Les modèles dynamiques de l'intéraction virus/système immunitaire basés sur des systèmes d'équations différentielles ordinaires sans solution ont considérablement amélioré la connaissance de certains virus comme le VIH et le VHC. <br />En raison des difficultés statistiques et numériques d'estimation des paramètres de ces modèles, les premiers résultats dans la littérature ont été obtenus en faisant des estimations patient par patient sur des modèles simplifiés et linéarisés. Toutefois, ceux-ci ne permettent pas de considérer la dynamique de l'infection dans son ensemble. C'est pourquoi certains auteurs ont proposé récemment des approches Bayésiennes d'estimation des paramètres sur des modèles non-simplifiés. En outre, celles-ci sont proposées dans un cadre de population, où l'information issue des variabilité inter-patients est prise en compte.<br />Dans cette thèse, nous proposons une voie alternative à ces travaux, en développant une approche fréquentiste pour l'estimation des paramètres. La complexité de ces modèles rendant les logiciels existants non-adéquats, nous développons une méthode originale d'estimation des paramètres, qui utilise la structure particulière de ces modèles. Nous montrons la robustesse de cette approche et l'appliquons aux données de l'essai ANRS ALBI 070, en intégrant le problème méthodologique des données virologiques censurées. Nous fournissons notamment une estimation $in~vivo$ de l'effet différentiel d'efficacité de deux stratégies de traitements et illustrons de ce fait l'intérêt de cette approche pour définir un critère alternatif d'analyse des essais cliniques. Enfin, nous proposons une méthode d'étude de l'identifiabilité des modèles dynamiques du VIH. Nous montrons ainsi l'impact qu'auraient de nouvelles quantifications pour améliorer l'identifiabilité de ces modèles et, corollairement, nous discutons les limites de l'utilisation de ces modèles au vu des données habituellement disponibles.

The world went through weeks of financial turbulence in stock markets and investors were overcome by fears fuelled by more bad news, while countries continued their attempts to calm the markets with more injection of funds. By these very disturbed times, even if traders hope extreme risk aversion has passed, an investor would like predict the future of the market in order to protect his portfolio and a speculator would like to optimize his tradings. This thesis describes the design of numerical models and algorithms for the forecasting of financial time series, for speculation on a short time interval. To this aim, we will use two models: - " Price Forecasting Model " forecasts the behavior of an asset for an interval of three hours. This model is based on Functional Clustering and smoothing by cubic-splines in the training phase to build local Neural models, and Functional Classification for generalization, - " Model of Trading " forecasts the First Stopping time, when an asset crosses for the first time a threshold defined by the trader. This model combines a Price Forecasting Model for the prediction of market trend, and a Trading Recommendation for prediction of the first stopping time. We use an auto-adaptive Dynamic State Space Model, with Particle Filters and Kalman-Bucy Filters for parameter estimation.