Spécialité: Informatique et Réseaux soutenue par

Cette thèse est axée sur le problème de l’identification de modèles factoriels de séries temporelles et est à la rencontre des deux domaines de la Statistique, l’analyse des séries temporelles et l’analyse des données avec ses méthodes descriptives. La première étape de notre travail a pour but d’étendre à plusieurs séries temporelles discrètes, l’étude des composantes principales de Jenkins développée dans les années 70. Notre approche adapte l’analyse en composantes principales « classique » (ou ACP) aux séries temporelles en s’inspirant de la technique Singular Spectrum Analysis (ou SSA). Un principe est déduit et est appliqué au processus multidimensionnel générateur des séries. Une matrice de covariance à structure « remarquable » est construite autour de vecteurs aléatoires décalés: elle exploite la chronologie, la stationnarité et la double dimension du processus. A l’aide de deux corollaires établis par Friedman B. dans les années 50 basés sur le produit tensoriel de matrices, et de propriétés de covariance des processus circulaires, nous approchons les éléments propres de la matrice de covariance. La forme générale des composantes principales de plusieurs séries temporelles est déduite. Dans le cas des processus « indépendants », une propriété des scores est établie et les composante