MINISTÈRE DE L’ENSEIGNEMENT SUPÉRIEUR

REPUBLIQUE DU CAMEROUN
Paix – Travail – Patrie

SYLLABUS DE MATHÉMATIQUES
Filière : Génie Logiciel
Niveau : Premier cycle, Semestre 1
Institut de Management et d’Entreprenariat
Année académique 2024-2025

ANALYSE I
L’enseignement de l’Analyse I s’inscrit dans le cadre du tronc commun des sciences mathématiques
pour les formations en ingénierie et en informatique. Conformément au programme harmonisé du
Ministère de l’Enseignement Supérieur (Arrêté N° 18/0092/MINESUP du 12 avril 2018 portant
organisation des enseignements dans les filières de sciences et technologies), ce cours apporte les
bases fondamentales du calcul différentiel et intégral nécessaires à la modélisation mathématique en
Génie Logiciel.

Objectifs du cours
À l’issue de ce cours, l’étudiant sera capable de :
— Maîtriser les notions de base sur les nombres réels, les suites et les fonctions ;
— Calculer des limites et étudier la continuité ;
— Manipuler la dérivation et ses applications ;
— Comprendre les notions de développements limités ;
— Appréhender les intégrales simples et leurs applications.

Volume horaire et évaluation

— Cours magistraux : 30 heures
— Travaux dirigés : 15 heures
— Travaux pratiques (informatique) : 5 heures (utilisation de logiciels de calcul formel :
Python/SymPy)
— Évaluation :
— Contrôle continu : 40% (tests, devoirs, participation)
— Examen final : 60%

Plan détaillé du cours

Chapitre 1 : Nombres réels et suites numériques
1. Rappels sur R, borne supérieure/inférieure.

1
 2. Suites réelles : convergence, divergence, propriétés.
3. Suites monotones et suites adjacentes.
4. Critère de Cauchy.

Chapitre 2 : Limites et continuité des fonctions

1. Limites finies et infinies.
2. Opérations sur les limites.
3. Continuité en un point, sur un intervalle.
4. Théorème des valeurs intermédiaires, continuité uniforme.

Chapitre 3 : Dérivation
1. Définition et interprétation géométrique.
2. Règles de calcul (somme, produit, quotient, composition).
3. Théorème de Rolle, des accroissements finis.
4. Applications : variations, extremums.

Chapitre 4 : Développements limités

1. Formule de Taylor-Young.
2. Développements limités usuels.
3. Applications : calcul de limites, étude locale.

Chapitre 5 : Intégration
1. Intégrale de Riemann : définition et propriétés.
2. Calcul de primitives, intégration par parties, changement de variable.
3. Applications : aires, volumes.

Modalités pédagogiques
Le cours alterne séances théoriques, exercices en TD et TP de validation sur Python. Une part
importante est consacrée à la résolution de problèmes concrets en lien avec l’algorithmique et le calcul
scientifique.

Références bibliographiques officielles

Conformément aux directives du MINESUP, les ouvrages de référence sont :
1. RUDIN, W. (1976). Principes d’analyse mathématique. McGraw-Hill. (Édition française :
Dunod, 2006).
2. LARSON, R., & EDWARDS, B. (2014). Calculus. Cengage Learning.
3. STEWART, J. (2016). Calculus : Early Transcendentals. Cengage Learning.
4. GONNORD, P., & TOSEL, N. (2015). Analyse pour l’ingénieur. Ellipses.
5. MINESUP. (2018). Programme national de mathématiques pour les filières scientifiques et
technologiques. Document interne.

2
Calendrier indicatif

Semaine Thème Activités

1-2 Nombres réels, suites Cours + TD
3-4 Limites, continuité Cours + TD
5-6 Dérivation Cours + TD
7-8 Développements limités Cours + TD + Contrôle continu
9-10 Intégration Cours + TD + TP Python
11-12 Révisions Exercices synthèse
13 Examen final Évaluation écrite

Établi par : L’Enseignant de Mathématiques : TAFFOHOUO NWAFFEU YVES VALDEZ

Institut de Management et d’Entreprenariat
Validé par la Coordination Pédagogique.

Références complètes et conformité

Ce syllabus est conçu sur la base du référentiel national des enseignements en Mathématiques dans
le supérieur (MINESUP, arrêté N° 18/0092/MINESUP du 12 avril 2018, et le Programme Harmonisé
de Mathématiques pour les Écoles et Instituts Supérieurs publics et privés). Il tient compte des
exigences spécifiques aux filières informatiques (Génie Logiciel) où l’accent est mis sur la rigueur
logique et l’algorithmique mathématique.

3
ALGÈBRE LINÉAIRE
L’Algèbre Linéaire I constitue un enseignement fondamental du tronc commun des mathématiques
pour les formations en sciences et technologies. Conformément au programme harmonisé du Ministère
de l’Enseignement Supérieur (Arrêté N° 18/0092/MINESUP du 12 avril 2018 portant organisation
des enseignements dans les filières de sciences et technologies), ce cours apporte les outils algébriques
indispensables à la modélisation, à l’algorithmique et aux structures de données en Génie Logiciel.
L’algèbre linéaire est au cœur de nombreux domaines de l’informatique moderne : graphisme 3D,
intelligence artificielle, optimisation, cryptographie, et traitement des données massives.

