Evaluation de Performances
|
|
- Ghislaine Julien
- il y a 7 ans
- Total affichages :
Transcription
1 Evaluation de Performances Chaînes de Markov (MC) à temps discret Cours de base M1 - ENS Lyon Evaluation de Performances 1/39
2 Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Chaîne de Markov (MC) à temps discret : dénition Processus (X n ) n N où X n v.a. sur (Ω,F,P), à valeurs dans E. Dénition (Chaîne de Markov MC) (X n ) markovien si n N, x 0,...,x n,x n+1 E (espace des états), P(X n+1 = x n+1 X n = x n,...,x 0 = x 0 ) = P(X n+1 = x n+1 X n = x n ) sous réserve que P(X n = x n,...,x 0 = x 0 ) 0. Cours de base M1 - ENS Lyon Evaluation de Performances 2/39
3 Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Chaîne de Markov (MC) à temps discret : dénition Processus (X n ) n N où X n v.a. sur (Ω,F,P), à valeurs dans E. Dénition (Chaîne de Markov MC) (X n ) markovien si n N, x 0,...,x n,x n+1 E (espace des états), P(X n+1 = x n+1 X n = x n,...,x 0 = x 0 ) = P(X n+1 = x n+1 X n = x n ) sous réserve que P(X n = x n,...,x 0 = x 0 ) 0. processus stochastique Toutes les v.a. X n sont dénies sur le même espace probabilisé (Ω,F,P) et à valeurs dans le même espace E à chaque réalisation ω Ω correspond une trajectoire X 0 (ω),x 1 (ω),x 2 (ω),... au sein de E. Cours de base M1 - ENS Lyon Evaluation de Performances 2/39
4 Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Chaîne de Markov (MC) à temps discret : dénition Processus (X n ) n N où X n v.a. sur (Ω,F,P), à valeurs dans E. Dénition (Chaîne de Markov MC) (X n ) markovien si n N, x 0,...,x n,x n+1 E (espace des états), P(X n+1 = x n+1 X n = x n,...,x 0 = x 0 ) = P(X n+1 = x n+1 X n = x n ) sous réserve que P(X n = x n,...,x 0 = x 0 ) 0. convention pour les probas conditionnelles Tous les formules du cours avec des probas conditionnelles sont valables uniquement si bien dénies : P(A B) bien déf si P(B) 0. Avec cette convention, la mention sous réserve que... est omise dans tout ce qui suit, mais rester vigilant dans la pratique. Cours de base M1 - ENS Lyon Evaluation de Performances 2/39
5 Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Chaîne de Markov (MC) à temps discret : dénition Processus (X n ) n N où X n v.a. sur (Ω,F,P), à valeurs dans E. Dénition (Chaîne de Markov MC) (X n ) markovien si n N, x 0,...,x n,x n+1 E (espace des états), P(X n+1 = x n+1 X n = x n,...,x 0 = x 0 ) = P(X n+1 = x n+1 X n = x n ) sous réserve que P(X n = x n,...,x 0 = x 0 ) 0. Intuition : le futur ne dépend que du présent, sans mémoire,... Dénition (MC homogène en temps HMC) MC (X n ) homogène si n N, i,j E,P(X n+1 =j X n =i)=p(x 1 =j X 0 =i) Dénition (Matrice & graphe de transition d'une MC homogène) Matrice de transition : P = (p ij ) i,j E où p ij = P(X 1 =j X 0 =i) Graphe de transition : sommets = E, arcs ij si p ij > 0 (poids p ij ) Cours de base M1 - ENS Lyon Evaluation de Performances 2/39
6 Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Chaîne de Markov (MC) à temps discret : exemples? Cours de base M1 - ENS Lyon Evaluation de Performances 3/39
7 Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Chaîne de Markov (MC) à temps discret : exemples Jeu de l'oie. Suite i.i.d. de v.a. de loi quelconque sur E. Marche aléatoire uniforme sur N d ou Z d. Certains algorithmes randomisés, p.ex. dans des protocoles systèmes/réseaux. Proposition (un exemple caractéristique) Soient (U n ) n N suite i.i.d. de v.a. à valeurs dans F, E espace ni ou dénombrable, f application E F E, X 0 v.a. à valeurs dans E et indépendante de la suite (U n ), alors l'équation de récurrence X n+1 = f (X n,u n+1 ) dénit une MC homogène à valeurs dans E. Cours de base M1 - ENS Lyon Evaluation de Performances 3/39
8 Matrice & Graphe de transition Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant /4 0 1/ / / /3 0 2/3 0 P = matrice stochastique : coe positifs : i,j, p ij 0 sur ligne = 1 : i, j p ij = 1 1/4 4 2/ /5 4/5 3 1/4 1 2 MC = marche aléatoire : réalisation X 0 (ω),x 1 (ω),x 2 (ω),x 3 (ω),x 4 (ω),x 5 (ω),... : promenade dans le graphe de transition Notation importante : pour i E, P i (A) def = P(A X 0 = i) pour évt A E i (Z) def = E(Z X 0 = i) = z P(Z = z X 0 = i) pour v.a. réelle Z ( ou ) z Cours de base M1 - ENS Lyon Evaluation de Performances 4/39
9 Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Matrice & Graphe de transition /4 0 1/ / / /3 0 2/3 0 P = matrice stochastique : coe positifs : i,j, p ij 0 sur ligne = 1 : i, j p ij = 1 1/ / /4 1/5 4/5 3 2 MC = marche aléatoire : réalisation X 0 (ω),x 1 (ω),x 2 (ω),x 3 (ω),x 4 (ω),x 5 (ω),... : promenade dans le graphe de transition Notation importante : pour i E, P i (A) def = P(A X 0 = i) pour évt A E i (Z) def = E(Z X 0 = i) = z P(Z = z X 0 = i) pour v.a. réelle Z ( ou ) z Cours de base M1 - ENS Lyon Evaluation de Performances 4/39
10 Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Matrice & Graphe de transition /4 0 1/ / / /3 0 2/3 0 P = matrice stochastique : coe positifs : i,j, p ij 0 sur ligne = 1 : i, j p ij = 1 1/ / /4 1/5 4/5 3 2 MC = marche aléatoire : réalisation X 0 (ω),x 1 (ω),x 2 (ω),x 3 (ω),x 4 (ω),x 5 (ω),... : promenade dans le graphe de transition Notation importante : pour i E, P i (A) def = P(A X 0 = i) pour évt A E i (Z) def = E(Z X 0 = i) = z P(Z = z X 0 = i) pour v.a. réelle Z ( ou ) z Cours de base M1 - ENS Lyon Evaluation de Performances 4/39
11 Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Matrice & Graphe de transition /4 0 1/ / / /3 0 2/3 0 P = matrice stochastique : coe positifs : i,j, p ij 0 sur ligne = 1 : i, j p ij = 1 1/ / /4 1/5 4/5 3 2 MC = marche aléatoire : réalisation X 0 (ω),x 1 (ω),x 2 (ω),x 3 (ω),x 4 (ω),x 5 (ω),... : promenade dans le graphe de transition Notation importante : pour i E, P i (A) def = P(A X 0 = i) pour évt A E i (Z) def = E(Z X 0 = i) = z P(Z = z X 0 = i) pour v.a. réelle Z ( ou ) z Cours de base M1 - ENS Lyon Evaluation de Performances 4/39
12 Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Matrice & Graphe de transition /4 0 1/ / / /3 0 2/3 0 P = matrice stochastique : coe positifs : i,j, p ij 0 sur ligne = 1 : i, j p ij = 1 1/ / /4 1/5 4/5 3 2 MC = marche aléatoire : réalisation X 0 (ω),x 1 (ω),x 2 (ω),x 3 (ω),x 4 (ω),x 5 (ω),... : promenade dans le graphe de transition Notation importante : pour i E, P i (A) def = P(A X 0 = i) pour évt A E i (Z) def = E(Z X 0 = i) = z P(Z = z X 0 = i) pour v.a. réelle Z ( ou ) z Cours de base M1 - ENS Lyon Evaluation de Performances 4/39
13 Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Matrice & Graphe de transition /4 0 1/ / / /3 0 2/3 0 P = matrice stochastique : coe positifs : i,j, p ij 0 sur ligne = 1 : i, j p ij = 1 1/ / /4 1/5 4/5 3 2 MC = marche aléatoire : réalisation X 0 (ω),x 1 (ω),x 2 (ω),x 3 (ω),x 4 (ω),x 5 (ω),... : promenade dans le graphe de transition Notation importante : pour i E, P i (A) def = P(A X 0 = i) pour évt A E i (Z) def = E(Z X 0 = i) = z P(Z = z X 0 = i) pour v.a. réelle Z ( ou ) z Cours de base M1 - ENS Lyon Evaluation de Performances 4/39
