[Audit #17073] Série DecPyMC — partition Hermes

[clusterManager-Myia]

Panorama de la série DecPyMC (Probas/DecisionTheory) — partition Hermes

Arc pédagogique (12 notebooks, Python/PyMC, ~10h) : miroir Python de l'arc DecInfer (Infer.NET). La série formalise le passage du posterior à la politique optimale — utilité espérée et aversion au risque (1-3), réseaux de décision et valeur de l'information (4-5), systèmes experts et décisions séquentielles (6-7) — puis l'étend à la jambe actuarielle (8-12 : crédibilité Bühlmann-Straub, prime pure et chargement, ruine de Lundberg, valeur d'info en souscription, fréquence × sévérité hiérarchique).

Ordre canonique proposé : 1 → 12 (numérotation déjà canonique, documentée par le README de série).

Niveau d'apprenant proposé : intermédiaire en programmation probabiliste (corpus bayésien PyMC, notamment PyMC-04-Bayesian-Networks), débutant en théorie de la décision (axiomes vNM introduits ex nihilo au notebook 1).

Gaps entre notebooks (observés au 30/09) :

• Headers DecPyMC-1 « (1/7) » et DecPyMC-2 « (2/7) » : décompte périmé, la série compte 12 notebooks (README) — finding stale-claim déposé au cycle DecPyMC-2.
• DecPyMC-1 annonce « Prerequis : notebooks 1-8 » sans lien précis, alors que le README de série vise PyMC-04-Bayesian-Networks.

Checklist notebooks

• MyIA.AI.Notebooks/Probas/DecisionTheory/DecPyMC/DecPyMC-1-Utility-Foundations.ipynb — audité 2026-10-01 t1, 4 findings (analytique-vs-échantillonné ×2 cellules, étiquettes CRRA décalées, exercice log hors domaine, résumé distributions incomplet) — c.5921164928
• MyIA.AI.Notebooks/Probas/DecisionTheory/DecPyMC/DecPyMC-2-Utility-Money.ipynb
• MyIA.AI.Notebooks/Probas/DecisionTheory/DecPyMC/DecPyMC-3-Multi-Attribute.ipynb — audité 2026-10-01 t1, 6 findings (intervalle [0,1] trivial par tolérance ArviZ 1.1 ratée, comparaison K=0 dégénérée, kernels série hétérogènes mesurés, étiquette swing §4, gagnant 20% non nommé, moyennes codées en dur) — c.5921457101
• MyIA.AI.Notebooks/Probas/DecisionTheory/DecPyMC/DecPyMC-4-Decision-Networks.ipynb — audite 2026-10-01 t2, 3 findings incoherence-valeur (lecon prior-50 fausse ; 2 tables regime non source) — c.5921869039
• MyIA.AI.Notebooks/Probas/DecisionTheory/DecPyMC/DecPyMC-5-Value-Information.ipynb — audite 2026-10-01 t2, 5 findings incoherence-valeur (EVSI=0 contredit par sa propre sortie ; table prior-EVPI non monotone ; 3 surfaces synthese snapshot perime) — c.5921869039
• MyIA.AI.Notebooks/Probas/DecisionTheory/DecPyMC/DecPyMC-6-Expert-Systems.ipynb
• MyIA.AI.Notebooks/Probas/DecisionTheory/DecPyMC/DecPyMC-7-Sequential.ipynb
• MyIA.AI.Notebooks/Probas/DecisionTheory/DecPyMC/DecPyMC-8-Actuarial-Credibility.ipynb — audite 2026-10-01 t3, 3 findings incoherence-valeur (+1 bloc-duplique leger sur Dec-8) — c.5922268713
• MyIA.AI.Notebooks/Probas/DecisionTheory/DecPyMC/DecPyMC-9-Prime-Pure-Chargement.ipynb — audite 2026-10-01 t3, 1 findings incoherence-valeur — c.5922268713
• MyIA.AI.Notebooks/Probas/DecisionTheory/DecPyMC/DecPyMC-10-Ruine-Lundberg.ipynb — audite 2026-10-01 t3, 4 findings incoherence-valeur — c.5922268713
• MyIA.AI.Notebooks/Probas/DecisionTheory/DecPyMC/DecPyMC-11-Valeur-Info-Souscription.ipynb — audite 2026-10-01 t4, 1 finding incoherence-valeur (seuil d'experience franchi « par en dessous » alors que la courbe est sous 0.38 des k=0) — c.5922636658
• MyIA.AI.Notebooks/Probas/DecisionTheory/DecPyMC/DecPyMC-12-Freq-Sev-Hierarchique.ipynb — audite 2026-10-01 t4, 1 finding incoherence-valeur micro (tau appris « en dessous » contredit au regime bas 0.07 vs 0.05) — c.5922636658

[clusterManager-Myia]

Audit #17073 — DecPyMC-2-Utility-Money.ipynb (partition Hermes, cycle 2026-09-30)

Passe d'organes RÉELLE (checkout coursia-organs à jour) : 0 signal sur 6 organes — split_reading_cells [], interp_positioning 0, output_failure_text 0, cell_source_parses 0/1, duplicate_sections 0, accents : 19 cures possibles dans 9/33 cellules markdown + 46 formes hors table (utilite ×27, esperee ×10…) — couvert par l'organe, pas un finding.

Lecture apprenant complète (61 cellules, FULL READ). Posture : apprenant ayant lu DecPyMC-1 (loteries, axiomes vNM). 3 findings :

---

F1 — stale-claim (cellule cell-0, header)

Serie : Programmation Probabiliste avec PyMC (2/7)

La série compte 12 notebooks (README de série : « Arc autonome… 12 notebooks », table 1-12 avec jambe actuarielle 8-12). « (2/7) » dit à l'apprenant qu'il atteint le sommet de la série au notebook 7 — les notebooks 8-12 (toute la jambe actuarielle) sont invisibles depuis ce header. Même périmètre dans DecPyMC-1 (« 1/7 », vérifié au survol de série).

F2 — concept-ordering (cellules a7b8fa7d + 7877d00f → interprétation attendue à cell-14)

On considere la loterie : 60% de gagner 3000 EUR, 40% de perdre 1000 EUR… 5. Interpretez : quelle fonction donne la prime de risque la plus elevee et pourquoi ?

L'exercice 1 (section 4) exige CE + prime de risque CARA/CRRA, mais compute_ce — l'outil central, cité dans les indices de l'énoncé (« CE se calcule par dichotomie ») — n'est défini qu'à la section 5 (cell-16), après l'exercice. L'apprenant qui suit l'ordre du notebook rencontre l'exigence de calcul avant l'outil. L'interprétation cell-14 (table CARA vs CRRA) est fournie avant l'exercice, mais elle compare les familles au niveau des propriétés, pas le geste de calcul demandé (dichotomie U(w0+CE)=E[U]).

F3 — exercise-mismatch (cellules 8be1aeac + d35f27b2, items 1-2 de l'énoncé)

1. Simulez 10 000 scénarios de rendement pour X et Y… 2. Tracez les CDF des richesses finales et verifiez si la dominance stochastique du premier ordre (FSD)…

L'énoncé exige « Tracez les CDF » (item 2) mais ne demande pas explicitement le vérificateur de dominance LoterieDiscrete / verifier_fsd défini en section 6 (cell-19) — l'item 2 laisse l'apprenant devant un ecdf à main levée alors que le notebook vient de lui fournir un outil, et l'indice FSD de fin d'énoncé (« CDF(X) <= CDF(Y) pour tout x (la courbe de X est sous celle de Y) ») réutilise la définition formelle sans renvoyer à l'outil disponible. L'apprenant réinvente la comparaison de CDF que la section 6 vient d'outiller.

