Séminaire Probabilités et Statistique

Many applications in spatial and spatio-temporal statistics require data to be modeled by Gaussian processes on non-Euclidean domains, or with non-stationary properties. Using such models generally comes at the price of a drastic increase in operational costs (computational and storage-wise), rendering them hard to apply to large datasets. In this talk, we propose a solution to this problem, which relies on the definition of a class of random fields on Riemannian manifolds. These fields extend ongoing work that has been done to leverage a characterization of the random fields classically used in Geostatistics as solutions of stochastic partial differential equations. The discretization of these generalized random fields, undertaken using a finite element approach, then provides an explicit characterization that is leveraged to solve the scalability problem. Indeed, matrix-free algorithms, in the sense that they do not require to build and store any covariance (or precision) matrix, are derived to tackle for instance the simulation of large Gaussian fields with given covariance properties, even in the non-stationary setting or on surfaces.

La littérature consacrée au mouvement brownien réfléchi dans un cône bidimensionnel est la plupart du temps consacrée à l’étude de sa distribution stationnaire dans le cas récurrent. Dans cet exposé, nous intéresserons en revanche au cas transient pour étudier les fonctions de Green de ce processus et leurs asymptotiques. Ceci nous amènera à considérer la frontière de Martin associée et les fonctions harmoniques satisfaisant des conditions de Neumann obliques sur les bords du cône. Pour certains modèles, nous illustrerons cela en étudiant la probabilité d’évasion du processus le long d’un axe et sa probabilité d’absorption au sommet du cône.

Pour établir nos résultats, nous utilisons des méthodes analytiques historiquement développées pour étudier les marches aléatoires dans le quadrant. Nous établissons des équations fonctionnelles satisfaites par les transformées de Laplace des fonctions de Green. Grâce à la théorie des problèmes frontières (de Riemann et Carleman), il est possible de déterminer des formules explicites pour ces transformées de Laplace impliquant des fonctions hypergéométriques. La méthode du point col et des lemmes de transfert taubériens permettent d’obtenir des résultats asymptotiques et d’établir la frontière de Martin.

(Séminaire commun avec l’équipe ATN.)

Considérée comme l’une des identités clés de l’analyse classique, la formule d’Euler-McLaurin est l’un des outils standard pour relier les sommes et les intégrales, avec des applications remarquables dans de nombreux domaines des mathématiques, bien que peu utilisée en analyse stochastique. Dans cet exposé, nous montrerons comment, en introduisant de nouvelles variantes des intégrales itérées d’un chemin et un simple problème variationnel, nous pouvons généraliser cette identité dans le contexte de l’intégration de Riemann Stieltjes.

(Le séminaire aura lieu en amphi 3.)

Dans cet exposé, nous présentons et étudions un modèle pour deux populations avec une interaction prédateur-proie, où chaque population est composée de deux types d’individus, notés 0 et 1, de sorte que les prédateurs d’un type donné prospèrent en présence de proies similaires, tandis que les proies d’un type donné ont plus de chances de survivre en présence de prédateurs du type différent.
Nous considérons une limite dans une grande population avec des mutations dans à une échelle intermédiaire, c’est à dire que le taux de mutation individuel disparaît tandis que le taux de mutation total tend vers l’infini. Nous prouvons qu’en fonction des paramètres du modèle, différents scénarios peuvent se produire : invasion successive de proies et de prédateurs conduisant à la coexistence de quatre types, ou invasion successive de proies dans une population de prédateurs résidents conduisant soit à l’extinction des proies, soit à la coexistence de tous les types, …

Dans cet exposé, nous étudierons le comportement asymptotique des réseaux neuronaux entièrement connectés avec poids et biais gaussiens et dont la taille des couches cachées tend vers l’infini. Basé sur un travail commun récent avec S. Favaro, B. Hanin, D. Marinucci et G. Peccati.

On appelle « animal dirigé » un sous-ensemble fini du quart de plan N x N qui contient l’origine et tel que tout autre site possède au moins un voisin à sa gauche ou en dessous de lui. Dans cet exposé, je regarderai la limite quand n tend vers l’infini d’un animal choisi uniformément parmi les animaux à n sommets. Je montrerai en particulier que l’objet limite est encodé par une marche aléatoire et peut aussi s’interpréter comme un système de particules en interaction possédant une remarquable propriété de Markov spatiale (travail en collaboration avec O. Hénard et E. Maurel-Segala).

It is a standard assumption that the Gaussian noises in stochastic systems are white in time and white space. This means that the noise at different point in space or in time are assumed to be uncorrelated. This leads to the Ito theory of integration. However, some time series data and other data indicate otherwise, some even exhibits long range dependence. In SDEs these imply that neither the Markov theory nor its martingale characterisation can be relied on. In SPDEs, the difficulty of irregularity coming from the white noise can be mitigated if they are replaced by smooth correlated noise. But other problems arrive. In this talk we shall explore these models and some phenomenons. New, as well as old, techniques in Stochastic Analysis will be explored.