Literatura académica sobre el tema "Processus non-gaussien"

Résumé Dans ce texte, nous considérons un modèle autorégressif d’ordre p (où p ≥ 1) gaussien, possiblement non stationnaire, avec un terme constant (tendance). Nous développons des méthodes d’inférence exactes pour les coefficients de ce modèle. Nous proposons une méthode qui permet de tester n’importe quelle hypothèse qui fixe le vecteur complet des coefficients autorégressifs du modèle puis, en « inversant » ces tests, de construire une région de confiance conjointe pour les coefficients du vecteur. Chaque hypothèse est testée en transformant d’abord les observations de façon à faire disparaître toute autocorrélation sous l’hypothèse nulle puis en testant si les observations transformées sont indépendantes. Pour ce faire, nous combinons plusieurs tests d’autocorrélation conçus pour détecter la dépendance aux délais 1, 2, ..., p. La méthode proposée permet de construire de façon simple les régions de confiance en résolvant 2p polynômes de second degré pour chaque coefficient (après un balayage des p – 1 coefficients restants du modèle et pour chaque configuration de ces p – 1 coefficients). Pour faire de l’inférence sur les coefficients individuels du modèle ou sur des transformations plus générales des coefficients autorégressifs, nous proposons d’utiliser une technique de projection. Nous appliquons la méthode développée à un modèle du P.I.B. réel tunisien.

International audience We show that the shapes of integer partitions chosen randomly according to Schur-Weyl measures of parameter $\alpha =1/2$ and Gelfand measures satisfy Kerov's central limit theorem. Thus, there is a gaussian process $\Delta$ such that under Plancherel, Schur-Weyl or Gelfand measures, the deviations $\Delta_n(s)=\lambda _n(\sqrt{n} s)-\sqrt{n} \lambda _{\infty}^{\ast}(s)$ converge in law towards $\Delta (s)$, up to a translation along the $x$-axis in the case of Schur-Weyl measures, and up to a factor $\sqrt{2}$ and a deterministic remainder in the case of Gelfand measures. The proofs of these results follow the one given by Ivanov and Olshanski for Plancherel measures; hence, one uses a "method of noncommutative moments''. Nous montrons que les formes des partitions d'entiers choisies aléatoirement sous les mesures de Schur-Weyl de paramètre $\alpha =1/2$ et sous les mesures de Gelfand obéissent au théorème central limite de Kerov. Ainsi, il existe un processus gaussien $\Delta$ tel que sous les mesures de Plancherel, de Schur-Weyl ou de Gelfand, les déviations $\Delta_n(s)=\lambda _n(\sqrt{n} s)-\sqrt{n} \lambda _{\infty}^{\ast}(s)$ convergent en loi vers $\Delta (s)$, à une translation près le long de l'axe des abscisses pour les mesures de Schur-Weyl, et à un facteur $\sqrt{2}$ et un reste déterministe près dans le cas des mesures de Gelfand. Les preuves de ces résultats suivent celle donnée par Ivanov et Olshanski pour les mesures de Plancherel; ainsi, on utilise une "méthode de moments non commutatifs''.

L'objet de ce travail de recherche est de construire un modèle approché en vue de simuler les trajectoires d'un processus stochastique non gaussien strictement stationnaire sous la seule donnée (incomplète) de sa loi marginale d'ordre un, ou des N premiers moments de cette loi, et de sa fonction d'autocorrélation. La méthode de simulation développée au cours de cette thèse s'appuie sur deux méthodes bien connues de simulation de processus gaussiens : la méthode spectrale et la markovianisation. D'autre part, si seuls les N premiers moments de la loi marginale sont donnés, le principe de maximum d'entropie est utilisé pour choisir cette loi. A partir de la loi marginale est construite une transformation non linéaire qui est ensuite projetée sur la base des polynomes d'Hermite. Le modèle construit consiste donc en une transformation polynomiale d'un processus gaussien stationnaire standard dont la fonction d'autocorrélation est déterminée à l'aide d'un problème de minimisation. Cette méthode de simulation est mise en oeuvre dans des exemples numériques inspirés de l'ingénierie mécanique. Enfin, les convergences en moyenne quadratique et presque-sure du modèle ont été étudiées.

