Soit L(X) l'algèbre des opérateurs bornés sur un espace de Banach X et soit t:G⇾L(X) une représentation fortement continue d'un groupe topologique G dans X. Pour chaque élément g dans le groupe G, on considère la projection sur le cercle unité T du spectre s(t(g)) de l'opérateur inversible t(g), on note donc s1(t(g)):={l/|l|, l∊s(t(g))}, et on considère l'ensemble S de tous les éléments g du groupe G tels que s1(t(g)) ne contienne aucun polygone régulier, on note donc S:={g∊ G / ∄ P∊P'/ P ⊆ s1(t(g))}, où P' désigne l'ensemble des polygones réguliers de T (nous appelons polygone régulier de T l'image par une rotation d'un sous-groupe fermé de T autre que {1}). Dans la première partie, nous présentons les principaux résultats et notations utilisés par la suite. Lorsque G est un groupe abélien localement compact, nous prouvons dans la deuxième partie que t est uniformément continue si et seulement si t est mesurable (L(X) est muni de la topologie de la norme) et si de plus G est à base de topologie dénombrable et t fortement continue, nous montrons dans la troisième partie que t est uniformément continue si et seulement si S n'est pas maigre. De même, nous montrons que t est uniformément continue si et seulement si S n'est pas négligeable pour la mesure de Haar sur G. Lorsque G est un groupe localement compact et t une représentation unitaire de G dans un espace de Hilbert H, nous montrons également dans la deuxième partie que t est uniformément continue si et seulement si t est mesurable, et si de plus G est métrisable et t fortement continue, nous prouvons dans la troisième partie que t est uniformément continue si et seulement si {g∊ G / 0∉ Conv(s(t(g)))} n'est pas maigre, où Conv(S) désigne l'enveloppe convexe d'une partie quelconque S dans un espace vectoriel.

Tableau d'honneur de la Faculté des études supérieures, 2018-2019 / Dans un article récent de Aleman, Hartz, McCarthy et Richter, les auteurs ont montré que toute fonction dans un espace avec la propriété de Pick complète peut s’écrire comme un quotient de deux multiplicateurs. Ce résultat était un des deux points clé manquant dans la démonstration d’une version du théorème de Gleason–Kahane–Zelazko pour l’espace de Dirichlet. Le but de ce mémoire est de développer la théorie des espaces de Hilbert à noyau reproduisant et d’utiliser celle-ci afin d’étudier trois espaces importants de fonctions holomorphes sur D, soit l’espace de Hardy, l’espace de Dirichlet et l’espace de Bergman, et de bien comprendre le résultat de Aleman, Hartz, McCarthy et Richter. On est par la suite en mesure de démontrer le théorème GKZ pour l’espace de Dirichlet. iii

Cette thèse s’intéresse à différentes variantes du problème des bandits, une instance simplifiée d’un problème de reinforcement learning (RL) dont l’accent est mis sur le compromis entre l’exploration et l’exploitation. Plus spécifiquement, l’accent est mis sur trois variantes, soient les bandits contextuels, structurés et multi-objectifs. Dans la première, un agent recherche l’action optimale dépendant d’un contexte donné. Dans la seconde, un agent recherche l’action optimale dans un espace potentiellement grand et caractérisé par une métrique de similarité. Dans la dernière, un agent recherche le compromis optimal sur un front de Pareto selon une fonction d’articulation des préférences non observable directement. La thèse propose des algorithmes adaptés à chacune de ces variantes, dont les performances sont appuyées par des garanties théoriques ou des expériences empiriques. Ces variantes de bandits servent de cadre à deux applications réelles et à haut potentiel d’impact, soient l’allocation de traitements adaptative pour la découverte de stratégies de traitement du cancer personnalisées, et l’optimisation en-ligne de paramètres d’imagerie microscopique à grande résolution pour l’acquisition efficace d’images utilisables en neuroscience. La thèse apporte donc des contributions à la fois algorithmiques, théoriques et applicatives. Une adaptation de l’algorithme best empirical sampled average (BESA), GP BESA, est proposée pour le problème des bandits contextuels. Son