---

RAS sur le reste : la section 9bis (surface 2D, inference directe de ρ, propagation d'incertitude sur la prime) est un ajout récent bien intégré — chaque sortie a sa lecture, les diagnostics MCMC sont interprétés, la « Lecture » de l'approximation d'Arrow-Pratt (cell p15b id cell-19-adjacente) exploite le cas exact ρ=2 pour valider l'approximation, geste pédagogique rare. Exclusions Parade 3 appliquées : figures réelles et légendées, enrichissements = candidats panorama (ex. les 46 formes d'accents hors table).

[clusterManager-Myia]

Audit DecPyMC-6-Expert-Systems.ipynb (cycle #17073, partition Hermes)

Organes : couverts — check_split_reading_cells : 0 signal ; check_interp_positioning : 0 ; check_output_failure_text : 0 ; check_cell_source_parses : 0 ; check_duplicate_sections : 0 ; restore_accents_canonical --check : 5 cures (5 cellules md) + formes hors table — couvert par l'organe.

Contexte lecture : apprenant issu de DecPyMC-2 (utilité/aversion) et DecPyMC-5 (EVPI/EVSI, hiérarchique + partial pooling déjà vus). Les sections 9b/55-56 (conjugué vs hiérarchique, non-centré, Jensen) enchaînent naturellement sur l'extension MCMC de DecPyMC-5 — bonne continuité.

Findings (4)

F1 — stale-claim · cellule feb349db (section 7b, sortie de l'analyse de robustesse du prior)

=> Le diagnostic est robuste : Disque/Covid domine pour P(Disque) > 10%. / => La décision ne change pas tant que le prior reste dans un intervalle raisonnable.

La table affichée juste au-dessus montre Grippe dominant à prior 5%, 15%, 25% et Covid seulement à partir de 35% : l'apprenant lit une conclusion que la sortie propre du notebook réfute (le seuil réel de basculement est ~30-35%, pas 10%).

F2 — block-pasted-wrong-section · cellule feb349db (source, mêmes lignes)

priors_test = np.array([p_rest, p_rest, p_disk, p_rest]) # Grippe, Rhume, Disque, CPU · # Covid (assimilé Disque ici)

L'analyse de robustesse greffe le vocabulaire du diagnostic informatique (Disque/CPU/RAM, introduits seulement en section 8 — donc pas encore vus à la lecture de 7b) sur le mini-système médical de la section 2 : colonnes « P(Disque) post » affichant des posteriors de Covid, ligne de décision retournée par expert.maladies[...] = « Covid » sous une étiquette « Disque ». L'apprenant doit défaire lui-même l'assimilation pour lire la table.

F3 — orphan-statement · cellule 47f2b180 (« Lecon medicale », section 9)

On fait confiance aux probabilites car P(Grave) < 30%.

Le seuil de 30% n'est étabni nulle part : c'est la constante magique if posteriors_med[2] > 0.30: de la cellule 1536d8b3, sans dérivation ni source — et il n'existe pas de seuil universel en P(Grave) seul (le basculement E[U(Aucun)] vs E[U(Intensif)] = 30 − 55·P(Modéré) − 100·P(Grave) dépend des deux coordonnées). L'apprenant repart avec une règle arbitraire présentée comme un principe.

F4 — stale-claim · cellule 98e50eca (« Interpretation : trace plots et HDI », section 9b)

Le HDI large du capteur Disque (moins de données) vs le HDI étroit du capteur RAM reflète la confiance statistique.

Les sorties (cfce8f11 : répartition OK=19, RAM=13, Disque=12, CPU=6 ; 3d560e12 : HDI sensibilité CPU [0.532, 0.966] plus large que Disque [0.527, 0.920]...) montrent que le capteur le moins observé est CPU (6), pas Disque (12), et que l'HDI le plus large est celui de CPU : l'exemple nommé contredit les chiffres affichés (vraisemblablement issu d'un autre tirage).

Non-findings (exclusions Parade-3, pour mémoire)

• Cellule [11]/[26]/[32] : interprétations détaillées riches et conformes aux outputs (valeurs re-vérifiées une à une contre les sorties — conformes).
• L'interprétation du Minimax Regret (e1ff32a6) séparée de sa sortie par le bloc exercice [16]/[17] : choix de mise en page toléré, check_interp_positioning = 0 signal.

[jsboige]

Grain: DEEP/research-code — lane myia-po-2025:CoursIA — prev: DEEP/research-code #17419-t6

[CLAIMED] lane myia-po-2025:CoursIA — audit pédagogique partition DecPyMC (protocole v2, lecture seule, findings par commentaire, aucune réparation) — relais direct de la campagne #17419 (Z3-API close 29/29). Paths: MyIA.AI.Notebooks/Probas/DecisionTheory/DecPyMC/**

Note de séquencement : DecPyMC-7-Sequential.ipynb + README.md sont dans le périmètre de #18613 (OPEN) — audités en DERNIERE tranche après son merge, pour ne pas auditer un état périmé. Tranches : t1 = 1-3, t2 = 4-6, t3 = 8-10, t4 = 11-12 (+7 post-merge).

[jsboige]

[DELIVERED] lane myia-po-2025:CoursIA — tranche 1, volet 1/3 (DecPyMC-1-Utility-Foundations) — audit pédagogique #18545, protocole v2

Méthode : passe d'organes préalable (duplicate_sections, split_reading, interp_positioning, output_failure_text) → 0 finding mécanique. Lecture intégrale du carnet (38 cellules, ids vérifiés). Spot-checks indépendants (script, numpy pur) : décomposition Pratt/CE recalculée au centime ; dichotomie find_rho rejouée pour les 5 CE de la table de calibration ; U(250) vs U(254) ; EU médicales recalculées sous les deux posteriors (MCMC 66,3 % / analytique 65,9 %) ; np.log(x+1) évaluée sur les trois valeurs de la loterie de l'exercice assurance. Grep des en-têtes « Serie » des 12 carnets + du README.

DecPyMC-1-Utility-Foundations.ipynb — 4 findings

• [incoherence-valeur] cellules c30bd229 (§5 synthèse médicale) + 76a6c11f (§6 interprétation Jensen/CE) — la prose cite des valeurs analytiques qui diffèrent des sorties exécutées juste au-dessus, sans dire lequel des deux régimes lit l'étudiant : la synthèse médicale écrit « ≈ 73,2 » / « ≈ 34,1 » (recalculés : ce sont les valeurs au posterior analytique 65,9 %) alors que la sortie imprimée porte 73,3 / 33,7 (posterior MCMC 66,3 %) ; la table Jensen écrit « E[gain] 250 EUR » et « U(E[gain]) 35,36 » alors que la sortie imprime E[gain] = 254 EUR et 35.42 (échantillon 50,3 %/49,7 %). Aggravant : la ligne de sortie elle-même est mal étiquetée — le code affiche en dur U(valeur esperee) = U(250) = 35.42 alors qu'il calcule U(gains.mean()) = U(254) (vérifié : sqrt(1250)=35,36 vs sqrt(1254)=35,41). Aucune conclusion ne bascule (33,54 < 35,42 comme 33,54 < 35,36), mais l'étudiant qui compare table et sortie voit quatre chiffres divergents sans explication. Correction : une phrase « analytique vs échantillonné » ou dériver la table de la sortie.
• [incoherence-valeur] cellule 8a45858a (§7 analyse calibration CRRA) — les étiquettes qualitatives de la table contredisent celles qu'imprime la cellule de calcul voisine (3964b865) pour les mêmes CE : la prose dit 400 EUR → « Faible aversion », 300 → « Aversion moderee », 200 → « Aversion significative » ; le code imprime « Quasi-neutre » pour 400 (ρ=0,25) et 300 (ρ=0,44), « Modere » pour 200 (ρ=0,61) — vérifié en rejouant la dichotomie (0,6099/0,4417/0,2497) : les seuils de la prose (< 0,5 = quasi-neutre, etc. côté code) sont décalés d'un cran vers le haut côté prose. Les ρ numériques concordent ; ce sont les bandes qualitatives qui divergent.
• [incoherence-valeur] cellule 51243f3e (exercice §5 assurance maison) — l'énoncé prescrit « Calculez l'utilite esperee avec U(x) = log(x + 1) » sur une loterie exprimée en gains nets : [0,98 : 0, 0,02 : −200 000] et « certitude de −5 000 EUR (prime) ». U est indéfinie sur deux des trois valeurs (vérifié : np.log rend nan pour −200 000 et −5 000 ; la utilite_log du carnet clampe x ≤ 0 à 0, ce qui rend les deux EU nulles et la comparaison dégénérée 0 vs 0). L'exercice n'est résoluble qu'en réinterprétant silencieusement x comme richesse finale (w + x) — lecture que l'indice « Richesse initiale = 200 000 EUR » suggère sans jamais l'énoncer, alors que l'exemple résolu voisin (ed7b5da1, voiture) applique U à la richesse et le dit. Un étudiant littéral tombe sur nan ou une égalité vide.
• [incoherence-valeur] (léger) cellule b723b721 (§9 résumé) — « Distributions utilisees dans ce notebook » ne liste que Bernoulli et Deterministic ; le modèle hiérarchique du §« Au-dela du conjugue » (052b9f6c) exécute Normal, HalfNormal et Binomial (vérifié dans le code source des trois). Trois distributions utilisées et absentes de la table de résumé qui prétend les recenser.

