Université (IMSP)

d’Abomey-Calavi
(UAC)

PROJET D’OFFRE DE FORMATION

Master Recherche: Statistiques et
Probabilité

 Domaine de formation : Sciences et Technologie

 Mention : Mathématiques appliquées
 Spécialité : Statistiques et Probabilité
 Grade : Master
 Entité de formation et de recherche
pilote : Institut de Mathématiques et de Sciences Physiques
(IMSP)

~ Page 1 ~
Contexte et justifications

L'Institut de Mathématiques et de Sciences Physiques (I.M.S.P.) est un centre de formation et

de recherche en mathématiques, en sciences physiques en informatique et en science de l’ingénieur.

Créé par l’arrêté ministériel N°952/MEMS/DGM du 07 novembre 1988 il a pour but d’aider
à:

 la promotion de la Recherche Scientifique en Afrique notamment sub-saharienne,

 la formation de jeunes scientifiques par la recherche et l'enseignement en vue d'un doctorat,

 la motivation des jeunes élèves des lycées et collèges pour les études scientifiques,

 assurer le recyclage des professeurs de l'enseignement secondaire (lycées et collèges),

 assurer la relève du personnel enseignant en rapide diminution dans les universités, les écoles
d'ingénieurs, les Ecoles Normales et les Centres de recherche,

 mettre en œuvre la coopération sud - sud dans les domaines de la recherche et la formation des
étudiants titulaires de la maîtrise, afin de réduire les longs séjours hors du continent africain et
les risques de non-retour de ces étudiants dans leurs pays (fuite des cerveaux).

Par une formation doctorale de haut niveau, dont les orientations et les programmes sont
définis par un conseil scientifique international, l'Institut de Mathématiques et de Sciences
Physiques, comme centre de référence en Afrique, favorise le maintien sur le continent
d'enseignants et de chercheurs en sciences fondamentales et applications. Cette option se justifie
pleinement l’option d’offrir une formation en statistique-probabilités qui sont des branches de
mathématiques devenues indispensables dans quasiment toutes les autres disciplines scientifiques et
formations universitaires.

Le Master recherche en Statistique-Probabilités a pour objectif principal de former des spé-

cialistes de haut niveau possédant une excellente maitrise des techniques statistiques et probabilistes
requis pour la résolution des problèmes de la vie socio-économique et des sciences appliquées, et
qui sont compétents pour relever les défis de la recherche scientifique liée à la statistique et aux
probabilités avec leurs nombres sans cesse croissant d’applications.

~ Page 2 ~
1. Identification de la formation

 Établissement : Université d’Abomey-Calavi

 Domaine de formation : Sciences et Technologie
 Mention : Mathématiques appliquées
 Spécialité : Statistiques et Probabilité
 Grade : Master
 Durée de formation : 4 semestres
 Entité de formation et de recherche pilote : Institut de Mathématiques et de Sciences
Physiques (IMSP)
 Entités de formation et de recherche associées : FAST, Université d'Abomey-Calavi
(Bénin), ENS Libreville( Gabon), Université Cheik Anta Diop de Dakar (Sénégal),
Université Gaston Berger, Saint-Louis (Sénégal), Université Félix Houphouet Boigny,
Abidjan(Côte d'Ivoire), Université Cocody, Abidjan (Côte d'Ivoire), Université Pierre
Marie Curie, (France), Université de Lille (France), Université de Michigan (USA),
Université de Statistique d'Ottawa (Canada)

2. Responsables
Coordonnateur : Carlos OGOUYANDJOU
Coordonnateur adjoint : Guy DEGLA
Secrétaire scientifique : Freedath DJIBRIL MOUSSA

3. Objectifs de la formation

3.1 Objectif général

La théorie des probabilités et la statistique mathématiques sont des domaines à

cheval sur les mathématiques pures et les mathématiques appliquées. A l'issue de la
formation, les étudiants maîtriseront les méthodes probabilistes et statistiques pour la
résolution des problèmes de la vie socio-économique et des sciences appliquées en
général. De plus, ils seront capables de poursuivre des études doctorales en statistique et
probabilités.

3.2 Objectifs spécifiques

A la fin de la formation, le diplômé doit être capable de :

 Reconnaître les connaissances théoriques universitaires de base en mathématiques
fondamentales qui sont indispensables en statistiques et probabilités.
 Maitriser les connaissances théoriques et pratiques universitaires de base en
~ Page 3 ~
 statistique et probabilités.
 Maitriser les méthodes numériques et les divers algorithmes de calcul en
statistique et probabilités.
 Maitriser les logiciels de programmation et de traitement statistiques et
probabilistes.
 Démontrer les comportements et les réflexes d’un chercheur en statistique et
probabilités.
 Participer à un groupe de recherche en statistique et probabilités en tenant compte
des règles de coopération et de travail en groupe.
 Présenter des résultats de recherche en tenant compte des caractéristiques d’un pu-
blic.
 Expliquer des résultats de recherche en statistique et probabilités pour aider à
l’amélioration de ses applications en physique, informatique, biologie, économie,
etc…
 discuter avec d’autres chercheurs des résultats de recherche et de leur validité.
 participer aux réunions de projet de recherche, aux conférences de recherche, aux
rencontres avec des utilisateurs de résultats de recherche en statistique et
probabilités, ainsi qu’aux ateliers de formation de ces derniers.

4. Profil d’entrée

La formation de Master recherche en Statistique-Probabilités est ouverte aux étudiants

béninois et étrangers titulaires d’une licence en Mathématiques fondamentales et autre titre jugé
équivalent par la Commission Universitaire d’Orientation (CUO).

5. Profil de sortie
 Assistant de recherche dans des laboratoires et centres d’étude et de recherche en statis-
tique, probabilités et applications
 Associé pour conduire des travaux dirigés dans la formation des étudiants en classes pré-
paratoires aux grandes écoles
 Candidats pour un cycle doctoral en statistique-Probabilités et applications.
 Enseignants de mathématique et informatique dans les lycées et collèges.
 Conseillers dans des structures régionales de promotion des sciences mathématiques

6. Débouchés
~ Page 4 ~
  Laboratoires et centres d’étude et de recherche en statistique, probabilités et applications
 Ecole doctorale de statistique, probabilités et applications.
 structures régionales de promotion des sciences mathématiques.
 Lycées et collèges d’enseignement secondaire.

7. Modalités d'admission
L'admission à cette formation à partir du semestre 1 se fait sur une étude de dossier.

7.1 Constitution de dossier

Le dossier comporte :

 une demande manuscrite adressée au Directeur de l'IMSP

 une copie légalisée de la Licence ou d'un diplôme équivalent
 un relevé de notes des différents semestres déjà validés de la licence ou de
tout autre diplôme équivalent
 un acte de naissance
 une copie légalisée du certificat de nationalité
 un Curriculum Vitae
 Deux photos d’identité récentes
 une attestation de bourse ou engagement de paiement des frais de
formation, de laboratoire et de stage
 la quittance des frais d'étude de dossier
 l’autorisation de l'employeur pour les personnes en situation d'emploi
 un engagement de paiement des frais de formation, de travaux pratiques et
de stage
 une chemise dossier.

Le dossier de candidature doit être déposé au secrétariat de l’Institut de Mathématiques et de

Sciences Physiques à Dangbo.

7.2 Frais de formation

 Etude de dossier : 15 000 FCFA, non remboursable

 Inscription : 51 200 FCFA
 Formation : 300.000 FCFA
 Laboratoire et stage : 100 000 FCFA, s’il y a lieu.
Les frais sont payables en une seule tranche et sont susceptibles de modification.

~ Page 5 ~
 8. Ressources

8.1- Ressources humaines

8.1.1-Personnel enseignant et qualification
Le personnel enseignant est composé des enseignants-chercheurs de l’IMSP, de la
FAST/UAC et des personnes ressources des institutions partenaires et du monde
professionnel.

N° Nom et Prénoms Qualification

MC/UAC, Géométrie des variétés de type
1 Carlos Ogouyandjou
Hyperbolique,
2 Guy DEGLA MC/UAC, Analyse fonctionnelle, EDP
3 Freedath Djibril Moussa Assistant/UAC, Statistique
4 Bernardin KPAMEGAN Algèbre
5 Guy-Martial Nkiet PT/ENS Gabon, Statistique
6 Mamadou Abdoul Diop PT/UGB Sénégal, Analyse stochastique
7 Papa Ngom PT/UCAD Sénégal, Estimation non paramétrique,
8 Abdou Ka Diongue PT/UGB, Séries temporelles
9 Olivier Wintenberger PT/UPMC, Statistique non paramétrique
10 Sophie Dabo PT/Université de Lille, Statistique fonctionnelle
11 Armel Yodé MC/Université de Cocody, Apprentissage statistique
12 Aliou Diop PT/UGB, Théorie des valeurs extrêmes
13 Karim Oualakacha MC/UQAM, Statistique computationnelle
14 Papa Samba Diop grade/UGB, Econométrie
15 Akim Adepkedjou PT/Massachusetts State University, Analyse de survie

Légende : PT := Professeur Titulaire, MC := Maître de Conférences, MA := Maître Assistant

8.1.2-Personnel administratif (A actualiser)

N° Nom et Prénoms Fonction/Poste
1 TODJIHOUNDE Léonard Directeur / IMSP
2 OGOUYANDJOU Carlos Directeur Adjoint /IMSP
3 ADJOVI Chapdel Secrétaire /IMSP
4 AMITON Cathérine Secrétaire /IMSP
5 A compléter Comptable / IMSP
6 BANKOLE Sem Documentaliste /IMSP
7 HOUNKANLIN Prudence Agent de liaison/ IMSP
8 A compléter Chef Service Administratif /IMSP
9 A compléter Secrétaire Générale /IMSP
10 NOUHOUAÏ Jérôme Documentaliste /IMSP
~ Page 6 ~
 11 SOMADJE Elias Magasinier /IMSP

8.1.3- Personnel technique et de soutien

N° NOM ET PRENOM POSTE
1 ADAHOU-ALLIDAGBE Urbain Agent de sécurité
2 AKONAKPO Z. Cécile Agent d'entretien
3 ANAGO Avocè Agent d'entretien
4 HOUNYE Hotêkpo Conducteur de véhicules administratifs
5 ZANMENOU Dognon Agent de sécurité

8.2- Logistiques et équipements pédagogiques

Salles de cours Bibliothèques Laboratoires

- Amphis de l’IMSP
- 12 Salles de cours de  Bibliothèque de l’IMSP Centre de calcul
l’IMSP