potentiel est mis en lumière par des expériences en simulation, lesquelles ont motivé le déploiement de la stratégie dans une étude sur des animaux en laboratoire. Les résultats, prometteurs, montrent que GP BESA est en mesure d’étendre la longévité de souris atteintes du cancer et ainsi augmenter significativement la quantité de données recueillies sur les sujets. Une adaptation de l’algorithme Thompson sampling (TS), Kernel TS, est proposée pour le problème des bandits structurés en reproducing kernel Hilbert space (RKHS). Une analyse théorique permet d’obtenir des garanties de convergence sur le pseudo-regret cumulatif. Des résultats de concentration pour la régression à noyau avec régularisation variable ainsi qu’une procédure d’ajustement adaptative de la régularisation basée sur l’estimation empirique de la variance du bruit sont également introduits. Ces contributions permettent de lever l’hypothèse classique sur la connaissance a priori de la variance du bruit en régression à noyau en-ligne. Des résultats numériques illustrent le potentiel de ces outils. Des expériences empiriques illustrent également la performance de Kernel TS et permettent de soulever des questionnements intéressants relativement à l’optimalité des intuitions théoriques. Une nouvelle variante de bandits multi-objectifs généralisant la littérature est proposée. Plus spécifiquement, le nouveau cadre considère que l’articulation des préférences entre les objectifs provient d’une fonction non observable, typiquement d’un utilisateur (expert), et suggère d’intégrer cet expert à la boucle d’apprentissage. Le concept des rayons de préférence est ensuite introduit pour évaluer la robustesse de la fonction de préférences de l’expert à des erreurs dans l’estimation de l’environnement. Une variante de l’algorithme TS, TS-MVN, est proposée et analysée. Des expériences empiriques appuient ces résultats et constituent une investigation préliminaire des questionnements relatifs à la présence d’un expert dans la boucle d’apprentissage. La mise en commun des approches de bandits structurés et multi-objectifs permet de s’attaquer au problème d’optimisation des paramètres d’imagerie STED de manière en-ligne. Les résultats expérimentaux sur un vrai montage microscopique et avec de vrais échantillons neuronaux montrent que la technique proposée permet d’accélérer considérablement le processus de caractérisation des paramètres et facilitent l’obtention rapide d’images pertinentes pour des experts en neuroscience. / This thesis deals with various variants of the bandits problem, wihch corresponds to a simplified instance of a RL problem with emphasis on the exploration-exploitation trade-off. More specifically, the focus is on three variants: contextual, structured, and multi-objective bandits. In the first, an agent searches for the optimal action depending on a given context. In the second, an agent searches for the optimal action in a potentially large space characterized by a similarity metric. In the latter, an agent searches for the optimal trade-off on a Pareto front according to a non-observable preference function. The thesis introduces algorithms adapted to each of these variants, whose performances are supported by theoretical guarantees and/or empirical experiments. These bandit variants provide a framework for two real-world applications with high potential impact: 1) adaptive treatment allocation for the discovery of personalized cancer treatment strategies; and 2) online optimization of microscopic imaging parameters for the efficient acquisition of useful images. The thesis therefore offers both algorithmic, theoretical, and applicative contributions. An adaptation of the BESA algorithm, GP BESA, is proposed for the problem of contextual bandits. Its potential is highlighted by simulation experiments, which motivated the deployment of the strategy in a wet lab experiment on real animals. Promising results show that GP BESA is able to extend the longevity of mice with cancer and thus significantly increase the amount of data collected on subjects. An adaptation of the TS