Les échos radar provenant des diverses réflexions du signal émis sur les éléments de l'environnement (le fouillis) ont longtemps été modélisés par des vecteurs Gaussiens. La procédure optimale de détection se résumait alors en la mise en oeuvre du filtre adapté classique.
Avec l'évolution technologique des systèmes radar, la nature réelle du fouillis s'est révélée ne plus être Gaussienne. Bien que l'optimalité du filtre adapté soit mise en défaut dans pareils cas, des techniques TFAC (Taux de Fausses Alarmes Constant) ont été proposées pour ce détecteur, dans le but d'adapter la valeur du seuil de détection aux multiples variations locales du fouillis. Malgré leur diversité, ces techniques se sont avérées n'être ni robustes ni optimales dans ces situations.
A partir de la modélisation du fouillis par des processus complexes non-Gaussiens, tels les SIRP (Spherically Invariant Random Process), des structures optimales de détection cohérente ont pu être déterminées. Ces modèles englobent de nombreuses lois non-Gaussiennes, comme la K-distribution ou la loi de Weibull, et sont reconnus dans la littérature pour modéliser de manière pertinente de nombreuses situations expérimentales. Dans le but d'identifier la loi de leur composante caractéristique qu'est la texture, sans a priori statistique sur le modèle, nous proposons, dans cette thèse, d'aborder le problème par une approche bayésienne.
Deux nouvelles méthodes d'estimation de la loi de la texture en découlent : la première est une méthode paramétrique, basée sur une approximation de Padé de la fonction génératrice de moments, et la seconde résulte d'une estimation Monte Carlo. Ces estimations sont réalisées sur des données de fouillis de référence et donnent lieu à deux nouvelles stratégies de détection optimales, respectivement nommées PEOD (Padé Estimated Optimum Detector) et BORD (Bayesian Optimum Radar Detector). L'expression asymptotique du BORD (convergence en loi), appelée le "BORD Asymptotique", est établie ainsi que sa loi. Ce dernier résultat permet d'accéder aux performances théoriques optimales du BORD Asymptotique qui s'appliquent également au BORD dans le cas où la matrice de corrélation des données est non singulière.
Les performances de détection du BORD et du BORD Asymptotique sont évaluées sur des données expérimentales de fouillis de sol. Les résultats obtenus valident aussi bien la pertinence du modèle SIRP pour le fouillis que l'optimalité et la capacité d'adaptation du BORD à tout type d'environnement.

L’objectif principal de ce travail de thèse est de développer de nouvelles techniques robustes pour le traitement des signaux non-gaussiens et/ou nonstationnaires dans des environnements impulsifs. Plus précisément, le travail de cette thèse de doctorat se situe au carrefour des deux problématiques suivantes: I- Séparation aveugle de mélanges linéaires de sources impulsives : Ce problème a été peu étudié pour certains cas statistiquement ardus. En effet, lorsque les sources sont modélisées par des lois alpha-stables, les méthodes classiques ne s’appliquent plus, car la densité de probabilité n’a pas d’expression analytique explicite et les moments d’ordre 2 ou d’ordre supérieur à 2 sont infinis. Dans ce cas, nous avons introduit quatres approches originales. Une approche basée sur le critère de dispersion minimum. Une deuxième approche basée sur l’idée des statistiques normalisées que nous avons introduite pour adapter les méthodes existantes basées sur les statistiques d’ordre deux ou d’ordre supérieur. Une troisième approche en utilisant des fonctions de contrastes, sous contrainte d’orthogonalité. Une quatrième approche de structure semi-paramétrique. Nous combinons une version stochastique de l’algorithme EM et l’approximation des PDF alpha-stables par les fonctions logspline afin d’estimer la PDF et la matrice du mélange simultanément. II- Estimation de signaux FM non-stationnaires multicomposantes dans un environnement impulsif: Pour contribuer à la résolution de ce problème, nous avons proposé des méthodes paramétriques et d’autres non-paramétriques basées sur l’analyse temps-fréquence
