Le filtrage non-linéaire des mesures ponctuelles d'un fluide turbulent était un sujet vierge, nous donnons ici des modélisations stochastiques et des filtres pertinents. Nous avons défini et étudié le processus d'acquisition d'un champ vectoriel le long d'un chemin aléatoire. Nous avons proposé des algorithmes de filtrage non-linéaire pour les processus à champ moyen et démontré la convergence des approximations particulaires. Nous avons remanié les modèles Lagrangiens du fluide proposés par les physiciens en fermant ces équations par un conditionnement en les couplant à l'observation et au processus d'acquisition. Nos algorithmes permettent alors de filtrer les mesures de vitesses d'un fluide turbulent simulées ou réelles en écoulement 1D à 3D.

Ce travail est consacré à l’étude de quelques questions issues de la modélisation des systèmes biologiques en combinant des outils analytiques et probabilistes. Dans la première partie, nous nous intéressons à la dérivation des équations de champ moyen associées aux réseaux de neurones, ainsi qu’à l’étude de la convergence vers l’équilibre des solutions. Dans le Chapitre 2, nous utilisons la méthode de couplage pour démontrer la propagation du chaos pour un réseau neuronal avec délais et avec une architecture aléatoire. Dans le Chapitre 3, nous considérons une équation cinétique du type FitzHugh-Nagumo. Nous analysons l'existence de solutions et prouvons la convergence exponentielle dans les régimes de faible connectivité. Dans la deuxième partie, nous étudions le rôle des homéoprotéines (HPs) sur la robustesse des bords des aires fonctionnelles. Dans le Chapitre 4, nous proposons un modèle général du développement neuronal. Nous prouvons qu'en l'absence de diffusion, les HPs sont exprimées dans des régions irrégulières. Mais en présence de diffusion, même arbitrairement faible, des frontières bien définies émergent. Dans le Chapitre 5, nous considérons le modèle général dans le cas unidimensionnel et prouvons l'existence de solutions stationnaires monotones définissant un point d'intersection unique aussi faible que soit le coefficient de diffusion. Enfin, dans la troisième partie, nous étudions une équation de Keller-Segel sous-critique. Nous démontrons la propagation du chaos sans aucune restriction sur le noyau de force. En outre, nous démontrons que la propagation du chaos a lieu dans le sens de l’entropie. / This work is devoted to the study of mathematical questions arising from the modeling of biological systems combining analytic and probabilistic tools. In the first part, we are interested in the derivation of the mean-field equations related to some neuronal networks, and in the study of the convergence to the equilibria of the solutions to the limit equations. In Chapter 2, we use the coupling method to prove the chaos propagation for a neuronal network with delays and random architecture. In Chapter 3, we consider a kinetic FitzHugh-Nagumo equation. We analyze the existence of solutions and prove the nonlinear exponential convergence in the weak connectivity regime. In the second part, we study the role of homeoproteins (HPs) on the robustness of boundaries of functional areas. In Chapter 4, we propose a general model for neuronal development. We prove that in the absence of diffusion, the HPs are expressed on irregular areas. But in presence of diffusion, even arbitrarily small, well defined boundaries emerge. In Chapter 5, we consider the general model in the one dimensional case and prove the existence of monotonic stationary solutions defining a unique intersection point for any arbitrarily small diffusion coefficient. Finally, in the third part, we study a subcritical Keller-Segel equation. We show the chaos propagation without any restriction on the force kernel. Eventually, we demonstrate that the propagation of chaos holds in the entropic sense.