Une Extension Multidimensionnelle de la Loi de L'arc Sinus

Martin Barlow
Trinity College
Cambridge CB2 1TQ
England

Jim Pitman
Department of Statistics
University of California
Berkeley, California 94720
United States

Marc Yor
Laboratoire de Probabilit6s
Universite P. et M. Curie
4, place Jussieu - Tour 56
75252 Paris Cedex 05, France

Research supported in part by NSF Grant 88-01808.

To appear in Seminaire de Probabilit6s XXIII, 1989.

Technical Report No. 196

February 1989

Department of Statistics
University of California
Berkeley, California
 UNE EXTENSION MULTIDIMENSIONNELLE DE LA LOI DE L'ARC SINUS

Martin BARLOW Jim PITMAN Marc YOR

Trinity College Department of Statistics Laboratoire de Probabilites
Cambridge CB2 1TQ University of California Universito P. et M. Curie
England Berkeley, California 94720 4, place Jussieu - Tour 56
United States 75252 Paris Cedex 05, France

1. Introduction.
(1.1) Soit (Bt,t > 0) mouvement brownien r6el issu de 0. On note :

9t =
sup{s < t :B = W et At = ds 1(B >0)-
0o

Remarquons que, pour t > 0 donne, on a :

(loi)
=t It et At (loi) t A1.
1
P. Levy ([h1a], [llb]) a montr6 que les variables g et A1 suivent la loi
de l'arc sinus, c'est-A-dire :

(1.a) P(g e dt) = P(A e dt) = dt (O < t < 1)

1 W t(1-t)
De nombreuses demonstrations de ces r6sultats ont maintenant 6t6 donn6es
(voir, par exemple, Kac [13], Williams [12], Pitman-Yor [7], Karatzas-Shreve
[51, Rogers-Williams [81 section 53) ; P. Levy [hla] et Pitman-Yor [7] uti-
lisent le fait que les variables suivantes :

(1. b)
(loi) N 2
cis2
(loi)
= cos e
+l N +N

suivent la loi de l'arc sinus, lorsque o et d6signent deux copies ind&pen-

dantes du premier temps d'atteinte de 1 par (Bt,t > 0), N et N sont deux
variables gaussiennes, centr6es, r6duites, ind6pendantes, et est une va-
riable uniform6ment distribu&e sur [O,2ic[.
La demonstration de (1.b) repose sur les deux remarques suivantes

(loi) [ 1J

* Ce travail a et6 r6alis& avec l'aide partlelle de NSF Grant DMS 88 -

01808
(ii) e - arg(N+iN) est uniform6ment distribu6e sur [0,2n( (et, de plus,
2 '-2
independante de N +N ).

(1.2) D6crivons maintenant 1'extension du r6sultat (1.a) que nous avons

en vue
- commengons par remplacer le mouvement brownien reel par un processus de
Markov (X t ) valeurs dans Ek, l'union de k demi-droites concourantes
Ii(i = 1,2,...,k) du plan, dont on note 0 le point d'intersection. On sup-
pose que X0 = 0, et que (Xt) se comporte comme un mouvement brownien sur
chacune des demi-droites et, lorsqu'il arrive en 0, choisit avec probabilite
Pi la demi-droite IV la probabilit6 etant suppos6e donn6e. (pi)lsisk
Cette description est seulement d'ordre heuristique, le point 0 etant
regulier pour lui-meme, relativement au processus X. En fait, il n'est pas
difficile de d6crire pr6cis6ment un tel processus a l'aide de la th6orie des
excursions : en particulier, la mesure caract6ristique des excursions hors de
k
O du processus (X )t est : E pin1 oi ni est obtenue (de mani6re
1~~=1
evidente) . partir de la mesure d'Ito des excursions positives du mouvement
brownien reel.

Une description d6taill6e du processus de Markov (X ) est faite dans notre

article [141 sur le processus de Walsh, egalement publie dans ce volume.
- plus g6n6ralement, le mod6le que nous consid&rerons dans cette redaction est
celui pr6sent6 ci-dessus, mais dans lequel on a remplac& le mouvement brownien
sur les demi-droites Ii par un processus de Bessel de dimension 6 e (0,2).
Nous nous proposons d'expliciter, dans ce cadre g6n6ral, la loi du vecteur

tAi(u) = ds 1(X5e1
s
1 S k}
0 ;
pour u fix6.
IL est souvent commode de consid6rer, au lieu de la dimension 6,
l'indice i, l11 a 6 par la formule 6 = 2(1-a) ; " decrit donc l'inter-
valle (0,1). Nous utiliserons egalement la quantit6 v = 1/A.
Nous appellerons ce processus de Markov a valeurs dans Ek processus de Walsh
d'indice ,u, assocI6 & la probabilit ( et nous noterons ce processus

Wk(A ; (PI)Isk) ; c'est en effet Walsh [101 qui a, le premier, introduit de

tels processus.
Lorsque k = 2 et 6 = 1, le processus (X ) peut etre identifi6 au skew

Brownian motion tel que :

(1.c) P(Xt > 0) =p1 ; P(Xt < 0) = p - 1-p .

Les skew Brownian motions, introduits par Ito'-Mc Kean (4], ont 6t6 6tudi6s
ensuite par Walsh [10], Harrison-Shepp (31, Brooks-Chacon (1] ;ils intervien-
nent de fagon naturelle dans certains th6or6mes limites pour les diffusions
r6elles (voir Rosenkrantz (9], Le Gall [61, Franchi (2J). On peut presenter le
skew Brownian motion satisfaisant (1.c) comme la solution en loi de

(1.d) xt Bt 1_a Lo(X

1+a t (a > O)

o0u (B t ) d6signe un mouvement brownien reel, lssu de 0, et L0(X) le temps

t
local sym6trique de X en 0, a et p 6tant lies par la formule

(1.e) 1
(l.e) p= 1+a
P~1
(1.3) Nous pr&sentons maintenant les deux resultats principaux de ce tra-
vail (Th6or6mes 1 et 2 ci-dessous).

Pr6cisons tout d'abord le choix du temps local (Utt > 0) de X en 0 que

nous adQpterons dans toute la suite.

Notons r(t) = inf{u : e > t}

l'inverse A droite de (t ,u > 0) ; en antici-
u u
pant legerement sur le paragraphe 2, le processus (r(t),t > 0) est un proces-
sus stable unilateral, d'indice p. Choisissons-le de fagon que
E[exp - gT(t)] = exp - t(j (9 : 0),

et d'efinissons (eu ; u > 0) comme son inverse i droite.

Nous pouvons maintenant 6noncer le
Th6oreme 1 : Soient (T.1 ; i ' k) k variables positives stables, d'indice
', inddpendantes. Alors
(i) pour tout u > 0,

L (A (u) ; i < k) (1oi) (p T i < k)

u

(ii) en consequence
 V

(1) ; i s k ; ek ) (lol)
v
(A. 1 ( I k
k P -
1~~~~~ v=
E p.T.3]

On obtient un resultat voisin pour le processus Wk 0I (Pi)i.k conditionne

a etre en 0 au temps 1. On appellera ce processus pont de Walsh.
A l'aide des propriet6s de scaling, le pont de Walsh peut etre r6alis6 de
la mani6re suivante:

Y (u S 1)
u -X
4 ug

oci g = sup{t s 1 Xt = O} ; en outre, il n'est pas difficile de montrer que

Y et g sont independants.
r1
Notons Ui= { du l(y E I ) et A la valeur au temps 1 du temps local en

O de Y, pr6cis6 par la formule

(1.f) e 9=gX

(pour'une justification de cette formule, voir le paragraphe 2, remarque(ii)).

