L’étude du comportement trajectoriel des champs/processus stochastiques est un sujet de recherche classique en théorie des probabilités et dans des domaines connexes comme la géométrie fractale. Dans cet objectif, plusieurs méthodes ont été développées depuis longtemps afin d’étudier le comportement des trajectoires de champs/processus gaussiens. Ces méthodes reposent souvent sur une structure hilbertienne « sympathique », et peuvent aussi nécessiter la finitude de moments d’ordre élevé. Ainsi, elles sont difficilement transposables dans des cadres de lois à queue lourde. Ces dernières sont importantes en probabilités et en statistique parce qu’elles constituent une contrepartie naturelle des lois gaussiennes. Dans le cas de certains champs/processus stables linéaires de type moyenne mobile non anticipative, tels que le drap fractionnaire stable linéaire et le mouvement multifractionnaire stable linéaire, des méthodes d’ondelettes, assez nouvelles, se sont déjà avérées fructueuses dans l’étude du comportement trajectoriel. Peut-on adapter cette méthodologie à certains champs/processus stables harmonisables ? Donner une réponse à cette question est un problème assez délicat car, de façon générale, de grandes différences séparent le cadre stable harmonisable de celui de type moyenne mobile. Le principal objectif de la thèse est d’étudier cette question dans le cadre d’un champ stable harmonisable symétrique à accroissement stationnaire de forme générale. / Studying sample path behaviour of stochastic fields/processes is a classical research topic in probability theory and related areas such as fractal geometry. To this end, many methods have been developed for a long time in order to study sample path behaviour of Gaussian fields/processes. They often rely on some underlying "nice" Hilbertian structure, and can also require finiteness of moments of high order. Therefore, they can hardly be transposed to frames of heavy-tailed stable probability distributions. Such distributions are very important in probability and statistics because they are a natural counterpart to the Gaussian ones. In the case of some linear non-anticipative moving average stable fields/processes, such as the linear fractional stable sheet and the linear multifractional stable motion, rather new wavelet methods have already proved to be successful in studying sample path behaviour. Can this methodology be adapted to some harmonizable stable fields/processes? Providing an answer to this question is a non trivial problem, since, generally speaking, there are large differences between an harmonizable stable setting and a moving average one. The main goal of the thesis is to study this issue in the case of a stationary increments symmetric stable harmonizable field of a general form.

Les processus de Markov auto-similaires apparaissent souvent dans diverses parties de la théorie de probabilités comme limites de processus normalisés. La propriété de Markov ajoutée à l'auto-similarité fournit des propriétés très intéressantes comme l'avait remarqué Lamperti. La première partie de cette thèse est consacrée à l'étude de l'enveloppe inférieure et supérieure au moyen de test intégraux et de lois du logarithme itéré pour une classe suffisamment grandes des processus de Markov auto-similaires positifs et quelques processus associés, comme le minimum futur et le processus de Markov auto-similaire positif réflechi en son minimum futur. La seconde partie concernent à l'étude des forêt de Lévy stables conditionnés par leur taille et leur masse. En particulier, un principe d'invariance est établi pour la forêt de Galton-Watson conditionnée par leur taille et leur masse.

Les modèles de régression paramétrique fournissent de puissants outils pour la modélisation des données lorsque celles-ci s’y prêtent bien. Cependant, ces modèles peuvent être la source d’importants biais lorsqu’ils ne sont pas adéquats. Pour éliminer ces biais de modélisation, des méthodes non paramétriques ont été introduites permettant aux données elles mêmes de construire le modèle. Ces méthodes présentent, dans le cas multivarié, un handicap connu sous l’appellation de fléau de la dimension où la vitesse de convergence des estimateurs est une fonction décroissante de la dimension des covariables. L’idée est alors de combiner une partie linéaire avec une partie non-linéaire, ce qui aurait comme effet de réduire l’impact du fléau de la dimension. Néanmoins l’estimation non-paramétrique de la partie non-linéaire, lorsque celle-ci est multivariée, est soumise à la même contrainte de détérioration de sa vitesse de convergence. Pour pallier ce problème, la réponse adéquate est l’introduction d’une structure additive de la partie non-linéaire de son estimation par des méthodes appropriées. Cela permet alors de définir des modèles de régression partièllement linéaires et additifs. L’objet de la thèse est d’établir des résultats asymptotiques relatifs aux divers paramètres de ce modèle (consistance, vitesses de convergence, normalité asymptotique et loi du logarithme itéré) et de construire aussi des tests d’hypothèses relatives à la structure du modèle, comme l’additivité de la partie non-linéaire, et à ses paramètres. / Parametric regression models provide powerful tools for analyzing practical data when the models are correctly specified, but may suffer from large modelling biases when structures of the models are misspecified. As an alternative, nonparametric smoothing methods eases the concerns on modelling biases. However, nonparametric models are hampered by the so-called curse of dimensionality in multivariate settings. One of the methods for attenuating this difficulty is to model covariate effects via a partially linear structure, a combination of linear and nonlinear parts. To reduce the dimension impact in the estimation of the nonlinear part of the partially linear regression model, we introduce an additive structure of this part which induces, finally, a partially linear additive model. Our aim in this work is to establish some limit results pertaining to various parameters of the model (consistency, rate of convergence, asymptotic normality and iterated logarithm law) and to construct some hypotheses testing procedures related to the model structure, as the additivity of the nonlinear part, and to its parameters.

Cette thèse est consacrée aux résultats asymptotiques pour les modèles ARX en poursuite adaptative. Elle est constituée de quatre parties. La première partie est une brève introduction sur les modèles ARMAX et un état de l’art des principaux résultats de la littérature en poursuite adaptative. La seconde partie porte sur l’introduction d’un nouveau concept de contrôlabilité forte pour les modèles ARX en poursuite adaptative. Il permet de généraliser les résultats antérieurs. On montre la convergence presque sûre des algorithmes des moindres carrés ordinaires et pondérés. On établit également le théorème de la limite centrale ainsi que la loi du logarithme itéré pour ces deux algorithmes. La troisième partie est dédiée aux modèles ARX qui ne sont pas fortement contrôlables. On montre que, via un contrôle de poursuite excité, il est possible de s’affranchir de l’hypothèse de forte contrôlabilité. La quatrième partie est consacrée au comportement asymptotique de la statistique de Durbin-Watson pour les modèles ARX en poursuite adaptative via des arguments martingales. / This thesis is devoted to asymptotical results for ARX models in adaptive tracking. It is divided into four parts. The first part is a short introduction on ARMAX models together with a state of the art on the main results in the literature on adaptive tracking. The second part deals with a new concept of strong controllability for ARX models in adaptive tracking. This new notion allows us to extend the previous convergence results. We prove the almost sure convergence for both least squares and weighted least squares algorithms. We also establish a central limit theorem and a law of iterated logarithm for these two algorithms. The third part is dedicated to ARX models that are not strongly controllable. Thanks to a persistently excited adaptive tracking control, we show that it is possible to get rid of the strong controllability assumption. The fourth part deals with the asymptotic behaviour of the Durbin-Watson statistic for ARX models in adaptive tracking via a martingale approach.