Objectifs du cours
À l’issue de ce cours, l’étudiant sera capable de :
— Maîtriser les structures d’espaces vectoriels et leurs propriétés ;
— Manipuler les matrices et résoudre des systèmes linéaires ;
— Comprendre les applications linéaires et leurs représentations matricielles ;
— Calculer déterminants et inverses de matrices ;
— Appliquer ces concepts aux problèmes d’informatique (transformations géométriques, algo-
rithmes numériques).

Compétences visées (Référentiel MINESUP)

— Savoirs : Concepts fondamentaux de l’algèbre linéaire.
— Savoir-faire : Résolution de systèmes, calcul matriciel, manipulation de vecteurs.
— Savoir-être : Rigueur logique, abstraction, modélisation mathématique.

Volume horaire et évaluation

— Cours magistraux : 30 heures
— Travaux dirigés : 15 heures
— Travaux pratiques (informatique) : 5 heures (implémentation en Python/NumPy)
— Évaluation :
— Contrôle continu : 40% (devoirs surveillés, travaux pratiques, participation)
— Examen final : 60%

Plan détaillé du cours

Chapitre 1 : Systèmes linéaires et matrices
1. Généralités sur les systèmes d’équations linéaires.
2. Écriture matricielle.
3. Méthode du pivot de Gauss.
4. Structure de l’ensemble des solutions.
5. Applications : résolution de systèmes en informatique.

4
Chapitre 2 : Espaces vectoriels
1. Définition et exemples fondamentaux (Rn , K[X], Mn,p (K)).
2. Sous-espaces vectoriels.
3. Combinaisons linéaires, parties génératrices.
4. Indépendance linéaire.
5. Bases et dimension.
6. Applications : codes correcteurs d’erreurs.

Chapitre 3 : Applications linéaires

1. Définition et propriétés.
2. Noyau et image.
3. Théorème du rang.
4. Matrice d’une application linéaire.
5. Changement de base.
6. Applications : transformations géométriques en infographie.

Chapitre 4 : Calcul matriciel avancé

1. Opérations sur les matrices (addition, multiplication, transposition).
2. Matrices inversibles.
3. Calcul de l’inverse par différentes méthodes.
4. Applications : cryptographie, systèmes dynamiques.

Chapitre 5 : Déterminants
1. Définition et propriétés.
2. Calcul des déterminants (développement par rapport à une ligne/colonne).
3. Applications : inversion de matrices, résolution de systèmes (formules de Cramer).
4. Interprétation géométrique (volumes, aires).

Modalités pédagogiques
L’enseignement combine :
— Cours magistraux : exposés théoriques avec démonstrations.
— Travaux dirigés : résolution d’exercices variés.
— Travaux pratiques : implémentation en Python/NumPy des concepts étudiés (résolution de
systèmes, manipulation de matrices, transformations linéaires).
— Projet : application concrète (ex : implémentation d’un algorithme de compression d’images
basé sur la décomposition matricielle).

5
Références bibliographiques officielles
Conformément aux directives du MINESUP et aux programmes harmonisés, les ouvrages de
référence sont :
1. ARTIN, M. (2011). Algebra. Pearson Education. (Édition française : Algèbre, Dunod).
2. LANG, S. (2004). Algèbre linéaire. Dunod.
3. STRANG, G. (2016). Introduction to Linear Algebra. Wellesley-Cambridge Press.
4. COTTET-EMARD, F. (2015). Algèbre linéaire et géométrie. De Boeck Supérieur.
5. MINESUP. (2018). Programme national de mathématiques pour les filières scientifiques et
technologiques. Document interne, Direction des Affaires Académiques.
6. Arrêté N° 18/0092/MINESUP du 12 avril 2018 portant organisation des enseignements
dans les filières de sciences et technologies.

Calendrier indicatif des enseignements

Semaine Thème Activités

1-2 Systèmes linéaires et matrices Cours + TD + TP Python
3-4 Espaces vectoriels Cours + TD
5-6 Applications linéaires Cours + TD
7-8 Calcul matriciel avancé Cours + TD + Contrôle continu
9-10 Déterminants Cours + TD + TP
11-12 Révisions et projet Exercices synthèse, projet
13 Examen final Évaluation écrite

Règles de validation
Pour valider l’unité d’enseignement, l’étudiant doit :
— Avoir une moyenne générale ≥ 10/20 (contrôle continu + examen final).
— Avoir participé à au moins 75% des séances de TD et TP.
— Rendre le projet individuel ou collectif selon les consignes.

Matériel requis
— Calculatrice scientifique.
— Environnement Python (Anaconda, Jupyter Notebook) installé.
— Cahier de TD et de cours.