9. Structure et contenu du programme (Table de spécification)

La formation est organisée sur quatre (4) semestres sous forme de cours théoriques, de
séminaires, de travaux dirigés, de stage et de recherche. Les enseignements sont
structurés en Unités d’Enseignement (UE) fondamentales, de spécialisation, de
méthodologie et de culture générale. Un rapport de stage est présenté par l’étudiant à la
fin du quatrième semestre devant un jury. Les unités d’enseignement se présentent ainsi
qu’il suit dans les tables de spécification. –

9.1- Structure des semestres et des Logistiques et équipements

pédagogiques

Structuration du Semestre 1 :
UE 1 : Distribution et Analyse de Fourier
ECUE 1 : Théorie des distributions
ECUE 2 : Analyse de Fourier et Analyse hilbertienne
UE 2 : Complément de topologie générale et espaces fonctionnelles
ECUE 1 : Topologie générale
ECUE 2 : Espaces fonctionnels
UE 3 : Algèbre et géométrie

~ Page 7 ~
ECUE 1 : Algèbre
ECUE 2 : Géométrie
UE 4 : Optimisation et analyse convexe
ECUE 1 : Analyse convexe
ECUE 2 : Optimisation numérique
UE 5: Théorie des Probabilités
ECUE 1 : Probabilités
ECUE : Vecteurs aléatoires et suites de variables aléatoires
UE 6 : Initiation au traitement de texte scientifique
ECUE 1 : Eléments théoriques du traitement de texte scientifique
ECUE 2 : Traitement pratique
UE 7 : Anglais scientifique
ECUE 1 : Expression Ecrite en anglais
ECUE 2 : Expression orale en anglais

Structuration du Semestre 2 :
UE 1 : Modèles linéaires
ECUE 1 : Modèles linéaires 1
ECUE 2 : Modèles linéaires 2

UE 2 : Statistique mathématique
ECUE 1: Exhaustivité et estimation ponctuelle
ECUE 2: Intervalles de confiance et tests paramétriques
UE 3 : Modélisation des phénomènes aléatoires
ECUE 1 Processus Markoviens et applications
ECUE 2: Martingales et applications
UE 4 : Outils informatiques et simulation
ECUE 1 Outils informatiques
ECUE 2: Programmation et simulation
UE 5 : Projets tutorés
ECUE 1 : Préparation et Rapport
ECUE 2 : Présentation du projet
UE 6 : Initiation à la rédaction scientifique
ECUE : Initiation à la rédaction scientifique

Structuration du Semestre 3 :

~ Page 8 ~
UE 1 : Méthodes de Monte-Carlo
ECUE 1 : Analyse bayésienne
ECUE 2 : Méthode de simulation
stochastique MCMC
UE 2 : Séries chronologiques
ECUE 1 : Séries ARIMA et extensions
ECUE 2 : Séries à volatilité et séries multivariées
UE 3 : Analyse des données
ECUE 1 : Analyse en composantes principales et Analyse factorielle des composantes
ECUE 2 : Analyse discriminante, classification et analyse factorielle mixte
UE 4 : Calcul stochastique
ECUE 1: Processus en temps continu
ECUE 2: Intégrales et équations différentielles stochastiques
UE5 : Théorie et pratique des sondages
ECUE 1 : Introduction aux sondages
ECUE 2 : Sondages avec probabilités inégales, stratification et

redressement
UE 6 : Apprentissage statistique
ECUE 1 : Apprentissage non supervisé
EC E 2 : Apprentissage supervisé
UE7 : Epistémologie de la statistique et des probabilités
ECUE : Epistémologie de la statistique et des probabilités
UE Libre : Gestion des entreprises
ECUE : Gestion des entreprises

Structuration du Semestre 4 :
UE 1 : Statistique non paramétrique
ECUE 1 : Tests non paramétriques
ECUE 2 Estimation non paramétrique
UE 2 : Statistique computationnelle
ECUE 1 : Méthodes de rééchantillonnage
ECUE 2 : Analyse numérique pour la statistique
UE 3 : Économétrie des variables qualitatives
ECUE 1 : Modèles dichotomiques
ECUE 2 : Modèles multinomiaux et modèles à variables dépendantes limitées
~ Page 9 ~
UE 4 : Méthodologie de recherche
ECUE Méthodologie de recherche
UE 5: Rédaction du mémoire et soutenance
ECUE 1: Rédaction du mémoire
ECUE 2 : Présentation du mémoire
ECUE 3 : Défense des résultats

9.2- Tables de spécifications

~ Page 10 ~
 Semestre 1
Code Modalités
Contenu des enseignements Enseignements Responsables
des UE TP d’évaluation
CTT CECT
E CC+
UE ECU Cours TD/TP CC ET
ET
UE fondamentales 200 140 160 500 20
Théorie des distributions 30 20 25 Aboubacar
Distribution et analyse de
Analyse de Fourier et Analyse 150 6 x MARCOS/Guy
Fourier 30 20 25
hilbertienne DEGLA
Topologie générale 30 20 25 Aboubacar
Complément de topologie
MARCOS/Liamidi
générale et espaces 150 6 x
LEADI/Bernardin
fonctionnels Espaces fonctionnels 30 20 25
AHOUNOU
Appolinaire
Algèbre 20 15 15 x
DOSSAVI-YOVO
Algèbre et géométrie 100 4
Nom du Prof de
Géométrie 20 15 15 x
géométrie
Analyse convexe 20 15 15 Guy A. DEGLA/
Analyse convexe et Aboubacar
100 4 x
optimisation Optimisation 20 15 15 MARCOS

Unités de découverte ou de spécialité 60 40 50 150 6

Carlos
Probabilité 30 20 25 x
OGOUYANDJOU
Théorie des Probabilités 150 6
Vecteurs aléatoires et suites de variables Carlos
30 20 25 x
aléatoires OGOYANDJOU
Unités de méthodologie 10 20 20 50 2
Eléments théoriques du traitement de
10 - 10
Initiation au traitement de texte scientifique x
50 2 Nom du Prof
texte scientifique Traitement pratique de textes
- 20 10
scientifiques
Unités de culture générale 20 20 10 50 2
Expression Ecrite en anglais 10 10 5 25 x CEBELAE/UAC
Anglais scientifique 2
Expression orale en anglais 10 10 5 25 x CEBELAE/UAC
TOTAL 290 220 240 750 30

~ Page 11 ~
 Semestre 2
Code Modalités
Contenu des enseignements Enseignements Responsables
des UE d’évaluation
TPE CTT CECT
CC+E
UE ECU Cours TD/TP CC ET
T
UE fondamentales 50 40 60 150 6
Modèles linéaires 1 25 20 30 Akim
Modèles linéaires 150 6 x
Modèles linéaires 2 25 20 30 ADEKPEDJOU
Unité de découverte ou de
120 80 100 300 12
spécialité
Exhaustivité et estimation ponctuelle 30 20 25
Statistique mathéma- 150 6 x Guy-Martial NKIET
Intervalles de confiance et tests
tique 30 20 25
paramétriques
Processus markoviens et applications
Modélisation des phé- 30 20 25
Mamadou Abdoul
nomènes aléa- 50 6 x
DIOP
toires Martingales et applications 30 20 25
Unités de méthodologie 30 80 140 250 10
Outils informatiques 15 30 30 Freedath DJIBRIL
Outils informatiques et 150 6 x MOUSSA/Carlos
simulation Programmation et simulation 15 30 30 OGOUYANDJOU

Préparation et Rapport 0 20 30
Responsables de la
100 4 x
Projets tutorés filière
Présentation du projet 0 0 50
Unités de culture générale 10 10 30 50 2
Initiation à la
10 10 30 25 2 x J-P EZIN
rédaction scientifique
TOTAL 210 210 330 750 30

~ Page 12 ~
 Semestre 3
Code CEC Modalités
Contenu des enseignements Enseignements TPE CTT Responsables
des UE T d’évaluation
CC+E
UE ECU Cours TD/TP CC ET
T
UE fondamentales 60 60 80 200 8
Analyse bayésienne 15 15 20
Méthodes de Monte-
Carlo
Méthode de simulation 100 4 x Papa NGOM
15 15 20
stochastique MCMC
Séries ARIMA et extensions 15 15 20
Séries chronologiques Séries à volatilité et séries 100 4 x Abdou Ka DIONGUE
15 15 20
multivariées
Unité de découverte ou de
90 90 120 300 12
spécialité
Analyse en composantes principales
et Analyse factorielle des 20 25 30
composantes 150 6 x Sophie DABO
Analyse des données
Analyse discriminante, classification et
20 25 30
analyse factorielle mixte
Processus en temps continu 25 20 30
Mamadou Abdoul
Calcul stochastique 150 6 x
Intégrales et équations différentielles DIOP
25 20 30
stochastiques
Unités de méthodologie 70 50 80 200 8
Introduction aux sondages 20 10 20
Théorie et pratique Sondages avec probabilités inégales, 100 4 x Aliou DIOP
des sondages stratification et 20 10 20
redressement
Apprentissage non supervisé 15 15 20
Apprentissage statis- 100 4 x Armel YODE
tique
Apprentissage supervisé 15 15 20
Unités de culture générale 10 10 5 25 1
Epistémologie de la 10 10 5 5 1 x Gervais AFFOGNON

~ Page 13 ~
 statistique et des
probabilités
UE Libre 10 10 5 25 1
Gestion des
10 10 5 25 1
entreprises
TOTAL 240 220 290 750 30

Semestre 4
Code CEC Modalités
Contenu des enseignements Enseignements TPE CTT Responsables
des UE T d’évaluation
Unité de découverte ou de
170 130 150 450 18
spécialité
Tests non paramétriques 30 20 25
Statistique non Olivier
Estimation non paramétrique 150 6 x
paramétrique WINTENBERGER
30 20 25

Méthodes de rééchantillonnage 25 25 25
Statistique Karim
50 6 x
computationnelle OUALAKACHA
Analyse numérique pour la statistique 25 25 25

Modèles dichotomiques 30 20 25
Économétrie des
150 6 x Samba Papa DIOP
variables qualitatives Modèles multinomiaux et à variables
30 20 25
dépendantes limitées
Unités de culture générale 20 0 30 50 2
Méthodologie de
20 0 30 50 2 x
recherche
Mémoire et Soutenance 0 20 230 250 10
Rédaction du mémoire Rédaction du mémoire 20 130 150 6
Présentation du mémoire - 0 50 X
et Responsable de la
100 4 X
Défense des résultats - 0 50
Soutenance filière
TOTAL 190 150 410 750 30

~ Page 14 ~
Menu d’UE libres
- Gestion des entreprises
- Méthodes et techniques de développement de la personnalité
- Genre et VIH SIDA
- Code de la route et conduite automobile
- Sport
- Danse