14 Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Propriété de Markov en pratique Théorème (Propriété de Markov générale) Pour (X n ) MC à valeurs dans E, à l'instant n N dans l'état i E, soit I + P (E) N un ens de trajectoires du futur, soit I P (E n ) un ens de trajectoires du passé, P((X n+1,x n+2,...) I + (X 0,...,X n 1 ) I,X n = i) = P((X n+1,x n+2,...) I + X n = i) De plus, si MC homogène, ce terme vaut : = P((X 1,X 2,...) I + X 0 = i) Formulation en français : i E, n N, le futur au temps n et le passé au temps n sont conditionnellement indépendants étant donné l'état présent X n = i. Exemples pratiques d'utilisation : P(X 10 = a,x 7 = b X 5 = c,x 3 = d,x 2 = e) = P(X 10 = a,x 7 = b X 5 = c) P( n 11,X n {a,b} X 10 = c, n 9,X n {d,e}) = P( n 11,X n {a,b} X 10 = c) Cours de base M1 - ENS Lyon Evaluation de Performances 5/39
15 Equations de Chapman-Kolmogorov (I) Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Notation : p ij (r,r + s) def = P(X r+s = j X r = i) pour i,j E, r,s N. Théorème (Chapman-Kolmogorov) Toute MC (X n ) n N vérie les équations : i,j,k E, r,s,t N, p ij (r,r + s + t) = k p ik (r,r + s)p kj (r + s,r + s + t) Corollaire (Ecriture matricielle) Soit la matrice P(r,r + s) def = ( p ij (r,r + s) ), alors r,s,t N, i,j E P(r,r + s + t) = P(r,r + s)p(r + s,r + s + t) Corollaire (Cas homogène) Si HMC, proba d'aller de i à j en n pas = coe i,j de P n noté p ij (n). Cours de base M1 - ENS Lyon Evaluation de Performances 6/39
16 Equations de Chapman-Kolmogorov (II) Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Notation vectorielle de la loi ν d'une v.a. X à valeurs dans E : ν = (ν i ) i E vecteur ligne où ν i def = P(X = i) Corollaire (Cas homogène) Si HMC, la loi π (n) de X n est entièrement déterminée par la donnée de P et de la loi π (0) de X 0 : π (n) = π (0) P n. A B 1 D C Cours de base M1 - ENS Lyon Evaluation de Performances 7/39
17 Equations de Chapman-Kolmogorov (II) Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Notation vectorielle de la loi ν d'une v.a. X à valeurs dans E : ν = (ν i ) i E vecteur ligne où ν i def = P(X = i) Corollaire (Cas homogène) Si HMC, la loi π (n) de X n est entièrement déterminée par la donnée de P et de la loi π (0) de X 0 : π (n) = π (0) P n. 1 A B 1 D C Cours de base M1 - ENS Lyon Evaluation de Performances 7/39
18 Equations de Chapman-Kolmogorov (II) Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Notation vectorielle de la loi ν d'une v.a. X à valeurs dans E : ν = (ν i ) i E vecteur ligne où ν i def = P(X = i) Corollaire (Cas homogène) Si HMC, la loi π (n) de X n est entièrement déterminée par la donnée de P et de la loi π (0) de X 0 : π (n) = π (0) P n. A B 1 D C Cours de base M1 - ENS Lyon Evaluation de Performances 7/39
19 Equations de Chapman-Kolmogorov (II) Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Notation vectorielle de la loi ν d'une v.a. X à valeurs dans E : ν = (ν i ) i E vecteur ligne où ν i def = P(X = i) Corollaire (Cas homogène) Si HMC, la loi π (n) de X n est entièrement déterminée par la donnée de P et de la loi π (0) de X 0 : π (n) = π (0) P n. 3/4 1/4 A B 1 D C Cours de base M1 - ENS Lyon Evaluation de Performances 7/39
20 Equations de Chapman-Kolmogorov (II) Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Notation vectorielle de la loi ν d'une v.a. X à valeurs dans E : ν = (ν i ) i E vecteur ligne où ν i def = P(X = i) Corollaire (Cas homogène) Si HMC, la loi π (n) de X n est entièrement déterminée par la donnée de P et de la loi π (0) de X 0 : π (n) = π (0) P n. A 3/8 B 1 3/8 D 2/8 C Cours de base M1 - ENS Lyon Evaluation de Performances 7/39
21 Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Equations de Chapman-Kolmogorov (II) Notation vectorielle de la loi ν d'une v.a. X à valeurs dans E : ν = (ν i ) i E vecteur ligne où ν i def = P(X = i) Corollaire (Cas homogène) Si HMC, la loi π (n) de X n est entièrement déterminée par la donnée de P et de la loi π (0) de X 0 : π (n) = π (0) P n. 9/16 5/16 A B 1 2/16 D C Cours de base M1 - ENS Lyon Evaluation de Performances 7/39
22 Temps d'arrêt : dénition & exemples Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Dénition (Temps d'arrêt d'un processus stochastique) Temps d'arrêt T d'un proc. stochastique (X n ) n N : v.a. à valeurs dans N {+ } où n N, l'évt {T = n} s'exprime avec X 0,...,X n : {T = n} = {(X 0,...,X n ) I } pour des trajectoires I E n+1. Intuition : évt temporel exprimable sans faire appel au futur. Exemples : soit (X n ) MC à valeurs dans E et F E, Temps d'atteinte de F : τ F = inf{n 0 X n F }? Temps de retour en F : T F = inf{n 1 X n F }? Dernier passage en F : L F = sup{n 0 X n F }? Cours de base M1 - ENS Lyon Evaluation de Performances 8/39
23 Temps d'arrêt : dénition & exemples Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Dénition (Temps d'arrêt d'un processus stochastique) Temps d'arrêt T d'un proc. stochastique (X n ) n N : v.a. à valeurs dans N {+ } où n N, l'évt {T = n} s'exprime avec X 0,...,X n : {T = n} = {(X 0,...,X n ) I } pour des trajectoires I E n+1. Intuition : évt temporel exprimable sans faire appel au futur. Exemples : soit (X n ) MC à valeurs dans E et F E, Temps d'atteinte de F : τ F = inf{n 0 X n F } Temps de retour en F : T F = inf{n 1 X n F }? Dernier passage en F : L F = sup{n 0 X n F }? Cours de base M1 - ENS Lyon Evaluation de Performances 8/39
24 Temps d'arrêt : dénition & exemples Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Dénition (Temps d'arrêt d'un processus stochastique) Temps d'arrêt T d'un proc. stochastique (X n ) n N : v.a. à valeurs dans N {+ } où n N, l'évt {T = n} s'exprime avec X 0,...,X n : {T = n} = {(X 0,...,X n ) I } pour des trajectoires I E n+1. Intuition : évt temporel exprimable sans faire appel au futur. Exemples : soit (X n ) MC à valeurs dans E et F E, Temps d'atteinte de F : τ F = inf{n 0 X n F } Temps de retour en F : T F = inf{n 1 X n F } Dernier passage en F : L F = sup{n 0 X n F }? Cours de base M1 - ENS Lyon Evaluation de Performances 8/39
25 Temps d'arrêt : dénition & exemples Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Dénition (Temps d'arrêt d'un processus stochastique) Temps d'arrêt T d'un proc. stochastique (X n ) n N : v.a. à valeurs dans N {+ } où n N, l'évt {T = n} s'exprime avec X 0,...,X n : {T = n} = {(X 0,...,X n ) I } pour des trajectoires I E n+1. Intuition : évt temporel exprimable sans faire appel au futur. Exemples : soit (X n ) MC à valeurs dans E et F E, Temps d'atteinte de F : τ F = inf{n 0 X n F } Temps de retour en F : T F = inf{n 1 X n F } Dernier passage en F : L F = sup{n 0 X n F } Cours de base M1 - ENS Lyon Evaluation de Performances 8/39
