journal of the American
Statistical Association, 76, 817-823.
 Härdle, W., Müller, M., Sperlich, S. and Werwatz, A. (2004). Nonparametric and Semiparametric
Models, Springer.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 62
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

 Härdle, W. and Stoker, T.M. (1989). Investigating smooth multiple regression by the method of
average derivatives, Journal of the American Statistical Association, 84, 986-995.
 Hastie, T.J. and Tibshirani, R.J. (1990). Generalized Additive Models, Chapman & Hall.
 Horowitz, J.L. (2009). Semiparametric and Nonparametric Methods in Econometrics, Springer.
 Ichimura, H. (1993). Semiparametric least squares (SLS) and weighted SLS estimation of single-index
models, Journal of Econometrics, 58, 71-120.
 Klein, R.W. and Spady, R.H. (1993). An efficient semiparametric estimator for binary response
models, Econometrica, 61, 387-421.
 Powell, J.L., Stock, J.H. and Stoker, T.M. (1989). Semiparametric estimation of index coefficients,
Econometrica, 51, 1403-1430.
 Robinson, P.M. (1988). Root-N-consistent semiparametric regression, Econometrica, 56, 931-954.
 Wasserman, L. (1999). All of Nonparametric Statistics, Springer.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 63
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-09 – Matière 2ASTA13 – Semestre 2

MARTINGALES ET PROCESSUS DE LÉVY

Martingales and Levy Process
Enseignant : Basile DELOYNES (Ensai)
Nombre d’ECTS : 2.
Volume horaire de travail élève : 42h
(enseignements + travail personnel)

Répartition des enseignements : 12h de cours, 9h de TD

Langue d’enseignement : Française

Logiciels : N/A
Documents pédagogiques : Notes de cours, planches de TD
Pré-requis : Théorie de la mesure, Probabilité générale

Modalités d’évaluation :
Examen écrit

Acquis d’apprentissage (objectifs) :

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.
Quelques notions de processus à temps continu : mouvement brownien, processus de Poisson, processus de Poisson
composé.

Principales notions abordées :

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

Références bibliographiques :
 DURETT R., Probability : theory and examples (Cambridge University Press, 2019)
 WILLIAMS D., Probability with martingales (Cambridge University Press, 1991)

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 64
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-09 – Matière 2ASTA14 – Semestre 2

MÉTHODES DE RÉÉCHANTILLONNAGE
Resampling Methods
Enseignant : Myriam VIMOND (Ensai)
Nombre d’ECTS :2
Volume horaire de travail élève : de 30h à 50h
(enseignements + travail personnel)

Répartition des enseignements : 21h de cours,

Langue d’enseignement : Français (cours) et Anglais (lecture de texte)

Logiciels : R (packages coda, boot)
Documents pédagogiques : notes de cours sous format papier
Pré-requis : probabilité, statistique inférentielle, régression, apprentissage
supervisé, séries temporelles, calcul bayésien

Modalités d’évaluation :
Examen écrit

Acquis d’apprentissage (objectifs) :

 Mobiliser ses connaissances de probabilité et de statistiques inférenctielles pour la définition d’une méthode
de rééchantillonnage adaptée à l’inférence considérée
 Mettre en œuvre une méthode de rééchantillonnage
 Lire et discuter un texte scientifique utilisant des méthodes de rééchantillonnage à des fins statistiques.

Principales notions abordées :

L’inférence statistique repose généralement sur la connaissance des distributions de probabilités des
statistiques. Si la loi d’une statistique est inconnue, une méthode de rééchantillonnage cherche à approcher
par simulation de Monte Carlo cette distribution conditionnellement aux données observées. Le principe de
cette technique est de substituer à la loi de probabilité inconnue une distribution empirique construite à
partir de l’échantillon d’apprentissage.
L’objectif de ce cours est de présenter les principales méthodes de rééchantillonnage : les tests par
permutations, la validation croisée, le jackknife, le bootstrap. Le cours alternera description des procédures,
preuves mathématiques, exercices et études de cas pratiques. Le cours portera essentiellement sur des
modèles statistiques indépendant et identiquement distribués. En fonction du temps, nous verrons des
extensions du Bootstrap appliquées par exemple aux modèles hétéroscedastiques (Wild Bootstrap), aux
données dépendantes (Block Bootstrap, Subsampling) ou massives (Bag of Little Bootstrap).
1.Tests par permutations
2.La validation croisée et le jackknife
3.Le Bootstrap d’Efron
4. Cas pathologiques et dépendance temporelle
Une liste d’exercices non corrigés est fournie pour permettre aux étudiants de s’exercer en supplément des
cours.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 65
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

Références bibliographiques :
 EFRON B, Tibshirani R (1993) An introduction to the bootstrap. New York: Chapman and Hall/CRC.
 GENTLE, J. E. (2009). Computational statistics. Springer Science & Business Media
 RIZZO, M.L. (2008) Statistical Computing with R.New York: Chapman and Hall/CRC.
 PESARIN, F, SALMASO, L. (2010) Permutation Tests for Complex Data. Wiley
 BHATTACHARYA, R. N., LIN, L., & PATRANGENARU, V. (2016). A course in mathematical statistics and
large sample theory. Springer.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 66
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-09 – Matière 2ASTA16 – Semestre 2

STATISTIQUE MATHÉMATIQUE
Mathematical Statistics
Enseignant : Lionel TRUQUET (Ensai)
Nombre d’ECTS :2
Volume horaire de travail élève : 60h
(enseignements + travail personnel)

Répartition des enseignements : 21h de cours

Langue d’enseignement : Anglais

Logiciels : Aucun
Documents pédagogiques : transparents de cours
Pré-requis : statistique inférentielle, tests et probabilités générales de 1A

Modalités d’évaluation :
Examen sur table

Acquis d’apprentissage (objectifs) :

L’objectif de ce cours est de reprendre certaines notions vues dans les cours de statistique en 1A et de
présenter les arguments mathématiques qui permettent de justifier les propriétés asymptotiques de
certaines classes d'estimateurs ou de tests. A l'issue de ce cours, l'étudiant doit pouvoir démontrer ou
justifier dans des cas simples le comportement asymptotique d'estimateurs (modes de convergence) définis
par maximisation d'un contraste ou basés sur les statistiques d'ordre. En particulier, l'étudiant doit être
capable de structurer une preuve mathématique à l'aide de notions basiques de topologie, de probabilités
et l'utilisation de quantificateurs. Enfin l'étudiant doit être en mesure de vérifier sur des exemples spécifiques
les hypothèses d'intégrabilité ou de régularité permettant d'appliquer les théorèmes généraux vus en cours.

