We consider the regression model\begin{equation} Y_{i}=g(x_i)+\varepsilon _{i},\,\,\,\,i=0,1,2...,n, \end{equation}where the regression function derivative has a jump point at an unknown position $\theta .$ We propose a nonparametric Kernel-based estimator of the jump location $\theta .$ Assume that $\sup_{\left| i-j\right| \geq k}\left| Cov\left( \varepsilon _{i},\varepsilon _{j}\right) \right|\leq Ck^{-\rho }$ for $0<\rho \leq 1.$ Under very general conditions, we prove the $(nh)^{\frac{-\rho}{2}}$ convergence rate of the estimator, where $h$ is the window of the kernel. This includes short-range dependent as well as long-range dependent and even non-stationary errors. Finally, we gives conditions on the windows $h$ to obtain the best rate of convergence. The obtained rate is known to be optimal for i.i.d. errors as well as for LRD errors

Pour les algèbres de Lie, l'homologie de Leibniz est une version non-commutative de l'homologie de Chevalley-Eilenberg. Dans cet exposé, nous montrons comment écrire cette théorie homologique comme de l'homologie de foncteurs, c'est-à-dire un Tor sur une catégorie de foncteurs. Ce résultat est dans la continuité de travaux de Pirashvili et Richter, Robinson et Whitehouse pour les algèbres associatives ou commutatives. Ceci est un travail en commun avec Christine Vespa.