Généralement, dans les situations d’hypothèses multiples on cherche à rejeter toutes les hypothèses ou bien une seule d’entre d’elles. Depuis quelques temps on voit apparaître le besoin de répondre à la question : « Peut-on rejeter au moins r hypothèses ? ». Toutefois, les outils statisques pour répondre à cette question sont rares dans la littérature. Nous avons donc entrepris de développer les formules générales de puissance pour les procédures les plus utilisées, soit celles de Bonferroni, de Hochberg et de Holm. Nous avons développé un package R pour le calcul de la taille échantilonnalle pour les tests à hypothèses multiples (multiple endpoints), où l’on désire qu’au moins r des m hypothèses soient significatives. Nous nous limitons au cas où toutes les variables sont continues et nous présentons quatre situations différentes qui dépendent de la structure de la matrice de variance-covariance des données. / Generally, in multiple endpoints situations we want to reject all hypotheses or at least only one of them. For some time now, we see emerge the need to answer the question : "Can we reject at least r hypotheses ?" However, the statistical tools to answer this new problem are rare in the litterature. We decide to develop general power formulas for the principals procedures : Bonferroni’s, Hochberg’s and Holm’s procedures. We also develop an R package for the sample size calculation for multiple endpoints, when we want to reject at least r hypotheses. We limit ourselves in the case where all the variables are continuous and we present four different situations depending on the structure of the data’s variance-covariance matrix.

Généralement, dans les situations d’hypothèses multiples on cherche à rejeter toutes les hypothèses ou bien une seule d’entre d’elles. Depuis quelques temps on voit apparaître le besoin de répondre à la question : « Peut-on rejeter au moins r hypothèses ? ». Toutefois, les outils statisques pour répondre à cette question sont rares dans la littérature. Nous avons donc entrepris de développer les formules générales de puissance pour les procédures les plus utilisées, soit celles de Bonferroni, de Hochberg et de Holm. Nous avons développé un package R pour le calcul de la taille échantilonnalle pour les tests à hypothèses multiples (multiple endpoints), où l’on désire qu’au moins r des m hypothèses soient significatives. Nous nous limitons au cas où toutes les variables sont continues et nous présentons quatre situations différentes qui dépendent de la structure de la matrice de variance-covariance des données. / Generally, in multiple endpoints situations we want to reject all hypotheses or at least only one of them. For some time now, we see emerge the need to answer the question : "Can we reject at least r hypotheses ?" However, the statistical tools to answer this new problem are rare in the litterature. We decide to develop general power formulas for the principals procedures : Bonferroni’s, Hochberg’s and Holm’s procedures. We also develop an R package for the sample size calculation for multiple endpoints, when we want to reject at least r hypotheses. We limit ourselves in the case where all the variables are continuous and we present four different situations depending on the structure of the data’s variance-covariance matrix.

Ces travaux traitent du suivi de l'activité humaine à travers l'analyse en temps r éel de signaux physiologiques et d'accélé rométrie. Il s'agit de données issues de capteurs ambulatoires ; elles sont bruitées, ambigües, et ne représentent qu'une vision incomplète de la situation. De par la nature des données d'une part, et les besoins fonctionnels de l'application d'autre part, nous considérons que le monde des possibles n'est ni exhaustif ni exclusif, ce qui contraint le mode de raisonnement. Ainsi, nous proposons un raisonnement abductif à base de modèles interconnectés et personnalisés. Ce raisonnement consiste à manipuler un faisceau d'hypothèses au sein d'un cadre dynamique de contraintes, venues tant de l'observateur (en termes d'activités acceptables) que d'exigences non-fonctionnelles, ou portant sur la santé du sujet observé. Le nombre d'hypothèses étudiées à chaque instant est amené à varier, par des mécanismes de Pr édiction-Vérification ; l'adaptation du Cadre participe également à la mise en place d'un pilotage sensible au contexte. Nous proposons un système multi-agent pour représenter ces hypothèses; les agents sont organisés autour d'un environnement partagé qui leur permet d' échanger l'information. Ces échanges et, de manière générale, la détection des contextes d'activation des agents, sont régis par des filtres qui associent une action à des conditions. Le mode de raisonnement et l'organisation de ces agents hétérogènes au sein d'un cadre homogène confèrent au système expressivité, évolutivité et maîtrise des coûts calculatoires. Une implémentation utilisant des données réelles permet d'illustrer les qualités de la proposition. / This proposal deals with human activity monitoring, through the real-time analysis of both physiology data and accelerometry. These data come from ambulatory sensors ; they are noisy and ambiguous, and merely represent a partial and incomplete observation of the current si- tuation. Given the nature of the data on one hand, and the application's required features on the other hand, we consider an Open World of non-exclusive possible situations. This has a restrictive impact on the reasoning engine. We thus propose to use abductive reasoning, based on interconnected and personalized models. This way of reasoning consists in handling a beam of hypotheses, within a dynamic Frame of constraints which come both from the Observer (who defines acceptable situations) and from non-functional expectations, or relating to the observed person's health. The number of hy- potheses at each timestep is wont to vary, by means of Prediction-Verification schemes. The evolution of the Frame leads to context-sensitive adaptive control. We propose a multi-agent system to manage these hypotheses; the agents are organized around a shared environment which allows them to trade information. This interaction and the general detection of activation contexts for the agents are powered and regulated by condition- action filters. The way of reasoning and the organization of heterogeneous agents within a homogeneous Frame lead to a system which we claim to be expressive, evolutive and cost-efficient. An imple- mentation using real sensor data is presented to illustrate these qualities.

Actuellement la plupart des restitutions en patrimoine historique décrivent les édifices patrimoniaux comme un ensemble d'entités statiques et inaltérables. Toutefois, les sites historiques peuvent avoir une histoire très complexe, parfois riche d'évolutions, parfois seulement partiellement connue grâce aux sources documentaires. Trois aspects importants conditionnent l'analyse et l'interprétation du patrimoine historique. Tout d'abord, les bâtiments peuvent subir des transformations importantes ou ils peuvent disparaître au fil du temps. Deuxièmement, l'incertitude est très fréquente en patrimoine historique sous diverses formes : parfois il est impossible de définir la datation, parfois la forme originelle du bâtiment ou sa position spatiale. Troisièmement, la documentation historique concernant les états passés est hétérogène, douteuse, incomplète, et parfois contradictoire. Cette thèse propose une approche intégrée de modélisation capable d'une part de structurer les entités morphologiques spatiales en fonction du temps, d'autre part de conserver l'historique des évolutions architecturales. De plus, des hypothèses multiples à propos des sites historiques devraient être prises en compte. Comme la géométrie n'est pas suffisante pour comprendre les transformations des sites historiques, une interface de visualisation basée sur des graphes est intégrée pour manipuler les géométries et pour comprendre les transformations des édifices et leurs relations.