algorithm, Kernel TS, is proposed for the problem of structured bandits in RKHS. A theoretical analysis allows to obtain convergence guarantees on the cumulative pseudo-regret. Concentration results for the regression with variable regularization as well as a procedure for adaptive tuning of the regularization based on the empirical estimation of the noise variance are also introduced. These contributions make it possible to lift the typical assumption on the a priori knowledge of the noise variance in streaming kernel regression. Numerical results illustrate the potential of these tools. Empirical experiments also illustrate the performance of Kernel TS and raise interesting questions about the optimality of theoretical intuitions. A new variant of multi-objective bandits, generalizing the literature, is also proposed. More specifically, the new framework considers that the preference articulation between the objectives comes from a nonobservable function, typically a user (expert), and suggests integrating this expert into the learning loop. The concept of preference radius is then introduced to evaluate the robustness of the expert’s preference function to errors in the estimation of the environment. A variant of the TS algorithm, TS-MVN, is introduced and analyzed. Empirical experiments support the theoreitcal results and provide a preliminary investigation of questions about the presence of an expert in the learning loop. Put together, structured and multi-objective bandits approaches are then used to tackle the online STED imaging parameters optimization problem. Experimental results on a real microscopy setting and with real neural samples show that the proposed technique makes it possible to significantly accelerate the process of parameters characterization and facilitate the acquisition of images relevant to experts in neuroscience.

Étant donné G un groupe topologique localement compact, il est bien connu que l’espace L1(G) des fonctions absolument intégrables sur G est stable par rapport au produit de convolution et jouit même d’une structure d’algèbre de Banach. Mais il en va tout autrement pour les espaces Lp(G) avec p > 1 : le théorème de Saeki stipule que l’espace Lp(G) est stable par rapport au produit de convolution si et seulement si G est compact. Il existe cependant une façon d’infléchir le résultat dans un sens qui nous agrée : en modifiant la définition des normes k kp afin d’y introduire une pondération, à savoir une fonction w : G ! (0; 1), on peut parfois faire en sorte que l’espace ainsi obtenu – qu’on appelle l’espace w-pondéré des fonctions Lp(G) et qu’on note Lp(G; w) – soit stable par rapport au produit de convolution. Cette démarche soulève toutefois deux questions importantes : — Pour p > 1 fixé, quels sont les groupes topologiques localement compacts admettant au moins une pondération pour laquelle Lp(G; w) est stable par rapport au produit de convolution ? — Étant donné un tel groupe G, qu’est-ce qui caractérise les pondérations w : G ! (0; 1) pour lesquelles Lp(G; w) est stable par rapport au produit de convolution ? Bien qu’on ne dispose pas à ce jour de réponses complètes et définitives à ces deux questions, nous passerons en revue quelques récents progrès, sans prétendre à l’exhaustivité. Notre attention se focalisera principalement sur un problème émanant de la deuxième question : il est établi que toute pondération jouissant de la propriété nommée sous-convolutivité au sens faible donne lieu à un espace Lp(G; w) qui est stable par rapport au produit de convolution. Mais on connait désormais de nombreux exemples montrant que cette condition suffisante n’est pas nécessaire en général. Il existe cependant un type de groupes pour lequel la possibilité demeure que la sous-convolutivité au sens faible représente effectivement une caractérisation complète. Il s’agit des groupes abéliens discrets. La présente thèse de doctorat vise à élaborer de nouvelles approches pour aborder la question quant à savoir si, oui ou non, la sous-convolutivité au sens faible est une condition nécessaire et suffisante pour garantir la stabilité de