Dans cette thèse, nous nous concentrons sur deux modèles stochastiques pouvant être appliqués aux neurosciences : le modèle de Hawkes et le modèle de FitzHugh-Nagumo. Nous étudions leur comportement en temps long.
Le premier chapitre porte sur les processus cumulatifs, qui sont une classe de processus plus généraux que les processus de renouvellement. Ces processus cumulent des variables aléatoires indépendantes au cours du temps. Ces variables aléatoires sont ajoutées sur des intervalles de temps donnés par un processus de renouvellement. En nous inspirant des travaux de Lefevere, Mariani et Zambotti (2011), nous démontrons un Principe de Grandes Déviations de ces processus, ainsi que des inégalités de grandes déviations dans un cadre plus général.
Le second chapitre est dédié aux processus de Hawkes, dans un contexte non linéaire, avec une fonction de reproduction signée. Ils permettent ainsi de modéliser de l’auto-excitation et de l’auto-inhibition. Nous prouvons une loi des grandes nombres, un théorème central limite et des résultats de grandes déviations pour un processus de Hawkes (unique). Ces résultats reposent sur une structure de renouvellement pour ces processus, introduite par Costa, Graham, Marsalle et Tran (2020), qui permettent de définir les processus de Hawkes comme des processus cumulatifs. Nous utilisons alors des résultats déjà connus pour les processus cumulatifs et les résultats obtenus dans le chapitre 1. Nous exhibons également deux exemples dans lesquels des calculs explicites sont faits.
Le dernier chapitre est un travail effectué en collaboration avec Pierre Le Bris et est consacré à l’étude de plusieurs processus de FitzHugh-Nagumo stochastiques en interaction. La spécificité de ce modèle défini par des Equations Différentielles Stochastiques est son terme cubique dans la dérive, qui est donc non-Lipschitz. Nous nous intéressons au cadre d’interactions champ moyen, et nous montrons une propagation du chaos, d’abord non-uniforme en temps puis uniforme en temps. Pour ce faire, nous utilisons une méthode de couplage mixte, c’est-à-dire un couplage synchrone sur un certain sous-espace et un couplage symétrique sur l’espace complémentaire. Nous exhibons également des bornes explicites pour ces résultats.