SC 7

Numro dordre : 370
UNIVERSIT BLAISE PASCAL

(UFR Sciences et Technologies)
Laboratoire de Mathmatiques UMR 6620 Habilitation Diriger des Recherches

prsente par
Sergue Dachian
Tome I Synthse des Travaux
Sujet de lHabilitation : Quelques Contributions la Statistique des Processus, la Thorie des Champs Alatoires et la Statistique des Champs Alatoires
Soutenue le 12 dcembre 2012 devant le jury compos de : Prsident Rapporteurs Prof. M. Homann, Universit Paris-Dauphine (Paris, France) Prof. R. Fernndez, Universit dUtrecht (Utrecht, Pays-Bas) Prof. R. Hpfner, Universit Johannes Gutenberg (Mayence, Allemagne) Prof. E. Moulines, Tlcom ParisTech (Paris, France) D. Dereudre, Universit Lille 1 (Lille, France) P. Druilhet, Universit Blaise Pascal (Clermont-Ferrand, France) A. Guillin, Universit Blaise Pascal (Clermont-Ferrand, France) Yu.A. Kutoyants, Universit du Maine (Le Mans, France)
Examinateurs Prof. Prof. Prof. Prof.
mmoire
de
mon
pre D
ury
hshyn
36 --39
] D
qui
m 9
trnsmis
le
got
et
l envie 9 F
de
fire
des
mths
Remerciements
Mes remerciements sadressent tout dabord Boris Nahapetian et Yury Kutoyants qui ont accompagn mes premiers pas en recherche dans les domaines respectifs des probabilits et des statistiques. En plus davoir t dexcellents directeurs de recherche, ils taient (et restent toujours) pour moi des mentors, des amis, des collgues et des coauteurs (pas ncessairement dans cet ordre). Jexprime toute ma reconnaissance Roberto Fernndez, Reinhard Hpfner et Eric Moulines pour lintrt quils ont montr lgard de ce travail en acceptant de consacrer une partie de leur temps prcieux la lecture de ce mmoire et la rdaction des rapports. Cest pour moi un grand honneur et je les en remercie sincrement. Je remercie Arnaud Guillin davoir accept dtre mon responsable tutlaire et de prsenter mes travaux de recherche aux direntes instances de lUniversit Blaise Pascal. Je remercie galement David Dereudre, Pierre Druilhet et Marc Homann davoir accueilli positivement ma proposition de participer au jury. Je voudrais exprimer ma reconnaissance tous les membres (enseignants-chercheurs ou pas) du Laboratoire de Mathmatiques de lUniversit Blaise Pascal pour le cadre de travail agrable et la bonne ambiance quils ont su crer au sein du laboratoire. Plus particulirement, je tiens remercier Thierry Dubois, Erwan Saint Loubert Bi et Catherine Aaron pour leur aide prcieuse dans la rdaction de ce mmoire, pour les discussions que nous avons partages et, surtout, pour leur amiti. Je tiens galement remercier mon ami et collgue, Arnak Dalalyan, pour les changes scientiques (et pas seulement) que nous avons eus, ainsi que la famille Karanlian, sans qui ma carrire en France naurait pas t possible. Je remercie enn ma famille : mes parents qui mont transmis le got des mathmatiques et lenvie den faire mon mtier, ma femme Anna qui me donne beaucoup damour et mapporte un soutien prcieux, ainsi que ma lle Sophie qui, du (pas trs) haut de ces quelques petits mois, a su rester susamment sage pour permettre son papa dachever ce travail.
Table des matires

Introduction Statistique des processus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Estimation des positions des singularits . . . . . . . . . . . . . . . . . . . Rapports de vraisemblance limites des modles de rupture . . . . . . . . . Tests dhypothses pour des processus temps continu . . . . . . . . . . . Thorie des champs alatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . Description des champs alatoires . . . . . . . . . . . . . . . . . . . . . . . Gibbsianit des champs alatoires . . . . . . . . . . . . . . . . . . . . . . . Statistique des champs alatoires . . . . . . . . . . . . . . . . . . . . . . . . . . Estimation non-paramtrique pour des champs de Gibbs . . . . . . . . . . Cartographie du risque laide de champs de Markov discrets . . . . . . . Plan de la prsentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 Estimation des positions des singularits 1.1 1 2 2 3 5 5 6 7 7 8 8 9 11
Singularit dans la fonction dintensit dun processus de Poisson . . . . . 11 1.1.1 1.1.2 1.1.3 Trois types de singularits . . . . . . . . . . . . . . . . . . . . . . . 12 Singularit de type cusp . . . . . . . . . . . . . . . . . . . . . . . 13 Singularit de type 0 ou de type V . . . . . . . . . . . . . . . . 17
1.2
Cusp dans la drive dune diusion ergodique . . . . . . . . . . . . . . . 19 23
2 Rapports de vraisemblance limites des modles de rupture 2.1
Quelques rapports de vraisemblance limites apparaissant dans des modles de rupture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.1.1 2.1.2 2.1.3 Processus Z Processus Z0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 Processus Z,f . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.2
Comportement de Z lorsque est au voisinage de 0 ou de vii
V .
. . . . . . 27
viii 2.2.1 2.2.2 2.2.3 2.3
Table des matires Lien entre les rapports de vraisemblance limites Z et Z0 . . . . . . 27 Comportement de Z pour de grandes valeurs de . . . . . . . . . 28 Simulations numriques . . . . . . . . . . . . . . . . . . . . . . . . 29
Comportement de Z,f lorsque est au voisinage de 0 ou de 2.3.1 2.3.2 2.3.3
V .
. . . . . 30
Lien entre les rapports de vraisemblance limites Z,f et Z0 . . . . . 30 Comportement de Z,f pour de grandes valeurs de . . . . . . . . . 32 Simulations numriques . . . . . . . . . . . . . . . . . . . . . . . . 33 35
3 Gibbsianit des champs alatoires 3.1
Champs alatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.1.1 3.1.2 3.1.3 3.1.4 Distributions ni-conditionnelles et conditionnelles . . . . . . . . . 36
Description des champs alatoires par leurs distributions conditionnelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 Spcications gibbsiennes et champs alatoires de Gibbs . . . . . . 38 Problme de caractrisation des champs de Gibbs . . . . . . . . . . 39
3.2
Cadre uniponctuel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 3.2.1 3.2.2 Description des champs alatoires par leurs distributions conditionnelles uniponctuelles . . . . . . . . . . . . . . . . . . . . . . . . . . 40 Description des champs alatoires par leurs distributions ni-conditionnelles uniponctuelles . . . . . . . . . . . . . . . . . . . . . . . . 42
3.3
Critres de gibbsianit des champs alatoires . . . . . . . . . . . . . . . . . 43 3.3.1 3.3.2 3.3.3 Critres en termes de distributions conditionnelles . . . . . . . . . . 43 Critres en termes de distributions conditionnelles uniponctuelles . 44 Critres en termes de distributions ni-conditionnelles uniponctuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.4
Quelques dveloppements et perspectives . . . . . . . . . . . . . . . . . . . 45 51 53
Liste des travaux Bibliographie
Introduction
Ce mmoire dHabilitation Diriger des Recherches est organis en deux tomes. Le Tome I a pour but de prsenter les travaux de recherche eectus durant ma carrire denseignantchercheur et dont la liste complte gure aux pages 5152. Cette liste comprend notam ment quatorze articles [114] dont deux issus de ma Thse de Doctorat [15] et un datant davant celle-ci publis dans des revues internationales avec comit de lecture. Les textes intgraux de ces articles sont runis dans le Tome II. Notons que certains rsultats ont galement t prsents lors de congrs ayant donn lieu des actes publis, et quactuellement je travaille la rdaction de deux livres, ainsi qu la prparation de deux articles. La plupart des travaux prsents dans ce mmoire ont t raliss au Laboratoire de Mathmatiques de lUniversit Blaise Pascal (Clermont-Ferrand 2). Certains dentre eux ont t mens en collaboration avec des collgues franais et trangers, savoir : Yury Kutoyants de lUniversit du Maine (Le Mans, France), Boris Nahapetian de lInstitut de Mathmatiques, Acadmie des Sciences de la Rpublique dArmnie (rvan, Armnie), Ilia Negri de lUniversit des tudes de Bergame (Bergame, Italie), Nino Kordzakhia de lUniversit de Macquarie (Sydney, Australie), Myriam Charras-Garrido, David Abrial et Jocelyn De Gor du Centre INRA de Clermont-Ferrand-Theix (Clermont-Ferrand, France), Nathalie Peyrard du Centre INRA de Toulouse (Toulouse, France). Mes activits de recherche se situent dans les domaines des statistiques et des probabilits, ainsi qu linterface de ces deux disciplines. Plus prcisment, mes travaux portent sur la statistique des processus, la thorie des champs alatoires et la statistique des champs alatoires. Notons que la premire thmatique est totalement dirente de celles abordes dans ma Thse de Doctorat [15], tandis que la deuxime sinscrit dans la continuit de celle-ci. La troisime thmatique comprend un sujet tudi dans ma Thse de Doctorat [15], ainsi quun sujet entirement nouveau issu dune collaboration avec des chercheurs de lINRA. Dans cette introduction, nous prsentons de manire succincte (et, de fait, plutt informelle) lensemble des rsultats obtenus dans chacun de ces domaines de recherche. 1
Introduction
Statistique des processus

Jai commenc travailler en statistique des processus aprs ma Thse de Doctorat. Il sagit ici de tirer des conclusions statistiques partir dobservations qui sont des trajectoires de processus temps continu. Une partie importante de mes travaux porte sur les situations non-rgulires, cest--dire lorsque les fonctions qui gouvernent les processus observs dpendent de manire non-lisse (ne sont pas continues ou ne sont pas drivables) des paramtres du modle. Ce type de situation nest pas seulement intressant du point de vue mathmatique, mais est galement important dans les applications. Je me suis tout dabord intress lestimation des positions des singularits (dgnrescences, explosions, explosions de la drive) dans les fonctions qui gouvernent les processus observs. Un autre sujet de recherche est ltude de liens existant entre divers rapports de vraisemblance limites apparaissant dans des modles de rupture (o les fonctions qui gouvernent les processus observs dpendent de manire discontinue des paramtres). Finalement, une troisime direction de recherche concerne des tests dhypothses pour les processus temps continu, et notamment pour les processus de Poisson. Notons que les rsultats obtenus ont t prsents lors de nombreuses confrences internationales et que, depuis sa cration en janvier 1997, jai particip lorganisation de toutes les ditions du colloque international bi-annuel Statistique Asymptotique des Processus Stochastiques (Le Mans, France) ddi la statistique des processus.
Estimation des positions des singularits

Dans les articles [4] et [12], le problme de lestimation de la position dune singularit partir dobservations poissonniennes a t considr. Une partie des rsultats a galement fait lobjet dun acte de congrs [16]. Plus prcisment, soit X un processus de Poisson non-homogne sur lintervalle r0,T s. La fonction dintensit de X est suppose lisse partout sur r0,T s sauf au point , o elle est suppose avoir une singularit dordre p. On suppose que lon connat la forme de la fonction dintensit, mais pas la position (donne par le paramtre ) de la singularit. Trois types de singularits sont envisags (voir la Figure 1). Les cusps sont tudis dans [4], tandis que les singularits de type 0 et de type V le sont dans [12].
a) cusp
b) singularit de type 0
c) singularit de type V
Figure 1 Trois types de singularits.
Introduction
Dans tous les cas, le problme considr est celui de lestimation du paramtre sur la base de n observations indpendantes du processus X . Les estimateurs proposs sont les estimateurs baysiens (EB) et lestimateur du maximum de vraisemblance (EMV). Leurs proprits asymptotiques sont tudies lorsque n V.
Dans [4], il a t tabli que dans le cas dun cusp dordre p, p s0 , 1{2r, les EB et lEMV sont consistants et leur vitesse de convergence est n1{p2p1q . De plus, leurs lois limites (qui savrent tre direntes) ont t dtermines. Il a galement t montr que les EB sont asymptotiquement ecaces (possdent lerreur moyenne quadratique limite la plus petite possible dans le sens minimax local).
Dans [12], des rsultats similaires ont t obtenus pour le cas dune singularit de type 0 dordre p, p s0,1r, ou de type V dordre p, p s1,0r. Plus prcisment, il a t tabli que les EB et, dans le cas dune singularit de type 0, lEMV sont consistants et leur vitesse de convergence est n1{pp1q . De plus, leurs lois limites (qui savrent tre direntes entre elles, ainsi que de celles du cas dun cusp) ont t dtermines. Une fois de plus, les EB savrent tre asymptotiquement ecaces. Finalement, dans [5], en collaboration avec Yury Kutoyants (Universit du Maine) nous avons tabli des rsultats similaires ceux de [4] dans le cas o lon observe un processus de diusion ergodique ayant un cusp dans la drive. Plus prcisment, le problme considr est celui de lestimation du paramtre lorsque lon observe sur lintervalle r0,T s une trajectoire du processus X solution de dXt
S pXtq dt pXtq dWt,
X0 ,
0 t T,
o la fonction S est lisse partout sauf au point , o elle a un cusp dordre p, p s0 , 1{2r. Les estimateurs proposs sont de nouveau les EB et lEMV. Leurs proprits asymptotiques sont tudies lorsque T V. Nous avons montr que les EB et lEMV sont une fois de plus consistants et leur vitesse de convergence est T 1{p2p1q . De plus, nous avons dtermin leurs lois limites qui savrent tre les mmes que celles de [4]. Lecacit asymptotique des EB a galement t tablie. Notons que les rsultats dcrits dans ce paragraphe sont similaires aux rsultats dj connus pour les observations i.i.d. ayant une singularit dans leur densit. Cependant, lorsque les observations sont des processus temps continu, les dmonstrations ncessitent des outils plus sophistiqus et aucun rsultat de ce type navait jusqualors t obtenu.
Rapports de vraisemblance limites des modles de rupture

Alors que dans le cas des modles rguliers le rapport de vraisemblance limite est universel (donn par la proprit LAN), les modles de rupture rencontrs en statistique paramtrique font apparatre plusieurs rapports de vraisemblance limites dirents. Un lien entre deux de ces rapports limites a t dcouvert dans [11]. Le premier rapport considr est une exponentielle dun processus de Poisson bilatral avec drive dpendant dun paramtre 0. Ce processus Z apparat dans le modle dobservations i.i.d. ayant une discontinuit dans leur densit, mais aussi dans des modles o les observations sont des processus de Poisson non-homognes de fonction dintensit discontinue.
Introduction
Le second est une exponentielle dun mouvement brownien bilatral avec drive. Ce processus Z0 apparat dans de nombreux modles de statistique des processus. Un exemple bien connu est le modle dun signal discontinu dans un bruit blanc gaussien, mais on peut galement en citer dautres : des modles de rupture pour des systmes dynamiques avec un petit bruit ainsi que pour des processus de diusion ergodiques, un modle de rupture pour les quations direntielles stochastiques retard, un modle de rupture de type i.i.d., le modle dun signal discontinu priodique dans une diusion non-homogne en temps, un modle de rupture pour des processus de diusion seuil, etc. Dans [11], il a t tabli que pour de petites valeurs du paramtre , le premier rapport peut tre approch par le second. Plus prcisment, il a t montr que lorsque 0, le processus Z (aprs un changement judicieux dchelle de temps) converge vers le processus Z0 dans un espace fonctionnel adapt. Il en a t dduit que plusieurs quantits dintrt statistique (comme, par exemple, les erreurs moyennes quadratiques limites de divers estimateurs) lies au premier rapport peuvent tre approches par celles lies au second. Le comportement de Z pour de grandes valeurs du paramtre a galement t tudi. Tous ces rsultats ont t illustrs par des simulations numriques. La suite de ce travail a t ralise en collaboration avec Ilia Negri (Universit des tudes de Bergame) et a fait lobjet dun article [13] et dun acte de congrs [17]. Nous avons considr un troisime rapport de vraisemblance limite qui est une exponentielle dun processus de Poisson compos bilatral dpendant dun paramtre 0 et dune densit f . Ce processus Z,f apparat dans certains modles de statistique de processus tels que le modle de rgression deux rgimes (two-phase regression model) et le modle auto-rgressif seuil (threshold autoregressive model). Nous avons montr que pour de petites valeurs du paramtre , ce troisime rapport limite (tout comme le premier) peut tre approch par la limite brownienne Z0 . Plus prcisment, nous avons tabli que lorsque 0, le processus Z,f (aprs un changement judicieux dchelle de temps) converge vers le processus Z0 dans un espace fonctionnel adapt. Ce rsultat nous a permis de faire des dductions similaires celles de [11]. Nous avons galement tudi le comportement de Z,f pour de grandes valeurs du paramtre . Enn, nous avons illustr tous les rsultats par des simulations numriques. Une perspective intressante serait dtudier le rapport de vraisemblance limite obtenu par Pug dans [76] pour le modle dobservations i.i.d. ayant un nombre quelconque (non ncessairement ni) de discontinuits dans leur densit. Ce rapport est trs gnral et inclut les processus Z et Z,f comme des cas particuliers. Un autre travail [18] en rapport avec ces problmatiques est engag en collaboration avec Nino Kordzakhia (Universit de Macquarie). Lide est dtudier des modles o les observations sont des processus de Poisson non-homognes dintensit discontinue, mais avec un saut dont la taille diminue en mme temps que le nombre dobservations crot. Comme nous lavons dj mentionn plus haut, dans le cas o cette taille est xe, le rapport de vraisemblance limite correspondant est donn par le processus Z . Le paramtre tant li ici la taille du saut, nous pensons que dans les modles o cette taille diminue, le rapport de vraisemblance limite sera donn par la limite de Z lorsque 0, cest--dire par Z0 .
Introduction
Tests dhypothses pour des processus temps continu

