Dans la premiere partie de cette these, nous donnons un point de vue financier sur l'etude des taux d'interet long terme. En finance, les modeles classiques de taux ne s'appliquent plus pour des maturites longues (15 ans et plus). Nous montrons que les techniques de maximisation d'utilite esperee permettent de retrouver la regle de Ramsey (qui relie la courbe des taux a l'utilite marginale de la consommation optimale). En marche incomplet, il est possible de montrer un analogue de la regle de Ramsey et nous examinons la maniere dont la courbe des taux est modifiee. Ensuite nous considerons le cas ou il y a une incertitude sur un parametre du modele, puis nous etendons ces resultats au cas ou les fonctions d'utilites sont stochastiques. D'autre part nous proposons dans cette these une nouvelle maniere d'apprehender la consommation, comme des provisions que l'investisseur met de cote pour les utiliser en cas d'un evenement de defaut. Alors le probleme de maximisationn de l'utilite esperee de la richesse et de la consommation peut etre vu comme un probleme de maximisation de l'utilite esperee de la richesse terminale avec un horizon aleatoire. La deuxieme partie de cette these concerne l'analyse stochastique des processus ponctuels determinantaux. Les processus determinantaux et permanentaux sont des processus ponctuels dont les fonctions de correlations sont donnees par un determinant ou un permanent. Les points de ces processus ont respectivement un comportement de repulsion ou d'attraction: ils sont tres loin de la situation d'absence de correlation rencontree pour les processus de Poisson. Nous etablissons un resultat de quasi-invariance: nous montrons que si nous perturbons les point le long d'un champ de vecteurs, le processus qui en resulte est toujours un determinantal, dont la loi est absolument continue par rapport a la distribution d'origine. En se basant sur cette formule et en suivant l'approche de Bismut du calcul de Malliavin, nous donnons ensuite une formule d'integration par parties.

Les processus ponctuels sont souvent utilisés comme modèles de répartitions spatiales ou spatio-temporelles d'occurrences Dans cette thèse, nous nous intéressons à des processus de Cox dirigés par un processus caché associé à un processus de Dirichlet. Ce modèle correspond à des occurrences cachées influençant l'intensité stochastique des occurrences observées. Nous généralisons la notion de Shot noise Cox process et développons le traitement bayésien. Nous focalisons l'inférence statistique sur l'estimation de la valeur espérée de chaque contribution cachée, leur nombre espéré, degré d'influence spatiale et degré de corrélation L'utilité en épidémiologie et en écologie est démontrée à partir de données de Rubus fruticosa, lbicella lutea et de mortalité dans les cantons de Georgie, USA. En termes de données observées, deux situations sont considérées: d'abord, les positions spatiales des occurrences sont observées entre plusieurs paires de dates consécutives; puis, des comptages sont effectués dans des unités d'échantillonnage spatiales. D'autre part, nous nous intéressons aux processus ponctuels à mémoire introduits par Kagan, Ogata et Vere-Jones. En effet, les processus ponctuels ont une place importante dans l'étude des catalogues sismiques. Nous avons étudié un modèle Epidemie Type Aftershock Sequence avec une intensité d'arrière-plan indépendante du temps et plusieurs fonctions déclenchantes permettant d'intégrer les événements antérieurs récents. Cette approche est utilisée pour étudier la sismicité des Petites Antilles. Une étude comparative des modèles Gamma, Weibull, Log-Normal et loi d'Omori modifiée pour les fonctions déclenchantes est menée. / Point processes are often used as spatial or spatio-temporal distribution models of occurrences. In this Phd dissertation, we focus first on Cox processes driven by a hidden process associated with a Dirichlet process. This model corresponds to hidden occurrences influencing the stochastic intensity of observed occurrences. We generalize the notion of Shot noise Cox process and develop its bayesian analysis. We focus the statistical inference on the estimation of the hidden contribution expected value, the hidden contribution expected number, the spatial influence and correlation parameters. Applications in epidemiology and ecology are shown from Rubus fruticosa data, Ibicella lutea data and death number data in counties of Georgia, USA. Two situations are considered with respect to available data: firstly, the spatial positions of occurrences are observed between several pairs of consecutive dates; secondly, counts are carried out over a fixed time interval in several spatial sampling units. Secondly, we focus on point processes with memory intr oduced by Kagan, Ogata and Vere-Jones. Spatio-temporal point processes play an important role in the studies of earthquake catalogs since they consist of seismic events with their dates and spatial locations. We studied an Epidemic Type Aftershock Sequence model with time independent background intensity and several triggering functions taking into account previous events. We illustrate our approach with a seismicity study of the Lesser Antilles arc. A comparaison study of Gamma, Weibull, Log-Normal and modified Omori law triggering function models is also carried out