In this thesis, we introduce some new blind source separation approches for heavy-tailed and/or nonstationary signals. The impulsive, or heavy-tailed signals are modeled as real-valued symmetric alpha-stable processes characterized by infinite second and higher order moments. For the heavy-tailed signals separation, the proposed approaches uses the minimum dispersion criterion, the normalized statistics, some contrast function and a semi-parametric version of the maximum likelihood principle respectively. For the nonstationary FM signals in heavy-tailed noise, we propose some parametric and non-parametric methodes. Parametric methodes are based on the polynomial phase transform and the subspace method MUSIC. The non-parametric methodes are based on the use of the time-frequency representation of the signals. In a first appraoch, we use a preprocessing stage to mitigate the impulsive noise effect, while in the second one we design a new robust time-frequency distribution

Cette thèse traite du traitement adaptatif spatio-temporel dans le domaine radar. Pour augmenter les performances en détection, cette approche consiste à maximiser le rapport entre la puissance de la cible et celle des interférences, à savoir le bruit thermique et le fouillis. De nombreuses variantes de cet algorithme existent, une d’entre elles est fondée sur une modélisation autorégressive vectorielle des interférences. Sa principale difficulté réside dans l’estimation des matrices autorégressives à partir des données d’entrainement ; ce point constitue l’axe de notre travail de recherche. En particulier, notre contribution porte sur deux aspects. D’une part, dans le cas où l’on suppose que le bruit thermique est négligeable devant le fouillis non gaussien, les matrices autorégressives sont estimées en utilisant la méthode du point fixe. Ainsi, l’algorithme est robuste à la distribution non gaussienne du fouillis.D’autre part, nous proposons une nouvelle modélisation des interférences différenciant le bruit thermique et le fouillis : le fouillis est considéré comme un processus autorégressif vectoriel, gaussien et perturbé par le bruit blanc thermique. Ainsi, de nouvelles techniques d'estimation des matrices autorégressives sont proposées. La première est une estimation aveugle par bloc reposant sur la technique à erreurs dans les variables. Ainsi, l’estimation des matrices autorégressives reste robuste pour un rapport faible entre la puissance de la cible et celle du fouillis (< 5 dB). Ensuite, des méthodes récursives ont été développées. Elles sont fondées sur des approches du type Kalman : filtrage de Kalman étendu et filtrage par sigma point (UKF et CDKF), ainsi que sur le filtre H∞.Une étude comparative sur des données synthétiques et réelles, avec un fouillis gaussien ou non gaussien, est menée pour révéler la pertinence des différents estimateurs en terme de probabilité de détection
This dissertation deals with space-time adaptive processing in the radar’s field. To improve the detection’s performances, this approach consists in maximizing the ratio between the target’s power and the interference’s one, i.e. the thermal noise and the clutter. Several variants of its algorithm exist, one of them is based on multichannel autoregressive modelling of interferences. Its main problem lies in the estimation of autoregressive matrices with training data and guides our research’s work. Especially, our contribution is twofold.On the one hand, when thermal noise is considered negligible, autoregressive matrices are estimated with fixed point method. Thus, the algorithm is robust against non-gaussian clutter.On the other hand, a new modelling of interferences is proposed. The clutter and thermal noise are separated : the clutter is considered as a multichannel autoregressive process which is Gaussian and disturbed by the white thermal noise. Thus, new estimation’s algorithms are developed. The first one is a blind estimation based on errors in variable methods. Then, recursive approaches are proposed and used extension of Kalman filter : the extended Kalman filter and the Sigma Point Kalman filter (UKF and CDKF), and the H∞ filter. A comparative study on synthetic and real data with Gausian and non Gaussian clutter is carried out to show the relevance of the different algorithms about detection’s probability