Enseignant responsable :
Coordination pédagogique :
Nom et prénom
Chef de Département
Grade : Professeur de Mathématiques
Signature et cachet
Email : enseignant@[Link]

Établi à Yaoundé, le 24 mars 2026

L’Enseignant de Mathématiques
Institut de Management et d’Entreprenariat

6
Références complètes et conformité
Ce syllabus est conforme aux dispositions de :
— L’Arrêté N° 18/0092/MINESUP du 12 avril 2018 portant organisation des enseignements dans
les filières de sciences et technologies.
— Le Programme Harmonisé de Mathématiques pour les Écoles et Instituts Supérieurs publics et
privés (MINESUP, Direction Générale de l’Enseignement Supérieur, 2018).
— Le référentiel de compétences de la filière Génie Logiciel (LMD).
Le contenu respecte les exigences nationales en matière d’enseignement supérieur et intègre les
spécificités liées à la formation en Génie Logiciel, notamment l’accent sur les applications informa-
tiques et l’algorithmique.

7
PROBABILITÉS ET STATISTIQUES
Les Probabilités et Statistiques constituent une discipline fondamentale pour le Génie Logiciel
moderne. Conformément au programme harmonisé du Ministère de l’Enseignement Supérieur (Arrêté
N° 18/0092/MINESUP du 12 avril 2018 portant organisation des enseignements dans les filières de
sciences et technologies), ce cours fournit les outils nécessaires à l’analyse de données, à l’intelligence
artificielle, au machine learning, et à la prise de décision en environnement incertain.
Dans un contexte où les données massives (big data) et l’apprentissage automatique dominent le
paysage informatique, la maîtrise des concepts probabilistes et statistiques est devenue incontournable
pour tout ingénieur en Génie Logiciel.

Objectifs du cours
À l’issue de ce cours, l’étudiant sera capable de :
— Maîtriser les concepts fondamentaux des probabilités (espaces probabilisés, variables aléa-
toires) ;
— Calculer et interpréter les indicateurs statistiques (moyenne, variance, quantiles) ;
— Utiliser les lois de probabilité usuelles (discrètes et continues) ;
— Effectuer des estimations ponctuelles et par intervalle de confiance ;
— Mettre en œuvre des tests d’hypothèses ;
— Appliquer ces concepts en programmation Python (bibliothèques NumPy, SciPy, Pandas).

Compétences visées (Référentiel MINESUP)

— Savoirs : Fondements théoriques des probabilités et de l’inférence statistique.
— Savoir-faire : Analyse de données, modélisation probabiliste, tests statistiques.
— Savoir-être : Esprit critique face aux données, rigueur scientifique.

Volume horaire et évaluation

— Cours magistraux : 30 heures
— Travaux dirigés : 15 heures
— Travaux pratiques (informatique) : 10 heures (Python pour l’analyse statistique)
— Projet : Analyse statistique d’un jeu de données réel
— Évaluation :
— Contrôle continu : 30% (devoirs surveillés, TP notés)
— Projet : 20%
— Examen final : 50%

Plan détaillé du cours

Chapitre 1 : Analyse descriptive des données
1. Types de données (qualitatives, quantitatives).
2. Représentations graphiques (histogrammes, diagrammes en boîte, nuages de points).
3. Indicateurs de tendance centrale (moyenne, médiane, mode).
4. Indicateurs de dispersion (variance, écart-type, étendue, écart interquartile).
5. Applications : analyse exploratoire de données avec Python (Pandas).

8
Chapitre 2 : Calcul des probabilités
1. Espaces probabilisés (univers, événements, tribu).
2. Axiomes des probabilités.
3. Probabilités conditionnelles et indépendance.
4. Formule des probabilités totales et théorème de Bayes.
5. Applications : classification naïve bayésienne en machine learning.

Chapitre 3 : Variables aléatoires discrètes

1. Définition et fonction de répartition.
2. Espérance, variance, moments.
3. Lois discrètes usuelles :
— Loi de Bernoulli et binomiale.
— Loi de Poisson.
— Loi géométrique et hypergéométrique.
4. Applications : modélisation de files d’attente, analyse de performance.

Chapitre 4 : Variables aléatoires continues

1. Densité de probabilité et fonction de répartition.
2. Lois continues usuelles :
— Loi uniforme.
— Loi exponentielle (durée de vie, temps d’attente).
— Loi normale (théorème central limite).
— Loi du χ2 , Student, Fisher.
3. Applications : simulation de phénomènes aléatoires.

Chapitre 5 : Statistique inférentielle

1. Échantillonnage et distributions d’échantillonnage.
2. Estimation ponctuelle (méthode des moments, maximum de vraisemblance).
3. Estimation par intervalle de confiance.
4. Tests d’hypothèses paramétriques (tests de conformité, comparaison de moyennes).
5. Applications : tests A/B en développement logiciel.

Chapitre 6 : Introduction à l’analyse de régression (optionnel)

1. Régression linéaire simple.
2. Estimation des paramètres (moindres carrés).
3. Évaluation de la qualité du modèle (R2 ).
4. Applications : prédiction et analyse de tendances.

9
Modalités pédagogiques
L’enseignement combine plusieurs approches complémentaires :
— Cours magistraux : Exposés théoriques avec démonstrations et exemples concrets.
— Travaux dirigés : Résolution d’exercices variés, étude de cas.
— Travaux pratiques :
— TP1 : Manipulation de données avec Pandas et visualisation (Matplotlib/Seaborn).
— TP2 : Simulation de variables aléatoires avec NumPy.
— TP3 : Estimation et tests d’hypothèses avec SciPy.
— Projet : Analyse complète d’un jeu de données (choix : données Open Data Cameroun, données
de performance logicielle, etc.).

