Dans la première partie de cette thèse, nous avons proposé des tests non paramétriques d'indépendance entre des variables aléatoires continues. Les tests proposés sont basés sur la fonction de copule empirique de Bernstein et la fonction de densité de copule de Bernstein. La deuxième partie, nous avons abordé le problème de l’estimation non paramétrique de la fonction de densité de probabilité conditionnelle et la fonction de répartition conditionnelle basée sur une représentation polynomiale de Bernstein. Les estimateurs proposés ont été utilisés pour estimer la fonction de régression et la fonction de quantile conditionnelle. Les propriétés asymptotiques de ces estimateurs ont été établies. Finalement, une étude de simulation est menée pour montrer la performance de nos estimateurs, soit sur des exemples simulés ou bien des données réelles.

Soient X et Y , deux variables aléatoires. De nombreuses procédures statistiques permettent d'ajuster un modèle à ces données dans le but d'expliquer Y à partir de X. La mise en place d'un tel modèle fait généralement appel à diverses hypothèses que <br />l'on doit valider pour justifier son utilisation. Dans ce travail, on propose une approche globale où toutes les hypothèses faites pour asseoir ce modèle sont testées simultanément. <br />Plus précisément, on construit un test basé sur une quantité qui permet de canaliser toute l'information liant X à Y : la fonction de répartition conditionnelle de Y sachant (X = x) définie par F(y|x)=P(Y<=y|X=x). Notre test compare la valeur prise par l'estimateur polynômial local de F(y|x) à une estimation paramétrique du modèle supposé et rejette sa <br />validité si la distance entre ces deux quantités est trop grande. Dans un premier temps, on considère le cas où la fonction de répartition supposée est entièrement spécifiée et, dans <br />ce contexte, on établit le comportement asymptotique du test. Dans la deuxième partie du travail, on généralise ce résultat au cas plus courant en pratique où le modèle supposé contient un certain nombre de paramètres inconnus. On étudie ensuite la puissance locale du test en déterminant son comportement asymptotique local sous des suites d'hypothèses contigües. Enfin, on propose un critère de choix de la fenêtre d'ajustement qui intervient lors de l'étape d'estimation polynômiale locale de la fonction de répartition conditionnelle.