Le mouvement brownien est le déplacement erratique de particules microscopiques immergées dans un fluide en raison de l’agitation thermique des molécules du fluide environnant. Il est possible de décrire le mouvement brownien à l’aide de l’équation de Langevin. Cependant, près d’une paroi, une particule se déplace beaucoup plus lentement en raison des conditions de non-glissement du fluide à la paroi. Ainsi, les mobilités et les coefficients de diffusions de la particule, parallèle et perpendiculaire à la paroi, sont impactés localement par le confinement et conduisent à l’émergence d’un bruit dit multiplicatif. En conséquence, lorsqu’il est confiné, le mouvement brownien n’est plus gaussien. En outre, les effets non-gaussiens sont difficiles à observer à tout temps. Au cours de ma thèse, j’ai développé des simulations numériques optimisées et efficaces afin d’étudier, sur de larges fenêtres spatiale et temporelle, le mouvement brownien confiné entre deux parois rigides. Dans ce manuscrit, je présente en détail l’algorithme développé et l’ensemble des méthodes d’optimisation pour réduire le temps de calcul des simulations. Je présente également les méthodes d’analyse du mouvement brownien et je les applique au cas confiné afin de caractériser qualitativement et quantitativement les aspects non-gaussiens des déplacements d’une particule brownienne. Ces travaux ont permis de confirmer les prédictions théoriques, en particulier pour les temps longs, inaccessibles expérimentalement
Brownian motion is the erratic movement of microscopic particles immersed in a fluid due to the thermal agitation of the surrounding fluid molecules. It is possible to describe the Brownian motion using Langevin’s equation. However, close to a wall, a particle moves more slowly because of the hydrodynamic no-slip condition at the wall. As a result, the particle’s mobilities and diffusion coefficients, both parallel and perpendicular to the wall, are locally impacted by the confinement and lead to the emergence of a so-called multiplicative noise. Consequently, when confined, Brownian motion is no longer Gaussian. Besides, the latter effect is difficult to observe at all time. During my thesis, I developed numerical simulations, optimized to study efficiently, on broad spatial and temporal windows, Brownian motion confined between rigid walls. In this manuscript, I present in detail the algorithm and the set of optimisation methods for reducing the computation time. I also present the methods for analysing Brownian motion and apply them to the confined case in order to characterize qualitatively and quantitatively the non-Gaussian features of the displacements of a Brownian particle. This work has rendered possible to confirm the theoretical predictions, in particular at long times, which are inaccessible experimentally

Cette thèse porte sur la construction de modèles de substitution en régimes transitoire et permanent pour la simulation thermique, en présence de peu d'observations et de plusieurs sorties.Nous proposons dans un premier temps une construction robuste de perceptron multicouche bouclé afin d'approcher une dynamique spatio-temporelle. Ce modèle de substitution s'obtient par une moyennisation de réseaux de neurones issus d'une procédure de validation croisée, dont le partitionnement des observations associé permet d'ajuster les paramètres de chacun de ces modèles sur une base de test sans perte d'information. De plus, la construction d'un tel perceptron bouclé peut être distribuée selon ses sorties. Cette construction est appliquée à la modélisation de l'évolution temporelle de la température en différents points d'une armoire aéronautique.Nous proposons dans un deuxième temps une agrégation de modèles par processus gaussien dans un cadre multifidélité où nous disposons d'un modèle d'observation haute-fidélité complété par plusieurs modèles d'observation de fidélités moindres et non comparables. Une attention particulière est portée sur la spécification des tendances et coefficients d'ajustement présents dans ces modèles. Les différents krigeages et co-krigeages sont assemblés selon une partition ou un mélange pondéré en se basant sur une mesure de robustesse aux points du plan d'expériences les plus fiables. Cette approche est employée pour modéliser la température en différents points de l'armoire en régime permanent.Nous proposons dans un dernier temps un critère pénalisé pour le problème de la régression hétéroscédastique. Cet outil est développé dans le cadre des estimateurs par projection et appliqué au cas particulier des ondelettes de Haar. Nous accompagnons ces résultats théoriques de résultats numériques pour un problème tenant compte de différentes spécifications du bruit et de possibles dépendances dans les observations