Principales notions abordées :

Compléments sur la convergence en loi, en probabilité et presque sûre. Delta méthode. M et Z estimateurs:
propriétés asymptotiques, consistance et normalité asymptotique. Rappels sur les statistiques d'ordre.
Statistiques de rang, de signe et de permutations. Tests statistiques basés sur les rangs.

Références bibliographiques :
• Borovkov, A.A., Mathematical Statistics, CRC Press, 1999.
• Cadre, B. et Vial, C., Statistique Mathématique, Ellipses, 2012.
• van der Vaart, A.W., Asymptotic statistics, Cambridge University Press, 2000.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 67
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-09 – Matière 2ASTA16 – Semestre 2

ÉCHANTILLONNAGE À PLUSIEURS DEGRÉS

Multistage Sampling
Enseignant : Guillaume CHAUVET (Ensai)
Nombre d’ECTS :2
Volume horaire de travail élève : 50h
(enseignements + travail personnel)

Répartition des enseignements : 12h de cours et 9h de TP

Langue d’enseignement : Français

Logiciels : Aucun
Documents pédagogiques : support de cours tapuscrit
Pré-requis : Théorie des sondages, régression linéaire, modèle linéaire généralisé

Modalités d’évaluation :
Examen sur table et quizz en contrôle continu

Acquis d’apprentissage (objectifs) :

Lorsque l’on souhaite réaliser une enquête, il arrive fréquemment que l’on ne dispose pas d’une base de sondage, i.e.
d’une liste des unités de la population. Dans ce cas, on utilise souvent des plans de sondage à plusieurs degrés où des
échantillons sont sélectionnés de façon emboîtée. Les enquêtes auprès des ménages sont par exemple souvent réalisées
en sélectionnant des communes, puis des pâtés de maison, puis finalement des ménages.
Dans ce type d’enquête, l’échantillonnage est une étape complexe car plusieurs tirages sont nécessaires. Cela complique
à la fois le calcul des estimateurs, et l’estimation de leur variance. Par nature, cette procédure de sélection introduit des
dépendances dans les observations, ce qui complique également la correction de la non-réponse et l’analyse des
données d’enquête.
L’objectif de ce cours est de présenter les méthodes d’échantillonnage à plusieurs degrés, et de comprendre ses
particularités. Des outils simples d’estimation de variance utilisant par exemple les méthodes de rééchantillonnage
seront présentées. On discutera également des spécificités du traitement de la non-réponse pour ce type d’enquêtes.
Compétences acquises :
 Choisir une stratégie d’échantillonnage et la mettre en œuvre pour des données en grappe.
 Produire les estimateurs et les indicateurs de précision associés.
 Choisir une stratégie de traitement de la non-réponse totale et la mettre en œuvre.

Principales notions abordées :

Partie 1 : Introduction
 Rappels sur l’échantillonnage en population finie
 Tirage à deux degrés : échantillonnage et estimation
 Tirage par grappes : échantillonnage et estimation

Partie 2 : Précision d’un sondage à deux degrés

 Estimateur direct de variance
 Estimateurs simplifiés
 Estimation par bootstrap

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 68
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

Partie 3 : Estimation pour un sondage à deux degrés

 Traitement de la non-réponse totale
 Calage au niveau ménage et individu
 (Analyse des données d’enquête)

Références bibliographiques :
 ARDILLY P., Les Techniques de Sondage (nouv. éd.), Paris, Technip, 2006
 SÄRNDAL, C-E., SWENSSON, B, WRETMAN, J., Model Assisted Survey Sampling, Springer-Verlag, 2003

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 69
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-09 – Matière 2ASTA18 – Semestre 2

STATISTIQUE SPATIALE
Spatial analysis
Enseignant : A déterminer
Nombre d’ECTS :2
Volume horaire de travail élève : À remplir
(enseignements + travail personnel)

Répartition des enseignements : 21h de cours

Langue d’enseignement : À remplir

Logiciels : À remplir
Documents pédagogiques : À remplir
Pré-requis : À remplir

Modalités d’évaluation :
Quizz, examens, devoirs maison, mini projets…

Acquis d’apprentissage (objectifs) :

Introduction aux modèles statistiques et aux méthodes d'analyse de données spatialement référencées. L'accent est
mis sur les applications avec des données réelles et leur analyse avec le logiciel R.

A la fin du cours les élèves pourront :

- Produire des représentations visuelles informatives de données spatiales
- Procéder à des analyses exploratoires de données
- Sélectionner des modèles statistiques appropriés pour divers types de données spatiales
- Estimer les paramètres du modèle avec le logiciel R
- Interpréter les sorties logiciel
- Interpréter les résultats.

Principales notions abordées :

Le cours s'articule autour de trois types de données communes :
- Géostatistique : observations localisées spatialement.
- Processus ponctuels : observations correspondant à une configuration (ou semis) de points
- Surface : observations associées à des régions (typiquement données carroyées)
D'autres sujets avancés seront couverts à la fin du semestre si le temps le permet.

Références bibliographiques :
 Manuel d’analyse spatiale : Théorie et mise en oeuvre pratique avec R
https://www.insee.fr/fr/information/3635442
 A. Baddeley (2010), “Analysing spatial point patterns inR”, CSIRO.
 R. Bivand, E. Pebezma et V. G ́omez-Rubio (2013),“Applied spatial data analysis with R”, Springer-Verlag,
2e ́edition.
 P.J. Diggle et P.J. Ribeiro (2007), “Model-basedgeostatistics”, Springer-Verlag.
 Cressie, N. (1993)Statistics for Spatial Data, Revised Edition, John Wiley & Sons,New York.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 70
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-09 – Matière 2AECO04 – Semestre 2

ECONOMIE DU RISQUE
Economics of Risk
Enseignant : Olivier RENAULT
Nombre d’ECTS :2
Volume horaire de travail élève : 40 heures
(enseignements + travail personnel)

Répartition des enseignements : 21h de cours

Langue d’enseignement : Français

Logiciels : N/A
Documents pédagogiques : Cours et exercices en ligne
Pré-requis : Microéconomie standard

Modalités d’évaluation :
Examens : exercices et questions de réflexion

Acquis d’apprentissage (objectifs) :

Le cours se divise en 2 parties. Dans une première partie, nous étudierons les choix en contexte de risque et
appliquerons les résultats théoriques à plusieurs champs d’application : assurance, finance, décision publique. Dans la
seconde partie, nous étendrons notre analyse aux choix en contexte incertain en proposant une introduction à
l’incertitude stratégique.