Les travaux prsents dans ce paragraphe ont t raliss en collaboration avec Yury Kutoyants (Universit du Maine) avec qui nous avons notamment engag une tude de tests dhypothses pour des processus de Poisson. Ce travail se poursuit actuellement et a pour ambition daboutir la rdaction dun livre [20]. Dans [7], nous avons considr le problme suivant. Comme toujours en thorie des tests, on cherche tester une hypothse nulle contre une hypothse alternative. Lhypothse nulle est simple : la suite de points observe est issue dun processus de Poisson dintensit connue. Sous lhypothse alternative, cette suite est suppose provenir dun processus ponctuel auto-excit (self-exciting point process), dit galement procesus de Hawkes. Nous avons considr des hypothses alternatives unilatrales paramtriques et non-paramtriques et avons construit dans les deux cas des tests localement asymptotiquement uniformment les plus puissants. Les rsultats ont t illustrs par des simulations numriques. Dans [10], nous avons considr un autre problme de test dhypothses. Lhypothse nulle est la mme : la suite de points observe est issue dun processus de Poisson dintensit connue. Sous lalternative, cette suite est suppose provenir dun processus ponctuel autocorrig (self-correcting point process), dit galement procesus de relchement de stress (stress-release process). Ce problme est plus complexe que le prcdent, car la famille de mesures sous-jacente nest plus localement asymptotiquement normale (LAN). Dans ce modle, elle est plutt localement asymptotiquement quadratique (LAQ). Nous avons considr une hypothse alternative paramtrique unilatrale. Les tests de la fonction de score (score-function test), du rapport de vraisemblance (likelihood ratio test) et de Wald (Wald test) ont t tudis. Le comportement asymptotique de ces tests a t dcrit. Les rsultats ont de nouveau t illustrs par des simulations numriques. Dans [8], nous avons pass en revue quelques rsultats concernant la construction des tests dajustement de type Cramr-von Mises et Kolmogorov-Smirnov pour des processus temps continu. Plusieurs modles ont t considrs : quation direntielle stochastique avec un petit bruit, processus de diusion ergodique, processus de Poisson non-homogne et processus ponctuel auto-excit. Pour chaque modle nous avons propos des tests de taille asymptotique et avons tudi le comportement de leurs puissances sous les alternatives locales. Les rsultats ont une fois de plus t illustrs par des simulations numriques. Notons nalement que depuis septembre 2010 nous co-encadrons (avec Yu.A. Kutoyants de lUniversit du Maine) la thse de Mlle L. Yang sur le thme Tests dhypothses pour des processus de Poisson non-homognes dans des situations non-rgulires. Un article [19] est en cours de prparation.
Thorie des champs alatoires

Les travaux prsents dans cette partie ont t mens en collaboration avec Boris Nahapetian (Acadmie des Sciences de la Rpublique dArmnie). Nous avons dvelopp une nouvelle approche de la thorie des champs alatoires sur un rseau (ou, plus gnralement,
Introduction
sur un espace dnombrable). Le but de notre approche est de donner une base mathmatique solide des objets provenant de la physique statistique tels que, notamment, les champs alatoires de Gibbs. Notons que les rsultats obtenus ont t prsents lors de nombreuses confrences internationales et quavec mon coauteur, nous avons particip lorganisation de plusieurs meetings internationaux en Armnie ddis la thorie des champs alatoires.
Description des champs alatoires

La thorie des champs alatoires a t formalise par Dobrushin en 1968. Les champs alatoires tant des mesures de probabilit sur des espaces de dimension innie, ils doivent dabord tre dcrits par des objets mathmatiques plus simples. Dobrushin a tabli la description des champs par leurs distributions conditionnelles (ensemble des lois conditionnelles du champ dans les volumes nis sachant les congurations lextrieur). Plus prcisment, les champs sont dcrits par des spcications (des systmes cohrents de distributions de probabilit dans les volumes nis indexes par les congurations lextrieur). Pour une spcication donne, on cherche en premier lieu savoir sil existe un champ alatoire ayant cette spcication pour distribution conditionnelle, et si un tel champ est unique. Notons que la condition dexistence de Dobrushin est impose sur toute la spcication, tandis que celle dunicit porte seulement sur son sous-systme constitu des distributions uniponctuelles. Notons galement que la dnition du champ de Gibbs est implicite : elle est donne en termes de potentiels dinteraction, partir desquels on construit des spcications dites gibbsiennes, avant de leur appliquer le thorme dexistence. Larticle [1] date davant ma Thse de Doctorat. Dans cette publication nous avons pos les bases de notre approche. En nous servant du principe dinclusion-exclusion (formule de Mbius) nous avons propos des descriptions des champs alatoires par des objets originaux (que nous avons appels P -fonctions, Q-fonctions et H -fonctions). Dans son travail de 1986, en commentant le fait que la condition dunicit porte seulement sur les distributions uniponctuelles, Dobrushin a abord le problme de la restauration des spcications partir de leurs lments uniponctuels. Quelques annes plus tard, dans une conversation prive avec mon coauteur, Dobrushin a soulign limportance dun problme troitement li : celui de la description des spcications par des systmes cohrents de distributions de probabilit uniponctuelles indexes par les congurations lextrieur. Toutefois, aucune condition de cohrence sur les distributions uniponctuelles nexistait lpoque. Dans [3], article en grande partie issu de ma Thse de Doctorat [15], nous avons apport des rponses ces deux problmes de Dobrushin dans le cas faiblement positif (et, a fortiori, dans le cas strictement positif). En particulier, nous avons trouv dans ce cas des conditions de cohrence ncessaires et susantes, pour quun systme de distributions de probabilit uniponctuelles indexes par les congurations lextrieur soit un sous-systme dune spcication. Nous avons galement donn une condition susante pour lexistence dun champ alatoire avec une distribution conditionnelle uniponctuelle prescrite.
Introduction
Ces rsultats nous ont permis de reformuler (dans le cas faiblement positif) la thorie de Dobrushin en termes de distributions uniponctuelles. Nous avons ainsi tabli la description des champs alatoires par leurs distributions conditionnelles uniponctuelles (ensemble des lois conditionnelles du champ sur les singletons sachant les congurations lextrieur) ou, plus prcisment, par des systmes cohrents (dans le sens de nos conditions ncessaires et susantes) de distributions de probabilit uniponctuelles indexes par les congurations lextrieur. De plus, ces systmes cohrents peuvent, de faon quivalente, tre remplacs par des systmes lgrement moins complexes (satisfaisant des conditions de cohrence plus simples) que nous avons appels one-point systems. Quelques applications concernant la description gibbsienne des champs alatoires, les champs alatoires non-gibbsiens et les champs alatoires de type dirence de martingale (martingale-dierence random elds) ont galement t prsentes. Nous avons continu ce travail dans [6], o nous avons considr le problme de la description des spcications par des systmes (cohrents) de distributions de probabilit dans des petits volumes indexes par les congurations lextrieur. Nous avons russi dcrire les spcications par ce que nous avons appel des n-spcications (des systmes cohrents de distributions de probabilit dans les volumes de cardinal infrieur ou gal n indexes par les congurations lextrieur) sous une condition de positivit trs gnrale, que nous avons appele positivit trs faible. Une attention particulire a d tre accorde au cas le plus important n 1, qui correspond aux one-point systems et exige des considrations spciques.
Gibbsianit des champs alatoires

Dans [9], nous avons considr le problme de la caractrisation des champs de Gibbs. Nous avons obtenu plusieurs critres de gibbsianit des champs alatoires. Cela a t possible grce au cadre uniponctuel dvelopp plus tt, cest--dire grce la description des champs alatoires par leurs distributions conditionnelles uniponctuelles voque cidessus et la description des champs alatoires par leurs distributions ni-conditionnelles uniponctuelles (ensemble des lois conditionnelles du champ sur les singletons sachant les congurations sur les parties nies de lextrieur) dveloppe par Dalalyan et Nahapetian. Parmi les critres de gibbsianit obtenus, les plus importants sont ceux en termes de distributions ni-conditionnelles uniponctuelles. Sur la base de lun de ces critres, nous avons pu donner une dnition probabiliste simple et explicite du champ alatoire de Gibbs (rappelons ici que la dnition classique du champ de Gibbs en termes de potentiels dinteraction est implicite). En nous basant sur cette dnition, nous avons commenc dvelopper une approche alternative la thorie de Gibbs. Actuellement, nous poursuivons ce dveloppement et travaillons sur la rdaction dun livre [21].
Statistique des champs alatoires

Dans cette dernire partie, nous dcrivons les travaux se situant linterface des statistiques et de la thorie des champs alatoires. Le premier travail est issu de ma Thse de
Introduction
Doctorat [15] et porte sur lestimation non-paramtrique pour des champs de Gibbs. Le deuxime est le fruit dune collaboration avec des chercheurs de lINRA, avec qui nous avons dvelopp une mthode de cartographie du risque pidmiologique en combinant des outils statistiques et des champs de Markov discrets.
Estimation non-paramtrique pour des champs de Gibbs

Dans [2], un problme non-paramtrique destimation pour des champs alatoires de Gibbs a t considr. On suppose que le champ est prescrit par un one-point system (lobjet introduit dans [3] pour dcrire des champs alatoires) quasilocal et invariant par translation. Un estimateur de ce one-point system a t construit en utilisant la mthode des p cribles (method of sieves). La consistance exponentielle ainsi que celle en norme L de lestimateur ont t dmontres, indpendamment de lventuelle non-unicit et/ou perte dinvariance par translation du champ alatoire. Notons que ces rsultats sont les premiers en statistique thorique non-paramtrique des champs alatoires.
Cartographie du risque laide de champs de Markov discrets

Les rsultats prsents dans ce paragraphe ont t obtenus en collaboration avec Myriam Charras-Garrido, David Abrial, Jocelyn De Gor (Centre INRA de Clermont-FerrandTheix) et Nathalie Peyrard (Centre INRA de Toulouse). En pidmiologie, la cartographie du risque permet didentier lemplacement des zones risque faible ou lev de contamination par une maladie, et fournit une mesure des dirences de niveaux de risque entre ces zones. Les modles de cartographie du risque prcdemment utiliss par les pidmiologistes se focalisaient sur le risque estim pour chaque unit gographique. Ils taient bass sur le modle de Poisson log-linaire mixte combin un champs de Markov cach (CMC) continu, correspondant gnralement un lissage spatial auto-rgressif gaussien. La classication des risques, ncessaire pour, en particulier, dlimiter clairement les zones risque lev (dans lesquelles des mesures de protection peuvent tre appliques), devait gnralement tre eectue dans un deuxime temps. Dans [14] nous avons propos une mthode directe (ncessitant une seule tape) de cartographie du risque classi en utilisant le modle de Poisson log-linaire mixte combin un CMC discret. Ce champ discret correspond laectation de chaque unit gographique une classe de risque. Les niveaux de risque associs aux classes sont des paramtres et doivent tre estims. Le modle que nous avons utilis est dirent des modles utiliss en segmentation dimages o la distribution conditionnelle du champ observ est en gnral gaussienne, et non poissonnienne. De plus, il est peu probable dobserver des changements brusques du niveau de risque dans une carte. Ainsi, le modle spatial cach doit favoriser une variation progressive du niveau de risque. Les champs de Markov discrets usuels (comme, par exemple, le modle de Potts) nimposent pas une telle contrainte. Par consquent, nous avons propos pour le champ cach un nouveau potentiel prenant en compte lordre des classes (ordonnes suivant leurs niveaux de risque).
Introduction
Pour estimer les paramtres et dterminer les classes de risque, nous avons utilis une version Monte-Carlo de lalgorithme EM (Expectation-Maximization). Aprs avoir test le comportement de la mthode sur des donnes simules, nous lavons applique des donnes relles. Notamment, nous avons cartographi le risque de la maladie de la vache folle (ESB) en France (voir la Figure 2). Notre mthode semble particulirement bien adapte pour localiser les zones risque lev et pour estimer les niveaux de risque correspondants.
Figure 2 Carte du risque estim pour lESB en France.
Plan de la prsentation
Ltendue des thmatiques de recherche ne permet pas de prsenter en dtail et de faon rigoureuse tous les rsultats dcrits dans cette introduction. Par consquent, et an que cette synthse puisse tre lue de manire autonome, seule une partie des rsultats sera expose dans la suite. La prsentation est organise en trois chapitres indpendants. Dans le Chapitre 1, nous dtaillerons les rsultats concernant lestimation des positions des singularits . Ce sujet est lun des plus aboutis parmi ceux considrs dans ce mmoire. Dans le Chapitre 2, nous prsenterons les rsultats concernant les rapports de vraisemblance limites des modles de rupture . Ce sont probablement les plus originaux des rsultats obtenus en statistique des processus. Les liens dcouverts entre les dirents rapports de vraisemblance limites permettent, en quelque sorte, de pallier le manque duniversalit du rapport de vraisemblance limite dans les modles de rupture (rappelons que dans
10
Introduction
les modles rguliers, le rapport de vraisemblance limite est donn par la proprit LAN et est universel). Outre leur intrt thorique, ces liens sont galement importants dans la pratique, car ils permettent (dans certaines situations) de baser les dductions statistiques sur des rapports de vraisemblance limites mieux tudis approchant les rapports de vraisemblance limites exacts. Finalement, dans le Chapitre 3, nous exposerons les rsultats concernant la gibbsianit des champs alatoires . Ce sujet est celui qui ouvre les plus larges perspectives. Comme nous lavons dj mentionn plus haut, les rsultats obtenus permettent de donner une dnition probabiliste simple et explicite du champ alatoire de Gibbs, partir de laquelle une approche alternative la thorie de Gibbs est en train dtre dveloppe actuellement.
Chapitre 1 Estimation des positions des singularits

Dans ce chapitre nous prsentons les rsultats principaux des articles [4, 5, 12].
1.1
Singularit dans la fonction dintensit dun processus de Poisson
Le processus de Poisson non-homogne est lun des processus ponctuels les plus simples voir, par exemple, Daley et Vere-Jones [35] . Cependant, grce un vaste choix des fonctions dintensit, ce modle est susamment riche et largement utilis. On le retrouve dans beaucoup de domaines utilisant des statistiques appliques tels que la communica tion optique, la abilit, la biologie, la mdecine, le traitement dimages, etc. voir, par exemple, Karr [66, 67], Snyder et Miller [81] et Thompson [87] . Rappelons que X tX ptq, t R u est un processus de Poisson non-homogne de fonction dintensit S , si X est un processus stochastique partant de zro X p0q 0 , trajectoires cdlg (continues droite et admettant des limites gauche), dont les accroissements sont indpendants, et si pour tous t1 , t2 R tels que t1 t2 , laccroissement X pt1 q X pt2 q t2 suit la loi de Poisson de paramtre t1 S ptq dt, cest--dire P X pt1 q X pt2 q k

