La vitesse de convergence dans la loi forte des grands nombres de Kolmogorov est généralement quantifiée par des majorations fines de la queue de la fonction de répartition des sommes partielles. Une autre approche, à laquelle nous nous intéressons dans ce travail, consiste à considérer ce problème de vitesse de convergence sous un aspect de martingale généralisée (amart ou quasimartingale). Nous considérons successivement la loi des grands nombres de Kolmogorov pour des variables aléatoires indépendantes équidistribuées et deux de ses généralisations : la loi des grands nombres de Marcinkiewicz-Zygmund d'ordre p (1< p<2) et celle de Cesàro d'ordre α (0<α<1). Nous exhibons, pour chacune de ces lois des grands nombres, des conditions nécessaires et suffisantes d'intégrabilité pour que les sommes partielles aient un comportement d'amart ou de quasimartingale. Nous remarquons en particulier que la généralisation de certains résultats scalaires aux variables aléatoires à valeurs dans un espace de Banach nécessite de se placer dans un espace de type p. Nous concluons notre travail par quelques résultats dans le cas non équidistribué.

Le but de cette thèse est de développer la théorie de Freidlin-Wentzell pour des modèles des épidémies, afin de prédire le temps mis par les perturbations aléatoires pour éteindre une situation endémique "stable". Tout d'abord nous proposons une nouvelle démonstration plus courte par rapport à celle établit récemment (sous une hypothèse un peu différente, mais satisfaite dans tous les exemples de modèles de maladie infectieuses que nous avons à l'esprit) par Kratz et Pardoux (2017) sur le principe de grandes déviations pour les modèles des épidémies. Ensuite nous établissons un principe de grandes déviations pour des EDS poissoniennes réfléchies au bord d'un ouvert suffisamment régulier. Nous établissons aussi un résultat concernant la zone du bord la plus probable par laquelle le processus solution de l'EDS de Poisson va sortir du domaine d'attraction d'un équilibre stable de sa loi des grands nombres limite. Nous terminons cette thèse par la présentation des méthodes "non standard aux différences finis", appropriés pour approcher numériquement les solutions de nos EDOs ainsi que par la résolution d'un problème de contrôle optimal qui permet d'avoir une bonne approximation du temps d'extinction d'un processus d'infection. / In this thesis, we develop the Freidlin-Wentzell theory for the "natural'' Poissonian random perturbations of the above ODE in Epidemic Dynamics (and similarly for models in Ecology or Population Dynamics), in order to predict the time taken by random perturbations to extinguish a "stable" endemic situation. We start by a shorter proof of a recent result of Kratz and Pardoux (under a somewhat different hypothesis which is satisfied in all the cases we have examined so far), which establishes the large deviations principle for epidemic models. Next, we establish the large deviations principle for reflected Poisonian SDE at the boundary of a sufficiently regular open set. Then, we establish the result for the most likely boundary area by which the process will exit the domain of attraction of a stable equilibrium of an ODE. We conclude this thesis with the presentation of the "non - standard finite difference" methods, suitable to approach numerically the solutions of our ODEs as well as the resolution of an optimal control problem which allows to have a good approximation of the time of extinction of an endemic situation.

Cette thèse est dédiée à l'étude d'une large classe d'algorithmes, appelés algorithmes en arbre. En utilisant une représentation probabiliste appropriée, le comportement asymptotique de tels algorithmes est analysé. L'approche unifie les études faites sur ces algorithmes ainsi que simplifie et généralise certains résultats établis dans le domaine.

Nous présentons des résultats asymptotiques pour des systèmes monotones réparables, lorsque le nombre de composants est grand. On supposera que les composants sont indépendants, identiques, multi-états et markoviens. Les systèmes k-sur-n généralisés, pour lesquels le niveau k dépend de nombre n de composants, seront les principaux modèles étudiés. Nous montrerons un théorème central limite et une loi des grands nombres pour le premier instant de panne correspondant à un certain niveau k. Nous montrons également une loi du zéro-un pour la disponibilité d'une grande classe de systèmes.

Les programmes affirment que simuler une expérience aléatoire, c'est simuler sa loi de probabilité : nous montrons que ce n'est pas une nécessité. Nous avons entrepris une analyse a priori de la tâche de simulation d'une expérience aléatoire lorsqu'on ne la fait pas dériver de sa loi de probabilité ; cela nous a amenée à préciser les liens qu'entretiennent une expérience aléatoire, ses modélisations probabilistes et ses simulations. Nous proposons un modèle de ces liens, où intervient une étape de pré-modèlisation, commune aux deux tâches de simulation et de modélisation probabiliste, étape pendant laquelle sont choisies les hypothèses de modélisation. La simulation peut alors se construire à partir d'un cahier des charges qui décrit les différentes actions constituant l'expérience aléatoire et leur enchaînement, pour une imitation au plus près cette expérience. La simulation informatique apparaît alors comme une activité essentiellement de type algorithmique. Nous avons mené une expérimentation auprès de lycéens pour observer quelles techniques ils mettent en œuvre pour simuler une expérience aléatoire, et dans quelle mesure ils utilisent le modèle probabiliste ou des simulations pour résoudre un problème de prise de décision dans une situation où intervient le hasard. Une fois choisies les hypothèses de modélisation, l'imitation au plus près n'utilise pas la théorie des probabilités. Certains problèmes résolus par une exploitation statistique des simulations peuvent donc permettre d'introduire des notions de la théorie des probabilités telles que : risque, intervalle et niveau de confiance, adéquation d'un modèle probabiliste aux données expérimentales.