~ Page 15 ~
 Université et de Sciences Physiques
d’Abomey-Calavi (UAC) (IMSP)

 Domaine de formation : Sciences et Technologie

 Mention : Mathématiques appliquées
 Spécialité : Statistiques et Probabilité
 Grade : Master
 Entité de formation et de recherche
pilote : Institut de Mathématiques et de Sciences Physiques
(IMSP)

PROJET D’OFFRE DE FORMATION

ELEMENTS DE PLANS DE COURS OU SYLLABUS

~ Page 16 ~
SEMESTRE 1

~ Page 17 ~
 UE: Distributions et Analyse de Fourier

Code de l’UE: CT: 60 h TD/TP: 40h TPE: 50 h

Enseignements Constitutifs de l’Unité d’Enseignement (ECU)

- Théorie des Distributions
- Analyse de Fourier et analyse hilbertienne

Objectif général :
L’objectif de ce cours est de donner aux étudiants deux grands outils d’analyse
mathématique: la théorie des distributions et l’analyse de Fourier, pratiques dans la
résolution de certaines équations aux dérivées partielles.
Objectifs spécifiques
- Reconnaitre une distribution
- Utiliser les opérations élémentaires sur les opérations
- Utiliser la transformation de Fourier
Contenu :
Distributions
- Rappels d’éléments de topologie, du calcul différentiel et du calcul intégral
- Espaces des fonctions tests : fonctions à support compact et indéfiniment différentiable,
régularisation
- Généralités sur les distributions
- Opérations sur les distributions
- Produit de convolution de distributions
- Transformations de Fourier des distributions tempérées
- Fonctions d'essai, régularisation, théorèmes de densité. Distributions : définition, dériva-
tion, multiplication par une fonction, restriction et support, convergence, régularisation.
- Mesure superficielle sur une hyper surface fermée de l'espace euclidien ; formule des
sauts à plusieurs variables ; formule d'intégration par tranches.
- Convolution de distributions. Solutions élémentaires du laplacien. Applications à la théo-
rie des fonctions harmoniques : principe du maximum, théorème de Liouville.
Analyse de Fourier
- Transformation de Fourier des distributions tempérées,
- Applications à la recherche de solutions tempérée d'équations aux dérivées partielles.
- Théorème de régularité elliptique
Méthodologie d’enseignement-apprentissage

~ Page 18 ~
  Cours magistral
 Travaux dirigés
 Travaux individuels
 Travaux de groupe
Matériel didactique : Plan de cours ; notes de cours ; articles de revues scientifiques et ouvrages;
vidéo projecteur ; tableau ; productions des étudiants pour les exposés ; marqueurs ; craie.

Evaluation des apprentissages : Examen écrit d’une durée de 4 h.

Bibliographie de base et webographie

Responsables de l’UE (principal et associés)

 Prof. Aboubacar MARCOS
 Prof. Guy DEGLA

~ Page 19 ~
 UE: Compléments de topologie générale et espaces fonctionnels

Code de l’UE: CT: 60 h TP/TD: 40 h TPE: 50 h

Enseignements Constitutifs de l’Unité d’Enseignement (ECU)

- Topologie générale
- Espaces fonctionnels

Objectif général :
Donner les bases en topologie générale indispensables pour toute formation en
mathématiques. Aller au-delà des espaces métriques et préparer l’étudiant à se familiariser avec le
cadre général des espaces de dimensions infinies.
Mettre en place les espaces fonctionnels classiques en explicitant les différentes topologies.
Faire ressortir les grands théorèmes utiles en analyse fonctionnelle.

Objectifs spécifiques
- Mise en place des structures fondamentales en topologie
- Connaître les résultats essentiels sur les espaces topologiques et leurs utilisations en analyse
fonctionnelle
- Utiliser les normes et produits scalaires
Contenu :
Topologie générale
- Espaces topologiques : généralités, topologie induite, sous-espaces topologiques. Cas particu-
liers des espaces métriques (ouvert, fermé, sous espace, espace produit)
- Applications continues, Homéomorphismes, Espace métrique complet (Théorème de point
fixe)
- Suites
- Théorème de Hanh-Banach
- Topologie engendrée, produit d’espaces topologiques
- Comparaison de topologie, topologie initiale, topologie associée à une famille
- Compacité, espaces localement compacts, compactification, Théorème de Tychonoff,
- Connexité
- Topologie quotient

Espaces fonctionnels
1) Espaces fonctionnels classiques :

~ Page 20 ~
 - Espaces vectoriels topologiques (topologie associée à une famille de fonctions, familles dé-
nombrables de semi-normes, espaces Ck(I, IR) )
- Applications linéaires continues (cas des espaces vectoriels normés, formes linéaires, dual to-
pologique, cas des semi-normes)
- Espaces complets
- Compacité (Théorème de Riesz, Théorème d’Ascoli-Arzela)
- Densité (Théorème de Weistrass)
2) Espaces Lp, p =1, 2,

Méthodologie d’enseignement-apprentissage
 Cours magistral
 Travaux dirigés
 Travaux individuels
 Travaux de groupe

Matériel didactique : Plan de cours ; notes de cours ; articles de revues scientifiques et ouvrages;
tableau ; productions des étudiants en TD ; marqueurs ; craie.

Evaluation des apprentissages : Examen écrit d’une durée de 4 h.

Responsables de l’UE (principal et associés)

Prof. Aboubacar MARCOS,
Prof. Liamidi LEADI
Dr Bernardin AHOUNOU

Bibliographie de base et webographie

[Link]

~ Page 21 ~
 UE: Algèbre et Géométrie

Code de l’UE: CT: 40 h TP/TD: 30 h TPE: 30 h

Enseignements Constitutifs de l’Unité d’Enseignement (ECU)

- Algèbre
- Géométrie

Objectif général :
Introduire les outils fondamentaux d'algèbre et de géométrie utiles en probabilité et en statistique.

Objectifs spécifiques
- Comprendre les structures algébriques et les règles de calcul dans ces structures
- Utiliser les outils d’algèbre linéaire et de calcul matriciel
- Donner les outils de réduction d’endomorphisme et leurs applications pour la décomposition
en valeurs singulières, les systèmes différentiels, les systèmes de récurrence etc
- Manipuler les normes matricielles
- Expliquer les notions d’immersion, submersion, plongement
- Etudier les sous-variétés de Rn, les espaces tangents, les fibrés tangents, les champs de
vecteurs
- Etudier les flots, courbe intégrale d'un champ de vecteurs, crochet de champs de vecteurs,
dérivée de Lie.

Contenu :
Algèbre
- Structures algébriques. Groupes, anneaux, corps et calculs dans ces structures.
- Représentations linéaires complexes des groupes finis
- Généralités : algèbre d'un groupe, homomorphismes de représentations, somme directe et
produit tensoriel de représentations. Le théorème de semi-simplicité.
- Algèbre linéaire. Rappel sur les espaces vectoriels, Calcul matriciel, Applications linéaires
- Réductions des endomorphismes. Applications : décomposition en valeurs singulières,
système différentiel, systèmes de récurrence, etc.
- Normes matricielles

Géométrie
- Immersion, submersion, plongement
- Sous-variétés de Rn
- Espace tangent, Fibré tangent, champ de vecteurs
- Courbe intégrale d'un champ de vecteurs, flot
- Crochet de champs de vecteurs, dérivée de Lie.
~ Page 22 ~
Méthodologie d’enseignement-apprentissage
 Cours magistral
 Travaux dirigés
 Travaux individuels
 Travaux de groupe

Matériel didactique : Plan de cours ; notes de cours ; articles de revues scientifiques et ouvrages;
tableau ; productions des étudiants en TD ; marqueurs ; craie.
Evaluation des apprentissages : Examen écrit d’une durée de 4 h.
Responsables de l’UE (principal et associés)
- Dr Bernardin KPAMEGAN
Dr Appolinaire DOSSAVIYOVO

Bibliographie de base et webographie

~ Page 23 ~
 UE: Analyse convexe et optimisation

Code de l’UE: CT: 40 h TP/TD: 30 h TPE: 30 h

Enseignements Constitutifs de l’Unité d’Enseignement (ECU)

- Analyse convexe
- Optimisation
Objectif général :
Expliquer les bases de l’analyse convexe et l’appliquer à l’optimisation

Objectifs spécifiques
- Expliquer la convexité
- Utiliser la convexité
- Expliquer l’optimisation
- Utiliser l’optimisation
Contenu :
Analyse convexe
1) Fonctions convexes sur Rn
2) Ensembles convexes
3) Fonctions convexes sur un e.v.n
Optimisation
- Optimisation sans contrainte ;
- Optimisation sous contrainte ;
- Exemples d’application de l’analyse convexe à l’optimisation
- Particularités des aspects pratiques
Méthodologie d’enseignement-apprentissage
 Cours magistral
 Travaux dirigés
 Travaux individuels
 Travaux de groupe

Matériel didactique : Plan de cours ; notes de cours ; articles de revues scientifiques et ouvrages;
tableau ; productions des étudiants en TD ; marqueurs ; craie.

~ Page 24 ~
Evaluation des apprentissages : Examen écrit d’une durée de 4 h.

Responsables de l’UE (principal et associés)

Prof Aboubacar MARCOS

Bibliographie de base et webographie

[Link]

~ Page 25 ~
 UE: Théorie des probabilités

Code de l’UE: CT: 60 h TP/TD: 40 h TPE: 50 h

Enseignements Constitutifs de l’Unité d’Enseignement (ECU)

- Probabilités
- Vecteurs aléatoires et suites de variables aléatoires

Objectif général :
Expliquer les fondements théoriques de la probabilité.

Objectifs spécifiques
L’objectif est d’apprendre le formalisme, les concepts et les résultats de mesure et intégrations
utilisés en théorie des probabilités et étudier les objets aléatoires (variables, vecteurs, suites de
variables) ainsi que leurs caractéristiques et leurs propriétés, qui sont des prérequis indispensables
pour tous les cours en analyse stochastique et en statistique.

Contenu :
Probabilités
- Introduction à la théorie probabiliste. Mesure de probabilité. Expérience aléatoire, probabilité
conditionnelle, Indépendance en probabilité.
- Variables aléatoires réelles. Tribu des boréliens, notion de variable aléatoire, variables dis-
crètes et caractéristiques (moments, fonction de répartition), variables aléatoires absolument
continues (densité, fonction de répartition, moments), fonction génératrice, fonction caracté-
ristique, Inégalités de Markov et de Tchebychev
- Lois discrètes usuelles. Loi uniforme, loi de Bernoulli, loi binomiale, loi géométrique, loi hy-
pergéométrique, loi de Poisson, loi de Pascal….
- Lois continues usuelles. Loi uniforme, loi exponentielle, loi normale, loi normale centrée ré-
duite, loi Gamma, Approximations de la loi binomiale et de la loi de Poisson par la loi nor-
male.

