A commonly used tool in data analysis is to compute a sample mean. Assuming a uni-modal distribution, its mean provides valuable information about which value is typically found in an observation. Also, it is one of the simplest and therefore very robust statistics to compute and suffers much less from sampling effects of tails of the distribution than estimates of higher moments. In the context of a time series, the sample mean is a time average. Due to correla- tions among successive data points, the information stored in a time series might be much less than the information stored in a sample of independently drawn data points of equal size, since correlation always implies redundancy. Hence, the issue of how close the sample estimate of a time average is to the true mean value of the process depends on correlations in data. In this thesis, we will study the proba- bility that a single time average deviates by more than some threshold value from the true process mean. This will be called the Large Deviation Probability (LDP), and it will be a function of the time interval over which the average is taken: The longer the time interval, the smaller will this probability be. However, it is the precise functional form of this decay which will be in the focus of this thesis. The LDP is proven to decay exponentially for identically independently distributed data. On the other hand we will see in this thesis that this result does not apply to long-range correlated data. The LDP is found to decay slower than exponential for such data. It will be shown that for intermittent series this exponential decay breaks down severely and the LDP is a power law. These findings are outlined in the methodological explanations in chapter 3, after an overview of the theoretical background in chapter 2. In chapter 4, the theoretical and numerical results for the studied models in chapter 3 are compared to two types of empirical data sets which are both known to be long- range correlated in the literature. The earth surface temperature of two stations of two climatic zones are modelled and the error bars for the finite time averages are estimated. Knowing that the data is long-range correlated by estimating the scaling exponent of the so called fluctuation function, the LDP estimation leads to noticeably enlarged error bars of time averages, based on the results in chapter 3. The same analysis is applied on heart inter-beat data in chapter 5. The contra- diction to the classical large deviation principle is even more severe in this case, induced by the long-range correlations and additional inherent non-stationarity. It will be shown that the inter-beat intervals can be well modeled by bounded fractional Brownian motion. The theoretical and numerical LDP, both for the model and the data, surprisingly indicates no clear decay of LDP for the time scales under study.

An important task in brain modeling is that of estimating model parameters and quantifying their uncertainty. In this thesis we tackle this problem from a Bayesian perspective: we use experimental data to update the prior information about model parameters, in order to obtain their posterior distribution. Uncertainty quantification via a direct computation of the posterior has a prohibitive computational cost in high dimensions. An alternative to a direct computation is offered by Markov chain Monte Carlo (MCMC) methods. The aim of this project is to analyse some of the methods within this class and improve their convergence. In this thesis we describe the following MCMC methods: Metropolis-Hastings (MH) algorithm, Metropolis adjusted Langevin algorithm (MALA), simplified manifold MALA (smMALA) and Approximate Bayesian Computation MCMC (ABCMCMC). SmMALA is further analysed in Paper A, where we propose an algorithm to approximate a key component of this algorithm (the Fisher Information) when applied to ODE models, with the purpose of reducing the computational cost of the method. A theoretical analysis of MCMC methods is carried out in Paper B and relies on tools from the theory of large deviations. In particular, we analyse the convergence of the MH algorithm by stating and proving a large deviation principle (LDP) for the empirical measures produced by the algorithm. Some of the methods analysed in this thesis are implemented in an R package, available on GitHub as “icpm-kth/uqsa” and presented in Paper C, and are applied to subcellular pathway models within neurons in the context of uncertainty quantification of the model parameters. / En viktig uppgift inom hjärnmodellering är att uppskatta parametrar i modellen och kvantifiera deras osäkerhet. I denna avhandling hanterar vi detta problem från ett Bayesianskt perspektiv: vi använder experimentell data för att uppdatera a priori kunskap av modellparametrar, för att erhålla deras posteriori-fördelning. Osäkerhetskvantifiering (UQ) via direkt beräkning av posteriorfördelningen har en hög beräkningskostnad vid höga dimensioner. Ett alternativ till direkt beräkning ges av Markov chain Monte Carlo (MCMC) metoder. Syftet med det här projektet är att analysera några MCMC metoder och förbättra deras konvergens. I denna avhandling beskriver vi följande MCMC algoritmer: “Metropolis-Hastings” (MH), “Metropolis adjusted Langevin” (MALA), “Simplified Manifold MALA” (smMALA) och “Approximate Bayesian Computation MCMC” (ABCMCMC). SmMALA analyseras i artikel A. Där presenterar vi en algoritm för att approximera en nyckelkomponent av denna algoritm (Fisher informationen) när den tillämpas på ODE modeller i syfte att minska metodens beräkningskostnad. En teoretisk analys av MCMC metoder behandlas i artikel B och bygger på verktyg från teorin av stora avvikelser. Mer specifikt, vi analyserar MH algoritmens konvergens genom att formulera och bevisa en stora avvikelser princip (LDP) för de empiriska mått som produceras av algoritmen. Några av metoderna analyserade i den här avhandlingen har implementerats i ett R paket som finns på GitHub som “icpm-kth/uqsa” och presenteras i artikel C. Metoderna tillämpas på subcellulära vägmodeller inom neuroner i sammanhanget av osäkerhetskvantifieringen av modellparametrar. / <p>QC 2023-08-21</p>

