A QUEUE R´ ` EGULI ` ERE
(TRANSFORMATIONS OF MULTIVARIATE REGULARLY VARYING DISTRIBUTIONS)
YOURI DAVYDOV et SHUYAN LIU
SoitX un vecteur al´eatoire dansRd`a queue `a variation r´eguli`ere. On consid`ere deux transformationskXkf(kXkX ),f:Sd−1→Sd−1, etXf(kXkX ),f:Sd−1→R+. Nous donnons des conditions suffisantes pour que la propri´et´e de r´egularit´e de la queue soit pr´eserv´ee sous les transformations de ce type.
Let X be a random vector in Rd with regularly varying tail. We consider two transformationskXkf(kXkX ), f :Sd−1 → Sd−1, and Xf(kXkX ), f :Sd−1 →R+. Some sufficient conditions for preserving the property of regularity of the tail for this kind of transformations are given.
AMS 2010 Subject Classification: 60B10, 60E05, 60E07, 60F05.
Key words: regular variation, multivariate stable distributions, spectral measure.
1. INTRODUCTION
La variation r´eguli`ere est un des concepts de base qui apparaˆıt de fa¸con naturelle dans des diff´erents contextes de la th´eorie des probabilit´es et ses applications. On renvoie le lecteur aux monographies de Feller [8], de Araujo
& Gin´e [1], de Resnick [13] et de Bingham et al. [3] pour la pr´esentation exhaustive de la mati`ere. Pour souligner l’importance de cette notion rappelons qu’elle est li´ee ´etroitement avec la caract´erisation des domaines d’attraction des lois stables multidimensionnelles (voir Araujo et al. [1], Samorodnitsky et al. [15] et Davydov et al. [7]). On trouve plusieurs informations sur les propri´et´es et les applications dans les articles r´ecents de Mikosch [11], Basrak et al. [2] et Jacobsen et al. [9]. Rappelons d’abord la d´efinition.
D´efinition 1.1. La loi du vecteur al´eatoire (v.a.) X dans Rd est dite `a queue `a variation r´eguli`ere s’il existe une mesure finie σ sur la sph`ere unit´e Sd−1, un nombreα >0 et une fonctionL `a variation lente tels que
REV. ROUMAINE MATH. PURES APPL.,55(2010),6, 483–492
(1.1) lim
x→∞
xα L(x)P
X
kXk ∈B, kXk> x
=σ(B)
pour tous B∈ B(Sd−1) avec σ(∂B) = 0; icik · k est la norme euclidienne.
On appelleσmesure spectraledeX, etαexposant de variation r´eguli`ere.
Le fait que X est `a queue `a variation r´eguli`ere sera dans la suite not´e par l’´ecriture “X∈VR(α, σ)”.
Il est clair que sans perdre la g´en´eralit´e on peut consid´ererσ comme une mesure normalis´ee, c’est-`a-direσ(Sd−1) = 1. En prenant dans (1.1)B =Sd−1, on d´eduit imm´ediatement que
(1.2) xα
L(x)P{kXk> x} →1, x→ ∞,
c’est-`a-dire que kXk est une variable al´eatoire positive `a queue `a variation r´eguli`ere.
Les relations (1.1) et (1.2) donnent P
X
kXk ∈B
kXk> x
→σ(B), x→ ∞,
pour tousB ∈ B(Sd−1) avecσ(∂B) = 0, ce qui signifie que la loi conditionnelle de kXXk sachant {kXk> x} converge faiblement versσ.
Il existent des diff´erentes caract´erisations de la propri´et´e X ∈VR(α, σ) (voir, par exemple, [11]), on n’en donne ici que deux.
1. Le v.a. X ∈ VR(α, σ) si et seulement s’il existe une fonction ˜L `a variation lente telle que pour tous r >0 et B∈ B(Sd−1) avecσ(∂B) = 0
(1.3) lim
n→∞nP X
kXk ∈B, kXk> rbn
=σ(B)r−α o`ubn=n1/αL(n).˜
2. Pour formuler le deuxi`eme crit`ere on passe aux coordonn´ees polaires et identifie Rd\{0} avec le produit (0,∞)×Sd−1. On introduit les mesures Qn etQ d´efinies surB((0,∞)×Sd−1) par
Qn((r,∞)×B) =nP X
kXk ∈B, kXk> rbn
, (1.4)
Q=mα×σ, (1.5)
o`u mα(dr) =αr−α−1dr. AlorsX ∈VR(α, σ) est ´equivalent `a la convergence vague
(1.6) Qn
−→vag Q, n→ ∞.
