Chapitre 3. Mesures stationnaires. et théorèmes de convergence

Dimension: px
Commencer à balayer dès la page:

Download "Chapitre 3. Mesures stationnaires. et théorèmes de convergence"

Transcription

1 Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1

2 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.2

3 I. Mesures stationnaires Définition : Une probabilité π sur E est invariante ou stationnaire pour la chaine de Markov (X n ) n 0 si, pour tout n 0 : ( x E, P(X n = x) = π(x)) = ( x E, P(X n+1 = x) = π(x)). Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.2

4 I. Mesures stationnaires Définition : Une probabilité π sur E est invariante ou stationnaire pour la chaine de Markov (X n ) n 0 si, pour tout n 0 : ( x E, P(X n = x) = π(x)) = ( x E, P(X n+1 = x) = π(x)). Proposition 1 : La probabilité π est stationnaire si et seulement si : y E, π(x)p(x, y) = π(y). x E Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.2

5 I. Mesures stationnaires Définition : Une probabilité π sur E est invariante ou stationnaire pour la chaine de Markov (X n ) n 0 si, pour tout n 0 : ( x E, P(X n = x) = π(x)) = ( x E, P(X n+1 = x) = π(x)). Proposition 1 : La probabilité π est stationnaire si et seulement si : y E, π(x)p(x, y) = π(y). x E En fait π est stationnaire si et seulement si, lorsque la loi initiale de la chaine est π (c est-à-dire si P(X 0 = x) = π(x) pour tout x) alors, pour tout instant n, la loi de X n est également π (c est-à-dire P(X n = x) = π(x) pour tout x). Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.2

6 Exemple : Dans le cas d une chaine pour laquelle E = {0,1} et p = 1 a a, b 1 b nous avons montré que P(X n = 0) = et P(X n = 1) = b a + b + (1 a b)n (µ(0) a a + b + (1 a b)n (µ(1) b a + b ) a a + b ) Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.3

7 Exemple : Dans le cas d une chaine pour laquelle E = {0,1} et p = 1 a a, b 1 b nous avons montré que P(X n = 0) = et P(X n = 1) = b a + b + (1 a b)n (µ(0) a a + b + (1 a b)n (µ(1) b a + b ) a a + b ) Par conséquent la probabilité π définie par π(0) = b a+b, π(1) = a a+b est stationnaire et c est la seule. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.3

8 Exemple : Dans le cas d une chaine pour laquelle E = {0,1} et p = 1 a a, b 1 b nous avons montré que P(X n = 0) = et P(X n = 1) = b a + b + (1 a b)n (µ(0) a a + b + (1 a b)n (µ(1) b a + b ) a a + b ) Par conséquent la probabilité π définie par π(0) = b a+b, π(1) = a a+b est stationnaire et c est la seule. On retrouve ce résultat en appliquant la proposition 1. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.3

9 Exemple : Dans le cas d une chaine pour laquelle E = {0,1} et p = 1 a a, b 1 b nous avons montré que P(X n = 0) = et P(X n = 1) = b a + b + (1 a b)n (µ(0) a a + b + (1 a b)n (µ(1) b a + b ) a a + b ) Par conséquent la probabilité π définie par π(0) = b a+b, π(1) = a a+b est stationnaire et c est la seule. On retrouve ce résultat en appliquant la proposition 1. En outre lim P(X n = 0) = n + b a + b = π(0), lim P(X n = 1) = n + a a + b = π(1). Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.3

10 En fait, si π est stationnaire et si la loi de X 0 est π, alors pour tout n, (X k+n ) k 0 a même loi que (X p ) p 0 au sens où : pour tout m 0, le vecteur (X n,x n+1,...,x n+m ) a même loi que le vecteur (X 0,X 1,...,X m ). Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.4

11 En fait, si π est stationnaire et si la loi de X 0 est π, alors pour tout n, (X k+n ) k 0 a même loi que (X p ) p 0 au sens où : pour tout m 0, le vecteur (X n,x n+1,...,x n+m ) a même loi que le vecteur (X 0,X 1,...,X m ). Cela signifie que la chaine de Markov regardée depuis l instant initial a même loi que la chaine de Markov regardée à partir de tout instant n. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.4