Diese Arbeit behandelt die Asymptotik von Austritts- und Übergangszeiten für gewisse schwach zeitinhomogene Diffusionsprozesse. Darauf basierend wird ein probabilistischer Begriff der stochastischen Resonanz (SR) studiert. Techniken der großen Abweichungen spielen eine zentrale Rolle. Im ersten Teil der Arbeit (Kapitel 1-3) werden Resultate aus der Theorie der großen Abweichungen für zeithomogene Diffusionen rekapituliert. Es werden die klassischen Resultate von Freidlin und Wentzell und Erweiterungen dieser Theorie präsentiert, und es wird an das Kramers''sche Austrittszeitengesetz erinnert. Teil II befasst sich mit dem Phänomen der SR, d.h. mit Periodizitätseigenschaften von Diffusionen. In Kapitel 4 werden physikalische Maße zur Messung der Periodizität diskutiert. Deren Nachteile legen es nahe, einem alternativen, probabilistischen Ansatz zu folgen, der hier behandelt wird. Das 5. Kapitel dient der Herleitung eines gleichmäßigen Prinzips der großen Abweichungen für Diffusionen mit schwach zeitabhängigem, periodischem Drift. Die Gleichmäßigkeit des Prinzips ermöglicht die exakte Bestimmung exponentieller Übergangsraten in Kapitel 6, das die zentralen Ergebnisse des 2. Teils beinhaltet. Hierdurch wird die Maximierung gewisser Übergangswahrscheinlichkeiten ermöglicht, was zum in Kapitel 7 studierten Resonanzbegriff führt. Teil III der Arbeit setzt sich mit der Asymptotik von Austrittszeiten sogenannter selbststabilisierender Diffusionen auseinander. In Kapitel 8 wird der Zusammenhang zwischen interagierenden Teilchensystemen und selbststabilisierenden Diffusionen erläutert und die Existenz- und Eindeutigkeitsfrage behandelt. Das 9. Kapitel dient dem Studium der großen Abweichungen dieser Klasse von Diffusionen. In Kapitel 10 wird das Kramers''sche Austrittszeitengesetz auf selbststabilisierende Diffusionen übertragen, und in Kapitel 11 wird der Einfluß der selbststabilisierenden Komponente auf das Austrittszeitengesetz illustriert. / In this thesis, we study the asymptotic behavior of exit and transition times of certain weakly time inhomogeneous diffusion processes. Based on these asymptotics, a probabilistic notion of stochastic resonance (SR) is investigated. Large deviations techniques play the key role throughout this work. In the first part (Chapters 1-3) we recall the large deviations theory for time homogeneous diffusions. We present the classical results due to Freidlin and Wentzell and extensions thereof, and we remind of Kramers'' exit time law. Part II deals with the phenomenon of stochastic resonance. That is, we study periodicity properties of diffusion processes. In Chapter 4 we explain the paradigm of stochastic resonance and discuss physical notions of measuring periodicity of diffusions. Their drawbacks suggest to follow an alternative probabilistic approach, which is treated in this work. In Chapter 5 we derive a large deviations principle for diffusions subject to a weakly time dependent periodic drift term. The uniformity of the obtained large deviations bounds w.r.t. the system''s parameters plays a key role for the treatment of transition time asymptotics in Chapter 6, which contains the main result of the second part. The exact exponential transition rates obtained here allow for maximizing transition probabilities, which finally leads to the announced probabilistic notion of resonance studied in Chapter 7. In the third part we investigate the exit time asymptotics of a certain class of so-called self-stabilizing diffusions. In Chapter 8 we explain the connection between interacting particle systems and self-stabilizing diffusions, and we address the question of existence. The following Chapter 9 is devoted to the study of the large deviations behavior of these diffusions. In Chapter 10 Kramers'' exit law is carried over to our class of self-stabilizing diffusions. Finally, the influence of self-stabilization is illustrated in Chapter 11.