On a alors le

Theoreme 2 : Soient (T. ; i s k) k variables positives, stables, d'indice

p, inddpendantes. Alors

i) Soit f R k -* R fonction borelienne. On a

E f[lJp; i s ]] = E[fcpLT ; i s r(T k) ]

E P T]

ii) en consequence, pour toute fonction f R -k

1
R borelienne, on a

E[f(U1; i s k; IL)]

=
E[f kp i s k;
pcTE 1r(l+)
 (1.4) Lorsque ji = 1/2 (c'est-A-dire dans le cas "brownien"), la formule
dt .-1/2t
classique P(2Ti 1E dt) t3-1/2 e permet, avec les th&or6mes 1 et
~~(2ir3 /

2, d'expliciter completement les lois de (Ai(l); i s k) et (U.; i < k).

Ces calculs sont pr6sent6s au paragraphe 4.
Nous utilisons, au paragraphe 3, pour demontrer les th6or6mes 1 et 2, la theo-
rie des excursions. Des calculs voisins, s'appuyant egalement sur la th6orie
des excursions, permettent d'obtenir tr6s simplement la transform6e de Laplace
(en t) de :

k
E exp- LE_ Ait)
et donc de retrouver, au moins theoriquement, une partie des r6sultats du
theoreme 1. Ces complements sont developpes au paragraphe 4, dans lequel nous
presentons egalement des r6sultats asymptotiques d6duits des Th6or6mes 1 et 2
dans le cas P. (i < k), lorsque k x.o
Enfin, il a sembl n6cessaire, pour la commodit6 du lecteur, de faire, au pa-
ragraphe 2, avant toute demonstration, quelques rappels sur les processus de
Bessel: de dimension 6 e (0,2).

(1.5) Les resultats qui figurent dans cet article representent notre com-
prehension du sujet jusqu'en Septembre 1988, date a laquelle ils ont 6t6 expo-
ses aux Journees de Probabilites de Barcelone. Depuis, nous avons obtenu des
complements importants aux Th6oremes 1 et 2, sous la forme d'identit&s en loi
entre processus ou familles d'excursions. Ces nouveaux resultats, rassembl&s
en [15], feront l'objet d'une publication ult&rieure.

2. Rappels sur les processus de Bessel.

Les r6sultats pr6sent6s dans ce paragraphe sont classiques; le lecteur trou-

vera une discussion d6taill6e dans Kent [161 et Molchanov-Ostrovski [171, par
exemple.

(2. 1) Notons (R t 2 0) le processus de Bessel de dimension

8 = 2(1-g,) e (0,2), lssu de 0, et admettant 0 pour barriere instantanement
ref 1Fchissante.
Cette diffusion, A. valeurs dans [O.co[, admet pour fonction d'echelle
s(x) = c/ 2 = c x2 et pour mesure de vitesse m(dx) = m'(x)dx, ou
x

m'(x) = c'x = c'x 1 , c' etant convenablement choisie en fonction de c.

Fixons provisoirement a > 0 ; il existe une famille bicontinue

(ett ; x > O,t ? 0) de temps locaux de R, d6finie au moyen de la formule

(2.a) ds fR) = a dx x ?x f(x)

valable pour toute fonction f : R , bor6lienne.

Nous allons maintenant choisir (x de fagon A ce que les calculs que nous
ferons dans les d6monstrations des th6or6mes 1 et 2 solent aussi simples que
possible.
De la propri6t6 de scaling, v6rifi6e par R
(loi)
= CV R
pour c > 0, (Rct ; t 2 0) t > 0)

on deduit l'identite

(ex ; :<- Q,t 0) Cloi) [c1 e{ ; x O,t Q0]

En particulier, en notant simplement et pour , on a

(2.b) ct t,O) C1_i) (cc et; t > 0)

dont on deduit, pour le processus Ct)- inf{u e > t} la propriete de

scaling

C2.c) (T(t) ; t > O) C (Cc(t/ ) ; t 2 0).

En consequence, le processus (C(t),t > 0), qui est A accroissements ind6pen-

dants, est un processus stable, unilat6ral, d'indice 1, c'est-&-dire qu'il
existe une constante 7, dependant de a, telle que

E[exp - (rCt)] = exp - t7' a: 0).

Pour simplifier les calculs qul suivent, nous prenons 7 = 1, et la d6termina-
tion correspondante de a, constante que nous notons c , maintenant. fix6e
une fois pour toutes.
Pour dtre tout A fait pr6cls, explicitons a :
A'
- de 1'egalit6 :E dt e 6(t] = E[f dtse
0 'i0
et de la propriete de scaling (2.b), on d6duit
(3 E[1

- d'autre part, d'apres (2.a) et la propri6t6 de scaling v6rifi6e par R, on

a.
6-1 ri
cc3x x- 2| du p (0;-)
0
2
OU~p1 ~CO;y)
(3;/2 = 2
26/2 r(-) y
6-1
exp(-Y-)
2

est la valeur du semi-groupe de R, issu de 0, pris au temps 1.

Finalement, on obtient : c r (=) 2M.

(2.2) Terminons ce paragraphe par deux remarques

(i) on deduit des proprietes de scaling (2.b) et (2.c) l'identitl&

(2.d) -(1) (loi)

Cette identit6 (2.d) est bien en accord avec le resultat suivant tirl du

th6or&me 1, (ii)
k
(v' (loi)
p
(2.e) E2 pjlT~J
j=

puisque le membre de droite de (2.e) a merme loi que Tj, pour j donne.

(ii) L'egalite (1.f) e = gA provient de ce que, de meme qu'en (2.a), on

d6finit la famille continue (Ax ; x > 0) au moyen de la formule

I ds f(Y = a dx x Axf(x)
0 0
valable pour toute fonction f :R -4R bor6lienne.

(I.f) decoule alors de la definition de Y = 1 X (u s 1).

u -ug (~)
3. Demonstration des theor&mes 1 et 2:

(3.1) Les assertions (ii) des th6or6mes 1 et 2 d6coulent immediatement

des assertions Ci).

(3.2) Pour prouver 1'assertion (i) du theoreme 1, il suffit, grace a la

propriete de scaling, de montrer que, si S est un temps exponentiel inde-
pendant de X, de param.tre 1, on a :

tvT (A.1 (S) ; i ' k) ( l) (PTi

i I i k),

ce qui &quivaut . prouver:

k
[pxp A(S) =
(3. a) E [exp exp El~ pi~]

k
oui AMt) = E giAi(t) (.i 2 0).
i=l
Or, on a

E[exp = E[j du exp- [u +v)]

S 0 U

= ELE ts du exp - fu + AMv)]

s-

bE exp
Ts5 +
v )llf du exp -
fu + A)T

E ds exp FT + AnTd) du exp u

(3 b) %fl

(X )
Or, on a, en posant T = u 1
S iI1 U

E[exp (T + iErexp- -
( ]
Sp 1=1 s

k
=
n
i=1
exp -

4i[
 = exp E pi(5v + (i)lj exp - C(s).

D'autre part, on a :

fn(de) du exp - Cu + ( )}

k r rv
=
i=l
E P1 1n (de) du exp - Cl i
0

l.
de) 1 exp + i lvi
i=l
1 i Ls

- [
i
+
JPC
[i- iIs s + - cp (s).

On a donc finalement, d'apr6s (3. b) :

E[exp - A("S)] - I ds exp(-p(s))V' (s) = exp - (p(O) = exp - P

tS 0 1=1
c'Iest-'a-dire M3a).
(3.3) Pour prouver l'assertion Ci) du theoreme 2, il suffit de montrer,
avec les notations d6jk utilis6es en (3.2), 1'identite suivante:

k
(3. c) rt 1+fi)
E[exp A(5J = E[exp1-
i=l
p.vT.i
i1) A
[E PiT.