Références bibliographiques officielles

Conformément aux directives du MINESUP et aux programmes harmonisés, les ouvrages de
référence sont :
1. FOATA, D., & FUCHS, A. (2012). Calcul des probabilités : Cours, exercices et problèmes
corrigés. Dunod.
2. SAPORTA, G. (2011). Probabilités, analyse des données et statistique. Éditions Technip.
3. DAGNELIE, P. (2011). Statistique théorique et appliquée. De Boeck Supérieur.
4. ROSS, S. M. (2014). Introduction to Probability Models. Academic Press.
5. HASTIE, T., TIBSHIRANI, R., & FRIEDMAN, J. (2009). The Elements of Statistical
Learning. Springer.
6. MINESUP. (2018). Programme national de mathématiques pour les filières scientifiques et
technologiques. Document interne, Direction des Affaires Académiques.
7. Arrêté N° 18/0092/MINESUP du 12 avril 2018 portant organisation des enseignements
dans les filières de sciences et technologies.

Calendrier indicatif des enseignements

Semaine Thème Activités

1-2 Analyse descriptive des données Cours + TD + TP1 (Pandas)
3-4 Calcul des probabilités Cours + TD
5-6 Variables aléatoires discrètes Cours + TD + TP2 (Simulation)
7-8 Variables aléatoires continues Cours + TD + Contrôle continu
9-10 Statistique inférentielle Cours + TD + TP3 (Tests)
11-12 Régression et projets Cours + TD + Projet
13 Révisions Exercices synthèse
14 Examen final Évaluation écrite

Règles de validation
Pour valider l’unité d’enseignement, l’étudiant doit :
— Avoir une moyenne générale ≥ 10/20 (contrôle continu + projet + examen final).
— Avoir participé à au moins 75% des séances de TD et TP.
— Rendre le projet final dans les délais impartis.
— Présenter oralement le projet (soutenance de 10 minutes).

10
Matériel requis
— Calculatrice scientifique (avec fonctions statistiques).
— Ordinateur portable avec environnement Python installé (Anaconda, Jupyter Notebook).
— Bibliothèques Python : NumPy, Pandas, Matplotlib, Seaborn, SciPy.
— Cahier de cours et de TD.

Applications spécifiques au Génie Logiciel

— Analyse de performance : Utilisation de tests statistiques pour comparer des algorithmes.
— Machine Learning : Fondements probabilistes des modèles (régression logistique, forêts aléa-
toires).
— Contrôle qualité : Tests d’hypothèses pour la validation de logiciels.
— Simulation : Modélisation de systèmes complexes avec des processus stochastiques.

Enseignant responsable :
Dr. [Nom et prénom] Coordination pédagogique :
Grade : Maître de Conférences / Chargé de Cours Chef de Département Informatique
Email : enseignant@[Link] Signature et cachet
Bureau : [Localisation]

Établi à Yaoundé, le 24 mars 2026

L’Enseignant de Mathématiques
Institut de Management et d’Entreprenariat

Références complètes et conformité institutionnelle

Ce syllabus est conforme aux dispositions de :
1. Arrêté N° 18/0092/MINESUP du 12 avril 2018 portant organisation des enseignements
dans les filières de sciences et technologies.
2. Le Programme Harmonisé de Mathématiques pour les Écoles et Instituts Supé-
rieurs publics et privés (MINESUP, Direction Générale de l’Enseignement Supérieur, 2018).
3. Le référentiel de compétences de la filière Génie Logiciel dans le cadre du système
LMD.
4. La circulaire N° 20/003/MINESUP du 15 janvier 2020 relative à l’harmonisation des
programmes dans les établissements privés d’enseignement supérieur.

Annexe : Grille d’évaluation du projet

Critère Pondération
Qualité de l’analyse exploratoire des données 20%
Pertinence du modèle statistique choisi 25%
Implémentation Python et reproductibilité 25%
Interprétation des résultats 20%
Qualité du rapport et de la présentation 10%

11
ANALYSE II
L’Analyse II constitue le prolongement naturel de l’Analyse I et s’inscrit dans le programme
harmonisé du Ministère de l’Enseignement Supérieur (Arrêté N° 18/0092/MINESUP du 12 avril
2018 portant organisation des enseignements dans les filières de sciences et technologies). Cette
unité d’enseignement approfondit les concepts fondamentaux du calcul différentiel et intégral en les
étendant aux fonctions de plusieurs variables.
Pour les étudiants en Génie Logiciel, cette matière revêt une importance particulière car elle
fournit les bases mathématiques nécessaires à de nombreux domaines de pointe : optimisation algo-
rithmique, intelligence artificielle, apprentissage profond, vision par ordinateur, simulation numérique
et modélisation 3D.

Prérequis
Pour suivre ce cours, l’étudiant doit avoir validé l’unité d’enseignement d’Analyse I ou posséder
des connaissances équivalentes en :
— Calcul des limites et continuité ;
— Dérivation des fonctions d’une variable réelle ;
— Calcul intégral de base ;
— Développements limités.

