Baccalauréat en mathématiques et informatique

Structure du programme

Éléments de base d'un langage de programmation : types, expressions, énoncés conditionnels et itératifs, procédures, fonctions, paramètres, récursivité, tableaux, enregistrements, pointeurs et fichiers.

Concepts avancés : classes, objets, héritage, interfaces, réutilisation, événements. Introduction aux structures de données et algorithmes : listes, arbres binaires, fichiers, recherche et tri. Notions d'analyse numérique : précision.

Éléments de logique propositionnelle. Ensembles. Suites et fonctions. Algorithmes. Matrices booléennes. Raisonnement mathématique. Induction. Combinatoire. Relations de récurrence. Graphes, Arbres.

Historique. Composantes d'un ordinateur. Codage des données et des instructions. Langages machine et de haut niveau. Concepts et utilisation d'un système d'exploitation. Introduction à l'Internet. Conséquences sociales de l'informatique.

Programmation linéaire. Simplexe. Dualité. Programmation en nombres entiers. Problèmes de réseaux. Méthodes PERT/CPM. Plus court chemin. Programmation dynamique déterministe et probabiliste. Modèles stochastiques.

Types abstraits pour les structures de données, arbres, dictionnaires, files avec priorités, graphes, méthodes externes.

Automates finis et expressions régulières. Grammaires hors-contexte et automates à piles. Calculabilité et décidabilité. Classes de complexité.

Conception et analyse d'algorithmes. Notation asymptotique, résolution de récurrences. Algorithmes voraces, diviser-pour-régner, programmation dynamique, parcours de graphes, retour-arrière, algorithmes probabilistes.

Propriétés des nombres réels, concepts topologiques dans R, suites et séries numériques, propriétés des fonctions continues et fonctions dérivables d'une variable réelle à valeurs réelles.

Suites, séries. Fonctions de plusieurs variables, continuité, dérivées partielles, différentielles, plan tangent, dérivation en chaîne. Gradient, surfaces de niveau, extremums. Intégrales multiples, changement de variables, jacobien.

Systèmes d'équations linéaires, élimination de Gauss, inverse matricielle. Espace vectoriel, indépendance linéaire, transformations linéaires, changement de base. Produit scalaire. Déterminants. Diagonalisation. Exemples d'applications.

Espace de probabilité. Analyse combinatoire. Probabilité conditionnelle. Indépendance. Variable aléatoire. Fonction de répartition et fonction génératrice. Espérance mathématique. Loi faible des grands nombres. Théorème limite central.

Description des données. Production de données. Probabilités. Inférence. Intervalles de confiance et tests d'hypothèses. Données de dénombrement. Tableaux de contingence. Régression linéaire simple. Remarques: Utilisation d'un progiciel.

Calcul vectoriel : divergence, rotationnel, laplacien. Formules de Green-Riemann, de Stokes et théorème de la divergence. Introduction aux équations différentielles. Équations différentielles linéaires d'ordre un et deux.

L'intégrale de Riemann, le théorème fondamental du calcul. Fonctions trigonométriques, exponentielles et leurs inverses. Suites et séries de fonctions, séries de Taylor, séries de Fourier.

Introduction à l'internet et au Web. Langage de balisage et validation. Standards, accessibilité. Feuilles de styles pour texte et graphique. Design web. Optimisation des sites. Formulaires et interactivité. Introduction aux gestionnaires de contenu.

Jeu d'instructions : RISC vs CISC. Modes d'adressage. Exceptions. Dispositifs d'entrée/sortie, bus, interruptions. Contrôle câblé et microprogrammé. Accélération du traitement : pipelines et parallélisme. Évolution des technologies.

Historique. Concepts et implantation des entités de base. Mécanismes d'exécution : pile, tas, passage de paramètres. Langage de bas niveau (C). Programmation structurée, fonctionnelle et logique. Langages spécialisés.

Fonctions principales. Gestion du parallélisme. Synchronisation. Interblocage. Ordonnancement. Gestion de la mémoire et des entrées/sorties. Fichiers. Protection et systèmes distribués.

Introduction au génie logiciel. Cycles de développement. Analyse, modélisation et spécification. Conception. Développement orienté objet. Mise au point. Outils et environnements de développement.

