Probabilities and Statistic seminar

Planning, titres et résumés ici.

We define a wide class of Markovian load balancing queueing networks, including classic networks studied in the lively literature on the subject. Each network has identical single-server infinite-buffer queues and implements a load balancing policy to allocate each task at its arrival and possibly reallocate it at service completions. The purpose of the policy is to optimize server utilization under constraints such as limited information, real-time decision taking, and network topology. The queue length process is not necessarily exchangeable. The invariant law is in general not known even up to normalizing constant. We provide perfect simulation methods in view of Monte Carlo estimation of quantities of interest in equilibrium, for instance for performance evaluation. In this infinite multi-dimensional state space, we use an unusual preorder defining an order up to permutation of the coordinates, define a coupling in which networks in this class are dominated by the network with uniform routing, and implement dominated coupling from the past methods.

[The talk will be in French, but slides will be in English.]

(Exceptionnellement, le séminaire aura lieu à Metz et sera diffusé en visio en salle de conférence à Nancy.)

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.

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.