12 En fait, si π est stationnaire et si la loi de X 0 est π, alors pour tout n, (X k+n ) k 0 a même loi que (X p ) p 0 au sens où : pour tout m 0, le vecteur (X n,x n+1,...,x n+m ) a même loi que le vecteur (X 0,X 1,...,X m ). Cela signifie que la chaine de Markov regardée depuis l instant initial a même loi que la chaine de Markov regardée à partir de tout instant n. Il est commode d étendre la notion d invariance aux mesures sur E et de ne pas la réserver aux probabilités sur E. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.4

13 En fait, si π est stationnaire et si la loi de X 0 est π, alors pour tout n, (X k+n ) k 0 a même loi que (X p ) p 0 au sens où : pour tout m 0, le vecteur (X n,x n+1,...,x n+m ) a même loi que le vecteur (X 0,X 1,...,X m ). Cela signifie que la chaine de Markov regardée depuis l instant initial a même loi que la chaine de Markov regardée à partir de tout instant n. Il est commode d étendre la notion d invariance aux mesures sur E et de ne pas la réserver aux probabilités sur E. Définition : Une mesure m sur E (c est à dire une famille (m(x)) x E de réels positifs ou nuls) est dite invariante (ou stationnaire) si la mesure m n est pas la mesure identiquement nulle et si : y E x E m(x)p(x,y) = m(y). Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.4

14 Une probabilité invariante est évidemment une mesure invariante. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.5

15 Une probabilité invariante est évidemment une mesure invariante. Si m est une mesure invariante et si λ > 0, alors λm est une mesure invariante. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.5

16 Une probabilité invariante est évidemment une mesure invariante. Si m est une mesure invariante et si λ > 0, alors λm est une mesure invariante. Si m est une mesure invariante et si m(e) < +, alors m/m(e) est une probabilité invariante. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.5

17 Une probabilité invariante est évidemment une mesure invariante. Si m est une mesure invariante et si λ > 0, alors λm est une mesure invariante. Si m est une mesure invariante et si m(e) < +, alors m/m(e) est une probabilité invariante. En pratique, on cherche des mesures stationnaires et on les renormalise éventuellement pour avoir des probabilités stationnaires. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.5

18 Une probabilité invariante est évidemment une mesure invariante. Si m est une mesure invariante et si λ > 0, alors λm est une mesure invariante. Si m est une mesure invariante et si m(e) < +, alors m/m(e) est une probabilité invariante. En pratique, on cherche des mesures stationnaires et on les renormalise éventuellement pour avoir des probabilités stationnaires. Si E est fini et comprend d éléments, m peut être représentée par un vecteur colonne de d composantes et les équations de stationnarité s écrivent : m t p = m t. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.5

19 Une probabilité invariante est évidemment une mesure invariante. Si m est une mesure invariante et si λ > 0, alors λm est une mesure invariante. Si m est une mesure invariante et si m(e) < +, alors m/m(e) est une probabilité invariante. En pratique, on cherche des mesures stationnaires et on les renormalise éventuellement pour avoir des probabilités stationnaires. Si E est fini et comprend d éléments, m peut être représentée par un vecteur colonne de d composantes et les équations de stationnarité s écrivent : m t p = m t. Cela revient à chercher les vecteurs propres à gauche de p (c est-à-dire les vecteurs propres de p t associés à la valeur propre 1). On voit que 1 est valeur propre de p donc de p t, mais il n est pas évident qu il existe un vecteur propre dont toutes les composantes soient positives ou nulles. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.5

20 Exemple : Prenons le modèle d Ehrenfest avec d = 3. La matrice de transition p est : /3 0 2/ /3 0 1/ Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.6

21 Exemple : Prenons le modèle d Ehrenfest avec d = 3. La matrice de transition p est : /3 0 2/ /3 0 1/ On trouve : π(0) = 1 8, π(1) = 3 8, π(2) = 3 8, π(3) = 1 8. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.6

22 Exemple : Prenons le modèle d Ehrenfest avec d = 3. La matrice de transition p est : /3 0 2/ /3 0 1/ On trouve : π(0) = 1 8, π(1) = 3 8, π(2) = 3 8, π(3) = 1 8. Pour cette chaine, nous n avons pas lim n + P(X n = i) = π(i) car si n est impair P x (X n = x) = 0. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.6