Cette thèse se place dans un cadre de reconstruction urbaine et propose un corpus algorithmique pour extraire des formes simples sur les Modèles Numériques d'Elévation. Ce type de données décrit le relief d'une zone urbaine par une grille régulière de points à chacun desquels est associée une information de hauteur. Les modèles utilisés reposent sur l'utilisation de processus ponctuels marqués. Il s'agit de variables aléatoires dont les réalisations sont des configurations d'objets géométriques. Ces modèles permettent d'introduire des contraintes sur la forme des objets recherchés dans une image ainsi qu'un terme de régularisation modélisé par des interactions entre les objets. Une énergie peut être associée aux configurations d'objets et la configuration minimisant cette énergie trouvée au moyen d'un recuit-simulé couplé à un échantillonneur de type Monte Carlo par Chaîne de Markov à sauts réversibles (RJMCMC). Nous proposons quatre modèles pour extraire des caricatures de bâtiments à partir de descriptions altimétriques de zones urbaines denses. Chaque modèle est constitué par une forme d'objet, une énergie d'attache aux données et une énergie de régularisation. Les deux premiers modèles permettent d'extraire des formes simples (rectangles) en utilisant une contrainte d'homogénéité pour l'un et une détection des discontinuités pour l'autre. Le troisième modèle modélise les bâtiments par une forme polyhédrique. Le dernier modèle s'intéresse à l'apport d'une coopération entre des objets simples. Les algorithmes obtenus, automatiques, sont évalués sur des données réelles fournies par l'IGN (MNE Laser et optiques de différentes qualités).

.

Les statistiques spatiales sont pour les écologues un ensemble d'outils permettant de caractériser la structure d'un semis de points, par exemple une carte représentant des emplacements des arbres dans une parcelle de forêt. Cette structure est définie implicitement comme un écart à semis complètement aléatoire, résultat d'un processus de Poisson. L'hétérogénéité du processus ponctuel dont le semis de points est une réalisation et la non-indépendance des points en sont les causes indiscernables, ce qui amène généralement à supposer l'intensité du processus connu et nommer " concentration spatiale " ou " agrégation " (la régularité spatiale est possible, mais rare en pratique) la non-indépendance. Une revue de la littérature des processus ponctuels et des mesures de structures spatiales est fournie pour clarifier les concepts et les choix. L'objectif de ce travail de thèse était de produire des améliorations méthodologiques. Ses résultats principaux sont : * L'établissement d'un test pour la principale statistique utilisée, la fonction K de Ripley, permettant de s'affranchir de la méthode de Monte-Carlo utilisée dans la littérature pour rejeter l'hypothèse nulle d'un processus complètement aléatoire. * L'extension de K aux processus hétérogènes, dans le cadre d'une typologie claire des statistiques (absolues, relatives, topographiques). Lorsque la position exacte des objets n'est pas connue, mais que des effectifs par zone sont disponibles (par exemple des nombres d'arbres par parcelle), la théorie de l'information est utilisée pour définir un cadre général permettant de caractériser la structure spatiale (des espèces dans les parcelles) et la diversité (des parcelles, en termes d'espèces) comme deux aspects d'une même mesure d'inégalité. Ce cadre est appliqué à l'indice de biodiversité de Shannon pour définir clairement la mesure de diversité bêta, son calcul direct indépendamment de la différence entre diversités gamma et alpha, et fournir un test statistique de non nullité. La voie est ouverte pour l'application à d'autres mesures de diversité et de structure spatiale. En conclusion, il semble clair que ces outils de caractérisation sont un premier pas pour traiter les questions écologiques, leur développement étant toujours du domaine de la recherche. Ils sont cependant très insuffisants pour répondre à des questions liées aux processus écologiques, assez éloignés des processus ponctuels qui ignorent l'aspect temporel de l'installation des objets.

La thèse s'inscrit dans l'étude de la structuration des forêts à partir des propriétés de la canopée telles que décrites par la distribution spatiale ou la taille des houppiers des arbres dominants. L'approche suivie est fondée sur la théorie des Processus Ponctuels Marqués (PPM) qui permet de modéliser ces houppiers comme des disques sur images considérées comme un espace 2D. Le travail a consisté à évaluer le potentiel des PPM pour détecter automatiquement les houppiers d'arbres dans des images optiques de très résolution spatiale acquises sur des forêts de mangroves et des plantations d'Eucalyptus. Pour les mangroves, nous avons également travaillé sur des images simulées de réflectance et des données Lidar. Différentes adaptations (paramétrage, modèles d'énergie) de la méthode de PPM ont été testées et comparées grâce à des indices quantitatifs de comparaison entre résultats de la détection et références de positionnement issues du terrain, de photo-interprétation ou de maquettes forestières. Dans le cas des mangroves, les tailles de houppier estimées par détection restent cohérentes avec les sorties des modèles allométriques disponibles. Les résultats thématiques indiquent que la détection par PPM permet de cartographier dans une jeune plantation d'Eucalyptus la densité locale d'arbres dont la taille des houppiers est proche de la résolution spatiale de l'image (0.5m). Cependant, la qualité de la détection diminue quand le couvert se complexifie. Ce travail dresse plusieurs pistes de recherche tant mathématique, comme la prise en compte des objets de forme complexe, que thématiques, comme l'apport des informations forestières à des échelles pertinentes pour la mise au point de méthodes de télédétection.

