Séminaire Probabilités et Statistique

Un processus d’Ornstein-Uhlenbeck avec seuil est un processus d’autoregression à  temps continu. Il suit une dynamique d’Ornstein-Uhnlenbeck au dessus ou dessous d’un seuil fixé, pourtant à  ce seuil les coefficients peuvent être discontinus. Nous considérons l’estimation par (quasi)-maximum de vraisemblance des paramètres de dérive, à  partir d’observations à  temps continu ou discret. Dans le cas ergodique, nous montrons consistance et vitesse de convergence en temps long et haute fréquence pour ces estimateurs. En se basant sur ces résultats, nous développons un test heuristique pour la présence d’un seuil dans la dynamique et nous concluons avec une application à  short term US interest rates.
Ceci est un travail avec Paolo Pigato.

Cet exposé présentera une petite zoologie de chaînes de Markov à 
mémoire variable, avec des conditions d’existence et unicité de mesure
invariante. Il sera ensuite question de marches aléatoires
persistantes, construites à  partir de chaînes de Markov à  mémoire non
bornée, o๠les longueurs de sauts de la marche ne sont pas forcément
intégrables. Un critère de récurrence/transience s’exprimant en
fonction des paramètres du modèle sera énoncé. Suivront plusieurs
exemples illustrant le caractère instable du type de la marche
lorsqu’on perturbe légèrement les paramètres. Les travaux décrits dans
cet exposé sont le fruit de plusieurs collaboration avec B. Chauvin, F.
Paccaut et N. Pouyanne ou B. de Loynes, A. Le Ny et Y. Offret et A.
Rousselle.

Les complexes simpliciaux sont les généralisations des graphes géométriques à  des relations non plus binaires mais aussi ternaires ou plus. Ce sont des objets très utilisés en analyse de données topologiques. Nous construisons sur ces objets une nouvelle marche aléatoire qui généralise la marche aléatoire canonique sur un graphe. Nous montrons que son générateur est intimemement au Laplacian du complexe simplicial, qui est une généralisation du Laplacien de graphe. Nous nous intéressons ensuite au processus limite quand la densité du nombre de points tend vers l’infini. Nous montrons comment utiliser cette marche pour localiser les trous de couverture dans un réseau radio.

We look at at a coupled system of stochastic differential equations that describe an infinite parametric family of genealogical skeletal decompositions of a general continuous state branching process (CSBP), supercritical, critical and subcritical. This puts into a common framework a number of known and new path decompositions of CSBPs, including those which involve continuum random trees, and allow us to connect the notion of Evans-O’Connell immortal particle decomposition to that of the skeletal decomposition. This is joint work with Dorka Fekete (Exeter) and Joaquin Fontbona (U. de Chile).

Dans cet exposé, nous présenterons de récents travaux effectués en collaboration avec F.Panloup et S.Tindel sur l’estimation paramétrique du terme de drift pour une EDS fractionnaire additive sous des hypothèses assurant l’ergodicité de l’EDS. La méthode d’estimation est en effet basée sur l’identification de la mesure invariante (à  définir dans ce cadre a priori non-markovien) pour laquelle nous construisons une approximation à  partir d’observations discrètes de l’EDS. Nous donnerons des résultats de consistance ainsi qu’une borne non asymptotique sur l’erreur quadratique moyenne.
Pour obtenir ce dernier résultat, nous détaillerons des résultats d’inégalités de concentration pour les EDS fractionnaires que nous avons développés dans de récents travaux.
Enfin, nous discuterons de l’hypothèse d’identifiabilité intrinsèquement liée à  la mesure invariante et nous donnerons quelques illustrations numériques.

Dans cet exposé, je présenterai des progrès récents dans l’approximation normale par la méthode de Stein et le calcul de Malliavin.
Nous rappelons tout d’abord l’inégalité de Poincaré de second ordre, une technique puissante qui donne des bornes d’erreur pour une approximation normale en termes de dérivées de Malliavin de second ordre.
Nous nous concentrons ensuite sur les cas o๠l’inégalité de Poincaré de second ordre ne s’applique pas. Cela pourrait être la conséquence d’un manque de régularité ou, dans certains cas, de la non-tractabilité des seconds dérivés.
Cet exposé est basé sur plusieurs travaux conjoints avec R. Lachièze-Rey, I. Nourdin, G. Peccati.

In spatial dimension > 2, we consider the uniqueness problem for global solutions to the stochastic heat equation, discrete in space and continuous in time, with a small Gaussian noise. A similar problem in the continuous-space setting has been studied by Yuri Kifer. We will describe and motivate the following result: Up to a time-dependent random normalization, the global solution is unique in the class of positive functions of subexponential growth and decay in space. The talk is based on a project with Kostya Khanin and Beatriz Navarro Lameda.

