Le bayésianisme aujourd’hui Fondements et pratiques

Sous la direction de
Collection : Sciences & philosophie

32,00 €

  • Livre papier
  • eBook PDF
Délais moyens : France métropolitaine (2 jours ouvrés) ; DOM-TOM (7 à 10 jours ouvrés) ; Autres pays (7 à 15 jours ouvrés).
Paiement sécurisé
Livraison offerte

Le bayésianisme connaît un succès croissant dans des domaines du savoir toujours plus nombreux. Le présent ouvrage vise d’abord à présenter l’état actuel du bayésianisme dans ses différentes dimensions, de la logique et la philosophie des probabilités jusqu’à la pratique des sciences empiriques, en passant par la théorie statistique. Il prétend également interroger l’unité des approches bayésiennes, entre les disciplines et dans le temps. Enfin, il aborde la question de savoir quelle est la portée de ces approches et comment il convient d’interpréter leur succès. Faut-il, en particulier, considérer que la fécondité d’un modèle bayésien signifie que ce dont il est un modèle est bayésien (en un sens qui resterait à préciser) ?

L’ouvrage se veut abordable par un lectorat certes motivé, mais pas nécessairement spécialiste. L’exposé est pluridisciplinaire et tous les auteurs sont familiers ou acteurs, en leur domaine, des développements les plus contemporains du bayésianisme. Il s’agit de faire comprendre l’intérêt des approches bayésiennes, parfois en les comparant aux méthodes plus classiques avec lesquelles elles viennent rivaliser, et en explorant un éventail de projets et de disciplines qui soit aussi large que possible. Un tel projet éditorial est inédit en français.

Auteurs Isabelle Drouet
Titre Le bayésianisme aujourd’hui
Sous-titre Fondements et pratiques
Édition 1re
Date de publication Octobre 2016
Sous la direction de
ISSN 2275-9948
ISBN 978-2-37361-078-9
eISBN 978-2-37361-079-6
Support papier et ebook pdf
EAN13 Papier 9782373610789
EAN13 PDF 9782373610796
Nombre de pages 504
Nombre de figures 27
Dimensions 16,4x24 cm
Prix livre papier 32 €
Prix eBook PDF 21,99 €
Mots-clé Bayes, philosophie des sciences, probabilités, statistiques, causalité
CLIL 3126 + 3051
BISAC (classifications thématiques) SCI075000
BIC (classifications thématiques) PDA
Dewey 501

Introduction (page 3) Le bayésianisme : éléments de définition et mutations récentes

Isabelle DROUET

1] Caractérisation du bayésianisme

1.1] Croyances considérées de manière synchronique

1.2] Dynamique des croyances

1.3] Raisonnement scientifique

2] Les arguments bayésiens classiques

2.1] Justifications du bayésianisme

2.2] Réponses à l’objection du subjectivisme

3] Les arguments bayésiens aujourd’hui

3.1] Variantes et extensions des arguments classiques

3.2] Nouvelles justifications du bayésianisme

4] Conclusion

Remerciements

Partie 1

Le bayésianisme comme interprétation des probabilités et comme théorie normative du raisonnement

Chapitre 1 (page 29) Bayésianisme objectif et principe de précaution

Barbara OSIMANI & Federica RUSSO

1] Le bayésianisme et le problème de l’arbitraire

2] Bayésianisme objectif et probabilités équivoques

3] Décision et liens causaux incertains dans le contexte pharmaceutique : le cas Contergan

4] Principe de précaution et causalité

5] Critiques du principe de précaution et prise en compte de l’inconnu

6] Décisions pharmaceutiques et bayésianisme objectif

7] Conclusion

Chapitre 2 (page 53), La nature des probabilités dans les systèmes de raisonnement médical bayésiens

Adrien BARTON

1] Le « bayésianisme naïf » en médecine

1.1] La méthode bayésienne médicale générale

1.2] L’algorithme bayésien naïf

1.3] Le statut des probabilités dans les algorithmes bayésiens

1.3.1] Probabilités épistémiques et propensionsionnistes

1.3.2] La nature des probabilités dans le raisonnement bayésien médical

2] Les systèmes experts médicaux

2.1] L’appareil formel des systèmes experts et les probabilités

2.2] Les performances des systèmes experts

2.3] Problèmes et abandon des projets

3] Les réseaux bayésiens médicaux

3.1] Les réseaux bayésiens et leurs relations avec les systèmes experts

3.2] L’obtention des valeurs numériques

3.3] Remise en question de l’hypothèse 1

3.4] Remise en question de l’hypothèse 2

3.5] Obtention des valeurs numériques : conclusion

4] Les ontologies appliquées biomédicales

4.1] Ontologies appliquées et réseaux bayésiens

4.2] Approche dispositionnelle des probabilités médicales dans les ontologies appliquées