Principales notions abordées :

1. Introduction : les préférences rationnelles, modélisation d’un choix, le risque et l’incertitude
2. Le choix en univers risqué
2.1. Notions centrales : dominance stochastique, aversion pour le risque, prime de risque
2.2. Deux premiers critères : espérance et espérance-variance
2.3. Espérance d’utilité, mesure de l’attitude face au risque et paradoxes comportementaux
2.4. Applications : choix d’assurance, choix d’épargne, choix de portefeuille
3. Le choix en univers incertain
3.1. Deux premiers critères : Maximin et critère de Hurwitz
3.2. Espérance subjective d’utilité
3.3. Introduction à l’incertitude stratégique
3.4. Prolongements : paradoxes comportementaux et aversion à l’ambiguïté

Références bibliographiques :
 Eeckhoudt Louis, Christian Gollier et Harris Schlesinger (2005). Economic and financial decisions under
uncertainty, Louis, Princeton University Press
 Gayant Jean-Pascal. Risque et décision, Vuibert
 Gollier Christian (2001). The Economics of Risk and Time, MIT Press
 Jokung Nguena Octove. Microéconomie de l’incertain, Dunod

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 71
Tél : 33 (0)2 99 05 32 32 / [email protected]
www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-09 – Matière 2AECO05 – Semestre 2

ECONOMIE NUMERIQUE
Digital Economics
Enseignants : Ambre Nicolle (ENSAI) and Yutec SUN (ENSAI)Ambre Nicolle (ENSAI)
and Yutec SUN (ENSAI)
Nombre d’ECTS :2
Volume horaire de travail élève : entre 40 et 50 heures
(enseignements + travail personnel)

Répartition des enseignements : 21 heures de cours

Langue d’enseignement : Anglais

Logiciels : Sans objet
Documents pédagogiques : Diapositives de cours et articles de recherche
Pré-requis : Formation économétrique et microéconomique basique

Modalités d’évaluation :
Examen écrit

Acquis d’apprentissage (objectifs) :

 Savoir expliquer les mécanismes qui régissent l’économie numérique à partir d’exemples concrets.
 Savoir utiliser la boite à outils de l’économiste pour comprendre et prédire l’évolution des marchés transformés
par le numérique.
 Connaître les défis règlementaires auxquels font face les pouvoirs publics.
 Connaître les principes de la programmation dynamique en économétrie structurelle.

Principales notions abordées :

Le cours comprend 2 parties, la première (12 heures) abordera les notions introductives (offre des biens numériques,
demande et rôle des évaluations par les consommateurs, concurrence et régulation), la deuxième (9 heures) abordera
des notions plus avancées avec des exemples issus de l’économie industrielle appliquée et une introduction à la
programmation dynamique. Mots clés : Transformation numérique ; marchés bifaces et plateformes; innovation; coûts
de changement ; big data et intelligence artificielle; structure de marché et concurrence; collusion par les algorithmes.

Références bibliographiques :
Brousseau, E., & Curien, N. (Eds.). (2007). Internet and digital economics: principles, methods and applications.
Cambridge University Press.
Goldfarb, A., & Tucker, C. (2019). Digital economics. Journal of Economic Literature, 57(1), 3-43.
Parker, G. G., Van Alstyne, M. W., & Choudary, S. P. (2016). Platform revolution: How networked markets are
transforming the economy and how to make them work for you. WW Norton & Company.

Course outline

Part 1: An overview of the Digital Economy (12 hours)

72
Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

1.1. Introduction (1 hour)

1.2. Supply (3 hours)

1.2.1. Costs, prices and quality in the Digital Era
1.2.2. Platform markets

1.2.3. Data as a key input

1.3. Demand (3 hours)

1.3.1. Ratings, reviews and other user-generated content
1.3.2. Substitution between consumption channels
1.3.3. Switching costs

1.4. Competition (2 hours)

1.4.1. Entry and exit of firms, barriers to entry and emergence of big players
1.4.2. Insights from the platform-market literature

1.5. Regulation (3 hours)

1.5.1. Abuse of dominant position: Price parity clauses, BigTech mergers and Killer Acquisitions
1.5.2. Is Big Data a threat to competition?

Part 2: Advanced topics in the Digital Economy (9 hours)

6. Dynamics (3 hours)

6.1. Analyzing dynamics: dynamic programming approach

6.2. Artificial intelligence in economics: reinforcement-learning approach

7. Innovation (3 hours)

7.1. Monopoly may not be so bad: evidence from the CPU war

7.2. Innovator’s dilemma: why market leaders fail to innovate

7.3. Killing innovative competitors: evidence from pharmaceutical drugs

8. Artificial intelligence (3 hours)

8.1. Can AI facilitate firm’s collusion?

8.2. Empirical evidence from the gasoline prices

8.3. Advanced AI algorithms: promises and threats

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 73
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-09 – Matière 2AECO07 – Semestre 2

ECONOMIE INDUSTRIELLE
Industrial Organization
Enseignant : Frédéric Loss
Nombre d’ECTS :2
Volume horaire de travail élève : 30 heures
(enseignements + travail personnel)

Répartition des enseignements : 11h de cours, 11h de TD

Langue d’enseignement : Français

Logiciels : N/A
Documents pédagogiques : supports de cours
Pré-requis : Microéconomie

Modalités d’évaluation :
Examen

Acquis d’apprentissage (objectifs) :

Les compétences acquises sont de trois ordres. En premier lieu, ce cours permet d’acquérir et d’appliquer des concepts
de théories des jeux non coopératifs, indispensables à l’analyse et la compréhension de la concurrence imparfaite. En
deuxième lieu, ce cours permet de comprendre le positionnement stratégique des firmes (tarification pratiquée, qualité
des services, choix de produits…). Cela permet de comprendre une micro-économie plus proche des décideurs. La
compréhension des mécanismes qi sont en jeu, de son langage sont désormais indispensables dans les cabinets de
conseil, et parmi les économistes d’entreprise. Enfin, ce cours permet d’analyser les fusions d’entreprise du point de
vue du bien-être social, et d’étudier la politique de la concurrence. Il permet ainsi d’acquérir tous les outils
indispensables aux professionnels responsables de la concurrence travaillant en particulier dans des agences
gouvernementales (autorité de la concurrence, DGCCRF, Commission européenne …)

Principales notions abordées :

Le cours d’économie industrielle vise à étudier de façon micro-économique des situations de concurrence imparfaite
(monopole, oligopole en prix, en quantité…).Il vise aussi à analyser une situation de monopole discriminant du point de
vue du bien-être social. Il a aussi pour objectif de montrer comment les entreprises en concurrence en prix peuvent
sortir du paradoxe de Bertrand en différenciant leurs produits. Enfin, il cherche à analyser les relations verticales entre
entreprises, les études des concentrations, et la politique de la concurrence.