Lp(G; w) par rapport au produit de convolution dans le cas particulier où G est un groupe abélien discret et p = 2. Dans la première partie de cette thèse, nous interprétons cette question à la lumière de la théorie des espaces de Hilbert à noyau reproduisant et obtiendrons une preuve substantiellement différente d’un résultat de Kuznetsova. La seconde partie de la thèse est consacrée à la reformulation de la question principale dans le cadre de la théorie des opérateurs. Ce faisant, nous formulons encore une autre démonstration significativement différente du théorème de Kuznetsova. L’approche développée nous permet également l’obtention d’estimations originales et celles-ci sont présentées en détail. / 354402\u Given a locally compact topological group G, it is widely known that L1(G), the space of absolutely integrable functions on G, is an algebra with respect to the operation of convolution. For any given Lp(G) space with p > 1, though, the situation is emphatically different: a theorem of Saeki states that Lp(G) is a convolution algebra if and only if G is compact. If we introduce within the definition of the Lp-norm a weight function w : G ! (0; 1), we obtain a new function space called the w-weighted Lp-space and denoted by Lp(G; w). By defining the weight function carefully, Lp(G; w) can be made to be stable with respect to convolution even though G is non-compact. However, this raises two fundamental questions: — Given p > 1, what are the locally compact topological groups G on which there exists a weight w such that Lp(G; w) is stable with respect to convolution? — Given such a group G, what condition(s) does w : G ! (0; 1) need to verify in order for Lp(G; w) to be stable with respect to convolution? Thus far, these questions remain unsolved. We shall discuss in detail some partial answers available in the literature, whilst not claiming to be exhaustive. We will be focusing mainly on a problem arising from the second question: it has been established that any weakly subconvolutive weight causes Lp(G; w) to be stable with respect to convolution. But there are numerous examples showing that this sufficient condition is not necessary. There is, however, a type of group, viz. the discrete abelian groups, for which there remains a possibility that weak sub-convolutivity truly characterizes those weights entailing the stability of the Lp-space of functions with respect to convolution. In this thesis, we aim to elaborate new approaches to determine whether the weak subconvolutivity is a necessary and sufficient condition guaranteeing the stability of Lp(G; w) with respect to convolution in the particular case of discrete abelian groups and for p = 2. In the first part of this thesis, we reinterpret this question in light of the theory of reproducing kernel Hilbert spaces, and we obtain a substantially different proof of a theorem of Kuznetsova. The second part of the thesis is devoted to revisiting the main question, but this time, we rephrase it in the context of the operator theory. In doing so, we derive yet another proof of Kuznetsova’s theorem as well as an original estimate.

Nous proposons une dérivation théorético-informationnelle de la théorie quantique via une axiomatique informationnelle. La 1ère partie de la thèse est consacrée aux fondements philosophiques de cette approche. Elle est présentée dans un cadre épistémologique sous la forme d'une boucle entre descriptions théoriques. La 2ème partie est consacrée à la dérivation du formalisme de la théorie quantique. Nous posons un système d'axiomes et nous analysons le double rôle de l'observateur. A l'aide des techniques de la logique quantique, nous établissons les théorèmes montrant les étapes de la reconstruction du formalisme de la théorie quantique. Dans la 3ème partie, nous introduisons la théorie des C*-algèbres et nous proposons de cette dernière une interprétation théorético-informationnelle. Nous concluons par une liste de problèmes ouverts dans l'approche informationnelle, y compris ceux relevant des sciences cognitives, de la théorie de la décision et des technologies de l'information.