e , k!
N.
Notons que X est un processus de comptage et que le processus ponctuel associ a pour ralisation lensemble des instants de saut (jump times) de la trajectoire de X . La diversit des applications des processus de Poisson est galement due la possibilit dutiliser lanalyse du rapport de vraisemblance. Cette technique a t labore par Ibragimov et Khasminskii dans [65] et applique aux processus de Poisson par Kutoyants dans [71, 73]. Dans les problmes destimation de paramtres, la thorie des grands chantillons est assez proche de celle de la statistique classique (i.i.d.). Considrons, par exemple, le problme de lestimation du paramtre sur la base de n observations indpendantes sur 11
12
Chapitre 1. Estimation des positions des singularits
lintervalle xe r0,T s dun processus de Poisson X tX ptq, 0 t T u de fonction dintensit S lorsque n V. Notons que ce problme est quivalent celui de lestimation du paramtre par une observation sur un intervalle grandissant dun processus de Poisson non-homogne priodique dune priode connue. Si le problme est rgulier, le modle est localement asymptotiquement normal (LAN). Alors, lestimateur du maxipn et les estimateurs baysiens (EB) rn sont consistants, mum de vraisemblance (EMV) sont asymptotiquement normaux, cest--dire
pn n
1 0, I
et
rn n
1 , 0, I
et sont asymptotiquement ecaces. Ici I est linformation de Fisher donne par I
9 2 ptq S dt, S ptq
9 ptq f S ptq voir Kutoyants [71, 73] pour plus de dtails . o S f
Si le problme nest pas rgulier, alors les proprits des estimateurs changent sensiblement. Par exemple, si S est suppose lisse partout sur lintervalle r0,T s sauf au point , o elle est suppose avoir un saut (soit, par exemple, S ptq spt q o s est discontinue en 0), alors lEMV et les EB sont toujours consistants, mais convergent une vitesse plus leve. De plus, ils ont des lois limites direntes, cest--dire
pn n
rn et n
2 (o la loi de 1 est dirente et seuls les EB sont de celle de 2 avec E 1 asymptotiquement ecaces voir Kutoyants [71, 73] pour plus de dtails .
2 2 E 2 ),
Ici nous considrons le cas o la fonction dintensit S est suppose lisse partout sur lintervalle r0,T s sauf au point , o elle est suppose avoir une singularit dordre p.
1.1.1
Trois types de singularits
Plus prcisment, nous supposons que S est strictement positive (sauf, ventuellement, au point ) et quelle admet la reprsentation suivante : S ptq
5
b |t |p p, tq,
a |t |p p, tq, si t , si t .
(1.1)
Ici s0,T r est le paramtre inconnu estimer, est une fonction lisse connue, les constantes p, a et b sont galement connues et sont supposes satisfaire p 1 (an de garantir lintgrabilit de la fonction dintensit) et a2 b2 0. Si p, q $ 0 et p 1{2, alors, en dpit de la singularit de la fonction dintensit en , linformation de Fisher est nie. Ainsi, ce cas peut tre trait comme le cas rgulier.
Si p, q $ 0 et 0 p 1{2, on dit que la fonction dintensit a un cusp en (voir la Figure 1.a la page 2). Ce cas a t tudi dans [4] et sera prsent en dtail dans la Section 1.1.2. Il a notamment t montr que lEMV et les EB sont consistants,
13
convergent la vitesse n1{p2p1q (plus rapidement que dans le cas rgulier, mais plus lentement que dans le cas discontinu) et ont des lois limites direntes. La convergence des moments de ces estimateurs a galement t tablie, ainsi que lecacit asymptotique des EB. Si p, q 0 et p 1, alors, comme ci-dessus, linformation de Fisher est nie et ce cas peut tre trait comme le cas rgulier. Si p, q 0 et 0 p 1 (on suppose galement dans ce cas que a, b 0), on dit que la fonction dintensit a une singularit de type 0 en (voir la Figure 1.b la page 2). Ce cas a t tudi dans [12] et sera prsent en dtail dans la Section 1.1.3. Il a notamment t montr que lEMV et les EB sont consistants, convergent la vitesse n1{pp1q (qui est encore une fois intermdiaire entre celle du cas rgulier et celle du cas discontinu) et ont des lois limites direntes. La convergence des moments de ces estimateurs a galement t tablie, ainsi que lecacit asymptotique des EB. Si 1 p 0 (on suppose galement dans ce cas que a, b 0), on dit que la fonction dintensit a une singularit de type V en (voir la Figure 1.c la page 2). Ce cas a galement t tudi dans [12] et sera prsent en dtail dans la Section 1.1.3. Seuls les EB ont t considrs, car lEMV na pas de sens dans ce cas. Il a t montr quils sont consistants et convergent la vitesse n1{pp1q (qui est suprieure mme celle du cas discontinu). La convergence de leurs moments a galement t tablie, ainsi que leur ecacit asymptotique. Notons que le cas discontinu peut tre considr comme une singularit dans le sens de la reprsentation (1.1) en prenant p 0 et a $ b, ce qui explique que les convergences soient plus lentes pour p 0 et plus rapides pour p 0. Notons galement que nos rsultats sont similaires ceux obtenus par Ibragimov et Khasminskii pour les observations i.i.d. ayant une singularit dans leur densit. Une prsentation dtaille de leurs rsultats peut tre trouve dans [65, Chapitre 6], mais on peut galement se rfrer leurs travaux plus anciens [61] et [63], ainsi qu Ermakov [47]. Le cas du cusp pour le modle dobservations i.i.d. a galement t considr par Prakasa Rao dans [78]. Cependant, lorsque les observations sont des processus temps continu, les dmonstrations ncessitent des outils plus sophistiqus et aucun rsultat de ce type navait jusqualors t obtenu.
1.1.2
Singularit de type cusp
Supposons que lon observe n ralisations pX1 , . . . , Xn q X n dun processus de Poisson X tX ptq, 0 t T u de fonction dintensit S strictement positive admettant la reprsentation (1.1), o s, r s0,T r est le paramtre inconnu estimer. On suppose que 0 p 1{2, que a2 b2 0, et que la fonction est continue et est, uniformment par rapport t, hldrienne dordre strictement suprieur p 1{2 en . Notre objectif est dtudier le comportement asymptotique des estimateurs de lorsque n V.
14
Le rapport de vraisemblance dans ce problme est donn par Lp, 1 , X n q exp

5
n T
i 1
S ptq ln dXi ptq n S1 ptq
T
S ptq S1 ptq
&
S1 ptq dt ,
(1.2)
o 1 est une certaine valeur xe de .

pn est introduit comme lune des solutions de lquation LEMV pn , 1 , X n q max Lp, 1 , X n q. Lp

(1.3)
rn pour une densit a priori q et pour la fonction de perte quadratique peut tre LEB crit comme rn
q |X n d,
(1.4)
o q |X n

Lp, 1, X nq p q
1 q L , 1 , X n q d
q pq
(1.5)
est la densit a posteriori. Pour dcrire le comportement asymptotique de ces estimateurs, nous devons introduire le processus stochastique Z puq exp W H puq
3 A 1 | u|2H , 2
u R,
(1.6)
o H p 1{2 et W H tW H puq, u Ru est un mouvement brownien fractionnaire standard de paramtre de Hurst H , cest--dire un processus gaussien trajectoires continues, de moyenne nulle et de fonction de covariance E W

H
pu1q W pu2q
H
1 2H | u1 | 2
|u2| |u1 u2|

2H
2H
Nous introduisons ensuite les variables alatoires et dnies par les quations Z p q max Z puq
u
(1.7)
1
et
V V
u Z puq du
V V
Z puq du .
(1.8)
Notons ici que la variable alatoire est bien 1, le processus Z dnie car, avec probabilit atteint son maximum en un point unique voir, par exemple, [47] . Nous introduisons galement voir [65, Section 6.4] la fonction dptq, t R , dnie par dptq
5
a, si t 0, b, si t 0,
(1.9)
Chapitre 1. Estimation des positions des singularits et la quantit Ip pa, bq
15
V V
dpt 1q |t 1|p dptq |t|p
dt,
1 p 2 1p 2 2 22p c p2p 1q a b 2ab cosppq a2 b 2 B p 1 , p 1 cosppq 2ab .
(1.10)
Finalement, nous posons
Ip pa, bq p, q
1{p2p1q
prsent, nous pouvons noncer les rsultats principaux de [4]. Thorme 1.1. Pour tout 0
, on a
|0 |
sup
lim lim inf
0 nV
E n1{p2p1q n
E 2
o l inf est pris sur lensemble de tous les estimateurs possibles n de . La borne infrieure minimax donne par le thorme prcdent nous conduit introduire la dnition suivante. Dfinition 1.2. Un estimateur n de est dit asymptotiquement ecace si
lim lim
0 nV |0 |
sup
E n1{p2p1q n
E 2
pour tout 0
. K pour tout compact K ,
Les proprits de lEMV et des EB sont donnes par les deux thormes suivants.
pn possde, uniformment en Thorme 1.3. LEMV les proprits suivantes : pn est consistant, cest--dire P pn ,
pn est n1{p2p1q , et sa loi limite est celle de { , cest--dire la vitesse de convergence de pn n1{p2p1q
{ , | E| k
pour tout k
0, on a
n
k pn lim E n1{p2p1q
16
rn (pour toute densit a priori strictement positive et continue) Thorme 1.4. LEB possde, uniformment en K pour tout compact K , les proprits suivantes : rn est consistant, cest--dire P rn , rn est n1{p2p1q , et sa loi limite est celle de { , cest--dire la vitesse de convergence de rn n1{p2p1q
{ ,
k
pour tout k
0, on a
n
rn lim E n1{p2p1q
E | |k . k
rn est asymptotiquement ecace. De plus,
La preuve de ces rsultats utilise la technique danalyse rapport de vraisemblance. $ 1{pdu 1{p2p1q 2p1q Nous posons u u n pour tout u Un n p q , n1{p2p1qp q , et nous introduisons le rapport de vraisemblance renormalis Nous cherchons ensuite montrer que lorsque n V, le processus Zn converge dans le sens de la convergence faible des lois de probabilit sur lespace C0 pRq des fonctions continues sur R tendant vers 0 en V vers une limite non-dgnre : le rapport de vraisemblance limite. Pour cela, nous introduisons le processus stochastique
H Z puq Z p uq exp W H puq
Zn puq L pu , , X n q ,
u Un .
A 1 2H |u|2H , u R, 2
et nous tablissons (en utilisant des techniques sensiblement direntes de celles du cas i.i.d.) les trois lemmes suivants. Lemme 1.5. Les distributions ni-dimensionnelles de Zn convergent vers celles de Z uniformment (par rapport ) sur tout compact K . Lemme 1.6. Pour tout compact K , il existe une constante C
1{2 E Zn u1 2 u2
1{2 p q Zn p q C |u1 u2|2p1 pour tous u1 , u2 Un , tout K et tout n N. Lemme 1.7. Pour tout compact K , il existe une constante c 0 telle que 2 @ 1{2 E Z n puq exp c |u|2p1 pour tout u Un , tout K et tout n N.
0 telle que
Ces lemmes permettent de vrier la convergence faible du rapport de vraisemblance renormalis Zn vers le rapport de vraisemblance limite Z . Notamment, en appliquant les Thormes 1.9.1, 1.10.1 et 1.10.2 de [65], nous obtenons respectivement les Thormes 1.1, 1.3 et 1.4.
17
1.1.3
Singularit de type 0 ou de type
Supposons que lon observe n ralisations pX1 , . . . , Xn q X n dun processus de Poisson X tX ptq, 0 t T u de fonction dintensit S strictement positive (sauf, ventuellement, au point ) admettant la reprsentation (1.1), o s, r s0,T r est le paramtre inconnu estimer. On suppose que a, b 0, que p s1,0r s0,1r, et que la fonction est continue et est, uniformment par rapport t, hldrienne dordre strictement suprieur pp 1q{2 en . Dans le cas dune singularit de type 0 (cas p 0), on suppose galement que p, q 0. Notre objectif est dtudier le comportement asymptotique des estimateurs de lorsque n V.
pn et lEB rn Comme dans la section prcdente, le rapport de vraisemblance, lEMV pour une densit a priori q et pour la fonction de perte quadratique sont introduits par les quations (1.2)(1.5).
Notons que lEMV na pas de sens dans le cas dune singularit de type V (cas p 0), car dans ce cas le rapport de vraisemblance est inni en tout point qui est un instant de saut de lun des processus de Poisson X1 , . . . , Xn . Pour dcrire le comportement asymptotique de ces estimateurs, nous devons introduire le processus stochastique Z puq exp p
5 V ln 1 1
V V V
a u pdtq ln t b
Y pdtq u p dptq |t| dt t

u p 1 p ln 1 t C
ab | u|p1 signpuq , p1
u R,
o la fonction d est dnie par (1.9), Y est un processus de Poisson non-homogne bilatral de fonction dintensit S ptq dptq |t|p , et est sa version centre : Y E Y . Nous introduisons galement la variable alatoire
V V
u Z puq du
V V
Z puq du
1
et, dans le cas p 0, la variable alatoire dnie par Z p q max Z puq.

u
Notons ici que la variable alatoire est bien 1, le processus Z dnie car, avec probabilit atteint son maximum en un point unique voir, par exemple, [47] . prsent, nous pouvons noncer les rsultats principaux de [12].
18 Thorme 1.8. Pour tout 0
, on a
|0 |
sup
lim lim inf
0 nV
2 {p q E n n E 2,
1 p 1
o l inf est pris sur lensemble de tous les estimateurs possibles n de . La borne infrieure minimax donne par le thorme prcdent nous conduit introduire la dnition suivante. Dfinition 1.9. Un estimateur n de est dit asymptotiquement ecace si
lim lim
0 nV |0 |
sup
2 {p q E n n E 2
1 p 1
pour tout 0
Les proprits des EB et, dans le cas p 0, de lEMV sont donnes par les deux thormes suivants.
rn (pour toute densit a priori strictement positive et continue) Thorme 1.10. LEB possde, uniformment en K pour tout compact K , les proprits suivantes : rn est consistant, cest--dire P rn , rn est n1{pp1q , et sa loi limite est celle de , cest--dire la vitesse de convergence de rn n1{pp1q
pour tout k
0, on a
n
k rn lim E n1{pp1q
E | |k . K pour tout
pn possde, uniformment en Thorme 1.11. Soit p s0,1r. LEMV compact K , les proprits suivantes : pn est consistant, cest--dire P pn ,
rn est asymptotiquement ecace. De plus,
pn est n1{pp1q , et sa loi limite est celle de , cest--dire la vitesse de convergence de pn n1{pp1q
,
k
pour tout k
0, on a
n
pn lim E n1{pp1q
E | |k .
19
Pour montrer ces rsultats, nous suivons le mme schma que dans la section prcdente. $ 1{pp 1{pp1q Nous posons u u n pour tout u Un n 1q p q , n1{pp1q p q , et nous introduisons le rapport de vraisemblance renormalis Zn puq L pu , , X n q , Nous tablissons ensuite les trois lemmes suivants. Lemme 1.12. Les distributions ni-dimensionnelles de Zn convergent vers celles de Z uniformment (par rapport ) sur tout compact K . Lemme 1.13. Pour tout compact K , il existe une constante C
1{2 1{2 E Zn pu1q Zn pu2q
u Un .
Un, tout K et tout n susamment grand. Lemme 1.14. Pour tout compact K , il existe une constante c 0 telle que 2 @ 1{2 puq exp c |u|p1 E Zn pour tout u Un , tout K et tout n N.
pour tous u1 , u2 Comme dans la section prcdente, ces lemmes permettent dtablir que le rapport de vraisemblance limite de notre modle est donn par le processus Z et dobtenir les Thormes 1.8, 1.10 et 1.11.
C |u1 u2|p1
0 telle que
1.2
Cusp dans la drive dune diusion ergodique
Dans [5], en collaboration avec Yury Kutoyants (Universit du Maine) nous avons tabli des rsultats similaires ceux de la Section 1.1.2 dans le cas o lon observe un processus de diusion ergodique ayant un cusp dans la drive. Nous avons montr que lEMV et les EB sont de nouveau consistants. De plus, nous avons dtermin leur vitesse de convergence et leurs lois limites qui savrent tre les mmes que celles du cas poissonnien et du cas i.i.d. La convergence des moments de ces estimateurs et lecacit asymptotique des EB ont galement t tablies. Formellement, le problme considr est celui de lestimation du paramtre s , r, V V, lorsque lon observe sur lintervalle r0,T s, T V, une trajectoire du processus X T tXt , 0 t T u solution de
standard, cest--dire un processus gaussien trajectoires continues, de moyenne nulle, de variance E Wt2 t, et dont les accroissements sont indpendants et stationnaires.
S pXtq dt pXtq dWt, X0, 0 t T, (1.11) o X0 est une condition initiale et W tWt , 0 t T u est un mouvement brownien
dXt
La drive S est suppose lisse partout sauf au point , o elle est suppose avoir un cusp dordre p. Plus prcisment, nous supposons que la fonction est strictement positive et continue, et que la fonction S admet la reprsentation S pxq
5
a |x |p p, xq, si x , b |x |p p, xq, si x ,
20
o 0 p 1{2, ab $ 0, et la fonction est continue et est, uniformment par rapport x, hldrienne dordre strictement suprieur p 1{2 en . De plus, dans la suite nous supposons toujours que la condition suivante est satisfaite.
pE q Les fonctions , 1 et S ont des majorants polynomiaux et S pxq lim sup signpxq 2 0. |x|V pxq
La condition pE q garantie que le processus (1.11) est ergodique, avec la densit invariante 5 C x 1 S pv q f pxq exp 2 dv , x R, Gpq 2 pxq 2 pv q
o Gpq
V V
1 exp 2 2 pxq
5 x
S pv q dv 2 pv q
dx
est la constante de normalisation. Le rapport de vraisemblance dans ce problme est donn par L , 1 , X
T 5 T
0
exp
1 S pXt q S1 pXt q d Xt 2 pXt q 2
2 S pXtq S21 pXtq dt , 2 p Xt q
o 1 est une certaine valeur xe de .