23 Exemple : Prenons le modèle d Ehrenfest avec d = 3. La matrice de transition p est : /3 0 2/ /3 0 1/ On trouve : π(0) = 1 8, π(1) = 3 8, π(2) = 3 8, π(3) = 1 8. Pour cette chaine, nous n avons pas lim n + P(X n = i) = π(i) car si n est impair P x (X n = x) = 0. Cette chaine a un comportement périodique", nous y reviendrons à la fin du chapitre. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.6

24 Il peut être lourd de chercher les mesures stationnaires à l aide de la définition, la notion de réversibilité est plus restrictive mais plus facile à manipuler. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.7

25 Il peut être lourd de chercher les mesures stationnaires à l aide de la définition, la notion de réversibilité est plus restrictive mais plus facile à manipuler. Définition : La mesure m sur E est réversible pour la chaine de Markov de fonction de transition p si : m(x)p(x,y) = m(y)p(y,x), x;y E. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.7

26 Il peut être lourd de chercher les mesures stationnaires à l aide de la définition, la notion de réversibilité est plus restrictive mais plus facile à manipuler. Définition : La mesure m sur E est réversible pour la chaine de Markov de fonction de transition p si : m(x)p(x,y) = m(y)p(y,x), x;y E. Proposition 2 : Toute mesure réversible est stationnaire. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.7

27 Exemple d une chaine de naissance et mort : Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.8

28 Exemple d une chaine de naissance et mort : On suppose que q x > 0 pour tout x 1. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.8

29 Exemple d une chaine de naissance et mort : On suppose que q x > 0 pour tout x 1. On vérifie que la mesure m est réversible si et seulement si elle s écrit pour x 1, x E : m(x) = p 0...p x 1 q 1...q x m(0). Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.8

30 Exemple d une chaine de naissance et mort : On suppose que q x > 0 pour tout x 1. On vérifie que la mesure m est réversible si et seulement si elle s écrit pour x 1, x E : m(x) = p 0...p x 1 q 1...q x m(0). Si E = {0, 1,...d}, la probabilité π donnée par : π(x) = m(x) d y=0 m(y) = d y=0 p 0...p x 1 q 1...q x p 0...p y 1 q 1...q y pour 0 x d, est réversible donc stationnaire. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.8

31 Exemple d une chaine de naissance et mort : On suppose que q x > 0 pour tout x 1. On vérifie que la mesure m est réversible si et seulement si elle s écrit pour x 1, x E : m(x) = p 0...p x 1 q 1...q x m(0). Si E = {0, 1,...d}, la probabilité π donnée par : π(x) = m(x) d y=0 m(y) = d y=0 p 0...p x 1 q 1...q x p 0...p y 1 q 1...q y pour 0 x d, est réversible donc stationnaire. Si E = N, et si y 0 m(y) =< +, c est-à-dire si y 0 une seule probabilité réversible π donnée par : p 0...p y 1 q 1...q y < +, il existe une et π(x) = m(x) y 0 m(y) = y 0 p 0...p x 1 q 1...q x p 0...p y 1 q 1...q y pour x N. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.8

32 Exemple d une chaine de naissance et mort : On suppose que q x > 0 pour tout x 1. On vérifie que la mesure m est réversible si et seulement si elle s écrit pour x 1, x E : m(x) = p 0...p x 1 q 1...q x m(0). Si E = {0, 1,...d}, la probabilité π donnée par : π(x) = m(x) d y=0 m(y) = d y=0 p 0...p x 1 q 1...q x p 0...p y 1 q 1...q y pour 0 x d, est réversible donc stationnaire. Si E = N, et si y 0 m(y) =< +, c est-à-dire si y 0 une seule probabilité réversible π donnée par : p 0...p y 1 q 1...q y < +, il existe une et π(x) = m(x) y 0 m(y) = y 0 p 0...p x 1 q 1...q x p 0...p y 1 q 1...q y pour x N. Si E = N, et si y 0 p 0...p y 1 q 1...q y = +, il n existe pas de probabilité réversible. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.8

33 Proposition 3 : Soit π une probabilité stationnaire. Si y est un état transient ou récurrent nul, alors π(y) = 0. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.9

34 Proposition 3 : Soit π une probabilité stationnaire. Si y est un état transient ou récurrent nul, alors π(y) = 0. car si y est transient ou récurrent nul, alors pour tout x ( n ) 1 n E x 1 {Xk =y} 0. n + k=1 Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.9