Dans cette thèse, nous considérons le modèle de régression avec plusieurs unités expérimentales, où les erreurs forment un processus d'autocovariance dans un cadre générale, c'est-à-dire, un processus du second ordre (stationnaire ou non stationnaire) avec une autocovariance non différentiable le long de la diagonale. Nous sommes intéressés, entre autres, à l'estimation non paramétrique de la fonction de régression de ce modèle.Premièrement, nous considérons l'estimateur classique proposé par Gasser et Müller. Nous étudions ses performances asymptotiques quand le nombre d'unités expérimentales et le nombre d'observations tendent vers l'infini. Pour un échantillonnage régulier, nous améliorons les vitesses de convergence d'ordre supérieur de son biais et de sa variance. Nous montrons aussi sa normalité asymptotique dans le cas des erreurs corrélées.Deuxièmement, nous proposons un nouvel estimateur à noyau pour la fonction de régression, basé sur une propriété de projection. Cet estimateur est construit à travers la fonction d'autocovariance des erreurs et une fonction particulière appartenant à l'Espace de Hilbert à Noyau Autoreproduisant (RKHS) associé à la fonction d'autocovariance. Nous étudions les performances asymptotiques de l'estimateur en utilisant les propriétés de RKHS. Ces propriétés nous permettent d'obtenir la vitesse optimale de convergence de la variance de cet estimateur. Nous prouvons sa normalité asymptotique, et montrons que sa variance est asymptotiquement plus petite que celle de l'estimateur de Gasser et Müller. Nous conduisons une étude de simulation pour confirmer nos résultats théoriques.Troisièmement, nous proposons un nouvel estimateur à noyau pour la fonction de régression. Cet estimateur est construit en utilisant la règle numérique des trapèzes, pour approximer l'estimateur basé sur des données continues. Nous étudions aussi sa performance asymptotique et nous montrons sa normalité asymptotique. En outre, cet estimateur permet d'obtenir le plan d'échantillonnage optimal pour l'estimation de la fonction de régression. Une étude de simulation est conduite afin de tester le comportement de cet estimateur dans un plan d'échantillonnage de taille finie, en terme d'erreur en moyenne quadratique intégrée (IMSE). De plus, nous montrons la réduction dans l'IMSE en utilisant le plan d'échantillonnage optimal au lieu de l'échantillonnage uniforme.Finalement, nous considérons une application de la régression non paramétrique dans le domaine pharmacocinétique. Nous proposons l'utilisation de l'estimateur non paramétrique à noyau pour l'estimation de la fonction de concentration. Nous vérifions son bon comportement par des simulations et une analyse de données réelles. Nous investiguons aussi le problème de l'estimation de l'Aire Sous la Courbe de concentration (AUC), pour lequel nous proposons un nouvel estimateur à noyau, obtenu par l'intégration de l'estimateur à noyau de la fonction de régression. Nous montrons, par une étude de simulation, que le nouvel estimateur est meilleur que l'estimateur classique en terme d'erreur en moyenne quadratique. Le problème crucial de l'obtention d'un plan d'échantillonnage optimale pour l'estimation de l'AUC est discuté en utilisant l'algorithme de recuit simulé généralisé. / In this thesis, we consider the fixed design regression model with repeated measurements, where the errors form a process with general autocovariance function, i.e. a second order process (stationary or nonstationary), with a non-differentiable covariance function along the diagonal. We are interested, among other problems, in the nonparametric estimation of the regression function of this model.We first consider the well-known kernel regression estimator proposed by Gasser and Müller. We study its asymptotic performance when the number of experimental units and the number of observations tend to infinity. For a regular sequence of designs, we improve the higher rates of convergence of the variance and the bias. We also prove the asymptotic normality of this estimator in the case of correlated errors.Second, we propose a new kernel estimator of the regression function based on a projection property. This estimator is constructed through the autocovariance function of the errors, and a specific function belonging to the Reproducing Kernel Hilbert Space (RKHS) associated to the autocovariance function. We study its asymptotic performance using the RKHS properties. These properties allow to obtain the optimal convergence rate of the variance. We also prove its asymptotic normality. We show that this new estimator has a smaller asymptotic variance then the one of Gasser and Müller. A simulation study is conducted to confirm this theoretical result.Third, we propose a new kernel estimator for the regression function. This estimator is constructed through the trapezoidal numerical approximation of the kernel regression estimator based on continuous observations. We study its asymptotic performance, and we prove its asymptotic normality. Moreover, this estimator allow to obtain the asymptotic optimal sampling design for the estimation of the regression function. We run a simulation study to test the performance of the proposed estimator in a finite sample set, where we see its good performance, in terms of Integrated Mean Squared Error (IMSE). In addition, we show the reduction of the IMSE using the optimal sampling design instead of the uniform design in a finite sample set.Finally, we consider an application of the regression function estimation in pharmacokinetics problems. We propose to use the nonparametric kernel methods, for the concentration-time curve estimation, instead of the classical parametric ones. We prove its good performance via simulation study and real data analysis. We also investigate the problem of estimating the Area Under the concentration Curve (AUC), where we introduce a new kernel estimator, obtained by the integration of the regression function estimator. We prove, using a simulation study, that the proposed estimators outperform the classical one in terms of Mean Squared Error. The crucial problem of finding the optimal sampling design for the AUC estimation is investigated using the Generalized Simulating Annealing algorithm.