26 Temps d'arrêt : dénition & exemples Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Dénition (Temps d'arrêt d'un processus stochastique) Temps d'arrêt T d'un proc. stochastique (X n ) n N : v.a. à valeurs dans N {+ } où n N, l'évt {T = n} s'exprime avec X 0,...,X n : {T = n} = {(X 0,...,X n ) I } pour des trajectoires I E n+1. Intuition : évt temporel exprimable sans faire appel au futur. Exemples : soit (X n ) MC à valeurs dans E et F E, Temps d'atteinte de F : τ F = inf{n 0 X n F } Temps de retour en F : T F = inf{n 1 X n F } Dernier passage en F : L F = sup{n 0 X n F } def def Notations particulières : pour i E, T i = T {i} et τ i = τ {i}. Cours de base M1 - ENS Lyon Evaluation de Performances 8/39
27 Temps d'arrêt : petit exercice Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Exercice : soient T,T 1,T 2 temps d'arrêt de (X n ), déterminer si les v.a. ci-dessous sont aussi des temps d'arrêt pour (X n )? 1 une variable aléatoire constante c 2 T + c où c N xé 3 T c où c N xé 4 min(t 1,T 2 ) 5 max(t 1,T 2 ) 6 N(t) = max{n N X 0 + X X n t} (X n v.a. positives) 7 N(t) + 1 Cours de base M1 - ENS Lyon Evaluation de Performances 9/39
28 Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Propriété de Markov forte : régénération Théorème (Propriété de Markov forte) Soit T temps d'arrêt d'une HMC (X n ), alors conditionnellement à T < + et X T = i, (X T +n ) n 0 est markovien et indépendant de X 0,...,X T (noté aussi (X T n ) n 0 où = min). De plus, pour tout évt A déterminé par X 0,...,X T et I + P (E) N P((X T +1,X T +2,...) I + X T = i,t < +,A) = P((X 1,X 2,...) I + X 0 = i) Intuition : recommencer à regarder une HMC depuis un temps d'arrêt = remettre les compteurs à zéro si T n'est pas un temps d'arrêt alors on risque de perdre cette propriété (cf TD). si MC non homogène alors on risque aussi de perdre cette propriété (même si T temps d'arrêt). Cours de base M1 - ENS Lyon Evaluation de Performances 10/39
29 Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Méthode du pas en avant : petit pas sans Markov fort (I) Exemple : probabilité P i (τ F < + ) d'atteindre un ens F d'états en partant d'un état i Application : marche non biaisée sur {0,...,N} où 0,N absorbants i N 1 N Cours de base M1 - ENS Lyon Evaluation de Performances 11/39
30 Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Méthode du pas en avant : petit pas sans Markov fort (I) Exemple : probabilité P i (τ F < + ) d'atteindre un ens F d'états en partant d'un état i Proposition Les valeurs h i = P i (τ F < + ) forment la solution positive minimum { au système linéaire : h i = 1 pour tout i F h i = j E p ij h j pour tout i F Application : marche non biaisée sur {0,...,N} où 0,N absorbants i N 1 N Cours de base M1 - ENS Lyon Evaluation de Performances 11/39
31 Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Méthode du pas en avant : petit pas sans Markov fort (I) Exemple : probabilité P i (τ F < + ) d'atteindre un ens F d'états en partant d'un état i Proposition Les valeurs h i = P i (τ F < + ) forment la solution positive minimum { au système linéaire : h i = 1 pour tout i F h i = j E p ij h j pour tout i F Application : marche non biaisée sur {0,...,N} où 0,N absorbants i N 1 N probabilité d'être absorbé par 0 en partant de i = (N i)/n Cours de base M1 - ENS Lyon Evaluation de Performances 11/39
32 Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Méthode du pas en avant : petit pas sans Markov fort (II) Exemple : calcul du temps moyen E i (τ F ) pour atteindre un ens F d'états en partant d'un état i Application : marche 1D non biaisée sur {0,...,N} avec F = {0,N}. 0 1 i N 1 N Cours de base M1 - ENS Lyon Evaluation de Performances 12/39
33 Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Méthode du pas en avant : petit pas sans Markov fort (II) Exemple : calcul du temps moyen E i (τ F ) pour atteindre un ens F d'états en partant d'un état i Proposition Les valeurs t i = E i (τ F ) forment la solution positive minimum au { système linéaire : t i = 0 pour tout i F t i = 1 + j F p ij t j pour tout i F Application : marche 1D non biaisée sur {0,...,N} avec F = {0,N}. 0 1 i N 1 N Cours de base M1 - ENS Lyon Evaluation de Performances 12/39
34 Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Méthode du pas en avant : petit pas sans Markov fort (II) Exemple : calcul du temps moyen E i (τ F ) pour atteindre un ens F d'états en partant d'un état i Proposition Les valeurs t i = E i (τ F ) forment la solution positive minimum au { système linéaire : t i = 0 pour tout i F t i = 1 + j F p ij t j pour tout i F Application : marche 1D non biaisée sur {0,...,N} avec F = {0,N}. 0 1 i N 1 N temps moyen pour atteindre 0 ou N en partant de i = i(n i) Cours de base M1 - ENS Lyon Evaluation de Performances 12/39
35 Dénition Chapman-Kolmogorov Temps d'arrêt / Propriété de Markov forte Un pas en avant Méthode du pas en avant : grand pas avec Markov fort Exemple : loi du nb de passages en un état i en fonction des probas d'atteinte en temps ni, pour une HMC (X n ). Lemme (nb de visites d'un état & probas d'accessibilité entre états) def Soit N i = + n=1 1 X n =i nb de visites en i à partir de l'instant 1, def Soit f ij = P i (T j < ) proba d'atteindre j après avoir quitté i, Alors : P j (N i = n) = { f ji f n 1 (1 f ii ii ) si n 1 1 f ji si n = 0 Corollaire (retours sur un même état) Si f ii = 1, alors P i (N i = ) = 1 et E i (N i ) = +. Si f ii < 1, alors P i (N i = ) = 0 et E i (N i ) = f ii /(1 f ii ) < +. Cours de base M1 - ENS Lyon Evaluation de Performances 13/39
36 Irréductibilité : dénitions Irréductibilité Périodicité Invariance Récurrence Dénition (Communication dans une HMC) Deux états i et j communiquent s'il existe un chemin de i à j et un chemin de j à i dans le graphe de transition. Proposition (Classes de communication) Communication = relation d'équivalence qui partitionne les états en classes d'équiv, appelée classes de communications (= composantes fortement connexes du graphe de transition). Dénition (HMC irréductible) HMC dite irréductible si elle n'admet qu'une classe de communication (càd graphe de transition fortement connexe). Cours de base M1 - ENS Lyon Evaluation de Performances 14/39
37 Irréductibilité : structure Irréductibilité Périodicité Invariance Récurrence Proposition (Patates sans cycle) Soit G un graphe orienté, de composantes fortements connexes C 1,...,C p, alors son graphe quotient (pour la relation de forte connexité) déni par G = G/C 1 /.../C p (contraction de chaque composante en un sommet) est acyclique. Dénition (Classe close/nale/absorbante) Classe de communication dite close/nale/absorbante si tout état accessible depuis cette classe reste dans cette classe (comp. fort. connexe maximale dans le graphe quotient). Cours de base M1 - ENS Lyon Evaluation de Performances 15/39
38 Irréductibilité : exemple Irréductibilité Périodicité Invariance Récurrence si nb d'états, on peut avoir classes ou classes. Cours de base M1 - ENS Lyon Evaluation de Performances 16/39
