Nous considérons deux problèmes. Le premier est la construction des tests d’ajustement (goodness-of-fit) pour les modèles de processus de diffusion ergodique. Nous considérons d’abord le cas où le processus sous l’hypothèse nulle appartient à une famille paramétrique. Nous étudions les tests de type Cramer-von Mises et Kolmogorov- Smirnov. Le paramètre inconnu est estimé par l’estimateur de maximum de vraisemblance ou l’estimateur de distance minimale. Nous construisons alors les tests basés sur l’estimateur du temps local de la densité invariante, et sur la fonction de répartition empirique. Nous montrons alors que les statistiques de ces deux types de test convergent tous vers des limites qui ne dépendent pas du paramètre inconnu. Par conséquent, ces tests sont appelés asymptotically parameter free. Ensuite, nous considérons l’hypothèse simple. Nous étudions donc le test du khi-deux. Nous montrons que la limite de la statistique ne dépend pas de la dérive, ainsi on dit que le test est asymptotically distribution free. Par ailleurs, nous étudions également la puissance du test du khi-deux. En outre, ces tests sont consistants. Nous traitons ensuite le deuxième problème : l’approximation des équations différentielles stochastiques rétrogrades. Supposons que l’on observe un processus de diffusion satisfaisant à une équation différentielle stochastique, où la dérive dépend du paramètre inconnu. Nous estimons premièrement le paramètre inconnu et après nous construisons un couple de processus tel que la valeur finale de l’un est une fonction de la valeur finale du processus de diffusion donné. Par la suite, nous montrons que, lorsque le coefficient de diffusion est petit, le couple de processus se rapproche de la solution d’une équations différentielles stochastiques rétrograde. A la fin, nous prouvons que cette approximation est asymptotiquement efficace. / We consider two problems in this work. The first one is the goodness of fit test for the model of ergodic diffusion process. We consider firstly the case where the process under the null hypothesis belongs to a given parametric family. We study the Cramer-von Mises type and the Kolmogorov-Smirnov type tests in different cases. The unknown parameter is estimated via the maximum likelihood estimator or the minimum distance estimator, then we construct the tests in using the local time estimator for the invariant density function, or the empirical distribution function. We show that both the Cramer-von Mises type and the Kolmogorov-Smirnov type statistics converge to some limits which do not depend on the unknown parameter, thus the tests are asymptotically parameter free. The alternatives as usual are nonparametric and we show the consistency of all these tests. Then we study the chi-square test. The basic hypothesis is now simple The chi-square test is asymptotically distribution free. Moreover, we study also power function of the chi-square test to compare with the others. The other problem is the approximation of the forward-backward stochastic differential equations. Suppose that we observe a diffusion process satisfying some stochastic differential equation, where the trend coefficient depends on some unknown parameter. We try to construct a couple of processes such that the final value of one is a function of the final value of the given diffusion process. We show that when the diffusion coefficient is small, the couple of processes approximates well the solution of a backward stochastic differential equation. Moreover, we present that this approximation is asymptotically efficient.

Ce travail est consacré au problème de construction des tests d'ajustement dans le cas des processus stochastiques observés en temps continu. Comme modèles d'observations, nous considérons les processus de diffusion avec « petit bruit » et ergodique et le processus de Poisson non homogène. Sous l'hypothèse nulle, nous traitons le cas où chaque modèle dépend d'un paramètre inconnu unidimensionnel et nous proposons l'estimateur de distance minimale pour ce paramètre. Notre but est la construction des tests d'ajustement « asymptotically distribution free » (ADF) de niveau asymtotique α ϵ (0,1) dans le cas de cette hypothèse paramétrique pour les modèles traités. Nous montrons alors que la limite de chaque statistique étudiée ne dépend ni du modèle ni du paramètre inconnu. Les tests d'ajustement basés sur ces statistiques sont donc ADF. L'objectif principal de ce travail est la construction d'une transformation linéaire spéciale. En particulier, nous résolvons l'équation de Fredholm du second type avec le noyau dégénéré. Sa solution nous permet de construire la transformation linéaire désirée. Ensuite, nous montrons que l'application de cette transformation aux statistiques de base étudiées dans chaque modèle nous aide à introduire des statistiques ayant la même limite (l'intégrale du carrée du processus de Wiener). Cette dernière est « distribution free » vu qu'elle ne dépend ni du modèle ni du paramètre inconnu. Par conséquent, nous proposons des tests d'ajustement ADF en se basant sur cette transformation linéaire pour les processus de diffusion avec « petit bruit » et ergodique et le processus de Poisson non homogène. / This work is devoted to the problem of the construction of several goodness of-fit (GoF) tests in the case of somestochastic processes observed in continuous time. As models of observations, we take "small noise" and ergodic diffusionprocesses and an inhomogeneous Poisson process. Under the null hypothesis, we treat the case where each model depends on an unknown one-dimensional parameter and we consider the minimum distance estimator for this parameter. Our goal is to propose "asymptotically distribution free" (ADF) GoF tests of asymptotic size α ϵ (0,1) in the case of the parametric null hypotheses for the considered models. Indeed, we show that the limit of each studied statistic does not depend on the model and the unknown parameter. Therefore, the tests based on these statistics are ADF.The main purpose of this work is to construct a special linear transformation. In particular, we solve Fredholm equation ofthe second kind with degenerated kernel. Its solution gives us the desired linear transformation. Next, we show that theapplication of this transformation to the basic statistics allows us to introduce statistics with the same limit (the integral of the square of the Wiener process). The latter is "distribution free" because it does not depend on the models and the unknown parameter. Therefore, we construct the ADF GoF tests which are based on this linear transformation for the diffusion ("small noise" and ergodic) and inhomogeneous Poisson processes.