CETTE THÈSE S'INTÉRESSE À DEUX GRANDES QUESTIONS DES PROCESSUS PONCTUELS SPATIAUX: LES ASPECTS DISTRIBUTIONNELS DES ESPACEMENTS ET L'ESTIMATION DE L'INTENSITÉ D'UN PROCESSUS PONCTUEL BRUITÉ.LA PREMIÈRE PARTIE CONCERNE LA CONSTRUCTION DE TESTS D'HOMOGÉNÉITÉ SPATIALE BASÉS SUR LES ESPACEMENTS. ENSUITE NOUS NOUS INTÉRESSONS À LA RECHERCHE D'AGRÉGATS (ZONES DE FORTE INTENSITÉ) À L'AIDE DE CES MEMES ESPACEMENTS. LA DEUXIÈME QUESTION EST ELLE TRAITÉE PAR L'INTRODUCTION D'UN ESTIMATEUR À NOYAU PRENANT EN COMPTE À LA FOIS L'INCERTITUDE SUR LES LOCALISATIONS DES ÉVÉNEMENTS ET L'OBSERVATION SUR UN DOMAINE LIMITÉ.

Thèse de doctorat : Automatique, traitement du signal et des images : Nice : 2004. / Bibliogr. p. 217-224. Résumés en français et en anglais.

Comment fonctionne le cerveau ? Peut-on créer un cerveau artificiel ? Une étape essentielle en vue d'obtenir une réponse à ces questions est la modélisation mathématique des phénomènes à l'œuvre dans le cerveau. Ce manuscrit se focalise sur l'étude de modèles de réseaux de neurones inspirés de la réalité.Cette thèse se place à la rencontre entre trois grands domaines des mathématiques - l'étude des équations aux dérivées partielles (EDP), les probabilités et la statistique - et s'intéresse à leur application en neurobiologie. Dans un premier temps, nous établissons les liens qui existent entre deux échelles de modélisation neurobiologique. À un niveau microscopique, l'activité électrique de chaque neurone est représentée par un processus ponctuel. À une plus grande échelle, un système d'EDP structuré en âge décrit la dynamique moyenne de ces activités. Il est alors montré que le modèle macroscopique peut se retrouver de deux manières distinctes : en étudiant la dynamique moyenne d'un neurone typique ou bien en étudiant la dynamique d'un réseau de $n$ neurones en champ-moyen quand $n$ tend vers l’infini. Dans le second cas, la convergence vers une dynamique limite est démontrée et les fluctuations de la dynamique microscopique autour de cette limite sont examinées. Dans un second temps, nous construisons une procédure de test d'indépendance entre processus ponctuels, ces derniers étant destinés à modéliser l'activité de certains neurones. Ses performances sont contrôlées théoriquement et vérifiées d'un point de vue pratique par une étude par simulations. Pour finir, notre procédure est appliquée sur de vraies données / How does the brain compute complex tasks? Is it possible to create en artificial brain? In order to answer these questions, a key step is to build mathematical models for information processing in the brain. Hence this manuscript focuses on biological neural networks and their modelling. This thesis lies in between three domains of mathematics - the study of partial differential equations (PDE), probabilities and statistics - and deals with their application to neuroscience. On the one hand, the bridges between two neural network models, involving two different scales, are highlighted. At a microscopic scale, the electrical activity of each neuron is described by a temporal point process. At a larger scale, an age structured system of PDE gives the global activity. There are two ways to derive the macroscopic model (PDE system) starting from the microscopic one: by studying the mean dynamics of one typical neuron or by investigating the dynamics of a mean-field network of $n$ neurons when $n$ goes to infinity. In the second case, we furthermore prove the convergence towards an explicit limit dynamics and inspect the fluctuations of the microscopic dynamics around its limit. On the other hand, a method to detect synchronisations between two or more neurons is proposed. To do so, tests of independence between temporal point processes are constructed. The level of the tests are theoretically controlled and the practical validity of the method is illustrated by a simulation study. Finally, the method is applied on real data