Or, en reprenant les me-mes arguments que ci-dessus, il vient :

E[exp Av = E du exp Cu+

= E[ 5 du exp - u + v
s-
k~~~

d exp-s E
1= ~I
 k

= J ds exp -
EP1Pi(st +i
40

Introduisons maintenant les variables T. ; il vient

Ag ro k vL
E[exp ] ds IT E(exp - p.(s + ( )Ti
S 0

d'oui l'on d6duit, sans difficult&, la formule (3.c).

4. Resultats complementaires sur les lois decrites dans les Th6or6mes 1 et 2.

(4.1) Le cas brownien p = 1/2.

Dans ce cas, on d6duit de la formule

P(2T. iE dt) =(~t /

dt
e
-/2t
~~~(2Tt 3)1/2
(2T. est le premier temps d'atteinte de 1 par un mouvement brownien
reel issu de 0) et des th6or6mes 1 et 2 les r6sultats explicites
suivants.

Theoreme 3 Soit f, fonction borlienne, a valeurs dans R + , dLfinie

k
sur le simplexe Ek = {(ul uk) u.
1 0, E u. = 1}. On a alors
i=1

r k rP i f(ul,. ,U k
E[f(Ai(1) ; 1i s k)] = ckk j du 1 ... k-d
k-l
j I3/2i tk Pi)k/2
~~~~i=1 L-u2 2

k Pi f(u, ...uk
E(f(U ; i s k)] = dk | du .d k-1 1- 2kJ 1 k3
1 d du~ k~1~H L32Jkk2kE
1 1]
1

avec
En c=
p ,2 r(k-)/nk/2 et dk =r(k2l)/k.2
2

En particulier, pour k = 2, on a (en posant p = p1 et q = p2)

E[f(A (1))) p
it~ du f (u) p2(1-u)q+q2u (u(1_u))1'2
1
=
I
E[f(U )J = !'du f(u) pq
2
;
0 ~ ( p2(1-u)+q 2u )3
Remarque On retrouve bien les r6sultats de Paul L6vy dans le cas
p = q = 1/ 2 , cfest-A-dire que A (1) suit la loi de l'arc sinus, et U la
1
loi uniforme sur [0,11. o

Nous donnons maintenant une description, de nature moins calculatoire, de

la loi du vecteur ( (Ai(l
1 k) 1

Proposition 1 : Soient xk = (x, x2,... , xk) variable aldatoire distribute

uniformement sur la sphere unite de R , It
et Z une variable aleatoire
k/2
independante, suivant la loi gamma de parametre k, cest-a-dire
k1
P(Z
k/2
E dr) = r er dr/r(-)
Alors
1 (lol) r(p /X.) 2 k 2Z
1) ((A. (1), i s k) 2 1
1e) (lo1 i S k ; ___
k _k_2 3
2
E (p./x)2 E (p /X
j-1 j=1
2) En consdquence
2
[E p/A( 1)
~.=1 iJ 3.=
-1
~(loi) E (pj/X
2-

et ces deux variables, a valeurs dans (0,1], suivent la loi (2 k-1'2) c'est-
&-dire
rk k-3

t~~1/2(1_t)
2 2 ddt
r(2) (1t)
viz" -k-i
r ( k 1) ,.
2
2
ii) (x2 i 5k)
i (loi) pi/Ai(1) isk
E p2/A (1)
~j=1
iii) Conditionnellement a (A (1) = a.; i 5 k), - a meme loi que

k
(2a.) Zk2 OU a. tE P 2/a )1.

D6monstration : 1) La premi6re assertion decoule du Th6or6me 1 et des deux

remarques suivantes:

d'une part, k) (l0i)