Le sujet principal de ce mémoire est l'étude de la distribution asymptotique de la fonction f_m qui compte le nombre de diviseurs premiers distincts parmi les nombres premiers $p_1,...,p_m$. Au premier chapitre, nous présentons les sept résultats qui seront démontrés au chapitre 4. Parmi ceux-ci figurent l'analogue du théorème d'Erdos-Kac et un résultat sur les grandes déviations. Au second chapitre, nous définissons les espaces de probabilités qui serviront à calculer les probabilités asymptotiques des événements considérés, et éventuellement à calculer les densités qui leur correspondent. Le troisième chapitre est la partie centrale du mémoire. On y définit la promenade aléatoire qui, une fois normalisée, convergera vers le mouvement brownien. De là, découleront les résultats qui formeront la base des démonstrations de ceux chapitre 1. / The main topic of this masters thesis is the study of the asymptotic distribution of the fonction f_m which counts the number of distinct prime divisors among the first $m$ prime numbers, i.e. $p_1,...,p_m$. The first chapter provides the seven main results which will later on be proved in chapter 4. Among these we find the analogue of the Erdos-Kac central limit theorem and a result on large deviations. In the following chapter, we define several probability spaces on which we will calculate asymptotic probabilities of specific events. These will become necessary for calculating their corresponding densities. The third chapter is the main part of this masters thesis. In it, we introduce a random walk which, when suitably normalized, will converge to the Brownian motion. We will then obtain results which will form the basis of the proofs of those of chapiter 1.

Dans cette thèse on s'intéresse au temps local d'auto-intersections de marches aléatoires. Cette quantité est définie comme la norme-p à la puissance p du temps local de la marche. Elle regarde dans quelle mesure la trajectoire de la marche aléatoire s'intersecte. Le temps local d'auto-intersections est lié à différents modèles physiques comme les modèles de polymères ou les problèmes d'écoulements de flux en milieux stratifiés mais aussi au modèle mathématiques des marches aléatoires en paysages aléatoires. Nous nous sommes pour notre part intéressés en particulier aux grandes déviations du temps local d'auto-intersections, c'est à dire que nous regardons la probabilité que la quantité d'intersections de la marche aléatoire soit plus grande que sa moyenne. Cette question qui a été très étudiée au cours des années 2000 fait apparaitre trois cas distincts, le cas sous-critique, le cas critique et le cas sur-critique. Nous améliorons la connaissance sur cette question au travers de deux résultats complets et d'un résultat partiel. D'abord nous prouvons un principe de grandes déviations dans les cas critique et sur-critique des marches alpha-stables, puis nous améliorons les échelles de déviations au cas sous-critique tout entier de la marche simple, enfin nous sommes en train d'étendre ce dernier résultat aux marches alpha-stables. Par ailleurs les trois preuves sont basées sur l'utilisation d'une version due à Eisenbaum d'un théorème d'isomorphisme de Dynkin. Cette méthode d'abord introduite par Castell dans le cas critique est donc ici étendue aux autres cas. Nous avons donc réussi à unifier les différentes méthodes de preuves au travers ce théorème d'isomorphisme. / In this thesis we are interested in the self-intersection local times of random walks. This quantity is defined as the p-norm to the power of p of the local times of the random walk. It measures how much the trajectory of the random walk intersects itself. The self-intersection local times is connected with various physical models as polymer models or problems of anomalous dispersion in layered random flows, but it is also linked with the mathematical model of random walks in random sceneries. More precisely, we are interested in the large deviations of the self-intersection local times, i.e. we work on the probability for the intersections to be larger than expected. This question that has been studied a lot during the 2000's is divided in three cases, the subcritical one, the critical one and the super critical one. We improve the knowledge about this question by two complete results and a partial one. First, we have proved a large deviation principle in the critical and super critical cases of alpha-stable random walks, then we have improved the deviations' scales to the entire subcritical case of simple random walk, finally we are extending this last result to the alpha-stable random walks. The three proofs are based on a version due to Eisenbaum of a Dynkin isomorphism theorem. This method which has been first introduced by Castell in the critical case, is extended here to the others cases. Thus, we have succeeded to unify the methods of proof by this isomorphism theorem.