Soit S+ la famille des fonctions d´efinies sur (0,∞)×Sd−1 dont les sup- ports sont s´epar´es de z´ero, c’est-`a-dire f ∈ S+ si et seulement si ∃ε > 0 tel que supp(f)⊂[ε,∞)×Sd−1.
Il n’est pas difficile `a remarquer que la convergence en (1.6) entraine la convergence
(1.7)
Z
fdQn→ Z
fdQ pour toute f ∈ S+ qui est born´ee etQ-p.p. continue.
D’autre part pour ´etablir (1.6) il suffit de v´erifier (1.7) pour toutesf ∈ S+ continues born´ees.
La variation r´eguli`ere a la propri´et´e importante qu’elle est pr´eserv´ee sous plusieurs opr´erations et transformations qu’on utilise souvent en pratique. Une large collection des r´esultats de ce type est pr´esent´ee dans le survey de Jessen et Mikosch [10].
Le but de notre travail est de compl´eter les investigations dans cette direction. On consid`ere ici deux genres de transformations. Premi`erement, on ´etudie le passage du v.a. initial X au vecteur Y = kXkf(kXkX ) o`u f est une application de Sd−1 dans Sd−1. Dans le deuxi`eme cas on transforme la partie radiale de X, plus exactement on s’int´eresse `a la variation r´eguli`ere du vecteur Y = Xf(kXXk), o`u la fonction f cette fois-ci est une application de Sd−1 dans R+. On propose des conditions suffisantes et on donne des exem- ples qui montrent que ces conditions ne pourront ˆetre affaiblies sensiblement.
En conclusion remarquons que les propri´et´es des transformations pr´esent´ees ici seront utiles pour les simulations des vecteurs appartenant au domaine d’attraction d’une loi stable de mesure spectrale donn´ee. Dans ce contexte on peut mentionner les articles de Chambers et al. [5] et de Modarres et al. [12].
2. R ´ESULTATS
2.1. Soit X un v.a. dans Rd ayant la queue `a variation r´eguli`ere et (kXk,kXXk) sa d´ecomposition polaire. On va d’abord s’int´eresser aux trans- formations qui ne changent que la partie sph´erique de X. Plus exactement on prend une application mesurable f : Sd−1 → Sd−1 et on d´efinit le nou- veau vecteur Y = kXkf(kXXk). Il est clair qu’en coordon´ees polaires Y = (kXk, f(kXkX )). Sous quelles conditions Y reste-t-il encore un vecteur `a queue r´eguli`ere? Quelle est la mesure spectrale de ce nouveau vecteur? Le th´eor`eme suivant r´epond `a ces questions.
Th´eor`eme 2.1. SoitX un v.a. dansRdtel que la condition de variation r´eguli`ere (1.1) a lieu avec l’exposant α et la mesure spectrale σ. Soit f une
application σ-p.p. continue sur Sd−1 `a valeurs dans Sd−1, et µ est la mesure image d´efinie parµ=σf−1. Alors le v.a. transform´eY = (kXk, f(kXXk))a la queue `a variation r´eguli`ere de mˆeme exposant queX et de mesure spectraleµ.
La d´emonstration est report´ee dans la section suivante.
Corollaire 2.1. Soit X un v.a. dans R2 qui v´erifie la condition de variation r´eguli`ere(1.1)avec l’exposantαet la mesure spectraleσ. On identifie S1 avec l’intervalle [0,2π) et on suppose que la mesure spectrale de X soit uniforme, c’est-`a-dire dσ/dθ = 1/2π, θ ∈ [0,2π). Soit µ une mesure de probabilit´e sur S1 avec la fonction de r´epartition F(x) =µ([0, x]),x∈[0,2π).
Si Y est un v.a. d´efini par Y = (kXk, F−1(2πkXX k))o`uF−1 est la fonction de quantile correspondant `a F, alors Y v´erifie la condition de r´egularit´e avec la mesure spectrale µ.
Remarque1. Ce corollaire montre avec ´evidence l’utilit´e des applications du th´eor`eme 2.1 au probl`eme de simulation.