=
- (2T ; i
i
(1/ 2
~~~~~NI1I : k)
 def i < k) est un vecteur alatoire constitue de
N d
ou -k (N.1 k variables
gaussiennes, centrees, reduites, independantes
k
- d'autr'e part, on a N = INI x ; les variables IN = FE N.l12 et x
-k 1-k -k L=1 1)- '-k'
sont independantes xk est distribuee uniformement sur la sphere unite de

IR et IN
|k| 2Zk/2
2 2

2) Si l'on pose k
p.i , il est imm6diat que
Yi
E (p /x )2
k 2
j=1 k
2)
Ep./y. E (P i /x
i=1 1 j=1
2
2 1 1/y
et donc : xi= k ; cette remarque entralne les egalites en loi qui
E P2/y
j=1
figurent en i) et ii), ainsi que iii).
k
3) I1 reste ca montrer que la variable H = [E (p /x)2]1 suit la loi
1 k-i1x3
2' 2

(Le fait que prenne ses valeurs dans

H [0,1] decoule de l'in6galit6 de
Cauchy-Schwarz ; en effet

E-l it [___I H-1/ 2(ZX2)1/2 = H-1/2

Remarquons que, d'apres 1), .1 2 Clol) 2Zk/2 H, les variables et

Zk/2 H
etant independantes.

Or, ii est bien connu que ! ei2

2I
(loi) N2
1
(loi) 2Z
1/2
, oiu Z
1/2
suit la loi

gamma de parametre 1/2' En consequence, les moments de H sont ceux d'une

variable distribuee suivant g( ,-k-1 ), d'o'u le resultat. 0

Remarques 1) On peut noter que le Th6or6me 1 et la Proposition 1 jouent des

roles inverses l'un de l'autre : dans le Theoreme 1, c'est la division par t 1
qui permet d'obtenir de facon simple la lol du vecteur (A i(1),1 s k), alors
que dans la Proposition 1, on obtient la loi de , conditionnellement a
(Ai(1),j ' k).
 k
2) Au passage, nous avons identifie la loi de H = [ (p/x 2

comme 6tant 1(3 ' 2 ) ; en particulier, cette loi ne depend pas de la proba-
bilite (pi)i<k
Bien entendu, ce r6sultat peut etre obtenu en dehors de toute considera-
tion brownienne, et repose essentiellement sur les faits bien connus suivants:
d'une part, si T ,...,T sont n variables stables, d'indice 1/
n 2' indepen-
n
dantes, T = E p.T. est egalement stable d'indice 1/
1=1 2' et, d'autre part,

2T (1oi)
= 1/N2 , ob N est une variable gaussienne, centree, reduite.

(4.2) Transformees de Laplace.

Considerons a nouveau l'6nonc6 du th6or6me 1. L'id6e de diviser le vecteur

(A.(u) ; i s k) par e , de fagon A obtenir un resultat simple, nous est
venue tout 'a la fin de notre etude. Auparavant, nous avions simplement proced6
par transformation de Laplace, et obtenu les resultats suivants, qui conser-
vent neanmoins leur int6rdt.

Theoreme 4: Soient a > O et

J
. (1 < j k). Alors:
k
"co k E p
(4.a) E[J dt exp - Vt + E (jA .(t)]] = 6 '
0 obt oc
pi e i

(4.b) E ( -
dt exp t + E A(g]
0 j=1 ~~~~~~~j=
Faisons quelques commentaires, avant de d6montrer le th6or6me 4

a) Prenons, dans la formule (4.b), j

= pour tout j < k.
On obtient alors, en cholsissant de plus a = I

Ej dt exp - Ct + ggt] -=
0
Si l'on note g a g(l) = sup{s s 1 : Xs = O} et S une variable exponen-

tielle de parametre 1, independante de g , on peut reecrire, A l'aide de la

propriete de scaling, l'identit& prec6dente sous la forme :

(4. c) E(exp - (Sg I = (1+6) 1 = E[exp - 6j I,

II A

r(tt)
d -t w
oo P(TA E dt) = e t

Or, d'apres les resultats classiques sur l'algebre des variables beta et
gamma, on a:

(4. d) 7 ( loi) S
, ,u~~i, l-,u
ou, dans le membre de droite, Z est une variable ,l-,u),
1, 1-;
c 'est-A-dire :

P(Z
A,1-A
E dt) = sin(iif)
7
dt tw'-l(1_t)-r
independante de S.

On deduit maintenant des relations (4.c) et (4.d) l'identite:

(4. e) g
(loi)
=
A' AI,1-L
(le cas particulier p = 1/2 donne bien sOr le r6sultat (l.a) pour g, dO a

Paul L;6vy; le r6sultat (4.e) dans le cas g6n6ral est dO & Dynkin [18]).

b) La loi de g
ayant ete determinee, nous allons appliquer la proprie-
te de scaling pour transformer les membres de gauche de (4.a) et (4.b).

i) Tout d'abord, comme (A.(t) ; j < k) (loi)

= (tA.(1) ; j k)
on a

k
k E p3 +3
(4.a') E[tc+ E A -( 1 kj
J=1 Jk

ii) D'autre part, on a, pour t fix6 :

(A (g ), j :s k) (li)tg (UJ ; j s k)

la variable g etant lnd6pendante du vecteur (U ,j ' k).

On d6duit alors de (4.c) l'identite:

E[exp - [ 3] =
)] k i
la variable 7 etant ind-pendante du vecteur (UJ, j < k).

En ut i I isant A nouveau (4. c), on remarque que le membre de gauche de 1' egal i t
ci-dessus est egal A:

EIT1 +
j=1Ek jUj ]

et, finalement, en rempla9ant par /cc, on obtient

k k -

(4.b') E[(a +
j=1
E = t 1 pi(a+E)L 1J

c) Lorsque l'on compare le th6or6me 1, resp: 2, A l' identit6 (4.a'),

resp (4. b'), la question suivante se pose naturellement 1' identite (4.a')
(par exemple) d6termine uniquement - meme si l'on consid6re seulement a = 1 -
la loi du vecteur (A.(1),j s k).

Peut-on montrer directement (et simplement...) que cette loi est celle de

t k j
; j kJ
E
i=1
PiT.
comme cela est d6montre dans le th6or6me 1 ?
Nous allons voir qu'il en est bien ainsi.

En effet, en posant a. = p. et b. = p.(i+.), cette question se ramene

aisement A la demonstration de l'identite:

k k

(4.f) I = ___ ____

E b Ts E bg
j=1 j=

identite valable pour tout k-uple (a J,b J)sk de couples (a.,b ) tels

que: Q a b

Remarque A priori, on ne connaissait la validitU de l'identit6 (4.f) que

pour des reels positifs aj(- pi) satisfaisant la condition
 k
E .al = 1, mais, quitte a remplacer a. par a./a et b. par b./a, ou
j=1

Zk
A = al,i on voit que 1'6galit& (4.f) est toujours valable sous la seule
j=l
condition 0 5 a. < b..
J J

Demonstrat ion de ( 4. f) :Posons

k k
T a)=
() Ea
1TiJ
j=1 T(b)() j-1 = bT,

p(s,t)=E[exp-(sT (a) +tT (b))] ; O(t) = .asLs=O (p(s,t) = ET (a)exp-tT(b)].

,T co
On a alors : E dt t,&(t).

Or, comme:

k
(p(s,t) = exp - E (sa . + tb .)'
3
j=l
on a:
k k
.1b ji- -

O(t) = exp4-t" E p i b
j=1

k , 14 , k 1
= At1' {exp t
A
E b". E . a.b
i
A-

i
=1 J" kj=j

On en d6duit :

k 1
;-

-
([a) dt /i(t) =

k
c'est-A.-dire ( . ) 0

(b)
E bg
- -
0
j=1

Nous donnons maintenant une demonstration du theor6me 4, ind6pendante des

r6sultats obtenus dans le sous-paragraphe c) ci-dessus. Celle-ci repose uni-
quement sur le lemme suivant (classique en th6orie des excursions), dont la
demonstration utilise les arguments du paragraphe 3 (aussi, nous ne donnons
pas les d6tails de cette demonstration).

Lemme : Soit (Xt )t0 processus de Markov A trajectoires continues, admettant

0 pour point rdgulier pour lui-mdme, et n(de) une determination de la
mesture caracteristique des excursions de X hors de 0.
Notons = sup{s < t : Xs = 0).

Soit (At? t ' 0) fonctionnelle additive continue, croissante, de X,

telle que, p.s., dA ne charge pas (s : Xs = 0. On a alors les formules :

Jv
n(de) dt exp - ( t + At )
(4. g) E[ co dt exp - (a~t + At)]
0 n(de) (1 - exp - (acV + Av))

(1 - e' )
(4. h) r,r fco dt exp
E.J IL
- (at + Ag I) 1
A _{n(de)
-
= {
-oV-A
0 t~~~~~~J ( de) [1 - e V)

ou V designe la durce de vie de 1'excursion gsnsrique (e(u),u s V).

Pour demontrer le theoreme 4, il suffit d'appliquer le lemme a la fonction-

k
nelle At = E A.W(t). Alors, si l'on note n une determination, fixee une
j-li
fois pour toutes, de la mesure des excursions hors de 0 du processus de
Bessel de dimension 8 = 2(1-,u), on a, par exemple :

k rV
nc(de) { dt exp - ( at + At) - n(de) dt exp (a + O
~ i
0 J

k 1 PI - (+ )VI
Ek In (de) l-e j 1

j= (1 + (

j=1
pour une certaine constante c

Les formules (4.a) et (4.b) d6coulent alors ais6ment de ce type de calculs.

