Nous considérons la marche de Sinai \((S_n)_{n\in\mathbb{N}}\) (marche aléatoire en milieu aléatoire récurrente sur \(\mathbb{Z}\)). Nous prouvons un théorème limite local pour \((S_n)_{n\in\mathbb{N}}\) sous la loi annealed \(\mathbb{P}\). Nous en déduisons notamment un équivalent pour la probabilité annealed \(\mathbb{P}(S_n=z_n)\) lorsque

We describe with a probabilistic viewpoint the convolution product of two conjugacy classes of the unitary group 푈(푛). The description is given in terms of a probability distribution on the space of central measures which admits a density. Relating the convolution to

Tirons uniformément au hasard une permutation de taille N et intéressons-nous à des observables comme la longueur de la plus longue sous-suite croissante, le nombre de descentes, le nombre de cycles d'une taille donnée etc. Le comportement asymptotique de ces

Les plans de transports entre deux mesures sont au centre de nombreuses applications et développements théoriques. En pratique, on utilise souvent le plan de transport optimal, ce dernier pouvant être calculé via des algorithmes d'optimisation et fournissant une notion de

Un appariement invariant entre deux processus ponctuels stationnaires est une application bijective entre les processus dont la loi est invariante par translation. L'optimalité d'un tel appariement est étudiée sous l'angle de la distribution de la distance X entre deux points

Motivés par le désir de construire de grands ensembles indépendants dans les graphes aléatoires, Karp et Sipser ont modifié la construction gloutonne habituelle pour produire un algorithme qui produit un ensemble indépendant avec un grand cardinal, les sommets restants formants

Les modèles à effets mixtes analysent des observations collectées de façon répétée sur plusieurs individus, attribuant la variabilité à différentes sources (intra-individuelle, inter-individuelle, résiduelle). Prendre en compte cette variabilité est essentiel pour caractériser sans biais les mécanismes biologiques sous-jacents. Ces

We study data-dependent uniform generalization bounds by approaching the problem from a PAC-Bayesian perspective. We first apply the PAC-Bayesian framework on ``random sets'' in a rigorous way, where the training algorithm is assumed to output a data-dependent hypothesis set after