Quiz — Bayesian Robustness For Nonhomogeneous Poisson Processes.pdf

Question 1 sur 10 20:00

[{"id":27220,"question":"Quel est l'avantage principal d'un processus de Poisson non-homogène par rapport à un processus homogène ?","option_a":"Une intensité constante","option_b":"Une intensité variable dans le temps","option_c":"Un nombre fixe d'événements","option_d":"Une variance nulle","option_e":"","option_f":"","bonne_reponse":"b","explication":"Un processus de Poisson non-homogène permet de modéliser des événements dont la fréquence change au fil du temps, contrairement au processus homogène où l'intensité est constante.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"b\", \"options\": {\"a\": \"Une intensité constante\", \"b\": \"Une intensité variable dans le ","_debug_options_count":4},{"id":27221,"question":"Dans une analyse bayésienne, que représente une 'distribution a priori' ?","option_a":"La distribution des données observées","option_b":"La distribution des paramètres du modèle avant l'observation des données","option_c":"La distribution des résidus","option_d":"La distribution des erreurs","option_e":"","option_f":"","bonne_reponse":"b","explication":"La distribution a priori reflète les connaissances ou croyances sur les paramètres du modèle avant d'observer les données.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"b\", \"options\": {\"a\": \"La distribution des données observées\", \"b\": \"La distribution d","_debug_options_count":4},{"id":27222,"question":"Vrai ou Faux : La robustesse d'un modèle statistique mesure sa sensibilité aux hypothèses de départ.","option_a":"Vrai","option_b":"Faux","option_c":"","option_d":"","option_e":"","option_f":"","bonne_reponse":"a","explication":"La robustesse évalue la capacité d'un modèle à fournir des résultats fiables même lorsque ses hypothèses ne sont pas parfaitement satisfaites.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"a\", \"options\": {\"a\": \"Vrai\", \"b\": \"Faux\", \"c\": \"\", \"d\": \"\"}}","_debug_options_count":4},{"id":27223,"question":"Quel paramètre caractérise l'intensité d'un processus de Poisson non-homogène ?","option_a":"La moyenne","option_b":"La fonction d'intensité λ(t)","option_c":"La variance","option_d":"L'écart-type","option_e":"","option_f":"","bonne_reponse":"b","explication":"L'intensité d'un processus de Poisson non-homogène est donnée par une fonction λ(t), qui dépend du temps t.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"b\", \"options\": {\"a\": \"La moyenne\", \"b\": \"La fonction d'intensité λ(t)\", \"c\": \"La vari","_debug_options_count":4},{"id":27224,"question":"Vrai ou Faux : L'inférence bayésienne utilise uniquement les données observées pour estimer les paramètres.","option_a":"Vrai","option_b":"Faux","option_c":"","option_d":"","option_e":"","option_f":"","bonne_reponse":"b","explication":"L'inférence bayésienne combine les données observées avec une distribution a priori pour estimer les paramètres du modèle.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"b\", \"options\": {\"a\": \"Vrai\", \"b\": \"Faux\", \"c\": \"\", \"d\": \"\"}}","_debug_options_count":4},{"id":27225,"question":"Quelle méthode permet de quantifier l'incertitude sur les paramètres d'un modèle bayésien ?","option_a":"L'écart-type","option_b":"L'intervalle de confiance","option_c":"L'intervalle de crédibilité","option_d":"La moyenne","option_e":"","option_f":"","bonne_reponse":"c","explication":"Dans un cadre bayésien, l'incertitude sur les paramètres est quantifiée par un intervalle de crédibilité, qui représente la probabilité que le paramètre se situe dans cet intervalle.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"c\", \"options\": {\"a\": \"L'écart-type\", \"b\": \"L'intervalle de confiance\", \"c\": \"L'interva","_debug_options_count":4},{"id":27226,"question":"Quel est l'objectif principal d'une analyse de robustesse dans ce contexte ?","option_a":"Minimiser le nombre d'événements","option_b":"Évaluer la sensibilité du modèle à des perturbations des données ou des hypothèses","option_c":"Maximiser la variance","option_d":"Supprimer les outliers","option_e":"","option_f":"","bonne_reponse":"b","explication":"L'analyse de robustesse vise à évaluer comment les résultats du modèle changent lorsque les données ou les hypothèses de départ sont légèrement modifiées.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"b\", \"options\": {\"a\": \"Minimiser le nombre d'événements\", \"b\": \"Évaluer la sensibilit","_debug_options_count":4},{"id":27227,"question":"Vrai ou Faux : Un processus de Poisson non-homogène peut modéliser des événements dont la probabilité d'occurrence dépend de variables explicatives.","option_a":"Vrai","option_b":"Faux","option_c":"","option_d":"","option_e":"","option_f":"","bonne_reponse":"a","explication":"Un processus de Poisson non-homogène modélise des événements dont l'intensité varie dans le temps, mais pas nécessairement en fonction de variables explicatives (ce qui serait un processus de Poisson avec covariables).","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"a\", \"options\": {\"a\": \"Vrai\", \"b\": \"Faux\", \"c\": \"\", \"d\": \"\"}}","_debug_options_count":4},{"id":27228,"question":"Quelle est la formule de l'espérance d'un processus de Poisson non-homogène sur un intervalle [a, b] ?","option_a":"E[N(t)] = λ","option_b":"E[N(t)] = ∫λ(t)dt","option_c":"E[N(t)] = λ(t)","option_d":"E[N(t)] = Var(N(t))","option_e":"","option_f":"","bonne_reponse":"b","explication":"L'espérance du nombre d'événements dans un intervalle [a, b] est donnée par l'intégrale de la fonction d'intensité λ(t) sur cet intervalle.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"b\", \"options\": {\"a\": \"E[N(t)] = λ\", \"b\": \"E[N(t)] = ∫λ(t)dt\", \"c\": \"E[N(t)] = λ(t)","_debug_options_count":4},{"id":27229,"question":"Quel est l'impact d'une mauvaise spécification de la fonction d'intensité λ(t) sur les résultats d'un modèle bayésien ?","option_a":"Aucun impact","option_b":"Une surestimation systématique des paramètres","option_c":"Une sous-estimation de la robustesse du modèle","option_d":"Des biais dans les estimations et une perte de fiabilité","option_e":"","option_f":"","bonne_reponse":"d","explication":"Une mauvaise spécification de λ(t) peut entraîner des biais dans les estimations des paramètres et réduire la fiabilité des résultats du modèle.","points":1,"type":"qcm","actif":1,"section_id":null,"ordre":0,"_debug_answer_data_type":"string","_debug_answer_data_preview":"{\"correct\": \"d\", \"options\": {\"a\": \"Aucun impact\", \"b\": \"Une surestimation systématique des paramèt","_debug_options_count":4}]