L'Analyse des Données Fonctionnelles est un domaine important et dynamique en statistique. Elle offre des outils efficaces et propose de nouveaux développements méthodologiques et théoriques en présence de données de type fonctionnel (fonctions, courbes, surfaces, ...). Le travail exposé dans cette thèse apporte une nouvelle contribution aux thèmes de l'apprentissage statistique et des quantiles conditionnels lorsque les données sont assimilables à des fonctions. Une attention particulière a été réservée à l'utilisation de la technique Support Vector Machines (SVM). Cette technique fait intervenir la notion d'Espace de Hilbert à Noyau Reproduisant. Dans ce cadre, l'objectif principal est d'étendre cette technique non-paramétrique d'estimation aux modèles conditionnels où les données sont fonctionnelles. Nous avons étudié les aspects théoriques et le comportement pratique de la technique présentée et adaptée sur les modèles de régression suivants. Le premier modèle est le modèle fonctionnel de quantiles de régression quand la variable réponse est réelle, les variables explicatives sont à valeurs dans un espace fonctionnel de dimension infinie et les observations sont i.i.d.. Le deuxième modèle est le modèle additif fonctionnel de quantiles de régression où la variable d'intérêt réelle dépend d'un vecteur de variables explicatives fonctionnelles. Le dernier modèle est le modèle fonctionnel de quantiles de régression quand les observations sont dépendantes. Nous avons obtenu des résultats sur la consistance et les vitesses de convergence des estimateurs dans ces modèles. Des simulations ont été effectuées afin d'évaluer la performance des procédures d'inférence. Des applications sur des jeux de données réelles ont été considérées. Le bon comportement de l'estimateur SVM est ainsi mis en évidence. / Functional Data Analysis is an important and dynamic area of statistics. It offers effective new tools and proposes new methodological and theoretical developments in the presence of functional type data (functions, curves, surfaces, ...). The work outlined in this dissertation provides a new contribution to the themes of statistical learning and quantile regression when data can be considered as functions. Special attention is devoted to use the Support Vector Machines (SVM) technique, which involves the notion of a Reproducing Kernel Hilbert Space. In this context, the main goal is to extend this nonparametric estimation technique to conditional models that take into account functional data. We investigated the theoretical aspects and practical attitude of the proposed and adapted technique to the following regression models.The first model is the conditional quantile functional model when the covariate takes its values in a bounded subspace of the functional space of infinite dimension, the response variable takes its values in a compact of the real line, and the observations are i.i.d.. The second model is the functional additive quantile regression model where the response variable depends on a vector of functional covariates. The last model is the conditional quantile functional model in the dependent functional data case. We obtained the weak consistency and a convergence rate of these estimators. Simulation studies are performed to evaluate the performance of the inference procedures. Applications to chemometrics, environmental and climatic data analysis are considered. The good behavior of the SVM estimator is thus highlighted.

Cette thèse présente quelques résultats sur la théorie locale pour les espaces de Banach et d'opérateurs. La première partie consiste en l'étude de la propriété $\text{OUMD}$ pour l'espace colonne $C$. La deuxième partie traite de la propriété $\text{UMD}$ classique pour les espaces $L_p(L_q)$ itérés. Le résultat principal donne une construction nouvelle et très naturelle de treillis de Banach qui sont super-réflexifs et non-$\text{UMD}$: L'espace $L_p(L_q(L_p(L_q(\cdots$ itéré une infinité de fois est super-réflexif si $1 < p, q < \infty$ mais n'est pas $\text{UMD}$ si $p \ne q$.