5] Conclusion

Chapitre 3 (page 87) Les probabilités en théorie des jeux

Mikaël COZIC & Bernard WALLISER

1] Introduction

1.1] La théorie des jeux et les probabilités

1.2] Les interprétations des probabilités

1.3] Les probabilités en théorie de la décision individuelle

1.4] Plan du chapitre

2] Probabilités sur les états de la nature

2.1] Jeu sous forme extensive

2.2] Les probabilités et leur révision

2.3] L’hypothèse de l’a priori commun

3] Probabilités sur les types des joueurs

3.1] Formes de méconnaissance

3.2] Construction des types

3.3] Jeu bayésien

4] Probabilités sur les actions des joueurs

4.1] Méconnaissance des actions passées

4.2] Probabilités sur les actions passées

4.3] Méconnaissance des actions futures

4.4] Justifications des stratégies mixtes

5] Probabilités en théorie des jeux épistémique

5.1] Principes

5.2] Équilibres associés

6] Probabilités en théorie des jeux évolutionniste

6.1] Processus d’apprentissage

6.2] Processus d’apprentissage « agentiel »

6.3] Processus évolutionnaire « populationnel »

7] Conclusions

Chapitre 4 (page 113), Epistémologie sociale et épistémologie bayésienne. La vie sociale des bayésiens

Denis BONNAY & Mikaël COZIC

0] Introduction

0.1] Épistémologie bayésienne et épistémologie sociale

0.2] Agrégation, délibération et révision

1] Théories de l’agrégation probabiliste

1.1] Préliminaires

1.2] Moyennes et axiomes

1.3] Indépendance probabiliste, conditionnalisation et moyenne géométrique

1.4] Discussion

1.4.1] La question de l’allocation des poids

1.4.2] Indépendance et localité

1.4.3] Agrégation probabiliste et agrégation des jugements

2] Théories de la révision sociale

2.1] Le modèle DLW

2.2] Conditionnalisation et probabilités d’ordre supérieur

2.3] Discussion des modèles de révision sociale

3] Agréger et réviser : quand et pour quoi faire

3.1] Variété de l’agrégation

3.2] Agréger ou réviser ?

3.2.1] La contrainte par horizon de consensus

3.2.2] Agrégation consultative, révision et déférence

4] Conclusion

Partie 2

L’approche bayésienne en statistiques

Chapitre 5 (page 167) Bayésianisme versus fréquentisme en inférence statistique

Jan SPRENGER

1] L’inférence bayésienne

2] Le fréquentisme : principes et tests de signification

3] Le fréquentisme : les valeurs-p

3.1] L’erreur de la négligence du taux de base

3.2] Valeur-p et mesures de soutien bayésiennes

3.3] La plupart des résultats publiés sont-ils faux ?

3.4] Les intervalles de confiance

4] Principes de vraisemblance et de règle d’arrêt

5] Discussion : la recherche de l’objectivité

6] Conclusion

Chapitre 6 (page 193) Pourquoi les méthodes bayésiennes sont-elles si peu utilisées dans les publications expérimentales ? Les pratiques actuelles réexaminées à partir des conceptions des fondateurs de l’inférence statistique

Bruno LECOUTRE

1] Trois définitions des tests statistiques

1.1] Le test de signification de Fisher

1.2] Le test d’hypothèses de Neyman-Pearson

1.3] Le test de signification bayésien de Jeffreys

2] Les utilisateurs face à la norme

2.1] La réglementation statistique pour les essais cliniques

2.2] Les normes de publication en psychologie

2.3] Un cercle vicieux

2.4] On n’échappe pas au fréquentisme

2.5] L’interprétation bayésienne naïve des procédures fréquentistes

2.6] En conclusion de la section

3] Prendre des décisions ou apprendre des données et de l’expérience ?