Remarque 2. La condition de continuit´e de f σ-p.p. est importante.
L’exemple suivant montre que le r´esultat du th´eor`eme 2.1 n’est plus vrai si l’on omet cette condition.
Exemple1. Soient F1 etF2 deux lois d´efinies surR+ telles que 1. la loi Fi n’a pas de queue `a variation r´eguli`ere,i= 1,2;
2. la loi F = 12(F1+F2) a la queue `a variation r´eguli`ere avec l’exposant α et les constantes de normalisation bn.
Soient{1/n}et {−1/n}deux suites des points sur la sph`ere unit´e S1= (−π, π], not´ees {x+n} et {x−n}. Soit ln± la demi-droite sortant de 0 et passant par le pointx±n. D´efinissons deux suites des segments{∆+n}et{∆−n}par ∆±n = ln±∩((−π, π]×[n, n+ 1)). SoitPla loi sur (−π, π]×(R+\{0}) d´efinie de fa¸con suivante: son support est la r´eunion de tous les intervalles ∆±i , i= 1,2, . . ., et la restriction dePsurS∞
i=1∆+i (respectivement surS∞
i=1∆−i ) concide avec 1/2F1
transf´er´ee surl+n (respectivement avec 1/2F2 transf´er´ee surl−n). SoitX un v.a.
de loi P. On v´erifie facilement quePest la loi ayant la queue r´eguli`ere avecbn
comme les constantes de normalisation dont la mesure spectrale est σ=δ{0}. Si l’on d´efinit f : (−π, π]→(−π, π] par
f(x) =
π
2 x >0, 0 x= 0,
−π2 x <0,
on obtient que σf−1 = σ tandis que Y = (kXk, f(kXkX )) n’a pas de queue r´eguli`ere. R´eellement, par exemple, on a pour ε >0
nP Y
kYk ∈π 2 −ε,π
2 +ε
, kYk> rbn
=
=nP X
kXk ∈(0, π], kXk> rbn
=n(1−F1(rbn)) qui ne converge nulle part par le choix de F1.
2.2. On consid`ere maintenant les transformations ne modifiant que la partie radiale du vecteur initial. Etant donn´e une fonction h:Sd−1 →R+ on d´efinit le nouveau vecteur al´eatoire Y = Xh(kXXk) = (kXkh(kXXk),kXkX ). Le r´esultat suivant donne des conditions sous lesquelles la propri´et´e de r´egularit´e de queue soit pr´eserv´ee.
Th´eor`eme 2.2. SoitX un v.a. dansRdayant la queue r´eguli`ere d’expo- santα et de mesure spectraleσ. Soith une fonctionσ-p.p. continue et born´ee sur Sd−1 `a valeurs dansR+,µune mesure finie surSd−1 avec la densit´eh(x)α par rapport `a σ. Alors le v.a. Y = (kXkh(kXkX ),kXXk) a la queue `a variation r´eguli`ere de mˆeme exposantα et de mesure spectrale µ.
La d´emonstration est report´ee dans la section suivante.
Les deux contre-exemples ci-dessous montrent que la condition que h est σ-p.p. continue et born´ee est r´eellement importante pour pr´eserver la r´egularit´e. L’exemple 2 pr´esente une fonction h σ-p.p. continue mais non- born´ee pour laquelle le r´esultat du th´eor`eme 2.2 n’a pas lieu, tandis que la fonction h de l’exemple 3 sera born´ee mais nonσ-p.p. continue.
Exemple2.D´efinition deX. Soitτ une mesure discr`ete surS1d´efinie par τ({bk}) =qk= 1
k(k+ 1), bk=π− π
2k−1, k= 1,2, . . . . Il est clair que P∞
k=1qk = 1 et bk ∈ [0, π). Notons Lk la demi-droite sortant de 0 et passant par le point bk, c’est-`a-dire Lk = {cbk, c > 0}. Soit Qk une mesure surLk dont la fonction de r´epartition est d´efinie par
Fk(x) =
0 0< x <1, 1−k−νx−α x≥1,
o`u ν > 0, k = 1,2, . . . . Supposons que X soit un v.a. dans R2 de loi P d´efinie par
P(A) =
∞
X
k=1
qkQk(A∩Lk), A∈ B(R2).
D´efinissons la mesure σ sur S1 par σ(B) = X
{k|bk∈B}
qkk−ν, B ∈ B(S1).
