Ce mémoire porte sur la densité du premier temps de passage d'un processus gaussien et markovien à travers une frontière. Ce problème est résolu pour quelques cas particuliers, mais il n'est pas encore possible pour l'instant de le résoudre de façon analytique pour une frontière déterministe quelconque. (Di Nardo et al., 2001) ont proposé une méthode qui utilise des fonctions symétriques pour un ensemble de frontières qui généralisent celles de (Daniels, 1996). C'est ce qui est principalement étudié ici. De plus, deux exemples d'applications en finance sont considérés. Finalement, on regarde aussi un exemple de simulations pour comparer cette méthode à celle de (Durbin et Williams, 1992). ______________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Processus gaussien et markovien, mouvement brownien, processus d'Ornstein-Uhlenbeck, premier temps de passage.

Notre travail porte sur le phénomène de cutoff pour des n-échantillons de processus de Markov, dans le but de l'appliquer à la détection de la convergence d'algorithmes parallélisés. Dans un premier temps, le processus échantillonné est un processus d'Ornstein-Uhlenbeck. Nous mettons en évidence le phénomène de cutoff pour le n-échantillon, puis nous faisons le lien avec la convergence en loi du temps d'atteinte par le processus moyen d'un niveau fixé. Dans un second temps, nous traitons le cas général où le processus échantillonné converge à vitesse exponentielle vers sa loi stationnaire. Nous donnons des estimations précises des distances entre la loi du n-échantillon et sa loi stationnaire. Enfin, nous expliquons comment aborder les problèmes de temps d'atteinte liés au phénomène du cutoff.

Dans cette thèse de Doctorat, on étudie dans un premier temps les processus d'Ornstein-Uhlenbeck à valeurs complexes (Zt = Xt + iYt, t ≥ 0), où (Xt, t ≥ 0) et (Yt, t ≥ 0) sont ses coordonnées cartésiennes. En prenant le paramètre du processus d'Ornstein-Uhlenbeck égal à 0, on discute, en particulier, le cas du mouvement brownien plan. Plus précisément, on étudie la distribution de certains temps d'atteinte associés aux nombres de tours autour d'un point fixé. Pour obtenir des résultats analytiques, on utilise et on étend l'identité de Bougerol. Cette identité dit que, pour un mouvement brownien réel Nous développons quelques identités en loi concernant les processus d'Ornstein-Uhlenbeck à valeurs complexes, qui sont équivalentes à l'identité de Bougerol. Ces identités nous permettent de caractériser les lois de temps d'atteinte Tc ≡ inf{t : θt = c}, (c > 0) du processus continu des nombres de tours θt, t ≥ 0 associé au processus d'Ornstein-Uhlenbeck à valeurs complexes Z. De plus, on étudie la distribution du temps aléatoire T−d,c ≡ inf{t : θt= −d ou c}, (c, d > 0) et particulièrement de T−c,c ≡ inf{t : θt=−c, c}, (c > 0). Une étude approfondie de l'identité de Bougerol montre que 1/Au(β), où Au(β) est l'horloge qui intervient dans l'identité de Bougerol, considéré sous une mesure appropriée, changée à partir de la mesure de Wiener, est infiniment divisible. En utilisant les résultats précédents, on estime le temps de rotation moyen, noté TRM. Ce dernier est la moyenne du premier temps pour qu'un polymère plan modélisé comme une collection de n cordes paramétrées par un angle brownien fasse un tour autour d'un autre point (winding). On est ainsi conduit à étudier une somme d'exponentielles i.i.d. avec un mouvement brownien réél en argument. On montre que la position finale satisfait à une nouvelle équation stochastique, avec un drift non-linéaire. Finalement, on obtient une formule asymptotique pour le TRM. Le terme dominant dépend de √n et, notablement, il dépend aussi faiblement de la configuration initiale moyenne. Nos résultats analytiques sont confirmés par des simulations browniennes.

Les modèles aléatoires basés sur l'observation bruitée de diffusions discrétisées sont couramment utilisés en biologie ou en finance pour rendre compte de la présence d'erreur (ou bruit) entâchant la mesure d'un phénomène dont le comportement est dirigé par une équation différentielle stochastique. Deux questions statistiques sont liées à ces modèles : l'estimation d'un paramètre theta déterminant le comportement de la diffusion cachée, et le calcul du filtre optimal, ou d'une approximation. La première partie de cette thèse porte sur l'étude d'un modèle d'Ornstein-Uhlenbeck bidimensionnel partiellement observé et bruité, en lien avec l'estimation de paramètres de microvascularisation pour un modèle pharmacocinétique stochastique. Plusieurs résultats sur données médicales sont présentés. Dans la seconde partie, des estimateurs pour les paramètres de la diffusion cachée, sont obtenus dans un contexte de données haute fréquence, comme minima de fonctions de contraste ou comme zéros de fonctions d'estimation basées sur des moyennes locales d'observations bruitées. On montre en particulier la consistence et la normalité asymptotique de ces estimateurs. Enfin, la troisième partie étudie la tension de la suite des variances asymptotiques obtenues dans le théorème central limite associé à l'approximation particulaire du filtre et de la prédiction dans un modèle de Markov caché.

