Stochastic numerical methods for Piecewise Deterministic Markov Processes : applications in Neuroscience - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2019

Stochastic numerical methods for Piecewise Deterministic Markov Processes : applications in Neuroscience

Méthodes numériques stochastiques pour les Processus de Markov Déterministes par Morceaux : applications en Neuroscience

Résumé

In this thesis, motivated by applications in Neuroscience, we study efficient Monte Carlo (MC) and Multilevel Monte Carlo (MLMC) methods based on the thinning for piecewise deterministic (Markov) processes (PDMP or PDP) that we apply to stochastic conductance-based models. On the one hand, when the deterministic motion of the PDMP is explicitly known we end up with an exact simulation. On the other hand, when the deterministic motion is not explicit, we establish strong estimates and a weak error expansion for the numerical scheme that we introduce. The thinning method is fundamental in this thesis. Beside the fact that it is intuitive, we use it both numerically (to simulate trajectories of PDMP/PDP) and theoretically (to construct the jump times and establish error estimates for PDMP/PDP).
Dans cette thèse, motivés par des applications en Neuroscience, nous étudions des méthodes efficaces de type Monte Carlo (MC) et Multilevel Monte Carlo (MLMC) basées sur le thinning pour des processus (de Markov) déterministe par morceaux (PDMP ou PDP) que l'on appliquent à des modèles à conductance. D'une part, lorsque la trajectoire déterministe du PDMP est connue explicitement nous aboutissons à une simulation exacte. D'autre part, lorsque la trajectoire déterministe du PDMP n'est pas explicite, nous établissons des estimées d'erreurs forte et un développement de l'erreur faible pour le schéma numérique que nous introduisons. La méthode de thinning est fondamentale dans cette thèse. Outre le fait que cette méthode est intuitive, nous l'utilisons à la fois numériquement (pour simuler les trajectoires de PDMP/PDP) et théoriquement (pour construire les instants de saut et établir des estimées d'erreurs pour les PDMP/PDP).
Fichier principal
Vignette du fichier
THOMAS_Nicolas_2019.pdf (4.68 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)
Loading...

Dates et versions

tel-03001270 , version 1 (10-07-2019)
tel-03001270 , version 2 (28-09-2019)
tel-03001270 , version 3 (12-11-2020)

Identifiants

  • HAL Id : tel-03001270 , version 3

Citer

Nicolas Thomas. Stochastic numerical methods for Piecewise Deterministic Markov Processes : applications in Neuroscience. Probability [math.PR]. Sorbonne Université, 2019. English. ⟨NNT : 2019SORUS385⟩. ⟨tel-03001270v3⟩
312 Consultations
415 Téléchargements

Partager

Gmail Facebook X LinkedIn More