35 II. Cas d une chaine récurrente irréductible Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.10

36 II. Cas d une chaine récurrente irréductible Lemme 5 : Soit m une mesure invariante (donc non identiquement nulle) d une chaine de Markov irréductible. Alors, pour tout y E, on a m(y) > 0. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.10

37 II. Cas d une chaine récurrente irréductible Lemme 5 : Soit m une mesure invariante (donc non identiquement nulle) d une chaine de Markov irréductible. Alors, pour tout y E, on a m(y) > 0. Théorème 5 : Une chaine de Markov récurrente irréductible possède une mesure invariante m. Cette mesure stationnaire est strictement positive en tout point et unique à une constante multiplicative près. En outre pour tout x 0 E on a : T x0 y E, m(y) = c(x 0 ) E x0 (c(x 0 ) > 0). k=1 1 {Xk =y} Par suite la chaine est récurrente positive si et seulement si ses mesures stationaires sont de masse totale finie. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.10

38 On fixe x 0 E et on pose T x0 λ x0 (y) = E x0 k=1 1 {Xk =y} = k 1 P x0 (T x0 k,x k = y) R +. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.11

39 On fixe x 0 E et on pose T x0 λ x0 (y) = E x0 k=1 1 {Xk =y} = k 1 P x0 (T x0 k,x k = y) R +. Etape 1 : λ x0 est une mesure invariante strictement positive Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.11

40 On fixe x 0 E et on pose T x0 λ x0 (y) = E x0 k=1 1 {Xk =y} = k 1 P x0 (T x0 k,x k = y) R +. Etape 1 : λ x0 est une mesure invariante strictement positive Etape 2 : toutes les mesures invariantes sont proportionnelles à λ x0 Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.11

41 On fixe x 0 E et on pose T x0 λ x0 (y) = E x0 k=1 1 {Xk =y} = k 1 P x0 (T x0 k,x k = y) R +. Etape 1 : λ x0 est une mesure invariante strictement positive - λ x0 (x 0 ) = 1, Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.11

42 On fixe x 0 E et on pose T x0 λ x0 (y) = E x0 k=1 1 {Xk =y} = k 1 P x0 (T x0 k,x k = y) R +. Etape 1 : λ x0 est une mesure invariante strictement positive - λ x0 (x 0 ) = 1, - pour tout z E, y E λ x 0 (y)p(y,z) = λ x0 (z), Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.11

43 On fixe x 0 E et on pose T x0 λ x0 (y) = E x0 k=1 1 {Xk =y} = k 1 P x0 (T x0 k,x k = y) R +. Etape 1 : λ x0 est une mesure invariante strictement positive - λ x0 (x 0 ) = 1, - pour tout z E, y E λ x 0 (y)p(y,z) = λ x0 (z), - pour tout y 0 E, λ x0 (y 0 ) < +. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.11

44 On fixe x 0 E et on pose T x0 λ x0 (y) = E x0 k=1 1 {Xk =y} = k 1 P x0 (T x0 k,x k = y) R +. Etape 1 : λ x0 est une mesure invariante strictement positive - λ x0 (x 0 ) = 1, - pour tout z E, y E λ x 0 (y)p(y,z) = λ x0 (z), - pour tout y 0 E, λ x0 (y 0 ) < +. Etape 2 : toutes les mesures invariantes sont proportionnelles à λ x0. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.11

45 On fixe x 0 E et on pose T x0 λ x0 (y) = E x0 k=1 1 {Xk =y} = k 1 P x0 (T x0 k,x k = y) R +. Etape 1 : λ x0 est une mesure invariante strictement positive - λ x0 (x 0 ) = 1, - pour tout z E, y E λ x 0 (y)p(y,z) = λ x0 (z), - pour tout y 0 E, λ x0 (y 0 ) < +. Etape 2 : toutes les mesures invariantes sont proportionnelles à λ x0. Soit m une mesure invariante Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.11

46 On fixe x 0 E et on pose T x0 λ x0 (y) = E x0 k=1 1 {Xk =y} = k 1 P x0 (T x0 k,x k = y) R +. Etape 1 : λ x0 est une mesure invariante strictement positive - λ x0 (x 0 ) = 1, - pour tout z E, y E λ x 0 (y)p(y,z) = λ x0 (z), - pour tout y 0 E, λ x0 (y 0 ) < +. Etape 2 : toutes les mesures invariantes sont proportionnelles à λ x0. Soit m une mesure invariante - pour tout z E, m(z) m(x 0 ) n k=1 P x 0 (T x0 k,x k = z), Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.11

