Théorème de la limite centrale pour des fonctionnelles non linéaires de la mesure empirique et pour le rééchantillonnage stratifié

Central limit theorem for non linear functionals of empirical measures and for the stratified resampling mechanism

• Auteur / Autrice : Roberta Flenghi
• Direction : Benjamin Jourdain
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques
• Date : Soutenance le 20/12/2023
• Etablissement(s) : Marne-la-vallée, ENPC
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication
• Partenaire(s) de recherche : Laboratoire : Centre d'enseignement et de recherche en mathématiques et calcul scientifique (Champs-sur-Marne, Seine-et-Marne)
• Jury : Président / Présidente : Florence Merlevède
• Jury : Examinateurs / Examinatrices : Benjamin Jourdain, Randal Douc, Nicolas Chopin, Pierre Del Moral
• Jury : Rapporteurs / Rapporteuses : Randal Douc, Nicolas Chopin

Mots clés

Mots clés contrôlés

Rééchantillonnage (statistique)

Théorème de la limite centrale

Distances de Wasserstein

Mots clés libres

Espace de Wasserstein

Théorème de la limite centrale

Variables aléatoires corrélées

Échantillonnage

Filtres particulaires

Correlated random variables

Central limit theorem

Wasserstein space

Resampling

Particle filters

Résumé

Cette thèse porte sur le théorème de la limite centrale, l'un des deux théorèmes limites fondamentaux de la théorie des probabilités avec la loi forte des grands nombres. Le théorème de la limite centrale usuel qui porte sur des fonctionnelles linéaires de la mesure empirique de vecteurs aléatoires indépendants et identiquement distribués a récemment été étendu à des fonctionnelles non linéaires par l'utilisation de la dérivée fonctionnelle linéaire sur l'espace de Wasserstein des mesures de probabilité. Nous généralisons cette extension à la mesure empirique de vecteurs aléatoires indépendants mais non identiquement distribués d'une part et à la mesure empirique des états successifs d'une chaîne de Markov ergodique d'autre part. Dans un second temps, nous nous intéressons au rééchantillonnage stratifié qui est couramment utilisé dans les filtres particulaires. Nous prouvons un théorème de la limite centrale pour le premier rééchantillonnage sous l'hypothèse que les positions initiales des particules sont indépendantes et identiquement distribuées et leurs poids sont proportionnels à une fonction positive des positions qui envoie leur loi commune sur une probabilité possédant une composante non nulle absolument continue par rapport à la mesure de Lebesgue. Ce résultat repose sur la convergence en loi de la partie fractionnaire des sommes partielles de poids normalisés vers une variable aléatoire uniforme sur [0,1]. Plus généralement, nous montrons la convergence en loi vers un vecteur aléatoire uniforme sur [dollar][0,1]^q[dollar] de q sommes partielles d'une suite de variables aléatoires i.i.d. de carré intégrable multipliées par une fonction de la moyenne empirique de cette suite. Pour traiter le couplage introduit par ce facteur commun, nous supposons que la loi commune a une composante non nulle absolument continue par rapport à la mesure de Lebesgue, ce qui assure la convergence en variation totale dans le théorème de la limite centrale pour cette suite. Sous l'hypothèse que la convergence en loi de la partie fractionnaire des poids normalisés reste vraie au étapes suivantes d'un filtre particulaire calculé en alternant des étapes de rééchantillonnage suivant le mécanisme stratifié et des mutations suivant des noyaux markoviens, nous obtenons une formule de récurrence pour la variance asymptotique des particules après n étapes. Nous vérifions la validité de cette formule au travers d'expériences numériques.

This thesis is dedicated to the central limit theorem which is one of the two fundamental limit theorems in probability theory with the strong law of large numbers.The central limit theorem which is well known for linear functionals of the empirical measure of independent and identically distributed random vectors, has recently been extended to non-linear functionals. The main tool permitting this extension is the linear functional derivative, one of the notions of derivation on the Wasserstein space of probability measures.We generalize this extension by first relaxing the equal distribution assumptionand then the independence property to be able to deal with the successive values of an ergodic Markov chain.In the second place, we focus on the stratified resampling mechanism.This is one of the resampling schemes commonly used in particle filters. We prove a central limit theorem for the first resampling according to this mechanism under the assumption that the initial positions are independent and identically distributed and the weights proportional to a positive function of the positions such that the image of their common distribution by this function has a non zero component absolutely continuous with respect to the Lebesgue measure. This result relies on the convergence in distribution of the fractional part of partial sums of the normalized weights to some random variable uniformly distributed on [0,1]. More generally, we prove the joint convergence in distribution of q variables modulo one obtained as partial sums of a sequence of i.i.d. square integrable random variables multiplied by a common factor given by some function of an empirical mean of the same sequence. The limit is uniformly distributed over [dollar][0,1]^q[dollar]. To deal with the coupling introduced by the common factor, we assume that the common distribution of the random variables has a non zero component absolutely continuous with respect to the Lebesgue measure, so that the convergence in the central limit theorem for this sequence holds in total variation distance.Under the conjecture that the convergence in distribution of fractional parts to some uniform random variable remains valid at the next steps of a particle filter which alternates selections according to the stratified resampling mechanism and mutations according to Markov kernels, we provide an inductive formula for the asymptotic variance of the resampled population after n steps. We perform numerical experiments which support the validity of this formula.