Prévoir et estimer le risque de canicule est un enjeu politique majeur. Évaluer la probabilité d'apparition des canicules et leurs sévérités serait possible en connaissant la température en temps continu. Cependant, les extrêmes journaliers (maxima et minima) sont parfois les seules données disponibles. Pour modéliser la dynamique des températures, il est courant d'utiliser un processus d'Ornstein-Uhlenbeck. Une estimation des paramètres de ce processus n'utilisant que les suprema journaliers observés est proposée. Cette nouvelle approche se base sur une minimisation des moindres carrés faisant intervenir la fonction de répartition du supremum. Les mesures de risque liées aux canicules sont ensuite obtenues numériquement. Pour exprimer explicitement ces mesures de risque, il peut être utile d'avoir la loi jointe du processus d'Ornstein-Uhlenbeck et de son supremum. L'étude se limite tout d'abord à la fonction de répartition / densité jointe du point final du processus et de son supremum. Cette probabilité admet une densité, solution de l'équation de Fokker-Planck, obtenue explicitement et utilisant les fonctions spéciales paraboliques cylindriques. La preuve de l'expression de la densité repose sur une décomposition sur une base hilbertienne de l'espace via une méthode spectrale. On étudie également le processus d'Ornstein-Uhlenbeck oscillant, dont le paramètre de drift est constant par morceaux selon le signe du processus. La transformée de Laplace du temps d'atteinte de ce processus est déterminée et la probabilité que le processus soit positif en un temps donné est calculée. / Forecasting and assessing the risk of heat waves is a crucial public policy stake. Evaluate the probability of heat waves and their severity can be possible by knowing the temperature in continuous time. However, daily extremes (maxima and minima) might be the only available data. The Ornstein-Uhlenbeck process is commonly used to model temperature dynamic. An estimation of the process parameters using only daily observed suprema of temperatures is proposed here. This new approach is based on a least square minimization using the cumulative distribution function of the supremum. Risk measures related to heat waves are then obtained numerically. In order to calculate explicitly those risk measures, it can be useful to have the joint law of the Ornstein-Uhlenbeck process and its supremum. The study is _rst limited to the joint density / distribution of the endpoint and supremum of the Ornstein-Uhlenbeck process. This probability admits a density, solution of the Fokker-Planck equation and explicitly obtained as an expansion involving parabolic cylinder functions. The proof of the density expression relies on a decomposition on a Hilbert basis of the space via a spectral method. We also study the oscillating Ornstein-Uhlenbeck process, which drift parameter is piecewise constant depending on the sign of the process. The Laplace transform of this process hitting time is determined and we also calculate the probability for the process to be positive on a fixed time.

Cette thèse est dévolue à l'étude de certaines propriétés asymptotiques du processus autorégressif d'ordre p. Ce dernier qualifie communément une suite aléatoire $(Y_{n})$ définie sur $\dN$ ou $\dZ$ et entièrement décrite par une combinaison linéaire de ses $p$ valeurs passées, perturbée par un bruit blanc $(\veps_{n})$. Tout au long de ce mémoire, nous traitons deux problématiques majeures de l'étude de tels processus : l'\textit{autocorrélation résiduelle} et la \textit{stationnarité}. Nous proposons en guise d'introduction un survol nécessaire des propriétés usuelles du processus autorégressif. Les deux chapitres suivants sont consacrés aux conséquences inférentielles induites par la présence d'une autorégression significative dans la perturbation $(\veps_{n})$ pour $p=1$ tout d'abord, puis pour une valeur quelconque de $p$, dans un cadre de stabilité. Ces résultats nous permettent d'apposer un regard nouveau et plus rigoureux sur certaines procédures statistiques bien connues sous la dénomination de \textit{test de Durbin-Watson} et de \textit{H-test}. Dans ce contexte de bruit autocorrélé, nous complétons cette étude par un ensemble de principes de déviations modérées liées à nos estimateurs. Nous abordons ensuite un équivalent en temps continu du processus autorégressif. Ce dernier est décrit par une équation différentielle stochastique et sa solution est plus connue sous le nom de \textit{processus d'Ornstein-Uhlenbeck}. Lorsque le processus d'Ornstein-Uhlenbeck est lui-même engendré par une diffusion similaire, cela nous permet de traiter la problématique de l'autocorrélation résiduelle dans le processus à temps continu. Nous inférons dès lors quelques propriétés statistiques de tels modèles, gardant pour objectif le parallèle avec le cas discret étudié dans les chapitres précédents. Enfin, le dernier chapitre est entièrement dévolu à la problématique de la stationnarité. Nous nous plaçons dans le cadre très général où le processus autorégressif possède une tendance polynomiale d'ordre $r$ tout en étant engendré par une marche aléatoire intégrée d'ordre $d$. Les résultats de convergence que nous obtenons dans un contexte d'instabilité généralisent le \textit{test de Leybourne et McCabe} et certains aspects du \textit{test KPSS}. De nombreux graphes obtenus en simulations viennent conforter les résultats que nous établissons tout au long de notre étude.