Arithmétique en point flottant, analyse d'erreurs. Équations linéaires et non linéaires. Interpolation, moindres carrés. Différenciation et intégration numérique. Équations différentielles ordinaires.

Modèles linéaires. Méthode du simplexe. Dualité. Postoptimisation. Analyse de sensibilité. Problèmes à structures particulières. Modèles en nombres entiers. Méthodes de coupes. Séparation et évaluation progressive.

Concept et langages des interfaces. Programmation par événements. Modèle de l'usager. Design et programmation d'interfaces graphiques. Impact sur les multimédia, la collaboration et la communication.

Architecture. Modèles d'organisation. Définition, création, mise à jour et consultation. Exploitation.

Méthodes de compilation et interprétation des langages de programmation. Génération de code, optimisation, transformations de programme. Gestion de la mémoire. Implantation des langages spécialisés.

Calcul réversible; information quantique; non-localité; cryptographie quantique; circuits, parallélisme et interférence quantiques; algorithmes de Simon, Shor et Grover; téléportation; correction d'erreurs; implantation.

Systèmes linéaires. Échantillonnage et reconstruction. Convolution. Notation polaire. Transformées-Z et de Fourier. Analyse spectrale. Filtrage numérique (FIR et IIR). Applications dans les domaines de l'audio, de l'image et de la vidéo.

Introduction aux applications web et organisation des sites web. XML, schémas XML et transformations XSLT. Programmation client (JavaScript) et serveur (CGI, PHP, Ajax). Moteurs de recherche. Design web. Introduction au web sémantique.

Confidentialité et intégrité des données à clé privée et publique. Protection des couches de protocoles TCP/IP; protection contre les parasites informatiques. Méthodes d'authentification d'usagers. Évaluation et gestion des risques.

Biologie moléculaire pour l'informaticien, biomolécules, transcription, traduction. Algorithmes de programmation dynamique, alignements de séquences, prédiction de structures d'ARN. Réseaux de régulation génétique. Phylogénie, génomique comparative.

Architecture des systèmes répartis. Modèle de référence OSI. Introduction aux moyens physiques de transmission de données. Protocoles de lien, de routage et de contrôle de flux. Introduction aux réseaux d'ordinateurs et à leurs protocoles.

Résolution heuristique de problèmes. Représentation des connaissances. Techniques d'inférence et de planification. Étude d'un langage approprié. Traitement de langue naturelle. Apprentissage. Systèmes experts.

Ce cours explore le pipeline de la robotique mobile : capteurs, perception, SLAM, planification, contrôle, avec une introduction aux approches modernes comme l’apprentissage par renforcement et par imitation.

2D : tracé, remplissage. 3D : transformations, projections. Surfaces cachées. Illumination : modèles de réflexion. Textures : antialiassage. Modélisation : surfaces paramétriques. Animation : interpolation, cinématique, dynamique.

Modèles du calcul. Calculabilité et décidabilité. Complexité. Hiérarchies. Complétudes. Sujets choisis.

Éléments de base des algorithmes d'apprentissage statistique et symbolique. Exemples d'applications en forage de données, reconnaissance des formes, régression non linéaire, et données temporelles. Remarques: Des connaissances d'analyse numérique sont recommandées, par exemple le IFT 2425.

Programmation non linéaire. Conditions d'optimalité avec et sans contraintes. Méthodes de directions de descente, de Newton et quasi-Newton. Méthodes de recherche linéaire et de régions de confiance. Méthode de points intérieurs.

Introduction à la théorie des graphes et à ses applications en informatique. Arborescences, connexité, coloriages, stabilité. Algorithmes sur les graphes. Applications.

Processus stochastiques. Chaînes de Markov. Horizons finis et infinis. Actualisation. Files d'attente. Processus de décision markoviens. Résolution d'équations de récurrence. Modèles d'inventaire. Fiabilité.

Mise en contexte et applications des probabilités, statistiques, optimisation et outils informatiques pour la science des données; nettoyage et visualisation de données; enjeux statistiques de l'apprentissage automatique sur données structurées.