39 Irréductibilité : exemple Irréductibilité Périodicité Invariance Récurrence composantes fortement connexes si nb d'états, on peut avoir classes ou classes. Cours de base M1 - ENS Lyon Evaluation de Performances 16/39
40 Irréductibilité : exemple Irréductibilité Périodicité Invariance Récurrence composantes fortement connexes si nb d'états, on peut avoir classes ou classes. Cours de base M1 - ENS Lyon Evaluation de Performances 16/39
41 Irréductibilité : exemple Irréductibilité Périodicité Invariance Récurrence composantes fortement connexes si nb d'états, on peut avoir classes ou classes. Cours de base M1 - ENS Lyon Evaluation de Performances 16/39
42 Irréductibilité : exemple Irréductibilité Périodicité Invariance Récurrence graphe quotient si nb d'états, on peut avoir classes ou classes. Cours de base M1 - ENS Lyon Evaluation de Performances 16/39
43 Irréductibilité : exemple Irréductibilité Périodicité Invariance Récurrence classes closes/finales/terminales si nb d'états, on peut avoir classes ou classes. Cours de base M1 - ENS Lyon Evaluation de Performances 16/39
44 Périodicité : dénitions Irréductibilité Périodicité Invariance Récurrence Dénition (Période d'un état d'une HMC) Etat i de période d i def = PGCD{n 1 p ii (n) > 0} (càd PGCD des longueurs des cycles passant par i dans le graphe de transition). Proposition (Irréductibilité & périodicité) Dans une classe de communication (comp. fort. connexe), tous les états ont la même période. Dénition (Période d'une HMC irréductible) Période d'une HMC irréd. : période commune à tous ses états (= PGCD des longueurs de tous les cycles du graphe de transition). HMC irréd apériodique : si période = 1. Cours de base M1 - ENS Lyon Evaluation de Performances 17/39
45 Périodicité : exemples Irréductibilité Périodicité Invariance Récurrence Exercice : trouver les périodes de ces graphes. c δ γ f α d e β a b A B C Cours de base M1 - ENS Lyon Evaluation de Performances 18/39
46 Périodicité : exemples Irréductibilité Périodicité Invariance Récurrence Exercice : trouver les périodes de ces graphes. c δ γ f d α β a b A B C période = 1 e Cours de base M1 - ENS Lyon Evaluation de Performances 18/39
47 Périodicité : exemples Irréductibilité Périodicité Invariance Récurrence Exercice : trouver les périodes de ces graphes. c δ γ f d α β a b A B C période = 1 période = 3 e Cours de base M1 - ENS Lyon Evaluation de Performances 18/39
48 Périodicité : exemples Irréductibilité Périodicité Invariance Récurrence Exercice : trouver les périodes de ces graphes. c δ γ f d α β a b A B C période = 1 période = 3 période = 1 e Cours de base M1 - ENS Lyon Evaluation de Performances 18/39
49 Périodicité : structure Irréductibilité Périodicité Invariance Récurrence Théorème (cycle de patates) Soit G un graphe orienté fortement connexe de période d, alors il existe une partition V 0,...,V d 1 des sommets tel que tout arc sortant de V p arrive en V p+1 (avec la convention V d+1 = V 0 ). c f a d e b Cours de base M1 - ENS Lyon Evaluation de Performances 19/39
50 Périodicité : structure Irréductibilité Périodicité Invariance Récurrence Théorème (cycle de patates) Soit G un graphe orienté fortement connexe de période d, alors il existe une partition V 0,...,V d 1 des sommets tel que tout arc sortant de V p arrive en V p+1 (avec la convention V d+1 = V 0 ). V 0 c f d e a b V 1 V 2 Cours de base M1 - ENS Lyon Evaluation de Performances 19/39
51 Invariance : dénitions Irréductibilité Périodicité Invariance Récurrence Contexte : (X n ) HMC de matrice de transition P. Dénition (Mesure invariante/stationnaire) Mesure invariante/stationnaire pour P : µ = (µ i ) i E R E tel que µ 0, µ 0 et µp = µ, càd i µ i 0, i µ i 0 et j µ j p ji = µ i. Dénition (Distribution de probabilités invariante/stationnaire) Distribution inv./stat. pour P : mesure invariante µ où i E µ i <+. Dans ce cas sa renormalisée π = (π i ) i E avec π i = µ i / j E µ j est appelée distrib de proba invariante/stationnaire ( i E π i = 1). Terminologie : si loi de X n = distrib de proba invariante, on dit que le processus est en régime stationnaire, à l'équilibre... Cours de base M1 - ENS Lyon Evaluation de Performances 20/39
52 Invariance : structure Irréductibilité Périodicité Invariance Récurrence Exercice : combien de distrib de proba invariantes pour une HMC? 0? 1? nb ni 2?? Cours de base M1 - ENS Lyon Evaluation de Performances 21/39
53 Invariance : structure Irréductibilité Périodicité Invariance Récurrence Exercice : combien de distrib de proba invariantes pour une HMC? ? nb ni 2?? Cours de base M1 - ENS Lyon Evaluation de Performances 21/39
54 Invariance : structure Irréductibilité Périodicité Invariance Récurrence Exercice : combien de distrib de proba invariantes pour une HMC? nb ni 2?? Cours de base M1 - ENS Lyon Evaluation de Performances 21/39
55 Invariance : structure Irréductibilité Périodicité Invariance Récurrence Exercice : combien de distrib de proba invariantes pour une HMC? nb ni 2? Impossible Cours de base M1 - ENS Lyon Evaluation de Performances 21/39
56 Invariance : structure Irréductibilité Périodicité Invariance Récurrence Exercice : combien de distrib de proba invariantes pour une HMC? nb ni 2 Impossible Théorème (structure des distrib de proba invariantes) Les distrib de proba invariantes d'une HMC forment un polyèdre convexe de R E + : c'est l'enveloppe convexe des distrib de proba invariantes des classes de communication nales. Cours de base M1 - ENS Lyon Evaluation de Performances 21/39
57 Récurrence : dénitions Irréductibilité Périodicité Invariance Récurrence Dénition (état transitoire/récurrent nul/positif) Soit (X n ) HMC à valeurs dans E et T i le temps de retour en i, état i transitoire si P i (T i < + ) < 1, état i récurrent si P i (T i < + ) = 1, état i récurrent nul si P i (T i < + ) = 1 mais E i (T i ) = +, état i récurrent positif si E i (T i ) < + donc P i (T i < + ) = 1. Proposition (temps de retour ni nb de visites inni) état i récurrent P i (nb de visites en i)=1 E i (nb de visites en i)=+ état i transitoire P i (nb ni de visites en i)=1 E i (nb de visites en i)<+ Corollaire (critère de la matrice de potentiel) i récurrent ssi + n=0 p ii (n) = + Cours de base M1 - ENS Lyon Evaluation de Performances 22/39
58 Irréductibilité & Récurrence Irréductibilité Périodicité Invariance Récurrence Proposition Dans une classe de communication (comp. fort. connexe) d'une HMC, les états sont soit tous récurrents, soit tous transitoires. S'ils sont récurrents, la classe est close et j, P(T j < + ) = 1. Corollaire Une chaîne irréductible est soit récurrente (tous les états sont récurrents), soit transitoire (tous les états sont transitoires). Question : HMC irréductible HMC récurrente? Cours de base M1 - ENS Lyon Evaluation de Performances 23/39