pT et lEB rT pour une densit a priori q et pour la fonction de perte quadratique LEMV sont dnis par les quations pT , 1 , X T q max Lp, 1 , X T q Lp

et
rT
q p|X T q d
avec q p|X T q
q pq Lp, 1 , X T q . q pq Lp, 1 , X T q d
Pour dcrire le comportement asymptotique de ces estimateurs, posons H p 1{2 et rappelons le processus stochastique Z , les variables alatoires et , ainsi que la quantit Ip pa, bq introduits dans (1.6)(1.10). Posons galement 2
p pa, bq GI p q 4 p q
et
{H 1 .
Le premier des rsultats principaux de [5] est la borne infrieure minimax suivante. Thorme 1.15. Pour tout 0
, on a
sup
lim
0 T V
lim
inf
T
|0 |
E T 1{p2p1q T
E 2
o l inf est pris sur lensemble de tous les estimateurs possibles T de .
Chapitre 1. Estimation des positions des singularits Cette borne nous conduit introduire la dnition suivante. Dfinition 1.16. Un estimateur T de est dit asymptotiquement ecace si lim
2
21
0 T V |0 |
lim
sup
E T 1{p2p1q T
E 2
pour tout 0
. K pour tout compact K ,
Les autres rsultats principaux de [5] sont les proprits de lEMV et des EB, donnes par les deux thormes suivants.
pT possde, uniformment en Thorme 1.17. LEMV les proprits suivantes : pT est consistant, cest--dire P pT ,
pT est T 1{p2p1q , et sa loi limite est celle de { , cest--dire la vitesse de convergence de pT T 1{p2p1q
{ ,
pour tout k
0, on a
T
pT lim E T 1{p2p1q
E | |k . k
rT (pour toute densit a priori strictement positive et continue) Thorme 1.18. LEB possde, uniformment en K pour tout compact K , les proprits suivantes : rT est consistant, cest--dire P rT , rT est T 1{p2p1q , et sa loi limite est celle de { , cest--dire la vitesse de convergence de rT T 1{p2p1q
{ ,
pour tout k
0, on a
T
rT lim E T 1{p2p1q
| E| k
k
rT est asymptotiquement ecace. De plus,
Comme dans la section prcdente, la preuve de ces rsultats est base sur ltude du rapport de vraisemblance renormalis ZT puq Lpu , , X T q, u UT
T 1{p2p1q p q , T 1{p2p1q p q ,
22
o u u T 1{p2p1q . Notamment, on dmontre que ZT converge faiblement dans lespace C0 pRq vers le rapport de vraisemblance limite Z dni par Z puq Z p uq exp W H puq
3
1 2 2H A |u| , 2
u R.
Pour cela, on tablit les trois lemmes suivants, et on conclut la preuve de la mme faon que dans les Sections 1.1.2 et 1.1.3. Lemme 1.19. Les distributions ni-dimensionnelles de ZT convergent vers celles de Z uniformment (par rapport ) sur tout compact K .
Lemme 1.20. Pour tout compact K , il existe une constante C

1{2 E ZT u1
0 telle que
p q
1 2 ZT
{ pu q2 C |u u |2p1 2 1 2
UT , tout K et tout T 1. Lemme 1.21. Pour tout compact K , il existe une constante c 0 et une fonction C pN q, N 0, telles que 3 A q P ZT puq ec|u| C pN N | u| pour tout u UT , tout K et tout N 0.
pour tous u1 , u2
2p 1
Notons galement que daprs Fujii [52], les rsultats concernant les EB devraient rester valables dans le cas 1{2 p 0 (singularit de type V).
Chapitre 2 Rapports de vraisemblance limites des modles de rupture

Dans ce chapitre nous prsentons les rsultats principaux des articles [11, 13].
2.1
Quelques rapports de vraisemblance limites apparaissant dans des modles de rupture
Nous nous intressons ici ltude asymptotique des modles statistiques paramtriques non-rguliers (notamment, ceux de rupture) rencontrs en statistique infrentielle. Une prsentation dtaille de la thorie destimation des paramtres (aussi bien dans le cas rgulier que non-rgulier) peut tre trouve dans le livre dIbragimov et Khasminskii [65]. Ils ont dvelopp une thorie gnrale destimation base sur lanalyse du rapport de vraisemblance. Leur approche consiste montrer dabord que le rapport de vraisemblance renormalis (avec une vitesse de renormalisation bien choisie) converge faiblement (dans un espace fonctionnel adapt) vers une limite non-dgnre : le rapport de vraisemblance limite. Les proprits des estimateurs ( savoir leur vitesse de convergence, qui est la mme que celle de la renormalisation, et leurs lois limites) sont ensuite dduites. Enn, sur la base de ces estimateurs, on peut construire des intervalles de conance, des tests, etc. Notons que les techniques utilises garantissent galement la convergence des moments des estimateurs, permettant ainsi de dcrire le comportement asymptotique de certaines quantits dintrt statistique associes (telles que les erreurs moyennes quadratiques) et de vrier lecacit asymptotique ventuelle. Il est bien connu que les modles rguliers sont localement asymptotiquement normaux (LAN). Ainsi, le rapport de vraisemblance limite (donn par cette proprit LAN) est le mme pour tous les modles rguliers. En particulier, les estimateurs classiques lestimateur du maximum de vraisemblance (EMV) et les estimateurs baysiens (EB) sont consistants, asymptotiquement normaux et asymptotiquement ecaces dans ce type de modles. Dans le cas non-rgulier, la situation change sensiblement. La vitesse de renormalisation est gnralement plus grande, mais les rapports de vraisemblance limites peuvent tre 23
24
Chapitre 2. Rapports de vraisemblance limites des modles de rupture
dirents selon les modles. LEMV et les EB sont toujours consistants, leur vitesse de convergence est meilleure, mais leurs lois limites peuvent tre direntes et, en gnral, seuls les EB sont asymptotiquement ecaces. Nous considrons ici trois rapports de vraisemblance limites (Z , Z,f et Z0 ) apparaissant dans divers modles de rupture rencontrs en statistique infrentielle.
2.1.1
Processus Z
Le premier rapport de vraisemblance limite Z est une exponentielle dun processus de Poisson bilatral avec drive. Plus prcisment, Z est le processus stochastique sur R ( trajectoires cdlg) dni par ln Z pxq
6 8 x
p q x, 7 pxq x,
si x 0,
si x 0,
(2.1)
o 0, et et sont deux processus de Poisson indpendants dintensits respectives 1{pe 1q et 1{p1 e q. Nous introduisons galement les variables alatoires
R x Z x dx R Z x dx
pq pq
et
argmax Zpxq,
x
(2.2)
leurs deuximes moments B
2 , ainsi que la quantit E B {M . E 2 et M E
Le processus Z apparat dans divers modles de rupture en tant que rapport de vraisemblance limite, et les variables et en tant que lois limites respectives des EB et de lEMV. De plus, B et M sont les erreurs moyennes quadratiques limites de ces estimateurs et, les EB tant asymptotiquement ecaces, E est lecacit asymptotique relative de lEMV. Le modle principal ayant Z pour rapport de vraisemblance limite est le modle dobservations i.i.d. ayant une discontinuit (un saut) dans leur densit. Le premier rsultat gnral sur ce modle remonte probablement Cherno et Rubin [30]. Plus tard, il a t tudi de faon plus approfondie par Ibragimov et Khasminskii dans [65, Chapitre 5] voir galement leurs travaux plus anciens [61] et [62] . Dautres modles faisant apparatre le processus Z sont rencontrs dans la statistique des processus de Poisson non-homognes (lorsque les fonctions dintensit sont discontinues). On peut trouver plusieurs exemples de tels modles dans Kutoyants [73, Chapitre 5] voir aussi [71] . Notons enn que dans tous ces modles le paramtre est directement li la taille du saut.
2.1.2
Processus Z,f
Le deuxime rapport de vraisemblance limite Z,f est une exponentielle dun processus de Poisson compos bilatral. Plus prcisment, Z,f est le processus stochastique sur R
Chapitre 2. Rapports de vraisemblance limites des modles de rupture ( trajectoires cdlg) dni par ln Z,f pxq
6 pxq f p 9 q 9 ln k , 8
k 1
25
si x 0, p q ppxqq f p 9 q 9 ln f pk q , si x 0, 7 k 1 k
f k
(2.3)
o 0, f est une densit strictement positive dune certaine variable alatoire de moyenne 0 et de variance 1, et sont deux processus de Poisson indpendants dintensit 1, i.i.d. de densit f qui sont galement indpendantes k sont des variables 0 de , et on utilise la convention k1 ak 0. Nous introduisons galement les variables alatoires R x Z,f pxq dx , ,f R Z,f pxq dx
inf z : Z,f pzq max Z,f pxq , xR 3 A ,f sup z : Z,f pz q max Z,f pxq , xR ,f ,f p1 q ,f , r0, 1s, 2 2 et les quantits B,f E ,f , M,f Ep,f q et E,f B,f {M,f .
,f
(2.4)
Un cas particulier important de ce processus est celui o la densit f est gaussienne, cest-dire N p0, 1q. Dans ce cas, nous omettons lindice f et crivons Z au lieu de Z,f , au lieu de ,f , etc. Notons que comme ln f p q f pq
2
N p 2 {2, 2 q,
le processus Z est symtrique et ces sauts sont gaussiens. Le processus Z,f apparat dans certains modles de rupture en tant que rapport de vraisemblance limite, et les variables ,f et ,f en tant que lois limites des EB et de lEMV convenablement choisi. LEMV ntant pas unique dans les modles sous-jacents, le choix convenable ici est la combinaison linaire avec poids et 1 de ses valeurs minimale et maximale. De plus, B,f et M,f sont les erreurs moyennes quadratiques limites de ces estimateurs et, les EB tant asymptotiquement ecaces, E,f est lecacit asymptotique relative de lEMV ainsi choisi. Les exemples incluent le modle de rgression deux rgimes (two-phase regression model) et le modle auto-rgressif seuil (threshold autoregressive model). Le cas linaire du premier modle a t tudi dans Koul et Qian [68], tandis que le cas non-linaire a t considr dans Ciuperca [33]. En ce qui concerne le modle auto-rgressif seuil, les premiers rsultats ont t obtenus par Chan dans [26], o il a tudi lestimateur des moindres carrs (qui est, dans le cas gaussien, quivalent lEMV). Des tudes plus rcentes et plus approfondies ont t ralises par de nombreux auteurs voir, par exemple, [2729, 31, 32, 88] . Notons enn que dans les deux modles le paramtre est directement li la taille du saut.
26
2.1.3
Processus Z0
Le troisime rapport de vraisemblance limite Z0 est une exponentielle dun mouvement brownien bilatral avec drive. Plus prcisment, Z0 est le processus stochastique sur R ( trajectoires continues) dni par Z0 pxq exp W pxq
3
1 A | x| , 2
x R,
(2.5)
o W tW pxq, x Ru est un mouvement brownien bilatral standard, cest--dire un 2 processus gaussien trajectoires continues, de moyenne nulle, de variance E W pxq |x|, et dont les accroissements sont indpendants et stationnaires autrement dit, W et Z0 sont H des cas particuliers respectifs avec H 1{2 du mouvement brownien fractionnaire W et du processus Z dni par (1.6) . Nous introduisons galement les variables alatoires 0
R x Z0 x dx R Z0 x dx
pq pq
et 0
argmax Z0pxq,
x
(2.6)
2 2 leurs deuximes moments B0 E 0 et M0 E 0 , ainsi que la quantit E0 B0 {M0 . Les rles jous par ces variables et quantits dans les modles ayant le processus Z0 pour rapport de vraisemblance limite sont les mmes que prcdemment.
Les modles faisant apparatre le processus Z0 se rencontrent dans de nombreux domaines de la statistique infrentielle.Un exemple bien connu est le modle dun signal discontinu dans un bruit blanc gaussien Ibragimov et Khasminskii [64] et [65, Section 7.2] , mais on peut galement en citer dautres : des modles de rupture pour des systmes dynamiques avec un petit bruit Kutoyants [71] et [72, Chapitre 5] ainsi que pour des processus de diusion ergodiques Kutoyants [74, Chapitre 3] , un modle de rupture pour les quations direntielles stochastiques retard Kchler et Kutoyants [70] , un modle de rupture de type i.i.d. Deshayes et Picard [40] , le modle dun signal discontinu priodique dans une diusion non-homogne en temps Hpfner et Kutoyants [5860] , un modle de rupture pour des processus de diusion seuil Kutoyants [75] , etc. Notons galement que dans [86], Terentyev a dtermin la transforme de Laplace de P |0 | t et en a dduit la constante M0 26. En outre, des expressions explicites de la densit de 0 ont t donnes dans Bhattacharya et Brockwell [25], Yao [89] et Fujii [51]. En ce qui concerne la constante B0 , dans [65, Chapitre 7.3] Ibragimov et Khasminskii ont montr laide de simulations numriques que B0 19.5 0.5 (et donc E0 0.73 0.03). Plus tard, dans [56], Golubev a exprim B0 en fonction de la drive seconde (par rapport un paramtre) dune intgrale impropre dune fonction compose des fonctions modies de Hankel et de Bessel. Finalement, Rubin et Song ont obtenu dans [80] les valeurs exactes B0 16 p3q et E0 8 p3q{13, o est la fonction zta de Riemann dnie par psq
V
n 1
1{ns .
27
Les variables alatoires et les quantits dintrt statistique correspondantes aux processus Z et Z,f sont beaucoup moins tudies. On peut citer Pug [77] pour quelques rsultats concernant la distribution des variables alatoires argmax Z pxq et
x
argmax Z pxq
x
lies .
2.2
Comportement de Z lorsque est au voisinage de 0 ou de V
Les rsultats prsents dans cette section ont fait lobjet dun article [11], dans lequel, en particulier, un lien entre les rapports de vraisemblance limites Z et Z0 a t dcouvert. Notamment, il a t tabli que pour de petites valeurs du paramtre , le premier rapport peut tre approch par le second. Plus prcisment, il a t montr que lorsque 0, le processus Z (aprs un changement judicieux dchelle de temps) converge vers le processus Z0 dans lespace de Skorohod D0 pRq des fonctions cdlg sur R tendant vers 0 en V. Il en a t dduit que les variables et les quantits dintrt statistique lies au premier rapport (comme, par exemple, ou B ) peuvent tre approches par celles lies au second. Le comportement de Z pour de grandes valeurs du paramtre ( V) a galement t tudi, et tous les rsultats ont t illustrs par des simulations numriques.
2.2.1
Lien entre les rapports de vraisemblance limites Z et Z0
Soit 0, et soit le processus stochastique X py q par (2.1). Notons que
R y X y dy R X y dy
Zpy{q, y R, o Z est dni
pq pq
et
argmax X py q ,
y
o les variables alatoires et sont dnies par (2.2). Rappelons galement le processus Z0 dni par (2.5) et les variables alatoires 0 et 0 dnies par (2.6), ainsi que toutes les quantits dintrt statistique lies aux variables (2.2) et (2.6). Thorme 2.1. Le processus X converge faiblement dans lespace D0 pRq vers le processus Z0 lorsque 0. En particulier, les variables alatoires et convergent en loi vers les limites respectives 0 et 0 . De plus, pour tout k 0, on a
k k E 0k et k E E 0 . En particulier, 2 B 16 p3q, 2 M 26 et E 8 p3q{13. k k E
Le rsultat principal de [11] est le thorme suivant.
Outre leur intrt thorique, ces rsultats permettent, par exemple, de construire des tests et des intervalles de conance en se basant sur les lois de 0 et de 0 (plutt que sur les
28
lois beaucoup moins connues de et de ) dans les modles ayant pour rapport de vraisemblance limite le processus Z avec petit. De plus, les erreurs moyennes quadratiques limites et lecacit asymptotique relative de lEMV peuvent tre approches comme B dans ces modles. Les rsultats concernant la variable alatoire sont une consquence directe du Thorme 1.10.2 de Ibragimov et Khasminskii [65] et des trois lemmes suivants. Lemme 2.2. Les distributions ni-dimensionnelles de X convergent vers celles de Z0 lorsque 0.
16 p3q 2,
26 2
et E
8 p3q{13
Lemme 2.3. Pour tout 0 et tous y1 , y2
R, on a
2
1{2 py1q X1{2py2q E X
|y1 y2| . 1 4 c |y|
Lemme 2.4. Pour tout c s 0 , 1{8 r, on a

1{2 E X pyq exp
pour tout susamment petit et tout y
R.
Lemme 2.5. Pour tout 0, on a

h
Notons que ces lemmes ne sont pas susants pour tablir la convergence faible du processus X dans lespace D0 pRq et les rsultats concernant la variable alatoire . Cependant, les accroissements du processus ln X tant indpendants, la convergence de ses restrictions (et donc de celles de X ) sur tout intervalle ni rA, B s R cest--dire la convergence dans lespace de Skorohod DpA, B q des fonctions cdlg sur rA, B s dcoule du Thorme 6.5.5 de Gihman et Skorohod [54], du Lemme 2.2 et du lemme suivant. P ln X py1 q ln X py2 q
3 A
lim lim
0 0 |y1 y2 |h
sup
0.
Lemme 2.6. Pour tout b s 0 , 3{40 r, on a

4
Maintenant, le Thorme 2.1 X se dduit de lestimation suivante des queues du processus par un argument classique voir, par exemple, Ibragimov et Khasminskii [65] .
B
P sup X py q ebA |y|A pour tout susamment petit et tout A 0.
4 ebA
2.2.2
Comportement de Z pour de grandes valeurs de
Lorsque V, le processus Z converge faiblement dans lespace D0 pRq vers le processus ZV pxq ex 1txu , x R, o est une variable alatoire exponentielle ngative de
Chapitre 2. Rapports de vraisemblance limites des modles de rupture paramtre 1 cest--dire Pt tu et pour tout t et convergent en loi vers les limites respectives V
29
. Ainsi, les variables alatoires
De plus, pour tout k
0, on a
R x ZV x dx R ZV x dx
pq pq
1
et V
argmax ZVpxq .
x
k k k . E V et E E V 2 2 En particulier, en posant BV E V , MV E V et EV BV {MV , 2 2 B BV Ep 1q 1, M MV E 2 et E EV 1{2. k E
nous obtenons
Notons que ces convergences sont naturelles, car le processus ZV peut tre vu comme un cas particulier du processus Z avec V en admettant la convention V 0 0.
2.2.3
Simulations numriques
Nous avons galement ralis dans [11] des simulations numriques de B , M et E pour s0, Vr, an dillustrer les comportements asymptotiques
B0 2 , M M0 2 et E E0 lorsque 0, o B0 16 p3q 19.2329, M0 26 et E0 8 p3q{13 0.7397, et B BV 1, M MV 2 et E EV 0.5 lorsque V.