(4.3) Un rdsultat asymptotique.
Nous consid6rons maintenant uniquement le processus de Walsh W-(; (P
et le pont de Walsh correspondant, lorsque la probabilit6 (p1 ; i S k) est
uniforme, c'est-&-dire Pi - (i s k), et nous d6dutsons des Th6or6mes 1 et
2 le resultat asymptotique suivant, lorsque k -* c.
Theoreme 5 : Soit p entier fixo, et (T.1 ; i p) ; T*} un ensemble de
(p+4I) variables positives stables, d'indice ,u, indLpendantes. Alors

(i) {(k i1) Ts

p; l1 ki T*
- P);T-}

(ii) pour toute fonction f : Rp1 R, continue, bornee,

E[f((k Ui(1) ; p )] P _E_f(__<]

0

Demonstration Ces deux assertions d6coulent des Theoremes 1 et 2 lorsque

l'on a remarque que le vecteur

(4.i) t(TI ; isp); L. Fj Tj

k Lj=1JJ
converge en loi vers (T. ; i < p) ;T)
1 k
en d'autres termes lorsque vk -E Ti o, la variable
est
k 1=1 '
asymptotiquement independante de (T.1 ; i s p), resultat qui decoule, par
exemple, de la convergence de la transformee de Laplace du vecteur (4.i) vers
le produit des transformees de Laplace des (p+1) variables (T.i)ip et T.

Remarque Le theoreme 5 est a rapprocher du lemme de Poincare selon lequel,

si xk = (x)k x...xk)) est une variable uniformement distribuee sur la

sphere unite de k, alors pour p e N fixe,

V'(x (l) P.. x(P))(li - (N ,..Np

les variables N., i s p, 6tant gaussiennes, centr6es, r6duites, ind6pendantes.

A cet effet, remarquons que l'on d6dult du Th6ordme 1 et de la loi des

grands nombres que

k l 1 k
____ (0i 1 1 (P) 1o,E- (+)
k i,+1 AT
1=1 1 =1 k 1=1 T.T
11
En consequence, on peut r66crire l'assertion (i) du Th6or6me 5 sous la forme:
 1/k A. (1) 1 k
(4.J) k v+1 E A.(1)J
=

E=1/kA i3
j=l
converge en loi, lorsque k - , vers

(4. k) {[t( );i -5 P) T, r(v+l)}

Or, d'aprGs la proposition 1, dans le cas brownien (v = 2), le terme qui

figure a gauche en (4. j) a meme loi que

k [(x(1) )2,'. .., (x (p))2

alors que le terme correspondant en (4.k) a mdme lot que
(N2,i
1
s p).
La relation avec le lemme de Poincare est donc 6tablie.
 REFERENCES

[1l ] J.K. Brooks, R.V. Chacon : Diffusions as a limit of stretched

Brownian motions. Adv. in Maths, vol. 49, no 2, 109-122 (1983).

[21 J. Franchi: Produit semi-direct de diffusions r6elles et lois

asymptotiques. A paraltre au Journal of App. Proba. (1989)

(3] J.M. Harrison, L.A. Shepp : On skew brownian motion. Ann. Proba. 9,
309-313 (1981).

[41 K. 1t6, H.P. Mc Kean : Diffusion processes and their sample paths.
Springer (1965).

[(5 I. Karatzas, S.E. Shreve : Brownian motion and stochastic calculus.

Springer (1987).

[61 J.F. Le Gall : One-dimensional stochastic differential equations

involving the local times of the unknown process.
In : Stochastic Analysis and Applications
(eds. A. Truman, D. Williams).
Lect. Notes in Maths 1095. Springer (1984).
[71 J.W. Pitman, M. Yor: Asymptotic laws of planar Brownian motion.
Ann. Probas. 14, 733-779 (1986).

[8] L.C.G. Rogers, D. Williams : Diffusions, Markov processes and

Martingales. Vol. 2 :Ito Calculus. J. Wiley (1987).

[9] W. Rosenkrantz : Limit theorems for solutions to a class of

stochastic differential equations. Indiana Math. J. 24, 613-625
(1975).

(101 J.B. Walsh: A diffusion with discontinuous local time.

Ast6risque 52-53, 37-45 (1978).

[ alla P. Levy : Sur un problme de M. Marcinkiewicz.

C.R.A.S. 208 (1939), p. 318-321. Errata p. 776.

(Ilb] P. Levy : Sur certains processus stochastiques homogenes. Composi-

t io Math., t. 7, 1939, p. 283-339.
[12] D. Williams Markov properties of Brownian local time.
Bull. Amer. Math. Soc. 75, 1035-1036 (1969).

[131 M. Kac: On some connections between probability theory and diffe-

rential and integral equations.
Proc. 2 Berkeley Symp. on Math. Stat. and Probability,
189-215 (1951)S, University of California Press.

[14] M.T. Barlow, J.W. Pitman, M. Yor: On Walsh's Brownian Motions.

Dans ce volume

151] M.T. Barlow, J.W. Pitman, M. Yor : Some extensions of the arc sine
law. Technical Report n° 189. Department of Statistics,
U.C. Berkeley (1989).

[161 J. Kent: Some probabilistic properties of Bessel functions.

Ann. Prob. 6, 760-770 (1978).

[17] S.A. Molchanov, E. Ostrovski : Symmetric stable processes as traces

of degenerate diffusion processes.
Theory of Proba. and its App., vol. XIV, n° 1, 128-131 (1969).

[181 E.B. Dynkin: Some limit theorems for sums of independent random
variables with infinite mathematical expectations.
Selected Transl. in Math. Stat. and Probability, vol. 1, 1961,
IMS-AMS, p. 171-189 (1961).

*In Department of Statistics, University of California, Berkeley

Technical Report No. 184.
 TECHNICAL REPORTS
Statistics Department
University of California, Berkeley
1. BREIMAN, L. and FREEDMAN, D. (Nov. 1981, revised Feb. 1982). How many variables should be entered in a
regression equation? Jour. Amer. Statist. Assoc., March 1983, 78, No. 381, 131-136.
2. BRILLINGER, D. R. (Jan. 1982). Some contrasting examples of the time and frequency domain approaches to time series
analysis. Time Series Methods in Hydrosciences, (A. H. El-Shaarawi and S. R. Esterby, eds.) Elsevier Scientific
Publishing Co., Amsterdam, 1982, pp. 1-15.
3. DOKSUM, K. A. (Jan. 1982). On the performance of estimates in proportional hazard and log-linear models. Survival
Analysis, (John Crowley and Richard A. Johnson, eds.) IMS Lecture Notes - Monograph Series, (Shanti S. Gupta, series
ed.) 1982, 74-84.
4. BICKEL, P. J. and BREIMAN, L. (Feb. 1982). Sums of functions of nearest neighbor distances, moment bounds, hmit
theorems and a goodness of fit test. Ann. Prob., Feb. 1982, 11. No. 1, 185-214.
5. BRILLINGER, D. R. and TUKEY, J. W. (March 1982). Spectmm estimation and system identification relying on a
Fourier transform. The Collected Works of J. W. Tukey, vol. 2, Wadsworth, 1985, 1001-1141.
6. BERAN, R. (May 1982). Jackknife approximation to bootstrap estimates. Amn. Statist., March 1984, 12 No. 1, 101-118.
7. BICKEL, P. J. and FREEDMAN, D. A. (June 1982). Bootstrapping regression models with many parameters.
Lehmanm Festschrift, (P. J. Bickel, K. Doksum and J. L. Hodges, Jr., eds.) Wadsworth Press, Belmont, 1983, 28-48.
8. BICKEL, P. J. and COLLINS, J. (March 1982). Minimizing Fisher information over mixtures of distributions. Sankhys,
1983, 45, Series A, Pt. 1, 1-19.
9. BRELMAN, L. and FRIEDMAN, J. (July 1982). Estimating optimal transformations for multiple regression and correlation.
10. FREEDMAN, D. A. and PETERS, S. (July 1982, revised Aug. 1983). Bootstrapping a regression equation: some
empirical results. JASA, 1984, 79, 97-106.
11. EATON, M. L. and FREEDMAN, D. A. (Sept. 1982). A remark on adjusting for covariates in multiple regression.
12. BICKEL, P. J. (April 1982). Minimax estimation of the mean of a mean of a nornal distribution subject to doing well
at a point. Recent Advances in Statistics, Academic Press, 1983.
14. FREEDMAN, D. A., ROTHENBERG, T. and SUTCH, R. (Oct. 1982). A review of a residential energy end use model.
15. BRILLINGER, D. and PREISLER, H. (Nov. 1982). Maximum likelihood estimation in a latent variable problem. Studies
in Econometrics, Time Series, and Multivariate Statistics, (eds. S. Karlin, T. Amemiya, L. A. Goodman). Academic