This PhD thesis deals with the construction of surrogate models in transient and steady states in the context of thermal simulation, with a few observations and many outputs.First, we design a robust construction of recurrent multilayer perceptron so as to approach a spatio-temporal dynamic. We use an average of neural networks resulting from a cross-validation procedure, whose associated data splitting allows to adjust the parameters of these models thanks to a test set without any information loss. Moreover, the construction of this perceptron can be distributed according to its outputs. This construction is applied to the modelling of the temporal evolution of the temperature at different points of an aeronautical equipment.Then, we proposed a mixture of Gaussian process models in a multifidelity framework where we have a high-fidelity observation model completed by many observation models with lower and no comparable fidelities. A particular attention is paid to the specifications of trends and adjustement coefficients present in these models. Different kriging and co-krigings models are put together according to a partition or a weighted aggregation based on a robustness measure associated to the most reliable design points. This approach is used in order to model the temperature at different points of the equipment in steady state.Finally, we propose a penalized criterion for the problem of heteroscedastic regression. This tool is build in the case of projection estimators and applied with the Haar wavelet. We also give some numerical results for different noise specifications and possible dependencies in the observations

Il est peu connu que les problèmes de dynamique quantique peuvent être résolus au moyen de trajectoires, issues de l'interprétation Bohmienne de la mécanique quantique. La propagation numérique de ces trajectoires quantiques constitue cependant un véritable défi, du fait de la difficulté d'évaluer précisément les dérivées spatiales mises
en jeu dans les équations. Dans cette thèse nous présentons des approximations permettant de propager les trajectoires quantiques sans instabilités numériques. Nous nous intéressons particulièrement aux systèmes constitués de plusieurs états électroniques couplés. D'une part, nous développons une approximation semi-classique qui découple partiellement la propagation des trajectoires des transitions
inter-états. D'autre part, nous appliquons aux systèmes à plusieurs états une reformulation des équations hydrodynamiques en termes de dérivées spatiales. Dans les deux cas, le formalisme est établi puis appliqué numériquement à des processus modèles.

Nous proposons une méthode pour calculer approximativement, sous certainessuites d'alternatives locales, la puissance d'un testnon paramétrique d'ajustement basé sur une statistique de Cramér-von Mises pondérée. Notre méthode utilise lesdéveloppements de Karhunen-Loève [K. L] d'un pont brownien pondéré
We consider in this paper goodness-of-fit tests of the nullhypothesis that the underlying d. F. Of a sample F(. ), belongs toa given family of distribution functions. We proposea method for deriving approximate values of the power of aweighted Cramér-von Mises type test of goodness of fit. Ourmethod relies on Karhunen-Loève [K. L] expansions on (0,1] forWeighted Brownian bridges

L'analyse statistique, prise au sens large, est centrée sur la description, et, lorsque les circonstances le permettent, la modélisation quantitative des phénomènes observés, pour peu que ces derniers possèdent une part d'incertitude, et donc, qu'ils soient soumis aux lois du hasard. Dans cette activité scientifique, le plus grand soin doit être apporté à la validation des hypothèses de modélisation, nécessaires à l'interprétation des résultats. Ce principe général s'applique d'ailleurs à toutes les sciences expérimentales, et tout aussi bien aux sciences humaines (en psychologie), qu'en économie, et dans bien d'autres disciplines. Une théorie scientifique repose, au départ, sur des hypothèses de modélisation, qui sont ensuite soumises à l'épreuve de l'expérimentation. Celle-ci est basée sur le recueil de données, dont il est nécessaire de décider la nature, compatible ou non, avec les modèles choisis, aboutissant, soit au rejet, soit à