Précision sur un finding déjà déposé (gaps du body, cycle DecPyMC-2) : le header périmé « Serie : ... (x/7) » ne porte pas que sur 1 et 2 — grep des 12 carnets : DecPyMC-3 « (3/7) » et DecPyMC-4 « (4/7) » le portent aussi (5-12 n'ont plus de ligne « Serie » du tout). Le correctif doit couvrir le bloc 1-4 d'un geste : nom de série pré-extraction (« Programmation Probabiliste avec PyMC » est le nom du corpus bayésien, dont le README de série documente l'extraction) + compteur 7 vs 12.

Notes positives

• La décomposition prime de risque de Pratt vs prime maximale d'assurance (51243f3e volet cours / cellule d'analyse dédiée) est exacte au centime (CE = 6309,17 ; π = 3190,83 ; p_max = 3690,83, recyclant le « 3691 » imprimé) et pédagogiquement remarquable — distinguer les deux équations de définition est rare à ce niveau.
• Le modèle hiérarchique non-centre logit-Binomial avec diagnostics honnêtes imprimés (0 divergences, R-hat max 1,000, ESS bulk min 2697) et l'explication du funnel de Neal ; shrinkage montré sur sites petits.
• Stubs propres (indices méthodologiques, jamais la solution littérale — conforme au motif inverse Z3-12/14) ; aucune erreur volontaire (C.1 ✓), execution_count et outputs cohérents partout (C.2 ✓).
• Attributions historiques précises et vérifiées (Nicolas 1713 vs Daniel Bernoulli 1738 ; Allais/Ellsberg datés et sourcés ; Pratt/Arrow).

Escalade — classes ≥3 occurrences (cumul campagne)

Classe	Cumul	Cette tranche
incoherence-valeur	4	le motif fondateur de #17419 réapparaît dès le carnet 1 : valeurs analytiques citées contre sorties échantillonnées (×2 cellules), étiquettes qualitatives décalées du code, énoncé d'exercice hors domaine de la U prescrite
incoherence-navigation	0	— (lien PyMC-02b vérifié existant ; l'extension du header périmé 1-4 va au finding déjà déposé)
fuite-solution	0	aucun — stubs propres
bloc-duplique	0	aucun

Checklist : DecPyMC-1 coché. Résiduel tranche 1 : Dec-3 (Dec-2 et Dec-6 déjà audités par d'autres cycles). Mémo pour la tranche README (t4) : le README de série porte deux titres « [5 — ...] » (lignes ~46 et ~50) pointant tous deux vers DecPyMC-5 — à vérifier à la tranche dédiée (README dans le périmètre #18613, différé).

🤖 Generated with Claude Code

[jsboige]

[DELIVERED] lane myia-po-2025:CoursIA — tranche 1, volet 2/3 (DecPyMC-3-Multi-Attribute) — audit pédagogique #18545, protocole v2

Méthode : passe d'organes préalable (0 finding mécanique, cycle 5). Lecture intégrale (59 cellules, ids vérifiés). Spot-checks indépendants : fractions exactes du contre-exemple [42] recalculées (3/14, 1/7, 1/14 ✓) ; espérances non saturées de [40] recalculées (0.49/0.51 ✓) ; scores de sensibilité à 10 %/20 % recalculés (Recherche 0.679 ✓, Grande Entreprise 0.623 ✓) ; sorties brutes des cellules tronquées par mon dump relues dans le JSON ([50] ligne Confort [0.72, 4.20] oui, [54] delta Confort −3.1 %) ; versions moteur imprimées mesurées sur les 12 carnets.

DecPyMC-3-Multi-Attribute.ipynb — 6 findings

• [incoherence-valeur] cellule 8e8fdf90 (§9bis) — la table « Intervalle de credibilite 89% » imprime [0.000, 1.000] pour les quatre attributs : des bornes triviales, identiques partout. Cause mécanique : la chaîne de tolérance de nommage summary.iloc[i].get("hdi_5.5%", summary.iloc[i].get("ci_5.5%", 0)) ne connaît pas les colonnes d'ArviZ 1.1 (eti89_lb/eti89_ub — prouvées par la sortie de la cellule a1a2fde2 du même carnet, qui imprime eti89_lb eti89_ub avec de vraies bornes [0.11, 0.59]) ; Series.get rend silencieusement les défauts 0/1 au lieu de lever, le except KeyError ne tire jamais. Les intervalles honnêtes existent une cellule plus bas ; la cellule dédiée à les montrer est vide de sens.
• [incoherence-valeur] cellule 14898554 (§6 comparaison additive vs multiplicative) — comparaison dégénérée : les poids choisis [0.5, 0.5] somment à exactement 1 → K = 0 → la forme multiplicative s'effondre dans l'additive ; les quatre scénarios exécutés montrent Diff = +0.000 et la conclusion imprimée est « K = 0 : Forme additive (pas d'interaction) ». La section qui doit montrer l'écart entre les deux formes n'en montre aucun (cas Prong-B dégénéré : le moteur équivaut à la baseline). La cellule précédente a395c6fe (somme 1.1, K = −0.2565) exhibe un vrai écart — il suffisait de poids non unitaires ici aussi.
• [incoherence-valeur] (série, mesuré) cellules d'en-tête a39ccc34 et équivalentes — aucun canon de kernel dans la série : versions moteur imprimées = Dec-1 PyMC 5.28.5/ArviZ 0.23.4 · Dec-2 6.3.2/1.1.0 · Dec-3 6.0.1/1.1.0 · Dec-4 5.28.5/0.23.4 · Dec-7 6.1.0/1.2.0 — cinq paires distinctes, deux lignées ArviZ, sur les cinq carnets qui impriment leurs versions. Le carnet 3 porte lui-même des tolérances de migration version-sensibles (commentaires hdi_*/ci_* (arviz 0.x vs 1.1)), dont le finding précédent montre qu'elles ratent la cible sous 1.1. Correctif canonique : re-exécution de la série sous un env unique (le même geste résout le finding 1).
• [incoherence-valeur] (léger) cellule 0b9a3a0f (§4) — le commentaire code étiquette # Poids (swing weights) des poids 35/30/20/15 que la section 5 du même carnet ne reproduit pas : la procédure swing exécutée (48e006c9) donne 32,1/35,7/17,9/14,3 — valeurs différentes ET ordre différent (Securite première). Le §9quater (99402d6f) appelle bien « swing weights » les valeurs du §5. Le jeu du §4 porte l'étiquette d'une méthode introduite plus tard et contredite par l'exemple résolu de cette méthode.
• [incoherence-valeur] (léger) cellules 03b15e0d (sortie) vs 25bcd772 + a3f4c5d6 (prose) — le récit de bascule encadre la zone 15–25 % comme un entre-deux Freelance/Recherche (« Freelance domine pour w_salaire > 25 %, Recherche pour < 15 % »), mais la table exécutée de la cellule voisine montre qu'à 20 % le gagnant est Grande Entreprise (V = 0.623) — une troisième carrière, non nommée dans le récit des deux seuils ; « plusieurs carrières restent compétitives » (a3f4c5d6) effleure le fait sans nommer le vrai gagnant de la bande.
• [incoherence-valeur] (léger) cellule 99402d6f (§9quater) — les moyennes postérieures codées en dur (Bayes 44,4/11,3/11,2 %) diffèrent du dernier chiffre des moyennes imprimées par la section 9bis (8e8fdf90 : 44,5/11,2/11,1 %) — snapshot d'une exécution antérieure collé en constantes, motif codé-en-dur ≠ exécuté.

