Notre utilisation de cookies

« Cookies » désigne un ensemble d’informations déposées dans le terminal de l’utilisateur lorsque celui-ci navigue sur un site web. Il s’agit d’un fichier contenant notamment un identifiant sous forme de numéro, le nom du serveur qui l’a déposé et éventuellement une date d’expiration. Grâce aux cookies, des informations sur votre visite, notamment votre langue de prédilection et d'autres paramètres, sont enregistrées sur le site web. Cela peut faciliter votre visite suivante sur ce site et renforcer l'utilité de ce dernier pour vous.

Afin d’améliorer votre expérience, nous utilisons des cookies pour conserver certaines informations de connexion et fournir une navigation sûre, collecter des statistiques en vue d’optimiser les fonctionnalités du site. Afin de voir précisément tous les cookies que nous utilisons, nous vous invitons à télécharger « Ghostery », une extension gratuite pour navigateurs permettant de les détecter et, dans certains cas, de les bloquer.

Ghostery est disponible gratuitement à cette adresse : https://www.ghostery.com/fr/products/

Vous pouvez également consulter le site de la CNIL afin d’apprendre à paramétrer votre navigateur pour contrôler les dépôts de cookies sur votre terminal.

S’agissant des cookies publicitaires déposés par des tiers, vous pouvez également vous connecter au site http://www.youronlinechoices.com/fr/controler-ses-cookies/, proposé par les professionnels de la publicité digitale regroupés au sein de l’association européenne EDAA (European Digital Advertising Alliance). Vous pourrez ainsi refuser ou accepter les cookies utilisés par les adhérents de l'EDAA.

Il est par ailleurs possible de s’opposer à certains cookies tiers directement auprès des éditeurs :

Catégorie de cookie	Moyens de désactivation
Cookies analytiques et de performance	Realytics Google Analytics Spoteffects Optimizely
Cookies de ciblage ou publicitaires	DoubleClick Mediarithmics

Les différents types de cookies pouvant être utilisés sur nos sites internet sont les suivants :

Cookies obligatoires	Cookies fonctionnels	Cookies sociaux et publicitaires
Ces cookies sont nécessaires au bon fonctionnement du site, ils ne peuvent pas être désactivés. Ils nous sont utiles pour vous fournir une connexion sécuritaire et assurer la disponibilité a minima de notre site internet.	Ces cookies nous permettent d’analyser l’utilisation du site afin de pouvoir en mesurer et en améliorer la performance. Ils nous permettent par exemple de conserver vos informations de connexion et d’afficher de façon plus cohérente les différents modules de notre site.	Ces cookies sont utilisés par des agences de publicité (par exemple Google) et par des réseaux sociaux (par exemple LinkedIn et Facebook) et autorisent notamment le partage des pages sur les réseaux sociaux, la publication de commentaires, la diffusion (sur notre site ou non) de publicités adaptées à vos centres d’intérêt.
Sur nos CMS EZPublish, il s’agit des cookies sessions CAS et PHP et du cookie New Relic pour le monitoring (IP, délais de réponse). Ces cookies sont supprimés à la fin de la session (déconnexion ou fermeture du navigateur)	Sur nos CMS EZPublish, il s’agit du cookie XiTi pour la mesure d’audience. La société AT Internet est notre sous-traitant et conserve les informations (IP, date et heure de connexion, durée de connexion, pages consultées) 6 mois.	Sur nos CMS EZPublish, il n’y a pas de cookie de ce type.

Pour obtenir plus d’informations concernant les cookies que nous utilisons, vous pouvez vous adresser au Déléguée Informatique et Libertés de l’INRA par email à cil-dpo@inra.fr ou par courrier à :

INRA
24, chemin de Borde Rouge –Auzeville – CS52627
31326 Castanet Tolosan cedex - France

Dernière mise à jour : Mai 2018

Sophie Donnet

Chargée de Recherches INRA

UMR518 AgroParisTech/INRA
Team MORSE
16 rue Claude Bernard
75 231 Paris Cedex 05

Tel : +33 (0)1 44 08 37 19

sophie.donnet@inra.fr

Thèmes de recherche

Développement de modèles probabilistes et méthodes d'inférence pour l'écologie et les sciences du vivant.