Préparation aux applications pratiques de l'apprentissage automatique à travers des projets concrets sur les données réelles. Utilisation de logiciels spécialisés d'apprentissage automatique pour l'intelligence artificielle.

Ingénierie des besoins. Méthodes de spécification formelle. Principes, méthodes et notations de conception. Description et styles d'architectures logicielles. Composantes logicielles, patrons de conception et cadres d'application.

Définition et promotion de la qualité. Assurance qualité. Plan de qualité. Amélioration et contrôle de qualité (tests, revue, inspections). Normes et cadres de qualité. Théorie de la mesure. Métriques de produit et de processus. Métriques de qualité.

Projet défini et encadré par un professeur associé à un laboratoire de recherche universitaire. Remarques: Préalables explicites selon la nature du projet.

Stage en milieu de travail, donnant lieu à un rapport, évalué conjointement par l'employeur et un jury du DIRO.

Un projet est suggéré à chaque étudiant lui permettant de faire une synthèse de ses connaissances mathématiques. Remarques: L'étudiant soumet un rapport et fait un exposé oral à la fin du trimestre.

Topologie de Rⁿ. Ensembles ouverts, compacts. Applications continues, différentiables. Jacobien. Théorème de Taylor. Extrema. Théorème des fonctions inverses et implicites.

Équations du premier et du second ordre. Existence et unicité. Dépendance continue par rapport à la condition initiale. Méthodes analytiques, qualitatives. Systèmes linéaires et non linéaires. Dynamique discrète.

Fonctions holomorphes d'une variable complexe. Représentation conforme. Équations de Cauchy-Riemann. Théorème de Cauchy. Séries de Laurent. Théorème fondamental des résidus.

Courbes dans R3 : courbure, torsion, équations de Frenet. Surfaces dans R3 : première et seconde formes fondamentales, courbures de Gauss et moyenne. Isométries et theorema egregium.

Propagation d'erreurs. Solution numérique d'équations non linéaires. Interpolation et approximation polynomiale. Dérivation et intégration numériques. Algèbre linéaire : méthodes directes et itératives. Approximation discrète par moindres carrés.

Introduction aux dynamiques adaptatives: évolution des génomes, quasi-espèces, dynamiques des jeux, dynamiques de population (finies et infinies), théorie adaptative sur graphes, automates. Applications : biologie, écologie, finance, médecine, etc.

Fonctions Gamma et Bêta, séries de Fourier et d'autres fonctions orthogonales. Problème de Sturm-Liouville, approximation en moyenne quadratique, séparation de variables pour les équations aux dérivées partielles, transformées de Fourier et Laplace.

Exemples de groupes : groupe symétrique, groupes linéaires. Sous-groupes et théorème de Lagrange. Groupe quotient et théorèmes d'isomorphisme. Actions et actions linéaires. Théorème de Sylow.

Anneaux, idéaux et modules, théorèmes d’isomorphisme, factorisation unique dans un domaine principal, forme normale d’un module noetherien sur un domaine principal, forme canonique et forme normale de Jordan d’une matrice.

Chaînes de Markov. Processus de Galton-Watson. Processus de Poisson. Processus de mort et de naissance. Étude naïve du mouvement brownien. Applications diverses.

Lien entre les marches aléatoires réversibles et les réseaux électriques. Exemples de graphes aléatoires, dont la percolation et les arbres couvrants. Marches aléatoires sur graphes aléatoires. Méthodes du premier et second moment.

Outils mathématiques utilisés pour comprendre des structures intrinsèques de données empiriques. Localité et régularité dans la construction de géométries globales de données. Représentation, exploration et analyse de géométries globales de données.

Équations du premier ordre et du second ordre. Caractéristiques et classification. Équations elliptiques : de Laplace, de Poisson. Équation des ondes. Équation de la chaleur. Introduction aux fonctions de Green.

Variétés différentiables dans R^n. Espaces tangent et cotangent. Champs de vecteurs. Degré des applications, indices des zéros des champs des vecteurs. Théorème de point fixe de Brouwer. Théorème fondamental de l’algèbre. Théorème de Poincaré-Hopf.