B Pour cela, nous avons simul 107 trajectoires de Z (pour chaque valeur de ) et nous avons approch B et M par les deuximes moments empiriques de et de . Le comportement asymptotique en 0 des erreurs moyennes quadratiques limites B et M peut tre observ dans la Figure 3, o nous avons galement trac les fonctions 2 B et 2 M faisant apparatre les constantes B0 19.2329 et M0 26.
100 90 80 70 60 50 40 30 20 10 0 0 1 2 3 4 5 6 7 8 9 10 11 12
M B 2 M 2 B
Figure 3 Comportement de B et de M en 0.
30
Dans la Figure 4, une chelle dirente est utilise pour laxe des ordonnes an de mieux illustrer le comportement asymptotique en V des erreurs moyennes quadratiques limites B et M , ainsi que le comportement asymptotique en 0 et en V de E . Notons que la fonction E semble tre dcroissante, ce qui permet de conjecturer que lecacit asymptotique relative de lEMV augmente lorsque diminue, en restant toujours comprise entre EV 0.5 et E0 0.7397.
4.5 4 3.5 3 2.5 2 1.5 1 0.5 0 0 1 2 3 4 5 6 7 8 9 10 11 12
M B E
Figure 4 Comportement de B et de M en de E en 0 et en V.
V, ainsi que celui
2.3
Comportement de Z,f lorsque est au voisinage de 0 ou de V
Les rsultats prsents dans cette section ont t obtenus en collaboration avec Ilia Negri (Universit des tudes de Bergame) et ont fait lobjet dun article [13] et dun acte de congrs [17]. Notamment, nous avons montr que pour de petites valeurs du paramtre , le rapport de vraisemblance limite Z,f (tout comme Z ) peut tre approch par la limite brownienne Z0 . Plus prcisment, nous avons tabli que lorsque 0, le processus Z,f (aprs un changement judicieux dchelle de temps) converge vers le processus Z0 dans lespace D0 pRq. Ce rsultat nous a permis de faire des dductions similaires celles de [11]. Enn, nous avons galement tudi le comportement de Z,f pour de grandes valeurs du paramtre ( V) et illustr tous les rsultats par des simulations numriques.
2.3.1
Lien entre les rapports de vraisemblance limites Z,f et Z0
Soit 0, et soit f une densit strictement positive dune certaine variable alatoire de moyenne 0 et de variance 1. Nous supposons dans la suite que la condition de rgularit suivante est satisfaite.
31
c pRq La fonction f est continment drivable en L2 , cest--dire il existe L2 telle 2 2 que R f px hq f pxq h pxq dx oph2 q et R px hq pxq dx op1q. De plus, } } 0.
Notons que sous cette condition, le modle dobservations i.i.d. de densit x q est, en fp 2 2 particulier, LAN en 0 avec linformation de Fisher I 4 } } 4 R pxq dx voir, par exemple, [65, Chapitre 2.1] . Par consquent, en utilisant les fonctions caractristiques, nous obtenons c 2 f pu{ nq n t 1 Iu2 t2 2 q 2 eip Iu lim E eit ln f pq
n
et, plus gnralement,
lim E eit ln f pq
p q 1{ 2
pour tout t R.
eip qt
I 2
1 2 It 2
(2.7)
Notons galement que seule la convergence (2.7) est ncessaire dans nos considrations. Ainsi, on peut remplacer la condition pRq par (2.7) ou par toute autre condition impliquant (2.7), comme, par exemple, la conditions de Hjek : f est drivable et linformation 2 de Fisher I R f 1 pxq f I pxq dx est nie et strictement positive. Notons nalement que dans le cas gaussien, la condition de rgularit est clairement remplie et nous avons I 1.
Nous introduisons maintenant le processus stochastique X,f py q Z,f py {I 2 q, y Z,f est dni par (2.3). Notons que
R, o
p q I 2 , ,f p q 3 inf z : X,f pz q max X,f py q I 2 ,f y R

R y X,f y dy R X,f y dy A
et sup z : X,f pz q max X,f py q

y
, I 2,f
sont dnies par (2.4). Rappelons galement le o les variables alatoires ,f et ,f processus Z0 dni par (2.5) et les variables alatoires 0 et 0 dnies par (2.6), ainsi que toutes les quantits dintrt statistique lies aux variables (2.4) et (2.6).
Thorme 2.7. Le processus X,f converge faiblement dans lespace D0 pRq vers le processus Z0 lorsque 0. En particulier, la variable alatoire I 2 ,f converge en loi vers la variable alatoire 0 et, pour tout r0, 1s, la variable alatoire I 2 ,f converge en loi vers la variable alatoire 0 . De plus, pour tout k 0, on a
k I k 2k E ,f
Le rsultat principal de [13] est le thorme suivant.
E 0k
k q et I k 2k Ep,f
k E 0 .
En particulier, I 2 4 B,f
16 p3q, I 2 4M,f 26 et E,f 8 p3q{13.
32
Outre leur intrt thorique, ces rsultats permettent, par exemple, de construire des tests et des intervalles de conance en se basant sur les lois de 0 et de 0 (plutt que sur les lois de ,f et de ,f , qui dpendent de la densit f et ne sont pas connues explicitement) dans les modles ayant pour rapport de vraisemblance limite le processus Z,f avec petit. De plus, les erreurs moyennes quadratiques limites et lecacit asymptotique relative de lEMV (convenablement choisi) peuvent tre approches comme B,f
16 p3q I 2 4 ,
M,f
26 I 2 4
et E,f
8 p3q{13
dans ces modles. La dmonstration du Thorme 2.7 suit le schma utilis dans la section prcdente et fait intervenir cinq lemmes en tout point similaires aux Lemmes 2.22.6. Cependant, les preuves de ces lemmes ncessitent des techniques sensiblement direntes.
2.3.2
Comportement de Z,f pour de grandes valeurs de
Lorsque V, le processus Z,f converge faiblement dans lespace D0 pRq vers le processus ZV pxq 1tx u , x R, o et sont deux variables alatoires exponen , et tielles indpendantes de paramtre 1. Ainsi, les variables alatoires ,f , ,f ,f ,f convergent en loi vers les limites respectives
p q , 2 pq A V inf z : ZV pz q max ZV pxq , x R 3 A V sup z : ZV pz q max ZV pxq xR

V
R x ZV x dx Z V x dx R3
et
V
p1 q p1 q . V V
De plus, pour tout k
0, on a
k E ,f
k k k E V et Ep,f q EpV q. 2 2 En particulier, en posant BV E V , MV EpV q et EV BV{MV , nous obtenons 2 B B E 1, ,f
M,f
MV E p1 q 6
EV
1 2
2
1 2
(2.8)
et
E,f
12
1 2 2
(2.9)
33
Notons que ces convergences sont naturelles, car le processus ZV peut tre vu comme un cas particulier du processus Z,f avec V en admettant les conventions habituelles. Finalement, notons que les formules (2.8) et (2.9) impliquent clairement que dans tout modle ayant pour rapport de vraisemblance limite le processus ZV , le meilleur choix de lEMV correspond 1{2 (lEMV ainsi choisi est mme asymptotiquement ecace). Ce choix a galement t suggr pour le modle auto-rgressif seuil (qui a pour rapport de vraisemblance limite le processus Z,f ) par Chan et Kutoyants dans [27,28]. Au vu de nos rsultats asymptotiques, cette suggestion semble justie lorsque est grand. Cependant, nous constatons que lorsque est petit, le choix de na plus beaucoup dimportance, car les limites dans le Thorme 2.7 ne dpendent pas de .
2.3.3
Simulations numriques
Nous avons galement ralis dans [13] des simulations numriques (dans le cas gaussien) pour s0, Vr, an dillustrer les comportements asymptotiques et E de B , M
B0 4, M M0 4 et E E0 lorsque 0, o B0 16 p3q 19.2329, M0 26 et E0 8 p3q{13 0.7397, et B BV , M MV et E EV lorsque V, o BV 0.5, MV 6 p 0.5q2 0.5 et EV 1{ 12 p 0.5q2 1 .
Pour cela, nous avons simul 107 trajectoires de Z (pour chaque valeur de ) et nous (avec 1{2, 1{4 et 0) par les deuximes moments empiriques avons approch B et M de et de .
Le comportement asymptotique en 0 des erreurs moyennes quadratiques limites B et M 4 4 peut tre observ dans la Figure 5, o nous avons plutt trac les fonctions B et M faisant apparatre les constantes B0 19.2329 et M0 26. On peut constater que le choix 1{2 est le meilleur, mme si sa supriorit sestompe mesure que sapproche de 0 et semble ngligeable pour 1.
100 90 80 70 60 50 40 30 20 10 0 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
0 4 M 4 1/4 M 1/2 4 M 4 B
Figure 5 Comportement de B et de M en 0.
34
La Figure 6 illustre le comportement asymptotique en V des erreurs moyennes quadra . Ici, la supriorit du choix 1{2 est vidente. De plus, on tiques limites B et M peut constater que pour 5, ce choix rend ngligeable la perte decacit rsultant de lutilisation de lEMV la place des estimateurs asymptotiquement ecaces baysiens.
4.5 4 3.5 3 2.5 2 1.5 1 0.5 0
0 M 1/4 M 1/2 M B
en Figure 6 Comportement de B et de M
V.
V de E .
Enn, la Figure 7 illustre le comportement asymptotique en 0 et en

2 1.75 1.5 1.25 1 0.75 0.5 0.25 0
0 E 1/4 E 1/2 E
Figure 7 Comportement de E en 0 et en
V.
Chapitre 3 Gibbsianit des champs alatoires

Dans ce chapitre nous prsentons les rsultats principaux de larticle [9]. Quelques rsultats ncessaires, obtenus dans les articles [3, 6], sont galement rappels dans la Section 3.2.1. Lensemble de ces travaux a t ralis en collaboration avec Boris Nahapetian (Acadmie des Sciences de la Rpublique dArmnie).
3.1
Champs alatoires
Nous considrons les champs alatoires sur le rseau entier -dimensionnel Z (ou, plus gnralement, sur un ensemble dnombrable L de sites ), cest--dire les mesures de pro Z Z babilit P sur X , F , o pX , F q est un espace mesurable de valeurs du champ sur un seul site (dit espace dtats ). Habituellement, lespace X est suppos tre muni dune topologie T , et F est suppose tre la tribu borlienne engendre par cette topologie. Ici, nous nous concentrons sur le cas o X est ni, T est la topologie discrte, et F est la tribu totale, cest--dire F T partpX q.
Pour tout S Z pS q lensemble des parties nies de S , cest--dire nous 2 , nous notons E @ posons E pS q S : || V , o || dsigne le nombre de sites dans le volume ou, autrement dit, le cardinal de lensemble . Pour simplier les notations, nous omettrons souvent les accolades pour les ensembles uniponctuels : nous crirons, par exemple, t au lieu de ttu. Nous posons galement E pS q E pS qzt / u. Pour S Z , nous crirons simplement E E pZ q et E E pZ q.
Pour tout S Z , lespace X S est lespace de toutes les congurations sur S (ou dans le volume S ). Si S / , nous admettons que lespace X / t / u, o / est la conguration vide. Pour tous T, S Z tels que T S et toute conguration x txt , t S u sur S , nous notons xT la sous-conguration (restriction ) de x sur T dnie par xT txt , t T u. Pour tous T, S Z tels que T S / et toutes congurations x sur T et y sur S , nous notons xy la concatnation de x et de y , cest--dire la conguration surT S gale x sur T et y sur S autrement dit, telle que pxy qT x et pxy qS y . Pour toute conguration x X S , lensemble S Z est appel support de x et nous crivons S Spxq. Pour tout E , nous notons
X
r E c
p q
35
36
Chapitre 3. Gibbsianit des champs alatoires
Pour S Z , une distribution de probabilit sur X S sera note PS . Notons que si S / , il nexiste quune seule distribution possibleP / p / q 1. Pour tous T, S Z tels que T S et toute distribution PS , nous notons PS T la distribution marginale (projection ) 2 @ de PS sur T . Si E et I , on peut crire P P pxq, x X et
lespace de toutes les congurations ayant un support ni non-vide inclus dans lextrieur de , cest--dire dans c Z z.
pxq I
y X zI
P pxy q,
x X I.
Enn, un champ alatoire P est dit strictement positif si pour tout E , la distribution ni-dimensionnelle P est strictement positive, cest--dire P pxq 0 pour tout x X . Lensemble des champs alatoires strictement positifs est not P .
Un champ alatoire P sur Z est dtermin de faon unique par (et peut donc tre identi avec) le systme tP , E u de ses distributions ni-dimensionnelles qui est cohrent au sens de (consistent in the sense of) Kolmogorov : pour tout E et tout I , on a P I PI .
3.1.1
Distributions ni-conditionnelles et conditionnelles
Soit P un champ alatoire. Pour tout E , nous notons PE pc q la mesure ( -nie) r c , dont la restriction sur X r sur X est P r pour tout E p q. Autrement dit, PE pc q est la somme directe des mesures P r. Pour tout E , les rapports
r qx pxq
rq PSpx r q pxx , rq PSpx r q px
x X ,
. Tout sysrX existent (ont des dnominateurs non-nuls) pour PE pc q -presque tout x tme 3 A r x r r Q Q , E et x X
r r x de distributions de probabilit tel que pour tout E on a Qx q pour PE pc q -pres est dit tre une distribution ni-conditionnelle du champ alatoire P. r X que tout x Autrement dit, une distribution ni-conditionnelle du champ alatoire P est lensemble r r pour des rapports q x existants complt par des distributions quelconques pour les x r lesquelles ces rapports nexistent pas. Le sous-systme de Q constitu des distributions uniponctuelles || 1 est dit tre une distribution ni-conditionnelle uniponctuelle de P. Notons quen gnral, un champ alatoire admet plusieurs versions de la distribution ni-conditionnelle ainsi que de la distribution ni-conditionnelle uniponctuelle. Toutefois, pour un champ alatoire strictement positif, ces distributions sont dtermines de faon unique et sont strictement positives (constitues dlments strictement positifs). Notons galement quil nest pas dicile de vrier que si un champ alatoire P admet une version strictement positive de la distribution ni-conditionnelle (ou mme de la distribution niconditionnelle uniponctuelle), alors P est ncessairement strictement positif lui-mme.
Chapitre 3. Gibbsianit des champs alatoires En outre, pour tout E , les limites
r qx pxq lim q pxq ,
37
Z z
c
x X ,
A
existent pour Pc -presque tout x X . Tout systme Q Qx ,

