Cette thèse traite des Équations aux Dérivées Partielles Stochastiques Quasilinéaires. Elle est divisée en deux parties. La première partie concerne le problème d’obstacle pour les équations aux dérivées partielles stochastiques quasilinéaires et la deuxième partie est consacrée à l’étude des équations aux dérivées partielles stochastiques quasilinéaires dirigées par un G-mouvement brownien. Dans la première partie, on montre d’abord l’existence et l’unicité d’un problème d’obstacle pour les équations aux dérivées partielles stochastiques quasilinéaires (en bref OSPDE). Notre méthode est basée sur des techniques analytiques venant de la théorie du potentiel parabolique. La solution est exprimée comme une paire (u,v) où u est un processus prévisible continu qui prend ses valeurs dans un espace de Sobolev et v est une mesure régulière aléatoire satisfaisant la condition de Skohorod. Ensuite, on établit un principe du maximum pour la solution locale des équations aux dérivées partielles stochastiques quasilinéaires avec obstacle. La preuve est basée sur une version de la formule d’Itô et les estimations pour la partie positive d’une solution locale qui est négative sur le bord du domaine considéré. L’objectif de la deuxième partie est d’étudier l’existence et l’unicité de la solution des équations aux dérivées partielles stochastiques dirigées par G-mouvement brownien dans le cadre d’un espace muni d’une espérance sous-linéaire. On établit une formule d’Itô pour la solution et un théorème de comparaison. / This thesis deals with quasilinear Stochastic Partial Differential Equations (in short SPDE). It is divided into two parts, the first part concerns the obstacle problem for quasilinear SPDE and the second part solves quasilinear SPDE driven by G-Brownian motion. In the first part we begin with the existence and uniqueness result for the obstacle problem of quasilinear stochastic partial differential equations (in short OSPDE). Our method is based on analytical technics coming from the parabolic potential theory. The solution is expressed as a pair (u, v) where u is a predictable continuous process which takes values in a proper Sobolev space and v is a random regular measure satisfying minimal Skohorod condition. Then we prove a maximum principle for a local solution of quasilinear stochastic partial differential equations with obstacle. The proofs are based on a version of Itô’s formula and estimates for the positive part of a local solution which is negative on the lateral boundary. The objective of the second part is to study the well-posedness of stochastic partial differential equations driven by G-Brownian motion in the framework of sublinear expectation spaces. One can also establish an Itô formula for the solution and a comparison theorem.

We approximate the solution of a quasilinear stochastic partial differential equa- tion driven by fractional Brownian motion B_H(t); H in (0,1), which was calculated via fractional White Noise calculus, see [5].

We approximate the solution of a quasilinear stochastic partial differential equa- tion driven by fractional Brownian motion B_H(t); H in (0,1), which was calculated via fractional White Noise calculus, see [5].

L’objectif de cette thèse est l’étude d’un schéma numérique pour l’approximation des solutions d’équations différentielles doublement stochastiques rétrogrades (EDDSR). Durant les deux dernières décennies, plusieurs méthodes ont été proposées afin de permettre la résolution numérique des équations différentielles stochastiques rétrogrades standards. Dans cette thèse, on propose une extension de l’une de ces méthodes au cas doublement stochastique. Notre méthode numérique nous permet d’attaquer une large gamme d’équations aux dérivées partielles stochastiques (EDPS) nonlinéaires. Ceci est possible par le biais de leur représentation probabiliste en termes d’EDDSRs. Dans la dernière partie, nous étudions une nouvelle méthode des particules dans le cadre des études de protection en neutroniques. / The purpose of this thesis is to study a numerical method for backward doubly stochastic differential equations (BDSDEs in short). In the last two decades, several methods were proposed to approximate solutions of standard backward stochastic differential equations. In this thesis, we propose an extension of one of these methods to the doubly stochastic framework. Our numerical method allows us to tackle a large class of nonlinear stochastic partial differential equations (SPDEs in short), thanks to their probabilistic interpretation. In the last part, we study a new particle method in the context of shielding studies.