Press, New York, 1983, pp. 31-65.
16. BICKEL, P. J. (Nov. 1982). Robust regression based on infinitesimal neighborhoods. Ann. Statist., Dec. 1984, 12,
1349-1368.
17. DRAPER, D. C. (Feb. 1983). Rank-based robust analysis of linear models. I. Exposition and review. Statistical Science,
1988, Vol3 No. 2 239-271.
18. DRAPER, D. C. (Feb 1983). Rank-based robust inference in regression models with several observations per cell.
19. FREEDMAN, D. A. and FIENBERG, S. (Feb. 1983, revised April 1983). Statistics and the scientific method, Comments
on and reactions to Freedman, A rejoinder to Fienberg's comments. Springer New York 1985 Cohort Analysis in Social
Research, (W. M. Mason and S. E. Fienberg, eds.).
20. FREEDMAN, D. A. and PETERS, S. C. (March 1983, revised Jan. 1984). Using the bootstrap to evaluate forecasting
equations. J. of Forecasting. 1985, Vol. 4, 251-262.
21. FREEDMAN, D. A. and PETERS, S. C. (March 1983, revised Aug. 1983). Bootstrapping an econometric model: some
empirical results. JIBES, 1985, 2, 150-158.
22. FREEDMAN, D. A. (March 1983). Structural-equation models: a case study.
23. DAGGETT, R. S. and FREEDMAN, D. (April 1983, revised Sept 1983). Econometrics and the law: a case study in the
proof of anitrust damages. Proc. of the Berkeley Conference, in honor of Jerzy Neyman and Jack Kiefer. Vol I pp.
123-172. (L. Le Cam, R. Olshen eds.) Wadsworth, 1985.
 -2-

24. DOKSUM, K. and YANDELL, B. (April 1983). Tests for exponentiality. Handbook of Statistics, (P. R. Krishnaiah and
P. K. Sen, eds.) 4, 1984, 579-611.
25. FREEDMAN, D. A. (May 1983). Comments on a paper by Markus.
26. FREEDMAN, D. (Oct. 1983, revised March 1984). On bootstrapping two-stage least-squares estimates in stationary linear
models. Anm. Statist., 1984, 12, 827-842.
27. DOKSUM, K. A. (Dec. 1983). An extension of partial likelihood methds for proportional hazard models to general
transformation models. Ann. Statist., 1987, 15, 325-345.
28. BICKEL, P. J., GOETZE, F. and VAN ZWET, W. R. (Jan. 1984). A simple analysis of third order efficiency of estimate
Proc. of the Neyman-Kiefer Conference, (L. Le Cam, ed.) Wadsworth, 1985.
29. BICKEL, P. J. and FREEDMAN, D. A. Asymptotic normality and the bootstrap in stratified sampling. Ann. Statist.
12 470-482.
30. FREEDMAN, D. A. (Jan. 1984). The mean vs. the median: a case study in 4-R Act litigation. JBES. 1985 Vol 3
pp. 1-13.
31. STONE, C. J; (Feb. 1984). An asymptotically optimal window selection rule for kenel density estimates. Ann. Statist.,
Dec. 1984, 12, 1285-1297.
32. BRELMAN, L. (May 1984). Nail finders, edifices, and Oz.
33. STONE, C. J. (Oct. 1984). Additive regression and other nonparametric models. Ann. Statist., 1985, 13, 689-705.
34. STONE, C. J. (June 1984). An asymptotically optimal histogram selection rule. Proc. of the Berkeley Conf. in Honor of
Jerzy Neyman and Jack Kiefer (L Le Cam and R. A. Olshen, eds.), H, 513-520.
35. FREEDMAN, D. A. and NAVIDL W. C. (Sept. 1984, revised Jan. 1985). Regression models for adjusting the 1980
Census. Statistical Science. Feb 1986, Vol. 1, No. 1, 3-39.
36. FREEDMAN, D. A. (Sept. 1984, revised Nov. 1984). De Finetti's theorem in continuous time.
37. DIACONIS, P. and FREEDMAN, D. (Oct. 1984). An elementary proof of Stirling's formula. Amer. Math Monthly. Feb
1986, Vol. 93, No. 2, 123-125.
38. LE CAM, L. (Nov. 1984). Sur l'approximation de familles de mesures par des families Gaussiennes. Ann. Inst.
Henri Poincare, 1985, 21, 225-287.
39. DIACONIS, P. and FREEDMAN, D. A. (Nov. 1984). A note on weak star uniformities.
40. BREIMAN, L. and IHAKA, R. (Dec. 1984). Nonlinear discriminant analysis via SCALING and ACE.
41. STONE, C. J. (Jan. 1985). The dimensionality reduction principle for generalized additive models.
42. LE CAM, L. (Jan. 1985). On the nonnal approximation for sums of independent variables.
43. BICKEL, P. J. and YAHAV, J. A. (1985). On estimating the number of unseen species: how many executions were
there?
44. BRILLINGER, D. R. (1985). The natural variability of vital rates and associated statistics. Biometics, to appear.
45. BRILLINGER, D. R. (1985). Fourier inference: some methods for the analysis of array and nonGaussian series data.
Water Resources Bulletin, 1985, 21, 743-756.
46. BREIMAN, L. and STONE, C. J. (1985). Broad spectrum estimates and confidence intervals for tail quantiles..
47. DABROWSKA, D. M. and DOKSUM, K. A. (1985, revised March 1987). Partial likelihood in transformation models
with censored data. Scandinavian J. Statist., 1988, 15, 1-23.
48. HAYCOCK, K. A. and BRILLINGER, D. R. (November 1985). LIBDRB: A subroutine library for elementary time
series analysis.
49. BRILLINGER, D. R. (October 1985). Fitting cosines: some procedures and some physical examples. Joshi Festschrift,
1986. D. Reidel.
50. BRILLINGER, D. R. (November 1985). What do seismology and neurophysiology have in common? - Statistics!
Comptes Rendus Math. F Acad. Sci. Canada. January, 1986.
51. COX, D. D. and O'SULLIVAN, F. (October 1985). Analysis of penalized likelihood-type estimators with application to
generalized smoothing in Sobolev Spaces.
 - 3-

52. O'SULLIVAN, F. (November 1985). A practical perspective on ill-posed inverse problems: A review with some
new developments. To appear in Journal of Statistical Science.
53. LE CAM, L. and YANG, G. L. (November 1985, revised March 1987). On the preservation of local asymptotic normality
under information loss.
54. BLACKWELL, D. (November 1985). Approximate normality of large products.
55. FREEDMAN, D. A. (June 1987). As others see us: A case study in path analysis. Journal of Educational
Statistics. 12, 101-128.
56. LE CAM, L. and YANG, G. L. (January 1986). Replaced by No. 68.
57. LE CAM, L. (February 1986). On the Bernstein - von Mises theorem.
58. O'SULLIVAN, F. (January 1986). Estimation of Densities and Hazards by the Method of Penalized likelihood.
59. ALDOUS, D. and DIACONIS, P. (February 1986). Strong Uniform Times and Finite Random Walks.
60. ALDOUS, D. (March 1986). On the Markov Chain simulation Method for Uniform Combinatorial Distributions and
Simulated Annealing.
61. CHENG, C-S. (April 1986). An Opimization Problem with Applications to Optimal Design Theory.
62. CHENG, C-S., MAJUMDAR, D., STUFKEN, J. & TURE, T. E. (May 1986, revised Jan 1987). Optimal step type
design for comparing test treatments with a control.
63. CHENG, C-S. (May 1986, revised Jan. 1987). An Application of the Kiefer-Wolfowitz Equivalence Theorem.
64. O'SULLIVAN, F. (May 1986). Nonparametric Estimation in the Cox Proportional Hazards Model.
65. ALDOUS, D. (JUNE 1986). Finite-Time Implications of Relaxation Times for Stochastically Monotone Processes.
66. PITMAN, J. (JULY 1986, revised November 1986). Stationary Excursions.
67. DABROWSKA, D. and DOKSUM, K. (July 1986, revised November 1986). Estimates and confidence intervals for
median and mean life in the proportional hazard model with censored data. Biometrika, 1987, 74, 799-808.
68. LE CAM, L. and YANG, G.L. (July 1986). Distinguished Statistics, Loss of information and a theorem of Robert B.
Davies (Fourth edition).