Espaces topologiques. Variétés topologiques, définitions et exemples. Théorème de classification des surfaces. Groupe fondamental. Théorème de Van Kampen. Revêtements.

Processus de modélisation mathématique: simplification du problème sous étude, formulation mathématique, analyse et interprétation dans la discipline d'origine. Étude de problèmes issus de la biologie contemporaine.

Processus de modélisation mathématiques avancés: simulations, estimation de paramètres, interprétation. Introduction à l’utilisation des mathématiques dans un milieu multidisciplinaire (médecine, neurosciences, etc.). Étude de cas et projet appliqué.

Théorème fondamental de l'arithmétique. Équations diophantiennes. Congruences linéaires. Théorèmes d'Euler et de Fermat. Théorie des indices. Racines primitives. Résidus quadratiques. Congruences générales. Nombres premiers.

Arguments de comptage, estimations asymptotiques, fonctions arithmétiques et séries de Dirichlet, théorème des nombres premiers. Anatomie des entiers, arguments probabilistes, théorème d’Erdos-Kac.

Compléments de théorie des groupes. Théorie des corps, groupe de Galois, corps de Galois, résolubilité d'équation par radicaux. Résolution de problèmes classiques.

Sondages élémentaires, empiriques, stratifiés, systématiques, avec probabilités inégales, à deux degrés. Méthodes de Monte-Carlo : création d'échantillons artificiels, simulation et analyse d'exemples.

Théorie de la décision, lois a priori et a posteriori, règle de Bayes, rapport de Bayes, loi prédictive, région de prévision, modèle hiérarchique, simulations par chaînes de Markov, échantillonneurs de Gibbs et de Metropolis-Hastings.

Vecteur aléatoire. Matrice des covariances. Loi multinormale. Région de confiance et tests pour le vecteur moyen. Analyses en composantes principales, canonique, discriminante et classification. Lois décentrées.

Méthode des moindres carrés. Théorèmes de Gauss-Markov et de Cochran. Estimation et tests d'hypothèses. Résidus et diagnostics. Construction de modèles. Exemples. Remarques: Utilisation du progiciel SAS.

Estimation ponctuelle et par intervalle. Tests d'hypothèses. Méthodes graphiques. Test du khi-deux. Théorie de la décision et inférence bayésienne. Comparaisons de deux échantillons. Lié aux examens CAS et agrément ICA.

Principes. Assignation au hasard. Répliques. Blocs. Effets fixes et aléatoires. Classification simple. Plans factoriels, à mesures répétées, incomplets. Résidus et diagnostics. Applications. Remarques: Utilisation du progiciel SPSS.

Planification d'expériences et de sondages. Exploration et analyse de données à l'aide de progiciels. Interprétation et communication de résultats.

Évaluation d'un modèle de régression et sélection de variables. Méthodes de rétrécissement. Modèles linéaires généralisés. Méthode des k plus proches voisins. Arbres de décision. Régression non paramétrique.

Classification. Réduction de la dimension. Modélisation de relations avec noyaux de similarité. Regroupements. Apprentissage de variétés. Fondements mathématiques et applications d'algorithmes d'apprentissage.

Mise en contexte et applications des probabilités, statistiques, optimisation et outils informatiques pour la science des données; nettoyage et visualisation de données; enjeux statistiques de l'apprentissage automatique sur données structurées.

Propagation d'erreurs. Solution numérique d'équations non linéaires. Interpolation et approximation polynomiale. Dérivation et intégration numériques. Algèbre linéaire : méthodes directes et itératives. Approximation discrète par moindres carrés.

Méthode des moindres carrés. Théorèmes de Gauss-Markov et de Cochran. Estimation et tests d'hypothèses. Résidus et diagnostics. Construction de modèles. Exemples. Remarques: Utilisation du progiciel SAS.

Estimation ponctuelle et par intervalle. Tests d'hypothèses. Méthodes graphiques. Test du khi-deux. Théorie de la décision et inférence bayésienne. Comparaisons de deux échantillons. Lié aux examens CAS et agrément ICA.

Évaluation d'un modèle de régression et sélection de variables. Méthodes de rétrécissement. Modèles linéaires généralisés. Méthode des k plus proches voisins. Arbres de décision. Régression non paramétrique.