47 On fixe x 0 E et on pose T x0 λ x0 (y) = E x0 k=1 1 {Xk =y} = k 1 P x0 (T x0 k,x k = y) R +. Etape 1 : λ x0 est une mesure invariante strictement positive - λ x0 (x 0 ) = 1, - pour tout z E, y E λ x 0 (y)p(y,z) = λ x0 (z), - pour tout y 0 E, λ x0 (y 0 ) < +. Etape 2 : toutes les mesures invariantes sont proportionnelles à λ x0. Soit m une mesure invariante - pour tout z E, m(z) m(x 0 ) n k=1 P x 0 (T x0 k,x k = z), - pour tout z E, m(z) m(x 0 )λ x0 (z), Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.11

48 On fixe x 0 E et on pose T x0 λ x0 (y) = E x0 k=1 1 {Xk =y} = k 1 P x0 (T x0 k,x k = y) R +. Etape 1 : λ x0 est une mesure invariante strictement positive - λ x0 (x 0 ) = 1, - pour tout z E, y E λ x 0 (y)p(y,z) = λ x0 (z), - pour tout y 0 E, λ x0 (y 0 ) < +. Etape 2 : toutes les mesures invariantes sont proportionnelles à λ x0. Soit m une mesure invariante - pour tout z E, m(z) m(x 0 ) n k=1 P x 0 (T x0 k,x k = z), - pour tout z E, m(z) m(x 0 )λ x0 (z), - m 1 = m m(x 0 )λ x0 est une mesure (positive) qui vérifie, pour tout y E, m 1 (y) = x E m 1(x)p(x,y). Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.11

49 On fixe x 0 E et on pose T x0 λ x0 (y) = E x0 k=1 1 {Xk =y} = k 1 P x0 (T x0 k,x k = y) R +. Etape 1 : λ x0 est une mesure invariante strictement positive - λ x0 (x 0 ) = 1, - pour tout z E, y E λ x 0 (y)p(y,z) = λ x0 (z), - pour tout y 0 E, λ x0 (y 0 ) < +. Etape 2 : toutes les mesures invariantes sont proportionnelles à λ x0. Soit m une mesure invariante - pour tout z E, m(z) m(x 0 ) n k=1 P x 0 (T x0 k,x k = z), - pour tout z E, m(z) m(x 0 )λ x0 (z), - m 1 = m m(x 0 )λ x0 est une mesure (positive) qui vérifie, pour tout y E, m 1 (y) = x E m 1(x)p(x,y). - m 1 (x 0 ) = 0, donc m 1 = 0 (lemme 4). Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.11

50 Théorème 6 : Une chaine de Markov irréductible et récurrente positive possède une et une seule probabilité stationnaire π. Cette probabilité stationnaire π vérifie : x 0 E, y E, π(y) = E x 0 ( T x0 k=1 1 {X k =y}) E x0 (T x0 ) En outre, pour tout y E : = 1 E y (T y ). 1 n n k=1 1 {Xk =y} p.s. n + π(y). Plus généralement, pour toute fonction f positive ou π-intégrable : 1 n n f(x k ) k=1 p.s. n + y E f(y)π(y) = fdπ. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.12

51 Remarque : : lim n + 1 n n k=1 1 {Xk =y} = lim n + 1 n n k=0 1 {Xk =y} = lim n + 1 n n 1 k=0 1 {Xk =y}, et de même : lim n + 1 n n k=1 f(x k ) = lim n + 1 n n k=0 f(x k ) = lim n + 1 n n 1 k=0 f(x k ). Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.13

52 Remarque : : lim n + 1 n n k=1 1 {Xk =y} = lim n + 1 n n k=0 1 {Xk =y} = lim n + 1 n n 1 k=0 1 {Xk =y}, et de même : lim n + 1 n n k=1 f(x k ) = lim n + 1 n n k=0 f(x k ) = lim n + 1 n n 1 k=0 f(x k ). Corollaire 8 : Une chaine irréductible est récurrente positive si et seulement si elle possède une probabilité stationnaire (et celle-ci est alors unique). Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.13

