La déconvolution spectrale consiste en l'extraction des valeurs propres d'une matrices bruitée. Cette déconvolution apparait naturellement dans plusieurs problèmes d'estimation matricielle. Dans cet exposé, je vais présenter une méthode pour réaliser la déconvolution spectrale en grande dimension en utilisant des

Nous donnons des  inégalités nouvelles pour la partie positive d'une martingale de variance infinie et son maximum. Ces inégalités améliorent les inégalités classiques dans certains cas.

Motivé par l’étude d’arbres aléatoires conditionnés par leur nombre total de sommets et leur nombre de feuilles à la fois, je présenterai des résultats de convergence, après renormalisation, de longues excursions de marches aléatoires entières (à sauts ≥ -1) également

L’exposé portera sur un travail effectué en collaboration avec Reda Chhaibi. Je présenterai une version sur des cônes symétriques d’un processus de Matsumoto-Yor matriciel introduit par Brian Rider et Benedek Valkó. Nos processus apparaissent comme limites de chaînes de Markov

In this talk, we will present a new statistical principle that combines the most desirable aspects of both parameter inference and density estimation. This leads us to the PrO posterior, which expresses uncertainty as a consequence of predictive ability. Doing so leads to

Je présenterai une approche visant à compresser la mesure empirique tout en préservant les vitesses de convergence dans le contexte des méthodes à noyau. Je donnerai d’abord une vue d’ensemble de l’idée, avant de démontrer deux résultats clés.