Thèse soutenue

Théorèmes limites pour les modèles spatio-temporels à longue mémoire

FR  |  
EN
Auteur / Autrice : Vytauté Pilipauskaité
Direction : Anne PhilippeDonatas Surgailis
Type : Thèse de doctorat
Discipline(s) : Mathématiques
Date : Soutenance le 20/10/2017
Etablissement(s) : Nantes en cotutelle avec Vilniaus universitetas
Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
Partenaire(s) de recherche : COMUE : Université Bretagne Loire (2016-2019)
Laboratoire : Laboratoire de Mathématiques Jean Leray (Nantes)
Jury : Président / Présidente : Paul Doukhan
Examinateurs / Examinatrices : Leipus Remigijus, Paul Rochet
Rapporteur / Rapporteuse : Hermine Biermé, Jan Beran

Résumé

FR  |  
EN

Les travaux de la thèse portent sur les théorèmes limites pour des modèles stochastiques à forte dépendance. Dans la première partie, nous considérons des modèles AR(1) à coefficient aléatoire. Nous identifions trois régimes asymptotiques différents pour le schéma d’agrégation conjointe temporelle-contemporaine lorsque les processus AR sont indépendants et lorsque les AR possède des innovations communes. Ensuite, on discute de l’estimation non paramétrique de la fonction de répartition du coefficient autorégressif à partir d’un panel de séries AR(1) à coefficient aléatoire. Nous prouvons la convergence faible du processus empirique basé sur des estimations des coefficients autorégressifs non observables vers un pont brownien généralisé. Ce résultat est ensuite appliqué pour valider différents outils d’inférence statistique à partir des données du panel AR(1). Dans la deuxième partie de la thèse, nous nous concentrons sur les modèles spatiaux en dimension 2. Nous considérons des champs aléatoires construits à partir des polynômes Appell et de champs aléatoires linéaires. Pour ce modèle non linéaire, nous étudions la limite de ses sommes partielles normalisées prises sur des rectangles et prouvons l’existence d’une transition d’échelle. Enfin, nous abordons la même question pour le modèle de germes-grains aléatoire. Nous mettons en évidence l’existence de deux points de transition dans les limites de ces modèles.