3
E et x X
x de distributions de probabilit tel que pour tout E on a Qx q pour Pc -presque c tout x X est dit tre une distribution conditionnelle du champ alatoire P. Le sous-systme de Q constitu des distributions uniponctuelles est dit tre une distribution conditionnelle uniponctuelle de P. Notons quen gnral, un champ alatoire P admet plusieurs versions de la distribution conditionnelle ainsi que de la distribution conditionnelle uniponctuelle (mme si P est strictement positif). Notons galement que si un champ alatoire P admet une version strictement positive de la distribution conditionnelle (ou mme de la distribution conditionnelle uniponctuelle), alors P est ncessairement strictement positif lui-mme. Pour le cas de la distribution conditionnelle ce fait est bien connu, alors que le cas de la distribution conditionnelle uniponctuelle est lobjet de la Proposition 3.7 ci-dessous.
Pour conclure cette section, soulignons que la distribution ni-conditionnelle (resp. niconditionnelle uniponctuelle) dun champ alatoire contient plus dinformations sur le champ alatoire que sa distribution conditionnelle (resp. conditionnelle uniponctuelle). En eet, si la dernire peut clairement tre dduite de la premire (par passage la limite), linverse nest pas aussi vident et nest mme pas vrai en gnral. En eet, dans le cas strictement positif, la distribution ni-conditionnelle (resp. ni-conditionnelle uniponctuelle) dtermine le champ alatoire de faon unique (voir la Section 3.2.2), tandis que la distribution conditionnelle (resp. conditionnelle uniponctuelle) ne le fait pas toujours (transitions de phase). Tout cela devient particulirement clair dans le cas markovien, quand la distribution conditionnelle (resp. conditionnelle uniponctuelle) peut tre vue comme un sous-systme de la distribution ni-conditionnelle (resp. ni-conditionnelle uniponctuelle). En eet, soit P x x c un champ de Markov, cest--dire pour tout E et tout x X , on a Q Qf , o f dsigne le voisinage de . La dernire galit montre que les lments de la distribution conditionnelle (resp. conditionnelle uniponctuelle) de P peuvent tre considrs comme des lments de la distribution ni-conditionnelle (resp. ni-conditionnelle uniponctuelle) de P. Cependant, tous les lments de la dernire ne correspondent pas aux lments de r r q f possdent cette proprit. la premire : seuls les lments Qx tels que Spx
3.1.2
Description des champs alatoires par leurs distributions conditionnelles
La thorie des champs alatoires a t formalise par Dobrushin dans [4143], o il a tabli la description des champs par leurs distributions conditionnelles. Plus prcisment, les champs alatoires sont dcrits par des spcications , cest--dire par des systmes Q Qx ,
3
E et x X
38 de distributions de probabilit tels que
x xx Qx pxy q Q zI pxq QI py q c pour tous E , I , x X zI , y X I et x X .
(3.1)
Notons que toutes les versions de la distribution conditionnelle dun champ alatoire P satisfont la modication de (3.1) o Pc -presque toutes (et non ncessairement toutes) les c congurations x X sont considres. De plus, tout champ alatoire admet au moins une version de la distribution conditionnelle qui est une spcication voir Goldstein [55], Preston [79] et Sokal [82] . Lun des objectifs principaux de la thorie de Dobrushin est dtudier lensemble des champs alatoires compatibles avec une spcication donne, cest--dire admettant cette spcication comme une version de la distribution conditionnelle. Les conditions les plus connues susantes pour lexistence et pour lunicit dun champ alatoire compatible avec une spcication donne sont respectivement la quasilocalit et la condition dunicit de Dobrushin. Comme la premire jouera un rle important dans nos considrations, nous la rappelons ci-dessous. Soit S
Z . Une fonction g valeurs relles sur X S est dite quasilocale si g pxq g py q 0 lim sup
S
x,y X S : x y
ou, autrement dit, si g est une limite uniforme de fonctions, chacune desquelles ne dpend que des valeurs de la conguration sur un ensemble ni de sites (fonctions locales ). Notons galement que la quasilocalit nest rien dautre que la continuit par rapport la topologie T S et que, vu que X S est compact, les conditions de positivit stricte et de non-nullit uniforme sont quivalentes pour les fonctions locales et quasilocales.
est dite quasilocale (resp. locale ) si Une spcication Q Qx , E et x X c pour tout E et tout x X , la fonction x Qx est quasilocale (resp. pxq sur X locale).
c
Finalement, une spcication est dite strictement positive si tous ses lments sont strictement positifs.
3.1.3
Spcications gibbsiennes et champs alatoires de Gibbs
Les champs alatoires de Gibbs sont dnis en termes de spcications gibbsiennes, qui sont leur tour dnies en termes de potentiels.
/ valeurs dans R tVu est appele potentiel (dinteraction) . Toute fonction sur X Un potentiel est dit convergent sil est valeurs relles, et si la srie
rE ptc q J
xxJ r
c
(3.2)
converge pour tous t Z , x X t et x X t .
39
Un potentiel est dit uniformment convergent sil est convergent, et si la convergence dans (3.2) est uniforme par rapport x. Un potentiel est dit de porte nie si pour tout t Z , il existe seulement un nombre r r E ptc q tels que % 0 sur X tJ ni de volumes J . Notons que tout potentiel valeurs relles de porte nie est uniformment convergent. Pour tout potentiel convergent , une spcication Q tre construite laide des formules de Gibbs Qx pxq
x pxq , exp U x exp U pyq
Qx ,
et x
peut
E , x X , x X ,
c
(3.3)
y X
x U pxq
rE pc q J
J:/ J
xJ xJ r ,
E , x X , x X .
c
(3.4)
La spcication Q est dite gibbsienne avec le potentiel . Tout champ alatoire compatible avec Q est dit champ de Gibbs avec le potentiel . Dans ce mmoire, nous considrons uniquement des potentiels uniformment convergents. Ainsi, les spcications gibbsiennes et les champs de Gibbs avec des potentiels uniformment convergents seront appels simplement spcications gibbsiennes et champs de Gibbs .
3.1.4
Problme de caractrisation des champs de Gibbs
Les classes de processus considres dans la thorie des processus stochastiques sont gnralement caractrises par des proprits des distributions ni-dimensionnelles ou (ni-)conditionnelles des processus. Cependant, dans la pratique, ltude dune classe particulire passe en gnral par un thorme de reprsentation exprimant les processus en termes dobjets simples et commodes, tels que les matrices de transition pour les chanes de Markov, les fonctions caractristiques pour les processus accroissements indpendants, les fonctions spectrales pour les processus stationnaires, etc. La situation est trs dirente pour la classe des champs alatoires de Gibbs. Historiquement, et comme nous lavons vu dans la section prcdente, au lieu dtre caractriss par des proprits de leurs distributions ni-dimensionnelles ou (ni-)conditionnelles, les champs de Gibbs ont t dnis directement par la reprsentation de leurs distributions conditionnelles en termes de potentiels. Et seulement ensuite, le problme de la caractrisation interne des champs de Gibbs (et, subsidiairement, des spcications gibbsiennes) a t considr. La caractrisation la plus connue des spcications gibbsiennes est donne par le critre suivant voir, par exemple, Kozlov [69], Sullivan [84] et Georgii [53] . Critre 3.1 [Kozlov-Sullivan]. Une spcication est gibbsienne si et seulement si elle est strictement positive et quasilocale.
40
Ce critre permet de caractriser les champs de Gibbs par la positivit stricte et la quasilocalit de leurs distributions conditionnelles. Plus prcisment, pour quun champ alatoire soit un champ de Gibbs, sa distribution conditionnelle doit admettre une version qui est une spcication strictement positive et quasilocale. Comme nous pouvons le voir, ce critre impose des conditions sur un objet (distribution conditionnelle) qui nest ni dni sans ambigut (est dni un ensemble de probabilit nulle prs), ni constructif (ses lments sont indexs par les congurations inni-dimensionnelles lextrieur) et qui, de plus, ne permet pas toujours de dterminer le champ alatoire de faon unique (transitions de phase). notre avis, il est prfrable quune caractrisation soit en termes dobjets nayant pas ce genre de dfauts. En fait, une telle caractrisation existe dj pour la sous-classe des champs alatoires de Gibbs avec des potentiels valeurs relles et de porte nie. Il a t montr dans Averintsev [2224] et dans Sullivan [83] voir galement Grimmett [57] que ces champs alatoires sont caractriss par la positivit stricte et la proprit de Markov. Notons que dans le cas strictement positif, la proprit de Markov admet plusieurs formulations quivalentes. Lune dentre elles porte uniquement sur les lois conditionnelles du champ r r x x sur les singletons sachant les congurations sur les parties nies de lextrieur : q t q t f t tel que Spx r X r q f t voir, par exemple, Suomela [85] . pour tout t Z et tout x Ainsi, nous avons une caractrisation interne de la classe des champs de Gibbs avec des potentiels valeurs relles et de porte nie en termes de distributions ni-conditionnelles uniponctuelles. Cette caractrisation impose des conditions sur un objet (distribution niconditionnelle uniponctuelle) qui est dni sans ambigut et de manire constructive (ses lments sont constitus de rapports de probabilits ni-dimensionnelles). De plus, cet objet dtermine de faon unique (et peut donc tre identi avec) le champ alatoire (voir la Section 3.2.2). Lobtention dune caractrisation similaire dans le cas gnral des potentiels uniformment convergents est beaucoup moins vidente. Cependant, elle a t rendue possible grce au cadre uniponctuel dvelopp rcemment et prsent dans la section suivante. De plus, elle est trs naturelle au vu de ce dernier.
3.2
Cadre uniponctuel
Dans cette section, nous rappelons brivement les rsultats ncessaires obtenus dans les travaux des auteurs [3, 6] et dans Dalalyan et Nahapetian [34] concernant respectivement les problmes de description des champs alatoires par leurs distributions conditionnelles uniponctuelles et par leurs distributions ni-conditionnelles uniponctuelles.
3.2.1
Description des champs alatoires par leurs distributions conditionnelles uniponctuelles
Lide quil soit possible de dcrire et dtudier les champs alatoires par des distributions conditionnelles uniponctuelles remonte Dobrushin [41, 44]. Quelques avances dans cette direction ont t ralises dans Sullivan [83] et dans Flood et Sullivan [50]. On peut galement mentionner le Thorme 1.33 de Georgii [53] concernant
41
le problme de la restauration des spcications partir de leurs lments uniponctuels. Cependant, la ralisation de lide de Dobrushin transite par un problme beaucoup plus important : celui de la description des spcications par des systmes de distributions de probabilit uniponctuelles indexes par les congurations lextrieur (systmes uniponctuels) cohrents dans un certain sens. Ce problme a t trait beaucoup plus tard, la dicult principale tant de trouver des conditions de cohrence appropries. Dans le cas dun espace dtats ni (considr dans ce mmoire), lide de Dobrushin a t ralise par les auteurs dans [3] sous la condition de positivit faible (ainsi que sous la condition de positivit stricte) et dans [6] sous une condition de positivit trs gnrale, que nous avons appele positivit trs faible . Le cas dun espace dtats gnral (pas ncessairement ni) a t tudi par Fernndez et Maillard dans [48] sous une condition de positivit alternative, et dans [49] sous une version adapte ce cas de la condition de positivit trs faible. Nous allons maintenant brivement rappeler les rsultats principaux des travaux des auteurs [3,6]. Dans ces articles, sous une hypothse de positivit trs gnrale (positivit trs faible), nous des conditions de cohrence ncessaires et susantes pour quun @ 2 avons trouv tc de distributions de probabilit soit un sous-systme x X , t Z et systme Qx t dune spcication. Un systme satisfaisant ces conditions a t appel 1-spcication. Il a galement t montr que la spcication contenant une 1-spcication donne est unique et est dtermine par des formules explicites. De plus, le fait que ces formules utilisent un nombre ni doprations lmentaires a deux consquences importantes. Premirement, la spcication entire est quasilocale si et seulement si l1-spcication lest. Deuximement, lensemble des champs alatoires compatibles avec l1-spcication concide avec lensemble des champs alatoires compatibles avec la spcication entire. Ainsi, toute la thorie de Dobrushin peut tre reformule en termes d1-spcications, et on peut ainsi parler de la description des champs alatoires par leurs distributions conditionnelles uniponctuelles. Ci-dessous, nous donnons un peu plus de dtails dans le cas particulier strictement positif. Dans ce cas, la dnition de l1-spcication peut tre formule de la manire suivante : un systme A 3 tc , t Z et x X Q Qx t de distributions de probabilit strictement positives est appel 1-spcication si
xy xy v xx xu xu xx xv Qx t pxq Qs py q Qt puq Qs pv q Qs py q Qt pxq Qs pv q Qt puq
pour tous t, s Z , x, u X t , y, v
2
c
t Une 1-spcication Q Qx est dite quasilocale (resp. locale ) si t , t Z et x X t tc pour tout t Z et tout x X , la fonction x Qx est quasilocale (resp. t pxq sur X locale). Finalement, un champ alatoire P est dit compatible avec une 1-spcication, si cette dernire est une version de la distribution conditionnelle uniponctuelle de P.
Xs
et x X tt,su .
c
(3.5)
Les formules explicites annonces ci-dessus dterminant les lments de la spcication 2 x @ c Q Q , E et x X contenant une 1-spcication strictement positive donne scrivent comme suit : pour tout E et tout x X , on a Qx
pxq
xu Qt1 tt2 ,...,tn u
xu xx u Qt1 tt2 ,...,tn u pxt1 q Qt2 tt1 u tt3 ,...,tn u pxt2 q
put q
1
xx u Qt2 tt1 u tt3 ,...,tn
Qt t xx u put q Qt t
xx
n 2 n
t1 ,...,tn 1
u x tn t1 ,...,tn1 u
p q C, put q
n
x X ,
42
o C est la constante de normalisation. Ici, la conguration xe u X et lnumration t1 , . . . , tn dlments de sont choisies arbitrairement, et ninuencent pas le rsultat grce aux conditions de cohrence (3.5). Notons que ces formules impliquent quune spcication contenant une 1-spcication strictement positive (resp. quasilocale) est ncessairement strictement positive (resp. quasilocale) elle-mme. Maintenant, le Critre 3.1 de Kozlov-Sullivan peut clairement tre rduit au critre suivant, dj obtenu par les auteurs dans [3]. Critre 3.2. Une spcication est gibbsienne si et seulement si l1-spcication quelle contient est strictement positive et quasilocale. Comme la convergence uniforme du potentiel assure la quasilocalit de l1-spcication exprime par les formules de Gibbs (3.3) et (3.4), nous avons galement le corollaire suivant du Critre 3.2. Critre 3.3. Une spcication est gibbsienne si et seulement si l1-spcication quelle contient peut tre reprsente par les formules de Gibbs (3.3) et (3.4) avec un potentiel uniformment convergent.
3.2.2
Description des champs alatoires par leurs distributions ni-conditionnelles uniponctuelles
Nous nous intressons maintenant au problme de la description des champs alatoires par leurs distributions ni-conditionnelles uniponctuelles considr dans Dalalyan et Nahapetian [34]. Cette description est troitement lie (et, dune certaine manire, complmentaire de) celle prsente dans la section prcdente. Tout2dabord, notons que les conditions ncessaires et susantes pour quun systme @ r x t de distributions de probabilit soit inclus dans un systme r Qt , t Z et x rX q @ 2 x de distributions de probabilit satisfaisant r Q r , E et x r Q X pour tous E , I sont les suivantes : pour tous t, s Z , x X t , y
ry x r rx r x x Qx t pxq Qs py q Qs py q Qt pxq r r rx x x Qx pxy q QzI pxq QI py q
x X zI , y
XI
rX et x
(3.6)
Xs
tt,su . rX et x
(3.7)
r r est la distribution Notons galement que si q ni-conditionnelle uniponctuelle resp. si Q est la distribution ni-conditionnelle dun champ alatoire strictement positif, alors elle satisfait ncessairement la condition (3.7) resp. la condition (3.6) . Cependant, pour r satisfaisant (3.7) resp. un systme strictement poquun systme strictement positif q r satisfaisant (3.6) soit la distribution ni-conditionnelle uniponctuelle (resp. la sitif Q
43
distribution ni-conditionnelle) dun champ alatoire strictement positif, on a besoin de conditions supplmentaires. Il savre que ces conditions sont les suivantes :
y y x u u x v Qv t pxq Qs py q Qt puq Qs pv q Qs py q Qt pxq Qs pv q Qt puq pour tous t, s Z , x, u X t et y, v X s .
(3.8)
Plus prcisment, dans [34] il a t montr que la positivit stricte et les conditions (3.7) 2 r @ t r et (3.8) sont ncessaires et susantes pour quun systme Qx , t Z et x X t de distributions de probabilit soit la distribution ni-conditionnelle uniponctuelle dun champ alatoire strictement positif. Il a galement t montr que ce champ alatoire est dtermin de faon unique. En particulier, un champ alatoire strictement positif est dtermin de faon unique par (et peut donc tre identi avec) sa distribution niconditionnelle uniponctuelle, et on peut ainsi parler de la description des champs alatoires par leurs distributions ni-conditionnelles uniponctuelles.
3.3
Critres de gibbsianit des champs alatoires
Dans cette section, nous considrons le problme de la caractrisation interne des champs de Gibbs. Les rsultats principaux de larticle [9] sont les critres de gibbsianit des champs alatoires en termes de leurs distributions ni-conditionnelles uniponctuelles. Ces critres seront prsents dans la Section 3.3.3. Avant cela, dans les deux sections suivantes, nous prsentons les critres de gibbsianit des champs alatoires en termes de leurs distributions conditionnelles et en termes de leurs distributions conditionnelles uniponctuelles. Ces critres sont obtenus en transformant et en amliorant les Critres 3.13.3.
3.3.1
Critres en termes de distributions conditionnelles
En combinant la dnition du champ alatoire de Gibbs avec le Critre 3.1, nous obtenons la caractrisation bien connue suivante : un champ alatoire est un champ alatoire de Gibbs, si et seulement sil admet une version de la distribution conditionnelle qui est une spcication strictement positive et quasilocale. Ce critre peut tre amlior de la manire suivante. Critre 3.4. Un champ alatoire est un champ alatoire de Gibbs, si et seulement sil admet une version strictement positive et quasilocale de la distribution conditionnelle. Comme la positivit stricte dune version de la distribution conditionnelle implique la positivit stricte du champ alatoire, le critre est immdiatement dduit de la proposition suivante, galement intressante en soi. Proposition 3.5. Si un champ alatoire strictement positif admet une version quasilocale de la distribution conditionnelle, celle-ci est unique et est ncessairement une spcication. Notons que le Critre 3.4 a t, implicitement, obtenu dans Sullivan [84] en utilisant une approche dirente.
44
3.3.2
Critres en termes de distributions conditionnelles uniponctuelles
Le Critre 3.4 caractrise les champs de Gibbs en termes de distributions conditionnelles. Cependant, au vu de la Section 3.2.1, il devrait tre possible de le faire en termes de distributions conditionnelles uniponctuelles. En eet, en combinant la dnition du champ alatoire de Gibbs avec le Critre 3.2 et en tenant compte des rsultats de la Section 3.2.1, on obtient la caractrisation suivante : un champ alatoire est un champ alatoire de Gibbs, si et seulement sil admet une version de la distribution conditionnelle uniponctuelle qui est une 1-spcication strictement positive et quasilocale. Comme dans la section prcdente, ce critre peut tre amlior de la faon suivante. Critre 3.6. Un champ alatoire est un champ alatoire de Gibbs, si et seulement sil admet une version strictement positive et quasilocale de la distribution conditionnelle uniponctuelle. Ce critre est immdiatement dduit des deux propositions suivantes, galement intressantes en soi. Proposition 3.7. Si un champ alatoire P admet une version strictement positive de la distribution conditionnelle uniponctuelle, alors P est strictement positif lui-mme. Proposition 3.8. Si un champ alatoire strictement positif admet une version quasilocale de la distribution conditionnelle uniponctuelle, celle-ci est unique et est ncessairement une 1-spcication. Pour conclure cette section, notons quen combinant la dnition du champ alatoire de Gibbs avec le Critre 3.3 et en tenant compte des rsultats de la Section 3.2.1, on a galement la caractrisation suivante. Critre 3.9. Un champ alatoire est un champ alatoire de Gibbs, si et seulement sil admet une version de la distribution conditionnelle uniponctuelle pouvant tre reprsente par les formules de Gibbs (3.3) et (3.4) avec un potentiel uniformment convergent.
3.3.3
Critres en termes de distributions ni-conditionnelles uniponctuelles
Dans cette section, nous prsentons les critres de gibbsianit des champs alatoires en termes de leurs distributions ni-conditionnelles uniponctuelles. Le premier de ces critres est le suivant. Critre 3.10. Un champ alatoire est un champ alatoire de Gibbs, si et seulement sil est strictement positif et si, de plus, sa distribution ni-conditionnelle uniponctuelle 2 x @ r t rX q t , t Z et x satisfait lune des conditions quivalentes suivantes : (A) les limites
lim q x t pxq ,
Z zt
t Z , x X t , x X t ,
c
existent, sont non-nulles uniformment par rapport x, et la convergence est uniforme par rapport x,
Chapitre 3. Gibbsianit des champs alatoires (B) les limites