Cette thèse fournit une analyse de la probabilité, avec une considération particulière du rôle que jouent les symétries et l’invariance dans son caractère objectif. La thèse défend un dualisme rationnel-physique. Nous développons une théorie de la probabilité épistémique ainsi qu’une théorie de la probabilité physique. La première concerne les degrés de croyance rationnels ; la seconde, la propension singulière peu fluctuante sur laquelle émergent les fréquences relatives stables. Du côté épistémique, nous défendons le bayésianisme objectif et ses règles d’attribution de probabilité, l’attribution invariante et la maximisation d’entropie. Nous généralisons également le bayésianisme orthodoxe et sa règle de changement de probabilité, la conditionnalisation, à la minimisation de la divergence Kullback-Leibler. Le bayésianisme orthodoxe généralisé est développé à partir d’une analyse générale de l’apprentissage, incluant la théorie AGM et la théorie de rang. L’analyse de l’opposition des deux bayésianismes culmine dans un pluralisme du bayésianisme combiné, instancié par une famille de révisions probabilistes qui répondent au problème de l’itération. Du côté physique, nous développons une explication de la fréquence relative à partir de l’approche par la loi des grands nombres. Nous répondons au dilemme de Gillies, selon lequel une théorie scientifique objective de la propension singulière et de long terme est impossible. Dans ce cadre, nous développons la méthode des fonctions arbitraires comme attribution de propension singulière peu fluctuante, et proposons une analyse détaillée de la mécanique statistique et du cas paradigmatique du lancer de pièce. / This thesis analyses the concept of probability and the role of symmetry and invariance in its objectif character. It defends a rational-physical dualism. I first develop a theory of epistemic probability, which addresses (the rational degrees of belief. I also develop a theory of physical probability, conceived as single case propensity on which stable frequencies emerge. Epistemically, I defend an objective Bayesianism and its rules of probability attribution, that is, the invariant prior attribution and maximizing entropy. I also generalize orthodox Bayesianism and its rule of probability change, conditionalization, to the minimization of the Kullback-Leibler divergence. Generalized orthodox Bayesianim is developed from a general investigation of learning, which includes the AGM theory and ranking theory. I resolve the opposition of the two Bayesianims through a pluralism of combined Bayesianism, instantiated by a family of probabilistic revisions which solve the iteration problem. Physically, I explain stable relative frequencies with the law of large numbers approach. I answer Gillies dilemma, according to which there is no scientific objective theory of propensity that is both single case and long term. I here develop the method of arbitrary functions as an attribution of relatively stable single case propensity and analyse in detail statistical mechanics and the paradigmatic coin toss.

Voir la bibliographie du mémoire pour les références du résumé. See the thesis`s bibliography for the references in the summary. / Ce mémoire étudie le comportement du maximum et des hauts points de la marche aléatoire branchante et du champ libre gaussien discret en dimension deux lorsque la variance de leurs accroissements est inhomogène dans le temps. Nous regardons le cas où il y a un nombre fini d'échelles $0 = \lambda_0 < \lambda_1 < ... < \lambda_M = 1$ et des paramètres de variance $\sigma_i > 0$ associés aux intervalles de temps $[\lambda_{i-1},\lambda_i]$. La marche aléatoire branchante inhomogène généralise le modèle considéré dans [23] et le champ libre gaussien inhomogène généralise le modèle introduit dans [4]. Le but du mémoire est d'étendre les résultats connus sur la convergence du maximum [5,6,23] et le nombre de hauts points [16] à ces deux nouveaux champs gaussiens. Les résultats aident à mieux comprendre comment la perturbation des corrélations dans l'un ou l'autre des modèles de base influence l'ordre de grandeur du maximum et l'ordre du nombre de hauts points. / This thesis studies the behavior of the maximum and high points of the branching random walk and the Gaussian free field when the variance of their increments is time-inhomogeneous. We look at the case where there are a finite number of scales $0 = \lambda_0 < \lambda_1 < ... < \lambda_M = 1$ and variance parameters $\sigma_i > 0$ associated with the time intervals $[\lambda_{i-1},\lambda_i]$. The inhomogeneous branching random walk generalizes the model considered in [23] and the inhomogeneous Gaussian free field generalizes the model introduced in [4]. The purpose of the thesis is to extend known results on the convergence of the maximum [5,6,23] and the number of high points [16] to these new Gaussian fields. The results help to better understand how perturbations of the correlations in one or the other basic models influence the order of magnitude of the maximum and the order of the number of high points.