Cette mesure est bien d´efinie car P∞
k=1qkk−ν < 1. Maintenant pour tous B ∈ B(S1) avec σ(∂B) = 0 et ∀r >1 on a
rαP X
kXk ∈B, kXk> r
= X
{k|bk∈B}
rαP X
kXk =bk, kXk> r
=
=rα X
{k|bk∈B}
qk(1−Fk(r)) =rαr−α X
{k|bk∈B}
qkk−ν =σ(B).
Cela signifie queX a la loi `a queue r´eguli`ere d’exposantα et de mesure spec- trale σ.
On passe `a la construction de notre fonction h. Prenons les intervalles Ik, k= 1,2, . . . surS1 = [0,2π)
I1 = 7π
4 ,2π
∪h 0,π
4
, Ik =
bk− π
2k+1, bk+ π 2k+1
, k≥2.
Puisque la distance entre bk etbk+1 est 2πk, les intervalles I1, I2, . . . sont dis- joints et bk∈Ik pour chaquek. Notre fonctionh est d´efinie par
h(x) =
∞
X
k=1
kβ1IIk(x),
o`u β est tel que α1 < β < 1+να . ´Evidemment h est σ-p.p. continue et non- born´ee. SiY =Xh(kXkX ), alors pour ∀r >1
rαP Y
kYk ∈S1, kYk> r
=rαP
kXkh X
kXk
> r
=
=rα
∞
X
k=1
P X
kXk =bk, kXk> r kβ
≥rα X
{k|r
kβ<1}
1
k(k+ 1) ≥ rα r1/β + 1, d’o`u suit la convergence vers l’infini quand r→ ∞ du terme de droite, ce qui n’aurait pas lieu si le th´eor`eme 2.2 ´etait applicable.
Exemple3. D´efinition deX. On consid`ere la fonction g(x) surR+
g(x) =
∞
X
k=0
1
2k1I(k,k+1](x).
Notons son graphe parDg:
Dg ={(x, y)|y=g(x), x >0}.
Soit Qune mesure sur R+ dont la fonction de r´epartition est d´efinie par FQ(x) = 1−G(x) = 1−1∧x−α.
L’application π de R+ dansR2 d´efinie par π :r7→(r, g(r))
transforme Qen mesure image Qπ−1 qui sera concentr´ee sur Dg. Supposons queX soit un v.a. dansR2 de loi
P(A) = 1
2Qπ−1(A∩Dg) +1
2Q(A∩E), A∈ B(R2),
o`u E = {(x,0) | x > 0}. On v´erifie que X satisfait (1.3). Prenons d’abord B = [a,2π),a∈(0,2π). Notonska= min{k| 1
2k ≤a}, alors ((ka,∞)×B)∩Dg =∅.
Donc pour tout r > ka on a
(2.8) rαP
X
kXk ∈B, kXk> r
= 0.
Ensuite, si B = [0, a), pour∀r > ka
rαP{(r,∞)×B}=rαP{((r,∞)×(0, a))∪((r,∞)× {0})}= (2.9)
=rα 1
2Qπ−1(((r,∞)×(0, a))∩Dg) +1
2Q((r,∞))
=rαG(r) = 1.
Les relations (2.8), (2) donnent (1.1) avec σ=δ{0}.
D´efinition de h. On poseh(x) = 1I(0,2π)(x). Alors l’ensemble des discon- tinuit´es de h sera {0} et puisque σ(∂{0}) = σ({0}) = 1, la fonction h n’est pas σ-p.p. continue.
Par les arguments analogues aux pr´ec´edents on trouve que le vecteur Y = Xh(kXkX ) satisfait la condition de r´egularit´e avec la mesure spectrale µ= 12δ{0}. Par cons´equent dµ/dσ6=h.
Si les variables al´eatoires kXkX et kXk sont ind´ependantes il y a une condition moins forte sur htelle que la r´egularit´e soit pr´eserv´ee sous la trans- formation.
Th´eor`eme 2.3. Soit X un v.a. dans Rd satisfaisant la condition (1.1) avec l’exposant α et la mesure spectrale σ, h une fonction d´efinie sur Sd−1 `a valeurs dans R+ telle que R
Sd−1hα+εdσ < ∞ pour un ε > 0. Si les variables
X
kXk et kXk sont ind´ependantes, alors le vecteur transform´eY =Xh(kXkX ) = (kXkh(kXkX ), kXkX ) v´erifie la condition (1.1) avec la mesure spectrale µ telle que dµ/dσ =hα.
