[jsboige]

Grain: DEEP/notebook-python — lane myia-po-2024:CoursIA-2 — prev: DEEP/notebook-python #24202

Contre-audit de fond — GT-16j Screening & loyer d'information (Python)

Arc contre-audit GameTheory, carnet 16j. Méthode 4 passes ; claims
quantitatives, attributions et références croisées vérifiées FIRSTHAND
contre origin/main.

Défaut (pass 1 — prose en contradiction avec la mesure)

Les cellules 15 et 22 disaient que le coût de l'asymétrie d'information
« croît de façon convexe avec l'écart de type ». Mais le tableau de
sensibilité (cellule 14) mesure une croissance à rythme décroissant :
les pentes successives de la colonne « coût esp. » entre les lignes sont
0.084, 0.040, 0.022, 0.012 (pour θ_H = 1.25 → 1.5 → 2.0 → 2.5 → 3.0).
Une fonction croissante à pente décroissante est concave, pas convexe.
L'adjectif était donc inversé par rapport à la mesure que la phrase
elle-même cite (≈ 0.04 / 0.083 / ≈ 0.10). Corrigé en « concave »
(2 occurrences, markdown seul).

Passes 1–3 — clean sinon (vérifiées à la main)

• Quantitatif vs sortie : recomputé à la main et concordant — premier
  optimum (a* = θ² : a_L=1, a_H=4, surplus 0.5 / 4.0) ; second optimum
  (screening, non-distorsion au sommet : a_H=4, a_L = 0.5/0.75 = 0.667,
  loyer U_H = 0.111, t_H = 4.111) ; décomposition du coût — fraction exacte
  1/12 = 1/18 + 1/36 (coût espéré 0.083 = loyer 0.056 + distorsion
  0.028, soit 67 % / 33 %) ; et le tableau de sensibilité complet (ligne
  θ_H=3.00 re-tracée à la main : a_L=0.600, loyer 0.120, distorsion
  0.080, coût 0.100).
• Attributions : Maskin–Riley (screening / sélection adverse) et Myerson
  (conception optimale) — réels et appropriés ; « théorème de non-distorsion
  au sommet » = nom descriptif du résultat classique (type haut non déformé),
  pas une fausse attribution.
• Provenance « mesuré » : les résultats proviennent de l'exécution réelle
  numpy (cellules 2, 5, 8, 11, 14) ; les cellules d'exercice (17, 19, 21) sont
  des stubs C.1 conformes (= None) — aucune claim « mesuré » ne repose sur un
  stub.

Pass 4 — clean

Les cibles de nav de la cellule 0 existent sur origin/main
(git ls-tree) : GameTheory-16e-LLM-Players-Othman-Sandholm-Python.ipynb,
README.md, GameTheory-21-Capstone-Choix-Social-Python.ipynb.

Fix

• cellules 15 et 22 (markdown) : « croît de façon convexe » / « croît
  convexe » → « concave » — markdown seul, pas de re-exécution.

Diff : 1 fichier, 2 lignes.

---

🤖 Generated with Claude Code

[github-actions]

Golden-Set Execution (H.7 P3)

✅ 9/9 notebooks passed (certified reproducible)

Notebook	Status	Time
2.1-Workflow-ML.ipynb	✅ SUCCESS	4.7s
2.2-Descente-de-gradient.ipynb	✅ SUCCESS	4.8s
2.3-Regression-lineaire-logistique.ipynb	✅ SUCCESS	5.4s
2.4-Arbres-Forets-Ensembles.ipynb	✅ SUCCESS	4.9s
Search-01-StateSpace.ipynb	✅ SUCCESS	4.2s
SL-1-LogicalLearning.ipynb	✅ SUCCESS	2.6s
RL-04-Bandits-Manchots-Python.ipynb	✅ SUCCESS	26.3s
GameTheory-04c-NashExistence-Python.ipynb	✅ SUCCESS	3.4s
GameTheory-13d-Optimistic-CFR-Python.ipynb	✅ SUCCESS	17.4s

