L'objectif de ce travail est l'estimation d'une fonction quantile extrême. Nous considérons n couples de variables aléatoires indépendants et de même loi qu'un couple (X,Y) à support borné du plan. Notre but est d'estimer le quantile extrême (i.e. d'ordre inférieur à 1/n) de la fonction de répartition conditionnelle de Y sachant que X=x. La fonction de x ainsi définie est appelée fonction quantile extrême. Pour ce faire, nous introduisons au préalable un estimateur de l'indice de valeur extreme et nous en déduisons un estimateur de quantile extrême. Ces estimateurs ont la particularité de n'utiliser uniquement l'information apportée par des nombres de points qui dépassent des seuils aléatoires. Nous établissons la consistance faible des estimateurs et nous étudions leurs comportements sur quelques simulations.

Cette recherche s'insère dans le contexte général de la calibration, en vue d'applications industrielles. Son objectif est d'évaluer la qualité d'une base de données, représentant la manière dont celle-ci occupe, au mieux des objectifs recherchés, son domaine de variation. Le travail réalisé ici fournit une synthèse des outils mathématiques et algorithmiques permettant de réaliser une telle opération. Nous proposons en outre des techniques de sélection ou d'importation de nouvelles observations permettant d'améliorer la qualité globale des bases de données. Les méthodes élaborées permettent entre autres d'identifier des défauts dans la structure des données. Leurs applications sont illustrées dans le cadre de l'évaluation de paramètres fonctionnels, dans un contexte d'estimation par fonctions orthogonales.

Nous présentons quelques contributions à l'estimation fonctionnelle par méthodes d'ondelettes.<br />Deux axes de recherches orientent notre travail. Premier axe: étude de modèles statistiques complexes. Le point de départ de notre étude est le modèle de bruit blanc gaussien généralisé et le modèle de régression à pas aléatoires.<br />Ceux-ci font intervenir une fonction perturbant l'estimation de la fonction inconnue.<br />Notre objectif est de montrer l'influence exacte de cette fonction parasite via l'approche minimax sous le risque Lp. Dans un premier temps,<br />nous utilisons des méthodes en ondelettes pour cerner les limites de cette approche lorsque l'on se place sur des boules de Besov standards. Dans un deuxième temps, nous étudions l'alternative des boules de Besov pondérées et des méthodes en ondelettes déformées.<br />Deuxième axe: estimation adaptative. Nous étudions les performances de plusieurs estimateurs de seuillage par blocs en ondelettes sous le risque Lp.<br />Nous montrons leurs excellentes propriétés minimax et maxisets pour un large panel de modèles statistiques. En guise d'applications, nous traitons le modèle de régression à pas aléatoires et le modèle de convolution en bruit blanc gaussien.

A ce jour, l'essentiel de mes travaux s'articule autour de l'estimation de fonctions inconnues émanant de phénomènes aléatoires. La richesse de ces phénomènes combinée avec l'amélioration constante des méthodes d'estimation nourrissent mon intérêt pour le sujet. J'ai toutefois choisi de me spécialiser dans les méthodes d'ondelettes. La principale raison est qu'elles bénéficient d'une grande faculté d'adaptation à la complexité du problème posé, tout en ayant des performances d'estimation remarquables. Cela est présenté dans la première partie de ce rapport. Les trois autres parties concernent trois de mes résultats les plus significatifs. En outre, ils sont applicables à une multitude de modèles statistiques, ouvrant ainsi un large champ d'applications, et améliorent certains aspects de résultats existants.

Nous étudions les propriétés probabilistes, trajectorielles et statistiques des processus stochastiques multistables, qui sont tangents en chaque point à un processus stable. Ils possèdent ainsi une intensité de sauts et une régularité locale qui varient au cours du temps. Nous nous intéressons dans un premier temps aux processus pouvant être définis par une moyenne mobile et possédant la propriété d'être localisables, c'est-à-dire d'être tangents en loi à un processus en chaque point. Des critères assurant la localisabilité, ainsi qu'une méthode de simulation de tels processus sont donnés. Nous proposons ensuite une nouvelle construction et des critères de localisabilité des processus multistables à l'aide d'une représentation de type Ferguson-Klass-LePage. Pour les processus obtenus, nous étudions certaines propriétés probabilistes et trajectorielles. En particulier, nous caractérisons le comportement asymptotique des accroissements des processus multistables, ainsi que leur régularité Höldérienne. Enfin, nous proposons des estimateurs de la fonction de stabilité et de la fonction de localisabilité. La consistance au sens de la convergence Lp est prouvée. Les performances des estimateurs sont illustrées sur des séries simulées suivant deux modèles : le mouvement de Lévy multistable et le mouvement linéaire multifractionnaire multistable.

L'objet de cette thèse est d'apporter une contribution à l'inférence dans les modèles partiellement linéaires en appliquant des méthodes d'estimation adaptative par ondelettes. Ces modèles de régression semi-paramétriques distinguent des relations linéaires et des relations fonctionnelles, non paramétriques. L'inférence statistique consiste à estimer conjointement les deux types de prédicteurs, en prenant en compte leur possible corrélation. Une procédure des moindres carrés pénalisés permet d'introduire une estimation par ondelettes avec seuillage des coefficients de la partie fonctionnelle. Un parallèle est établi avec une estimation du paramètre de régression par des M-estimateurs usuels dans un modèle linéaire, les coefficients d'ondelettes de la partie fonctionnelle étant considérés comme des valeurs aberrantes. Une procédure d'estimation de la variance du bruit est aussi proposée. Des résultats relatifs aux propriétés asymptotiques des estimateurs de la partie linéaire et de la partie non paramétrique sont démontrés lorsque les observations de la partie fonctionnelle sont réalisées en des points équidistants. Sous des restrictions usuelles de corrélation entre les variables explicatives, les résultats sont presque optimaux (à un logarithme près). Des simulations permettent d'illustrer les comportements des estimateurs et de les comparer avec d'autres méthodes existantes. Une application sur des données d'IRM fonctionnelle a aussi été réalisée. Une dernière partie envisage le cadre d'un plan d'observation aléatoire de la partie fonctionnelle.