Cette thèse est consacrée à l'étude des propriétés de convergence forte du schéma de Ninomiya et Victoir. Les auteurs de ce schéma proposent d'approcher la solution d'une équation différentielle stochastique (EDS), notée $X$, en résolvant $d+1$ équations différentielles ordinaires (EDOs) sur chaque pas de temps, où $d$ est la dimension du mouvement brownien. Le but de cette étude est d'analyser l'utilisation de ce schéma dans une méthode de Monte-Carlo multi-pas. En effet, la complexité optimale de cette méthode est dirigée par l'ordre de convergence vers $0$ de la variance entre les schémas utilisés sur la grille grossière et sur la grille fine. Cet ordre de convergence est lui-même lié à l'ordre de convergence fort entre les deux schémas.
Nous montrons alors dans le chapitre 2, que l'ordre fort du schéma de Ninomiya-Victoir, noté $X^{NV,\eta}$ et de pas de temps $T/N$, est $1/2$. Récemment, Giles et Szpruch ont proposé un estimateur Monte-Carlo multi-pas réalisant une complexité $O(\epsilon^{−2})$ à l'aide d'un schéma de Milstein modifié. Dans le même esprit, nous proposons un schéma de Ninomiya-Victoir modifié qui peut-être couplé à l'ordre fort $1$ avec le schéma de Giles et Szpruch au dernier niveau d'une méthode de Monte-Carlo multi-pas. Cette idée est inspirée de Debrabant et Rossler. Ces auteurs suggèrent d'utiliser un schéma d'ordre faible élevé au niveau de discrétisation le plus fin. Puisque le nombre optimal de niveaux de discrétisation d'une méthode de Monte-Carlo multi-pas est dirigé par l'erreur faible du schéma utilisé sur la grille fine du dernier niveau de discrétisation, cette technique permet d'accélérer la convergence de la méthode Monte-Carlo multi-pas en obtenant une approximation d'ordre faible élevé. L'utilisation du couplage à l'ordre $1$ avec le schéma de Giles-Szpruch nous permet ainsi de garder un estimateur Monte-Carlo multi-pas réalisant une complexité optimale $O(\epsilon^{−2})$ tout en profitant de l'erreur faible d'ordre $2$ du schéma de Ninomiya-Victoir.
Dans le troisième chapitre, nous nous sommes intéressés à l'erreur renormalisée définie par $\sqrt N (X−X^{NV,\eta})$. Nous montrons la convergence en loi stable vers la solution d'une EDS affine, dont le terme source est formé des crochets de Lie entre les champs de vecteurs browniens. Ainsi, lorsqu'au moins deux champs de vecteurs browniens ne commutent pas, la limite n'est pas triviale. Ce qui assure que l'ordre fort $1/2$ est optimal. D'autre part, ce résultat peut être vu comme une première étape en vue de prouver un théorème de la limite centrale pour les estimateurs Monte-Carlo multi-pas. Pour cela, il faut analyser l'erreur en loi stable du schéma entre deux niveaux de discrétisation successifs. Ben Alaya et Kebaier ont prouvé un tel résultat pour le schéma d'Euler. Lorsque les champs de vecteurs browniens commutent, le processus limite est nul. Nous montrons que dans ce cas précis, que l'ordre fort est $1$.
Dans le chapitre 4, nous étudions la convergence en loi stable de l'erreur renormalisée $N(X−X^{NV})$ où $X^{NV}$ est le schéma de Ninomiya-Victoir lorsque les champs de vecteurs browniens commutent. Nous démontrons la convergence du processus d'erreur renormalisé vers la solution d'une EDS affine. Lorsque le champ de vecteurs dritf ne commute pas avec au moins un des champs de vecteurs browniens, la vitesse de convergence forte obtenue précédemment est optimale.
Le chapitre 5 de cette thèse est consacré à l’utilisation de schémas numériques pour les EDOs dans l’implémentation du schéma de Ninomiya et Victoir. Pour conserver l’ordre faible $2$, il suffit d’utiliser un schéma numérique où l’erreur de troncature est d’ordre $3$ pour l’EDO portant sur le champ de vecteurs drift et un schéma numérique où l’erreur de troncature est d’ordre $6$ pour l’EDO portant sur les champs de vecteurs browniens. Nous montrons que cela suffit pour obtenir une erreur forte d’ordre $1$ entre le schéma de Ninomiya et Victoir et son approximation numérique. On peut ainsi remplacer le schéma de Ninomiya et Victoir par son approximation numérique dans les estimateurs Monte-Carlo multi-pas tout en conservant la complexité $O(\epsilon^{−2})$.