Pinned lockfile: scripts/notebook_tools/golden_set.lock.txt (H.7 P3, axe A #4208)

[github-actions]

Notebook outputs-required (H.4 schema): PASS (every code cell carries an outputs: list)

[github-actions]

Notebook PR Validation: PASS

• Notebooks checked: 1
• Code cells validated: 8
• Result: All passed

Checks: H.1 (no errors), H.3 (execution_count), C.1 (no banned patterns)
Non-Python kernels (.NET/Lean): C.1 + errors only (execution_count advisory)
QuantConnect notebooks: C.1 + errors only (require QC Cloud for execution)

[github-actions]

✅ No prose/output mismatch detected in the notebooks this PR changed.

Scope = notebooks CHANGED in this PR, not the whole corpus. Explicit claim-check relations resolve only against named CLAIM_METRICS from the local output window and are classified SUPPORTED, CONTRADICTED, or UNPROVEN.
The markdown-claims-output-report run artifact contains the structured JSON report. See python scripts/check_markdown_claims_output.py --help for re-running locally.
Detector rationale: c.290 / c.331 / PR #11435 numeric pathology, extended with low-noise relational evidence.

[github-actions]

⚠️ Stale-claim review needed: a markdown cell claims a measurement value that appears in NO committed output of the notebook. Advisory, NOT a merge gate — triage against the JSON artifact.

Scope = notebooks CHANGED in this PR, not the whole corpus. The stale-claim-report run artifact holds the structured JSON.
Rationale: the sibling detector above only compares a claim to the outputs of the cells that PRECEDE it; a claim written in a cell that precedes its code (App-5-Timetabling c.2/c.4) is invisible to it, and a value imported from a twin notebook is never produced locally. See python scripts/check_stale_claims.py --help.

[github-actions]

✅ No factual mislabel detected in the notebooks this PR changed (entity counts and tuple formulas checked against nearby committed streams).

Scope = notebooks CHANGED in this PR, not the whole corpus. The factual-mislabel-report run artifact holds the structured JSON.
Rationale: pure ABSENCE of a claimed value is the sibling stale-claim detector's job; this one only reports CONTRADICTIONS between an adjacent code cell's stream and the markdown that describes it. See python scripts/check_factual_mislabel.py --help.

[github-actions]

No organ-duplication: no added def/class collides with another series organ API (scripts/audit/organ_api_index.yaml).

Detector: python scripts/audit/detect_organ_duplication.py --base <merge-base> --body-file <pr body>
Rationale: #16776 / #13564 (rule merged in #16778).

[github-actions]

Path-collision (organ #13359/#13615)

Cette PR #24204 (Fix(gametheory): contre-audit GT-16j Screening-Loyer — « convexe » → « concave » (prose vs mesure)) touche au moins un chemin de fichier aussi modifie par d'autres PRs ouvertes. Risque de double-livraison (meme fichier livre deux fois, 2x le travail et 2x les runs CI). Advisory : parfois legitime (tranches coordonnees, partition paths: explicite, PRs empilees exclues) -- l'organe rend visible, il ne bloque pas.

• faible -- Refactor(gametheory,#20316): T5b -- renumerotation 15d->SocialChoice/06b, 15f->15d, 16e->16d, 16g->16e #24147 partage : MyIA.AI.Notebooks/GameTheory/GameTheory-16j-Screening-Loyer-Information-Python.ipynb

[jsboige]

Contenu fondu en fournee dans #24354 (contre-audit GameTheory, concern #24280) — le commit est preserve par cherry-pick, rien n'est reecrit. Cette PR se ferme vers la fournee.

[jsboige]

[REPLIÉE] Repliée en fournée dans la PR #24361 (classe contre-audit GameTheory, mandat user 02/11 « thin-prs-go-out-in-class-batches »). Le(s) commit(s) d'origine sont cherry-pickés tels quels dans la fournée — rien n'est réécrit. Voir #24361.