lim q x t pxq ,
45
Z zt
t Z , x X t , x X t ,
c
existent, sont strictement positives, et la convergence est uniforme par rapport x. premire vue, le Critre 3.10 ne porte que sur la distribution ni-conditionnelle uniponctuelle. Cependant, il impose galement des conditions sur sa limite, cest--dire sur la distribution conditionnelle uniponctuelle. Ce nest pas le cas du critre suivant qui ne fait intervenir que la distribution ni-conditionnelle uniponctuelle elle-mme. Avant de le formuler, admettons la convention suivante : dans la suite, lorsque nous utiliserons la notation xT nous supposerons que seules les congurations x telles que Spxq T sont considres. Critre 3.11. Un champ alatoire est un champ alatoire de Gibbs, si et seulement @ 2 x r t est rX , t Z et x sil est strictement positif, sa distribution ni-conditionnelle q t r r ), et lune des uniformment non-nulle (q x t est non-nulle uniformment par rapport x conditions quivalentes suivantes est vrie : (C) pour tous t Z et x X t , on a lim
Z zt
t :x r ,y r X r y r x
sup
x r q t x
p q p q 0,
r qy t
(D) pour tous t Z et x X t , on a lim
Z zt
J E tc
p q
sup
r ,y r X J :x r y r x
sup
x r q t x
r p q qy t pxq 0,
(E) pour tous t Z et x X t , on a lim
Z zt
t r X x
sup
x r q t x
p q
r qx t
p q 0.
Pour conclure cette section, notons que les analogues multiponctuels des Critres 3.10 et 3.11 formuls en termes de distributions ni-conditionnelles entires sont bien sr valables. Concernant le premier, nous tenons mentionner que la partie ncessit tait, implicitement, contenue dans la preuve du Lemme 1 de Sullivan [84], dont nous suivons le raisonnement pour dmontrer le Critre 3.10. En ce qui concerne le second, notons que la partie utilisant lanalogue de la condition (D) peut tre dduite des Thormes 1 et 2 de Kozlov [69]. Il convient toutefois de souligner que lauteur ne fournit pas la preuve de la partie susance du Thorme 2 (en la laissant, comme il le dit, au lecteur). Cependant, nos considrations montrent que la preuve de cette partie nest ni intuitive, ni techniquement simple. De plus, sa validit semble incertaine dans le cadre de Kozlov [69] o lespace dtats nest pas suppos ni, ni mme compact.
3.4
Quelques dveloppements et perspectives
Les critres de gibbsianit des champs alatoires prsents dans la section prcdente sont formuls soit en termes de distributions conditionnelles (uniponctuelles), soit en termes de
46
distributions ni-conditionnelles (uniponctuelles). Ces deux types de critres sont complmentaires. Cependant, les critres du second type portent sur un objet constructif, dni sans ambigut, et permettent ainsi de dvelopper une approche alternative la thorie de Gibbs. Actuellement, nous poursuivons ce dveloppement et travaillons sur la rdaction dun livre [21]. Dans cette section, nous exposons les premires avances dans cette direction. Notons tout dabord que le Critre 3.10 arme grosso modo que, les considrations de positivit mises part, les champs de Gibbs sont caractriss par la convergence uniforme de leurs distributions ni-conditionnelles uniponctuelles (vers leurs distributions conditionnelles uniponctuelles), alors que pour un champ alatoire quelconque, seule une convergence plus faible (presque sre) est garantie. notre avis, cest la caractrisation la plus claire et comprhensible des champs de Gibbs, sur la base de laquelle une dnition probabiliste simple et explicite du champ alatoire de Gibbs peut tre donne. Dfinition 3.12. Un champ alatoire P est dit tre un champ alatoire de Gibbs si 1) pour tous E et x X , on a P pxq 0, 2) les limites Pt pxx q , Z zt P px q lim t Z , x X t , x X t ,
c
(3.9)
existent, sont strictement positives, et la convergence est uniforme par rapport x. Notons que si P est un champ alatoire de Gibbs, les limites (3.9) forment une version de la distribution conditionnelle uniponctuelle de P et, de plus, leur analogues multiponctuels existent et forment une version de la distribution conditionnelle de P. Nous appelons ces versions canoniques . Notons galement que la distribution conditionnelle (resp. conditionnelle uniponctuelle) canonique dun champ alatoire de Gibbs est la seule version quasilocale de sa distribution conditionnelle (resp. conditionnelle uniponctuelle). Notons enn que le Critre 3.10 se transforme maintenant en thorme de reprsentation. Thorme 3.13. Si P est un champ alatoire de Gibbs, alors la distribution canonique (uniponctuelle) de P peut tre reprsente par les formules de Gibbs (3.3) et (3.4) avec un potentiel uniformment convergent. Inversement, si un champ alatoire P admet une version de la distribution conditionnelle (uniponctuelle) pouvant tre reprsente par les formules de Gibbs (3.3) et (3.4) avec un potentiel uniformment convergent, alors P est un champ alatoire de Gibbs, et cette version est canonique. Lensemble G des champs de Gibbs nest pas vide car, daprs la dnition ci-dessus, il contient lensemble M des champs de Markov strictement positifs. Dautre part, comme le montre lexemple suivant, tous les champs strictement positifs ne sont pas ncessairement gibbsiens. Exemple 3.14. Soit X
t0,1u, et soit un champ alatoire P donn par | | 1

1
P pxq
C||
|x| ,
E , x X ,

47
o |x| tt : xt 1u est le nombre de particules dans la conguration x. (Ce champ alatoire dcrit la situation lorsque le nombre de $$ particules dans tout volume est rparti uniformment sur lintervalle discret 0, || et, sachant que ce nombre est gal k , les C|k | congurations possibles k particules sont quiprobables.) Tout dabord, c pour tous t Z , x X t et E ptc q, on a
qx t p1q
Pt p1x q P px q
| 1 ||x . | 2
c
Ensuite, pour tout p telles que
et on pose It
X
s tc
t r0,1s, on note Ip t lensemble de toutes les congurations x X |x| ppxq p, h lim t ||

c
pour x It et ne sont pas toutes strictement positives pour x faits implique la non-gibbsianit de P.
p 0,1
r s
Ip t . Nous voyons alors que les limites (3.9) nexistent pas

1 I0 t It . Chacun de ces
Notons que le champ alatoire P considr dans cet exemple est le mlange uniforme des champs alatoires de Bernoulli Bp , p s0,1r. En eet, pour tous E et x X , on a
1 | x | ! | | | x | ! P pxq p|x| p1 pq|||x| dp. B |x| 1, || |x| 1 | | 1 ! 0
Exemple 3.15. Soit 0, et soit P le mlange avec la densit p 1 des champs alatoires de Bernoulli Bp , p s0,1r, cest--dire P pxq
1
0
Ainsi, la non-gibbsianit de P dcoule galement du fait gnral que tout mlange non trivial de champs alatoires de Bernoulli est non-gibbsien on peut se rfrer larticle des auteurs [3], ainsi qu van Enter, Fernndez et Sokal [45, Section 4.5.1] et van Enter et Lrinczi [46, Section 4] . Donnons deux autres exemples de tels mlanges o les distributions ni-dimensionnelles sont explicites et permettent de vrier la non-gibbsianit directement.
p|x| p1 pq|||x| p 1 dp B |x| , || |x| 1 ,
E , x X .
(Il sagit dune gnralisation de lexemple prcdent, ce dernier tant obtenu pour c Ici, pour tous t Z , x X t et E ptc q, on a
qx t p1q
1.)
Pt p1x q P px q
|x| . | | 1
Exemple 3.16. Soient , p1 , p2 s0,1r tels que p1 $ p2 , et soit P le mlange des champs alatoires de Bernoulli Bp1 et Bp2 avec les poids et 1 , cest--dire P pxq p1 p1 p1 q|||x| p2 p1 p2 q|||x| ,
Ainsi, toutes les considrations de lexemple prcdent sont valables.
|x|
|x|
E , x X .
48
c
Ici, pour tous t Z , x X t et E ptc q, on a

qx t p1q
o H px q
|z| 1. t || t p sont de signes opposs, || H pz q oscille entre V et V. Alors, puisque ln p et ln 1 p 1p Par consquent, les limites (3.9) nexistent pas pour x z , et donc le champ alatoire P
lim
c
| oscille entre 0 et 1, cest--dire telle que ||z |
|x | ln p2 || p1
Pt p1x q P px q
p1 p2 exp || H px q 2 @ , exp || H px q
1p2 | 1 |x || ln 1p1 . Clairement, il existe une conguration z It
|z | 0 | |
et
lim c
2 1
est non-gibbsien.
Les exemples prcdents montrent que G P G est dense dans P par . Cependant, n rapport la topologie P si Pn pxq P pxq pour tous de la convergence faible P p E et x X . En eet, soit P P , soit B un champ alatoire de Bernoulli avec p s0,1r quelconque , et soient n E , n N, tels que n Z lorsque n V. Pour chaque n, considrons le champ alatoire Pn tel que ses projections sur n et sur c n p c sont indpendantes et sont donnes par pPn qn pPqn et pPn qc p B q . Il est n n clair que Pn M et Pn P lorsque n V. Ainsi, nous avons montr que M (et donc, a fortiori , G ) est dense dans P . Notons quune armation semblable (bien que limite aux champs alatoires invariants par translation) pour le cas dun espace dtats gnral (pas ncessairement ni) peut tre trouve dans van Enter, Fernndez et Sokal [45, Section 4.5.6]. Comme nous lavons vu ci-dessus, les mlanges et les limites de champs alatoires de Gibbs peuvent tre non-gibbsiens. Cependant, ce nest plus le cas lorsque lon considre des champs de Gibbs ayant la mme distribution conditionnelle uniponctuelle canonique. En eet, il nest pas dicile de montrer que pour tout P G , lensemble G pP q des champs de Gibbs ayant la mme distribution conditionnelle uniponctuelle canonique que P qui est galement lensemble des champs de Gibbs ayant la mme distribution conditionnelle canonique que P , lensemble des champs alatoires compatibles avec la distribution conditionnelle uniponctuelle canonique de P et lensemble des champs alatoires compatibles avec la distribution conditionnelle canonique de P est convexe et ferm.
t Montrons, par exemple, la convexit. Soient P1 , P2 G pP q, soit q x t , t Z et x X leur distribution conditionnelle uniponctuelle canonique commune, soit s0,1r, et soit P P1 P2 , o 1 . La positivit stricte de P est vidente. De plus, pour tous t Z et x X t , on a
c
Pt xx x sup q x t P x xX tc 1 2 Pt pxx q Pt pxx q 2 P1 x x x q x P x q x t t P1 P2 px q px q sup 1 2 1 2 c t P x P x P x P x xX 1 2 Pt xx Pt xx sup qx x sup qx x t t 1 2 , tc tc P x P x
p q p q p q p q pq p q p q p q p q p q p q p q p q xX xX p q p q
pq p q
Chapitre 3. Gibbsianit des champs alatoires et donc P G pP q.
49
En conclusion, nous voudrions rappeler que cette section nest quune premire tape dans le dveloppement de lapproche alternative susmentionne la thorie de Gibbs. Nous pensons que cette approche a le potentiel dapporter une relle contribution la thorie, notamment dans des problmes tels que lunicit, la dcroissance des corrlations (voir Dalalyan et Nahapetian [34], o quelques rsultats ce sujet ont dj t obtenus), les thormes limites, etc.
Liste des travaux

