Code
MUSF QUA 2201
Niveau
L2
Discipline
Techniques quantitatives
Langue
Anglais/English
Crédits ECTS
4
Heures programmées
20
Charge totale étudiant
80
Coordonnateur(s)
Département
- Data analytics, Économie et Finances
Equipe pédagogique
Introduction au module
Ce module permet aux étudiants d'acquérir les bases en probabilités et statistiques, utiles pour d'autres cours (gestion, marketing, finance, etc.). Au terme de ce cours, les apprenants comprendront et sauront appliquer les concepts statistiques dans des contextes professionnels, analyser des données, interpréter et communiquer efficacement les résultats. Ils développeront des compétences analytiques pour devenir des managers proactifs et ouverts d'esprit, capables d'utiliser les données pour la prise de décision et de résoudre des problèmes commerciaux en identifiant les besoins et en appliquant des outils statistiques appropriés.
Compétences du bloc
- 2.2 - Collecter, analyser et synthétiser des données, en garantissant l’intégrité, la traçabilité et la fiabilité du processus de production des données, afin de produire des informations exploitables pour la prise de décision.
Objectifs d'apprentissage du cours
— (CPS2) Analytical thinking: The ability to think critically, to break down complex information, ideas, or problems into smaller, more manageable parts in order to better understand them and develop solutions.
— (CDK01) Conduct qualitative & quantitative studies/analyses supported by relevant data
— (CDK41) Perform, interpret, and communicate the results of econometric analyses of economic data, machine learning methods, and social network analysis methods.
— (XK03) Démontrer une compréhension du calcul et les bases des méthodes quantitatives
Contenu : structure du module et agenda
Le Chapitre 1 introduit les notions de Statistique descriptive. Il est articulé de la façon suivante :
1.1 Vocabulaire et représentation des variables statistiques
1.2 Paramètres d’une variable statistique
1.3 Séries statistiques à deux variables
Le Chapitre 2 s’intéresse aux notions de Probabilités élémentaires. Pour ce faire, il est organisé de la façon suivante :
2.1 Introduction – Vocabulaire
2.2 Algèbre des événements
2.3 Définition d’une probabilité.
2.4 Combinatoire (ou dénombrement).
2.5 Probabilités conditionnelles.
Le Chapitre 3 s’intéresse aux notions et concepts de Variables aléatoires. Il s’articule autour des modules suivants :
3.1 Notion de variable aléatoire.
3.2 Lois discrètes usuelles.
3.3 Lois à densité usuelles.
Le Chapitre 4 s’intéresse aux méthodes d’estimation et à la théorie des tests statistiques. Plus précisément de l’estimation par intervalle de confiance - Tests de conformité. Pour ce faire, il est organisé autour de 4 sections suivantes :
4.1 Estimation.
4.2 Test d’hypothèse.
4.3 Cas d’une proportion (ou fréquence).
4.4 Cas d’une moyenne.
Le Chapitre 5 s’intéresse aux tests de comparaison de deux populations.
5.1 Comparaison de proportions
5.2 Comparaison de moyennes
5.3 Test t de Student
Le Chapitre 6 s’intéresse à l’analyse de la variance et aux modèles de régression linéaire.
6.1 ANOVA
6.2 Régression linéaire
Intersession : Il est demandé aux apprenants de faire un travail personnel de recherche, d'analyses des notions vues en cours mais aussi d'effectuer des exercices afin de mettre en pratique les notions apprises. La pratique est très importante pour acquérir profondément les notions théoriques.
Contribution à l'atteinte des ODD (Objets du Développement Durable)
ODD 4 : Éducation de qualité
Le module contribue à cet objectif en apportant aux étudiants des compétences techniques et analytiques essentielles dans le domaine de la science des données. En maîtrisant les méthodes et techniques statistiques, les étudiants développent une culture numérique indispensable à leur insertion professionnelle et aux défis de l'économie moderne, favorisant ainsi une éducation de qualité et pertinente.
SDG 4: Quality Education
The module contributes to this goal by providing students with essential technical and analytical skills in the field of Data science. By mastering statistical methods and techniques, students develop digital literacy that is indispensable for their professional integration and for meeting the challenges of the modern economy, thus promoting high-quality, relevant education.