Considérons le processus de Langevin suramorti (Xt)t≥0 solution de l’équation
différentielle stochastique sur R^d
: dXt = −∇f(Xt)dt + racine(h)dBt.

C’est un processus prototypique utilisé pour modéliser l’évolution de systèmes
statistiques. La fonction f : R^d → R est le potentiel du système et h > 0 sa tem-
pérature. Le processus de Langevin suramorti est métastable: il reste bloqué (piégé) dans des voisinages des minima locaux de f sur de longues périodes de temps avant de s’en échapper. C’est une des raisons majeures qui rend inaccessi-
bles l’observation de transitions entre les états macroscopiques du système ainsi que le calcul de quantités thermodynamiques par intégration directe des tra-
jectoires de (Xt)t≥0. De nombreux algorithmes ont été introduits ces dernières années pour accélérer l’échantillonnage de dynamiques métastables (e.g. les
méthodes de Monte-Carlo cinétique et les accelerated dynamics algorithms introduits par A.F. Voter et al. à  Los Alamos). Ces algorithmes reposent sur des estimées précises de l’évènement de sortie d’un état macroscopique Ω ⊂ R
d à  basse température (h<<1) et notamment sur le calcul asymptotique des taux de transition entre les états macroscopiques à  l'aide de la célèbre loi d'Eyring-
Kramers (1935). Dans cet exposé, je présenterai des résultats récents marquant des avancées sig-
nificatives sur l'étude précise de l'évènement de sortie d'un état macroscopique Ω pour le processus de Langevin suramorti quand h << 1, ainsi que les nom-
breuses questions qui restent ouvertes.

Dans ce travail nous considérons, le problème de l’analyse statistique des modèles FARIMA (Fractionally AutoRegressive Integrated Moving-Average) induits par un bruit blanc non corrélé mais qui peut contenir des dépendances non linéaires très générales. Ces modèles sont appelés FARIMA faibles et permettent de modéliser des processus à  mémoire longue présentant des dynamiques non linéaires, de structures souvent non-identifiées, très générales. Relâcher l’hypothèse d’indépendance sur le terme d’erreur, une hypothèse habituellement imposée dans la littérature, permet aux modèles FARIMA faibles d’élargir considérablement leurs champs d’application en couvrant une large classe de processus à  mémoire longue non linéaires.

Nous établissons les procédures d’estimation et de validation des modèles FARIMA faibles. Nous montrons, sous des hypothèses faibles de régularités sur le bruit, que l’estimateur des moindres carrés des paramètres des modèles FARIMA(p,d,q) faibles est fortement convergent et asymptotiquement normal. La matrice de variance asymptotique de l’estimateur des moindres carrés des modèles FARIMA(p,d,q) faibles est de la forme « sandwich ». Cette matrice peut être très différente de la variance asymptotique obtenue dans le cas fort (i.e. dans le cas o๠le bruit est supposé iid). Nous proposons, par deux méthodes différentes, un estimateur convergent de cette matrice. Une méthode alternative basée sur une approche d’auto-normalisation est également proposée pour construire des intervalles de confiance des paramètres des modèles FARIMA(p,d,q) faibles. Cette technique nous permet de contourner le problème de l’estimation de la matrice de variance asymptotique de l’estimateur des moindres carrés.

Nous accordons ensuite une attention particulière au problème de la validation des modèles FARIMA(p,d,q) faibles. Nous montrons que les autocorrélations résiduelles ont une distribution asymptotique normale de matrice de covariance différente de celle obtenue dans le cadre des FARIMA forts. Cela nous permet de déduire la loi asymptotique exacte des statistiques portmanteau et de proposer ainsi des versions modifiées des tests portmanteau standards de Box-Pierce et Ljung-Box. Il est connu que la distribution asymptotique des tests portmanteau est correctement approximée par un khi-deux lorsque le terme d’erreur est supposé iid. Dans le cas général, nous montrons que cette distribution asymptotique est celle d’une somme pondérée de khi-deux. Elle peut être très différente de l’approximation khi-deux usuelle du cas fort. Nous adoptons la même approche d’auto-normalisation utilisée pour la construction des intervalles de confiance des paramètres des modèles FARIMA faibles pour tester l’adéquation des modèles FARIMA(p,d,q) faibles. Cette méthode a l’avantage de contourner le problème de l’estimation de la matrice de variance asymptotique du vecteur joint de l’estimateur des moindres carrés et des autocovariances empiriques du bruit.