D´emonstration. En repr´esentant Y sous la forme Y = kXkZ, o`u Z =
X
kXkh(kXkX ), on remarque que le r´esultat suit directement du Th´eor`eme 4.15,
[14]. En connection de ce r´esultat on peut mentionner [4] (pourd= 1) et [6], Lemme 3.9.
En randomisant la fonctionh, on d´eduit imm´ediatement du th´eor`eme 2.3 le corollaire suivant.
Corollaire 2.2. Supposons que X satisfasse la condition (1.1) avec l’exposant α et la mesure spectrale σ. Soit {Z(θ), θ ∈ Sd−1} un processus stochastique ind´ependant deX dont les trajectoires sont presque srement pos- itives et σ-p.p. continues. Si pour un ε >0
Z
Sd−1
E(Zα+ε(θ))σ(dθ)<∞
alors le vecteur Y =XZ(kXkX ) a la queue r´eguli`ere de mˆeme exposantα que X et de mesure spectrale µ telle que dµ/dσ=E(Z(θ))α.
Remarque3. En vu du th´eor`eme 2.3 on pourrait penser que la condition suivante et moins restrictive
∃δ >0 tel que Z
S1
hα+δdσ <∞
sera suffisante pour pr´eserver la r´egularit´e de queue. Exemple 2 montre que ce n’est pas le cas. R´eellement, siδ est suffisamment petit,
Z
S1
hα+δ(θ)σ(dθ) =
∞
X
k=1
k(α+δ)β−νqk ≤
∞
X
k=1
k(α+δ)β−ν−2<∞.
3. PREUVES
D´emonstration du th´eor`eme2.1.Prenons l’ensembleB ∈ B(Sd−1) tel que µ(∂B) = 0. Alors∀r >0,
xα L(x)P
Y
kYk ∈B, kYk> x
= xα L(x)P
f
X kXk
∈B, kXk> x
=
= xα L(x)P
X
kXk ∈f−1(B), kXk> x
.
Pour que le dernier terme converge versµ(B)r−α, il suffit d’assurer grˆace `a la condition (1.1) que σ(∂f−1(B)) = 0. Notons D l’ensemble des discontinuit´es de f, alorsσ(D) = 0. On va montrer que
(3.10) ∂f−1(B)⊂f−1(∂B)∪D.
Si x ∈∂f−1(B)\D alors f est continue en x. Comme x ∈∂f−1(B), il existe deux suites xn ∈f−1(B) et yn ∈f−1(B){,n = 1,2, . . ., telles que xn →x et
yn→x. On en d´eduit
f(xn)→f(x), f(xn)∈B et f(yn)→f(x), f(yn)∈/ B.
Cela implique f(x) ∈∂B, ainsi x ∈ f−1(∂B) d’o`u (3.10). Puisque µ(∂B) = σf−1(∂B) = 0, on en d´eduit
σ(∂f−1(B))≤σf−1(∂B) +σ(D) = 0 qui compl`ete la d´emonstration.
D´emonstration du th´eor`eme 2.2. Rappelons que Qn,Q sont les mesures associ´ees avecXet d´efinies par (1.4) et (1.5). Soit ˜Qn, ˜Qdes mesures associ´ees avec le vecteur Y =Xh(kXkX ) et d´efinies de mˆeme fa¸con, i.e.,
Q˜n((r,∞)×B) =nP Y
kYk ∈B, kYk> rbn
, Q˜=mα×µ, o`uB∈ B(Sd−1) etr >0,bn est le mˆeme que dans (1.4). NotonsS+ la famille des fonctions sur Rdavec les supports qui sont s´epar´es du point z´ero, i.e.,
S+={f | ∃ε >0 tel que supp(f)⊂(ε,∞)×Sd−1}.
Pour d´emontrer le th´eor`eme, d’apr`es le th´eor`eme de portmanteau, il nous suffit d’´etablir la convergence
(3.11)
Z
fd ˜Qn→ Z
fd ˜Q, n→ ∞,
pour toute f ∈ S+ continue et born´ee. D´efinissons l’application ϕpar ϕ:R+×Sd−1→R+×Sd−1, (ρ, θ)7→(ρh(θ), θ).