Nombre d'ODD abordés parmi les 17
1
Apprentissage
Mixte
Méthode pédagogique
FR : Les modalités d’enseignement combinent des cours magistraux suivis de séances de travaux pratiques. La dernière partie du cours est dispensée selon un modèle d’apprentissage hybride, intégrant des supports issus de MOOC et des séances interactives en classe. Les devoirs à la maison permettent aux étudiants de consolider leurs connaissances théoriques et d'approfondir leurs compétences techniques.
EN : Teaching methods comprise lectures followed by practical sessions. The final section of the course is delivered via a blended learning model, integrating MOOC materials with interactive classroom sessions. Independent homework assignments allow students to consolidate their theoretical knowledge and technical competence.
Système de notation et modalités de rattrapage
CC1 : 35 %
- écrite sur table, sans document
CC2 : 15 %
- moyenne des notes de 3 devoirs à la maison
CC3 : 50 %
- épreuve écrite sur table, sans document
En cas d’échec (note finale inférieure à 10), un contrôle final de rattrapage est organisé avec un examen sur table qui compte pour 100% de la note finale de rattrapage.
Règlement du module
Communication Professeur-Apprenant
● Le professeur contactera les apprenants via leur adresse mail scolaire (IMT-BS/TSP) et le portail Moodle. Aucune communication via les adresses mails personnelles n’aura lieu. Il est de la responsabilité de l’étudiant de consulter régulièrement sa boîte mail IMT-BS/TSP.
● Les apprenants peuvent communiquer avec le professeur en envoyant un mail à son adresse institutionnelle. Au besoin, il est possible de le rencontrer dans son bureau durant les heures de bureau ou sur rendez-vous.
Apprenants avec des besoins d’accommodement
Si l’apprenant a un handicap qui empêche d’accomplir le travail décrit ou qui nécessite toute sorte d'accommodement, il est de sa responsabilité d’en informer le directeur des études (avec justificatifs) dès que possible. Aussi, l’apprenant ne doit pas hésiter à en discuter avec son professeur.
Comportement en classe
● En guise de courtoisie envers le professeur et les autres apprenants, tous les téléphones portables, jeux électroniques ou autres appareils générant du son doivent être désactivés pendant les cours.
● L’apprenant doit éviter out comportement perturbateur et irrespectueux tel que: arriver en retard en classe, partir tôt, comportement inconsidéré (ex. dormir, lire un document non lié au cours, utiliser un langage vulgaire, parler excessivement, manger, boire, etc.). Un avertissement peut être donné à la première infraction de ces règles. Les contrevenants seront pénalisés et pourront être expulsés de la classe et/ou subir d'autres procédures disciplinaires.
● Le retard toléré est de 5 minutes. La présence sera déclarée sur Moodle durant ces 5 minutes via un QR code fourni par le professeur à chaque démarrage de cours.
● L’apprenant doit arriver à l'heure pour les examens et autres évaluations. Personne ne sera autorisé à entrer en classe une fois que la première personne aura terminé l'examen et quitté la salle. Il n'y a absolument aucune exception à cette règle. Aucun apprenant ne peut continuer à passer un examen une fois le temps écoulé. Aucun apprenant ne peut quitter la salle pendant un examen à moins qu'il / elle ait terminé et ait remis tous les documents.
● En cas de cours à distance, l'apprenant doit maintenir sa caméra allumée sauf en cas d'indications contraires données par l'enseignant.
Code éthique
IMT-BS est engagée dans une politique d'honnêteté dans le milieu académique. Toute conduite compromettant cette politique peut entraîner des sanctions académiques et/ou disciplinaires. Les apprenants doivent s'abstenir de tricher, de mentir, de plagier et de voler. Ceci consiste à accomplir un travail original et à reconnaître toute autre personne dont les idées et les documents imprimés (y compris ceux provenant d’Internet) sont paraphrasés ou cités directement. Tout apprenant qui enfreint ou aide un autre élève à enfreindre les normes de comportement scolaire sera sanctionné conformément aux règles de l'IMT-BS.
Références obligatoires et lectures suggérées
Lecture suggéré (FR):
Anderson.Sweeny - Williams : Statistiques pour l'économie et la gestion, De Boeck
Suggested (EN):
Moore, D. S., McCabe, G. P., & Craig, B. A. (2021). Introduction to the Practice of Statistics (10th ed.). W.H. Freeman and Company.
Mots-clés
Probabilités, statistiques, variable, répartition, echantillonnage / Probability, statistics, variable, distribution, sampling.
Prérequis
Mathématiques pour la gestion (QUA 1201-QUA 1202) / Mathematics for management (QUA 1201-QUA 1202) / Excel pour les managers (INF 1203)