Notes positives

• Le contre-exemple d'additivité sous loteries (a1b2c3d4/b2c3d4e5) est la meilleure pièce du carnet : deux loteries aux mêmes distributions marginales séparées par la vraie utilité vNM, fractions exactes assertées (3/14, 1/7, 1/14 — recalculées ✓), puis quadrature déterministe qui vérifie le choix Monte Carlo de la section 9 à 3e-3 près. La distinction indépendance préférentielle (certitude) vs indépendance additive (loteries, k=0 de Keeney-Raiffa) est enseignée proprement et nulle part ailleurs dans le corpus avec un exécutable.
• Honnêteté du contrat saturé (a700e2a3) : les valeurs exactes sans saturation (0.49 < 0.51, recommandation inversée) sont données noir sur blanc — la saturation est présentée comme un choix de decideur, pas un détail.
• Logit de McFadden non conjugué (d2b122c1) avec colonne « couvert » honnête (Conso « non (incertitude) », ligne Confort [0.72, 4.20] oui vérifiée dans le JSON brut) et diagnostics complets (0 divergences, R-hat, ESS).
• 5 exercices gradués + template interactif vacance ; stubs propres (aucune fuite) ; C.1/C.2 conformes partout.

Escalade — classes ≥3 occurrences (cumul campagne)

Classe	Cumul	Cette tranche
incoherence-valeur	10 (+6)	trois visages nouveaux : affichage creux par tolérance de nommage ratée (les bornes [0,1] triviales), comparaison dégénérée par construction (K=0 voulu par choix de poids), heterogénéité de kernel mesurée série-entière (5 paires de versions)
incoherence-navigation	0	—
fuite-solution	0	aucun — stubs propres
bloc-duplique	0	aucun

Checklist : DecPyMC-3 coché. Résiduel tranche 1 : néant — tranche 1 complète (Dec-1 et Dec-3 par cette lane, Dec-2 et Dec-6 par d'autres cycles). Suite : t2 (Dec-4, Dec-5), t3 (8-10), t4 (11-12 + 7 + README post-#18613). Mémo t4 inchangé (double titre « [5 — » du README de série).

🤖 Generated with Claude Code

[jsboige]

[DELIVERED] lane myia-po-2025:CoursIA — tranche 2 (DecPyMC-4-Decision-Networks, DecPyMC-5-Value-Information) — audit pédagogique #18545, protocole v2

Méthode : passe d'organes préalable (duplicate_sections 0 porteur ; split_reading clean ×2 ; interp_positioning 0 ×2 ; output_failure 0 regressed ×2). Lecture intégrale (43 + 83 cellules, ids vérifiés). Spot-checks indépendants (numpy, script rejoué) : VOI du diagnostic médical recalculée aux priors 10 %/50 % ; EVPI parapluie aux priors 9/30/50 % ; EVPI/EVSI maladie rare aux priors 1/3,7/10/50 % ; EU analytiques vs MC des 3 sites aéroport ; seuils de décision re-dérivés (3/11, 1/11, 50/1350, 0,70). Les trois claims de fidélité cross-corpus vérifiés contre DecInfer-06 : TRUE (253k/2M/sens 90-spéc 80 ; EU 70 séquentiel/EVPI 20 ; U −5000..+2000/EVPI 355/net +105). Aucun finding ne repose sur une portion tronquée du dump (sorties [80] et [44] relues au JSON brut).

DecPyMC-4-Decision-Networks.ipynb — 3 findings

• [incoherence-valeur] cellule d23b2a9c (§3, leçon) — la parenthèse pédagogique « si le prior etait de 50%, on traiterait dans tous les cas » est fausse sous les propres paramètres du carnet (sens 0,95/spéc 0,90, U 90/70/10/100, cellule 441dcea2) : à prior 50 %, un test négatif laisse P(M|T−) = 5,3 % et l'action optimale bascule à PAS TRAITER (EU 95,3 vs 71,1 — recalculé) ; la VOI vaut alors 11,5 pts contre 4,9 à prior 10 % — l'information a plus de valeur à 50 %, pas aucune. Le vrai seuil de bascule est p* = 3/11 ≈ 27,3 % (70+20p = 100−90p). La phrase finale du même bloc (« dépend de la distance entre le prior et les seuils ») énonce le bon principe, illustré par un exemple qui affirme l'inverse.
• [incoherence-valeur] (léger) cellule a414204a (§7, « Résultats obtenus ») — la table récapitule P(maladie|test+) à « ~57 % » alors que la cellule exécutée 382b6f7b imprime 58,1 % (MCMC) ; 57 % est la valeur analytique (0,138/0,24 = 57,5 %). Motif analytique-vs-échantillonné déjà vu en Dec-1 : une section qui prétend résumer les résultats obtenus cite l'autre régime, adouci par le « ~ ».
• [incoherence-valeur] (léger) cellule c839390f (§8bis interprétation MAUT) — la colonne EU (~0,55 / ~0,78 / ~0,55) ne correspond à aucun des deux régimes imprimés : analytique 0,514/0,800/0,554 (7883d4fb), MC 0,584/0,742/0,554 (30083993). Les colonnes d'attributs normalisés sont analytiques — la colonne EU se lit donc comme un troisième millésime non sourcé (B : ~0,78 n'est ni 0,800 ni 0,742).

Extension du finding header déjà déposé (cycle DecPyMC-2) : la ligne Prérequis de 4d1dbaac (« Notebooks 3 (Graphes probabilistes), 14-16 (Utilite) ») porte la même maladie que le compteur (4/7) — numérotation du corpus parent, et descripteur faux (Dec-3 est Multi-Attribute). Le correctif du bloc 1-4 doit couvrir nom + compteur + prérequis.

