Séminaire de mathématiques appliquées (archives)

Des cristaux à la forme de notre univers, en passant par les structures du vivant, des questions de symétries se posent à toutes les échelles d'organisation de la matière, mathématiquement souvent en termes d'isométries ou de théorie des groupes. La statistique directionnelle est justement l'étude des données provenant d'objets "naturels" autres que la droite réelle, comme les sphères et les graphes, les groupes de Lie, où un simple calcul de moyenne requiert l'utilisation de technique et fonctions "spéciales".

Qu'est-ce qu'une fonction spéciale ? Les premières sont les sept familles de polynômes orthogonaux classiques, continus ou discrets. Le point de vue initié par E. Cartan, développé par N. Ya. Vilenkin, relie des fonctions spéciales plus générales à la théorie de la représentation des groupes, outil né des questions de symétrie, donc doublement adapté a ce domaine de la statistique directionnelle qui nous intéresse.

Notre outil principal est fourni par les développements de Karhunen-Loève, qui, faisant intervenir des fonctions spéciales et des noyaux de covariance, sont à l'intersection des statistiques (composantes principales, distributions asymptotiques), probabilités (espaces gaussiens, à noyau auto-reproduisant) et de l'analyse (Théorème de Mercer).

Nous tenterons d'illustrer ces questions à travers nos publications des six dernières années : par des problèmes aussi concrets que les vides de l'univers (collaboration avec E. Russel), la stratégie de course au Marathon (collaboration avec V. Billat), puis les tests d'adéquations sur des variétés ou graphes 2-point homogènes, et enfin le problème plus abstrait d'une identité de duplication de G. Watson sur le cercle (étudiée par M. Yor et Z. Shi), dont nous esquissons une généralisation, objet de nos travaux actuels.
Un problème concernant la loi des grands nombres, posé par D. Pierre-Loti-Viaud, sera évoqué.

In this talk, we address the stability problem of the famous Brascamp-Lieb inequality for striclty log-concave probability measures on the Euclidean space. More precisely, if a given function almost satisfies the equality in the BL inequality, is it true that it is close in some sense to the underlying extremal functions ? Using a spectral interpretation of the BL inequality, we prove that the distance to the extremal functions in quadratic norm is of order square root of the deficit parameter and involves the second positive eigenvalue of a convenient diffusion operator we wish to estimate. Our results are illustrated by some examples for which the usual uniform convexity assumption on the potential is relaxed. This is a joint work with M. Bonnefont (Institut de Mathématiques de Bordeaux) and J. Serres (Institut de Mathématiques de Toulouse).

Modeling concentrated ion mixtures in solvents like water is a complex research area with key applications in biology (e.g., ion transport through protein channels) and electrochemistry (e.g., batteries).

In this talk, I will present a finite volume scheme for modeling the diffusion of ions in constrained geometries using a degenerate Poisson-Nernst-Planck system with size exclusion yielding cross-diffusion. The proposed method utilizes a two-point flux approximation and is part of the exponentially fitted scheme framework. The scheme is shown to be thermodynamically consistent, as it ensures the decay of some discrete version of the free energy. Classical numerical analysis results - existence of discrete solution, convergence of the scheme as the grid size and the time step go to 0 - follow. The long-time behavior of the scheme is also investigated, both from a theoretical and numerical point of view. Numerical simulations confirm our findings, but also point out some possibly very slow convergence towards equilibrium of the system under consideration.

The objective of extremal regression is to estimate and infer quantities describing the tail of a conditional distribution. Examples of such quantities include quantiles and expectiles, and the regression version of the Expected Shortfall. Traditional regression estimators at the tails typically suffer from instability and inconsistency due to data sparseness, especially when the underlying conditional distributions are heavy-tailed. Existing approaches to extremal regression in the heavy-tailed case fall into two main categories: linear quantile regression approaches and, at the opposite, nonparametric approaches. They are also typically restricted to i.i.d. data-generating processes. I will here give an overview of a recent series of papers that discuss extremal regression methods in location-scale regression models (containing linear regression quantile models) and nonparametric regression models. Some key novel results include a general toolbox for extreme value estimation in the presence of random errors and joint asymptotic normality results for nonparametric extreme conditional quantile estimators constructed upon strongly mixing data. Joint work with A. Daouia, S. Girard, M. Oesting and A. Usseglio-Carleve.

Références : Girard, S., Stupfler, G. and Usseglio-Carleve, A. (2021). Extreme conditional expectile estimation in heavy-tailed heteroscedastic regression models, Annals of Statistics 49(6): 3358-3382. Daouia, A., Stupfler, G. and Usseglio-Carleve, A. (2023). Inference for extremal regression with dependent heavy-tailed data, Annals of Statistics 51(5): 2040-2066.