59 Irréductibilité & Récurrence Irréductibilité Périodicité Invariance Récurrence Proposition Dans une classe de communication (comp. fort. connexe) d'une HMC, les états sont soit tous récurrents, soit tous transitoires. S'ils sont récurrents, la classe est close et j, P(T j < + ) = 1. Corollaire Une chaîne irréductible est soit récurrente (tous les états sont récurrents), soit transitoire (tous les états sont transitoires). Question : HMC irréductible HMC récurrente? NON! Contrex : marches 1D homogènes en espace, récurrentes ssi p = (calculer p 00 (n) explicitement puis estimer + n=0 p ii(n) avec Stirling) p p Z p 1 p 1 p 1 p 1 p 1 p p p Cours de base M1 - ENS Lyon Evaluation de Performances 23/39 p p
60 Invariance & Récurrence Irréductibilité Périodicité Invariance Récurrence Théorème (si irréductible, récurrence mesure invariante) Soit (X n ) HMC irréd et récurrente, de matrice de transition P, soit un état 0 xé arbitrairement et T 0 temps de retour en 0, def soit V i = T 0 n=1 1 X n =i nb de visites en i entre instant 0 (exclu) et def instant de retour T 0 (inclus), posons x i = E 0 [V i ] nb moyen de visites en i entre deux passages par 0. Alors : 1 0 < x i < pour tout i E 2 (x i ) i E mesure invariante de P (mesure inv canonique pour 0) 3 P admet une unique mesure invariante à un facteur mult près HMC irréductible, avec mesure invariante HMC récurrente? Cours de base M1 - ENS Lyon Evaluation de Performances 24/39
61 Invariance & Récurrence Irréductibilité Périodicité Invariance Récurrence Théorème (si irréductible, récurrence mesure invariante) Soit (X n ) HMC irréd et récurrente, de matrice de transition P, soit un état 0 xé arbitrairement et T 0 temps de retour en 0, def soit V i = T 0 n=1 1 X n =i nb de visites en i entre instant 0 (exclu) et def instant de retour T 0 (inclus), posons x i = E 0 [V i ] nb moyen de visites en i entre deux passages par 0. Alors : 1 0 < x i < pour tout i E 2 (x i ) i E mesure invariante de P (mesure inv canonique pour 0) 3 P admet une unique mesure invariante à un facteur mult près HMC irréductible, avec mesure invariante HMC récurrente? NON! reprendre marches 1D homogènes en espace avec p, qui admettent toutes 1 = (...,1,1,1,...) comme mesure invariante Cours de base M1 - ENS Lyon Evaluation de Performances 24/39
62 Invariance & Récurrence positive Irréductibilité Périodicité Invariance Récurrence Théorème (si irréductible, récurrence positive distrib proba inv) Soit (X n ) HMC irréd, de matrice de transition P, il y a équivalence : 1 (X n ) admet un état récurrent positif, 2 (X n ) a tous ses états récurrents positifs, 3 (X n ) admet une distrib de probas invariante. Dans ce cas, la distrib de probas invariante π = (π i ) est unique et vaut π i = 1/E i (T i ) > 0 où T i temps de retour en i. La chaîne est dite récurrente positive. Ex de HMC irréd récurrente mais pas récurrente positive? Cours de base M1 - ENS Lyon Evaluation de Performances 25/39
63 Invariance & Récurrence positive Irréductibilité Périodicité Invariance Récurrence Théorème (si irréductible, récurrence positive distrib proba inv) Soit (X n ) HMC irréd, de matrice de transition P, il y a équivalence : 1 (X n ) admet un état récurrent positif, 2 (X n ) a tous ses états récurrents positifs, 3 (X n ) admet une distrib de probas invariante. Dans ce cas, la distrib de probas invariante π = (π i ) est unique et vaut π i = 1/E i (T i ) > 0 où T i temps de retour en i. La chaîne est dite récurrente positive. Ex de HMC irréd récurrente mais pas récurrente positive? OUI, p.ex. la marche symétrique sur Z! Cours de base M1 - ENS Lyon Evaluation de Performances 25/39
64 Irréductibilité Périodicité Invariance Récurrence Cas d'une HMC à nombre ni d'états Proposition Toute HMC irréd à nombre ni d'états est récurrente positive. Théorème (Perron Frobenius 1912) Soit P matrice de transition d'une HMC irréd, à nb ni N d'états, de période d, de val. propres complexes triées λ 1... λ N alors 1 λ 1 = 1 valeur propre de P, 2 les racines complexes de l'unité λ 1 = ω 0,λ 2 = ω 1,...,λ d = ω d 1 où ω = e 2πi/d, sont valeurs propres de P, 3 les autres valeurs propres λ d+1,...,λ N vérient λ j < 1. Corollaire (HMC irréductible apériodique) P n = 1 T π + O(n m 2 1 λ 2 n ) où m 2 multiplicité de λ 2 ( λ 2 < 1) Cours de base M1 - ENS Lyon Evaluation de Performances 26/39
65 Convergence asymptotique : Convergence Ergodicité Cas périodique Théorème (Convergence en loi des HMC) Soit (X n ) HMC irréductible, récurrente positive, apériodique, de matrice de transition P et de distribution stationnaire π. Alors pour toute distribution initiale ν, pour tout état i, Plus précisément, lim n + P(X n = i) = π i lim νp n π = 0. n + Une démonstration classique : par couplage de chaîne de Markov Hypothèse indispensable : période = 1. Cours de base M1 - ENS Lyon Evaluation de Performances 27/39
66 Théorème ergodique des HMC Convergence Ergodicité Cas périodique Théorème (Ergodicité des HMC) Soit (X n ) HMC à valeurs dans E, irréd, récurrente positive de distrib invariante π, et soit f : E R telle que i E f (i) π i <, alors pour tout loi initiale ν, presque sûrement, 1 lim n n n f (X k ) = f (i)π i k=1 i E Cours de base M1 - ENS Lyon Evaluation de Performances 28/39
67 Cas périodique irréductible Convergence Ergodicité Cas périodique Question : comment traiter HMC irréd de période d 2? Cours de base M1 - ENS Lyon Evaluation de Performances 29/39
68 Cas périodique irréductible Convergence Ergodicité Cas périodique Question : comment traiter HMC irréd de période d 2? Réductions : se ramener au cas apériodique avec P d ou I +P+ +Pd 1 d. Théorème (Convergence - cas périodique) Soit (X n ) HMC irréductible, récurrente positive, de période d, de matrice de transition P, soit V 0,...,V d 1 la partition en cycle de patates. Alors pour toute distrib initiale ν, pour tout 0 r d 1, pour tout état i V r, lim P(X nd+r = i) = d/e i (T i ) n + Plus précisément, lim n + νp nd+r d/e i (T i ) = 0 Cours de base M1 - ENS Lyon Evaluation de Performances 29/39
69 Irréductibilité? Périodicité? Récurrence? Distribution invariante? Comment décider l'irréductibilité? l'apériodicité? Structure du graphe de transition : Calcul des comp. connexes et du graphe acyclique quotient : calculable en général (à préciser en fct de la description de la chaîne si nb d'états ), linéaire en temps et en espace (si nb ni d'états) algos à base de DFS (Tarjan 1972, Kosaraju 1978) Calcul de la période : calculable en général (à préciser en fct de la description de la chaîne si nb d'états ), linéaire en temps et en espace (si nb ni d'états) algo à base de parcours (Denardo 1977) Cours de base M1 - ENS Lyon Evaluation de Performances 30/39