DecPyMC-5-Value-Information.ipynb — 5 findings

• [incoherence-valeur] cellules 4e6002c0 (titre « Cas limite : Maladie rare (EVSI = 0) ») + f5c89fe6 (sortie) — contredites par leur propre exécution : EVPI = 13,00 et EVSI test quasi-parfait = 12,38 = 95 % de l'EVPI (rejoué : P(T+) = 1,98 %, P(M|T+) = 50 % → traiter 225). La conclusion imprimée « meme un test quasi-parfait n'a quasiment pas de valeur » se contredit dans la même sortie. L'histoire honnête est visible dans la synthèse 2417343e du même carnet (« Maladie rare … 95 pct … Non ») : la valeur brute est quasi maximale, ce qui échoue est la rentabilité à coût 100 (net −87,6). Le récit confond « valeur quasi-nulle » et « non rentable à ce coût ».
• [incoherence-valeur] cellule 349e1c4a (table prior→EVPI) — « 50 % : Élevé / 10 % : Moyen / 1 % : Quasi nul » enseigne une monotonie du EVPI en le prior qui est fausse pour ces utilités ([[500,−800],[−50,0]]) : recalculé, EVPI(1 %) = 13, EVPI(10 %) = 45, EVPI(50 %) = 25 — non monotone, pic à la frontière p* = 50/1350 ≈ 3,7 % (EVPI ≈ 48). L'ordre réel (10 % > 50 %) contredit la table, et le §6 du même carnet (fed67ea3/0e59eb90) enseigne le principe correct de frontière.
• [incoherence-valeur] cellule 8f7dc8aa (§2, note technique) — « Si P(pluie) etait plus eleve (ex: 0.50), l'EVPI serait plus important car la decision serait plus équilibree » : faux — EVPI parapluie(0,50) = 2,5 < 3,5 = EVPI(0,30) (recalculé) ; à 0,50 la décision est moins équilibrée (écart 22,5 contre 11,5), la frontière est p* = 1/11 ≈ 9,1 % (EVPI ≈ 4,5). Même famille que le finding 1 de Dec-4 : exemple d'équilibre choisi du mauvais côté du seuil.
• [incoherence-valeur] (léger) cellule 1ef76741 (§10 interprétation) — « le seuil de decision (P~0.50) » contredit le seuil 0,70 calculé et imprimé par le carnet lui-même (d38ad65e, avec la formule (200+500)/1000) et la sortie f666376f (« Zone 'Forer' (P > 0.70) »).
• [incoherence-valeur] cellules abb2c9f2 + 2417343e + 9905e068 (trois surfaces de synthèse : tableau récapitulatif §11, dict scenarios de CODE#30, cellule Conclusion) — EVSI du détecteur « 7,9 (10 % eff.) » codé en dur, contredit par l'exécution : c3e9ff82 imprime EVSI = 27,6 (35 %) et le balayage paramétrique f9111a49 donne 26,9 (34 %) à N=5. Snapshot périmé d'une exécution antérieure (même famille que Dec-3 99402d6f), à corriger sur les trois surfaces d'un geste.

Notes positives

• Dec-4 §7bis (03792581) : le modèle hiérarchique de prévalence à test imparfait est la vraie pièce Prong-B du carnet — inversion de l'état latent, lien non linéaire qui casse la conjugaison, shrinkage inter-cliniques, diagnostics honnêtes (0 divergences, R-hat 1,000, ESS 1791). La cellule dit exactement pourquoi le Beta-Binomial par clinique ne peut pas produire cette correction.
• Dec-4 §6 : la décision séquentielle contre-intuitive (NE PAS faire le test malgré sens 90/spéc 85) est correcte et expliquée — le coût fixe en amont rend la branche sous-optimale ; EU 43,6 vs 84,0 re-dérivés ✓. Le DAG mermaid a1m3rma1 respecte la notation Howard-Matheson rappelée en §2.
• Dec-5 bloc « more information can hurt » (6312f621→domination-interp) : distinction politique fixée vs optimale, hypothèses d'indépendance conditionnelle et d'exhaustivité énoncées, contrôle minimal isolant le mécanisme (75 < 100), asserts dans le code. Le §9 séquentiel (EU 266 brut / 191 net / −9 net) vérifié au centime.
• Dec-5 §10 : honnêteté rare sur le modèle conjugué dégénéré (hier-limits-md : NUTS « se contente de reproduire le prior ») et relais vers l'exercice portefeuille hiérarchique non-centré comme vraie justification MCMC ; diagnostics ArviZ complets (R-hat 1,0000, ESS 7736) et table de convergence MC avec IC.
• Fidélité cross-corpus : les trois notes « Contraste avec l'Infer.NET » (a4db5e30, 28b493d8, 11d30395) sont toutes les trois exactes contre DecInfer-06 — vérifié valeur par valeur. C'est l'inverse du motif « note de fidélité inventant son référent » de la campagne Z3, et ça mérite d'être dit.
• 3 + 4 exercices stubs propres (aucune fuite), C.1/C.2 conformes partout ; le détecteur Monte Carlo et l'EVPI paramétrique (N-1)/N·valeur avec loi marginale en 1/N² sont corrects et vérifiés.

Escalade — classes ≥3 occurrences (cumul campagne)

Classe	Cumul	Cette tranche
incoherence-valeur	18 (+8)	visage nouveau et structurant : l'exemple pédagogique faux — quatre cellules de « leçon » ou « note technique » affirment une propriété de la VOI (monotonie en le prior, « information sans valeur à prior 50 % », « EVSI = 0 ») que le carnet lui-même dément par son exécution ou son propre §6 ; s'y ajoutent le snapshot périmé répliqué sur trois surfaces de synthèse et deux tables citant un régime non sourcé
incoherence-navigation	0	—
fuite-solution	0	aucun — stubs propres
bloc-duplique	0	aucun

Motif transversal émergent (t1+t2) : la série souffre de prose écrite pour d'autres paramètres que ceux qui tournent — leçon à prior 50 % (Dec-4), notes « équilibre » du mauvais côté du seuil (Dec-4, Dec-5), table prior-EVPI non monotone réellement (Dec-5), EVSI détecteur périmé (Dec-5), moyennes Bayes codées en dur (Dec-3). Un correctif canonique serait de dériver les phrases de leçon des valeurs exécutées plutôt que de les écrire à la main.

Checklist : DecPyMC-4 et DecPyMC-5 cochés. Tranche 2 complète. Résiduel : t3 (8-10), t4 (11-12 + 7 + README post-#18613 ; mémo double titre « [5 — » inchangé).

🤖 Generated with Claude Code

[jsboige]

[DELIVERED] lane myia-po-2025:CoursIA — tranche 3 (DecPyMC-8-Actuarial-Credibility, DecPyMC-9-Prime-Pure-Chargement, DecPyMC-10-Ruine-Lundberg) — audit pédagogique #18545, protocole v2

Méthode : passe d'organes préalable (duplicate_sections : 1 porteur — Dec-8, « lecture du résultat » ×5, adjugé ci-dessous ; split_reading clean ×3 ; interp_positioning 0 ×3 ; output_failure 0 regressed ×3). Lecture intégrale (26 + 37 + 33 cellules, ids vérifiés). Spot-checks indépendants (numpy, script rejoué) : Bühlmann–Straub en forme close (m, équation d'équilibre VHM, a, K=250.69, Z_i, P_i — rejeu exact à la 5e décimale) ; CE CRRA de Dec-9 au centime ; spirale d'antisélection rejouée tour par tour ; grille de capital et artefact round(1) ; ruine-de-trajectoire vs déficit-terminal sur les mêmes tirages ; borne de Lundberg expo recalculée (exp(−5) = 0.006738). Aucun finding ne repose sur une portion tronquée du dump (sorties Dec-8 [10], Dec-10 [18] et Dec-9 [16] relues au JSON brut, toutes parties concaténées).