Le but de cette thèse est de montrer que l'arsenal des nouvelles méthodes d'optimisation permet de résoudre des problèmes d'estimation difficile basés sur les modèles d'évènements.Alors que le cadre classique de l'apprentissage supervisé traite les observations comme une collection de couples de covariables et de label, les modèles d'évènements ne regardent que les temps d'arrivée d'évènements et cherchent alors à extraire de l'information sur la source de donnée.Ces évènements datés sont ordonnés de façon chronologique et ne peuvent dès lors être considérés comme indépendants.Ce simple fait justifie l'usage d'un outil mathématique particulier appelé processus ponctuel pour apprendre une certaine structure à partir de ces évènements.Deux exemples de processus ponctuels sont étudiés dans cette thèse.Le premier est le processus ponctuel derrière le modèle de Cox à risques proportionnels:son intensité conditionnelle permet de définir le ratio de risque, une quantité fondamentale dans la littérature de l'analyse de survie.Le modèle de régression de Cox relie la durée avant l'apparition d'un évènement, appelé défaillance, aux covariables d'un individu.Ce modèle peut être reformulé à l'aide du cadre des processus ponctuels.Le second est le processus de Hawkes qui modélise l'impact des évènements passés sur la probabilité d'apparition d'évènements futurs.Le cas multivarié permet d'encoder une notion de causalité entre les différentes dimensions considérées.Cette thèse est divisée en trois parties.La première s'intéresse à un nouvel algorithme d'optimisation que nous avons développé.Il permet d'estimer le vecteur de paramètre de la régression de Cox lorsque le nombre d'observations est très important.Notre algorithme est basé sur l'algorithme SVRG (Stochastic Variance Reduced Gradient) et utilise une méthode MCMC (Monte Carlo Markov Chain) pour approcher un terme de la direction de descente.Nous avons prouvé des vitesses de convergence pour notre algorithme et avons montré sa performance numérique sur des jeux de données simulés et issus de monde réel.La deuxième partie montre que la causalité au sens de Hawkes peut être estimée de manière non-paramétrique grâce aux cumulants intégrés du processus ponctuel multivarié.Nous avons développer deux méthodes d'estimation des intégrales des noyaux du processus de Hawkes, sans faire d'hypothèse sur la forme de ces noyaux. Nos méthodes sont plus rapides et plus robustes, vis-à-vis de la forme des noyaux, par rapport à l'état de l'art. Nous avons démontré la consistence statistique de la première méthode, et avons montré que la deuxième peut être réduite à un problème d'optimisation convexe.La dernière partie met en lumière les dynamiques de carnet d'ordre grâce à la première méthode d'estimation non-paramétrique introduite dans la partie précédente.Nous avons utilisé des données du marché à terme EUREX, défini de nouveaux modèles de carnet d'ordre (basés sur les précédents travaux de Bacry et al.) et appliqué la méthode d'estimation sur ces processus ponctuels.Les résultats obtenus sont très satisfaisants et cohérents avec une analysé économétrique.Un tel travail prouve que la méthode que nous avons développé permet d'extraire une structure à partir de données aussi complexes que celles issues de la finance haute-fréquence. / The guiding principle of this thesis is to show how the arsenal of recent optimization methods can help solving challenging new estimation problems on events models.While the classical framework of supervised learning treat the observations as a collection of independent couples of features and labels, events models focus on arrival timestamps to extract information from the source of data.These timestamped events are chronologically ordered and can't be regarded as independent.This mere statement motivates the use of a particular mathematical object called point process to learn some patterns from events.Two examples of point process are treated in this thesis.The first is the point process behind Cox proportional hazards model:its conditional intensity function allows to define the hazard ratio, a fundamental quantity in survival analysis literature.The Cox regression model relates the duration before an event called failure to some covariates.This model can be reformulated in the framework of point processes.The second is the Hawkes process which models how past events increase the probability of future events.Its multivariate version enables encoding a notion of causality between the different nodes.The thesis is divided into three parts.The first focuses on a new optimization algorithm we developed to estimate the parameter vector of the Cox regression in the large-scale setting.Our algorithm is based on stochastic variance reduced gradient descent (SVRG) and uses Monte Carlo Markov Chain to estimate one costly term in the descent direction.We proved the convergence rates and showed its numerical performance on both simulated and real-world datasets.The second part shows how the Hawkes causality can be retrieved in a nonparametric fashion from the integrated cumulants of the multivariate point process.We designed two methods to estimate the integrals of the Hawkes kernels without any assumption on the shape of the kernel functions. Our methods are faster and more robust towards the shape of the kernels compared to state-of-the-art methods. We proved the statistical consistency of the first method, and designed turned the second into a convex optimization problem.The last part provides new insights from order book data using the first nonparametric method developed in the second part.We used data from the EUREX exchange, designed new order book model (based on the previous works of Bacry et al.) and ran the estimation method on these point processes.The results are very insightful and consistent with an econometric analysis.Such work is a proof of concept that our estimation method can be used on complex data like high-frequency financial data.