Une grande partie des modèles numériques décrivant des systèmes physiques demandent des simulations nécessitant des grosses capacité de calculs et dépendant de nombreux paramètres. L'objectif de la réduction de modèle est d'utiliser quelques états du système obtenus via des évaluations du modèle numérique afin d'estimer de nouveaux états à moindre coût de calculs. L'une des méthodes permettant cela est la Méthode des Bases Réduites (RBM) : l'idée est d'approcher la variété décrivant l'ensemble des solutions par un espace vectoriel, puis de projeter le problème initial sur ce dernier. Cette méthode permet d’accélérer largement les résolutions de problèmes nécessitant de nombreuses évaluations du modèle numérique (exemples : problèmes inverses, contrôle). En contrepartie, pour assurer la validité des résultats, il est essentiel de disposer d'estimateurs fiables renseignant sur l'erreur introduite par la réduction. Dans notre approche, nous proposons une variation de la RBM qui minimise l'erreur introduite sur les éventuelles mesures du système, un point critique pour la résolution de problèmes inverses.

This talk adresses the long-term behavior of reaction-diffusion equations ∂tu = Δu + f(u) in RN, where the growth function f behaves as u1+p when u is near the origin. Specifically, we are interested in the persistance versus extinction phenomena in a population dynamics context, where the function u represents a density of individuals distributed in space. The degenerated behavior f(u) ∼ u1+p near the null equilibrium models the so-called Allee effect, which penalizes the growth of the population when the density is low. This effect simulates factors such as inbreeding, mating difficulties, or reduced resistance to extreme climatic events. We will begin the presentation by discussing a result linking the questions of persistence and extinction with the dimension N and the intensity of the Allee effect p, as established in the classical paper by Aronson and Weinberger (1978). This result is closely related to the seminal work of Fujita (1966) on blow-up versus global existence of solutions to the superlinear equation ∂tu = Δu + u1+p. Following these preliminary results, we will focus on a reaction-diffusion system involving a “heat exchanger”, where the unknowns are coupled through the diffusion process, integrating super-linear and non-coupling reactions. An analysis of the solution frequencies for the purely diffusive heat exchanger will allow us to estimate its “dispersal intensity”, which is a key information for addressing blow-up versus global existence in such semi-linear problems. This work represents a first step toward Fujita-type results for systems coupled by diffusion and raises several open questions, particularly regarding the exploration of more intricate diffusion mechanisms.

The presentation will be divided in two parts: (1) We will briefly introduce the linear inverse problem setting in which we seek to approximate an unknown function from measurements by an element of a linear space. However, linear spaces become ineffective for approximating simple and relevant families of functions, such as piecewise smooth functions, that typically occur in hyperbolic PDEs (shocks) or images (edges). We will then analyze which conditions can give us certified recovery bounds for inversion procedures based on nonlinear approximation spaces. (2) We will apply this framework to the recovery of general bidimensional shapes from cell-average data (high-resolution images from coarser cell averages). Then we will show how to build fast higher order methods to reconstruct interfaces as well as two strategies to deal with non-smooth interfaces presenting corners.

In this presentation, we tackle the problem of detecting serial correlation in the context of directional data. Motivated by a real data example involving sunspots locations, we define a concept of runs properly adapted to the directional context. We then show that tests based on the latter runs enjoy some local and asymptotic property against local alternatives with serial dependence. We compute the finite sample performances of our tests using Monte Carlo simulations and show their usefulness on a real data illustration that involves the analysis of sunspots locations for various solar cycles. According to the time, we will evoke the goodness of fit problem for the longitude of the location of sunspots (then circular data) using trigonometrics moments.

Les adipocytes ou cellules adipeuses sont présentes dans le tissu adipeux où elles jouent un rôle de stockage d’énergie sous la forme d’une vésicule lipidique dans leurs cytoplasmes. A partir de données obtenues chez le rat, on observe que la distribution en taille (rayon des cellules) est bimodale: elle a deux maxima locaux. Dans cet exposé je présenterais different modèles permettant d’expliquer ce caractère bimodale ainsi que des résultats théoriques et numériques sur ces modèles, en collaboration avec Magali Ribot et Romain Yvinec. Je montrerais notamment un résultat de convergence entre les modèles de Becker-Doring et de Lifshitz-Slyozov ainsi que des solutions numériques bimodales de ces modèles. Enfin je présenterais des résultats d’estimations de paramètres sur ces données en collaboration avec Chloé Audebert, Anne-Sophie Giacobbi et Hedi Soula.