70 Comment décider la récurrence? Irréductibilité? Périodicité? Récurrence? Distribution invariante? Dénition (HMC sur N d homogène par faces et à sauts unitaires) Pour tout Λ {1,...,d}, HMC (X n ) homogène en espace sur la face def N Λ = {x = (x 1,...,x d ) N d λ Λ,x λ = 0, λ Λ,x λ > 0} telle que { 1,0,+1} d, x N Λ, la probabilité d'aller de x en x + vaut p(λ, ), avec { 1,0,+1} d p(λ, ) = 1. axe 1 face N Λ pour Λ = {1,2,3} axe 2 axe 3 Cours de base M1 - ENS Lyon Evaluation de Performances 31/39
71 Comment décider la récurrence? Irréductibilité? Périodicité? Récurrence? Distribution invariante? Dénition (HMC sur N d homogène par faces et à sauts unitaires) Pour tout Λ {1,...,d}, HMC (X n ) homogène en espace sur la face def N Λ = {x = (x 1,...,x d ) N d λ Λ,x λ = 0, λ Λ,x λ > 0} telle que { 1,0,+1} d, x N Λ, la probabilité d'aller de x en x + vaut p(λ, ), avec { 1,0,+1} d p(λ, ) = 1. axe 1 face N Λ pour Λ = {1,2} axe 2 axe 3 Cours de base M1 - ENS Lyon Evaluation de Performances 31/39
72 Comment décider la récurrence? Irréductibilité? Périodicité? Récurrence? Distribution invariante? Dénition (HMC sur N d homogène par faces et à sauts unitaires) Pour tout Λ {1,...,d}, HMC (X n ) homogène en espace sur la face def N Λ = {x = (x 1,...,x d ) N d λ Λ,x λ = 0, λ Λ,x λ > 0} telle que { 1,0,+1} d, x N Λ, la probabilité d'aller de x en x + vaut p(λ, ), avec { 1,0,+1} d p(λ, ) = 1. axe 1 face N Λ pour Λ = {1,3} axe 2 axe 3 Cours de base M1 - ENS Lyon Evaluation de Performances 31/39
73 Comment décider la récurrence? Irréductibilité? Périodicité? Récurrence? Distribution invariante? Dénition (HMC sur N d homogène par faces et à sauts unitaires) Pour tout Λ {1,...,d}, HMC (X n ) homogène en espace sur la face def N Λ = {x = (x 1,...,x d ) N d λ Λ,x λ = 0, λ Λ,x λ > 0} telle que { 1,0,+1} d, x N Λ, la probabilité d'aller de x en x + vaut p(λ, ), avec { 1,0,+1} d p(λ, ) = 1. axe 1 face N Λ pour Λ = {2,3} axe 2 axe 3 Cours de base M1 - ENS Lyon Evaluation de Performances 31/39
74 Comment décider la récurrence? Irréductibilité? Périodicité? Récurrence? Distribution invariante? Dénition (HMC sur N d homogène par faces et à sauts unitaires) Pour tout Λ {1,...,d}, HMC (X n ) homogène en espace sur la face def N Λ = {x = (x 1,...,x d ) N d λ Λ,x λ = 0, λ Λ,x λ > 0} telle que { 1,0,+1} d, x N Λ, la probabilité d'aller de x en x + vaut p(λ, ), avec { 1,0,+1} d p(λ, ) = 1. axe 1 face N Λ pour Λ = {1} axe 2 axe 3 Cours de base M1 - ENS Lyon Evaluation de Performances 31/39
75 Comment décider la récurrence? Irréductibilité? Périodicité? Récurrence? Distribution invariante? Dénition (HMC sur N d homogène par faces et à sauts unitaires) Pour tout Λ {1,...,d}, HMC (X n ) homogène en espace sur la face def N Λ = {x = (x 1,...,x d ) N d λ Λ,x λ = 0, λ Λ,x λ > 0} telle que { 1,0,+1} d, x N Λ, la probabilité d'aller de x en x + vaut p(λ, ), avec { 1,0,+1} d p(λ, ) = 1. axe 1 face N Λ pour Λ = {2} axe 2 axe 3 Cours de base M1 - ENS Lyon Evaluation de Performances 31/39
76 Comment décider la récurrence? Irréductibilité? Périodicité? Récurrence? Distribution invariante? Dénition (HMC sur N d homogène par faces et à sauts unitaires) Pour tout Λ {1,...,d}, HMC (X n ) homogène en espace sur la face def N Λ = {x = (x 1,...,x d ) N d λ Λ,x λ = 0, λ Λ,x λ > 0} telle que { 1,0,+1} d, x N Λ, la probabilité d'aller de x en x + vaut p(λ, ), avec { 1,0,+1} d p(λ, ) = 1. axe 1 face N Λ pour Λ = {3} axe 2 axe 3 Cours de base M1 - ENS Lyon Evaluation de Performances 31/39
77 Comment décider la récurrence? Irréductibilité? Périodicité? Récurrence? Distribution invariante? Dénition (HMC sur N d homogène par faces et à sauts unitaires) Pour tout Λ {1,...,d}, HMC (X n ) homogène en espace sur la face def N Λ = {x = (x 1,...,x d ) N d λ Λ,x λ = 0, λ Λ,x λ > 0} telle que { 1,0,+1} d, x N Λ, la probabilité d'aller de x en x + vaut p(λ, ), avec { 1,0,+1} d p(λ, ) = 1. axe 1 face N Λ pour Λ = axe 2 axe 3 Cours de base M1 - ENS Lyon Evaluation de Performances 31/39
78 Comment décider la récurrence? Irréductibilité? Périodicité? Récurrence? Distribution invariante? Dénition (HMC sur N d homogène par faces et à sauts unitaires) Pour tout Λ {1,...,d}, HMC (X n ) homogène en espace sur la face def N Λ = {x = (x 1,...,x d ) N d λ Λ,x λ = 0, λ Λ,x λ > 0} telle que { 1,0,+1} d, x N Λ, la probabilité d'aller de x en x + vaut p(λ, ), avec { 1,0,+1} d p(λ, ) = 1. HMC homogène par faces et à sauts unitaires 1/3 1/3 1/3 1/4 1/4 Ex ici : si Λ = {1, 2} et = (+1,+1) p(λ, ) = 1/6 1/3 1/3 2/3 Cours de base M1 - ENS Lyon Evaluation de Performances 31/39
79 Comment décider la récurrence? Irréductibilité? Périodicité? Récurrence? Distribution invariante? Dénition (HMC sur N d homogène par faces et à sauts unitaires) Pour tout Λ {1,...,d}, HMC (X n ) homogène en espace sur la face def N Λ = {x = (x 1,...,x d ) N d λ Λ,x λ = 0, λ Λ,x λ > 0} telle que { 1,0,+1} d, x N Λ, la probabilité d'aller de x en x + vaut p(λ, ), avec { 1,0,+1} d p(λ, ) = 1. Théorème (Gamarnik 2002) Déterminer pour d qcq si une HMC sur N d homogène par faces et à sauts unitaires est récurrente positive, est indécidable. Théorème (Malyshev 1972, Menshikov 1974, Ignatyuk 1993) Déterminer pour d =1,2,3 ou 4 xé si une HMC sur N d homogène par faces est récurrente positive, est décidable (ouvert si d 5 xé). Cours de base M1 - ENS Lyon Evaluation de Performances 31/39
80 Comment décider la récurrence? Irréductibilité? Périodicité? Récurrence? Distribution invariante? Préparation utile : tester l'irréductibilité. Tester la récurrence : via retour à la dénition (p.ex. calcul explicite de P i (T i < )) via critère de la matrice de potentiel (nature de p ii (n)) Tester la récurrence positive : n 0 via retour à la dénition (p.ex. calcul explicite de E i (T i )) via recherche d'une distribution invariante (recherche de mesure invariante & s'assurer au nal que i π i < ), via l'utilisation de sur/sous-martingales. Cours de base M1 - ENS Lyon Evaluation de Performances 32/39
81 Martingales : dénitions Irréductibilité? Périodicité? Récurrence? Distribution invariante? Espérance cond. de Y v.a. réelle vis à vis des v.a. X n,...,x 0 : E(Y X n,...,x 0 ) def = E(Y X n = i n,...,x 0 = i 0 )1 Xn =i n,...,x 0 =i 0 v.a. i 0,...,i n E Dénition (Martingale vis à vis d'un processus (X n ) n N ) Processus (M n ) n N à valeurs réelles martingale vis à vis de (X n ) n N à valeurs dans E si : n N, E M n < et E(M n+1 X n,...,x 0 ) = M n. Dans ce cas, n N, E(M n ) = E(M 0 ). def En pratique : souvent M n = f (X n,...,x 0 ), voire juste f (X n ), alors vérier si i 0,...,i n E, E(M n+1 X n = i n,...,x 0 = i 0 ) = f (i n,...,i 0 ). Exemple : (X n ) marche symétrique sur Z, M n = f (X n ) avec f (i)=i Variantes : sous-/sur-martingale si n N, E(M n+1 X n,...,x 0 ) M n (resp ) et E M n < Cours de base M1 - ENS Lyon Evaluation de Performances 33/39
