Probabilistic Information Transfer
Zeydina, O., Beauzamy, B., SCM, 2013
Pour en savoir plus et éditer un bon de commande : http://scmsa.eu/archives/SCM_PIT_order.htm
Description de l'ouvrage
Dans les situations de la vie réelle, on n'a jamais l'information détaillée que l'on souhaiterait avoir : elle est souvent incomplète ou corrompue. Mais, à l'inverse, on dispose généralement de données éparses ; il y a donc un besoin naturel : utiliser ce que l'on possède pour reconstituer ce qui manque. Mais ceci doit être fait en respectant deux règles :
-
il ne faut pas ajouter d'information artificielle, comme des hypothèses de modèle (déclarer que telle croissance est linéaire, que telle loi est gaussienne, etc.) ;
-
le résultat doit être de nature probabiliste : nous ne voulons pas une valeur précise (qui n'a pas de sens), mais une loi de probabilité, avec des intervalles de confiance ; c'est ce que réclament les Autorités de Sûreté.
C'est précisément le sujet de ce livre. Nous montrons comment "propager" l'information à partir d'une situation où elle existe vers une situation où l'on en a besoin. L'information ainsi propagée se détériore avec la distance, comme un champ gravitationnel décroît avec la distance.
Le livre est organisé en trois parties : la première présente les constructions de base, qui sont accessibles sans aucune connaissance particulière en probabilités ; la seconde présente des applications en situation réelle et la troisième développe la théorie.
C'est une situation rare de nos jours : une théorie mathématique nouvelle, entièrement développée par la SCM, pour répondre à un besoin initialement exprimé par un industriel, à savoir Framatome-ANP en 2003. Les applications déjà recensées sont nombreuses : classification d'objets industriels (Air Liquide), évaluation de pollutions (Total), estimation de la qualité de l'eau dans des rivières (Agence Européenne de l'Environnement), application à la sécurité des réacteurs (Institut de Radioprotection et de Sûreté Nucléaire), etc.