Les travaux de la thèse portent sur les théorèmes limites pour des modèles stochastiques à forte dépendance. Dans la première partie, nous considérons des modèles AR(1) à coefficient aléatoire. Nous identifions trois régimes asymptotiques différents pour le schéma d’agrégation conjointe temporelle-contemporaine lorsque les processus AR sont indépendants et lorsque les AR possède des innovations communes. Ensuite, on discute de l’estimation non paramétrique de la fonction de répartition du coefficient autorégressif à partir d’un panel de séries AR(1) à coefficient aléatoire. Nous prouvons la convergence faible du processus empirique basé sur des estimations des coefficients autorégressifs non observables vers un pont brownien généralisé. Ce résultat est ensuite appliqué pour valider différents outils d’inférence statistique à partir des données du panel AR(1). Dans la deuxième partie de la thèse, nous nous concentrons sur les modèles spatiaux en dimension 2. Nous considérons des champs aléatoires construits à partir des polynômes Appell et de champs aléatoires linéaires. Pour ce modèle non linéaire, nous étudions la limite de ses sommes partielles normalisées prises sur des rectangles et prouvons l’existence d’une transition d’échelle. Enfin, nous abordons la même question pour le modèle de germes-grains aléatoire. Nous mettons en évidence l’existence de deux points de transition dans les limites de ces modèles. / The thesis is devoted to limit theorems for stochastic models with long-range dependence. We first consider a random-coefficient AR(1) process, which can have long memory provided the distribution of autoregressive coefficient concentrates near the unit root. We identify three different limit regimes in the scheme of joint temporal-contemporaneous aggregation for independent copies of random-coefficient AR(1) process and for its copies driven by common innovations. Next, we discuss nonparametric estimation of the distribution of the autoregressive coefficient given multiple random-coefficient AR(1) series. We prove the weak convergence of the empirical process based on estimates of unobservable autoregressive coefficients to a generalized Brownian bridge and apply this result to draw statistical inference from panel AR(1) data. In the second part of the thesis we focus on spatial models in dimension 2. We define a nonlinear random field as the Appell polynomial of a linear random field with long-range dependence. For the nonlinear random field, we investigate the limit of its normalized partial sums over rectangles and prove the existence of scaling transition. Finally, we study such like scaling of the random grain model and obtain two-change points in its limits.

Les processus autorégressifs à bifurcation (BAR) ont été au centre de nombreux travaux de recherche ces dernières années. Ces processus, qui sont l'adaptation à un arbre binaire des processus autorégressifs, sont en effet d'intérêt en biologie puisque la structure de l'arbre binaire permet une analogie aisée avec la division cellulaire. L'objectif de cette thèse est l'estimation les paramètres de variantes de ces processus autorégressifs à bifurcation, à savoir les processus BAR à valeurs entières et les processus BAR à coefficients aléatoires. Dans un premier temps, nous nous intéressons aux processus BAR à valeurs entières. Nous établissons, via une approche martingale, la convergence presque sûre des estimateurs des moindres carrés pondérés considérés, ainsi qu'une vitesse de convergence de ces estimateurs, une loi forte quadratique et leur comportement asymptotiquement normal. Dans un second temps, on étudie les processus BAR à coefficients aléatoires. Cette étude permet d'étendre le concept de processus autorégressifs à bifurcation en généralisant le côté aléatoire de l'évolution. Nous établissons les mêmes résultats asymptotiques que pour la première étude. Enfin, nous concluons cette thèse par une autre approche des processus BAR à coefficients aléatoires où l'on ne pondère plus nos estimateurs des moindres carrés en tirant parti du théorème de Rademacher-Menchov.

Les processus autorégressifs à bifurcation (BAR) ont été au centre de nombreux travaux de recherche ces dernières années. Ces processus, qui sont l'adaptation à un arbre binaire des processus autorégressifs, sont en effet d'intérêt en biologie puisque la structure de l'arbre binaire permet une analogie aisée avec la division cellulaire. L'objectif de cette thèse est l'estimation les paramètres de variantes de ces processus autorégressifs à bifurcation, à savoir les processus BAR à valeurs entières et les processus BAR à coefficients aléatoires. Dans un premier temps, nous nous intéressons aux processus BAR à valeurs entières. Nous établissons, via une approche martingale, la convergence presque sûre des estimateurs des moindres carrés pondérés considérés, ainsi qu'une vitesse de convergence de ces estimateurs, une loi forte quadratique et leur comportement asymptotiquement normal. Dans un second temps, on étudie les processus BAR à coefficients aléatoires. Cette étude permet d'étendre le concept de processus autorégressifs à bifurcation en généralisant le côté aléatoire de l'évolution. Nous établissons les mêmes résultats asymptotiques que pour la première étude. Enfin, nous concluons cette thèse par une autre approche des processus BAR à coefficients aléatoires où l'on ne pondère plus nos estimateurs des moindres carrés en tirant parti du théorème de Rademacher-Menchov. / Bifurcating autoregressive (BAR) processes have been widely investigated this past few years. Those processes, which are an adjustment of autoregressive processes to a binary tree structure, are indeed of interest concerning biology since the binary tree structure allows an easy analogy with cell division. The aim of this thesis is to estimate the parameters of some variations of those BAR processes, namely the integer-valued BAR processes and the random coefficients BAR processes. First, we will have a look to integer-valued BAR processes. We establish, via a martingale approach, the almost sure convergence of the weighted least squares estimators of interest, together with a rate of convergence, a quadratic strong law and their asymptotic normality. Secondly, we study the random coefficients BAR processes. The study allows to extend the principle of bifurcating autoregressive processes by enlarging the randomness of the evolution. We establish the same asymptotic results as for the first study. Finally, we conclude this thesis with an other approach of random coefficient BAR processes where we do not weight our least squares estimators any more by making good use of the Rademacher-Menchov theorem.