Der Beitrag unterteilt sich in zwei Teile: Teil 1 (vgl. Informationen/07; 1976,05) und Teil 2 (cp. Informationen/07; 1976,06). Teil 1 enthält eine Einleitung und Grenzwertsätze für unabhängige und identisch verteilte Zufallsgrößen und die Übertragung der betrachteten Grenzwertsätze auf den Fall der Existenz einseitiger Momente. Teil 2 enthält Grenzwertsätze für mittlere Abweichungen für Summen unabhängiger nichtidentisch verteilter Zufallsgrößen (Serienschema) und eine Diskussion der erhaltenen Ergebnisse und schließlich einige Literaturangaben. Sei F_n(x) die Verteilungsfunktion der Summe X_1+X_2+...+X_n, wobei X_1, X_2, ...,X_n unabhängige und identisch verteilte Zufallsgrößen mit Erwartungswert 0 und Streuung 1 und endlichen absoluten Momenten c_m, m>2, sind, und sei Phi die standardisierte Normalverteilungsfunktion. Es werden absolute Konstanten L_i derart berechnet, dass wir Fehlerabschätzungen im unleichmäßigen zentralen Grenzwertsätzen in verschiedenen Fällen angeben können, wobei sich der Index i in L_i auf folgende fünf Fälle bezieht: kleine x, mittlere Abweichungen für x, große Abweichungen für x, kleine n und große n. Im Fall der Existenz einseitiger Momente werden obere Schanken für 1-F_n(x) angegeben für x>D_m*n^(1/2)*ln(n) bzw. x>D_m*n^(1/2)*(ln(n))^(1/2), womit Ergebnisse von S.V.NAGAEV(1965) präzisiert werden. / The paper is divided in two parts: part 1 (cp. Informationen/07; 1976,05) and part 2 (cp. Informationen/07; 1976,06). Part 1 contains an introduction and limit theorems for iid random variables and the transfer of the considered limit theorems to the case of the existence of onesided moments. Part 2 contains limit theorems of moderate deviations for sums of series of non iid random variables and a discussion of all obtained results in part 1 and 2 and finally some references. Let F_n(x) be the cdf of X_1+X_2+...+X_n, where X_1, X_2, ...,X_n are iid random variables with mean 0 and variance 1 and with m-th absolute moment c_m, m>2, and Phi the cdf of the unit normal law. Explicit universal constants L_i are computed such that we have an error estimate in the nonuniform central limit theorem with the L_i, where i corresponds to the five cases considered: small x, moderate deviations for x, large deviations for x, small n , large n. Additional upper bounds for 1-F_n(x) are obtained if the one-sided moments of order m, m>2, are finite and if x>D_m*n^(1/2)*ln(n) and x>D_m*n^(1/2)*(ln(n))^(1/2) respectively improving results by S.V.NAGAEV (1965).

Der Beitrag unterteilt sich in zwei Teile: Teil 1 (vgl. Informationen/07; 1976,05) und Teil 2 (cp. Informationen/07; 1976,06). Teil 1 enthält eine Einleitung und Grenzwertsätze für unabhängige und identisch verteilte Zufallsgrößen und die Übertragung der betrachteten Grenzwertsätze auf den Fall der Existenz einseitiger Momente. Teil 2 enthält Grenzwertsätze für mittlere Abweichungen für Summen unabhängiger nichtidentisch verteilter Zufallsgrößen (Serienschema) und eine Diskussion der erhaltenen Ergebnisse und schließlich einige Literaturangaben. Sei F_n(x) die Verteilungsfunktion der Summe X_1+X_2+...+X_n, wobei X_1, X_2, ...,X_n unabhängige und identisch verteilte Zufallsgrößen mit Erwartungswert 0 und Streuung 1 und endlichen absoluten Momenten c_m, m>2, sind, und sei Phi die standardisierte Normalverteilungsfunktion. Es werden absolute Konstanten L_i derart berechnet, dass wir Fehlerabschätzungen im unleichmäßigen zentralen Grenzwertsätzen in verschiedenen Fällen angeben können, wobei sich der Index i in L_i auf folgende fünf Fälle bezieht: kleine x, mittlere Abweichungen für x, große Abweichungen für x, kleine n und große n. Im Fall der Existenz einseitiger Momente werden obere Schanken für 1-F_n(x) angegeben für x>D_m*n^(1/2)*ln(n) bzw. x>D_m*n^(1/2)*(ln(n))^(1/2), womit Ergebnisse von S.V.NAGAEV(1965) präzisiert werden. Der Beitrag unterteilt sich in zwei Teile: Teil 1 (vgl. Informationen/07; 1976,05) und Teil 2 (cp. Informationen/07; 1976,06). Teil 1 enthält eine Einleitung und Grenzwertsätze für unabhängige und identisch verteilte Zufallsgrößen und die Übertragung der betrachteten Grenzwertsätze auf den Fall der Existenz einseitiger Momente. Teil 2 enthält Grenzwertsätze für mittlere Abweichungen für Summen unabhängiger nichtidentisch verteilter Zufallsgrößen (Serienschema) und eine Diskussion der erhaltenen Ergebnisse und schließlich einige Literaturangaben. Sei F_n(x) die Verteilungsfunktion der Summe X_1+X_2+...+X_n, wobei X_1, X_2, ...,X_n unabhängige und identisch verteilte Zufallsgrößen mit Erwartungswert 0 und Streuung 1 und endlichen absoluten Momenten c_m, m>2, sind, und sei Phi die standardisierte Normalverteilungsfunktion. Es werden absolute Konstanten L_i derart berechnet, dass wir Fehlerabschätzungen im unleichmäßigen zentralen Grenzwertsätzen in verschiedenen Fällen angeben können, wobei sich der Index i in L_i auf folgende fünf Fälle bezieht: kleine x, mittlere Abweichungen für x, große Abweichungen für x, kleine n und große n. Im Fall der Existenz einseitiger Momente werden obere Schanken für 1-F_n(x) angegeben für x>D_m*n^(1/2)*ln(n) bzw. x>D_m*n^(1/2)*(ln(n))^(1/2), womit Ergebnisse von S.V.NAGAEV(1965) präzisiert werden. / The paper is divided in two parts: part 1 (cp. Informationen/07; 1976,05) and part 2 (cp. Informationen/07; 1976,06). Part 1 contains an introduction and limit theorems for iid random variables and the transfer of the considered limit theorems to the case of the existence of onesided moments. Part 2 contains limit theorems of moderate deviations for sums of series of non iid random variables and a discussion of all obtained results in part 1 and 2 and finally some references. Let F_n(x) be the cdf of X_1+X_2+...+X_n, where X_1, X_2, ...,X_n are iid random variables with mean 0 and variance 1 and with m-th absolute moment c_m, m>2, and Phi the cdf of the unit normal law. Explicit universal constants L_i are computed such that we have an error estimate in the nonuniform central limit theorem with the L_i, where i corresponds to the five cases considered: small x, moderate deviations for x, large deviations for x, small n , large n. Additional upper bounds for 1-F_n(x) are obtained if the one-sided moments of order m, m>2, are finite and if x>D_m*n^(1/2)*ln(n) and x>D_m*n^(1/2)*(ln(n))^(1/2) respectively improving results by S.V.NAGAEV (1965).