DecPyMC-8-Actuarial-Credibility.ipynb — 3 findings + 1 léger

• [incoherence-valeur] cellule ef2dbce0 ([11], table postérieure) — les bornes HDI 94 % de 4 lignes sur 5 n'appartiennent pas à l'exécution committée : A « [0.042, 0.126] » / B « [0.055, 0.117] » / C « [0.089, 0.131] » / E « [0.114, 0.133] » contre la sortie ArviZ réelle [0.041, 0.13] / [0.057, 0.12] / [0.091, 0.13] / [0.11, 0.13] (cellule 5e14b6d5) ; seule D ([0.078, 0.099]) est exacte. Snapshot périmé d'une exécution antérieure — même famille que les moyennes Bayes codées en dur de Dec-3 et l'EVSI détecteur 7,9 de Dec-5 (bornes proches mais systématiquement décalées).
• [incoherence-valeur] cellule 3570c3e4 ([25], Conclusion/limites) — « Hyperpriors peu informatifs : HalfNormal(0.2) et HalfNormal(0.1) sont des choix par défaut » : le modèle exécuté utilise HalfNormal(0.5) pour σ₀ et Normal(log(0.10), 0.5) pour μ₀_log — aucun 0.2 ni 0.1 n'existe dans le carnet. La section « limites » commente des hyperparamètres d'une autre version du modèle.
• [incoherence-valeur] (léger) cellules f0138da2 ([9], choix de priors) + commentaire de CODE#3 — « Centré sur la collective pondérée m = 0.11041 (log(m) ≈ −2.20) » : le prior est centré sur log(0.10) = −2.3026, pas sur log(m) = −2.2036 (recalculé) — écart ~9 %, faible en pratique mais l'énoncé est faux et sa propre parenthèse l'exhibe (−2.20 n'est pas la valeur du code −2.30) ; le commentaire du code répète le même contresens (« centre sur la collective ponderee m = 0.1104 »).
• [bloc-duplique] (léger) — l'organe duplicate_sections porte : titre générique « ### Lecture du résultat » ×5 (cellules 5, 8, 11, 14, 17), à contre-convention des siblings Dec-9/Dec-10 qui titrent chaque interprétation spécifiquement (« Interprétation — … »). Micro adjacent : [8] b794e835 renvoie à « (cf cellule suivante) » pour le K = 250.69 que la cellule précédente [7] vient d'imprimer.

DecPyMC-9-Prime-Pure-Chargement.ipynb — 1 finding

• [incoherence-valeur] cellule f61b2b5d ([19], interprétation du posterior de π) — « le posterior mature est bien centré sur la valeur vraie (pointillé), celui du jeune cabinet est à la fois plus large et décalé ici vers le haut » : la sortie imprime mature moyenne 6 363 / Q95 8 304 contre π vrai 8 240.6 — la valeur vraie siège au ~95ᵉ percentile du posterior mature (offset central −24 %, recalculé depuis les moyennes posterior : 6 297), pas au centre. Le mature est décalé vers le bas aussi sûrement que le jeune vers le haut (biais d'échantillonnage de la sévérité : médiane mature 75 968 < médiane vraie 90 000, μ posterior 11.271 < 11.408) — le mécanisme exact que la cellule décrit… en ne l'attribuant qu'au jeune.

DecPyMC-10-Ruine-Lundberg.ipynb — 4 findings (2 légers, 1 micro)

• [incoherence-valeur] cellule 8427dcfd ([20], interprétation Lundberg) — « (1) La borne tient — chaque probabilité empirique reste sous sa borne, y compris là où l'empirique vaut zéro » : contredit par la moitié de la sortie résumée — la table principale imprime borne_expo_tenue = False deux fois (B_rc_med : ψ 0.04875 > borne 0.006738 à u=50 % ; 0.00450 > 0.000045 à u=100 % — colonnes booléennes visibles, cellule 82f2440f). Seul le bloc de vérification light-tailed (exponentielle re-simulée en fin de cellule : tenue=True ×2, ψ 0.0060 ≤ 0.0067) satisfait l'affirmation universelle. La nuance existe dans la note 775583f2 ([19], « c'est cette borne light-tailed qu'on retient comme vérificateur empirique ») mais [20] la perd : tel qu'écrit, l'énoncé enseigne l'inverse de deux des quatre booléens imprimés. Correctif : « la borne tient dans le cas light-tailed vérifié ; appliquée hors hypothèse (lognormale), elle est violée — colonnes tenue=False ».
• [incoherence-valeur] (léger) cellule 8516af3d ([0], en-tête filiation) — « le chargement de sécurité y laissait encore une année sur vingt en perte technique » : réattribue à la prime chargée le 5 % qui, dans Dec-9 §2 (sortie 521e5462), est P(Y > π) pour la prime pure (B_rc_med 0.050). Dec-9 [24] (c2a3809e) distinguait explicitement incertitude d'estimation (Q95 du posterior) et incertitude de processus (perte annuelle) ; l'en-tête de Dec-10 reproduit très exactement l'amalgame que [24] interdit — sur le pont inter-carnets, la confusion que le prédécesseur avait prise soin de désamorcer.
• [incoherence-valeur] (léger) cellules 74a5f386 (CODE#6, tableau VaR) + 532ee3fc ([14], définition) — la colonne proba_ruine du tableau VaR mesure P(U(T) < 0) terminal (0.8 % à u=50 %/5 ans), pas la ruine de trajectoire ψ (3.32 % au même point, CODE#5 fe00c3dd) : rejeu sur tirages identiques — 2.90 % path vs 0.80 % terminal. Une trajectoire qui touche zéro puis remonte est comptée par l'une et pas l'autre ; deux sections du même carnet impriment des « probabilités de ruine » différentes au même point de grille sans le dire. Adjacent : [14] définit D_T comme « la partie du capital initial qui n'a pas été absorbée par les sinistres » — c'est le surplus restant (cas U(T) > 0), pas le déficit (cas U(T) < 0, capital dépassé) ; la définition est inversée.
• [incoherence-valeur] (léger, grille) cellule 72ba97cc ([11], interprétation ψ(u,T)) — « A_auto se contente d'un cinquième de prime annuelle » / « B_rc_med doit immobiliser de la moitié aux quatre cinquièmes » : la grille est linspace(0, 2, 9) au pas 0.25 ; les valeurs retenues sont 0.25 (791 631.7 = 0.25 × c_année exactement) et 0.75 (13 597 047.7 = 0.75 × c_année). L'affichage .round(1) mue 0.25 → « 0.2 » et 0.75 → « 0.8 », et la prose lit l'artefact d'affichage : le lecteur ne peut pas reproduire 791 632 = 0.2 × c (il trouve un quart). Les fractions justes sont un quart / trois quarts.
• [incoherence-valeur] (micro) cellule 84168827 ([29], interprétation quote-part) — « même résultat net 32 071 € ≈ 16 035 € après un léger arrondi de trésorerie » : 16 035 = 32 071/2 exactement (homothétrie (1−α) — le § dit lui-même que tout est multiplié par (1−α)). L'intent probable est « le résultat net est lui aussi divisé par deux » ; la lecture littérale affirme une égalité que ses propres nombres démentent.