l'acceptation, de ces derniers. La statistique a développé, dans ce but, une technologie basée sur les tests d'hypothèses, dont nous nous abstiendrons de discuter dans mon mémoire de thèse les bases et les fondements. Dans cette thèse, nous avons abordé l'étude de certains tests d'ajustement (dits, en Anglais, tests of fit"), de nature paramétrique et non paramétrique. Les aspects techniques de ces tests d'hypothèses ont été abordés, dans le contexte particulier de notre étude pour les tests de type Cramer-Von Mises. On ne manquera pas de citer l'approche initialement utilisée pour les tests de type Kolmogorov-Smirnov. Enfin, l'ouvrage de Nikitin était une référence de base particulièrement adaptée à la nature de notre recherche. L'objectif principal de la thèse est d'évaluer la puissance asymptotique de certains tests d'ajustement, relevant de la catégorie générale des tests de Cramer-Von Mises. Nous avons évalué cette puissance, relativement à des suites convenables d'alternatives locales. Notre méthode utilise les développements de Karhunen-Loève d'un pont brownien pondéré. Notre travail avait pour objet secondaire de compléter des recherches récentes de P.Deheuvels et G.Martynov, qui ont donné l'expression des fonctions propres et valeurs propres des développements de Karhunen-Loève de certains ponts browniens pondérés à l'aide de fonctions de Bessel. Dans le premier temps, nous avons exposé les fondements des développements de Karhunen-Loève [D.K.L], ainsi que les applications qui en découlent en probabilités et statistiques. Le deuxième paragraphe de cette thèse a été consacré à un exposé de la composante de la théorie des tests d'hypothèses adaptée à la suite de notre mémoire. Dans ce même paragraphe, nous montrons l'intérêt qu'apporte une connaissance explicite des composantes d'un développement de Karhunen-Loève, en vue de l'évaluation de la puissance de tests d'ajustement basés sur les statistiques de type Cramer-Von Mises qui sont liées à ce D.K.L.

Dans cette thèse nous considérons, dans un premier temps, le problème de l'analyse statistique des modèles FARIMA (Fractionally AutoRegressive Integrated Moving-Average) induits par un bruit blanc non corrélé mais qui peut contenir des dépendances non linéaires très générales. Ces modèles sont appelés FARIMA faibles et permettent de modéliser des processus à mémoire longue présentant des dynamiques non linéaires, de structures souvent non-identifiées, très générales. Relâcher l'hypothèse d'indépendance sur le terme d'erreur, une hypothèse habituellement imposée dans la littérature, permet aux modèles FARIMA faibles d'élargir considérablement leurs champs d'application en couvrant une large classe de processus à mémoire longue non linéaires. Les modèles FARIMA faibles sont denses dans l'ensemble des processus stationnaires purement non déterministes, la classe formée par ces modèles englobe donc celle des processus FARIMA avec un bruit indépendant et identiquement distribué (iid). Nous appelons par la suite FARIMA forts les modèles dans lesquels le terme d'erreur est supposé être un bruit iid.Nous établissons les procédures d'estimation et de validation des modèles FARIMA faibles. Nous montrons, sous des hypothèses faibles de régularités sur le bruit, que l'estimateur des moindres carrés des paramètres des modèles FARIMA(p,d,q) faibles est fortement convergent et asymptotiquement normal. La matrice de variance asymptotique de l'estimateur des moindres carrés des modèles FARIMA(p,d,q) faibles est de la forme "sandwich". Cette matrice peut être très différente de la variance asymptotique obtenue dans le cas fort (i.e. dans le cas où le bruit est supposé iid). Nous proposons, par deux méthodes différentes, un estimateur convergent de cette matrice. Une méthode alternative basée sur une approche d'auto-normalisation est également proposée pour construire des intervalles de confiance des paramètres des modèles FARIMA(p,d,q) faibles. Cette technique nous permet de contourner le problème de l'estimation de la matrice de variance asymptotique de l'estimateur des moindres carrés.Nous accordons ensuite une attention particulière au problème de la validation des modèles FARIMA(p,d,q) faibles. Nous montrons que les autocorrélations résiduelles ont une distribution asymptotique normale de matrice de covariance différente de celle obtenue dans le cadre des FARIMA forts. Cela