Vecteurs aléatoires et suites de variables aléatoires

- Vecteurs aléatoires. Définition, domaine conjoint de variation, loi conjointe, fonction de répar-
tition conjointe (cas discret et absolument continu), lois marginales (cas discret, cas absolu-

~ Page 26 ~
 ment continu), changement de variables, espérance mathématique, matrice de covariance, in-
dépendance des composantes, fonction caractéristique.
- Distributions conditionnelles. Cas discret et absolument continu, distribution conditionnelle à
un évènement, théorème des probabilités composées, théorème des probabilités totales, théo-
rème de Bayes, espérance et variance conditionnelles.
- Vecteurs gaussiens. Définition, densité de probabilité, fonction caractéristique, non corrélation
et indépendance, fonctions linéaires.
- Comportement asymptotique des suites de variables aléatoires. Convergence en loi, théorème
central-limit. Convergence en probabilité. Convergence en moyenne d’ordre r, Convergence
presque sûre, loi faible et loi forte des grands nombres. Lien entre les différents modes de
convergence.

Méthodologie d’enseignement-apprentissage
 Cours magistral
 Travaux dirigés
 Travaux individuels
 Travaux de groupe

Matériel didactique : Plan de cours ; notes de cours ; articles de revues scientifiques et ouvrages;
matériel de vidéo-projection; tableau ; productions des étudiants en TD ; marqueurs ; craie.

Evaluation des apprentissages : Examen écrit d’une durée de 4 h.

Responsables de l’UE (principal et associés)

- Prof Carlos OGOUYANDJOU

Bibliographie de base et webographie

- Probabilités pour scientifiques et ingénieurs, Patrick BOGAERT, Editions de Boeck, 2015.
- Probabilités, Maurice GAULTIER, Vuilbert, Collection les Sciences fac, 2002.
- Probabilités, analyse de données et statistiques, Gilbert SAPORTA, Editions Technip, 1997.
- An introduction to probability theory and its application, William FELLER, Wiley, 2008.

~ Page 27 ~
 UE: Initiation au traitement de texte scientifique

Code de l’UE: CT: 10 h TP/TD: 20 h TPE: 20 h

Enseignements Constitutifs de l’Unité d’Enseignement (ECU)

- Eléments théoriques du traitement de texte scientifique
- Initiation pratique au traitement de texte scientifique

Objectif général :
Se servir du traitement de texte scientifique pour communiquer

Objectifs spécifiques
- Expliquer les éléments théoriques du traitement de texte scientifique ;
- Utiliser le traitement de texte scientifique.

Contenu :
Eléments théorique du traitement de texte scientifique
- Prise en main du LaTeX : différents modes de saisies de texte sous LaTeX, familiarisation
avec les différentes classes (book, article, report, beamer, etc)
- Théorie de mise en place des références, des citations, de la bibliographie

Initiation pratique au traitement de texte scientifique

- Exercices pratiques sur différentes classes sous LaTeX

Méthodologie d’enseignement-apprentissage
 Cours magistral
 Travaux dirigés / travaux pratiques
 Travaux individuels
 Travaux de groupe

Matériel didactique : Plan de cours ; notes de cours ; articles de revues scientifiques et ouvrages;
tableau ; productions des étudiants en TD ; marqueurs ; craie ; ordinateurs

Evaluation des apprentissages : Examen écrit d’une durée de 4 h.

~ Page 28 ~
Responsables de l’UE (principal et associés)
Equipe Informatique de l’IMSP

Bibliographie de base et webographie

- LaTeX2e

~ Page 29 ~
 UE: Anglais scientifique

Code de l’UE: CT: 20 h TP/TD: 20 h TPE: 10 h

Enseignements Constitutifs de l’Unité d’Enseignement (ECU)

- Eléments théoriques du traitement de texte scientifique
- Initiation pratique au traitement de texte scientifique

Objectif général :
Se servir de la langue anglaise pour communiquer dans la communauté de recherche

Objectifs spécifiques
- Utiliser la langue anglaise à l’écrit pour communiquer dans la recherche
- Utiliser la langue anglaise à l’oral pour communiquer dans la recherche

Contenu :
Expression écrite en anglais scientifique
- Rédiger un abstract conforme aux attentes des comités de lecture anglophones ;
- Structurer son propos à l'anglo-saxonne pour produire un écrit scientifique ;
- Baliser son raisonnement à l’écrit : les formules-clés, les mots de transition ;
- Formuler ses idées en anglais pour produire un écrit scientifique;
- Décrire facilement en anglais écrit des documents scientifiques (images, schémas, tableaux,
formules mathématiques) ;
Expression orale en anglais scientifique
- Structurer son propos à l'anglo-saxonne pour faire un discours ou une présentation;
- Baliser son raisonnement : les formules-clés, les mots de transition ;
- Formuler ses idées en anglais lors d’une présentation ;
- Décrire facilement en anglais des documents scientifiques (images, schémas, tableaux, for-
mules mathématiques) ;
- Affronter avec assurance les questions de l'auditoire ;
- Améliorer sa prononciation à l'aide de quelques astuces

Méthodologie d’enseignement-apprentissage
 Cours magistral
 Travaux dirigés / travaux pratiques

~ Page 30 ~
 Travaux individuels
 Travaux de groupe

Matériel didactique : Plan de cours ; notes de cours ; articles de revues scientifiques et ouvrages;
tableau ; productions des étudiants en TD ; marqueurs ; craie ; ordinateurs

Evaluation des apprentissages : Examen écrit d’une durée de 4 h.

Responsables de l’UE (principal et associés)

M. DOHIGBE, Centre Béninois des Langues Etrangères (CBELAE, UAC)

Bibliographie de base et webographie

~ Page 31 ~
SEMESTRE 2

~ Page 32 ~
 UE: Modèles linéaires

Code de l’UE: CT: 50 h TP/TD: 40 h TPE: 60 h

Enseignements Constitutifs de l’Unité d’Enseignement (ECU)

- Modèles linéaires 1
- Modèles linéaires 2

Objectif général :
Comprendre les modèles de régression linéaires, les méthodes d’inférence et de diagnostique qui
leurs sont spécifiques ainsi que les enjeux de leurs applications a des données réelles.

Objectifs spécifiques
A la fin de cours l’étudiant doit être capable de :
- Effectuer une analyse préliminaire des données pour décider si une analyse de régression est
appropriée
- Définir le modèle linéaire classique, connaitre les hypothèses classiques, l’écriture matricielle,
l’estimation par moindre carres ordinaires, les propriétés des estimateurs et comment juger de
la qualité de l’ajustement.
- Effectuer l’inférence, la prédiction et les diagnostiques sur ce modèle
- Décider des traitements et analyses appropriées en cas de violation des hypothèses classiques
en tenant compte du type de violation
- Faire une régression sur des données transformées et choisir les variables explicatives
pertinentes dans le modèle
- Mettre en œuvre et appliquer ces méthodes sous le logiciel R

Contenu :

Modèles linéaires 1
- Introduction : Analyse préliminaire des données, quand utiliser une analyse de régression,
- Modèle linéaire, définition hypothèses, représentation matricielle, estimation par moindre
carres ordinaires, Propriétés statistiques des estimateurs du coefficient: consistance et conver-
gence en loi. exemples, Théorème de Gauss-Markov, Qualité de l’ajustement, Identifiabilité.
- Inférence : tests d’hypothèses pour comparer des modèles, exemples, tests d'hypothèse sur les
paramètres intervalles de confiance pour les coefficients, intervalle de confiance pour les pré-
dictions, données observées, difficultés pratiques.

~ Page 33 ~
 - Diagnostiques : vérifications des hypothèses sur les erreurs, observations aberrantes dans les
données, vérification de la structure du modèle.
- Mises en œuvre et applications sous le logiciel
.
Modèles linéaires 2

- Violation des hypothèses sur les prédicteurs : erreurs dans les prédicteurs, changements
d’échelle, colinéarité, multi colinéarité
- Violation des hypothèses sur les erreurs : Hétéroskédasticité et Autocorrélation Moindres
carres généralisés, moindres carres pondérés, tests de mauvais ajustement, régression robuste
- Valeurs aberrantes/influentes
- Transformation des données : transformation de la variable expliquée, transformation des pré-
dicteurs
- Sélection des variables, modèles hiérarchiques, procédures basées sur les tests, procédures
bases sur les critères d’information.
- ANOVA
- Mises en œuvre et applications sous le logiciel.

Méthodologie d’enseignement-apprentissage
 Cours magistral
 Travaux dirigés
 Travaux pratiques
 Travaux individuels
 Travaux de groupe

Matériel didactique : Plan de cours ; notes de cours ; articles de revues scientifiques et ouvrages;
tableau ; matériel de vidéo projection; productions des étudiants en TD et TP ; marqueurs ; craie.

Evaluation des apprentissages : Projet et Examen écrit d’une durée de 4 h.

Responsables de l’UE (principal et associés)

- Prof Akim ADEKPEDJOU

Bibliographie de base et webographie

- Régression - Théorie et applications, P-A Cornillon, E. Matzner-Lober, Springer 2006
- Linear regression analysis, G. Seber, 1977
- Linear regression analysis, theory and computing, X. Yan and X. Su, 2009
- Linear Models with R, 2nd Edition, by Julian Faraway
- Applied Linear Statistical Models, 5th edition, by Kutner et al,
- Linear Models Theorey, by Zimmerman

~ Page 34 ~
 UE: Statistique mathématique

Code de l’UE: CT: 60 h TP/TD: 40 h TPE: 50 h

Enseignements Constitutifs de l’Unité d’Enseignement (ECU)

- Exhaustivité et estimation ponctuelle
- Intervalles de confiance et tests paramétriques
Objectif général :
Expliquer les fondements et les outils de la statistique mathématique.

