Ce travail doctoral étudie les propriétés théoriques et asymptotiques des processus et des champs aléatoires stationnaires dont se déduisent des applications en statistique et en simulation. Une premi ère partie (Chapitres 2, 3 et 4) a pour objectif de construire des nouveaux modèles de champs aléatoires de type autorégressifs, sous forme de schémas de Bernoulli, et de donner des résultats au sujet de leur théorie limite. Des notions de dépendance faible sont utilisées, plus générale que les notions bien connues de mélange fort ou d'association. Nous envisagerons un principe d'invariance, faible et fort, pour les champs aléatoires considérés. Dans un deuxième temps, nous nous intéressons à quelques problèmes d'estimation dans deux contextes de dépendance bien précis. Nous étudions au Chapitre 5 un problème de simulation de textures dans un contexte de rééchantillonnage pour des champs de Markov fortement mélangeants dans un cadre non paramétrique. Le Chapitre 6 est consacré à la construction et à l'estimation des paramètres d'une nouvelle série chronologique à valeurs entières de type ARCH. La construction est établie en utilisant des arguments de contraction établis dans le cadre des champs aléatoires et le comportement asymptotique des estimateurs des paramètres, obtenus par quasi-maximum de vraisemblance gaussien est fondée sur des arguments de type différence de martingales. Enfin nous présentons au Chapitre 7 une nouvelle méthode d'estimation des paramètres pour des modèles ARCH de type markoviens, mé- thode obtenue en lissant la quasi vraisemblance gaussienne et nous appliquons cette méthode à une série hétéroscedastique de type LARCH pour laquelle les faibles valeurs de la variance conditionnelle rendent dificile l'utilisation de la méthode classique du quasi maximum de vraisemblance

Ce travail doctoral étudie les propriétés théoriques et asymptotiques des processus et des champs aléatoires stationnaires dont se déduisent des applications en statistique et en simulation. Une premi ère partie (Chapitres 2, 3 et 4) a pour objectif de construire des nouveaux modèles de champs aléatoires de type autorégressifs, sous forme de schémas de Bernoulli, et de donner des résultats au sujet de leur théorie limite. Des notions de dépendance faible sont utilisées, plus générale que les notions bien connues de mélange fort ou d'association. Nous envisagerons un principe d'invariance, faible et fort, pour les champs aléatoires considérés. Dans un deuxième temps, nous nous intéressons à quelques problèmes d'estimation dans deux contextes de dépendance bien précis. Nous étudions au Chapitre 5 un problème de simulation de textures dans un contexte de rééchantillonnage pour des champs de Markov fortement mélangeants dans un cadre non paramétrique. Le Chapitre 6 est consacré à la construction et à l'estimation des paramètres d'une nouvelle série chronologique à valeurs entières de type ARCH. La construction est établie en utilisant des arguments de contraction établis dans le cadre des champs aléatoires et le comportement asymptotique des estimateurs des paramètres, obtenus par quasi-maximum de vraisemblance gaussien est fondée sur des arguments de type diérence de martingales. Enn nous présentons au Chapitre 7 une nouvelle méthode d'estimation des paramètres pour des modèles ARCH de type markoviens, mé- thode obtenue en lissant la quasi vraisemblance gaussienne et nous appliquons cette méthode à une série hétéroscedastique de type LARCH pour laquelle les faibles valeurs de la variance conditionnelle rendent dicile l'utilisation de la méthode classique du quasi maximum de vraisemblance

La dépendance faible est un outil très performant pour obtenir des résultats asymptotiques en statistique des séries chronologiques. Son atout majeur est de résumer les propriétés de dépendance de très nombreux modèles via le comportement d'une suite de coefficients. Dans un problème où le modèle n'est pas clairement identifiable, des hypothèses sur les coefficients de dépendance faible sont parfois moins contraignantes que le choix d'un modèle. De plus, pour certains modèles causaux, la dépendance faible permet d'étudier les propriétés de dépendance là où toutes les autres notions (de mélange par exemple) échouent. Les coefficients permettent d'élargir aux séries chronomogiques des résultats asymptotiques classiques du cas de référence, celui d'observations indépendantes.

Le thème central des travaux présentés est l'étude des suites faiblement dépendantes<br />non -mélangeantes au sens de Rosenblatt (1956). La notion de mélange classique est affaiblie<br />afin d'établir des inégalités ainsi que des théorèmes limite pour différentes classes de processus<br />comme par exemple certains systèmes dynamiques, des chaînes de Markov non irréductibles,<br />ou encore des fonctions de processus linéaires non mélangeants. Les résultats obtenus sont<br />ensuite appliqués au domaine de la statistique non paramétrique.<br />Deux autres thématiques sont abordées dans ce manuscrit : d'une part l'étude de principes<br />de grandes déviations (notamment pour le processus de records généralisés), et d'autre part<br />l'estimation adaptative de fonctionnelles linéaires.