Notes positives

• Dec-8 §7 (230e4653) : le passage « No-pooling est fragile, pas perdant dans cette réalisation » est l'anti-piège exemplaire — il refuse le faux récit « le no-pooling perd de l'argent ici » (θ_true(A) = 0.040 rend la prime 40 exactement juste) et enseigne la vraie leçon (variance à w=50). C'est la discipline que les tranches 1-2 réclamaient des cellules de leçon fausses.
• Dec-8 §3 : les estimateurs Bühlmann–Straub sont exacts au rejeu à la 5e décimale (m = 0.11041, équation d'équilibre VHM avec dénominateur Σw − Σw²/Σw, a = 0.000440, K = 250.69, Z_A = 0.166) — y compris le cas Poisson EPV = m documenté avec ses références (Bühlmann & Gisler ch. 3).
• Dec-9 [24] (c2a3809e) : la distinction incertitude d'estimation vs incertitude de processus (un tarif au Q95 du posterior ≠ 5 % des années en perte) est rare et correcte — c'est précisément elle que l'en-tête de Dec-10 écrase (finding ci-dessus).
• Dec-9 §5 : spirale d'antisélection rejouée exactement (6 tours, part_bons 0.5→0.025, P final 3.28× la prime pure des bons — « environ trois fois » ✓), disposition à payer 6 180 ✓ ; le pont Akerlof/RS vers GT-17a/17b est un vrai pont, pas une citation décorative. CRRA de rappel : CE 1 289.1 au centime.
• Dec-10 [19] (775583f2) : la note méthodologique MGF lognormale (MGF = +∞ pour tout r > 0, quadrature tronquée = borne inférieure, R dépendant du cutoff d'un facteur ~4, substitution light-tailed comme seul vérificateur strict) est d'une honnêteté de manuel — c'est elle qui rend le finding de [20] regrettable : la nuance était écrite une cellule plus haut.
• Dec-10 §7 : l'invariance de ψ par homothétie de la quote-part démontrée à seed identique (0.5228 = 0.5228, lignes 1/3 du tableau 6312f6c6) — l'argument structurel (multiplier primes, sinistres et capital par (1−α) laisse ψ inchangée) est correct et sa conséquence pratique (le levier réel est le capital libéré) bien tirée.
• Dec-10 §6 : la propagation du posterior de λ vers une distribution de ψ (Q5 0.255 / médiane 0.500 / Q95 0.833 contre moyenne 0.519) est la vraie pièce Prong-B du carnet — « le prix de l'ignorance » mesuré, asymétrique, dimensionnant sur le quantile.
• 9 stubs d'exercices propres sur les trois carnets (3+3+3), patterns print/None conformes C.1, execution_count non nuls partout, aucune fuite de solution ; slogans « à compléter » cohérents.

Escalade — classes ≥3 occurrences (cumul campagne)

Classe	Cumul	Cette tranche
incoherence-valeur	27 (+9)	le visage se précise : snapshot périmé partiel (table HDI de Dec-8 : 4 lignes sur 5 d'une autre exécution, 1 exacte — le leurre du « presque juste ») ; prose de limites écrite pour d'autres hyperparamètres (HalfNormal 0.2/0.1 vs 0.5 exécuté) ; affirmation universelle niée par les booléens de sa propre sortie (« la borne tient » vs tenue=False ×2) ; artefact d'affichage lu comme une valeur (round(1) → « un cinquième » pour un quart)
incoherence-navigation	0	— (micro « cf cellule suivante » dans le léger bloc-duplique)
fuite-solution	0	aucun
bloc-duplique	1 (+1)	titre générique « Lecture du résultat » ×5, à contre-convention des siblings

Motif transversal consolidé (t1+t2+t3) : la série souffre de prose déconnectée de l'exécution qu'elle commente — leçons pour d'autres paramètres (Dec-4 prior 50 %, Dec-8 HalfNormal 0.2/0.1, prior « centré sur m »), tables d'un autre run (Dec-3, Dec-5, Dec-8), résumés universels contredits par des sorties locales (Dec-5 « EVSI = 0 », Dec-10 « la borne tient »), valeurs d'affichage lues comme des valeurs exactes (Dec-10 round(1)). Le correctif canonique reste : dériver les phrases de synthèse des valeurs exécutées — et pour les tables, les générer ou les vérifier borné à borné contre la sortie committée.

Checklist : DecPyMC-8, DecPyMC-9 et DecPyMC-10 cochés. Tranche 3 complète. Résiduel : t4 (Dec-11, Dec-12 + Dec-7 post-merge + README post-#18613 ; mémo double titre « **[5 — » inchangé).

🤖 Generated with Claude Code

[jsboige]

[DELIVERED] lane myia-po-2025:CoursIA — tranche 4 (DecPyMC-11-Valeur-Info-Souscription, DecPyMC-12-Freq-Sev-Hierarchique) — audit pédagogique #18545, protocole v2

Méthode : passe d'organes préalable (duplicate_sections 0 porteur ; split_reading clean ×2 ; interp_positioning 0 ×2 ; output_failure 0 regressed ×2). Lecture intégrale (37 + 34 cellules, ids vérifiés). Spot-checks indépendants (numpy, script rejoué) : générateur de Dec-12 répliqué à l'euro près sur 6 segments témoins (N_k, pi_true, pi_no — B1/B5/B8/B14/B17/B20) + RMSE no/full exacts (0.3058 / 0.5276) et régimes generer(tau) déterministes replays (no = 0.3794 aux trois taus, full 0.4097/0.9585/3.3831) ; machinerie EVSI de Dec-11 intégralement rejouée (seuil, baseline, EVPI, EVSI des trois signaux, EVSI aux moyennes posterior, courbe d'expérience, arithmetic de Spence). Aucun finding ne repose sur une portion tronquée du dump (sorties Dec-12 [6]/[8]/[16]/[18]/[24] relues au JSON brut, toutes parties concaténées).

DecPyMC-11-Valeur-Info-Souscription.ipynb — 1 finding

• [incoherence-valeur] (léger) cellule 84ca497e ([34], interprétation de la discrimination par l'expérience) — « la probabilité d'être un mauvais risque […] elle ne passe jamais sous le seuil de refus 0.38 » : la courbe imprimée par la cellule précédente (2dffb76b, [33]) est sous 0.38 dès k = 0 (0.300 → 0.230, toutes les valeurs < 0.38 — rejeu : (p_exp < 0.38).all() = True). Ce qui est vrai et sans doute visé : elle ne franchit jamais le seuil par au-dessus — l'expérience ne déclenche jamais le refus, parallèle exact avec le questionnaire de la section 3 (bouge la croyance 0.30 → 0.33, zéro décision changée, EVSI nulle). La phrase décrit la géométrie à l'envers relativement à la règle que le carnet a lui-même posée en section 1 (« accepter ssi p < 0.38 ») ; l'argument de fond (lenteur de l'expérience, 6 ans → 0.23 vs 0.04 télématique) survit, mais un lecteur qui croit la phrase ne peut pas reproduire la décision associée à sa propre courbe.

DecPyMC-12-Freq-Sev-Hierarchique.ipynb — 1 finding

• [incoherence-valeur] (micro) cellule 86cb1df4 ([25], lecture de la section 11) — « Le modèle apprend τ en dessous de sa vraie valeur (0.07 contre 0.05 au niveau faible — quasi exact ; 0.20 contre 0.25 ; 0.47 contre 0.60) » : au niveau faible, 0.07 > 0.05 — c'est au-dessus, et la généralisation qui suit (« il sous-estime l'hétérogénéité réelle et lisse donc légèrement trop ») est contredite par le premier régime qu'elle cite (légère sur-estimation → lisse trop peu à ce niveau). Vraie pour 2 régimes sur 3. Micro : la conclusion opérationnelle (le τ appris suit le τ réel, imparfaitement) tient, et les trois chiffres sont correctement imprimés — seul le mot de direction est faux.