Objectifs spécifiques
A la fin de ce cours, l’apprenant doit être capable de :
- Définir et reconnaitre un modèle statistique, les lois et paramètres
d’échantillonnage, les modèles exponentiels, les statistiques suffisantes,
exhaustives, minimales
- Faire de l’estimation ponctuelle, comparer des estimateurs, connaitre les
estimateurs usuels et leurs propriétés
- Construire les intervalles de confiance et connaitre les intervalles de confiances
des paramètres usuels
- Connaitre les concepts et principes des tests d’hypothèses, construire les tests
et les tests pour les paramètres usuels

Contenu :

Exhaustivité et estimation ponctuelle

- Modèles statistiques : modèles, loi et paramètres d’échantillonnage, statistiques suffisantes,
statistique exhaustive, statistiques minimales, théorème de factorisation, Famille
exponentielle et exhaustivité
- Estimation ponctuelle : Définition d’un estimateur, qualités d’un estimateur, évaluation et
comparaison des estimateurs, Théorème de Lehmann-Scheffe, cas des familles exponentielles,
- Méthodes d’estimation (moments, maximum de vraisemblance), estimateurs usuels et leurs
propriétés.
-

~ Page 35 ~
Intervalles de confiance et tests paramétriques

Estimation par intervalle de confiance : distributions d’échantillonnage, construction des intervalles

de confiance, applications aux paramètres usuels
Tests d’hypothèses : principes de base, erreurs et risques, P-valeur, statistique de tests et
comportement asymptotique, méthode de construction des tests d’hypothèses, théorèmes de
Neymann-Pearson, rapports de vraisemblance, tests paramétriques sur la moyenne, la proportion, la
variance.

Méthodologie d’enseignement-apprentissage
 Cours magistral
 Travaux dirigés
 Travaux individuels
 Travaux de groupe

Matériel didactique : Plan de cours ; notes de cours ; articles de revues scientifiques et ouvrages;
tableau ; matériel de vidéo-projection; productions des étudiants en TD ; marqueurs ; craie.

Evaluation des apprentissages : Examen écrit d’une durée de 4 h.

Responsables de l’UE (principal et associés)

- Prof Guy-Martial NKIET

Bibliographie de base et webographie

- Statistique mathématique, cours et exercices corrigés, B. Cadre et C. Vial, Ellipses 2012.
- Mathematical statistics, J. Shao, Springer , 1998

~ Page 36 ~
 UE: Modélisation des phénomènes aléatoires

Code de l’UE: CT: 60 h TP/TD: 40 h TPE: 50 h

Enseignements Constitutifs de l’Unité d’Enseignement (ECU)

- Processus markoviens et applications
- Martingales et applications

Objectif général :
Expliquer les fondements théoriques de la modélisation des phénomènes aléatoires et leurs
applications.

Objectifs spécifiques
L’objectif est d’apprendre les concepts de base des processus stochastiques et de l’analyse
stochastique notamment la modélisation de phénomènes stochastiques, en particulier pour les
systèmes à évènements discrets ainsi que la définition et l’évaluation de critères de performance. A la
fin de ce cours, l’étudiant doit être capable de définir et utiliser les chaînes de Markov, les processus
markoviens, les martingales et connaitre leurs applications.

Contenu :
Processus markoviens et applications
- Définition des chaînes de Markov et premières applications : équation de la chaleur, ruine du
joueur, problème de Dirichlet.
- Mesures invariantes : définitions, propriétés et exemples.
- Classification des états des chaînes de Markov. Application à la dynamique des populations
(processus de branchement) et aux graphes aléatoires.
- Théorème ergodique et convergence des chaînes de Markov. Application à l'algorithme
PageRank de Google.
- Algorithme stochastique de Hasting-Metropolis et recuit simulé. Applications en mécanique
statistique et au traitement d'images.

Martingales et applications
- Martingales en temps discret. Définitions, Constructions usuelles de martingales, martingales
de carré intégrable, martingales exponentielles.
- Temps d'arrêt, théorème d’arrêt, inégalités maximales, théorèmes de convergence des martin-
gales
- Applications des martingales aux processus de renforcement et à l'algorithme stochastique de
Robbins-Monro.
- Stratégies, arrêt optimal et théorie du contrôle stochastique.

~ Page 37 ~
Méthodologie d’enseignement-apprentissage
 Cours magistral
 Travaux dirigés
 Travaux individuels
 Travaux de groupe

Matériel didactique : Plan de cours ; notes de cours ; articles de revues scientifiques et ouvrages;
tableau ; matériel de vidéo-projection; productions des étudiants en TD ; marqueurs ; craie.

Evaluation des apprentissages : Examen écrit d’une durée de 4 h.

Responsables de l’UE (principal et associés)

- Prof Mamadou Abdoul DIOP

Bibliographie de base et webographie

- Martingales et Chaines de Markov, Baldi, P., Mazliak, L., Priouret, P. 2001 Hermann.
- Exercices de Probabilités (licence, maitrise, ´écoles d’ingénieurs), Cottrell, M., Genon-Cata-
lot, V., Duhamel, C. 1998, Cassini.
- Modèles aléatoires Applications aux sciences de l’ingénieur et du vivant, Delmas, J.-F., Jour-
dain, B. 2006, Springer.
- Probability with Martingales, Williams, D. 1991, Cambridge Mathematical Textbooks
- Promenade aléatoire: chaînes de Markov et martingales, Thierry Bodineau 2013.
- Probability with Applications. M Woodfroofe. Mc Graw-Hill, 1975.

~ Page 38 ~
 UE: Outils informatiques et simulation

Code de l’UE: CT: 30 h TP/TD: 40 h TPE: 60 h

Enseignements Constitutifs de l’Unité d’Enseignement (ECU)

- Outils informatiques
- Simulation

Objectif général :
Ce cours permet de donner aux étudiants une initiation pratique aux concepts de base de la statistique
et de les familiariser aux manipulations des outils de probabilité et à l'analyse statistique à partir d’un
logiciel de référence comme R. Il est en étroite relation avec les notions qui seront abordées plus tard
dans les autres cours de spécialité.

Objectifs spécifiques :
A la fin du cours, l'étudiant doit être capable d'utiliser le logiciel R pour résumer, présenter, analyser
et interpréter des données. Il doit maitriser les objets de base de ce logiciel, la programmation sous R,
les calculs, les graphiques.

Contenu :

Outils informatiques
- Découverte et prise en main de R. L’aide, les packages, les scripts.
- Données. Objets et opérations. Vecteurs, matrices, array, listes et manipulations. Créer, enre-
gistrer, lire des données.
- Importation/exportation de données.
- Statistique descriptive ; résumés numériques et graphiques.
-
Programmation et simulation
- Génération des termes d’une suite, répétition de données ou de calculs, échantillonnage.
- -Lois de probabilité. Echantillonnage, densité, fonction de masse, fonction de répartition
- Représentations graphiques sous R, usage de la fonction plot et variantes, exportation de gra-
phiques

~ Page 39 ~
 - Programmation, structures de contrôles, itérations, vectorialisation, écrire un programme, pro-
grammer ses propres fonctions
- Analyses statistiques, les intervalles de confiances et les tests statistiques, les packages et les
fonctions generiques d’analyse statistique
- Reproductibilité des simulations et des calculs.

Méthodologie d’enseignement-apprentissage
 Cours magistral
 Travaux pratiques
 Travaux individuels
 Travaux de groupe

Matériel didactique : Plan de cours ; notes de cours ; articles de revues scientifiques et ouvrages;
production des étudiants en TP ; tableau ; marqueurs ; craie.

Evaluation des apprentissages : Projet.

Responsables de l’UE (principal et associés)

- Prof Carlos OGOUYANDJOU
-Dr Freedath DJIBRIL MOUSSA
Bibliographie de base et webographie
Manuels distribués avec le logiciel
- An Introduction to R [[Link]],
- R Installation and Administration [[Link]],
- R Data Import/Export [[Link]],
- R Language Definition [[Link]]

~ Page 40 ~
 UE: Projets tutorés

Code de l’UE: CT: 0 h TP/TD: 20h TPE: 80 h

Enseignements Constitutifs de l’Unité d’Enseignement (ECU)

- Préparation et Rapport
- Présentation du projet

Objectif général :
Encadré par un enseignant chercheur, l'étudiant travaillera sur un thème en probabilités et/ou
statistique et présentera un rapport rendant compte du travail effectué.

Objectifs spécifiques :
Il s’agit d’initier l’étudiant à s’organiser de façon plus autonome pour étudier un sujet avancé de
probabilité ou de statistique, lui permettant de mobiliser les acquis des divers cours suivis tout au
long de l’année. C’est également un apprentissage/un exercice pratique de recherche bibliographique,
de rédaction scientifique, de présentations écrite et orale des résultats scientifiques à l’aide des outils
et matériels informatiques de référence dans le domaine.

Contenu :

Préparation et Rapport
- Recherche bibliographique en lien avec le thème
- Etude des références bibliographiques
- Discussion avec les membres du groupe de recherche en probabilité-statistique et
l’enseignant-chercheur encadreur des points d’ombre et de l’évolution du travail
- Proposition d’une ossature finale du travail qui tienne compte des divers échanges et résultats
de recherche autour du sujet
- Rédaction du rapport de projet dans le respect des règles de rédaction scientifique

Présentation du projet
Présentation orale du rapport de projet sur la base d’un fichier beamer clair et autres supports
appropriés.

Méthodologie d’enseignement-apprentissage
 Travaux individuels

~ Page 41 ~
 Séances avec le groupe de recherche en statistique et probabilité et/ou l’enseignant-chercheur en-
cadreur.

Matériel didactique : articles de revues scientifiques et ouvrages; tableau ; marqueurs ; craie ; vidéo
projecteur.

Evaluation des apprentissages : Rapport d’encadrement et examen oral d’une durée d’une heure.

Responsables de l’UE (principal et associés)

- Responsable de filière

Bibliographie de base et webographie

~ Page 42 ~
 UE: Initiation à la rédaction scientifique

Code de l’UE: Constitutifs

Enseignements CT: 10 deh l’Unité
TD/TP : 10h TPE: 30
d’Enseignement h
(ECU)
- Initiation à la rédaction scientifique

Objectif général :
Mettre en œuvre une démarche de recherche et de développer des compétences qui
relèvent de la recherche (démarche de travail, mode de raisonnement, veille documentaire,
maîtrise de méthodologies, ...)
Objectifs spécifiques
- Expliquer les différents éléments de la rédaction scientifique
- Mettre en œuvre la rédaction scientifique

Contenu :
- L’éthique en recherche scientifique
- Les étapes d’une recherche
o Choix du sujet
o Problématique
o Hypothèses et exigences
o Méthodologie
o Mise en œuvre
o Analyse et Interprétation des résultats

- Éléments de présentation du mémoire et rédaction

- La soutenance

Méthodologie d’enseignement-apprentissage
 Cours magistral
 Travaux dirigés
 Travaux individuels
 Travaux de groupe

Matériel didactique : Plan de cours ; notes de cours ; articles de revues scientifiques et ouvrages;

~ Page 43 ~
vidéo projecteur ; tableau ; productions des étudiants pour les exposés ; marqueurs ; craie.