Chaînes de Markov. Processus de Galton-Watson. Processus de Poisson. Processus de mort et de naissance. Étude naïve du mouvement brownien. Applications diverses.

Lien entre les marches aléatoires réversibles et les réseaux électriques. Exemples de graphes aléatoires, dont la percolation et les arbres couvrants. Marches aléatoires sur graphes aléatoires. Méthodes du premier et second moment.

Outils mathématiques utilisés pour comprendre des structures intrinsèques de données empiriques. Localité et régularité dans la construction de géométries globales de données. Représentation, exploration et analyse de géométries globales de données.

Sondages élémentaires, empiriques, stratifiés, systématiques, avec probabilités inégales, à deux degrés. Méthodes de Monte-Carlo : création d'échantillons artificiels, simulation et analyse d'exemples.

Théorie de la décision, lois a priori et a posteriori, règle de Bayes, rapport de Bayes, loi prédictive, région de prévision, modèle hiérarchique, simulations par chaînes de Markov, échantillonneurs de Gibbs et de Metropolis-Hastings.

Vecteur aléatoire. Matrice des covariances. Loi multinormale. Région de confiance et tests pour le vecteur moyen. Analyses en composantes principales, canonique, discriminante et classification. Lois décentrées.

Estimation ponctuelle et par intervalle. Tests d'hypothèses. Méthodes graphiques. Test du khi-deux. Théorie de la décision et inférence bayésienne. Comparaisons de deux échantillons.

Fonction de survie. Taux de panne. Modèles paramétriques et non paramétriques pour des données complètes. Estimation. Différents types de censure. Modèle de régression. Applications.

Principes. Assignation au hasard. Répliques. Blocs. Effets fixes et aléatoires. Classification simple. Plans factoriels, à mesures répétées, incomplets. Résidus et diagnostics. Applications. Remarques: Utilisation du progiciel SPSS.

Études de cohortes, études transversales, longitudinales, prospectives. Détermination des tailles d'échantillon dans les devis. Fiabilité des mesures.

Planification d'expériences et de sondages. Exploration et analyse de données à l'aide de progiciels. Interprétation et communication de résultats.

Classification. Réduction de la dimension. Modélisation de relations avec noyaux de similarité. Regroupements. Apprentissage de variétés. Fondements mathématiques et applications d'algorithmes d'apprentissage.

Introduction à l'internet et au Web. Langage de balisage et validation. Standards, accessibilité. Feuilles de styles pour texte et graphique. Design web. Optimisation des sites. Formulaires et interactivité. Introduction aux gestionnaires de contenu.

Jeu d'instructions : RISC vs CISC. Modes d'adressage. Exceptions. Dispositifs d'entrée/sortie, bus, interruptions. Contrôle câblé et microprogrammé. Accélération du traitement : pipelines et parallélisme. Évolution des technologies.

Historique. Concepts et implantation des entités de base. Mécanismes d'exécution : pile, tas, passage de paramètres. Langage de bas niveau (C). Programmation structurée, fonctionnelle et logique. Langages spécialisés.

Fonctions principales. Gestion du parallélisme. Synchronisation. Interblocage. Ordonnancement. Gestion de la mémoire et des entrées/sorties. Fichiers. Protection et systèmes distribués.

Introduction au génie logiciel. Cycles de développement. Analyse, modélisation et spécification. Conception. Développement orienté objet. Mise au point. Outils et environnements de développement.

Arithmétique en point flottant, analyse d'erreurs. Équations linéaires et non linéaires. Interpolation, moindres carrés. Différenciation et intégration numérique. Équations différentielles ordinaires.

Modèles linéaires. Méthode du simplexe. Dualité. Postoptimisation. Analyse de sensibilité. Problèmes à structures particulières. Modèles en nombres entiers. Méthodes de coupes. Séparation et évaluation progressive.

Concept et langages des interfaces. Programmation par événements. Modèle de l'usager. Design et programmation d'interfaces graphiques. Impact sur les multimédia, la collaboration et la communication.

Architecture. Modèles d'organisation. Définition, création, mise à jour et consultation. Exploitation.