53 Remarque : : lim n + 1 n n k=1 1 {Xk =y} = lim n + 1 n n k=0 1 {Xk =y} = lim n + 1 n n 1 k=0 1 {Xk =y}, et de même : lim n + 1 n n k=1 f(x k ) = lim n + 1 n n k=0 f(x k ) = lim n + 1 n n 1 k=0 f(x k ). Corollaire 8 : Une chaine irréductible est récurrente positive si et seulement si elle possède une probabilité stationnaire (et celle-ci est alors unique). Corollaire 8 : Une chaine irréductible sur un espace d états fini possède une et une seule probabilité stationnaire π et tous ses états sont récurrents positifs. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.13

54 En pratique, pour trouver la probabilité invariante éventuelle d une chaine irréductible, on peut commencer par chercher des mesures réversibles γ, Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.14

55 En pratique, pour trouver la probabilité invariante éventuelle d une chaine irréductible, on peut commencer par chercher des mesures réversibles γ, si on en trouve une, alors la mesure m = γ est invariante, Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.14

56 En pratique, pour trouver la probabilité invariante éventuelle d une chaine irréductible, on peut commencer par chercher des mesures réversibles γ, si on en trouve une, alors la mesure m = γ est invariante, si on n en trouve pas, on ne peut conclure et il faut revenir à la recherche directe de mesures invariantes, Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.14

57 En pratique, pour trouver la probabilité invariante éventuelle d une chaine irréductible, on peut commencer par chercher des mesures réversibles γ, si on en trouve une, alors la mesure m = γ est invariante, si on n en trouve pas, on ne peut conclure et il faut revenir à la recherche directe de mesures invariantes, si on ne trouve pas de mesure invariante non identiquement nulle, alors la chaine est transiente. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.14

58 En pratique, pour trouver la probabilité invariante éventuelle d une chaine irréductible, on peut commencer par chercher des mesures réversibles γ, si on en trouve une, alors la mesure m = γ est invariante, si on n en trouve pas, on ne peut conclure et il faut revenir à la recherche directe de mesures invariantes, si on ne trouve pas de mesure invariante non identiquement nulle, alors la chaine est transiente. si on a trouvé une mesure invariante m non identiquement nulle : Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.14

59 En pratique, pour trouver la probabilité invariante éventuelle d une chaine irréductible, on peut commencer par chercher des mesures réversibles γ, si on en trouve une, alors la mesure m = γ est invariante, si on n en trouve pas, on ne peut conclure et il faut revenir à la recherche directe de mesures invariantes, si on ne trouve pas de mesure invariante non identiquement nulle, alors la chaine est transiente. si on a trouvé une mesure invariante m non identiquement nulle : - ou bien x m(x) < +, la chaine est alors récurrente positive et la probabilité invariante est π(x) = m(x)/ y m(y), Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.14

60 En pratique, pour trouver la probabilité invariante éventuelle d une chaine irréductible, on peut commencer par chercher des mesures réversibles γ, si on en trouve une, alors la mesure m = γ est invariante, si on n en trouve pas, on ne peut conclure et il faut revenir à la recherche directe de mesures invariantes, si on ne trouve pas de mesure invariante non identiquement nulle, alors la chaine est transiente. si on a trouvé une mesure invariante m non identiquement nulle : - ou bien x m(x) < +, la chaine est alors récurrente positive et la probabilité invariante est π(x) = m(x)/ y m(y), - ou bien x m(x) = +, la chaine est alors récurrente nulle ou transiente. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.14

61 III. Cas d une chaine non irréductible Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.15

62 III. Cas d une chaine non irréductible Lemme 10 : Soit C une classe fermée et m une mesure portée par C (c est-à-dire telle que m(c c ) = 0). Alors m est invariante pour la chaine de Markov initiale si et seulement si elle est invariante pour la chaine de Markov restreinte à C. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.15

63 III. Cas d une chaine non irréductible Lemme 10 : Soit C une classe fermée et m une mesure portée par C (c est-à-dire telle que m(c c ) = 0). Alors m est invariante pour la chaine de Markov initiale si et seulement si elle est invariante pour la chaine de Markov restreinte à C. Théorème 10 : Soit C une classe fermée irréductible formée d états récurrents positifs, alors la chaine possède une et une seule probabilité stationnaire π concentrée sur C. Elle est donnée par : π(x) = { 1 E x (T x ) si x C, 0 sinon. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.15

