Séminaire Probabilités et Statistique

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.