Objectifs du cours
À l’issue de ce cours, l’étudiant sera capable de :
— Maîtriser les concepts de convergence des suites et séries numériques ;
— Étudier les fonctions de plusieurs variables (limites, continuité, différentiabilité) ;
— Calculer et interpréter les dérivées partielles et les gradients ;
— Résoudre des problèmes d’optimisation (extrémums libres et liés) ;
— Comprendre les intégrales multiples et leurs applications ;
— Appliquer ces concepts en programmation (calcul numérique, optimisation).

Compétences visées (Référentiel MINESUP)

— Savoirs : Théorie des séries, calcul différentiel et intégral en plusieurs variables.
— Savoir-faire : Optimisation, calcul numérique, modélisation mathématique.
— Savoir-être : Abstraction, rigueur logique, résolution de problèmes complexes.

Volume horaire et évaluation

— Cours magistraux : 30 heures
— Travaux dirigés : 15 heures
— Travaux pratiques (informatique) : 5 heures (Python/NumPy/SciPy pour le calcul numé-
rique)
— Évaluation :
— Contrôle continu : 40% (devoirs surveillés, travaux pratiques)
— Examen final : 60%

12
Plan détaillé du cours
Chapitre 1 : Suites et séries numériques
1. Rappels sur les suites numériques (convergence, critères).
2. Séries numériques : définition, convergence, divergence.
3. Séries à termes positifs : critères de comparaison, de d’Alembert, de Cauchy.
4. Séries à termes quelconques : convergence absolue et semi-convergence.
5. Séries alternées (critère de Leibniz).
6. Applications : approximation numérique, calcul de constantes mathématiques.

Chapitre 2 : Séries entières

1. Rayon de convergence, intervalle de convergence.
2. Somme d’une série entière.
3. Développement en série entière des fonctions usuelles.
4. Applications : résolution d’équations différentielles, approximation de fonctions.

Chapitre 3 : Fonctions de plusieurs variables

1. Topologie de Rn : ouverts, fermés, compacts.
2. Limites et continuité des fonctions de plusieurs variables.
3. Dérivées partielles.
4. Différentiabilité, gradient, matrice jacobienne.
5. Dérivées directionnelles.
6. Applications : descente de gradient en apprentissage automatique.

Chapitre 4 : Optimisation
1. Extrémums locaux et globaux.
2. Condition nécessaire du premier ordre (gradient nul).
3. Condition suffisante du second ordre (matrice hessienne).
4. Extrémums sous contrainte : méthode des multiplicateurs de Lagrange.
5. Applications : optimisation de réseaux de neurones, problèmes de conception.

Chapitre 5 : Intégrales multiples

1. Intégrales doubles et triples.
2. Théorème de Fubini.
3. Changement de variables (coordonnées polaires, cylindriques, sphériques).
4. Applications : calcul d’aires, de volumes, de centres de masse.
5. Applications en infographie 3D.

Chapitre 6 : Intégrales curvilignes et théorèmes fondamentaux

1. Courbes paramétrées, longueur d’un arc.
2. Intégrales curvilignes de première et deuxième espèce.
3. Théorème de Green.
4. Applications : calcul de flux, potentiel vectoriel.

13
Modalités pédagogiques
L’enseignement combine plusieurs approches complémentaires :
— Cours magistraux : Exposés théoriques avec démonstrations rigoureuses et illustrations géo-
métriques.
— Travaux dirigés : Résolution d’exercices variés, allant des applications directes aux problèmes
plus complexes.
— Travaux pratiques :
— TP1 : Calcul de séries et approximations numériques avec Python.
— TP2 : Visualisation de fonctions de deux variables (Matplotlib 3D).
— TP3 : Implémentation de l’algorithme de descente de gradient.
— TP4 : Calcul d’intégrales multiples par méthodes numériques.
— Projet optionnel : Application d’une méthode d’optimisation à un problème concret.

Références bibliographiques officielles

Conformément aux directives du MINESUP et aux programmes harmonisés, les ouvrages de
référence sont :
1. RUDIN, W. (1976). Principes d’analyse mathématique. McGraw-Hill. (Édition française :
Dunod, 2006).
2. STEWART, J. (2016). Calculus : Early Transcendentals. Cengage Learning.
3. ARNAUDIÈS, J. M., & FRAYSSE, P. (2015). Cours de mathématiques - Tome 2 : Ana-
lyse. Dunod.
4. GONNORD, P., & TOSEL, N. (2015). Analyse pour l’ingénieur. Ellipses.
5. ROUMIEU, P. (2015). Analyse 2 : Fonctions de plusieurs variables. Dunod.
6. MINESUP. (2018). Programme national de mathématiques pour les filières scientifiques et
technologiques. Document interne, Direction des Affaires Académiques.
7. Arrêté N° 18/0092/MINESUP du 12 avril 2018 portant organisation des enseignements
dans les filières de sciences et technologies.