82 Irréductibilité? Périodicité? Récurrence? Distribution invariante? Martingales : théorème du temps d'arrêt Théorème (Théorème d'arrêt de Doob / optional stopping theorem) Soit (M n ) martingale (resp. sous-/sur-) pour (X n ) et T temps d'arrêt pour (X n ). Si au moins l'une de ces conditions est vraie : 1 T N p.s. où N N 2 T < et n N, M n C p.s. où C R + 3 E(T ) < et n N, M n+1 M n C p.s. où C R + Alors E(M T ) = E(M 0 ) (resp. / ). Applications : (X n ) marche symétrique sur Z, 0 i N, soit T = τ {0,N} temps d'absorption par 0 ou N Proba d'absorption par N : Temps moyen d'absorption : Cours de base M1 - ENS Lyon Evaluation de Performances 34/39
83 Irréductibilité? Périodicité? Récurrence? Distribution invariante? Martingales : théorème du temps d'arrêt Théorème (Théorème d'arrêt de Doob / optional stopping theorem) Soit (M n ) martingale (resp. sous-/sur-) pour (X n ) et T temps d'arrêt pour (X n ). Si au moins l'une de ces conditions est vraie : 1 T N p.s. où N N 2 T < et n N, M n C p.s. où C R + 3 E(T ) < et n N, M n+1 M n C p.s. où C R + Alors E(M T ) = E(M 0 ) (resp. / ). Applications : (X n ) marche symétrique sur Z, 0 i N, soit T = τ {0,N} temps d'absorption par 0 ou N Proba d'absorption par N : M n = X n P i (X T = N) = i/n Temps moyen d'absorption : Cours de base M1 - ENS Lyon Evaluation de Performances 34/39
84 Irréductibilité? Périodicité? Récurrence? Distribution invariante? Martingales : théorème du temps d'arrêt Théorème (Théorème d'arrêt de Doob / optional stopping theorem) Soit (M n ) martingale (resp. sous-/sur-) pour (X n ) et T temps d'arrêt pour (X n ). Si au moins l'une de ces conditions est vraie : 1 T N p.s. où N N 2 T < et n N, M n C p.s. où C R + 3 E(T ) < et n N, M n+1 M n C p.s. où C R + Alors E(M T ) = E(M 0 ) (resp. / ). Applications : (X n ) marche symétrique sur Z, 0 i N, soit T = τ {0,N} temps d'absorption par 0 ou N Proba d'absorption par N : M n = X n P i (X T = N) = i/n Temps moyen d'absorption : M n = X 2 n 1 E i(t ) = i(n i) Cours de base M1 - ENS Lyon Evaluation de Performances 34/39
85 Martingales : théorème de Foster (I) Irréductibilité? Périodicité? Récurrence? Distribution invariante? Théorème (une CS de récurrence positive - Foster 1953) Soit (X n ) HMC irréd à valeurs dans E, s'il existe h : E R +, F ni E, ε > 0 tels que : i F, E i (h(x 1 )) = j E p ij h(j) <, et i F, E i (h(x 1 ) h(x 0 )) = j E p ij h(j) h(i) ε Alors la chaîne est récurrente positive et i F, E i (T F ) h(i)/ε. Exemple : marche biaisée sur N avec p < 1 p p p p 1 p 1 p 1 p Cours de base M1 - ENS Lyon Evaluation de Performances 35/39
86 Martingales : théorème de Foster (I) Irréductibilité? Périodicité? Récurrence? Distribution invariante? Théorème (une CS de récurrence positive - Foster 1953) Soit (X n ) HMC irréd à valeurs dans E, s'il existe h : E R +, F ni E, ε > 0 tels que : i F, E i (h(x 1 )) = j E p ij h(j) <, et i F, E i (h(x 1 ) h(x 0 )) = j E p ij h(j) h(i) ε Alors la chaîne est récurrente positive et i F, E i (T F ) h(i)/ε. Exemple : marche biaisée sur N avec p < 1 p p p p 1 p 1 p 1 p récurrent positif : prendre F = {0} et h(i) = i Cours de base M1 - ENS Lyon Evaluation de Performances 35/39
87 Irréductibilité? Périodicité? Récurrence? Distribution invariante? Martingales : théorème à la Foster (II) Théorème (une CS de non récurrence positive - Tweedie 1976) Soit (X n ) HMC irréd à valeurs dans E, s'il existe h : E R +, F ni E, c > 0 tels que : i E, E i h(x 1 ) h(x 0 ) = j E p ij h(j) h(i) c i F, E i (h(x 1 ) h(x 0 )) = j E p ij h(j) h(i) 0 i 0 F, h(i 0 ) > max i F h(i) Alors la chaîne n'est pas récurrente positive et E i0 (T F ) = +. Exemple : marche biaisée sur N avec p 1 p p p p 1 p 1 p 1 p Cours de base M1 - ENS Lyon Evaluation de Performances 36/39
88 Irréductibilité? Périodicité? Récurrence? Distribution invariante? Martingales : théorème à la Foster (II) Théorème (une CS de non récurrence positive - Tweedie 1976) Soit (X n ) HMC irréd à valeurs dans E, s'il existe h : E R +, F ni E, c > 0 tels que : i E, E i h(x 1 ) h(x 0 ) = j E p ij h(j) h(i) c i F, E i (h(x 1 ) h(x 0 )) = j E p ij h(j) h(i) 0 i 0 F, h(i 0 ) > max i F h(i) Alors la chaîne n'est pas récurrente positive et E i0 (T F ) = +. Exemple : marche biaisée sur N avec p 1 p p p p 1 p 1 p 1 p non récurrent positif : prendre F = {0} et h(i) = i ou h(i) = 1 1 (i) Cours de base M1 - ENS Lyon Evaluation de Performances 36/39
89 Irréductibilité? Périodicité? Récurrence? Distribution invariante? Martingales : théorèmes de / à la Foster (III) Terminologie : h fonction de potentiel, sur-/sous-harmonique, de Lyapunov E i (h(x 1 ) h(x 0 )) variation locale moyenne, dérive/drift Exemples : Cours de base M1 - ENS Lyon Evaluation de Performances 37/39
90 Irréductibilité? Périodicité? Récurrence? Distribution invariante? Distribution invariante : techniques de calcul Résoudre directement le système linéaire πp = π d'inconnues (π i ) i E (combinaisons/substitutions, pivot de Gauss, formules de Cramer...). Introduire de nouvelles relations linéaires par raisonnement de ots, pour simplier la résolution. Sortir du chapeau une forme particulière de solution, à injecter dans le système linéaire pour vérier sa validité et ajuster ses paramètres. Cours de base M1 - ENS Lyon Evaluation de Performances 38/39
91 Distribution invariante : ots Irréductibilité? Périodicité? Récurrence? Distribution invariante? Proposition (vision ot de l'invariance) Associer à distrib π = (π i ) i E le ot f ij def = π i p ij de i vers j pour tout arc ij du graphe de transition. Alors π distrib inv ssi f respecte 1ère loi de Kircho (conservation du ot au niveau de chaque état). Proposition (relations de ot en régime stationnaire) Soit π distrib invariante et S E, alors : π i p ij = i S j S j S i S π j p ji π i p ij p ji π j flot entrant S flot sortant Application : trouver la distrib inv (s'il en existe) l'hmc suivante Cours de base M1 - ENS Lyon Evaluation de Performances 39/39
Modèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N
ENS de Lyon TD 7-8 septembre 0 Introduction aux probabilités Exercice Soit (u n ) n N une suite de nombres réels. On considère σ une bijection de N dans N, de sorte que (u σ(n) ) n N est un réordonnement
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailMarkov processes and applications to queueing/risk/storage theory and mathematical biology
Markov processes and applications to queueing/risk/storage theory and mathematical biology Florin Avram Contents 1 Introduction aux processus stochastiques/aléatoires 3 2 Marches aléatoires et récurrences
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailaux différences est appelé équation aux différences d ordre n en forme normale.
MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire
Plus en détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailProcessus Stochastiques
Processus Stochastiques Olivier Scaillet University of Geneva and Swiss Finance Institute Outline 1 Introduction 2 Chaînes de Markov 3 Application en assurance 4 Application en nance Processus Stochastique
Plus en détailLagrange, où λ 1 est pour la contrainte sur µ p ).