Modèles pour données de réseaux d'interactions complexes : multi-niveaux, multiplex, multipartites ...
Modèles définis par équations différentielles ordinaires et stochastiques.
Statistiques bayésiennes: élicitation de loi a priori et combinaison de dires d'experts
Statistiques bayésiennes paramétriques et non paramétriques pour processus de comptage.
Inférence statistique pour les modèles graphiques gaussiens
Algorithmes stochastiques: MCMC, EM et versions stochastiques, filtres particulaires...
Applications en écologie: réseaux d'interaction plantes pollinisateurs, insectes, contaminations de mousse...
Applications: neurosciences, pharmacocinétique, risque alimentaire, fiabilité EDF, réseaux sociaux

Positions occupées

Depuis sept. 2013 : Chargée de recherches INRA , unité MIA Paris, UMR Inra-Agroparistech.
2012-2014 : En mission longue au Mexique, chercheuse invitée. CIMAT (Centro de Investigacion en Matematicas) et Instituto de Matematicas, Universidad Nacional Autonoma de México (UNAM). Mexique.
2007 - 2013: Maître de conférences. Université Paris-Dauphine. Membre du CEREMADE

Cursus universitaire

2018 : Habilitation à diriger les recherches
HDRpdf - 2,5 MB
2003 - 2006 : Doctorat de Statistiques. Thèse soutenue le 30/11/2006 à l'Université Paris-Sud, préparée sous la direction de M. Lavielle (Université Paris-Descartes) et J.-B. Poline (INRIA-Neuropsin). Titre : ``Inversion de données IRMf. Estimation et sélection de modèles''.
2002 - 2003 : DEA de Modélisation Stochastique et Statistique. Université Paris Sud.
2001 - 2002 : Agrégation de mathématiques, option probabilités et statistique.