Méthodes de compilation et interprétation des langages de programmation. Génération de code, optimisation, transformations de programme. Gestion de la mémoire. Implantation des langages spécialisés.

Calcul réversible; information quantique; non-localité; cryptographie quantique; circuits, parallélisme et interférence quantiques; algorithmes de Simon, Shor et Grover; téléportation; correction d'erreurs; implantation.

Systèmes linéaires. Échantillonnage et reconstruction. Convolution. Notation polaire. Transformées-Z et de Fourier. Analyse spectrale. Filtrage numérique (FIR et IIR). Applications dans les domaines de l'audio, de l'image et de la vidéo.

Introduction aux applications web et organisation des sites web. XML, schémas XML et transformations XSLT. Programmation client (JavaScript) et serveur (CGI, PHP, Ajax). Moteurs de recherche. Design web. Introduction au web sémantique.

Confidentialité et intégrité des données à clé privée et publique. Protection des couches de protocoles TCP/IP; protection contre les parasites informatiques. Méthodes d'authentification d'usagers. Évaluation et gestion des risques.

Biologie moléculaire pour l'informaticien, biomolécules, transcription, traduction. Algorithmes de programmation dynamique, alignements de séquences, prédiction de structures d'ARN. Réseaux de régulation génétique. Phylogénie, génomique comparative.

Architecture des systèmes répartis. Modèle de référence OSI. Introduction aux moyens physiques de transmission de données. Protocoles de lien, de routage et de contrôle de flux. Introduction aux réseaux d'ordinateurs et à leurs protocoles.

Résolution heuristique de problèmes. Représentation des connaissances. Techniques d'inférence et de planification. Étude d'un langage approprié. Traitement de langue naturelle. Apprentissage. Systèmes experts.

Ce cours explore le pipeline de la robotique mobile : capteurs, perception, SLAM, planification, contrôle, avec une introduction aux approches modernes comme l’apprentissage par renforcement et par imitation.

2D : tracé, remplissage. 3D : transformations, projections. Surfaces cachées. Illumination : modèles de réflexion. Textures : antialiassage. Modélisation : surfaces paramétriques. Animation : interpolation, cinématique, dynamique.

Modèles du calcul. Calculabilité et décidabilité. Complexité. Hiérarchies. Complétudes. Sujets choisis.

Éléments de base des algorithmes d'apprentissage statistique et symbolique. Exemples d'applications en forage de données, reconnaissance des formes, régression non linéaire, et données temporelles. Remarques: Des connaissances d'analyse numérique sont recommandées, par exemple le IFT 2425.

Programmation non linéaire. Conditions d'optimalité avec et sans contraintes. Méthodes de directions de descente, de Newton et quasi-Newton. Méthodes de recherche linéaire et de régions de confiance. Méthode de points intérieurs.

Introduction à la théorie des graphes et à ses applications en informatique. Arborescences, connexité, coloriages, stabilité. Algorithmes sur les graphes. Applications.

Processus stochastiques. Chaînes de Markov. Horizons finis et infinis. Actualisation. Files d'attente. Processus de décision markoviens. Résolution d'équations de récurrence. Modèles d'inventaire. Fiabilité.

Préparation aux applications pratiques de l'apprentissage automatique à travers des projets concrets sur les données réelles. Utilisation de logiciels spécialisés d'apprentissage automatique pour l'intelligence artificielle.

Ingénierie des besoins. Méthodes de spécification formelle. Principes, méthodes et notations de conception. Description et styles d'architectures logicielles. Composantes logicielles, patrons de conception et cadres d'application.

Définition et promotion de la qualité. Assurance qualité. Plan de qualité. Amélioration et contrôle de qualité (tests, revue, inspections). Normes et cadres de qualité. Théorie de la mesure. Métriques de produit et de processus. Métriques de qualité.

Projet défini et encadré par un professeur associé à un laboratoire de recherche universitaire. Remarques: Préalables explicites selon la nature du projet.

Stage en milieu de travail, donnant lieu à un rapport, évalué conjointement par l'employeur et un jury du DIRO.