Evaluation des apprentissages : Examen écrit d’une durée de 4 h.

Bibliographie de base et webographie

Responsables de l’UE (principal et associés)

~ Page 44 ~
SEMESTRE 3

~ Page 45 ~
 UE: Méthodes de Monte Carlo

Code de l’UE: CT: 30 h TP/TD: 30 h TPE: 40 h

Enseignements Constitutifs de l’Unité d’Enseignement (ECU)

- Analyse bayésienne
- Méthodes de simulation stochastique MCMC

Objectif général :
Ce cours a pour objectif d’apprendre aux étudiants les méthodes de simulation stochastique
indispensables pour les nombreux aspects calculatoires et computationnels de la statistique et de la
probabilité et de leurs applications.

Objectifs spécifiques
A la fin de ce cours, l’apprenant doit maitriser les bases de l’analyse bayésienne, les méthodes de
simulation de nombres pseudo-aléatoires, d’objets aléatoires pour les calculs en probabilité et
statistique. Il doit maitriser les méthodes de type Monte-Carlo, Monte-Carlo par chaîne de Markov
ainsi que les méthodes de type Espérance- Maximisation (EM). De plus, l’apprenant doit être capable
de mettre en œuvre ces différentes méthodes sous un logiciel de référence comme R.

Contenu :
Analyse bayésienne
- Introduction à l’analyse bayésienne : Introduction, de l’info a priori aux lois a priori, infé-
rence statistique-approche décisionnelle.
- Similitudes-différences avec l’approche fréquentiste, intérêts et limites.
- Inférence bayésienne : estimation, intervalles de confiance, tests d’hypothèses, consistance et
normalité asymptotique de loi a posteriori
- Mises en œuvre et applications sous le logiciel


Méthodes de simulation stochastique MCMC

- Simulation de nombres pseudo-aléatoires, Simulation de variables aléatoires, acceptation re-

jet, échantillonnage préférentiel
- Méthode de Monte Carlo, Monte Carlo par chaîne de Markov
- Méthodes Espérance- Maximisation (EM)
- Mises en œuvre et applications sous le logiciel

~ Page 46 ~
Méthodologie d’enseignement-apprentissage
 Cours magistral
 Travaux dirigés
 Travaux pratiques
 Travaux individuels
 Travaux de groupe

Matériel didactique : Plan de cours ; notes de cours ; articles de revues scientifiques et ouvrages;
tableau ; productions des étudiants en TD et TP ; marqueurs ; craie.

Evaluation des apprentissages : Projet et Examen écrit d’une durée de 4 h.

Responsables de l’UE (principal et associés)

- Prof Papa NGOM

Bibliographie de base et webographie

- Christian Pascal Robert : L’analyse bayésienne, Ed Dunod 1996.
- C.P Robert : Le choix bayésien, Ed Springer-Verlag (2006) Paris
- Berger J. : Statistical Decision Theory and Bayesian analysis, Ed Springer-Verlag. New-York
- Bernard J. & Smith A. : Bayesian theory, Ed J. Wiley (1994) ; New-York

~ Page 47 ~
 UE: Séries chronologiques

Code de l’UE: CT: 30 h TP/TD: 30 h TPE: 40 h

Enseignements Constitutifs de l’Unité d’Enseignement (ECU

- Séries ARIMA et extensions
- Séries à volatilité et séries multivariées.

Objectif général :
Expliquer les fondements des séries chronologiques, les différents modèles classiques de séries
chronologiques et les méthodes d’inférence et de prédiction pour ces modèles.

Objectifs spécifiques
A la fin de ce cours, l’apprenant doit :
- Maîtriser les principaux outils de filtrage des séries chronologiques univariées et les trois
étapes de la méthodologie de Box-Jenkins : identification, estimation, validation d’un modèle
appartenant à la classe ARIMA(p,d,q).
- Maîtriser les extensions des modèles ARIMA(p,d,q) et particulièrement la prise en compte de
saisonnalité en utilisant la classe des processus SARIMA(p,d,q)x(P,D,Q)
- Maîtriser le processus de construction de prévisions de l’espérance conditionnelle d’une série
- temporelle pour différents horizons à partir d’un processus estimé et validé avec estimation
des
- intervalles de confiance associés.
- Connaitre les propriétés des processus non stationnaires à tendance déterministe ou intégrés.
Maitriser les tests de racine unitaire les plus populaires et savoir interpréter leurs résultats.
- Comprendre les modèles VAR et la cointégration.
- Maitriser les modèles GARCH et quelques-unes de ses extensions.
- Réaliser les simulations et inférence statistique de ces modèles sous le logiciel R.
-
Contenu :

Séries ARIMA et extensions

- Généralités sur les séries chronologiques : introductions, exemples, composantes d’une série
chronologique, décompositions et modèles de décomposition d’une série chronologique.
- Processus stationnaires : définition, propriétés des séries stationnaires, fonction d’auto cova-
riance et d’autocorrélation, théorème de décomposition de Wold, bruit blanc et processus li-

~ Page 48 ~
 néaires, modèles AR, MA, ARMA, identification, estimation des paramètres, diagnostic et
prédiction pour chacun de ces modèles.
- Processus non stationnaires : introduction, non stationnarité en moyenne, tests de non station-
narité, tests de racines unitaires, méthodes d’identification, modèles ARIMA et modèles SA-
RIMA.
- Mise en œuvre et applications sous le logiciel.
-
Séries à volatilité et séries multivariées

- Processus à volatilité stochastique: modèles ARCH et GARCH, estimation, prédiction, tests et

prédiction de la volatilité.
- Processus VAR : modèle AR vectoriel, décomposition de Wold, représentation vector average,
estimation et prédiction, analyse structurelle, Co-intégration et modèle à correction d’erreur.
- Mise en œuvre et applications sous le logiciel.

Méthodologie d’enseignement-apprentissage
 Cours magistral
 Travaux dirigés
 Travaux pratiques
 Travaux individuels
 Travaux de groupe

Matériel didactique : Plan de cours ; notes de cours ; articles de revues scientifiques et ouvrages;
tableau ; productions des étudiants en TD et TP ; marqueurs ; craie.

Evaluation des apprentissages : Projet, contrôle continu et Examen écrit d’une durée de 4 h.

Responsables de l’UE (principal et associés)

-Prof Abdou Ka DIONGUE

Bibliographie de base et webographie

- Peter J. Brockwell Richard A. Davis, Introduction to Time Series and Forecasting, Second
Edition.

~ Page 49 ~
- Robert H. Shumway, David S. Stoffer, Time Series Analysis and Its Applications, With R Ex-
amples, Third edition, Springer.
- Box, G.E.P. and Jenkins, G.M. Time series analysis: forecasting and control, San Francisco,
Holden Day.
- Box, G.E.P. and Pierce, D.A. Distribution of residual autocorrelation in ARIMA time series
models, Journal of American Statistical Association, 65 (1970), 1509-1526.
- Gouriéroux, C. et Monfort, A. Séries temporelles et modèles dynamiques, Economica.
- Lubrano, M. Modélisation économétrique des séries temporelles non stationnaires, GREQE-
CNRS, Marseille, 1999.
-

~ Page 50 ~
 UE: Analyse de données

Code de l’UE: CT: 40 h TP/TD: 50 h TPE: 60 h

Enseignements Constitutifs de l’Unité d’Enseignement (ECU)

- Analyse en composantes principales et Analyse factorielle des composantes
- Analyse discriminante, Classification et Analyse factorielle des données mixtes

Objectif général :
L’objectif de ce cours est de comprendre des méthodes de la statistique exploratoire
multidimensionnelle.

Objectifs spécifiques
A la fin de ce cours, l’apprenant doit connaitre et être capable de mettre en œuvre sous un logiciel de
référence, les méthodes de la statistique exploratoire multidimensionnelle que sont : l’analyse en
composantes principales, l’analyse factorielle des correspondances binaires et multiples, l’analyse
discriminante et les méthodes de classification.

Contenu :
Analyse en composantes principales et Analyse factorielle des composantes

- Introduction à l’Analyse factorielle : principales méthodes d’analyse de données, méthodes,

données multivariées : tableau de données brutes, principe des analyses factorielles, Matrice
de variance-covariance, Matrice de corrélation, Tableau des données centrées-réduites.
- Analyse en composantes principales (ACP) : Objectif, Espace des individus, Inertie Espace
des variables, Construction d’un espace factoriel, Interprétation des résultats, ACP normée.
- Analyse factorielle des composantes simples (AFC) : données, Marges et Profils, Mesure de
l’écart à l’indépendance, Analyse des profils, ACP sur un tableau de contingence, ACP des
profils-lignes, Interprétation de l’AFC.
- Analyse factorielle des correspondances multiples (AFCM) : Tableau disjonctif et tableau de
contingence, Coordonnées des catégories, coordonnées des individus, Comparaison AFC et
AFCM, AFCM du tableau de Burt, Variables quantitatives dans une AFCM.
- Mise en œuvre et applications sous le logiciel.

Analyse discriminante, Classification et Analyse factorielle des données mixtes

- Analyse discriminante : Analyse discriminante décisionnelle, Analyse factorielle discrimi-

nante.
- Classification : Classification Ascendante Hiérarchique, Classification par centres mobiles.

~ Page 51 ~
 - Analyse factorielle des données mixtes (AFDM) : Données mixtes, AFDM, Les nuages de
points, Les axes factoriels, Représentation des individus et des variables.
- Mise en œuvre et applications sous le logiciel.

Méthodologie d’enseignement-apprentissage
 Cours magistral
 Travaux dirigés
 Travaux pratiques
 Travaux individuels
 Travaux de groupe

Matériel didactique : Plan de cours ; notes de cours ; articles de revues scientifiques et ouvrages;
tableau ; matériel de vidéo-projection; productions des étudiants en TD et TP ; marqueurs ; craie.

Evaluation des apprentissages : Projet et Examen écrit d’une durée de 4 h.

Responsables de l’UE (principal et associés)

-Prof Sophie DABO NIANG

Bibliographie de base et webographie

- Saporta, Gilbert. Probabilités, analyse des données et statistique. Editions Technip, 2006.
- Lebart, Ludovic, Alain Morineau, and Marie Piron. Statistique exploratoire multidimension-
nelle. Paris: Dunod, 1995.
- Johnson, Richard Arnold, and Dean W. Wichern. Applied multivariate statistical analysis.
Upper Saddle River, NJ: Prentice hall, 2002.
- Härdle, Wolfgang, and Léopold Simar. Applied multivariate statistical analysis. Berlin:
Springer, 2007.
- Husson, Lê, Pagès. Analyse de données avec R. Presses Universitaires de Rennes, 2009.