Publications dans des revues internationales
[1] Dachian S., Nahapetian B.S., Inclusion-Exclusion Description of Random Fields , Journal of Contemporary Mathematical Analysis (translated from Natsionalnaya Akademiya Nauk Armenii. Izvestiya. Matematika), vol. 30, no. 6, pp. 5061, 1995. [2] Dachian S., Nonparametric Estimation for Gibbs Random Fields Specied Through One-Point Systems , Statistical Inference for Stochastic Processes, vol. 1, no. 3, pp. 245264, 1998. [3] X Dachian S., Nahapetian B.S., Description of Random Fields by Means of One-Point Conditional Distributions and Some Applications , Markov Processes and Related Fields, vol. 7, no. 2, pp. 193214, 2001. [4] Dachian S., Estimation of Cusp Location by Poisson Observations , Statistical Inference for Stochastic Processes, vol. 6, no. 1, pp. 114, 2003. [5] Dachian S., Kutoyants Yu.A., On Cusp Estimation of Ergodic Diusion Process , Journal of Statistical Planning and Inference, vol. 117, no. 1, pp. 153166, 2003. [6] Dachian S., Nahapetian B.S., Description of Specications by Means of Probability Distributions in Small Volumes under Condition of Very Weak Positivity , Journal of Statistical Physics, vol. 117, no. 12, pp. 281300, 2004. [7] Dachian S., Kutoyants Yu.A., Hypotheses Testing : Poisson Versus Self-Exciting , Scandinavian Journal of Statistics, vol. 33, no. 2, pp. 391408, 2006. [8] Dachian S., Kutoyants Yu.A., On the Goodness-of-Fit Tests for Some Continuous Time Processes , in Statistical Models and Methods for Biomedical and Technical Systems, eds. F. Vonta et al., Birkhuser, Boston, pp. 385403, 2008. [9] Dachian S., Nahapetian B.S., On Gibbsianness of Random Fields , Markov Processes and Related Fields, vol. 15, no. 1, pp. 81104, 2009. [10] Dachian S., Kutoyants Yu.A., Hypotheses Testing : Poisson Versus Stress-Release , Journal of Statistical Planning and Inference, vol. 139, no. 5, pp. 16681684, 2009. [11] Dachian S., On Limiting Likelihood Ratio Processes of Some Change-Point Type Statistical Models , Journal of Statistical Planning and Inference, vol. 140, no. 9, pp. 26822692, 2010.
Article entirement issu de la Thse de Doctorat [15] X Article en grande partie issu de la Thse de Doctorat [15]
51
52
Liste des travaux
[12] Dachian S., Estimation of the Location of a 0-Type or V-Type Singularity by Poisson Observations , Statistics. A Journal of Theoretical and Applied Statistics, vol. 45, no. 5, pp. 509523, 2011. [13] Dachian S., Negri I., On Compound Poisson Processes Arising in Change-Point Type Statistical Models as Limiting Likelihood Ratios , Statistical Inference for Stochastic Processes, vol. 14, no. 3, pp. 255271, 2011. [14] Charras-Garrido M., Abrial D., De Gor J., Dachian S., Peyrard N., Classication Method for Disease Risk Mapping Based on Discrete Hidden Markov Random Fields , Biostatistics, vol. 13, no. 2, pp. 241255, 2012.
Thse de Doctorat
[15] Dachian S., Une Approche vers la Description et lIdentication dune Classe de Champs Alatoires , Thse de Doctorat de lUniversit Paris 6, Janvier 1999.
Actes de congrs
[16] Dachian S., Estimation des Positions des Singularits pour des Processus de Poisson, Actes des XXXIVes Journes de Statistique, Bruxelles, 1317 mai 2002. [17] Dachian S., Negri I., On Gaussian Compound Poisson Type Limiting Likelihood Ratio Process , Proceedings of the 45th Scientic Meeting of the Italian Statistical Society, 2010.
Travaux en cours
[18] Dachian S., Kordzakhia N., Estimation of the Location of a Small Jump by Poisson Observations , article en prparation. [19] Dachian S., Kutoyants Yu.A., Yang L., On Hypotheses Testing for Poisson Processes in Singular Situations , article en prparation. [20] Dachian S., Kutoyants Yu.A., Hypotheses Testing for Poisson Processes , livre en cours de rdaction. [21] Dachian S., Nahapetian B.S., Foundations of the Theory of Gibbs Random Fields , livre en cours de rdaction.
Bibliographie
[22] Averintsev M.B., One Method of Describing Random Fields with a Discrete Argument, Probl. Inf. Transm. 6, no. 2, pp. 169175, 1970. [23] Averintsev M.B., Description of Markovian Random Fields by Gibbsian Conditional Probabilities , Theory Probab. Appl. 17, no. 1, pp. 2033, 1972. [24] Averintsev M.B., Gibbsian Distribution of Random Fields Whose Conditional Probabilities May Vanish, Probl. Inf. Transm. 11, no. 4, pp. 326334, 1975. [25] Bhattacharya P.K., Brockwell P.J., The Minimum of an Additive Process with Applications to Signal Estimation and Storage Theory , Z. Wahrsch. verw. Gebiete 37, no. 1, pp. 5175, 1976. [26] Chan K.S., Consistency and Limiting Distribution of the Least Squares Estimator of a Threshold Autoregressive Model , Ann. Statist. 21, no. 1, pp. 520533, 1993. [27] Chan N.H., Kutoyants Yu.A., Recent Developments of Threshold Estimation for Nonlinear Time Series , J. Japan Statist. Soc. 40, no. 2, pp. 277303, 2010. [28] Chan N.H., Kutoyants Yu.A., On Parameter Estimation of Threshold Autoregressive Models , Stat. Inference Stoch. Process. 15, no. 1, pp. 81104, 2012. [29] Chen C.W.S., Lee J.C., Bayesian Inference of Threshold Autoregressive Models , J. Time Ser. Anal. 16, no. 5, pp. 483492, 1995. [30] Cherno H., Rubin H., The Estimation of the Location of a Discontinuity in Density , Proc. 3rd Berkeley Symp. I, pp. 1937, 1956. [31] Chigansky P., Kutoyants Yu.A., On Nonlinear TAR Processes and Threshold Estimation, Math. Methods Statist. 21, no. 2, pp. 142152, 2012. [32] Chigansky P., Kutoyants Yu.A., Estimation in Threshold Autoregressive Models with Correlated Innovations , soumis. [33] Ciuperca G., Maximum Likelihood Estimator in a Two-Phase Nonlinear Random Regression Model , Statist. Decisions 22, no. 4, pp. 335349, 2004. [34] Dalalyan A., Nahapetian B.S., Description of Random Fields by Means of OnePoint Finite-Conditional Distributions , J. Contemp. Math. Anal. (translated from Izv. Nats. Akad. Nauk Armenii Mat.) 46, no. 2, pp. 113119, 2011. [35] Daley D.J., Vere-Jones D., An Introduction to the Theory of Point Processes (second edition), Springer, New York, 2003. [36] Dashyan Yu.R., On a Local Limit Theorem for a Class of Random Point Fields Appearing in Quantum Statistical Mechanics , Theory Probab. Appl. 23, no. 3, pp. 559572, 1979. 53
54
Bibliographie
[37] Dashyan Yu.R., The Local Limit Theorem for a Class of Marked Point Fields and the Problem of Equivalence of Ensembles in Quantum Statistical Mechanics , in Point Processes and Queuing Problems (Colloq., Keszthely, 1978), Colloq. Math. Soc. Jnos Bolyai 24, North-Holland, Amsterdam, pp. 1525, 1981. [38] Dashyan Yu.R., Sukhov Yu.M., On the Question of the Gibbs Description of Random Processes with Discrete Time , Soviet Math. Dokl. 19, no. 5, pp. 11221126, 1978. [39] Dashyan Yu.R., Sukhov Yu.M., Gibbsian Description of a Class of Random Processes with Discrete Time , J. Contemp. Math. Anal. (translated from Izv. Akad. Nauk Armyan. SSR Ser. Mat.) 19, no. 4, pp. 3046, 1984. [40] Deshayes J., Picard D., Lois Asymptotiques des Tests et Estimateurs de Rupture dans un Modle Statistique Classique , Ann. Inst. H. Poincar Probab. Statist. 20, no. 4, pp. 309327, 1984. [41] Dobrushin R.L., The Description of a Random Field by Means of Conditional Probabilities and Conditions of Its Regularity , Theory Probab. Appl. 13, no. 2, pp. 197224, 1968. [42] Dobrushin R.L., Gibbsian Random Fields for Lattice Systems with Pairwise Interactions , Funct. Anal. Appl. 2, no. 4, pp. 292301, 1968. [43] Dobrushin R.L., The Problem of Uniqueness of a Gibbsian Random Field and the Problem of Phase Transitions , Funct. Anal. Appl. 2, no. 4, pp. 302312, 1968. [44] Dobrushin R.L., Prescribing a System of Random Variables by Conditional Distributions , Theory Probab. Appl. 15, no. 3, pp. 458486, 1970. [45] van Enter A.C.D., Fernndez R., Sokal A.D., Regularity Properties and Pathologies of Position-Space Renormalization-Group Transformations : Scope and Limitations of Gibbsian Theory , J. Stat. Phys. 72, no. 56, pp. 8791167, 1993. [46] van Enter A.C.D, Lrinczi J., Robustness of the Non-Gibbsian Property : Some Examples , J. Phys. A 29, no. 10, pp. 24652473, 1996. [47] Ermakov M.S., On the Asymptotic Behavior of Statistical Estimates for Samples Having a Density with Singularities , Theory Probab. Appl. 21, no. 3, pp. 649651, 1977. [48] Fernndez R., Maillard G., Chains with Complete Connections and One-Dimensional Gibbs Measures , Electron. J. Probab. 9, no. 6, pp. 145176, 2004. [49] Fernndez R., Maillard G., Construction of a Specication from Its Singleton Part, ALEA Lat. Am. J. Probab. Math. Stat. 2, pp. 297315, 2006. [50] Flood R.G., Sullivan W.G., Consistency of Random Field Specications , Z. Wahrsch. verw. Gebiete 53, no. 2, pp. 147156, 1980. [51] Fujii T., A Note on the Asymptotic Distribution of the Maximum Likelihood Estimator in a Non-Regular Case , Statist. Probab. Lett. 77, no. 16, pp. 16221627, 2007. [52] Fujii T., An Extension of Cusp Estimation Problem in Ergodic Diusion Processes , Statist. Probab. Lett. 80, no. 910, pp. 779783, 2010. [53] Georgii H.-O., Gibbs Measures and Phase Transitions , de Gruyter, Berlin, 1988. [54] Gihman I.I., Skorohod A.V., The Theory of Stochastic Processes I , Springer-Verlag, New York, 1974. [55] Goldstein S., A Note on Specications , Z. Wahrsch. verw. Gebiete 46, no. 1, pp. 4551, 1978/79.
Bibliographie
55
[56] Golubev G.K., On Computation of Eciency of Maximum-Likelihood Estimate When Observing a Discontinuous Signal in White Noise , Probl. Inf. Transm. 15, no. 3, pp. 206212, 1979. [57] Grimmett G.R., A Theorem about Random Fields , Bull. London Math. Soc. 5, no. 1, pp. 8184, 1973. [58] Hpfner R., Kutoyants Yu.A., Estimating Discontinuous Periodic Signals in a Time Inhomogeneous Diusion, Stat. Inference Stoch. Process. 13, no. 3, pp. 193230, 2010. [59] Hpfner R., Kutoyants Yu.A., Estimating a Periodicity Parameter in the Drift of a Time Inhomogeneous Diusion, Math. Methods Statist. 20, no. 1, pp. 5874, 2011. [60] Hpfner R., Kutoyants Yu.A., On Frequency Estimation for a Periodic Ergodic Diusion Process , Probl. Inf. Transm. 48, no. 2, pp. 127141, 2012. [61] Ibragimov I.A., Khasminskii R.Z., The Asymptotic Behavior of Generalized Bayesian Estimates , Soviet Math. Dokl. 11, no. 5, pp. 11811185, 1970. [62] Ibragimov I.A., Khasminskii R.Z., Asymptotic Behavior of Statistical Estimates for Samples with a Discontinuous Density , Sb. Math. 16, no. 4, pp. 573606, 1972. [63] Ibragimov I.A., Khasminskii R.Z., The Asymptotical Behavior of Location Parameter Statistical Estimators for Samples with Continuous Density with Singularities , Zap. Nauchn. Sem. LOMI 41, pp. 6793, 1974. [64] Ibragimov I.A., Khasminskii R.Z., Parameter Estimation for a Discontinuous Signal in White Gaussian Noise , Probl. Inf. Transm. 11, no. 3, pp. 203212, 1975. [65] Ibragimov I.A., Khasminskii R.Z., Statistical Estimation. Asymptotic Theory , Springer-Verlag, New York, 1981. [66] Karr A.F., Statistical Models and Methods in Image Analysis : A Survey , in Statistical Inference in Stochastic Processes, eds. N. U. Prabhu and I. V. Basawa, Marcel Dekker, New York, pp. 133, 1989. [67] Karr A.F., Point Processes and Their Statistical Inference (second edition), Marcel Dekker, New York, 1991. [68] Koul H.L., Qian L., Asymptotics of Maximum Likelihood Estimator in a Two-Phase Linear Regression Model , J. Statist. Plann. Inference 108, no. 12, pp. 99119, 2002. [69] Kozlov O.K., Gibbs Description of a System of Random Variables , Probl. Inf. Transm. 10, no. 3, pp. 258265, 1974. [70] Kchler U., Kutoyants Yu.A., Delay Estimation for some Stationary Diusion-Type Processes , Scand. J. Statist. 27, no. 3, pp. 405414, 2000. [71] Kutoyants Yu.A., Parameter Estimation for Stochastic Processes , Armenian Academy of Sciences, Yerevan, 1980 (in Russian) ; Heldermann-Verlag, Berlin, 1984 (translation of a revised version). [72] Kutoyants Yu.A., Identication of Dynamical Systems with Small Noise , Mathematics and Its Applications 300, Kluwer Academic Publishers Group, Dordrecht, 1994. [73] Kutoyants Yu.A., Statistical Inference for Spatial Poisson Processes , Lect. Notes Statist. 134, Springer-Verlag, New York, 1998. [74] Kutoyants Yu.A., Statistical Inference for Ergodic Diusion Processes , Springer Series in Statistics, Springer-Verlag, London, 2004.
56
Bibliographie
[75] Kutoyants Yu.A., On Identication of the Threshold Diusion Processes , Ann. Inst. Statist. Math. 64, no. 2, pp. 383413, 2012. [76] Pug G.Ch., The Limiting Log-Likelihood Process for Discontinuous Density Families , Z. Wahrsch. Verw. Gebiete 64, no. 1, pp. 1535, 1983. [77] Pug G.Ch., On an Argmax-Distribution Connected to the Poisson Process , in Proceedings of the Fifth Prague Conference on Asymptotic Statistics, eds. P. Mandl and H. Hukov, Physica-Verlag, Heidelberg, pp. 123130, 1993. [78] Prakasa Rao B.L.S., Estimation of the Location of the Cusp of a Continuous Density , Ann. Math. Statist. 20, no. 1, pp. 7687, 1968. [79] Preston C., Construction of Specications , in Quantum Fields Algebras, Processes (Proc. Sympos., Univ. Bielefeld, Bielefeld, 1978), ed. L. Streit., Springer, Vienna, pp. 269292, 1980. [80] Rubin H., Song K.-S., Exact Computation of the Asymptotic Eciency of Maximum Likelihood Estimators of a Discontinuous Signal in a Gaussian White Noise , Ann. Statist. 23, no. 3, pp. 732739, 1995. [81] Snyder D.R., Miller M.I., Random Point Processes in Time and Space , Springer, New York, 1991. [82] Sokal A.D., Existence of Compatible Families of Proper Regular Conditional Probabilities , Z. Wahrsch. verw. Gebiete 56, no. 4, pp. 537548, 1981. [83] Sullivan W.G., Finite Range Random Fields and Energy Fields , J. Math. Anal. Appl. 44, no. 3, pp. 710724, 1973. [84] Sullivan W.G., Potentials for Almost Markovian Random Fields , Comm. Math. Phys. 33, no. 1, pp. 6174, 1973. [85] Suomela P., Construction of Nearest Neighbour Systems , Ann. Acad. Scient. Fennicae, Series A, I. Mathematica Dissertationes 10, 1976. [86] Terentyev A.S., Probability Distribution of a Time Location of an Absolute Maximum at the Output of a Synchronized Filter , Radioeng. Electron. 13, no. 4, pp. 652657, 1968. [87] Thompson W.A. Point Processes Models with Applications to Safety and Reliability , Chapman and Hall, New York, 1988. [88] Tong H., Threshold Models in Time Series Analysis 30 Years on, Stat. Interface 4, no. 2, pp. 107118, 2011. [89] Yao Y.-C., Approximating the Distribution of the Maximum Likelihood Estimate of the Change-Point in a Sequence of Independent Random Variables , Ann. Statist. 15, no. 3, pp. 13211328, 1987.

SC 7

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

SC 7

Diunggah oleh

Hak Cipta:

Format Tersedia

Numro dordre : 370

UNIVERSIT BLAISE PASCAL

Laboratoire de Mathmatiques UMR 6620 Habilitation Diriger des Recherches

Examinateurs Prof. Prof. Prof. Prof.

Table des matires

Cusp dans la drive dune diusion ergodique . . . . . . . . . . . . . . . 19 23

2 Rapports de vraisemblance limites des modles de rupture 2.1

Comportement de Z lorsque est au voisinage de 0 ou de vii

viii 2.2.1 2.2.2 2.2.3 2.3

Comportement de Z,f lorsque est au voisinage de 0 ou de 2.3.1 2.3.2 2.3.3

3 Gibbsianit des champs alatoires 3.1

Champs alatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.1.1 3.1.2 3.1.3 3.1.4 Distributions ni-conditionnelles et conditionnelles . . . . . . . . . 36

Quelques dveloppements et perspectives . . . . . . . . . . . . . . . . . . . 45 51 53

Liste des travaux Bibliographie

Statistique des processus

Estimation des positions des singularits

Figure 1 Trois types de singularits.

 S pXtq dt pXtq dWt,

Rapports de vraisemblance limites des modles de rupture

Tests dhypothses pour des processus temps continu

Thorie des champs alatoires

Description des champs alatoires

Gibbsianit des champs alatoires

Statistique des champs alatoires

Estimation non-paramtrique pour des champs de Gibbs

Cartographie du risque laide de champs de Markov discrets

Figure 2 Carte du risque estim pour lESB en France.

Chapitre 1 Estimation des positions des singularits

Singularit dans la fonction dintensit dun processus de Poisson

Chapitre 1. Estimation des positions des singularits

et sont asymptotiquement ecaces. Ici I est linformation de Fisher donne par I

9 2 ptq S dt, S ptq

9 ptq  f S ptq voir Kutoyants [71, 73] pour plus de dtails . o S f

Trois types de singularits

Chapitre 1. Estimation des positions des singularits

Singularit de type cusp

Chapitre 1. Estimation des positions des singularits

Le rapport de vraisemblance dans ce problme est donn par Lp, 1 , X n q  exp

S ptq ln dXi ptq n S1 ptq

o 1 est une certaine valeur xe de .

|u2| |u1 u2|

Chapitre 1. Estimation des positions des singularits et la quantit Ip pa, bq 

dpt 1q |t 1|p dptq |t|p

1 p 2 1p 2 2  22p c p2p 1q a b 2ab cosppq  a2 b 2  B p 1 , p 1 cosppq 2ab .

Finalement, nous posons

lim lim inf

. K pour tout compact K ,

Chapitre 1. Estimation des positions des singularits

rn est asymptotiquement ecace. De plus,

Chapitre 1. Estimation des positions des singularits

Singularit de type 0 ou de type

Y pdtq u p dptq |t| dt t

et, dans le cas p 0, la variable alatoire dnie par Z p q  max Z puq.

18 Thorme 1.8. Pour tout 0

Chapitre 1. Estimation des positions des singularits

lim lim inf

rn est asymptotiquement ecace. De plus,

Chapitre 1. Estimation des positions des singularits

Cusp dans la drive dune diusion ergodique

Chapitre 1. Estimation des positions des singularits

1 S pXt q S1 pXt q d Xt 2 pXt q 2

2 S pXtq S21 pXtq dt , 2 p Xt q

o 1 est une certaine valeur xe de .

S pXtq dt pXtq dWt,

9 ptq f S ptq voir Kutoyants [71, 73] pour plus de dtails . o S f

Le rapport de vraisemblance dans ce problme est donn par Lp, 1 , X n q exp

Chapitre 1. Estimation des positions des singularits et la quantit Ip pa, bq

1 p 2 1p 2 2 22p c p2p 1q a b 2ab cosppq a2 b 2 B p 1 , p 1 cosppq 2ab .

et, dans le cas p 0, la variable alatoire dnie par Z p q max Z puq.

2 , ainsi que la quantit E B {M . E 2 et M E

Zpy{q, y R, o Z est dni

k k k . E V et E E V 2 2 En particulier, en posant BV E V , MV E V et EV BV {MV , 2 2 B BV Ep 1q 1, M MV E 2 et E EV 1{2. k E

B0 2 , M M0 2 et E E0 lorsque 0, o B0 16 p3q 19.2329, M0 26 et E0 8 p3q{13 0.7397, et B BV 1, M MV 2 et E EV 0.5 lorsque V.

p q I 2 , ,f p q 3 inf z : X,f pz q max X,f py q I 2 ,f y R

et sup z : X,f pz q max X,f py q

p q , 2 pq A V inf z : ZV pz q max ZV pxq , x R 3 A V sup z : ZV pz q max ZV pxq xR

k k k E V et Ep,f q EpV q. 2 2 En particulier, en posant BV E V , MV EpV q et EV BV{MV , nous obtenons 2 B B E 1, ,f

existent pour Pc -presque tout x X . Tout systme Q Qx ,

x xx Qx pxy q Q zI pxq QI py q c pour tous E , I , x X zI , y X I et x X .