Références bibliographiques :
 TIROLE, J. Théorie de l’Organisation Industrielle, Economica, 1998.
 MOTTA, M. Competition Policy. Theory and Practice. Cambridge University Press, 2004.
 AMSTRONG, M. et PORTER, R. Handbook of Industrial Organization, Vol3, Elsevier, 2007

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 74
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-09 – Matière 2AECO08 – Semestre 2

DEMOGRAPHIE
Demographics
Enseignant : Laurent DI CARLO (Insee)
Nombre d’ECTS :2
Volume horaire de travail élève : 21 h
(enseignements + travail personnel)

Répartition des enseignements : 21h de cours

Langue d’enseignement : Français

Logiciels : Pack office
Documents pédagogiques : Supports commentés sur moodle (audio et diapo) + exercices
Pré-requis : Aucun

Modalités d’évaluation :
Quizz, examens, devoirs maison, mini projets…

Acquis d’apprentissage (objectifs) :

L’objectif est de comprendre les enjeux de l’analyse démographique, d’en connaître et maîtriser les outils et indicateurs,
de savoir appréhender les caractéristiques actuelles des démographies française et mondiales, ainsi que de comprendre
la construction des modèles principaux qui permettent de décrire et d’analyser la dynamique d’une population.

Principales notions abordées :

1. Introduction à la démographe 5. L'analyse de la fécondité
1.1. Définition 5.1. Le taux brut de natalité
1.2. Les grands instituts historiques 5.2. Le taux de fécondité par âge
1.2. Les principales bases de données 5.3. L'indicateur conjoncturel de fécondité
démographiques 5.4. Les causes du niveau élevé de fécondité
en France
2. La croissance de la population 5.5. L'âge moyen à la maternité
2.1. Mesure des facteurs d'évolution de la 5.6. L’âge moyen de fécondité
population : l'équation fondamentale 5.7. Le taux brut de reproduction
2.2. Évolution de la population en France sur 5.8. Le taux net de reproduction
longue période 5.9. La descendance finale
2.3. Les composantes du solde migratoire
2.4. Les immigrés 6. L'analyse de la mortalité
2.5. Les Français de l’étranger 6.1. Taux brut de mortalité
6.2. Les taux de mortalité par âge
3. La localisation de la croissance 6.3. La standardisation des taux de mortalité
démographique 6.4. La mortalité infantile
3.1. La démographie des régions françaises 6.5. La table de mortalité
3.2. L’étalement urbain 6.6. L'espérance de vie

4. Outils de la démographie 7. La transition démographique

4.1. La pyramide des âges
75
Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX
Tél : 33 (0)2 99 05 32 32 / [email protected]
www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

4.2. Promenade au travers des pyramides 8. Les indicateurs de développement humain

- démographie de l’Inde (ONU)
- démographie de l’Allemagne
- démographie du Niger
- démographie du Japon
4.3. Le diagramme de lexis

Références bibliographiques :
6PNUD, rapport sur le développement humain, 2019
7Rapport d’activité de l’OFII 2019
8Catherine Rollet, Introduction à la démographie, 3e édition, Armand Colin, 2011
9Jean-Claude Chesnais, la démographie, Que sais-je, PUF, 2010
10Gabriel Poulalion et Georges Pupion, Analyse démographique, L’Harmattan, 2009
11Jacques Vallin, La démographie, Etude (poche), collection repères, La Découverte, 2002

76
Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX
Tél : 33 (0)2 99 05 32 32 / [email protected]
www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-09 – Matière 2AINF07 – Semestre 2

PROGRAMMATION AVANCÉE EN R
Advanced programming in R
Enseignant : Matthieu MARBAC (Ensai)
Nombre d’ECTS :2
Volume horaire de travail élève : 42h (21h de cours et 21h de travail personnel)
(enseignements + travail personnel)

Répartition des enseignements : 21h de cours/TP

: Français

Langue d’enseignement
Logiciels :R
Documents pédagogiques : Supports de cours disponibles sous Moodle
Pré-requis : Statistiques avec R (1A)

Modalités d’évaluation :
Compte-rendu et scripts du dernier TP.

Acquis d’apprentissage (objectifs) :

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

Principales notions abordées :

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

Références bibliographiques :
P.A. Cornillon, A. Guyader, F. Husson, N. Jégou, J. Josse, M. Kloareg, E. Matzner-Løber, L. Rouvière (2013). Statistiques
avec R, 3e édition augmentée et en couleurs, Presses Universitaires de Rennes, France.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 77
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-09 – Matière 2AINF08 – Semestre 2

TECHNOLOGIES MOBILES
Mobile Technologies
Enseignant : Olivier LEVITT (Insee)
Nombre d’ECTS :2
Volume horaire de travail élève : À remplir
(enseignements + travail personnel)

Répartition des enseignements : XXh de cours, XXh de TD et XXh de TP

dont XXh en autonomie

Langue d’enseignement : À remplir

Logiciels : À remplir
Documents pédagogiques : À remplir
Pré-requis : À remplir

Modalités d’évaluation :
Quizz, examens, devoirs maison, mini projets…

Acquis d’apprentissage (objectifs) :

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.

Principales notions abordées :

1. Android, les présentations
a. Contexte
b. Architecture
2. Android et les applications
a. Cycle de vie
b. Activités
3. Android et les interfaces
a. Layouts et Views
b. Menus et évènements
4. Android et les données
a. Accès aux ressources
b. Content Providers

Références bibliographiques :
AUTEUR, Titre de l’ouvrage, Edition, Année
AUTEUR, Titre de l’ouvrage, Edition, Année
…

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 78
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-09 – Matière 2AINF08 – Semestre 2

TRAITEMENT DU SIGNAL
Signal Processing
Enseignant : Hong-Phuong DANG (Ensai)
Nombre d’ECTS :2
Volume horaire de travail élève : 21h + 10h
(enseignements + travail personnel)

Répartition des enseignements : 9h de cours, et 12h de TP

Langue d’enseignement : français

Logiciels : Python - Jupyter notebook
Documents pédagogiques : Support de cours
Pré-requis : Un peu de maths : suite et série de fonction, intégration, nombre
complexe, base de la théorie de la mesure et Connaissance de
langage Python pour les TPs

Modalités d’évaluation :
Quizz, examens, devoirs maison, mini projets…

Acquis d’apprentissage (objectifs) :