Publications

Articles publiés ou acceptés

[WP1] Using deterministic approximations to accelerate SMC for posterior sampling. S. Donnet & S. Robin. arxiv
[A17] S. Donnet, V. Rivoirard & J. Rousseau. Nonparametric Bayesian estimation of multivariate Hawkes processes. Accepted for publication in Annals of Statistics arxiv
[A16] E. Lazega, A. Bar-Hen, P. Barbillon, S. Donnet. Effects of competition on collective learning in advice networks Social Networks, Volume 47, October 2016, Pages 1–14
A16pdf - 1,5 MB
[A15] P. Barbillon, S. Donnet, E. Lazega, A. Bar-Hen. Stochastic block models for multiplex networks: an application ot multilevel network of researchers. JRSSA (2016)
A15pdf - 881,3 kB
[A14] S. Donnet, V. Rivoirard, J. Rousseau, C. Scricciolo. Posterior concentration rates for empirical Bayes procedures with applications to Dirichlet process mixtures. Bernoulli Journal (2016)
[A13] S. Donnet, V. Rivoirard, J. Rousseau, C. Scricciolo. Posterior concentration rates for counting processes with Aalen multiplicative intensities. Bayesian Analysis (2016)
[A12] M. Capistran, A. Christen, S. Donnet. Bayesian Analysis of ODE’s : solver optimal accuracy and Bayes factors. Journal of Uncertainty Quantification, 4, 829-849.
A12pdf - 676,2 kB
[A11] S. Donnet, J. Rousseau, J. Bayesian Inference for Partially Observed Branching Processes. Bayesian Analysis Volume 11, Number 1 (2016), 151-190
[A10] S. Donnet, Bartolo, R., Fernandes J.M., Cunha J.P., Prado, L. and Merchant, H. Monkeys time their movement pauses and not their movement kinematics during a synchronization-continuation rhythmic task Journal Of Neurophysiology, May 2014 ; 111(10), 2138
A10pdf - 1,2 MB
[A9] S. Donnet, A. Samson. Using PMCMC in EM algorithm for stochastic mixed models : theoretical and practical issues Journal de la Société Françcaise de Statistique, 155, 49-72, 2014.
[A8] S. Donnet, A. Samson. A review on estimation of stochastic differential equations for pharmacokinetic/ pharmacodynamic models. Advanced Drug Delivery Reviews
A08pdf - 762,3 kB
[A7] I. Albert, S. Donnet, C. Guihenneuc, S. Low-Choy, K. Mengersen, J. Rousseau, Combining expert opinions in prior elicitation (with discussion). Bayesian Analysis, 7(3), 503-546 (2012)
[A6] S. Donnet, J.-M. Marin . An empirical Bayes procedure for the selection of Gaussian graphical models. Statistics and Computing, 22(5), 1113-1123 (2012)
A06pdf - 1 MB
[A5] S. Donnet , J-L Foulley, A. Samson. Bayesian analysis of growth curves using mixed models defined by stochastic differential equations . Biometrics, 66(3) :733-741, (2010)
A05pdf - 864,4 kB
[A4] P. Ciuciu, T. Vincent, L. Risser, S. Donnet. A joint detection-estimation framework for analysing within-subject fMRI data. Journal de la Société Franéaise de Statistiques, Vol. 151, No 1 (2010)
[A3] S. Donnet, A. Samson. Parametric inference for mixed models defined by stochastic differential equations. ESAIM P&S, 12 :196-218, (2008)
A03pdf - 325,6 kB
[A2] S. Donnet, A. Samson. Estimation of parameters in missing data models defined by differential equations. J. Statist. Plann. Inference 137 (2007), no. 9, 2815–2831
A02pdf - 267,1 kB
[A1] S. Donnet, M. Lavielle, and J.-B. Poline. Are fMRI event related reponses constant across events ?. Neuroimage,Volume 31, Issue 3, 1 (July 2006), 1169 – 1176

Articles soumis dans des revues internationales

[S1] Bayesian inference for network Poisson models, S. Donnet & S. Robin arxiv
[S3] Block models for multipartite networks.Applications in ecology and ethnobiology. A. Bar-Hen, P. Barbillon & S. Donnet

Revues de livre et discussions

[B3] S. Donnet. Book review of “Stochastic Modelling for Systems Biology (second edition)” by Darren J. Wilkinson. CHANCE 25-4 (Décembre 2012)
[B2] S. Donnet. Book review of “Statistical Thinking in Epidemiology” by Yu-Kang Tu and Mark S. Gilthorpe. CHANCE 25-4 (Décembre 2012)
[B1] S. Donnet. Book review of “Monte Carlo Simulation for the Pharmaceutical Industry : Concepts, Algorithms, and Case Studies” by Mark Chang. International Statistical Review (Avril 2012)
[D1] S. Donnet, A. Samson. Discussion on “Parameter estimation for differential equations : a generalized smoothing approaché” (by Ramsay JO, Hooker G, Campbell D and Cao J), Journal of the Royal Statistical Society : Series B, 69(5) :741-796, (2007)

Enseignement

Ressources pour le cours d'introduction à R, M2 MASH, Dauphine

donnet_intro_M2pdf - 64,3 kB

Cours d'introduction à R :

Niveau débutant :

Intro_R_debutantpdf - 234,6 kB

Niveau intermédiaire :

IntroR_intermediairepdf - 2,4 MB

Exercices_ggplotpdf - 8,3 MB

Exercices_ggplot_corrigee.R - 2,8 kB

Niveau Avancé

IntroR_expertpdf - 644 kB

Cours d'introduction au Bayésien

Cours

donnet_bayesian_introductionpdf - 1,6 MB

TD1-2019_Bayespdf - 108,6 kB

Cours d'introduction à l'algorithme EM