Cette thèse traite principalement des théorèmes limites pour les processus empiriques de fonctionnelles de clusters d'extrêmes de séquences et champs aléatoires faiblement dépendants. Des théorèmes limites pour les processus empiriques de fonctionnelles de clusters d'extrême de séries temporelles stationnaires sont donnés par Drees & Rootzén [2010] sous des conditions de régularité absolue (ou "ß-mélange"). Cependant, ces conditions de dépendance de type mélange sont très restrictives : elles sont particulièrement adaptées aux modèles dans la finance et dans l'histoire, et elles sont de plus compliquées à vérifier. Généralement, pour d'autres modèles fréquemment rencontré dans les domaines applicatifs, les conditions de mélange ne sont pas satisfaites. En revanche, les conditions de dépendance faible, selon Doukhan and Louhichi [1999] et Dedecker & Prieur [2004a], sont des conditions qui généralisent les notions de mélange et d'association. Elles sont plus simple à vérifier et peuvent être satisfaites pour de nombreux modèles. Plus précisément, sous des conditions faibles, tous les processus causals ou non causals sont faiblement dépendants: les processus Gaussien, associés, linéaires, ARCH(∞), bilinéaires et notamment Volterra entrent dans cette liste. À partir de ces conditions favorables, nous étendons certains des théorèmes limites de Drees & Rootzén [2010] à processus faiblement dépendants. En outre, comme application des théorèmes précédents, nous montrons la convergence en loi de l'estimateur de l'extremogramme de Davis & Mikosch [2009] et l'estimateur fonctionnel de l'indice extrémal de Drees [2011] sous dépendance faible. Nous démontrons un théorème de la valeur extrême pour les champs aléatoires stationnaires faiblement dépendants et nous proposons, sous les mêmes conditions, un critère du domaine d'attraction d'une loi d'extrêmes. Le document se conclue sur des théorèmes limites pour les processus empiriques de fonctionnelles de clusters d’extrêmes de champs aléatoires stationnaires faiblement dépendants, et met en évidence la convergence en loi de l'estimateur d'un extremogramme de processus spatio-temporels stationnaires faiblement dépendants en tant qu'application. / This thesis deals mainly with limit theorems for empirical processes of extreme cluster functionals of weakly dependent random fields and sequences. Limit theorems for empirical processes of extreme cluster functionals of stationnary time series are given by Drees & Rootzén [2010] under absolute regularity (or "ß-mixing") conditions. However, these dependence conditions of mixing type are very restrictive: on the one hand, they are best suited for models in finance and history, and on the other hand, they are difficult to verify. Generally, for other models common in applications, the mixing conditions are not satisfied. In contrast, weak dependence conditions, as defined by Doukhan & Louhichi [1999] and Dedecker & Prieur [2004a], are dependence conditions which generalises the notions of mixing and association. These are easier to verify and applicable to a wide list of models. More precisely, under weak conditions, all the causal or non-causal processes are weakly dependent: Gaussian, associated, linear, ARCH(∞), bilinear and Volterra processes are some included in this list. Under these conveniences, we expand some of the limit theorems of Drees & Rootzén [2010] to weakly dependent processes. These latter results are used in order to show the convergence in distribution of the extremogram estimator of Davis & Mikosch [2009] and the functional estimator of the extremal index introduced by Drees [2011] under weak dependence. We prove an extreme value theorem for weakly dependent stationary random fields and we propose, under the same conditions, a domain of attraction criteria of a law of extremes. The document ends with limit theorems for the empirical process of extreme cluster functionals of stationary weakly dependent random fields, deriving also the convergence in distribution of the estimator of an extremogram for stationary weakly dependent space-time processes.

Ce mémoire d'habilitation a pour objet diverses contributions à l'estimation et à l'apprentissage statistique dans les modeles en grande dimension, sous différentes hypothèses de parcimonie. Dans une première partie, on introduit la problématique de la statistique en grande dimension dans un modèle générique de régression linéaire. Après avoir passé en revue les différentes méthodes d'estimation populaires dans ce modèle, on présente de nouveaux résultats tirés de (Alquier & Lounici 2011) pour des estimateurs agrégés. La seconde partie a essentiellement pour objet d'étendre les résultats de la première partie à l'estimation de divers modèles de séries temporelles (Alquier & Doukhan 2011, Alquier & Wintenberger 2013, Alquier & Li 2012, Alquier, Wintenberger & Li 2012). Enfin, la troisième partie présente plusieurs extensions à des modèles non param\étriques ou à des applications plus spécifiques comme la statistique quantique (Alquier & Biau 2013, Guedj & Alquier 2013, Alquier, Meziani & Peyré 2013, Alquier, Butucea, Hebiri, Meziani & Morimae 2013, Alquier 2013, Alquier 2008). Dans chaque section, des estimateurs sont proposés, et, aussi souvent que possible, des inégalités oracles optimales sont établies.

Cette thèse porte sur l'étude<br />d'applications statistiques de suites dépendantes et<br />stationnaires. Nous étudions deux classes de suites<br />dépendantes. Nous nous intéressons d'une part à des suites<br />faiblement dépendantes, où notre notion de dépendance faible est<br />une variante de la notion introduite par Doukhan \& Louhichi, d'autre part à certains systèmes dynamiques<br />présentant une propriété de décroissance des<br />corrélations. Nous traitons du comportement asymptotique du<br />processus empirique, fondamental en statistiques. Nous étudions<br />aussi un estimateur à noyau de la densité dans nos deux cadres de<br />dépendance. Enfin, nous nous intéressons à un problème de<br />rupture d'une fonction de régression en dépendance faible. A ces<br />fins, nous développons des idées de Rio pour montrer un<br />théorème limite centrale en dépendance faible, ainsi que des<br />nouvelles inégalités de moments qui étendent celles de Louhichi. Enfin, nous illustrons certains de nos résultats par des<br />simulations.