Séminaire Probabilités et Statistique

Après avoir introduit les U-statistiques à  deux échantillons,
nous présenterons
une version empirique de ces-dernières. Ceci permet de détecter un
potentiel changement de loi
dans un échantillon. Nous allons donner des conditions suffisantes pour
la convergence
des U-statistiques à  deux échantillons dans un espace fonctionnel
approprié ainsi qu’une description du processus limite.
Il s’agit d’un travail réalisé en collaboration avec Herold Dehling
(Ruhr-Universität Bochum) et Olimjon Sharipov (National University of
Uzbekistan)

Une mesure de Gibbs est une mesure de probabilité, sur l’espace des configurations, qui est définie en prescrivant ses lois conditionnelles. Ces lois conditionnelles admettent une densité, par rapport au processus ponctuel de Poisson homogène d’intensité z, de la forme exp ( – beta H ) avec H l’énergie de la configuration. Dans ce cadre une question naturelle est de savoir, pour chaque z et beta, s’il existe une ou plusieurs mesures ayant ces lois conditionnelles.

Dans un article récent en collaboration avec D. Dereudre (Lille) nous étudions le area-interaction model. Pour ce modèle il est conjecturé que la non-unicité a lieu si et seulement si z = beta grand.
Nous répondons partiellement à  cette conjecture en prouvant l’unicité ou la non-unicité pour tous les paramètres z, beta en dehors d’un compact.

Les outils utilisés sont, entre autre, de la percolation et une représentation FK du modèle.

La percolation de dernier passage dirigée est, classiquement, un modèle de croissance dans le quart de plan discret. Pour croitre de la case $(i,j)$, il faut que les cases $(i-1,j)$ et $(i,j-1)$ soient présentes dans notre amas de croissance, puis attendre un temps aléatoire $tau_{(i,j)}$. Ce modèle est notemment intéressant pour modéliser le temps d’asséchement d’un terrain.

Dans cet exposé, je présente une généralisation de la percolation de dernier passage dirigée dans le cas o๠le temps à  attendre $tau_{(i,j)}$ dépend des temps d’arrivée des cases $(i-1,j)$ et $(i,j-1)$ dans l’amas et je présente ce modèle non pas comme un modèle de croissance dans le quart de plan, mais dans un cylindre de taille $L$. Dans le cylindre, il apparait ainsi une ligne de front pour notre amas.

L’objet de cet exposé va être d’étudier deux propriétés asymptotiques (en temps) de cette ligne de front: sa vitesse et sa forme. Nous verrons que, dans des cas particuliers dits solubles ou intégrables, cette vitesse et cette forme ont une forme explicite en fonction des paramètres du modèle. Puis, j’expliquerai par quelle magie ces cas sont solubles, alors que les autres ne les sont a priori pas.

Dans ces travaux effectués en collaboration avec J.-F. Coeurjolly (UQAM, Montréal) et P.-O. Amblard (Gipsa-Lab, Grenoble), nous proposons d’estimer une intégrale à  partir de points de quadrature produits par un processus ponctuel déterminantal (DPPs), construits à  partir de noyaux de type Dirichlet. Sous l’hypothèse que l’intégrande appartient à  un certain espace de Sobolev de régularité s>1/2 (condition vérifiée par de nombreuses fonctions non-continument différentiable), l’estimateur ainsi construit satisfait alors un théorème central limite avec une variance explicite et une vitesse de convergence hyperuniforme. Grâce à  la structure de ces DPPs, il est également possible d’utiliser une même configuration de points et, via la projection de ces points, estimer des intégrales de fonctions définies sur des espaces de dimension inférieure, tout en conservant les résultats asymptotiques obtenus précédemment.

Le theoreme de Bakry-Emery indique que, sous une condition d’uniforme
convexité du potentiel, certaines mesures de probabilités vérifient une
inégalité de Poincaré, avec une constante meilleure que celle associée à 
la mesure gaussienne. De manière équivalente, ce résultat s’interprète
comme une borne sur les valeurs propres de certains opérateurs de
diffusion. Dans cet exposé, je présenterai un résultat de stabilité : si
une telle mesure a une constante de Poincaré proche de celle de la
gaussienne, alors elle contient presque un facteur gaussien, avec des
bornes d’erreur explicites. La preuve repose sur une combinaison
d’arguments élémentaires de calcul des variations, et de la méthode de
Stein sur l’estimation de distances entre mesures de probabilités. Comme
application, on obtient des formes inverses de certaines inégalités de
concentration pour les mesures uniformément log-concaves. Travail en
collaboration avec Thomas Courtade.

Les modèles avec contraintes cinétiques constituent une classe de
modèles de mécanique statistique qui ont été introduits par les
physiciens pour décrire le comportement du verre. Il s’agit de modèles
de configurations sur des graphes dans lesquels chaque sommet du graphe
est soit à  l’état 0, soit à  l’état 1, et ne peut changer d’état que si
une contrainte de la forme « il y a assez de zéros dans le voisinage du
sommet » est satisfaite. Il existe une infinité de contraintes
possibles, et les propriétés d’un modèle dépendent fortement du choix de
sa contrainte. Une question très importante est donc celle de
l’universalité : peut-on répartir cette infinité de modèles en un nombre
fini de classes selon leur comportement ? Cette question a récemment été
résolue lorsque le graphe de base est Z2 pour une classe de modèles plus
simple, la percolation bootstrap, que l’on peut considérer comme une
version déterministe et monotone des modèles avec contraintes
cinétiques. Cependant, les modèles avec contraintes cinétiques
présentent un phénomène de barrière d’énergie qui peut rendre leur
comportement très différent de celui de la percolation bootstrap, et
nécessitent donc une classification d’universalité plus fine. Dans cet
exposé, on présentera une telle classification d’universalité pour les
modèles avec contraintes cinétiques.

Thanks to the sequencing revolution in biology, protein sequence
databases have been growing exponentially over the last years.
Data-driven computational approaches are becoming more and more
popular in exploring this increasing data richness. In my talk, I will
show that global statistical modeling approaches, like (Restricted)
Boltzmann Machines are able to accurately capture the natural
variability of amino-acid sequences across entire families of
evolutionarily related but distantly diverged proteins. We show that
these models are biologically interpretable; they allow to extract
information about the three-dimensional protein structure and about
protein-protein interactions from sequence data, and they unveil
distributed sequence motifs. These models can be seen as highly
performant generative models – they capture the natural sequence
variability far beyond fitted quantities, and they allow to design
novel, fully functional proteins by simple MCMC sampling approaches.

The neutron transport equation (NTE) describes the net movement of neutrons through an inhomogeneous fissile medium, such as a nuclear reactor. One way to derive the NTE is via the stochastic analysis of a spatial branching process. This approach has been known since the 1960/70s, however, since then, very little innovation in the literature has emerged through probabilistic analysis. In recent years, however, the nuclear power and nuclear regulatory industries have a greater need for a deep understanding the spectral properties of the NTE.

In this talk I will formally describe the dynamics of the so-called neutron branching process (NBP), along with an associated Feynman Kac representation. I will then discuss how the latter can be used to consider the long-term behaviour of the nuclear fission processes through both a Perron-Frobenius decomposition and a strong law of large numbers result.

We derive explicit formulae for the expected volume and the expected number of faces of the convex hull of several multidimensional Gaussian random walks, in terms of the Gaussian persistence probabilities. We generalize further our formulae to Gaussian random walks with random (Gaussian) starting points. Special cases include the d-dimensional Gaussian polytope with or without the origin.

Joint work with Dmitry Zaporozhets (Steklov Institute St Petersburg)