Calendrier indicatif des enseignements

Semaine Thème Activités

1-2 Suites et séries numériques Cours + TD
3-4 Séries entières Cours + TD + TP1
5-6 Fonctions de plusieurs variables Cours + TD + TP2
7-8 Optimisation Cours + TD + TP3
9-10 Intégrales multiples Cours + TD + Contrôle continu
11-12 Intégrales curvilignes Cours + TD + TP4
13 Révisions Exercices synthèse
14 Examen final Évaluation écrite

Règles de validation
Pour valider l’unité d’enseignement, l’étudiant doit :
— Avoir une moyenne générale ≥ 10/20 (contrôle continu + examen final).
— Avoir participé à au moins 75% des séances de TD et TP.
— Rendre les comptes rendus de TP dans les délais impartis.

14
Matériel requis
— Calculatrice scientifique (avec fonctions graphiques recommandée).
— Ordinateur portable avec environnement Python installé (Anaconda, Jupyter Notebook).
— Bibliothèques Python : NumPy, Matplotlib, SciPy, SymPy.
— Cahier de cours et de TD.

Applications spécifiques au Génie Logiciel

Domaine Application de l’Analyse II

Intelligence Artifi- Descente de gradient pour l’apprentissage des réseaux
cielle de neurones.
Optimisation algorith- Recherche d’extrémums pour les problèmes de concep-
mique tion logicielle.
Infographie 3D Calcul de normales, transformations géométriques,
rendu de surfaces.
Simulation numérique Résolution d’équations aux dérivées partielles, modéli-
sation physique.
Vision par ordinateur Détection de contours, optimisation de filtres.
Machine Learning Régularisation, fonctions de coût, optimisation convexe.

Enseignant responsable :
Dr. [Nom et prénom] Coordination pédagogique :
Grade : Maître de Conférences / Chargé de Cours Chef de Département Informatique
Email : enseignant@[Link] Signature et cachet
Bureau : [Localisation]

Établi à Yaoundé, le 24 mars 2026

L’Enseignant de Mathématiques
Institut de Management et d’Entreprenariat

Références complètes et conformité institutionnelle

Ce syllabus est conforme aux dispositions de :
1. Arrêté N° 18/0092/MINESUP du 12 avril 2018 portant organisation des enseignements
dans les filières de sciences et technologies.
2. Le Programme Harmonisé de Mathématiques pour les Écoles et Instituts Supé-
rieurs publics et privés (MINESUP, Direction Générale de l’Enseignement Supérieur, 2018).
3. Le référentiel de compétences de la filière Génie Logiciel dans le cadre du système
LMD.
4. La circulaire N° 20/003/MINESUP du 15 janvier 2020 relative à l’harmonisation des
programmes dans les établissements privés d’enseignement supérieur.
5. Le Programme National de Formation en Ingénierie Informatique (PNFII, 2019).

15
Annexe : Notions importantes pour le Génie Logiciel
Définition 0.1 (Gradient). Le gradient d’une fonction f : Rn → R est le vecteur des dérivées
partielles :  
∂f ∂f ∂f
∇f (x) = , ,...,
∂x1 ∂x2 ∂xn
En apprentissage automatique, il indique la direction de la plus forte augmentation de la fonction de
coût.

Définition 0.2 (Matrice Hessienne). La matrice hessienne d’une fonction f : Rn → R est la matrice
des dérivées partielles secondes :
 2 
∂ f
Hf (x) =
∂xi ∂xj 1≤i,j≤n

Elle permet de déterminer la nature des points critiques (minimum, maximum, col).

Exemple 0.1 (Descente de gradient). L’algorithme de descente de gradient, utilisé pour entraîner
les réseaux de neurones, s’écrit :
xk+1 = xk − η∇f (xk )
où η est le pas d’apprentissage. Cet algorithme repose sur les concepts d’Analyse II.

Critères d’évaluation détaillés

Type d’évaluation Pondération

Contrôle continu 1 (CC1) 15%
Contrôle continu 2 (CC2) 15%
Travaux pratiques notés 10%
Examen final 60%
Total 100%

16
ALGÈBRE DE BOOLE
L’Algèbre de Boole constitue un fondement théorique essentiel pour le Génie Logiciel. Conformé-
ment au programme harmonisé du Ministère de l’Enseignement Supérieur (Arrêté N° 18/0092/MI-
NESUP du 12 avril 2018 portant organisation des enseignements dans les filières de sciences et
technologies), cette unité d’enseignement introduit les concepts fondamentaux de la logique mathé-
matique et des structures algébriques booléennes.
Cette matière est au cœur de l’informatique moderne. Elle est à la base de la conception des
circuits électroniques, des processeurs, des langages de programmation, des bases de données rela-
tionnelles, de la cryptographie, de l’intelligence artificielle (systèmes experts, moteurs d’inférence) et
de la vérification formelle des logiciels.

Objectifs du cours
À l’issue de ce cours, l’étudiant sera capable de :
— Comprendre les fondements de la logique propositionnelle et prédicative ;
— Maîtriser les opérateurs et les lois de l’algèbre de Boole ;
— Simplifier des expressions booléennes (algébriquement et par tableaux de Karnaugh) ;
— Modéliser et concevoir des circuits logiques combinatoires ;
— Comprendre les applications en architecture des ordinateurs et en programmation ;
— Appliquer les concepts à la vérification et à la preuve de programmes.