On remarque que Y =ϕ(X), et Qnϕ−1((r,∞)×B) =nP
Y
kYk ∈B, kYk> rbn
, Qϕ−1((r,∞)×B) =Q{(ρ, θ)|θ∈B, ρh(θ)∈(r,∞)}=
= Z
B
Z
1I(r,∞)(ρh(θ))mα(dρ)σ(dθ) =
= Z
B
σ(dθ)α Z
1I(r,∞)(ρh(θ))ρ−α−1dρ=µ(B)r−α. Par cons´equent,
Z
fd ˜Qn= Z
(f ◦ϕ)dQn, Z
fd ˜Q= Z
(f ◦ϕ)dQ.
La fonction f ◦ϕ est born´ee et Q-p.p. continue grˆace `a Q-p.p. continuit´e de ϕ. De plus, f ◦ϕ∈ S+ puisque h est suppos´ee born´ee. En effet si h≤M et supp(f) ⊂(ε,∞)×Sd−1, alors supp(f ◦ϕ)⊂ (ε/M,∞)×Sd−1. Car X a la
queue r´eguli`ere d’exposantα et de mesure spectraleσ, grˆace `a la convergence
´
equivalente (1.7), on a pour toute f ∈ S+,R
(f ◦ϕ)dQn→R
(f◦ϕ)dQ ce qui donne (3.11).
R ´EF ´ERENCES
[1] A. Araujo and E. Gin´e,The Central Limit Theorem for Real and Banach Valued Random Variables. Wiley, New York, 1980.
[2] B. Basrak, R.A. Davis and T. Mikosch, Regular variation of GARCH processes. Sto- chastic Process. Appl.99(2002),1, 95–115.
[3] N.H. Bingham, C.M. Goldie and J.L. Teugels,Regular Variation. Cambridge University Press, Cambridge, 1987.
[4] L. Breiman,On some limit theorems similar to the arc-sin law. Theory Probab. Appl.
10(1965), 323–331.
[5] J.M. Chambers, C.L. Mallows and B.W. Stuck,A method for simulating stable random variables. J. Amer. Statist. Assoc.71(1976),354, 340–344.
[6] Y. Davydov and V. Egorov,Functional limit theorems for induced order statistics of a sample from a domain of attraction of α-stable law, α∈ (0,2), In: M.L. Puri (Ed.), Asymptotics in Statistics and Probability. Papers in Honor of George Gregory Roussas, pp. 85–116. VSP, Netherlands, 2000.
[7] Y. Davydov, I. Molchanov and S. Zuyev, Strictly stable distributions on convex cones.
Electron. J. Probab.13(2008),11, 259–321.
[8] W. Feller,An Introduction to Probability Theory and its Applications. Wiley, New York, 1971.
[9] M. Jacobsen, T. Mikosch, J. Rosinski and G. Samorodnitsky,Inverse problems for reg- ular variation of linear filters, a cancellation property forσ-finite measures, and identi- fication of stable laws. Ann. Appl. Probab.19(2009),1, 210–242.
[10] A.H. Jessen and T. Mikosch,Regularly varying functions. Publ. Inst. Math. (Beograd) (N.S.)80(2006),94, 171–192.
[11] T. Mikosch,Modeling dependence and tails of financial time series, In: B. Finkenstdt and H. Rootz´en (Ed.),Extreme Values in Finance, Telecommunications, and the Envi- ronment, pp. 185–286. Chapman & Hall, 2003.
[12] R. Modarres and J.P. Nolan, A method for simulating stable random vectors. Comput.
Statist.9(1994),1, 11–19.
[13] S.I. Resnick,Extreme Values, Regular Variation and Point Processes. Springer-Verlag, Berlin, 1987.
[14] S.I. Resnick and E. Willekens, Moving averages with random coefficients and random coefficient autoregressive models. Comm. Statist. Stochastic Models 7(1991), 4, 511–
525.
[15] G. Samorodnitsky and M.S. Taqqu,Stable Non-Gaussian Random Processes. Chapman
& Hall, New York, 1994.
Received 16 February 2010 Universit´e Lille I
Laboratoire Paul Painlev´e UMR 8524 CNRS Bˆatiment M2, Cit´e Scientifique 59655 Villeneuve d’Ascq Cedex, France