~ Page 52 ~
 UE: Calcul stochastique

Code de l’UE: CT: 50 h TP/TD: 40 h TPE: 60 h

Enseignements Constitutifs de l’Unité d’Enseignement (ECU)

- Mouvement brownien
- Analyse stochastique

Objectif général :
L’objectif de ce cours est de comprendre les principaux outils du calcul stochastique à
travers l'objet central qu’est le mouvement brownien qui modélise des situations très diverses, allant
de l'ingénierie à la finance en passant par la biologie. Il s’agit donc de décrire ce processus d'une
importance fondamentale en probabilités, puis de construire un calcul différentiel dans ce contexte
stochastique exigeant.

Objectifs spécifiques
A la fin de ce cours, l’apprenant doit connaitre les processus à temps continu, les martingales et les
mouvements browniens à temps continu, l’intégrale stochastique, la formule d’Itô et ses
applications, ainsi que la résolution des équations différentielles stochastiques.

Contenu :
Mouvement brownien

- Martingales à temps à temps continu: Rappels sur les espérances conditionnelles, Filtrations
et martingales, Intégrabilité uniforme, Filtration à temps continu et temps d’arrêt, Martingales
à temps à temps continu, Convergences et théorèmes d’arrêt continu.
- Mouvement brownien et processus à temps continu. Construction du mouvement
Brownien, Propriétés du mouvement brownien

Analyse stochastique
- Intégration Stochastique, Intégrale stochastique, Formule d’Itô, Processus d’Itô.
- Équations différentielles stochastiques
- Théorème de représentation des martingales
- Théorème de Girsanov
- Formule de Black et Scholes
- Représentation de Feynman-Kac

Méthodologie d’enseignement-apprentissage
 Cours magistral
 Travaux dirigés

~ Page 53 ~
 Travaux individuels
 Travaux de groupe

Matériel didactique : Plan de cours ; notes de cours ; articles de revues scientifiques et ouvrages;
tableau ; matériel de vidéo-projection, productions des étudiants en TD ; marqueurs ; craie.

Evaluation des apprentissages : Examen écrit d’une durée de 4 h.

Responsables de l’UE (principal et associés)

-Prof Mamadou Abdoul DIOP

Bibliographie de base et webographie

1. R. Durrett: Stochastic calculus. A practical introduction. Probability and Stochastics Series.
CRC Press, 1996.
2. I. Karatzas, S. Shreve: Brownian motion and stochastic calculus. Second edition. Springer-
Verlag, 1991.
3. D. Revuz, M. Yor: Continuous martingales and Brownian motion. Third edition. Springer-
Verlag, 1999.

4. J. M. Steele, Stochastic Calculus and Financial Applications, Springer 2001.

5. R. Durrett, Probability: Theory and Examples, Cambridge 2010.

6. B. Øksendal, Stochastic Differential Equations, Springer 1998.

~ Page 54 ~
 UE: Théorie et pratique des sondages

Code de l’UE: CT: 40 h TP/TD: 20 h TPE: 40 h

Enseignements Constitutifs de l’Unité d’Enseignement (ECU)

- Introduction aux sondages
- Sondages avec probabilités inégales, stratification et redressement

Objectif général :
L’objectif de ce cours est de comprendre les fondements de la théorie des sondages.

Objectifs spécifiques
A la fin de ce cours, l’apprenant doit être capable de :
- comprendre les fondements théoriques des méthodes de sondage
- Imaginer et Comprendre les plans d’enquêtes mis en œuvre dans les enquêtes par sondage
- Calculer la taille de l’échantillon suivant la précision attendue
- Tirer un échantillon suivant la méthode de sondage retenue.
- Connaitre les problèmes méthodologiques dans l’exploitation des données recueillies par
sondage.
- Interpréter de manière critique les résultats d’enquêtes par sondage.

Contenu :
Introduction aux sondages
- Généralités sur les sondages : Introduction, Echantillonnage, Inférence, Les différentes mé-
thodes de sondage, sondages probabilistes, sondages empiriques,, Interprétation des sondages,
- Différentes types d’erreurs rencontrées dans les enquêtes, Du mauvais usage des sondages.
- Sondage aléatoire simple, Introduction, Echantillon et plan de sondage, Estimateur de Hor-
vitz-Thompson, Plan simple sans remise, Plan simple avec remise, Question de la taille de
l’échantillon.
- Sondage à plusieurs degrés : Définitions, Estimateur, Variance.

Sondages avec c probabilités inégales, stratification et redressement

- Sondage à probabilités inégales : Introduction, Exemple concret, Calcul des probabilités d’in-
clusion, Estimateur de Horvitz-Thompson.
- Sondage stratifié: Stratification a priori, Stratification a postériori,
- Sondage par quota

~ Page 55 ~
 - Méthodes de redressement de l’échantillon et traitement des non réponses.

Méthodologie d’enseignement-apprentissage
 Cours magistral
 Travaux dirigés
 Travaux individuels
 Travaux de groupe

Matériel didactique : Plan de cours ; notes de cours ; articles de revues scientifiques et ouvrages;
tableau ; matériel de vidéo-projection, productions des étudiants en TD ; marqueurs ; craie.

Evaluation des apprentissages : Examen écrit d’une durée de 4 h.

Responsables de l’UE (principal et associés)

-Prof Aliou DIOP

Bibliographie de base et webographie

- Sampling Methods Exercises and Solutions, Pascal Ardilly, Yves Tillé
- Les techniques de sondages, Pascal Ardilly, Edition TECHNIP, 2006
- Sampling techniques, Cochran W., Wiley 2007.

~ Page 56 ~
 UE: Apprentissage statistique

Code de l’UE: CT: 30 h TP/TD: 30 h TPE: 40 h

Enseignements Constitutifs de l’Unité d’Enseignement (ECU)

- Apprentissage non supervisé
- Apprentissage supervisé

Objectif général :
L’objectif de ce cours est de présenter les méthodes de modélisation décisionnelle (outils et
algorithmes d’apprentissage) sur la base de données à travers l’apprentissage supervisé et
l’apprentissage non supervisé puis initier les apprenants a l’application pratique de ces méthodes avec
le logiciel R.

Objectifs spécifiques
A la fin de ce cours, l’apprenant doit connaitre
- les méthodes et algorithmes de l’apprentissage non supervisé, (Analyse des composantes prin-
cipales, mesures d’éloignement, Méthodes par partitionnement, k-means, centres mobiles,
nuées mobiles, Méthodes de regroupement hiérarchique, Réseaux de neurones, apprentissage
profond, Méthodes de réduction de dimension)
-

- les méthodes et algorithmes de l’apprentissage supervisé, les généralités sur les sondages, les
méthodes de sondages importantes comme : le sondage aléatoire simple, le sondage stratifié, le
sondage à tirage systématique, le sondage par grappes, le sondage aléatoire à tirage avec probabilités
inégales et le sondage à plusieurs degrés.
.

Contenu :

Apprentissage non supervisé

- Analyse des composantes principales, mesures d’éloignement,
- Méthodes par partitionnement, k-means, centres mobiles, nuées mobiles,
- Méthodes de regroupement hiérarchique
- Réseaux de neurones, apprentissage profond,
- Méthodes de réduction de dimension,
- Mise en œuvre et applications sous le logiciel.

Apprentissage supervisé

~ Page 57 ~
 - Modélisation, Règles d d’apprentissage, prédiction, Algorithme d’apprentissage, erreur de gé-
néralisation, consistance d’un algorithme, Minimisation du risque structurel,
- Evaluation et sélection de modèle, dimension de Vapnik,
- Séparateurs à vaste marge : Principe général, SVM pour des données linéairement séparables,
SVM pour des données linéairement non séparables,
- Arbres de décision et forets d’arbres de décision,
- Mise en œuvre et applications sous le logiciel.

Méthodologie d’enseignement-apprentissage
 Cours magistral
 Travaux dirigés
 Travaux pratiques
 Travaux individuels
 Travaux de groupe

Matériel didactique : Plan de cours ; notes de cours ; articles de revues scientifiques et ouvrages;
tableau ; matériel de vidéo-projection, productions des étudiants en TD et TP ; marqueurs ; craie.

Evaluation des apprentissages : Projet et Examen écrit d’une durée de 4 h.

Responsables de l’UE (principal et associés)

-Prof Armel YODE

Bibliographie de base et webographie

- Massih-Reza Amini, Apprentissage machine de la théorie à la pratique, edition Eyrolles,
2015.
- Vladimir N. Vapnik, The nature of Statistical learning. Second edition. Springer-Verlag, 2010

~ Page 58 ~
 UE: Histoire des probabilités et de la statistique

Code de l’UE: CT: 10 h TP/TD: 10h TPE: 5 h

Enseignements Constitutifs de l’Unité d’Enseignement (ECU)

Objectif général :
Comprendre l’histoire des probabilités et de la statistique et leur place par rapport à
d’autres disciplines classiques et nouvelles
Objectifs spécifiques
- A la fin de cours, l’apprenant doit connaitre l’histoire des probabilités et de la sta-
tistique pour comprendre :
- leurs liens avec les autres domaines des mathématiques et avec les autres
sciences,
- la progression de la recherche scientifique en statistique, probabilités et leurs
applications.

Contenu :

- Débuts des probabilités avant le 17eme siècle

- Débuts de la théorie des probabilités au 17eme siècle: les jeux de hasard, Cardano, Pascal,
Fermat, l’équiprobabilité, les gains espérés, Leibniz, Laplace, Bernoulli, Bayes, Poisson,
Huygens, Moivre…
- Naissance de la théorie des probabilités basée sur la théorie de la mesure et de l’intégration
au 20eme siècle : Kolmogorov, Markov, Doob, Bachelier, Kolmogorov… début des équa-
tions différentielles stochastiques. Naissance des sciences application de la théorie de proba-
bilités notamment les mathématiques financières, la théorie de l’information, le traitement du
signal, la physique statistique
- Historique des lois de probabilités usuelles
- Développement de la théorie des probabilités après le 20eme siècle

~ Page 59 ~
 - Les origines de la statistique
- Les approches bayésienne et fréquentiste
- L’inférence statistique : les apports de la théorie des probabilités
- Les évolutions de la statistique depuis les ordinateurs : les logiciels spécialisées, les algo-
rithmes, les méthodes computationnelles
- Les évolutions de la statistique en lien avec l’invention des serveurs et le déluge de données :
l’intelligence artificielle, l’apprentissage statistique, le data mining, l’analyse des données
massives, les problèmes théoriques liés a ces nouvelles données : la statistique et les outils
probabilistes dans des espaces de dimension infinie, des variétés etc

Méthodologie d’enseignement-apprentissage
 Cours magistral
 Travaux dirigés
 Travaux individuels
 Travaux de groupe

Matériel didactique : Plan de cours ; notes de cours ; articles de revues scientifiques et ouvrages;
vidéo projecteur ; tableau ; productions des étudiants pour les exposés ; marqueurs ; craie.