nous permet de déduire la loi asymptotique exacte des statistiques portmanteau et de proposer ainsi des versions modifiées des tests portmanteau standards de Box-Pierce et Ljung-Box. Il est connu que la distribution asymptotique des tests portmanteau est correctement approximée par un khi-deux lorsque le terme d'erreur est supposé iid. Dans le cas général, nous montrons que cette distribution asymptotique est celle d'une somme pondérée de khi-deux. Elle peut être très différente de l'approximation khi-deux usuelle du cas fort. Nous adoptons la même approche d'auto-normalisation utilisée pour la construction des intervalles de confiance des paramètres des modèles FARIMA faibles pour tester l'adéquation des modèles FARIMA(p,d,q) faibles. Cette méthode a l'avantage de contourner le problème de l'estimation de la matrice de variance asymptotique du vecteur joint de l'estimateur des moindres carrés et des autocovariances empiriques du bruit.Dans un second temps, nous traitons dans cette thèse le problème de l'estimation des modèles autorégressifs d'ordre 1 induits par un bruit gaussien fractionnaire d'indice de Hurst H supposé connu. Nous étudions, plus précisément, la convergence et la normalité asymptotique de l'estimateur des moindres carrés généralisés du paramètre autorégressif de ces modèles
We first consider, in this thesis, the problem of statistical analysis of FARIMA (Fractionally AutoRegressive Integrated Moving-Average) models endowed with uncorrelated but non-independent error terms. These models are called weak FARIMA and can be used to fit long-memory processes with general nonlinear dynamics. Relaxing the independence assumption on the noise, which is a standard assumption usually imposed in the literature, allows weak FARIMA models to cover a large class of nonlinear long-memory processes. The weak FARIMA models are dense in the set of purely non-deterministic stationary processes, the class of these models encompasses that of FARIMA processes with an independent and identically distributed noise (iid). We call thereafter strong FARIMA models the models in which the error term is assumed to be an iid innovations.We establish procedures for estimating and validating weak FARIMA models. We show, under weak assumptions on the noise, that the least squares estimator of the parameters of weak FARIMA(p,d,q) models is strongly consistent and asymptotically normal. The asymptotic variance matrix of the least squares estimator of weak FARIMA(p,d,q) models has the "sandwich" form. This matrix can be very different from the asymptotic variance obtained in the strong case (i.e. in the case where the noise is assumed to be iid). We propose, by two different methods, a convergent estimator of this matrix. An alternative method based on a self-normalization approach is also proposed to construct confidence intervals for the parameters of weak FARIMA(p,d,q) models.We then pay particular attention to the problem of validation of weak FARIMA(p,d,q) models. We show that the residual autocorrelations have a normal asymptotic distribution with a covariance matrix different from that one obtained in the strong FARIMA case. This allows us to deduce the exact asymptotic distribution of portmanteau statistics and thus to propose modified versions of portmanteau tests. It is well known that the asymptotic distribution of portmanteau tests is correctly approximated by a chi-squared distribution when the error term is assumed to be iid. In the general case, we show that this asymptotic distribution is a mixture of chi-squared distributions. It can be very different from the usual chi-squared approximation of the strong case. We adopt the same self-normalization approach used for constructing the confidence intervals of weak FARIMA model parameters to test the adequacy of weak FARIMA(p,d,q) models. This method has the advantage of avoiding the problem of estimating the asymptotic variance matrix of the joint vector of the least squares estimator and the empirical autocovariances of the noise.Secondly, we deal in this thesis with the problem of estimating autoregressive models of order 1 endowed with fractional Gaussian noise when the Hurst parameter H is assumed to be known. We study, more precisely, the convergence and the asymptotic normality of the generalized least squares estimator of the autoregressive parameter of these models