Nous étudions le problème de la détection robuste des points de changement dans la variabilité d’une séquence de fonctions et vecteurs multivariés indépendants. Nous présentons de nouvelles procédures de points de changement appelées procédures de points de changement des covariables fonctionnelles et multivariées de Kruskal-Wallis (FKWC et MKWC), basées sur les statistiques de rang et la profondeur de données. Les procédures de points de changement MKWC et FKWC permettent à l’utilisateur de tester au plus un changement (AMOC) ou une période épidémique, ou d’estimer le nombre et les emplacements d’une quantité inconnue de points de changement dans les données. Nous montrons que si le ratio « signal sur bruit » est délimité par le bas, l’estimation des points de changement produite par les procédures MKWC et FKWC atteint le taux de localisation minimax pour la détection des changements généraux de la distribution dans le contexte univarié. Nous présentons également le comportement statistique des tests proposés dans le contexte AMOC et épidémique en fonction d’une hypothèse nulle et la cohérence de ces tests comme simple conséquence de notre résultat principal.