Evaluation des apprentissages : Examen écrit d’une durée de 4 h.

Responsables de l’UE (principal et associés)

Gervais AFFOGNON

Bibliographie de base et webographie

- E. Barbin, J-P Lamarche, Histoires de probabilités et de statistiques, IREM Epistémologies et
histoire des mathématiques, 2004.

~ Page 60 ~
SEMESTRE 4

~ Page 61 ~
 UE: Statistique non paramétrique

Code de l’UE: CT: 60 h TP/TD: 40 h TPE: 50 h

Enseignements Constitutifs de l’Unité d’Enseignement (ECU)

- Tests non paramétriques
- Estimation non paramétrique

Objectif général :
L’objectif de ce cours est de comprendre les méthodes fondamentales de la statistique non
paramétrique.

Objectifs spécifiques
A la fin de ce cours, l’apprenant doit savoir poser et réaliser des tests d’hypothèses non
paramétriques, savoir estimer une fonction de densité et une fonction de régression par diverses
méthodes non paramétriques, savoir effectuer ces tests et méthodes d’estimation sous le logiciel R.
Contenu :
Tests non paramétriques
- test d’adéquation de Kolmogorov, tests de normalité
- Tests d’indépendance de deux échantillons
- Tests de comparaison de plusieurs groupes
- Test de Mann-Whitney, test de Wilcoxon, test de Kruskall-Wallis, test de Friedmann, Test de
Spiermann,
- Mise en œuvre et applications sous le logiciel.

Estimation non paramétrique

- Introduction, Estimation de la fonction de régression, Premier compromis biais-variance, Cri-
tère de sélection de modèle heuristique de Mallows
- Estimation par la méthode du noyau : Définition, Propriétés ponctuelles des estimateurs à
noyau, Risque asymptotique exacte en un point, Risque quadratique intégré, Validation croi-
sée

~ Page 62 ~
 - Estimation de la fonction de régression par polynômes locaux : Estimateur par polynôme lo-
caux, Biais-Variance des estimateurs par polynôme locaux, Validation croisée
- Estimation par projection : le modèle, Risque quadratique intégré, Comportement du risque
- Mise en œuvre et applications sous le logiciel.

Méthodologie d’enseignement-apprentissage
 Cours magistral
 Travaux dirigés
 Travaux pratiques
 Travaux individuels
 Travaux de groupe

Matériel didactique : Plan de cours ; notes de cours ; articles de revues scientifiques et ouvrages;
tableau ; matériel de vidéo-projection, productions des étudiants en TD et TP; marqueurs ; craie.

Evaluation des apprentissages : Projet et Examen écrit d’une durée de 4 h.

Responsables de l’UE (principal et associés)

-Prof Olivier WINTENBERGER

Bibliographie de base et webographie

- Introduction to Nonparamétric Estimation, Alexandre B. Tsybakov, Springer

~ Page 63 ~
 UE: Statistique computationnelle

Code de l’UE: CT: 50 h TP/TD: 50 h TPE: 50 h

Enseignements Constitutifs de l’Unité d’Enseignement (ECU)

- Méthodes de rééchantillonnage
- Analyse numérique pour la statistique

Objectif général :
L’objectif de ce cours est de comprendre les méthodes fondamentales de la statistique
computationnelle.

Objectifs spécifiques
A la fin de ce cours, l’apprenant doit connaitre les méthodes de rééchantillonnage (jacknife, bootstrap
et variantes pour l’estimation ponctuelle et l’estimation par intervalle de confiance, ainsi que les
outils d’analyse numérique pertinents comme les méthodes de quadrature et d’intégration numérique,
d’algèbre linéaire numérique, de résolution d'équations non linéaires et optimisation et d’optimisation
combinatoire. Il doit pouvoir réaliser et coder ces méthodes sous le logiciel R.

Contenu
Méthodes de rééchantillonnage
- Le jacknife (estimation du biais, estimation de la variance, conditions d'applications du
Jacknife).
- Le Bootstrap (principe de substitution, estimation de la variance par le Bootstrap, extension à
des problèmes plus généraux, comportement asymptotique du Bootstrap, le Bootstrap
paramétrique).
- Intervalle de confiance basé sur le boostrap (méthode du Boostrap-T, méthode des percentiles,
méthode BCA, prédiction des intervalles construits avec le bootstrap).
- Mise en œuvre sous le logiciel.

Analyse numérique pour la statistique

- Approximations et quadratures numériques, quadrature de Newton-cotes, Quadrature de
Gauss, intégration numérique
- Algèbre linéaire numérique, calcul de l’inverse d’une matrice inversible, décomposition
matricielle, détermination des éléments propres, application a la résolution de systèmes

~ Page 64 ~
 linéaires
- Résolution d'équations non linéaires et optimisation (problèmes univariés, problèmes
multivariés)
- Optimisation combinatoire : recherche locale, algorithmes génétiques, recuit simulé
- Mise en œuvre sous le logiciel

Méthodologie d’enseignement-apprentissage
 Cours magistral
 Travaux dirigés
 Travaux pratiques
 Travaux individuels
 Travaux de groupe

Matériel didactique : Plan de cours ; notes de cours ; articles de revues scientifiques et ouvrages;
tableau ; matériel de vidéo-projection, productions des étudiants en TD et TP; marqueurs ; craie.

Evaluation des apprentissages : Projet et Examen écrit d’une durée de 4 h.

Responsables de l’UE (principal et associés)

-Prof Karim OULAKACHA

Bibliographie de base et webographie

- Geof Givens & Jennifer Hoeting (2013). Computational Statistics, 2nd edition. A John Wiley
and sons Inc.

~ Page 65 ~
 UE: Econométrie des variables qualitatives

Code de l’UE: CT: 60 h TP/TD: 40 h TPE: 50 h

Enseignements Constitutifs de l’Unité d’Enseignement (ECU)

- Modèles dichotomiques
- Modèles multinomiaux et à variables dépendantes limitées

Objectif général :
L’objectif de ce cours est de comprendre les modèles économétrie des variables qualitatives ainsi que
les méthodes statistiques spécifiques à ces modèles.

Objectifs spécifiques
A la fin de ce cours, l’apprenant doit connaitre les modèles dichotomiques, les modèles multinomiaux et
modèles à variables dépendantes limitées et les méthodes d’inférence appropriées.
.

Contenu :
Modèles dichotomiques
- Introduction aux variables qualitative- classification, nature des modèles à variables
qualitatives dépendantes- tests utilisés- méthodes d’estimation
- Les modèles dichotomiques : Spécification linéaire, Variable latente, modèle Probit, modèle
Logit, Approches non paramétriques et semi-paramétriques,
- Estimation, Comparaison des modèles, Effets marginaux, Tests et qualité du modèle.
- Mise en œuvre sous le logiciel.

Modèles multinomiaux et à variables dépendantes limitées

- Les modèles multinomiaux : Les modèles multinomiaux ordonnées, Les modèles multino-
miaux séquentiels et non ordonnées, modèles logit conditionnels, modèles logit indépendants
- Modèles à variables dépendante limitée ou censurée : modèles tobit simple, généralisés.
- Les panels non linéaires- Modèles logit en panel- modèle probit en panel.
- Mise en œuvre sous le logiciel.

~ Page 66 ~
Méthodologie d’enseignement-apprentissage
 Cours magistral
 Travaux dirigés
 Travaux pratiques
 Travaux individuels
 Travaux de groupe

Matériel didactique : Plan de cours ; notes de cours ; articles de revues scientifiques et ouvrages;
tableau ; matériel de vidéo-projection, productions des étudiants en TD et TP ; marqueurs ; craie.

Evaluation des apprentissages : Projet et Examen écrit d’une durée de 4 h.

Responsables de l’UE (principal et associés)

-Prof Papa Samba DIOP

Bibliographie de base et webographie

- Alban T. (2000), Econométrie des Variables Qualitatives, Dunod.

- Colletaz G. (2001), Modèles à Variables Expliquées Qualitatives Miméo Université Orléans
- Gourieroux C. (1989), Econométrie des Variables Qualitatives, Economica.
- Greene W.H. (1997), Econometric Analysis, Londres, Prentice Hall.
- Thomas A., Econometrie des variables qualitatives, Manuel et exercices corriges, Dunod 200
- ,Nlandu Mamingi , Theoretical and empirical exercises in econometrics, The University of the
West Indies Press

~ Page 67 ~
 UE: Méthodologie de recherche

Code de l’UE: CT: 20 h TD/TP: 0h TPE: 30 h

Objectif général :
Comprendre les méthodes de réflexion et de présentation d'un travail de recherche.

Objectifs spécifiques
A la fin de ce cours, l’étudiant doit être capable d’identifier le problème, présenter le problème,
repérer la documentation pertinente en lien avec le problème, établir la méthode de résolution tout en
respectant les considérations éthiques de la recherche scientifique.

Contenu
- Comment identifier le problème?
- Comment présenter le problème ?
- repérer la documentation pertinente en lien avec le problème,
- Comment établir la méthode de résolution?
- Considérations éthiques.
Modalités d’enseignement-apprentissage
 Séminaire
 Travaux dirigés
 Travaux individuels
 Travaux de groupe
Modalités d’évaluation : Examen écrit d’une durée de 2h

Responsables de l’UE (principal et associés)

Bibliographie de base et webographie

~ Page 68 ~
 UE: Rédaction et Soutenance de mémoire

Code de l’UE: CT: 0 h TP: 20 h TPE: 230 h

Objectif général :
Présenter et défendre un travail de recherche scientifique en mathématiques. Ce travail est entrepris et
mené sous la direction d’un encadrement.

Objectifs spécifiques
- Présenter un travail de recherche scientifique dans le domaine des mathématiques
- Défendre les résultats de ce travail de recherche en apportant des réponses clairs et précises au
jury
- Montrer une aisance de communication, d’écoute et de discussion

Contenu
- Mémoire de fin de formation

Méthodologie de stage pratique

Une soutenance orale de 20 minutes, devant un jury composé de trois membres dont le maître de
stage éventuellement (s’il peut et souhaite faire le déplacement)

Durée de la soutenance : 2 h.

~ Page 69 ~