Chapitre 1 Exercice 1 : Portefeuilles financiers Considérons trois types d actions qui sont négociées à la bourse et dont les rentabilités r 1, r 2 et r 3 sont des variables aléatoires d espérances µ i
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailModule 7: Chaînes de Markov à temps continu
Module 7: Chaînes de Markov à temps continu Patrick Thiran 1 Introduction aux chaînes de Markov à temps continu 1.1 (Première) définition Ce module est consacré aux processus à temps continu {X(t), t R
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailDéveloppements limités. Notion de développement limité
MT12 - ch2 Page 1/8 Développements limités Dans tout ce chapitre, I désigne un intervalle de R non vide et non réduit à un point. I Notion de développement limité Dans tout ce paragraphe, a désigne un
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détailwww.h-k.fr/publications/objectif-agregation
«Sur C, tout est connexe!» www.h-k.fr/publications/objectif-agregation L idée de cette note est de montrer que, contrairement à ce qui se passe sur R, «sur C, tout est connexe». Cet abus de langage se
Plus en détailÉquation de Langevin avec petites perturbations browniennes ou
Équation de Langevin avec petites perturbations browniennes ou alpha-stables Richard Eon sous la direction de Mihai Gradinaru Institut de Recherche Mathématique de Rennes Journées de probabilités 215,
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailCorrection du baccalauréat S Liban juin 2007
Correction du baccalauréat S Liban juin 07 Exercice. a. Signe de lnx lnx) : on fait un tableau de signes : x 0 e + ln x 0 + + lnx + + 0 lnx lnx) 0 + 0 b. On afx) gx) lnx lnx) lnx lnx). On déduit du tableau
Plus en détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailSujet 4: Programmation stochastique propriétés de fonction de recours
Sujet 4: Programmation stochastique propriétés de fonction de recours MSE3313: Optimisation Stochastiqe Andrew J. Miller Dernière mise au jour: October 19, 2011 Dans ce sujet... 1 Propriétés de la fonction
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailCours de gestion des risques d assurances et de théorie de la ruine. Stéphane Loisel
Cours de gestion des risques d assurances et de théorie de la ruine Stéphane Loisel ISFA, 2005-2006 Table des matières I Modélisation de la charge sinistre : du modèle individuel au modèle collectif 5
Plus en détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailExtrait du poly de Stage de Grésillon 1, août 2010
MINI-COURS SUR LES POLYNÔMES À UNE VARIABLE Extrait du poly de Stage de Grésillon 1, août 2010 Table des matières I Opérations sur les polynômes 3 II Division euclidienne et racines 5 1 Division euclidienne
Plus en détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
Plus en détailExercices sur le chapitre «Probabilités»
Arnaud de Saint Julien - MPSI Lycée La Merci 2014-2015 1 Pour démarrer Exercices sur le chapitre «Probabilités» Exercice 1 (Modélisation d un dé non cubique) On considère un parallélépipède rectangle de
Plus en détailPolynômes à plusieurs variables. Résultant
Polynômes à plusieurs variables. Résultant Christophe Ritzenthaler 1 Relations coefficients-racines. Polynômes symétriques Issu de [MS] et de [Goz]. Soit A un anneau intègre. Définition 1.1. Soit a A \
Plus en détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détailNOTATIONS PRÉLIMINAIRES
Pour le Jeudi 14 Octobre 2010 NOTATIONS Soit V un espace vectoriel réel ; l'espace vectoriel des endomorphismes de l'espace vectoriel V est désigné par L(V ). Soit f un endomorphisme de l'espace vectoriel
Plus en détailJournées Télécom-UPS «Le numérique pour tous» David A. Madore. david.madore@enst.fr. 29 mai 2015
et et Journées Télécom-UPS «Le numérique pour tous» David A. Madore Télécom ParisTech david.madore@enst.fr 29 mai 2015 1/31 et 2/31 : définition Un réseau de R m est un sous-groupe (additif) discret L
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailFormes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions
Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires
Plus en détailEléments de Théorie des Graphes et Programmation Linéaire
INSTITUT NATIONAL POLYTECHNIQUE DE LORRAINE Ecole Nationale Supérieure d Electricité et de Mécanique Eléments de Théorie des Graphes et Programmation Linéaire Didier Maquin Professeur à l INPL Version
Plus en détailWeb Science. Master 1 IFI. Andrea G. B. Tettamanzi. Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice.
Web Science Master 1 IFI Andrea G. B. Tettamanzi Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice.fr 1 Annonce : recherche apprenti Projet Géo-Incertitude Objectifs
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailCommunications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes
Loris MARCHAL Laboratoire de l Informatique du Parallélisme Équipe Graal Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes Thèse réalisée sous la direction
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailMARTINGALES POUR LA FINANCE
MARTINGALES POUR LA FINANCE une introduction aux mathématiques financières Christophe Giraud Cours et Exercices corrigés. Table des matières I Le Cours 7 0 Introduction 8 0.1 Les produits dérivés...............................
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailRO04/TI07 - Optimisation non-linéaire
RO04/TI07 - Optimisation non-linéaire Stéphane Mottelet Université de Technologie de Compiègne Printemps 2003 I Motivations et notions fondamentales 4 I1 Motivations 5 I2 Formes quadratiques 13 I3 Rappels
Plus en détailConstruction de l'intégrale de Lebesgue
Université d'artois Faculté des ciences Jean Perrin Mesure et Intégration (Licence 3 Mathématiques-Informatique) Daniel Li Construction de l'intégrale de Lebesgue 10 février 2011 La construction de l'intégrale
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailDurée de L épreuve : 2 heures. Barème : Exercice n 4 : 1 ) 1 point 2 ) 2 points 3 ) 1 point
03 Mai 2013 Collège Oasis Durée de L épreuve : 2 heures. apple Le sujet comporte 4 pages et est présenté en livret ; apple La calculatrice est autorisée ; apple 4 points sont attribués à la qualité de
Plus en détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailOptimisation des fonctions de plusieurs variables
Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailCorrigé du baccalauréat S Pondichéry 12 avril 2007
Corrigé du baccalauréat S Pondichéry 1 avril 7 EXERCICE 1 Commun à tous les candidats 4 points 1 a Les vecteurs AB et AC ont pour coordonnées AB ; ; ) et AC 1 ; 4 ; 1) Ils ne sont manifestement pas colinéaires
Plus en détailCorrigé du baccalauréat S Asie 21 juin 2010
Corrigé du baccalauréat S Asie juin 00 EXERCICE Commun à tous les candidats 4 points. Question : Le triangle GBI est : Réponse a : isocèle. Réponse b : équilatéral. Réponse c : rectangle. On a GB = + =
Plus en détailProgrammation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des
Plus en détailExemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions
Exemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions HQ = He 1 He 2 He 3 He 4 HQ e 5 comme anneaux (avec centre Re 1 Re 2 Re 3 Re 4
Plus en détailTOUT CE QU IL FAUT SAVOIR POUR LE BREVET
TOUT E QU IL FUT SVOIR POUR LE REVET NUMERIQUE / FONTIONS eci n est qu un rappel de tout ce qu il faut savoir en maths pour le brevet. I- Opérations sur les nombres et les fractions : Les priorités par
Plus en détailChapitre 2. Matrices
Département de mathématiques et informatique L1S1, module A ou B Chapitre 2 Matrices Emmanuel Royer emmanuelroyer@mathuniv-bpclermontfr Ce texte mis gratuitement à votre disposition a été rédigé grâce
Plus en détailCalcul fonctionnel holomorphe dans les algèbres de Banach
Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte
Plus en détailÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE
ÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE JEAN-DENIS FOUKS, EMMANUEL LESIGNE ET MARC PEIGNÉ J.-D. Fouks. École Supérieure d Ingénieurs de Poitiers. 40 avenue du Recteur Pineau, 860 Poitiers
Plus en détailNOMBRES COMPLEXES. Exercice 1 :
Exercice 1 : NOMBRES COMPLEXES On donne θ 0 un réel tel que : cos(θ 0 ) 5 et sin(θ 0 ) 1 5. Calculer le module et l'argument de chacun des nombres complexes suivants (en fonction de θ 0 ) : a i( )( )(1
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailCapes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détail