Acquérir les notions de base pour :
 Manipuler des signaux analogiques et numériques
 Modéliser et représenter le signal
 Effectuer des opérations simples de traitement
Le Traitement du Signal (TdS) apporte un autre point de vue sur les notions déjà vues dans les cours de statistiques et
d’économie, par exemple corrélation, convolution, stationnarité, causalité…
Un des fondamentaux du TdS est l’analyse temps-fréquence (spectrogramme) avec la transformation fourrier. Nous
introduisons les motivations vers la base d’ondelettes.
Nous abordons également dans cette matière la notion de représentation parcimonieuse à travers l’échantillonnage
des signaux. La représentation parcimonieuse est à l’origine des modèles de régression pénalisée (LASSO) ou de la
régularisation. Ces notions apparaitront dans toutes les filières ingénieur de 3 e année, en Master Smart Data et Master
de Statistique Publique.
De plus, le signal intervient sous plusieurs formes dans la plupart des domaines des différentes technologies. On a, par
exemple, le traitement de l’image, la télécommunication, l’acoustique, l’astronomie, l’économie, la biologie, l’optique,
la mécanique, l’électricité, l’électronique. On retrouve de plus en plus de demandes d’entreprises sur les compétences
dans cette discipline. Pour finir, cette matière permet, non seulement, aux élèves d’avoir un bagage complémentaire
pour leurs cours en 3e année, mais aussi d’avoir une connaissance sur les notions de base de traitement du signal afin
de pouvoir mieux comprendre les besoins des entreprises pour un stage ou un emploi.

Principales notions abordées :

1. Définition d’un signal, énergie, puissance, périodicité, corrélation, convolution, bruit (signal perturbateur,
rapport signal sur bruit,…). Notion de différents signaux (par dimension, phénomène, énergie, morphologie)
2. Représentation fréquentielle : notion de fréquence (fondamentale + harmonique), distribution de Dirac (
élément neutre de l’opérateur de convolution), transformation Fourrier (propriétés, exemples, spectre), théorème de

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 79
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

Gabor (Principe d’incertitude de Heisenberg : mécanique quantique), égalité de Parseval Plancherel

(conservation de l’énergie).
3. Théorie du filtrage : linéarité, principe de superposition, fonction de transfert, réponse impulsionnelle, passe-
bas/bande/haut
4. La discrétion en temps et fréquence (lié au numérique), échantillonnage des signaux, Shannon-Nyquist, analyse
temps-fréquence (spectrogramme)

Références bibliographiques :
Martin Vetterli, Jelena Kovacevic, and Vivek K Goyal, Foundations of Signal Processing, 2014
Kido Ken'iti, Digital Fourier Analysis: Fundamentals, Springer, 2015

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 80
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-09 – Matière 2AINF10 – Semestre 2

CONCEPTION DE LOGICIEL
Software design
Enseignant : Olivier LEVITT
Nombre d’ECTS : À remplir
Volume horaire de travail élève : À remplir
(enseignements + travail personnel)

Répartition des enseignements : XXh de cours, XXh de TD et XXh de TP

dont XXh en autonomie

Langue d’enseignement : À remplir

Logiciels : À remplir
Documents pédagogiques : À remplir
Pré-requis : À remplir

Modalités d’évaluation :
Quizz, examens, devoirs maison, mini projets…

Acquis d’apprentissage (objectifs) :

En dehors des preuves de concept, la conception et la réalisation d’un logiciel nécessite de découper ce dernier en
différentes fonctionnalités, en différents sous programmes ou composants logiciel,… On retrouve là le concept habituel
en informatique : diviser pour régner ou diviser pour résoudre.
Ce principe s’applique aussi bien à la phase d’implémentation qu’à la phase de conception. Il s’appuie aujourd’hui sur
des stratégies standards et le plus souvent sur le langage de modélisation UML.
A la fin de ce cours, les élèves connaitront un ensemble de ces stratégies, et seront en mesure d’appliquer ces stratégies
pour la conception et l’implémentation de petites applications. S’il y a lieu, les applications modélisées seront
implémentées en Java.
 Concevoir une application
 Découper en fonctionnalités / composants / bibliothèques / …
 Modéliser l’application
 Modéliser les données manipulées

Principales notions abordées :

 Cycle de vie d’un logiciel (analyse, conception, implémentation, test, utilisation et maintenance corrective ou
évolutive)
 Data UML (et appronfondissement d’UML)
 Programmation par Design pattern (patrons E.GAMMA : les modèles de créations, les modèles de structures
et les modèles de comportements)
 Programmation par composants
 Programmation orientée objet : généricité / traits / modèle de composant UML2.2
 Les méthodologies de conception OO : processus unifié / méthode AGILE ?
 Tests fonctionnels et structurels

Références bibliographiques :
Design patterns : catalogue de modèle de conception réutilisable (1995 version anglaise, version française (traduction)
1990)

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 81
Tél : 33 (0)2 99 05 32 32 / [email protected]
www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-09 – Matière 2AINF11 – Semestre 2

DATA CHALLENGE
Datachallenge
Enseignant : Salima EL KOLEI
Nombre d’ECTS :2
Volume horaire de travail élève : À remplir
(enseignements + travail personnel)

Répartition des enseignements : 21h

Langue d’enseignement
Logiciels : Aucun
Documents pédagogiques : Aucun
Pré-requis : Aucun

Modalités d’évaluation :
Quizz, examens, devoirs maison, mini projets…

Acquis d’apprentissage (objectifs) :

Le data challenge permet de rassembler sur une période très courte différentes équipes de profils variés afin de
collaborer sur un projet. Cette expérience se rapproche des conditions réelles dans laquelle évoluent les datascientists
au sein des entreprises.
Il permet, à partir des mécanismes du jeu, de dynamiser et d’articuler la pédagogie autour d’un besoin concret
d'entreprise et d’un événement qui s’achève par une évaluation objective. De nombreux challenges sont proposés
autour de la Data ou présentant des problématiques Data importantes.
L’objectif de ce cours électif est de valoriser et d’évaluer les compétences transversales acquises dans ce contexte
opérationnel.

 Comprendre les problèmes à résoudre.

