Le mouvement brownien fractionnaire (mbf) constitue un important outil de modélisation utilisé dans plusieurs domaines (biologie, économie, finance, géologie, hydrologie, télécommunications, etc.) ; toutefois, ce modèle ne parvient pas toujours à donner une description suffisamment fidèle de la réalité, à cause, entre autres, des deux limitations suivantes : d’une part le mbf est un processus gaussien, et d’autre part, sa rugosité locale (mesurée par un exposant de Hölder) reste la même tout le long de sa trajectoire, puisque cette rugosité est partout égale au paramètre de Hurst H qui est une constante. En vue d'y remédier, S. Stoev et M.S. Taqqu (2004 et 2005) ont introduit le mouvement multifractionnaire stable linéaire (mmsl) ; ce processus stochastique strictement α-stable (StαS), désigné par {Y(t)}t, est obtenu en remplaçant la mesure brownienne par une mesure StαS et le paramètre de Hurst H par une fonction H(.) dépendant de t. On se place systématiquement dans le cas où cette fonction est continue et à valeurs dans l’intervalle ouvert ]1/α,1[. Il convient aussi de noter que l’on a pour tout t, Y(t)=X(t,H(t)), où {X(u,v)}(u,v) est le champ stochastique StαS, tel que pour tout v fixé, le processus {X(u,v)}u est un mouvement fractionnaire stable linéaire. L'objectif de la thèse est de mener une étude approfondie du mmsl, au moyen de méthodes d’ondelettes ; elle consiste principalement en trois parties. (1) On détermine de fins modules de continuité, globaux et locaux de {Y(t)}t ; cela repose essentiellement sur une nouvelle représentation de {X(u,v)}(u,v), sous la forme d’une série aléatoire, dont on montre la convergence presque sûre dans certains espaces de Hölder. (2) On introduit, via la base de Haar, une autre représentation de {X(u,v)}(u,v) en série aléatoire ; cette dernière permet la mise en place d'une méthode de simulation efficace du mmsl, ainsi que de ses parties hautes et basses fréquences. (3) On construit des estimateurs par ondelettes du paramètre fonctionnel H(.) du mmsl, ainsi que de son paramètre de stabilité α. / Fractional Brownian Motion (FBM) is an important tool in modeling used in several areas (biology, economics, finance, geology, hydrology, telecommunications, and so on); however, this model does not always give a sufficiently accurate description of reality, two important ones among its limitations, are the following: on one hand, FBM is a Gaussian process, and on the other hand, its local roughness (measured through a Hölder exponent) remains the same all along its path, since this roughness is everywhere equal to the Hurst parameter H which is a constant. In order to overcome the latter two limitations, S. Stoev and M.S. Taqqu (2004 and 2005) introduced Linear Multifractional Stable Motion (LMSM); this strictly α-stable (StαS) stochastic process, denoted by {Y(t)}t , is obtained by replacing the Brownian measure by a StαS one and the Hurst parameter H by a function H(.) depending on t. One assumes the latter function to be continuous and with values in the open interval (1/α,1). Also, it is worth noticing that one has for all t, Y(t)=X(t,H(t)), where {X(u,v)}(u,v) is the StαS stochastic field, such that for all fixed v, the process {X(u,v)}u is a Linear Fractional Stable Motion. The goal of the thesis is to conduct a thorough study on LMSM by making use of wavelet methods; it mainly consists into three parts. (1) One determines, sharp global and local moduli of continuity for {Y(t)}t; this mainly relies on a new representation of {X(u,v)}(u,v), as a random series which almost surely converges in some Hölder spaces. (2) One introduces, via the Haar basis, another random series representation of {X(u,v)}(u,v); the latter representation allows to derive an efficient simulation for LMSM as well as its high and low frequency parts. (3) One constructs wavelet estimators of the functional parameter H(.) of LMSM and of its stability parameter α.