3.1] Neyman-Pearson : des décisions vues comme un comportement inductif

3.2] Fisher : apprendre à partir des données expérimentales

3.3] Jeffreys : une méthodologie générale pour apprendre des données et de l’expérience

3.4] En conclusion de la section

4] Le rôle des probabilités bayésiennes

4.1] Jeffreys : bayésien déclaré

4.2] Fisher : l’approche fiduciaire

4.3] Neyman : priorité au fréquentisme

4.4] En conclusion de la section

5] Jeffreys et le rôle de l’inférence statistique dans la recherche expérimentale

5.1] Estimation et tests de signification

5.2] La réponse de Jeffreys aux questions posées par l’analyse des données expérimentales

5.3] Fisher et Jeffreys réconciliés ?

5.4] La conception de Student

5.5] Le test bayésien de Jaynes

5.6] En conclusion de la section

6] Conclusion générale

Chapitre 7 (page 221) Des spécificités de l’approche bayésienne et de ses justifications en statistique inférentielle

Christian P. ROBERT

1] Un peu d’histoire sur le développement du raisonnement bayésien, des origines à la quasi-extinction post-kolmogorienne, et au renouvellement modélisateur

1.1] Des probabilités inverses comme définition de la statistique

1.2] Des notions d’a priori et d’a posteriori, et sur l’illusion des paramètres aléatoires

1.3] Une justification par le principe de vraisemblance

2] Sur la construction des lois a priori, sur leur calibration et des réponses aux critiques afférentes

2.1] Des lois conjuguées comme éléments de base de la modélisation a priori

2.2] Sur les lois de Jeffreys et de l’impossibilité de trouver la loi la moins informative

2.3] Sur l’utilisation de lois en dimension infinie et de l’apparition de restaurants ethniques

3] De la mise en œuvre des principes bayésiens

3.1] De la loi a posteriori comme pivot de l’inférence

3.2] De l’évaluation des procédures par des fonctions de coût et de la dualité avec les lois a priori

3.3] De la spécificité des tests en inférence bayésienne, de l’opposition aux p-values, et de deux versions du paradoxe de Lindley

4] Conclusion

Partie 3

Le bayésianisme à l’œuvre dans les sciences empiriques

Chapitre 8 (page 245) Le choix bayésien pour évaluer les risques alimentaires microbiologiques

Isabelle ALBERT

1] Le choix bayésien

1.1] De l’utilité des réseaux bayésiens

1.2] De l’utilité de l’inférence bayésienne

1.2.1] Pour prendre en compte des données de santé humaine

1.2.2] Pour faire de la statistique sur des modèles complexes

1.2.3] Pour faire de la statistique sur de petits échantillons

1.2.4] En présence de données manquantes ou censurées

1.2.5] En présence de données hétérogènes

1.3] De l’utilité de la synthèse d’évidences bayésienne

1.3.1] Pour tenir compte au mieux de l’incertitude liée aux données

1.3.2] Vers une validation du modèle et des données

1.4] De l’utilité des lois a priori

1.4.1] Pour prendre en compte l’expertise

1.4.2] Vers une approche « suprabayésienne »

2] Conclusion

Chapitre 9 (page 263) Méthodes bayésiennes dans l’étude du climat

Anouk BARBEROUSSE

1] Principaux domaines recourant aux méthodes bayésiennes dans l’étude du climat

1.1] Quelques caractéristiques de l’étude du climat

1.2] Détection et attribution du changement climatique

1.3] Estimation de la sensibilité du climat à l’augmentation du CO2 dans l’atmosphère

1.4] Projections probabilistes de l’évolution du climat à l’échelle régionale et évaluation des incertitudes

1.4.1] Le choix des climatologues britanniques

1.4.2] L’étude de la sensibilité des prédictions

2] Arguments en faveur de l’approche bayésienne dans l’étude du climat

2.1] Arguments spécialisés en faveur de l’utilisation des méthodes bayésiennes dans l’étude du climat

2.1.1] Intégration d’informations multiples

2.1.2] Une meilleure prise en compte des incertitudes

2.1.3] L’argument de la transparence

2.2] Les méthodes bayésiennes dans les rapports du Giec

2.3] L’argument pragmatique

3] Conclusion

Chapitre 10 (page 291) Inférence bayésienne en phylogénie et en génétique évolutive

Nicolas LARTILLOT

Introduction] La génétique évolutive et ses défis

1] L’inférence probabiliste et ses déclinaisons

1.1] L’inférence probabiliste

1.2] Maximum de vraisemblance et inférence bayésienne

2] Quel cadre interprétatif pour les probabilités bayésiennes ?