 Travailler en mode projet avec des contraintes.
 S’intégrer et s’adapter dans un contexte pluridisciplinaire. Selon les challenges, les compétences seront
mobilisées à géométrie variable.
 S’adapter à la réalité de la Data d’entreprise (données non structurées, manquantes, volumétrie…)
 Communication orale des résultats (pitch…)

Principales notions abordées :

Les élèves inscrits au cours électif devront participer à au moins un challenge. Ils devront témoigner leur expérience
dans un rapport écrit et une soutenance.
Ils devront participer aux deux séquences d’ateliers sur les thématiques liées au travail en équipe, en synergie et dans
l’urgence.
Un apport de ressources permettant aux élèves de se préparer sera proposé en particulier sur les plateformes:
https://challengedata.ens.fr/en/home et https://www.datascience.net/fr/challenge

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 82
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-09 – Matière 2AINF12 – Semestre 2

DATAVISUALISATION
Datavizualisation
Enseignant : Arthur KATOSSKY (Ensai)
Nombre d’ECTS :2
Volume horaire de travail élève : 53h
(enseignements + travail personnel)

Répartition des enseignements : 21h de cours

Langue d’enseignement : Anglais

Logiciels : R et JavaScript
Documents pédagogiques : support de cours, vidéos et fiches de TP
Pré-requis : connaissance élémentaires de R ; une connaissance, même
superficielle, des langages web (HTML, CSS, SVG, JavaScript) est un
avantage, mais n’est pas nécessaire

Modalités d’évaluation :
2 mini-projets

Acquis d’apprentissage (objectifs) :

 Formuler une critique constructive d’une infographie donnée à partir d’une connaissance élémentaire de la
sémiologie graphique (pour les conventions de représentation) et de la psychologie cognitive (pour la
perception visuelle)
 Reproduire fidèlement une infographie statistique donnée avec le package ggplot2 de R
 Comprendre la logique d’une application codée en d3 js (une autonomie complète n’est pas attendue, même
pour des applications simples)

 Principales notions abordées :
 Perception visuelle, conventions graphiques, échelles et couleurs
 Trifecta Checkup et critique d'infographies statiques
 La grammaire des graphiques
 Bibliothèque ggplot2 de R pour la visualisation de données
 Introduction à la programmation événementielle
 Initiation à la bibliothèque d3.js sur Observable
 Conception d'une infographie interactive

Références bibliographiques :
 Munzner, T. 2014. Visualization Analysis and Design.
 Cairo, Alberto. 2019. How Charts Lie: Getting Smarter about Visual Information. 1 edition. W. W. Norton &
Company.
 Tufte, Edward R. 2001. The Visual Display of Quantitative Information. 2nd edition. Graphics Pr.
 https://junkcharts.typepad.com
 Bertin, Jacques. 2013. Sémiologie graphique : Les diagrammes, les réseaux, les cartes. Editions de l’Ecole des
Hautes Etudes en Sciences Sociales.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 83
Tél : 33 (0)2 99 05 32 32 / [email protected]
www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

 Murray, Scott. 2017. Interactive Data Visualization for the Web : An Introduction to Designing with D3.
2nd ed. O’Reilly Media, Inc, USA.
 Wickham, Hadley. 2009. ggplot2: Elegant Graphics for Data Analysis (Use R!) (English Edition). 1st ed. 2009.
Corr. 3rd printing 2010. Springer. (https://ggplot2-book.org)

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 84
Tél : 33 (0)2 99 05 32 32 / [email protected]
www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-10 – Semestre 2

UE 2-10 : PROJET PROFESSIONNEL

Correspondant de l’UE : Laurent TARDIF

Nombre d’ECTS :2
Volume horaire de travail élève : Sans objet
(enseignements + travail personnel)
Nombre d’heures d’enseignement : 80h

Finalité de l’UE :
L’UE « projet professionnel » participe pleinement au développement des compétences comportementales et
soft-skills permettant de valoriser le potentiel de data-scientist des étudiants.

L’objectif principal est de préparer les élèves aux candidatures pour les stages et entretiens de recrutement ainsi
que leurs interactions dans le cadre professionnel.

Structuration de l’UE :
Le projet professionnel permet aux étudiants de mieux se connaitre à travers en particulier l’utilisation d’un test
de personnalité très utilisé pour les recrutements, de valoriser leur compétences dans leur recherche de stage ou
d’emploi en préparant les documents supports de leur candidatures et de mettre en pratique les compétences
scientifiques et comportementales dans une expérience professionnelle durant leur stage d’application en
statistique. Par ailleurs, des Rendez-Vous Carrière sont organisés en 2e année, ils permettent aux élèves ingénieurs
d’appréhender leur futur métier en rencontrant des praticiens (souvent des alumni) sur un format interactif.
Un cours optionnel ou une langue optionnelle complète l’UE et participe via les compétences transversales
travaillées au projet professionnel de l’étudiant.

Compétences ou acquis d’apprentissage à l’issue de l’UE :

 Aptitude à étudier et résoudre des problèmes complexes souvent situés en univers incertain et risqué en
mobilisant des connaissances scientifiques à dominante mathématique, statistique, économique et
informatique.
 Capacité à s’insérer dans la vie professionnelle, à s’intégrer dans une organisation, à l’animer et à la faire
évoluer : exercice de la responsabilité, esprit d’équipe, engagement et leadership, management de
projets, maitrise d’ouvrage, communication avec des spécialistes comme avec des non-spécialistes.
 Capacité à se connaitre, à s’autoévaluer, à gérer ses compétences (notamment dans une perspective de
formation tout au long de la vie), à opérer ses choix professionnels.
 Capacité à valoriser les ressources informationnelles pour contribuer à atteindre les objectifs de
l’organisation qui l’emploie i.e. être en mesure de mettre en forme les résultats, les interpréter et leur
donner du sens, les communiquer à l’oral comme à l’écrit auprès d’acteurs spécialistes ou non.

Les pré-requis de l’UE :

Aucun

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 85
Tél : 33 (0)2 99 05 32 32 / [email protected]
www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 10 – Matière 2AHUM09 – Semestre 2

TEST DE PERSONNALITE DANS LE MILIEU PROFESSIONNEL

Personality test
Enseignant : Matthieu FLOIRAT
Nombre d’ECTS : 0,5
Volume horaire de travail élève :6
(enseignements + travail personnel)

Répartition des enseignements : 2h de cours et 4h de TP

dont 1h en autonomie

Langue d’enseignement : Français

Logiciels : Sans objet
Documents pédagogiques : Sans objet
Pré-requis : Sans objet

Modalités d’évaluation :
Sans objet

Acquis d’apprentissage (objectifs) :

Les sessions sont consacrées au questionnaire MBTI (MYERS-BRIGGS TYPE INDICATOR) et à la préparation à l'arrivée
dans l'univers professionnel en resserrant et en articulant le concept des préférences psychologiques au monde de
l'entreprise.
Les deux objectifs principaux de cette matière sont :
• la compréhension de soi, au travers de la découverte positive de son Type psychologique MBTI,
• la compréhension des autres au travers de la compréhension positive du fonctionnement des autres types

Principales notions abordées :

L’utilisation accompagnée de l’outil psychométrique MBTI permet aux étudiants de mieux se connaître en termes de
comportements, de motivations, et d’utiliser cette connaissance de soi pour leur orientation professionnelle en
comprenant les situations et les contextes professionnels les plus adaptés à leur personnalité.
Par ailleurs, la prise de conscience de l’existence de fonctionnements différents selon les types de personnalité associée
à une meilleure connaissance de soi, permet aussi de mieux situer son rôle dans une équipe et de mieux valoriser les
atouts de chacun dans le cadre d’un projet. Ces points sont essentiels travailler en mode projet.