Cette thèse est divisée en trois chapitres distincts, ayant comme dénominateur commun l'analyse stochastique de certains champs gaussiens. Les processus stochastiques multiparamétriques qui apparaissent dans ce manuscrit sont généralement auto-similaires. L'auto-similarité est la propriété qu’un processus stochastique préserve sa loi après un changement d'échelle du temps. Dans une première partie, nous avons mis en évidence des nouveaux aspects du drap brownien fractionnaire en utilisant essentiellement la notion de la transformation de Lamperti. Un focus sur l'équation différentielle stochastique vérifiée par cette transformée, a été aussi évoqué. Dans une deuxième partie, nous avons analysé le comportement asymptotique en loi des variations quadratiques spatiales des processus qui sont des solutions de deux types d'équations différentielles stochastiques partielles des ondes perturbées par deux sortes des bruits gaussiens auto-similaires. L'outil principal de notre raisonnement était des nouveaux critères basés sur le calcul stochastique de Malliavin et combinés avec la méthode classique de Stein. En guise d'application, nous avons construit un estimateur de l'indice de Hurst H du bruit fractionnaire en se basant sur les variations quadratiques étudiées. / This thesis is divided into three distinct chapters with a common denominator which is the stochastic analysis of some Gaussian fields. The multi-parameter stochastic processes that appeared in this manuscript are generally self-similar. Self-similarity is the property that a stochastic process preserves its law after a scaling of time. Firstly, we deduced new aspects of the fractional Brownian sheet, using essentially the notion of the Lamperti transform. A Focus on the stochastic differential equation verified by this transform sheet was also mentioned. Secondly, we analyzed the asymptoticbehavior of the spatial quadratic variations of processes that are solutions of two types of stochastic wave equations perturbed by two kinds of self-similar Gaussian noises. The main tool in our reasoning was new criteria based on the Malliavin calculus and combined with the classical method of Stein. As an application, we constructed, by the aid of the quadratic variations, an estimator of the Hurst index H of the fractional noise.

Le mouvement brownien fractionnaire (mbf) constitue un important outil de modélisation utilisé dans plusieurs domaines (biologie, économie, finance, géologie, hydrologie, télécommunications, etc.) ; toutefois, ce modèle ne parvient pas toujours à donner une description suffisamment fidèle de la réalité, à cause, entre autres, des deux limitations suivantes : d'une part le mbf est un processus gaussien, et d'autre part, sa rugosité locale (mesurée par un exposant de Hölder) reste la même tout le long de sa trajectoire, puisque cette rugosité est partout égale au paramètre de Hurst H qui est une constante. En vue d'y remédier, S. Stoev et M.S. Taqqu (2004 et 2005) ont introduit le mouvement multifractionnaire stable linéaire (mmsl) ; ce processus stochastique strictement α-stable (StαS), désigné par {Y(t)}, est obtenu en remplaçant la mesure brownienne par une mesure StαS et le paramètre de Hurst H par une fonction H(.) dépendant de t. On se place systématiquement dans le cas où cette fonction est continue et à valeurs dans l'intervalle ouvert ]1/α,1[. Il convient aussi de noter que l'on a pour tout t, Y(t)=X(t,H(t)), où {X(u,v)} est le champ stochastique StαS, tel que pour tout v fixé, le processus {X(u,v)} est un mouvement fractionnaire stable linéaire. L'objectif de la thèse est de mener une étude approfondie du mmsl, au moyen de méthodes d'ondelettes ; elle consiste principalement en trois parties. (1) On détermine de fins modules de continuité, globaux et locaux de {Y(t)} ; cela repose essentiellement sur une nouvelle représentation de {X(u,v)}, sous la forme d'une série aléatoire, dont on montre la convergence presque sûre dans certains espaces de Hölder. (2) On introduit, via la base de Haar, une autre représentation de {X(u,v)} en série aléatoire ; cette dernière permet la mise en place d'une méthode de simulation efficace du mmsl, ainsi que de ses parties hautes et basses fréquences. (3) On construit des estimateurs par ondelettes du paramètre fonctionnel H(.) du mmsl, ainsi que de son paramètre de stabilité α.

Ce travail de thèse porte sur la modélisation et l'estimation de paramètres pertinents pour les signaux de fréquences cardiaques (FC) instantanées. Nous nous intéressons à un paramètre (appelé grossièrement "fractal"), qui témoigne de la régularité locale de la trajectoire et de la dépendance entre les données. Les propriétés asymptotiques de la fonction DFA (Detrended Fluctuation Analysis) et de l'estimateur de H sont étudiées pour le bruit gaussien fractionnaire (FGN) et plus généralement pour une classe semi-paramétrique de processus stationnaires à longue mémoire avec ou sans tendance. On montre que cette méthode n'est pas robuste. On propose la modélisation des séries de FC par une généralisation du FGN, appelée bruit gaussien localement fractionnaire. Un tel processus stationnaire est construit à partir du paramètre dit de fractalité locale (une sorte de paramètre de Hurst avec des valeurs dans IR) sur une bande de fréquences. L'estimation du paramètre est faite par une analyse par ondelettes, tout comme le test d'adéquation. On montre la pertinence du modèle et une évolution du paramètre pendant la course. Une détection des changements de ce paramètre pourrait être extrêmement appropriée. On propose alors une méthode de détection de multiples ruptures du paramètre de longue mémoire (respectivement d'autosimilarité, de fractalité locale). Un estimateur des points de changements est construit, il vérifie un théorème limite. Un théorème de la limite centrale est établi pour l'estimateur des paramètres et un test d'ajustement est mis en place dans chaque zone où le paramètre est inchangé. Enfin, on montre la même évolution du paramètre de fractalité locale sur les FC.