Compétences visées (Référentiel MINESUP)

— Savoirs : Logique propositionnelle, structures booléennes, fonctions logiques.
— Savoir-faire : Simplification d’expressions, conception de circuits, modélisation.
— Savoir-être : Abstraction, rigueur logique, pensée algorithmique.

Volume horaire et évaluation

— Cours magistraux : 25 heures
— Travaux dirigés : 15 heures
— Travaux pratiques : 10 heures (simulation de circuits, programmation en Python)
— Évaluation :
— Contrôle continu : 40% (devoirs surveillés, travaux pratiques)
— Examen final : 60%

Plan détaillé du cours

Chapitre 1 : Logique propositionnelle
1. Propositions et connecteurs logiques (négation, conjonction, disjonction, implication, équiva-
lence).
2. Tables de vérité.
3. Tautologies, contradictions, contingences.
4. Équivalences logiques fondamentales (lois de De Morgan, distributivité, etc.).
5. Formes normales (CNF, DNF).
6. Applications : expressions conditionnelles en programmation.

17
Chapitre 2 : Algèbre de Boole : axiomatique et propriétés
1. Définition d’une algèbre de Boole (axiomes de Huntington).
2. Exemples : algèbre binaire {0, 1}, algèbre des ensembles, algèbre des propositions.
3. Principes de dualité.
4. Théorèmes fondamentaux (idempotence, absorption, involution).
5. Fonctions booléennes et leurs représentations.

Chapitre 3 : Simplification des fonctions booléennes

1. Méthodes algébriques de simplification.
2. Tableaux de Karnaugh (pour 2, 3, 4 variables).
3. Méthode de Quine-McCluskey.
4. Implicants premiers, implicants essentiels.
5. Applications : optimisation de circuits logiques.

Chapitre 4 : Circuits logiques combinatoires

1. Portes logiques fondamentales (AND, OR, NOT, NAND, NOR, XOR, XNOR).
2. Universalité des portes NAND et NOR.
3. Conception de circuits combinatoires : additionneurs, multiplexeurs, démultiplexeurs, déco-
deurs, encodeurs.
4. Demi-additionneur, additionneur complet.
5. Circuits arithmétiques (UAL simplifiée).
6. Applications : conception de l’unité arithmétique et logique des processeurs.

Chapitre 5 : Logique des prédicats (Logique du premier ordre)

1. Quantificateurs (universel ∀, existentiel ∃).
2. Variables libres et liées.
3. Formules bien formées.
4. Négation des quantificateurs.
5. Applications : spécification formelle de programmes, bases de données relationnelles (algèbre
relationnelle).

Chapitre 6 : Applications avancées en Génie Logiciel

1. Logique en programmation (expressions conditionnelles, assertions, invariants).
2. Vérification formelle de programmes.
3. Systèmes experts et moteurs d’inférence.
4. Algèbre relationnelle et requêtes SQL.
5. Cryptographie (S-boxes, fonctions booléennes).
6. Réseaux de neurones binaires.

18
Modalités pédagogiques
L’enseignement combine plusieurs approches complémentaires :
— Cours magistraux : Exposés théoriques avec démonstrations rigoureuses.
— Travaux dirigés : Résolution d’exercices variés (tables de vérité, simplification, conception de
circuits).
— Travaux pratiques :
— TP1 : Simulation de portes logiques avec Python.
— TP2 : Simplification par tableaux de Karnaugh assistée par ordinateur.
— TP3 : Conception d’un additionneur complet en simulation.
— TP4 : Implémentation d’un moteur d’inférence simple.
— Projet : Conception et simulation d’un circuit logique complet (ex : UAL 4 bits).

Références bibliographiques officielles

Conformément aux directives du MINESUP et aux programmes harmonisés, les ouvrages de
référence sont :
1. BOOLE, G. (1854). An Investigation of the Laws of Thought. (Édition moderne : Dover
Publications, 1958).
2. MANO, M. M., & CILETTI, M. D. (2018). Digital Design : With an Introduction to the
Verilog HDL. Pearson.
3. FLOYD, T. L. (2015). Digital Fundamentals. Pearson.
4. ROSEN, K. H. (2019). Discrete Mathematics and Its Applications. McGraw-Hill.
5. GRÄTZER, G. (2011). Lattice Theory : Foundation. Springer.
6. MINESUP. (2018). Programme national de mathématiques pour les filières scientifiques et
technologiques. Document interne, Direction des Affaires Académiques.
7. Arrêté N° 18/0092/MINESUP du 12 avril 2018 portant organisation des enseignements
dans les filières de sciences et technologies.
8. Programme National de Formation en Ingénierie Informatique (PNFII, 2019).

Calendrier indicatif des enseignements

Semaine Thème Activités

1-2 Logique propositionnelle Cours + TD
3-4 Algèbre de Boole Cours + TD
5-6 Simplification (Karnaugh, Quine-McCluskey) Cours + TD + TP1
7-8 Circuits logiques combinatoires Cours + TD + TP2
9-10 Conception de circuits avancés Cours + TD + TP3 + Contrôle continu
11-12 Logique des prédicats Cours + TD + TP4
13 Applications en Génie Logiciel Projet
14 Examen final Évaluation écrite

Règles de validation
Pour valider l’unité d’enseignement, l’étudiant doit :
— Avoir une moyenne générale ≥ 10/20 (contrôle continu + projet + examen final).
— Avoir participé à au moins 75% des séances de TD et TP.
— Rendre le projet final dans les délais impartis.