Références bibliographiques :
Sans objet

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 86
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 10 – Matière 2AHUM10 – Semestre 2

CONSTRUIRE SON PROJET PROFESSIONNEL

Build your professional profile
Enseignant : Divers intervenants
Nombre d’ECTS : 0,5
Volume horaire de travail élève :6
(enseignements + travail personnel)

Répartition des enseignements : 3h de cours et 3h de TP

: Français
Langue d’enseignement
Logiciels : Word
Documents pédagogiques : Fournis en cours
Pré-requis : Aucun

Modalités d’évaluation :
L’évaluation est réalisée par des professionnels du recrutement à partir d’un CV et d’une lettre de motivation que l’élève
rédige pour répondre à une offre d’emploi ou de stage qu’il a lui-même choisi.

Acquis d’apprentissage (objectifs) :

 Réaliser un CV
 Rédiger une lettre de motivation
Créer et valoriser son profil sur les réseaux professionnels

Principales notions abordées :

La matière « Construire son profil professionnel » comprend la rédaction d’un CV correspondant aux standards de
recrutement actuels, la rédaction d’une lettre de motivation, et la création de son profil sur les réseaux sociaux
professionnels tels que LinkedIn. L’objectif est de communiquer efficacement sur son parcours, en particulier valoriser
ses expériences : parcours académiques, projets, stages, et expériences plus personnelles.

Références bibliographiques :
Fournies en cours

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 87
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2021

UE 10 – Matière 2AHUM07 – Semestre 2

PROJET PROFESSIONEL DES ATTACHÉS

Build your professional profile
Enseignant : Divers intervenants
Nombre d’ECTS :1
Volume horaire de travail élève : 18
(enseignements + travail personnel)

Répartition des enseignements : 18h de TD

Langue d’enseignement : Français

Logiciels : Word
Documents pédagogiques : Fournis en cours
Pré-requis : Aucun

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

Acquis d’apprentissage, objectifs de la matière

- 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.

Principales notions abordées

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, et à les préparer à la campagne de mobilité (CV, lettre de
motivation, choix de postes).
Les séances seront consacrées à :

Les 18 heures seront réparties sur 3 journées organisées comme suit :

- Journée 1 : Intervention sur la matinée, en séance plénière, du représentant de la Division mobilité et carrières
(DMC) du Secrétaire général de l'Insee.. Après-midi entretiens individuels avec la DMC et autres intervenants
pour ceux qui le désirent,
- Journées 2 et 3 : alternance entre séances plénières et ateliers sur la campagne de mutation, les métiers de
l'Insee et la rédaction de CV et lettre de motivation.

Un Forum des métiers de la statistique publique est organisé en Janvier, dans le cadre de la campagne de mutation.

Pré-requis
Aucun

Références bibliographiques
Notices Insee

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 88
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2021

UE 2-10 – Matière 2AHUM11 – Semestre 2

STAGE D’APPLICATION
Application internship
Enseignant : Divers intervenants
Nombre d’ECTS : l’évaluation du stage d’application intervient en 3e année avec une
pondération de 5ECTS.

Modalités d’évaluation :
Le stage de 2e année est évalué :
 par le Maître de stage : résultats par rapport aux objectifs du stage, capacité d’initiative et d’intégration.
 par la Direction des études de l’ENSAI : cette évaluation traduira la qualité méthodologique et
prospective (propositions et préconisations) du rapport de stage, sa qualité rédactionnelle ainsi
que l’esprit critique et la curiosité scientifique de l’élève.

Attention : le rapport de stage 2A étant rendu et évalué en début de 3e année, l’évaluation sera prise en
compte dans l’Unité d’Enseignement « projet professionnel » de 3e année qui comprend également le
stage de fin d’études.

Acquis d’apprentissage (objectifs) :

 insertion dans un milieu professionnel
 application des enseignements 1 et 2A,
 formalisation de la démarche scientifique et communication écrite

Principales notions abordées :

Le stage d’application (statistique, machine learning, économie appliquée) valide la compétence de statisticien
généraliste normalement acquise par tous les élèves à l’issue de la 2 e année. Il doit nécessairement mobiliser des
enseignements de 2e année et notamment l’utilisation d’au moins un outil de modélisation. Le stage peut être effectué
en France ou à l’étranger, dans une entreprise, un centre de recherche public ou privé, une administration ou une
collectivité territoriale. S’il est effectué à l’étranger, ce stage peut permettre de valider la Période obligatoire à l’étranger
(POE).

Références bibliographiques :
Guide du stage 2e année, accessible sur le Career Center de l’ENSAI, onglet Ressources

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 89
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-10 – Semestre 2

COURS LIBRE OPTIONNEL

Enseignant : Divers intervenants

Nombre d’ECTS :1
Volume horaire de travail élève : 30h
(enseignements + travail personnel)

Langue d’enseignement : Sans objet

Logiciels : Sans objet
Documents pédagogiques : Sans objet
Pré-requis : Sans objet

Modalités d’évaluation :
Spécifique à chaque option

Acquis d’apprentissage (objectifs) :

 Développement d’une culture générale dans un domaine scientifique ou des sciences sociales et humaines
non couvert dans les autres UE à l’ENSAI (communication interculturelle, développement durable,
géopolitique, histoire de l’art, l’initiation à l’entrepreneuriat, philosophie, psychologie, physique...),
 Ou s’initier ou se perfectionner dans un domaine artistique (cinéma, dessin, musique, peinture, théâtre...).

Principales notions abordées :

Spécifique à chaque option

Références bibliographiques :
Sans objet

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 90
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

UE 2-10 – Semestre 2

LANGUE OPTIONNELLE

Enseignant : Divers intervenants

Nombre d’ECTS :1
Volume horaire de travail élève : 31h
(enseignements + travail personnel)

Répartition des enseignements : 21 h de cours

Langue d’enseignement : Sans objet

Logiciels : Sans objet
Documents pédagogiques : Sans objet
Pré-requis : Sans objet

Modalités d’évaluation :
Le contenu et les modes de contrôle des connaissances sont décrits dans le fascicule « Programme des enseignements :
Langues. »

Acquis d’apprentissage (objectifs) :

 Développement des compétences communicatives langagières (expression écrite et orale, compréhension
écrite et orale)
 Capacités à décrire et analyser les contextes culturels spécifiques aux peuples qui parlent la langue étudiée.
 Ouverture au monde et à la vie sociale et civique
 La connaissance de soi

Principales notions abordées :

Vocabulaire, syntaxe, culture

Contenu de la matière
6 langues optionnelles sont proposées par l’école :
 Allemand
 Chinois
 Espagnol
 Italien
 Japonais
 Russe

Références bibliographiques :
Sans objet

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 91
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

Bonus

SPORTS
Sports
Enseignant : Divers intervenants

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 condition 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.

