Laboratoire de Probabilités, Statistique et Modélisation (LPSM, UMR 8001)




Le LPSM est une unité mixte de recherche (UMR 8001) dépendant du CNRS, de Sorbonne Université et de l’Université Paris Cité. Le laboratoire compte environ 200 personnes (dont env. 90 permanents), répartis sur deux sites (Campus P. et M. Curie de Sorbonne Université et Campus Paris Rive Gauche de l’Université Paris Cité)

Les activités de recherche du LPSM couvrent un large spectre en Probabilités et Statistique, depuis les aspects les plus fondamentaux (qui incluent notamment l'Analyse Stochastique, la Géométrie Aléatoire, les Probabilités Numériques et les Systèmes Dynamiques) jusqu’aux applications à la Modélisation dans diverses disciplines (Physique, Biologie, Sciences des Données, Finance, Actuariat, etc), applications qui incluent des partenariats en dehors du monde académique.

Le LPSM est un laboratoire relativement récent. Cependant, ses composantes sont anciennes et proviennent du développement des « mathématiques du hasard » dans le centre de Paris, depuis le premier quart du 20ième siècle (voir ici pour plus de détails).

NB: Site largement inspiré de celui de l'IRIF (merci à eux pour la mise à disposition de leur maquette).

INSMI

29.4.2022
L'INSMI publie une actualité qui décrit un article récent sur des méthodes robustes de partitionnement, publié dans Annals of Statistics, et co-signé par Aurélie Fischer et Clément Levrard.

Institut Louis Bachelier

20.4.2022
Création d'une Initiative de recherche en partenariat avec Natixis et l'Institut Louis Bachelier, finançant pour deux ans un ingénieur de recherches venant en support aux recherches menées par l'équipe “Mathématiques financières et actuarielles, probabilités numériques” sur le thème: machine learning en finance.

Stéphane Crépey

9.3.2022
Création d'une chaire de recherche "Banque de marchés de demain: enjeux, modélisation et calcul" en partenariat avec Crédit Agricole CIB et l'Institut Europlace de Finance, et dont le responsable scientifique pour le LPSM est Stéphane Crépey.

Giorgio Parisi

10.12.2021
Giambattista Giacomin a redigé un article dans la lettre de l'INSMI dans lequel il décrit des travaux de Giorgio Parisi, Prix Nobel de Physique de Physique 2021, et les mathématiques qu'ils ont inspirées.

LPSM

25.4.2022
Recrutement de personnel administratif et financier: plusieurs postes de gestionnaire administratif et financier sont ouverts au recrutement au laboratoire, notamment à l'Université Paris Cité (voir ce lien) et au CNRS (voir ce lien). Contactez la direction du laboratoire (direction [at] lpsm.paris) pour plus de détails.

Eric Vernier

11.1.2022
Eric Vernier vient de publier un article intitulé "Probing Symmetries of Quantum Many-Body Systems through Gap Ratio Statistics" dans le revue Physical Review X. Félicitations Eric!

ANR

5.5.2022
The LPSM organises a meeting of the ANR project PERISTOCH, on the 23rd and 24th May 2022, at its Sophie Germain location.


(Ces actualités sont présentées selon un classement mêlant priorité et aléatoire.)

Séminaire de statistique
Mardi 31 mai 2022, 9 heures 30, Sophie Germain en salle 1013 / Jussieu en salle 15-16.201
Elsa Cazelles (IRIT) Non encore annoncé.

Soutenances de thèse
Mardi 31 mai 2022, 9 heures, Salle 15/25 104 et par Zoom
Gloria Buritica Borda Assessing the time dependence of multivariate extremes for heavy rainfall modeling

Nowadays, it is common in environmental sciences to use extreme value theory to assess the risk of natural hazards. In hydrology, rainfall amounts reach high-intensity levels frequently, which suggests modeling heavy rainfall from a heavy-tailed distribution. In this setting, risk management is crucial for preventing the outrageous economic and societal consequences of flooding or landsliding. Furthermore, climate dynamics can produce extreme weather lasting numerous days over the same region. However, even in the stationary setting, practitioners often disregard the temporal memories of multivariate extremes. This thesis is motivated by the case study of fall heavy rainfall amounts from a station’s network in France. Its main goal is twofold. First, it proposes a theoretical framework for modeling time dependencies of multivariate stationary regularly varying time series. Second, it presents new statistical methodologies to thoughtfully aggregate extreme recordings in space and time.

To achieve this plan, we consider consecutive observations, or blocks, and analyze their extreme behavior as their lp-norm reaches high levels, for p > 0. This consideration leads to the theory of p-clusters, which model extremal lp-blocks. In the case p = ∞, we recover the classical cluster (of exceedances). For p < ∞, we built on large deviations principles for heavy-tailed observations. Then, we study in depth two setups where p-cluster theory appears valuable. First, we design disjoint blocks estimators to infer statistics of p-clusters, e.g., the extremal index. Actually, p-clusters are linked through a change of norms functional. This relationship opens the road for improving cluster inference since we can now estimate the same quantity with different choices of p. We show cluster inference based on p < ∞ is advantageous compared to the classical p = ∞ strategy in terms of bias. Second, we propose the stable sums method for high return levels inference. This method enhances marginal inference by aggregating extremes in space and time using the lp-norm, where α > 0 is the (tail) index of the series. In simulation, it appears to be robust for dealing with temporal memories and it is justified by the α-cluster theory.