Cette thèse est dévolue à l'étude de certaines propriétés asymptotiques du processus autorégressif d'ordre p. Ce dernier qualifie communément une suite aléatoire $(Y_{n})$ définie sur $\dN$ ou $\dZ$ et entièrement décrite par une combinaison linéaire de ses $p$ valeurs passées, perturbée par un bruit blanc $(\veps_{n})$. Tout au long de ce mémoire, nous traitons deux problématiques majeures de l'étude de tels processus : l'\textit{autocorrélation résiduelle} et la \textit{stationnarité}. Nous proposons en guise d'introduction un survol nécessaire des propriétés usuelles du processus autorégressif. Les deux chapitres suivants sont consacrés aux conséquences inférentielles induites par la présence d'une autorégression significative dans la perturbation $(\veps_{n})$ pour $p=1$ tout d'abord, puis pour une valeur quelconque de $p$, dans un cadre de stabilité. Ces résultats nous permettent d'apposer un regard nouveau et plus rigoureux sur certaines procédures statistiques bien connues sous la dénomination de \textit{test de Durbin-Watson} et de \textit{H-test}. Dans ce contexte de bruit autocorrélé, nous complétons cette étude par un ensemble de principes de déviations modérées liées à nos estimateurs. Nous abordons ensuite un équivalent en temps continu du processus autorégressif. Ce dernier est décrit par une équation différentielle stochastique et sa solution est plus connue sous le nom de \textit{processus d'Ornstein-Uhlenbeck}. Lorsque le processus d'Ornstein-Uhlenbeck est lui-même engendré par une diffusion similaire, cela nous permet de traiter la problématique de l'autocorrélation résiduelle dans le processus à temps continu. Nous inférons dès lors quelques propriétés statistiques de tels modèles, gardant pour objectif le parallèle avec le cas discret étudié dans les chapitres précédents. Enfin, le dernier chapitre est entièrement dévolu à la problématique de la stationnarité. Nous nous plaçons dans le cadre très général où le processus autorégressif possède une tendance polynomiale d'ordre $r$ tout en étant engendré par une marche aléatoire intégrée d'ordre $d$. Les résultats de convergence que nous obtenons dans un contexte d'instabilité généralisent le \textit{test de Leybourne et McCabe} et certains aspects du \textit{test KPSS}. De nombreux graphes obtenus en simulations viennent conforter les résultats que nous établissons tout au long de notre étude. / This thesis is devoted to the study of some asymptotic properties of the $p-$th order \textit{autoregressive process}. The latter usually designates a random sequence $(Y_{n})$ defined on $\dN$ or $\dZ$ and completely described by a linear combination of its $p$ last values and a white noise $(\veps_{n})$. All through this manuscript, one is concerned with two main issues related to the study of such processes: \textit{serial correlation} and \textit{stationarity}. We intend, by way of introduction, to give a necessary overview of the usual properties of the autoregressive process. The two following chapters are dedicated to inferential consequences coming from the presence of a significative autoregression in the disturbance $(\veps_{n})$ for $p=1$ on the one hand, and then for any $p$, in the stable framework. These results enable us to give a new light on some statistical procedures such as the \textit{Durbin-Watson test} and the \textit{H-test}. In this autocorrelated noise framework, we complete the study by a set of moderate deviation principles on our estimates. Then, we tackle a continuous-time equivalent of the autoregressive process. The latter is described by a stochastic differential equation and its solution is the well-known \textit{Ornstein-Uhlenbeck process}. In the case where the Ornstein-Uhlenbeck process is itself driven by an Ornstein-Uhlenbeck process, one deals with the serial correlation issue for the continuous-time process. Hence, we infer some statistical properties of such models, keeping the parallel with the discrete-time framework studied in the previous chapters as an objective. Finally, the last chapter is entirely devoted to the stationarity issue. We consider the general autoregressive process with a polynomial trend of order $r$ driven by a random walk of order $d$. The convergence results in the unstable framework generalize the \textit{Leybourne and McCabe test} and some angles of the \textit{KPSS test}. Many graphs obtained by simulations come to strengthen the results established all along the study.