Cette thèse est consacrée à différents modèles de marches aléatoires en milieux aléatoires; elle est constituée de $5$ chapitres. Les chapitres $1$ et $4$ sont essentiellement bibliographiques, ils couvrent une partie de la littérature consacrée au modèle i.i.d ainsi qu'à différents modèles où l'environnement est construit à partir d'une percolation. Dans le chapitre $2$ nous étudions la classe des marches admettant une direction asymptotique dans le cas du modèle i.i.d., c'est-à-dire tel que $X_n/|X_n|$ ait une limite deterministe sous la loi annealed. Nous établissons notamment qu'une marche admet une direction asymptotique si et seulement si elle est transiente dans toute les directions d'un ouvert non vide de $\mathbb{R}^d$. Dans le chapitre $3$, nous étudions un modèle de marches en temps continu en milieux aléatoires. Les différents résultats de cette partie décrivent l'impact du couplage entre les transitions et les taux de saut sur la vitesse de la marche. Le chapitre $5$ est consacré à un modèle de marche ralentie par les clusters d'une percolation sous-critique dans $\mathbb{Z}^d$. Nous montrons que, selon la force du ralentissement, la marche se place dans un régime sous-diffusif ou diffusif.

Nous nous penchons sur les fluctuations des marches dans plusieurs modèles de marches aléatoires en milieux aléatoires. En particulier, le résultat principal de ce mémoire est de prouver qu'il existe un théorème central limite trempé pour la marche aléatoire sur un arbre de Galton-Watson infini avec feuilles équipé de biais aléatoires plus grand que 1. Un tel théorème a été prouvé dans le cas où le biais est constant dans [1]; il s'agit donc de généraliser ce théorème. / We examine the fluctuations of walks in multiple models of random walks in random environments. In particular, the primary result of this dissertation is to prove there exists a quenched central limit theorem for the random on an infinite Galton-Watson tree with leaves equiped with random biases greater than 1. Such a theorem has already been proven in the case where the bias is constant in [1]; this is a generalization of that theorem.

No description available.