19
Matériel requis
— Calculatrice scientifique.
— Ordinateur portable avec environnement Python installé (Anaconda, Jupyter Notebook).
— Logiciel de simulation de circuits (Logisim, ou simulation en Python).
— Cahier de cours et de TD.

Applications spécifiques au Génie Logiciel

Domaine Application de l’Algèbre de Boole

Architecture des ordina- Conception de l’UAL, des décodeurs, des circuits de
teurs contrôle.
Programmation Expressions conditionnelles, opérateurs bit à bit, asser-
tions.
Bases de données Algèbre relationnelle, optimisation de requêtes SQL.
Intelligence Artificielle Systèmes experts, moteurs d’inférence, logique floue.
Cryptographie Fonctions booléennes pour les S-boxes, chiffrement sy-
métrique.
Vérification formelle Preuve de programmes, model checking, invariants.
Réseaux Routage, adressage IP, masques de sous-réseau.

Fondements théoriques : définitions clés

Définition 0.3 (Algèbre de Boole). Une algèbre de Boole est un ensemble B muni de deux opéra-
tions binaires ∧ (ET), ∨ (OU) et d’une opération unaire ¬ (complémentation) vérifiant les axiomes
suivants :
(i) Commutativité : a ∧ b = b ∧ a, a ∨ b = b ∨ a.
(ii) Distributivité : a ∧ (b ∨ c) = (a ∧ b) ∨ (a ∧ c), a ∨ (b ∧ c) = (a ∨ b) ∧ (a ∨ c).
(iii) Éléments neutres : a ∧ 1 = a, a ∨ 0 = a.
(iv) Complément : a ∧ ¬a = 0, a ∨ ¬a = 1.
Définition 0.4 (Fonction booléenne). Une fonction booléenne à n variables est une application
f : {0, 1}n → {0, 1}. Elle peut être représentée par une table de vérité, une expression algébrique ou
un diagramme de Karnaugh.
Théorème 0.1 (Lois de De Morgan). Pour toute algèbre de Boole, on a :

¬(a ∧ b) = ¬a ∨ ¬b

¬(a ∨ b) = ¬a ∧ ¬b
Exemple 0.2 (Additionneur complet). Un additionneur complet possède trois entrées (A, B, Cin )
et deux sorties (S, Cout ). Les expressions booléennes sont :

S = A ⊕ B ⊕ Cin

Cout = (A ∧ B) ∨ (A ∧ Cin ) ∨ (B ∧ Cin )

Ce circuit est fondamental dans la conception des processeurs.

20
Critères d’évaluation détaillés

Type d’évaluation Pondération

Contrôle continu 1 (CC1) 15%
Contrôle continu 2 (CC2) 15%
Travaux pratiques notés 10%
Projet de fin de semestre 10%
Examen final 50%
Total 100%

Correspondance avec le programme national

Contenu du syllabus Référence MINESUP

Logique propositionnelle Programme de Mathématiques L1, Module MTH 101
Algèbre de Boole Programme de Mathématiques L1, Module MTH 102
Circuits combinatoires Programme d’Architecture des Ordinateurs, INF 103
Logique des prédicats Programme de Mathématiques L1, Module MTH 102
Applications en Génie Logi- Référentiel de compétences GL
ciel

Enseignant responsable :
Dr. [Nom et prénom] Coordination pédagogique :
Grade : Maître de Conférences / Chargé de Cours Chef de Département Informatique
Email : enseignant@[Link] Signature et cachet
Bureau : [Localisation]

Établi à Yaoundé, le 24 mars 2026

L’Enseignant de Mathématiques
Institut de Management et d’Entreprenariat

Références complètes et conformité institutionnelle

Ce syllabus est conforme aux dispositions de :
1. Arrêté N° 18/0092/MINESUP du 12 avril 2018 — Portant organisation des enseigne-
ments dans les filières de sciences et technologies.
2. Le Programme Harmonisé de Mathématiques pour les Écoles et Instituts Supé-
rieurs publics et privés (MINESUP, Direction Générale de l’Enseignement Supérieur, 2018).
3. Le référentiel de compétences de la filière Génie Logiciel dans le cadre du système
LMD.
4. La circulaire N° 20/003/MINESUP du 15 janvier 2020 — Relative à l’harmonisation
des programmes dans les établissements privés d’enseignement supérieur.
5. Le Programme National de Formation en Ingénierie Informatique (PNFII, 2019)
— Document cadre pour les formations en informatique.
6. Le document d’orientation pédagogique pour les formations en sciences et techno-
logies (MINESUP, 2017).

21
Ouvrages complémentaires recommandés
— HAZEWINKEL, M. (2009). Algèbre de Boole et applications. CEDIC.
— HARRIS, D. M., & HARRIS, S. L. (2015). Digital Design and Computer Architecture. Morgan
Kaufmann.
— ENDERTON, H. B. (2001). A Mathematical Introduction to Logic. Academic Press.

22