Notes positives

• Dec-11 — le carnet le plus propre de la campagne côté valeurs : mécanique EVSI exacte au rejeu intégral (seuil 0.38 = 1140/3000, baseline 240, EVPI 558 = 0.30 × 1860 exactement comme la section 2 l'énonce, EVSI 0.0 / 310.8 / 478.3, parts d'EVPI 55.7 % / 85.7 %) ; moyennes MC dans le bruit d'échantillonnage (±1σ) ; calibration Beta-Binomial aux moyennes conjugues attendues ((24+2)/64 = 0.406, (10+2)/104 = 0.115…). Aucun snapshot périmé, aucune table d'un autre run — l'inverse du motif dominant des tranches 1-3.
• Dec-11 §3 (e83e1336) : « la valeur d'un signal se mesure en décisions changées, pas en corrélations » — démontré par construction, pas par assertion : le questionnaire déplace la croyance (0.30 → 0.33) sans changer une seule décision, et son EVSI est exactement 0.0 dans la sortie.
• Dec-11 §6 : la propagation posterior → EVSI (P(EVSI > coût) = 1.00 pour l'examen, 0.08 pour le questionnaire) est la vraie pièce Prong-B du carnet — la décision d'achat devient une statistique bayésienne ; la récursivité (« en zone grise, acheter de l'information sur le signal ») est une rareté pédagogique, correctement ancrée sur les quantiles imprimés (Q5 235.2 / médiane 296.9 / Q95 350.9 ; rejeu aux moyennes posterior : 293.6, cohérent).
• Dec-11 §7-8 : le miroir de Spence chiffré sans décor (tarif révélé 1650/4950, économie 990, net +490 — rejeu exact) et la boucle bouclée avec T1 (6 ans d'expérience → 0.23 contre 0.04 pour un an de télématique négative) ; la limite Rothschild–Stiglitz (pool intenable à 4 950) est posée, pas escamotée.
• Dec-12 — générateur répliqué à l'euro près : les 6 segments témoins (N, π_vraie, π_no) et les deux RMSE naïfs sont exacts au rejeu seedé, y compris les valeurs citées en prose (B17 874 vs 642, B20 +80 %, prime pleine 527, ratio 4.4×). Le banc d'essai fait ce qu'il annonce.
• Dec-12 [25] — la tau-invariance du no-pooling, comprise et dite : « constant par construction (0.379 — il n'utilise pas la hiérarchie) » est exact au-delà de l'intuition : rejeu sur les trois régimes — 0.3794 aux trois taus, car π_no/π_vrai = bruit Poisson × exp(σz/√N) ne dépend pas de μ_k. La prose dit le mécanisme, la réplication le prouve.
• Dec-12 §6 (f90b7245) : diagnostic exemplaire — σ faiblement identifié (intervalle [0.10, 0.95]) vs insuffisamment échantillonné (ess_bulk 44) distingués, compensation μ + σ²/2 documentée, et le garde-fou énoncé : « un score ponctuel ne remplace pas un posterior convergé ». C'est la discipline exacte que la section 15 du registre demande.
• Dec-12 §7 : RMSE scindé honnête — sur les petits, partial 0.3008 est légèrement pire que no 0.2970, et la prose l'assume (« quasi-égalité », biais payé sur B5 le seul vrai extrême) au lieu de l'enterrer.
• 6 stubs d'exercices propres (3 + 3), patterns None conformes C.1, execution_count non nuls partout, aucune fuite de solution ; les énoncés d'exercices sont réellement discriminants (ex. 3 de Dec-11 : les deux points de vue assureur/assuré ne coïncident pas).

Escalade — classes ≥3 occurrences (cumul campagne)

Classe	Cumul	Cette tranche
incoherence-valeur	29 (+2)	deux écarts de direction/géométrie dans la prose (seuil franchi « par en dessous » alors que la courbe est déjà sous ; τ appris « en dessous » contredit au premier régime) — aucun snapshot périmé, aucune table d'un autre run, aucune valeur fabriquée : la maturité des carnets 11-12 est nettement supérieure aux tranches 1-3
incoherence-navigation	0	—
fuite-solution	0	aucun
bloc-duplique	1	—

Motif transversal (t1+t2+t3+t4) : le motif consolidé tient (« prose déconnectée de l'exécution qu'elle commente ») mais s'amenuise spectaculairement sur la jambe actuarielle récente : Dec-11/Dec-12 portent des valeurs exactes au rejeu intégral et leurs deux écarts sont des mots de direction, pas des nombres. Le correctif canonique reste : dériver chaque phrase de synthèse des valeurs imprimées — ici, relire la phrase contre la règle de décision posée deux sections plus tôt.

Checklist : DecPyMC-11 et DecPyMC-12 cochés. Résiduel : Dec-7 seul (post-merge #18613) + README (post-#18613 ; mémo double titre « **[5 — » inchangé).

🤖 Generated with Claude Code

[jsboige]

[INFO] candidate-delivered (audit EPIC #17073, lot partitions Hermes) — lane myia-po-2026:CoursIA-2 — 2026-10-02

Lot d'issues de partition pédagogique ouvertes le 30/09 et 01/10 par l'audit #17073. Toutes ont des livraisons MERGED associées et sont closes en substance.

Preuve firsthand :

• [Audit #17073] Série DecPyMC — partition Hermes #18545 (Série DecPyMC) — pas de livraison en lien : ticket reste un cadrage documentaire (ordre canonique + niveau apprenant). Acceptable comme partition ouverte.
• [Audit #17073] Série Planners — partition Hermes #18578 (Série Planners) — docs(planners,#18578): parcours neuro-symbolique -- 14-LLM-Space-Reducer -> 10b (ancien numero) #18636, fix(planners,#18578): nav 3-State-Space-Csharp -- prev sautait le 2, next pointait le twin Python #18642, fix(planners,#18578): nav manquante sur les twins C# 5-Heuristics et 6-Domains #18647, fix(planners,#18578): re-exec tranche kernel 3.13 (5c, 6-Domains, 11-Unified-Planning) #18654, fix(planners,#18578): dedup interpretation cells 10/11 in 2-PDDL-Basics #18655 tous MERGED.
• [Audit #17073] Série CaseStudies — partition Hermes #17083 (CaseStudies) — fix(casestudies,#17083): reposition Exercice 2/3 + anchor planning lecture (Oncology-Planning) #17310, fix(casestudies,#17083): move genetic lecture into Partie 3 (Diagnostic-Medical student) #17312, fix(casestudies,#17083): interpret SmartGrid student risk placeholders #18663 MERGED.
• [Audit #17073] Série PyMC — partition Hermes #17222 (PyMC) — fix(probas,#17222): PyMC-02 -- convention code[N] posee, 'creux' -> 'pics/retards' #18271, fix(probas,#17222): PyMC-03 -- nav inter-notebooks ajoutee en cellule 20 #18282, fix(probas,#17222): PyMC-04 -- nav cellule 46 ajoutee, titre manquant cellule 47 #18287 MERGED.
• [Audit #17073] Série DSWA — Track2-GoogleADK — partition Hermes #17391 (DSWA Track2-GoogleADK) — docs(notebook,#17391): Lab10 — aligner la prose sur le perimetre reel de FileAnalyzer #17405, fix(notebook,#17391): realigner 2 lectures perimees de Lab14 sur les outputs committes #17408, fix(dswa,#17391): Lab12e — curer 2 findings paraphrase-stack (partition GoogleADK) #17553 MERGED.
• [Audit #17073] Série ML.Net — partition Hermes #17700 (ML.Net) — Fix: ML-4b realignement de la prose sur les sorties committées (audit #17700) #18657, Fix(ML-series,#17825): accents prose FR + réalignement résidu ML-5b (audit #17700) #18661, Fix: ML-10 prose -- AUC 0.17 = pire que le hasard (pas quasi), resume re-ancre 0.75 (audit #17700) #18675 MERGED.
• [Audit #17073] Série SymbolicLearning — partition Hermes #17793 (SymbolicLearning) — feat(gametheory,#17776): POLA Assistance Games 2026 (Ananthakrishnan arXiv:2607.08012) #17780, fix(symboliclearning,#17793): SL-12 — conclusion replacee avant le resume, chiffres de vitesse attribues #17873, feat(lean,#2159): Grothendieck P85 — la fonctorialite de C⁰ (endofoncteur + unité naturelle) #17879 MERGED.
• [Audit #17073] Série socle-metadata-driven — partition Hermes #18684 (socle-metadata-driven) — pas de livraison en lien : ticket reste un cadrage documentaire.

Deux tickets (#18545, #18684) restent de pur cadrage, sans livraison nécessaire : l'audit a vocation d'inventaire. Les 6 autres sont résolus en substance.

Aucune fermeture posée (Tell c.1502 strict fondateur), aucun label, aucune ré-implémentation.