69. STONE, C.J. (July 1986). Asymptotic properties of logspline density estimation.
71. BICKEL, PJ. and YAHAV, J.A. (July 1986). Richardson Extrapolation and the Bootstrap.
72. LEHMANN, E.L. (July 1986). Statistics - an overview.
73. STONE, C.J. (August 1986). A nonparametric framework for statistical modelling.
74. BLANE, PH. and YOR, M. (August 1986). A relation between Levy's stochastic area formula, Legendre polynomial,
and some continued fractions of Gauss.
75. LEHMANN, EL. (August 1986, revised July 19&7). Comparing Location Experiments.
76. O'SULLIVAN, F. (September 1986). Relative risk estimation.
77. O'SULLIVAN, F. (September 1986). Deconvolution of episodic hormone data.
78. PITMAN, J. & YOR, M. (September 1987). Further asymptotic laws of planar Brownian motion.
79. FREEDMAN, D.A. & ZEISEL, H. (November 1986). From mouse to man: The quantitative assessment of cancer risks.
To appear in Statistical Science.
80. BRILLINGER, D.R. (October 1986). Maximum likelihood analysis of spike trains of interacting nerve cells.
81. DABROWSKA, D.M. (November 1986). Nonparametric regression with censored survival time data.
82. DOKSUM, K.J. and LO, A.Y. (Nov 1986, revised Aug 1988). Consistent and robust Bayes Procedures for
Location based on Partial Information.
83. DABROWSKA, D.M., DOKSUM, KA. and MIURA, R. (November 1986). Rank estimates in a class of semiparametric
two-sample models.
 - 4-

84. BRILLINGER, D. (December 1986). Some statistical methods for random process data from seismology and
neurophysiology.
85. DIACONIS, P. and FREEDMAN, D. (December 1986). A dozen de Finetti-style results in search of a theory.
Anm. Inst. Henri Poincare, 1987, 23, 397-423.
86. DABROWSKA, D.M. (January 1987). Uniform consistency of nearest neighbour and kemel conditional Kaplan
- Meier estimates.
87. FREEDMAN, DA., NAVIDI, W. and PETERS, S.C. (February 1987). On the impact of variable selection in
fitting regression equations.
88. ALDOUS, D. (February 1987, revised April 1987). Hashing with linear probing, under non-uniform probabilities.
89. DABROWSKA, D.M. and DOKSUM, K.A. (March 1987, revised January 1988). Estimating and testing in a two
sample generalized odds rate model. J. Amer. Statist. Assoc., 1988, 83, 744-749.
90. DABROWSKA, D.M. (March 1987). Rank tests for matched pair experiments with censored data.
91. DIACONIS, P and FREEDMAN, D.A. (April 1988). Conditional limit theorems for exponential families and finite
versions of de Finetti's theorem. To appear in the Joumal of Applied Probability.
92. DABROWSKA, D.M. (April 1987, revised September 1987). Kaplan-Meier estimate on the plane.
92a. ALDOUS, D. (April 1987). The Harmonic mean formula for probabilities of Unions: Applications to sparse random
graphs.
93. DABROWSKA, D.M. (June 1987, revised Feb 1988). Nonparametric quantile regression with censored data.
94. DONOHO, D.L & STARK, PRB. (June 1987). Uncertainty principles and signal recovery.
95. CANCELLED
96. BRILLINGER, D.R. (June 1987). Some examples of the statistical analysis of seismological data. To appear in
Proceedings, Centenmial Anniversary Symposium, Seismographic Stations, University of California, Berkeley.
97. FREEDMAN, DA. and NAVIDI, W. (June 1987). On the multi-stage model for carcinogenesis. To appear in
Environmental Health Perspectives.
98. O'SULLIVAN, F. and WONG, T. (June 1987). Determining a function diffusion coefficient in the heat equation.
99. O'SULLIVAN, F. (June 1987). Constrained non-linear regularization with application to some system identification
problems.
100. LE CAM, L. (July 1987, revised Nov 1987). On the standard asymptotic confidence ellipsoids of Wald.
101. DONOHO, D.L. and LIU, R.C. (July 1987). Pathologies of some minimum distance estimators. Annals of
Statistics, June, 1988.
102. BRILLINGER, D.R., DOWNING, K.H. and GLAESER, R.M. (July 1987). Some statistical aspects of low-dose
electron imaging of crystals.
103. LE CAM, L. (August 1987). Harald Crane'r and suns of independent random variables.
104. DONOHO, A.W., DONOHO, D.L. and GASKO, M. (August 1987). Macspin: Dynamic graphics on a desktop
computer. IEEE Computer Graphics and applications, June, 1988.
105. DONOHO, D.L. and LIU, R.C. (August 1987). On minimax estimation of linear functionals.
106. DABROWSKA, D.M. (August 1987). Kaplan-Meier estimate on the plane: weak convergence, LIL and the bootstrap.
107. CHENG, C-S. (Aug 1987, revised Oct 1988). Some orthogonal main-effect plans for asymmetrical factorials.
108. CHENG, C-S. and JACROUX, M. (August 1987). On the construction of trend-free run orders of two-level factorial
designs.
109. KLASS, M.J. (August 1987). Maximizing E max S,/ES': A prophet inequality for sums of I.I.D. mean zero variates.
15k5n

110. DONOHO, D.L. and LIU, R.C. (August 1987). The "automatic" robustness of minimum distance fimctionals.
Anmals of Statistics, June, 1988.
111. BICKEL PJ. and GHOSH, J.K. (August 1987, revised June 1988). A decomposition for the likelihood ratio statistic
and the Bartlett correction - a Bayesian argument
 - 5-

112. BURDZY, K., PriMAN, J.W. and YOR, M. (September 1987). Some asymptotic laws for crossings and excursions.
113. ADHIKARI, A. and PITMAN, J. (September 1987). The shortest planar arc of width 1.
114. RITOV, Y. (September 1987). Estimation in a linear regression model with censored data.
115. BICKEL, P.J. and RITOV, Y. (Sept. 1987, revised Aug 1988). Large sample theory of estimation in biased sanpling
regression models I.
116. RITOV, Y. and BICKEL, P.J. (Sept.1987, revised Aug. 1988). Achieving information bounds in non and
semiparametric models.
117. ROV, Y. (October 1987). On the convergence of a maximal correlation algorithm with alternating projections.
118. ALDOUS, D.J. (October 1987). Meeting times for independent Markov chains.
119. HESSE, C.H. (October 1987). An asymptotic expansion for the mean of the passage-time distribution of integrated
Brownian Motion.
120. DONOHO, D. and LIU, R. (Oct. 1987, revised Mar. 1988, Oct. 1988). Geometrizing rates of convergence, H.
121. BRILLINGER, D.R. (October 1987). Estimating the chances of large earthquakes by radiocarbon dating and statistical
modelling. To appear in Statistics a Guide to the Unknown.
122. ALDOUS, D., FLANNERY, B. and PALACIOS, J.L. (November 1987). Two applications of urn processes: The fringe
analysis of search trees and the simulation of quasi-stationary distributions of Markov chains.
123. DONOHO, D.L., MACGIBBON, B. and LIU, R.C. (Nov.1987, revised July 1988). Minimax risk for hyperrectangles.
124. ALDOUS, D. (November 1987). Stopping times and tightness II.
125. HESSE, C.H. (November 1987). The present state of a stochastic model for sedimentation.
126. DALANG, R.C. (December 1987, revised June 1988). Optimal stopping of two-parameter processes on
nonstandard probability spaces.
127. Same as No. 133.
128. DONOHO, D. and GASKO, M. (December 1987). Multivariate generalizations of the median and trimmed mean II.
129. SMITH, D.L. (December 1987). Exponential bounds in Vapnik-tervonenkis classes of index 1.
130. STONE, C.J. (Nov.1987, revised Sept. 1988). Uniform error bounds involving logspline models.