We consider a simple one-dimensional random dynamical system with two driving vector fields and random switchings between them. We show that this system satisfies a one force - one solution principle and compute its unique invariant density explicitly. We study the limiting behavior of the invariant density as the switching rate approaches zero and infinity and derive analogues of classical probabilistic results such as the central limit theorem and large deviations principle.

We describe the large-time moment asymptotics for the parabolic Anderson model where the speed of the diffusion is coupled with time, inducing an acceleration or deceleration. We find a lower critical scale, below which the mass flow gets stuck. On this scale, a new interesting variational problem arises in the description of the asymptotics. Furthermore, we find an upper critical scale above which the potential enters the asymptotics only via some average, but not via its extreme values. We make out altogether five phases, three of which can be described by results that are qualitatively similar to those from the constant-speed parabolic Anderson model in earlier work by various authors. Our proofs consist of adaptations and refinements of their methods, as well as a variational convergence method borrowed from finite elements theory.

Le sujet principal de ce mémoire est l'étude de la distribution asymptotique de la fonction f_m qui compte le nombre de diviseurs premiers distincts parmi les nombres premiers $p_1,...,p_m$. Au premier chapitre, nous présentons les sept résultats qui seront démontrés au chapitre 4. Parmi ceux-ci figurent l'analogue du théorème d'Erdos-Kac et un résultat sur les grandes déviations. Au second chapitre, nous définissons les espaces de probabilités qui serviront à calculer les probabilités asymptotiques des événements considérés, et éventuellement à calculer les densités qui leur correspondent. Le troisième chapitre est la partie centrale du mémoire. On y définit la promenade aléatoire qui, une fois normalisée, convergera vers le mouvement brownien. De là, découleront les résultats qui formeront la base des démonstrations de ceux chapitre 1. / The main topic of this masters thesis is the study of the asymptotic distribution of the fonction f_m which counts the number of distinct prime divisors among the first $m$ prime numbers, i.e. $p_1,...,p_m$. The first chapter provides the seven main results which will later on be proved in chapter 4. Among these we find the analogue of the Erdos-Kac central limit theorem and a result on large deviations. In the following chapter, we define several probability spaces on which we will calculate asymptotic probabilities of specific events. These will become necessary for calculating their corresponding densities. The third chapter is the main part of this masters thesis. In it, we introduce a random walk which, when suitably normalized, will converge to the Brownian motion. We will then obtain results which will form the basis of the proofs of those of chapiter 1.