Probabilities and Statistic seminar

The aim of this presentation is to show different results obtained in the field of semi-Markov processes focusing on risk/reliability indicators and related statistical inference aspects. The first part concerns discrete-time semi-Markov processes which are defined in a finite state space. Theoretical results are obtained in terms of evaluation and statistical estimation of risk indicators such as the mean time to failure. The asymptotic behavior of the empirical estimators is studied in the case of one single (large) trajectory. The results are illustrated on both real and simulated wind data. The second part of the presentation concerns partially observed semi-Markov chains such as the hidden Markov renewal and the hidden semi-Markov chains. Statistical estimation results are presented for reliability indicators such as the failure occurrence rate. In the third part, we present bootstrap estimators of risk indicators when the state space is discrete along with posterior concentration rates of the kernel density when the state space is continuous.

(Exposé en français avec des diapositives en anglais.)

Stochastic partial differential equations (SPDEs) are a major subject of current research in probability and analysis, with rich methodologies for studying existence and regularity. At the same time, SPDEs are increasingly used as statistical models for spatially and temporally structured data, where inference requires learning unknown parameters or functions from observations. In this talk, we consider Bayesian inference for the reaction function in a stochastic reaction-diffusion equation, based on a single solution trajectory observed continuously in space over a fixed time interval. We place a Gaussian process prior on the reaction function and derive posterior contraction rates in a novel asymptotic regime in which the spatial domain grows while the observation horizon remains fixed. In this setting, the SPDE solution becomes spatially ergodic and converges to a stationary process, which allows us to prove concentration inequalities for spatial averages of the solution. The proofs combine tools from Malliavin calculus – most notably the Clark–Ocone formula – with sharp bounds on the marginal densities of the SPDE.

Programme à venir.

Plus d’informations ici.

Exposé à Metz. Titre et résumé à venir.

Exposé à Metz. Titre et résumé à venir.

The cosmic web is a highly complex geometrical pattern, with galaxy clusters at the intersection of filaments and filaments at the intersection of walls. Using observational data, we can visually recognize the main components of the cosmic web: voids, filaments and (super)clusters. However, to classify the cosmic web using mathematical methods is much more complicated task, which also involves the analysis of observational selection effects. In my talk I will give a brief overview about the observed large-scale structure together with the main selection effects that should be taken into account while analyzing the data.

La théorie statistique de l’apprentissage porte sur trois problèmes d’inférence empirique : la discrimination, la régression et l’estimation de la fonction de densité. Cette présentation se concentre sur la discrimination. Nous exposons les garanties disponibles sur les performances en généralisation des systèmes discriminants (risques garantis), en privilégiant le cas o๠ceux-ci s’appuient sur le concept de marge. L’intervalle de confiance de ces risques garantis dépend de trois paramètres principaux : la taille m de l’échantillon, le nombre C de catégories et la valeur gamma du paramètre de marge. Nous caractérisons cette dépendance en fonction du choix de la fonction de perte.

Une application déterministe $theta$ de $R^2$ dans lui-même déforme le plan de façon bijective et régulière. Avec un champ aléatoire $X$ réel et défini sur $R^2$, régulier, stationnaire et isotrope, elle entre dans la construction d’un champ déformé défini comme la composée de $X$ avec $theta$. Un champ déformé est en général anisotrope, cependant certaines applications $theta$, dont on propose une caractérisation explicite, préservent l’isotropie. En supposant en outre que $X$ est gaussien, on définit une forme faible d’isotropie d’un champ déformé par une condition d’invariance de la caractéristique d’Euler moyenne de certains de ses ensembles d’excursion. On prouve que les champs déformés satisfaisant cette définition sont en réalité isotropes en loi. Dans une dernière partie de l’exposé, en supposant connue la caractéristique d’Euler moyenne de certains ensembles d’excursion d’un champ déformé, on prouve qu’il est possible d’identifier la déformation $theta$ associée.

On présente la solution fondamentale d’une équation aux dérivées partielles à  coefficient constants par morceaux. De telles équations apparaissent, entre autres, lors de la modélisation de la diffusion de particules dans des milieux hétérogènes. Partant d’une représentation probabiliste de la solution, on explicite un développement asymptotique en temps petits, utilisable dans les applications concrètes.

Les arbres apparaissent naturellement dans de nombreux domaines tels que l’informatique pour le stockage de données ou encore la biologie pour classer des espèces dans des arbres phylogénétiques.
Dans cet exposé, nous nous intéresserons aux limites de fonctionnelles additives de grands arbres aléatoires. Nous étudierons les cas des arbres binaires sous le modèle de Catalan (arbres aléatoires choisis uniformément parmi les arbres binaires enracinés complets ordonnés avec un nombre de nÅ“ud donné) et les arbres simplement générés. On obtiendra un principe d’invariance pour ces fonctionnelles ainsi que les fluctuations associées.
Dans le cas binaire, la preuve repose sur le lien entre les arbres binaires et l’excursion brownienne normalisée (voir Aldous [1]). Cela nous permettra de retrouver les résultats avancés par Fill et Kapur [2] et Fill et Janson [3].
Références :
[1] : D. Aldous. The continuum random tree. III. (1993)
[2] : J.A. Fill and N.Kapur. Limiting distributions for additive functionals on Catalan trees (2004)
[3] : J.A. Fill and S. Janson. Precise logarithmics for the right tails of some limit random variables for random trees (2009)

Concentration inequalities are very often a crucial step in deriving many results in statistical learning. The purpose of this talk is to present Bernstein and Hoeffding type maximal inequalities for regenerative Markov chains. Furthermore, we generalize these results and show exponential bounds for suprema of empirical processes over a class of functions F which size is controlled by its uniform entropy number. We show also that concentration inequalities are possible to obtain when the chain is sub-geometric. All constants involved in the bounds of the considered inequalities are given in an explicit form which can be advantageous in practical considerations. We show that the inequalities obtained for regenerative Markov chains can be easily generalized to a Harris recurrent case. Finally we provide one example of application of presented inequalities in statistical learning theory and obtain generalization bounds for mimimum volume set estimation problem when the data are Markovian.

The Keller Segel (KS) model for chemotaxis is a two-dimensional system of parabolic or elliptic PDEs. Motivated by the study of the fully parabolic model using probabilistic methods, we give rise to a non linear SDE of McKean-Vlasov type with a highly non standard and singular interaction.
In this talk I will briefly introduce the KS model, point out some of the PDE analysis results on it and then, in detail, analyze our probabilistic interpretation in the case d=1.
This is a joint work with D. Talay.

We consider semi-linear PDEs perturbed by a multiplicative noise
of the form

$
du(t,x)=[Au(t,x)+G(u(t,x))]dt+ku(t,x)dW(t),
$

where $ A$ is the Laplacian, $ G$ is a positive, increasing convex function, $ k
$ is constant and $ {W(t)}$ is a one-dimensional Brownian motion.
Nontrivial positive solutions of these equations can exist globally in time,
or they can exhibit blow up in finite time. In this talk we will focus on
the later regime and obtain bounds for the blow up times, which are given in
terms of integral functionals of $ {W(t)}$.