Un projet est suggéré à chaque étudiant lui permettant de faire une synthèse de ses connaissances en statistique. L'étudiant soumet un rapport et fait un exposé oral à la fin du trimestre.

Mesures d'intérêt, valeurs présentes, accumulées, annuités certaines à paiements égaux et non-égaux, remboursement des prêts, obligations, flux monétaires généraux et portefeuilles, duration, immunisation, déterminants des taux d’intérêt.

Options d'achat/vente, contrats à terme/à livrer, stratégies de gestion des risques, évaluation d'options, parité, arbitrage, modèle binomial, modèle de Black-Scholes, couverture dynamique.

Marchés financiers et actifs financiers qui s'y transigent (actions, titres à revenu fixe). Construction de portefeuilles, frontière efficace. Modèle CAPM. Efficience des marchés et finance comportementale. Mesures de risque.

Théorie de l’estimation et de la sélection de modèles paramétriques. Théorie de la crédibilité. Tarification et réserves.

Notions de probabilités et calcul stochastique, théorie de l’arbitrage, théorèmes fondamentaux, modèles binomiaux, modèle de Black-Scholes, modèles pour taux d’intérêt, calibration de modèles aux données de marché.

Modèles de fréquence et de sévérité des sinistres, modèles collectifs, distribution des pertes totales. Types de contrat d’assurance et de réassurance IARD. Effet de modifications de couverture.

Types de risques traditionnels et non traditionnels (ex. risque d’entreprise, risques environnementaux). Méthodes qualitatives et quantitatives d’évaluation et de gestion des risques.

Techniques de description et de visualisation de données. Applications de modèles linéaires généralisés et d’arbres de décision. Techniques de regroupement de données. Communication et vulgarisation des résultats.

Étude de problèmes complexes en mathématiques financières. Communication des résultats

Calcul vectoriel : divergence, rotationnel, laplacien. Formules de Green-Riemann, de Stokes et théorème de la divergence. Introduction aux équations différentielles. Équations différentielles linéaires d'ordre un et deux.

L'intégrale de Riemann, le théorème fondamental du calcul. Fonctions trigonométriques, exponentielles et leurs inverses. Suites et séries de fonctions, séries de Taylor, séries de Fourier.

Topologie de Rⁿ. Ensembles ouverts, compacts. Applications continues, différentiables. Jacobien. Théorème de Taylor. Extrema. Théorème des fonctions inverses et implicites.

Équations du premier et du second ordre. Existence et unicité. Dépendance continue par rapport à la condition initiale. Méthodes analytiques, qualitatives. Systèmes linéaires et non linéaires. Dynamique discrète.

Fonctions holomorphes d'une variable complexe. Représentation conforme. Équations de Cauchy-Riemann. Théorème de Cauchy. Séries de Laurent. Théorème fondamental des résidus.

Introduction aux dynamiques adaptatives: évolution des génomes, quasi-espèces, dynamiques des jeux, dynamiques de population (finies et infinies), théorie adaptative sur graphes, automates. Applications : biologie, écologie, finance, médecine, etc.

Fonctions Gamma et Bêta, séries de Fourier et d'autres fonctions orthogonales. Problème de Sturm-Liouville, approximation en moyenne quadratique, séparation de variables pour les équations aux dérivées partielles, transformées de Fourier et Laplace.

Variétés différentiables dans R^n. Espaces tangent et cotangent. Champs de vecteurs. Degré des applications, indices des zéros des champs des vecteurs. Théorème de point fixe de Brouwer. Théorème fondamental de l’algèbre. Théorème de Poincaré-Hopf.

Processus de modélisation mathématique: simplification du problème sous étude, formulation mathématique, analyse et interprétation dans la discipline d'origine. Étude de problèmes issus de la biologie contemporaine.

Processus de modélisation mathématiques avancés: simulations, estimation de paramètres, interprétation. Introduction à l’utilisation des mathématiques dans un milieu multidisciplinaire (médecine, neurosciences, etc.). Étude de cas et projet appliqué.

Arguments de comptage, estimations asymptotiques, fonctions arithmétiques et séries de Dirichlet, théorème des nombres premiers. Anatomie des entiers, arguments probabilistes, théorème d’Erdos-Kac.