Acquis d’apprentissage (objectifs) :

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

Principales notions abordées :

9 activités sportives sont proposées par l’école :
- Badminton
- Basket
- Football
- Hand-ball
- Tennis de table
- Tennis débutant
- Cross training
- Volley-ball
- Course à pied/préparation physique/coaching sportif
Outre les entraînements, les élèves inscrits peuvent être amenés à participer à des compétitions.

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 92
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

Matière 2AOUT01

R-SHINY
Enseignant : Mathieu MARBAC (Ensai)

Répartition des enseignements : 3h de cours

Langue d’enseignement : Français

Logiciels : Sans objet
Documents pédagogiques : Sans objet
Pré-requis : Programmation en R (1A)

Modalités d’évaluation :
Sans objet

Acquis d’apprentissage (objectifs) :

Savoir mettre en place une interface Shiny pour présenter des résultats ou effectuer des calculs/simulations simples

Principales notions abordées :

Initiation au développement d’application R-Shiny

Références bibliographiques :
Sans objet

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 93
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

Matière 2AOUT02

VISUAL BASIC APPLICATION

Enseignant : Steven GOUICHOUX (Insee)

Répartition des enseignements : 6h de cours

Langue d’enseignement : Français

Logiciels : Sans objet
Documents pédagogiques : Sans objet
Pré-requis : Les concepts algorithmiques abordés dans le cours algorithmique et
programmation de 1ère année doivent être maîtrisés.

Modalités d’évaluation :
Sans objet

Acquis d’apprentissage (objectifs) :

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.

Principales notions abordées :

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

Une première demie-journée, à la frontière entre cours magistral et TP, permettra aux élèves de se familiariser avec
l’interface, les bonnes pratiques, les concepts de base, autour d’exemples concrets. Des exercices d’application seront
alors proposés aux élèves.

Une deuxième demie-journée, quelques semaines plus tard, sera consacrée à la correction des exercices, en insistant
sur toutes les bonnes pratiques du langage, sur sa puissance et sa simplicité.

Références bibliographiques :
 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/

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 94
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

Matière 2AOUT03

COMPLEMENTS DE SAS
Enseignant : Khaled LARBI

Répartition des enseignements : 1h30 de cours et 9h de TP

Langue d’enseignement : Français

Logiciels : Sans objet
Documents pédagogiques : Sans objet
Pré-requis : SAS et langage SQL

Modalités d’évaluation :
Sans objet

Acquis d’apprentissage (objectifs) :

L’objectif du cours est de savoir automatiser et paramétrer des traitements à partir du macro langage Sas : créer et
manipuler des macro variables, macro programmes et macro fonctions.

Principales notions abordées :

1. Définition du macro langage
2. Éléments du macro langage : macro variables, macro fonctions et macro programmes.
3. Étape data et macro langage
4. Portée des variables
5. Stockage des macro programmes
6. Déboggage des programmes
7. Macro langage et procédure SQL

Références bibliographiques :
 Decourt O, SAS l’essentiel, Dunod
 Ringuedé S, SAS, Pearson
 Forums et sites : support.sas.com, developpez.net, …
 Chauvet-Peyrard Axelle, Polycopié ENSAE en version interactive :
http://acp.coursinfostat.free.fr/DOC_SAS/SAS4_Macro.htm

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 95
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

Matière 2AOUT034

LIBRE OFFICE BASIC

Enseignant : Samuel TOUBON (Insee)

Répartition des enseignements : 6h de cours/TP

Langue d’enseignement : Français

Logiciels : Sans objet
Documents pédagogiques : Sans objet

Modalités d’évaluation :
Sans objet

Acquis d’apprentissage (objectifs) :

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.

Principales notions abordées :

1. Le langage de programmation Basic :
a. variables, structures conditionnelles et boucles, procédures et fonctions
b. les structures de données usuelles : tableaux et matrices
c. les formats, la gestion des dates
d. le traitement des erreurs
2. L’éditeur LibreOffice :
a. les boîtes de dialogue et les formulaires
b. exécution et débogage du code Basic
3. L’API LibreOffice :
a. manipulation des classeurs, feuilles, cellules
b. l’utilisation de formules de Calc dans Basic et de fonctions Basic dans Calc
4. L’accès aux bases de données

Références bibliographiques :
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

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 96
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

Enseignements spécifiques
Aux élèves attachés

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX
97
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr
 Brique des enseignements de deuxième année 2021/2022

Matière 2ASTA19

MODULE SPECIFIQUE DES ATTACHÉS

Enseignant : Divers intervenants

Modalités d’évaluation :
Sans objet

Acquis d’apprentissage (objectifs) :

L’objectif de ce module est de donner des compléments de formation aux élèves statisticiens publics, utiles pour leur
prise de poste et le suivi du master "évaluation et décision publiques". Cette période de 2 semaines (juin) sera dédiée
à 3 points:- Une formation obligatoire au premier secours (PSC1, 1 journée);- Des séminaires d'1h30 à 3h présentant
des méthodes innovantes en statistique publique et les meilleurs mémoires de master "évaluation et décision
publiques";- La réalisation d'un projet professionnel en autonomie (par groupe de 5 ou 6 élèves) sur des thèmes en
production statistique, méthodologie, études économiques ou informatique. Pour ces projets, il est demandé de
répondre à une commande, après un échange avec la personne proposant le sujet. Le travail est ensuite effectué en
autonomie, sans encadrement spécifique. Une soutenance est effectuée le dernier jour devant l'ensemble des élèves
et personnels impliqués. Il n'y a pas de note associée à ces travaux mais des ECTS sont attribués. La présence et l'assi-
duité sont donc obligatoires. La validation de ce module est une condition de titularisation.Liste de sujets proposés en
2019 Aspect géographique de l'analyse des données à la françaiseRevue de littérature sur le multimodeTravail
méthodologique autour du multimodeLe temps de travail dans la fonction publique territoriale (revue de littérature et
analyse mé-thodologique)Appariement déterministe d'une enquête et d'un fichier fiscalSerious Game (gestion du
temps et de projet)Grammaire appliquée de la datavisualisationMaquette technique du nouveau intranet de l'Insee

Principales notions abordées :

Sans objet

Références bibliographiques :
Sans objet

Campus de Ker Lann, 51 rue Blaise Pascal - BP37203 - 35172 BRUZ CEDEX 98
Tél : 33 (0)2 99 05 32 32 / [email protected]

www.ensai.fr