Non-parametric estimation of convex bodies and convex polytopes

In this thesis, we are interested in statistical inference on convex bodies in the Euclidean space R^d. Two models are investigated. The first one consists of the observation of n independent random points, with common uniform distribution on an unknown convex body. The second one is a regression model, with additive subgaussian noise, where the regression function is the indicator function of an unknown convex body. In the first model, our goal is to estimate the unknown support of the common uniform density of the observed points. In the second model, we aim either to estimate the support of the regression function, or to detect whether this support is nonempty, i.e., the regression function is nonzero. In both models, we investigate the cases when the unknown set is a convex polytope, and when we know the number of vertices. If this number is not known, we propose an adaptive method which allows us to obtain a statistical procedure performing asymptotically as well as in the case of perfect knowledge of that number. In addition, this procedure allows misspecification, i.e., provides an estimator of the unknown set, which is optimal in a minimax sense, even if the unknown set is not polytopal, in the contrary to what may have been thought. We prove a universal deviation inequality for the volume of the convex hull of the observations in the first model. We show that this inequality allows one to derive tight bounds on the moments of the missing volume of this convex hull, as well as on the moments of the number of its vertices. In the one-dimensional case, in the second model, we compute the asymptotic minimal size of the unknown set so that it can be detected by some statistical procedure, and we propose a decision rule which allows consistent testing of whether of that set is empty.Dans ce travail, nous nous intéressons à l'estimation d'ensembles convexes dans l'espace Euclidien R^d, en nous penchant sur deux modèles. Dans le premier modèle, nous avons à notre disposition un échantillon de n points aléatoires, indépendants et de même loi, uniforme sur un ensemble convexe inconnu. Le second modèle est un modèle additif de régression, avec bruit sous-gaussien, et dont la fonction de régression est l'indicatrice d'Euler d'un ensemble convexe ici aussi inconnu. Dans le premier modèle, notre objectif est de construire un estimateur du support de la densité des observations, qui soit optimal au sens minimax. Dans le second modèle, l'objectif est double. Il s'agit de construire un estimateur du support de la fonction de régression, ainsi que de décider si le support en question est non vide, c'est-'a-dire si la fonction de régression est effectivement non nulle, ou si le signal observé n'est que du bruit. Dans ces deux modèles, nous nous intéressons plus particulièrement au cas où l'ensemble inconnu est un polytope convexe, dont le nombre de sommets est connu. Si ce nombre est inconnu, nous montrons qu'une procédure adaptative permet de construire un estimateur atteignant la même vitesse asymptotique que dans le cas précédent. Enfin, nous démontrons que ce m$eme estimateur pallie à l'erreur de spécification du modèle, consistant à penser à tort que l'ensemble convexe inconnu est un polytope. Nous démontrons une inégalité de déviation pour le volume de l'enveloppe convexe des observations dans le premier modèle. Nous montrons aussi que cette inégalité implique des bornes optimales sur les moments du volume manquant de cette enveloppe convexe, ainsi que sur les moments du nombre de ses sommets. Enfin, dans le cas unidimensionnel, pour le second modèle, nous donnons la taille asymptotique minimale que doit faire l'ensemble inconnu afin de pouvoir être détecté, et nous proposons une règle de décision, permettant un test consistant du caractère non vide de cet ensemble