L'objectif de cette thèse est de développer des outils de prédiction d'interactions entre protéines qui puissent être appliqués en particulier chez l'homme, sur les protéines qui constituent un réseau avec la protéine CFTR. Cette protéine, lorsqu'elle est défectueuse, est impliquée dans la mucoviscidose. Le développement de méthodes de prédiction in silico peut s'avérer utile pour suggérer aux biologistes de nouvelles cibles d'interaction et pour mieux expliquer les fonctions des protéines présentes dans ce réseau. Nous proposons une nouvelle méthode pour le problème de la prédiction de liens dans un réseau. Afin de bénéficier de l'information des données non étiquetées, nous nous plaçons dans le cadre de l'apprentissage semi-supervisé. Nous abordons ce problème de prédiction comme une tâche d'apprentissage d'un noyau de sortie, appelée régression à noyau de sortie. Un noyau de sortie est supposé coder les proximités existantes entre les noeuds du graphe et l'objectif est d'approcher ce noyau à partir de descriptions appropriées en entrée. L'utilisation de l'astuce du noyau dans l'ensemble de sortie permet de réduire le problème d'apprentissage à partir de paires à un problème d'apprentissage d'une fonction d'une seule variable à valeurs dans un espace de Hilbert. En choisissant les fonctions candidates pour la régression dans un espace de Hilbert à noyau reproduisant à valeur opérateur, nous développons, comme dans le cas de fonctions à valeurs scalaires, des outils de régularisation. Nous établissons en particulier des théorèmes de représentation dans le cas supervisé et dans le cas semi-supervisé, que nous utilisons ensuite pour définir de nouveaux modèles de régression pour différentes fonctions de coût, appelés IOKR-ridge et IOKR-margin. Nous avons d'abord testé l'approche développée sur des données artificielles, des problèmes test ainsi que sur un réseau d'interaction protéine-protéine chez la levure S. Cerevisiae et obtenu de très bons résultats. Puis nous l'avons appliquée à la prédiction d'interactions entre protéines dans le cas d'un réseau construit autour de la protéine CFTR.

Les progrès continus dans les techniques du stockage et de la collection des données permettent d'observer et d'enregistrer des processus d’une façon presque continue. Des exemples incluent des données climatiques, des valeurs de transactions financières, des modèles des niveaux de pollution, etc. Pour analyser ces processus, nous avons besoin des outils statistiques appropriés. Une technique très connue est l'analyse de données fonctionnelles (ADF).<p><p>L'objectif principal de ce projet de doctorat est d'analyser la dépendance temporelle de l’ADF. Cette dépendance se produit, par exemple, si les données sont constituées à partir d'un processus en temps continu qui a été découpé en segments, les jours par exemple. Nous sommes alors dans le cadre des séries temporelles fonctionnelles.<p><p>La première partie de la thèse concerne la régression linéaire fonctionnelle, une extension de la régression multivariée. Nous avons découvert une méthode, basé sur les données, pour choisir la dimension de l’estimateur. Contrairement aux résultats existants, cette méthode n’exige pas d'assomptions invérifiables. <p><p>Dans la deuxième partie, on analyse les modèles linéaires fonctionnels dynamiques (MLFD), afin d'étendre les modèles linéaires, déjà reconnu, dans un cadre de la dépendance temporelle. Nous obtenons des estimateurs et des tests statistiques par des méthodes d’analyse harmonique. Nous nous inspirons par des idées de Brillinger qui a étudié ces models dans un contexte d’espaces vectoriels. / Doctorat en Sciences / info:eu-repo/semantics/nonPublished