3] Un outil flexible pour modéliser les phénomènes

3.1] Monte Carlo

3.2] Intégrer l’incertitude

4] Un exemple : modèle de réconciliation gènes-espèces

5] Vers une modélisation intégrative

6] Conclusion

Chapitre 11 (page 317) Incertitude de mesure et probabilités :  la confrontation des approches fréquentiste et bayésienne en métrologie

Fabien GREGIS & Nadine de COURTENAY

1] Erreurs de mesure et incertitude de mesure

1.1] Le GUM et la mission d’uniformisation du calcul des incertitudes

1.2] Variabilité des données issues de l’expérience et hypothèse des erreurs de mesure

1.3] Deux composantes de l’erreur de mesure

1.4] De l’identification des erreurs de mesure au calcul de l’incertitude de mesure

1.5] Équation du mesurande et fonction de mesure

2] Traitement statistique des données expérimentales : approche fréquentiste, approche bayésienne

2.1] Approche fréquentiste

2.1.1] Traitement fréquentiste des erreurs aléatoires

2.1.2] Estimateurs statistiques

2.1.3] Niveau de confiance et intervalle de confiance

2.1.4] Prise en compte des erreurs systématiques et formulation du résultat final

2.2] Approche bayésienne

2.2.1] De l’approche fréquentiste à l’approche hybride du GUM

2.2.2] Traitement bayésien des erreurs systématiques : méthodes de « type B »

2.2.3] Extension de l’approche du GUM : traitement bayésien des erreurs aléatoires

2.2.4] Formulation du résultat final

3] Discussion

3.1] L’approche bayésienne, une solution épistémique au problème des erreurs systématiques

3.1.1] Signification des intervalles d’incertitude

3.1.2] Un « tournant épistémique » en métrologie

3.2] Extension du modèle classique : priorité du social sur l’épistémique

3.2.1] Une approche fréquentiste élargie

3.2.2] Dimension sociale de l’approche fréquentiste élargie

3.2.3] Du tournant épistémique au tournant social : le problème de la dépendance épistémique

3.2.4] Quels enseignements tirer de l’approche fréquentiste élargie ?

4] Conclusion

Partie 4

Portée du bayésianisme

Chapitre 12 (page 392) Le cerveau est-il une machine bayésienne ?

Peggy SERIES

1] Bayes et la psychophysique sensorielle

1.1] L’intégration sensorielle comme « preuve » du calcul bayésien

1.2] Quelles sont les distributions de probabilités a priori du système perceptif ?

1.2.1] Mesure chez le sujet individuel

1.2.2] Distributions a priori et statistiques naturelles

1.3] Prise de décision et psychiatrie computationnelle

1.3.1] Psychiatrie computationnelle

1.3.2] Le succès de modèles bayésiens

2] Substrat neuronal du calcul bayésien

3] Le cerveau est-il bayésien ? Critiques et questions ouvertes

4] Conclusion

Chapitre 13 (page 417) Le cerveau bayésien : une approche évolutionniste de la cognition

Jean DAUNIZEAU

1] La boucle perception-action

1.1] La TBD pour les nuls

1.2] L’interprétation bayésienne de la perception

1.3] L’interprétation bayésienne du contrôle moteur

2] Le principe de l’énergie libre

2.1] Redondance et codage prédictif

2.2] Homéostasie et cerveau bayésien

3] Les fonctions cognitives supérieures

3.1] L’interprétation bayésienne de l’attention

3.2] Motivation, décision et apprentissage

3.3] Langage et cognition sociale

4] Discussion

Chapitre 14 (page 467) Les modèles bayésiens du diagnostic médical sont-ils normatifs ou descriptifs ?

Maël LEMOINE

Introduction] Une question sensible

1] Modèles bayésiens en médecine, diagnostic, inférence diagnostique

2] Statut normatif, descriptif et prescriptif des modèles bayésiens de l’inférence diagnostique

3] Le statut prescriptif des modèles bayésiens de l’inférence diagnostique

4] Le statut descriptif des modèles bayésiens de l’inférence diagnostique

5] Le statut normatif des modèles bayésiens

6] Conclusion

Télécharger

Sur le même thème