131. Same as No. 140
132. HESSE, C.H. (December 1987). A Bahadur - Type representation for empirical quantiles of a large class of stationary,
possibly infinite - variance, linear processes
133. DONOHO, D.L. and GASKO, M. (December 1987). Multivariate generalizations of the median and trimmed mean, I.
134. DUBINS, L.E. and SCHWARZ, G. (December 1987). A sharp inequality for martingales and stopping-times.
135. FREEDMAN, DA. and NAVIDI, W. (December 1987). On the risk of lung cancer for ex-smokers.
136. LE CAM, L. (January 1988). On some stochastic models of the effects of radiation on cell survival.
137. DIACONIS, P. and FREEDMAN, DA. (April 1988). On the uniforn consistency of Bayes estimates for multinomial
probabilities.
137a. DONOHO, D.L. and LIU, R.C. (1987). Geometrizing rates of convergence, I.
138. DONOHO, D.L. and LIU, R.C. (January 1988). Geometrizing rates of convergence, mI.
139. BERAN, R. (January 1988). Refining simultaneous confidence sets.
140. HESSE, C.H. (December 1987). Nunerical and statistical aspects of neural networks.
141. BRILLINGER, D.R. (January 1988). Two reports on trend analysis: a) An Elementary Trend Analysis of Rio Negro
Levels at Manaus, 1903-1985 b) Consistent Detection of a Monotonic Trend Superposed on a Stationary Time Series
142. DONOHO, D.L. (Jan. 1985, revised Jan. 1988). One-sided inference about functionals of a density.
 - 6-

143. DALANG, R.C. (Feb. 1988, revised Nov. 1988). Randomization in the two-armed bandit problem.
144. DABROWSKA, D.M., DOKSUM, KA. and SONG, J.K. (February 1988). Graphical comparisons of cumulative hazards
for two populations.
145. ALDOUS, D.J. (February 1988). Lower bounds for covering times for reversible Markov Chains and random walks on
graphs.
146. BICKEL, PJ. and RITOV, Y. (Feb.1988, revised August 1988). Estimating integrated squared density derivatives.
147. STARK, P.3. (March 1988). Strict bounds and applications.
148. DONOHO, D.L. and STARK, P.B. (March 1988). Rearrangements and smoodting.
149. NOLAN, D. (March 1988). Asymptotics for a multivariate location estimator.
150. SEILLIER, F. (March 1988). Sequential probability forecasts and the probability integral transform.
151. NOLAN, D. (March 1988). Limit theorems for a random convex set.
152. DLACONIS, P. and FREEDMAN, DA. (April 1988). On a theorem of Kuchler and Lauritzen.
153. DIACONIS, P. and FREEDMAN, DA. (April 1988). On the problem of types.
154. DOKSUM, KA. (May 1988). On the correspondence between models in binary regression analysis and survival analysis.
155. LEHMANN, E.L. (May 1988). Jerzy Neyman, 1894-1981.
156. ALDOUS, D.J. (May 1988). Stein's method in a two-dimensional coverage problem.
157. FAN, J. (June 1988). On the optimal rates of convergence for nonparametric deconvolution problem.
158. DABROWSKA, D. (June 1988). Signed-rank tests for censored matched pairs.
159. BERAN, R.J. and MILLAR, P.W. (June 1988). Multivariate symmetry models.
160. BERAN, R.J. and MILLAR, P.W. (June 1988). Tests of fit for logistic models.
161. BREIMAN, L. and PETERS, S. (June 1988). Comparing automatic bivariate smoothers (A public service enterprise).
162. FAN, J. (June 1988). Optimal global rates of convergence for nonparametric deconvolution problem.
163. DIACONIS, P. and FREEDMAN, DA. (June 1988). A singular measure which is locally uniform. (Revised by
Tech Report No. 180).
164. BICKEL, PJ. and KRIEGER, A.M. (July 1988). Confidence bands for a distnbution function using the bootstrap.
165. HESSE, C.H. (July 1988). New methods in the analysis of economic time series I.
166. FAN, JIANQING (July 1988). Nonparametric estimation of quadratic functionals in Gaussian white noise.
167. BREIMAN, L., STONE, C.J. and KOOPERBERG, C. (August 1988). Confidence bounds for extreme quantiles.
168. LE CAM, L. (August 1988). Maximum likelhood an introduction.
169. BREIMAN, L. (Aug.1988, revised Feb. 1989). Submodel selection and evaluation in regression I. The X-fixed case
and little bootstrap.
170. LE CAM, L. (September 1988). On the Prokhorov distance between the empirical process and the associated Gaussian
bridge.
171. STONE, C.J. (September 1988). Large-sanple inference for logspline models.
172. ADLER, R.J. and EPSTEIN, R. (September 1988). Intersection local times for infinite systems of planar brownian
motions and for the brownian density process.
173. MILLAR, P.W. (October 1988). Optimal estimation in the non-parametrc multiplicative intensity model.
174. YOR, M. (October 1988). Interwinings of Bessel processes.
175. ROJO, J. (October 1988). On the concept of tail-heaviness.
176. ABRAHAMS, D.M. and RlZZARDI, F. (September 1988). BLSS - The Berkeley interactive statistical system:
An overview.
 - 7-

177. MILLAR, P.W. (October 1988). Gamma-funnels in the domain of a probability, with statistical implications.
178. DONOHO, D.L. and LIU, R.C. (October 1988). Hardest one-dimensional subfamilies.
179. DONOHO, D.L. and STARK, P.B. (October 1988). Recovery of sparse signals from data missing low frequencies.
180. FREEDMAN, DA. and PiTMAN, JA. (Nov. 1988). A measure which is singular and uniformly locally uniform.
(Revision of Tech Report No. 163).
181. DOKSUM, KA. and HOYLAND, ARNLJOT (Nov. 1988, revised Jan. 1989). A model for step-stress accelerated life
testing experiments based on Wiener processes and the inverse Gaussian distribution.
182. DALANG, R.C., MORTON, A. and WILLINGER, W. (November 1988). Equivalent martingale measures and
no-arbitrage in stochastic securities market models.
183. BERAN, R. (November 1988). Calibrating prediction regions.
184. BARLOW, M.T., PITMAN, J. and YOR, M. (Feb. 1989). On Walsh's Brownian Motions.
185. DALANG, R.C. and WALSH, J.B. (Dec. 1988). Almost-equivalence of the germ-field Markov property and the sharp
Markov property of the Brownian sheet.
186. HESSE, C.H. (Dec. 1988). Level-Crossing of integrated Ornstein-Uhlenbeck processes
187. NEVEU, J. and P1TMAN, J.W. (Feb. 1989). Renewal property of the extrema and tree property of the excursion
of a one-dimensional brownian motion.
188. NEVEU, J. and PITMAN, J.W. (Feb. 1989). The branching process in a brownian excursion.
189. P1TMAN, J.W. and YOR, M. (Mar. 1989). Some extensions of the arcsine law.
190. STARK, P.B. (Dec. 1988). Duality and discretization in linear inverse problems.
191. LEHMANN, E.L. and SCHOLZ, F.W. (Jan. 1989). Ancillarity.
192. PEMANTLE, R. (Feb. 1989). A time-dependent version of P6lya's um.
193. PEMANTLE, R. (Feb. 1989). Nonconvergence to unstable points in urn models and stochastic approximations.
194. PEMANTLE, R. (Feb. 1989). When are touchpoints limits for generalized Polya urns.
195. PEMANTLE, R. (Feb. 1989). Random walk in a random environment and first-passage percolation on trees.
196. BARLOW, M., P1TMAN, J. and YOR, M. (Feb. 1989). Une extension multidimensionnelle de la loi de l'arc sinus.
Copies of these Reports plus the most recent additions to the Technical Report series are available from the Statistics
Department technical typist in room 379 Evans Hall or may be requested by mail from:
Department of Statistics
University of California
Berkeley, California 94720
Cost: $1 per copy.