Dans cette thèse, nous développons une nouvelle méthode de détection de ruptures "Off-line", appelée Dérivée Filtrée avec p-value, sur des paramètres d'une suite de variables aléatoires indépendantes, puis sur le paramètre de Hurst d'un mouvement Brownien multifractionnaire. Cette thèse est composée de trois articles. Dans un premier article paru dans Sequential Analysis nous posons les bases de la méthode Dérivée Filtrée avec p-value (FDpV) en l'appliquant à une suite de variables aléatoires indépendantes. La méthode a une complexité linéaire en temps et en mémoire. Elle est constituée de deux étapes. La première étape utilisant la méthode Dérivée Filtrée détecte les bons instants de ruptures, mais également certaines fausses alarmes. La deuxième étape attribue une p-value à chaque instant de rupture potentiel détecté à la première étape, et élimine les instants dont la p-value est inférieure à un certain seuil critique. Nous démontrons les propriétés asymptotiques nécessaires à la calibration de la méthode. L'efficacité de la méthode a été prouvé tant sur des données simulées que sur des données réelles. Ensuite, nous nous sommes attaqués à l'application de la méthode pour la détection de ruptures sur le paramètre de Hurst d'un mouvement Brownien multifractionnaire. Cela s'est fait en deux phases. La première phase a fait l'objet d'un article à paraitre dans ESAIM P&S où nous avons établi un Théorème Central Limite pour l'estimateur du paramètre de Hurst appelé Increment Ratio Statistic (IRS). Puis, nous avons proposé une version localisée de l'IRS et démontré un TCL local pour estimer la fonction de Hurst d'un mouvement Brownien multifractionnaire. Les preuves sont intuitives et se distinguent par leur simplicité. Elles s'appuient sur le théorème de Breuer-Major et une stratégie originale appelée "freezing of time". La deuxième phase repose sur un nouvel article soumis pour publication. Nous adaptons la méthode FDpV pour détecter des ruptures sur l'indice de Hurst d'un mouvement Brownien fractionnaire constant par morceaux. La statistique sous-jacent de l'algorithme FDpV est un nouvel estimateur de l'indice de Hurst, appelé Increment Zero-Crossing Statistic (IZCS) qui est une variante de l'IRS. La combinaison des méthodes FDpV + IZCS constitue une procédure efficace et rapide avec une complexité linéaire en temps et en mémoire. / This Ph.D dissertation deals with "Off-line" detection of change points on parameters of time series of independent random variables, and in the Hurst parameter of multifrcational Brownian motion. It consists of three articles. In the first paper, published in Sequential Analysis, we set the cornerstones of the Filtered Derivative with p-Value method for the detection of change point on parameters of independent random variables. This method has linear time and memory complexities, with respect to the size of the series. It consists of two steps. The first step is based on Filtered Derivative method which detects the right change points as well as the false ones. We improve the Filtered Derivative method by adding a second step in which we compute the p-values associated to every single potential change point. Then we eliminate false alarms, i.e. the change points which have p-value smaller than a given critical level. We showed asymptotic properties needed for the calibration of the algorithm. The effectiveness of the method has been proved both on simulated data and on real data. Then we moved to the application of the method for the detection of change point on the Hurst parameter of multifractional Brownian motion. This was done in two phases. In the first phase, a paper is to be published in ESAIM P&S where we investigated the Central Limit Theorem of the Increment Ratio Statistic of a multifractional Brownian motion, leading to a CLT for the time varying Hurst index. The proofs are quite simple relying on Breuer-Major theorems and an original freezing of time strategy.The second phase relies on a new paper submitted for publication. We adapted the FDpV method to detect change points on the Hurst parameter of piecewise fractional Brownian motion. The underlying statistics of the FDpV technology is a new statistic estimator for Hurst index, so-called Increment Zero-Crossing Statistic (IZCS) which is a variation of IRS. Both FDpV and IZCS are methods with linear time and memory complexities, with respect to the size of the series.