64 Théorème 11 : Soit (C k ) k K (K fini ou dénombrable) l ensemble des classes récurrentes irréductibles qui sont récurrentes positives (c est-à-dire formées d états récurrents positifs). Notons π k (k K) l unique probabilité stationnaire concentrée sur C k. Alors les probabilités stationnaires de la chaine sont les mesures de la forme : π = c k π k, avec c k 0, c k = 1. k K k K Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.16

65 IV. Convergence en loi vers la loi stationnaire Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.17

66 IV. Convergence en loi vers la loi stationnaire Tous les résultats suivants sont admis. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.17

67 IV. Convergence en loi vers la loi stationnaire Tous les résultats suivants sont admis. Définition : Etant donné x E pour lequel P x (T x < + ) > 0 (c est-à-dire il existe n 1 tel que p n (x,x) > 0), sa période d x est le p.g.c.d. de {n : n 1,p n (x,x) > 0}. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.17

68 IV. Convergence en loi vers la loi stationnaire Tous les résultats suivants sont admis. Définition : Etant donné x E pour lequel P x (T x < + ) > 0 (c est-à-dire il existe n 1 tel que p n (x,x) > 0), sa période d x est le p.g.c.d. de {n : n 1,p n (x,x) > 0}. Remarque : 1 d x min{n 1 : p n (x,x) > 0}, en particulier s il existe x tel que p(x,x) > 0, alors d x = 1. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.17

69 IV. Convergence en loi vers la loi stationnaire Tous les résultats suivants sont admis. Définition : Etant donné x E pour lequel P x (T x < + ) > 0 (c est-à-dire il existe n 1 tel que p n (x,x) > 0), sa période d x est le p.g.c.d. de {n : n 1,p n (x,x) > 0}. Remarque : 1 d x min{n 1 : p n (x,x) > 0}, en particulier s il existe x tel que p(x,x) > 0, alors d x = 1. Proposition 12 : Si x conduit à y alors d x = d y Par conséquent, tous les éléments d une chaine de Markov irréductible ont même période. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.17

70 IV. Convergence en loi vers la loi stationnaire Tous les résultats suivants sont admis. Définition : Etant donné x E pour lequel P x (T x < + ) > 0 (c est-à-dire il existe n 1 tel que p n (x,x) > 0), sa période d x est le p.g.c.d. de {n : n 1,p n (x,x) > 0}. Remarque : 1 d x min{n 1 : p n (x,x) > 0}, en particulier s il existe x tel que p(x,x) > 0, alors d x = 1. Proposition 12 : Si x conduit à y alors d x = d y Par conséquent, tous les éléments d une chaine de Markov irréductible ont même période. On dit que la chaine est périodique de période d si d > 1 et apériodique si d = 1. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.17

71 Théorème 13 : Soit (X n ) n N une chaine de Markov récurrente irréductible. Si elle est récurrente nulle, alors : lim n + pn (x,y) = lim P x(x n = y) = 0. n + Si elle est récurrente positive de loi stationnaire π : soit elle est apériodique, et alors : lim n + pn (x,y) = lim n + P x(x n = y) = π(y). soit elle est périodique de période d, et alors pour tout couple x,y d états de E, il existe un entier r (0 r < d) dépendant de x et y, tel que : P x (X n = y) = 0 si n n est pas de la forme md + r avec m N lim m + P x(x md+r = y) = d π(y). Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.18

72 Application : algorithme de Métropolis Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.19

73 Application : algorithme de Métropolis But : simuler une v.a. Z à valeurs dans E fini, de loi π(> 0) donnée, mais π n est connue qu à un coefficient multiplicatif près qu on ne peut calculer car E est trop grand. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.19

74 Application : algorithme de Métropolis But : simuler une v.a. Z à valeurs dans E fini, de loi π(> 0) donnée, mais π n est connue qu à un coefficient multiplicatif près qu on ne peut calculer car E est trop grand. En fait on simule une chaine de Markov récurrente, irréductible et apériodique (X n ) n 0 de loi stationnaire π. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.19

75 Application : algorithme de Métropolis But : simuler une v.a. Z à valeurs dans E fini, de loi π(> 0) donnée, mais π n est connue qu à un coefficient multiplicatif près qu on ne peut calculer car E est trop grand. En fait on simule une chaine de Markov récurrente, irréductible et apériodique (X n ) n 0 de loi stationnaire π. On se donne une fonction de transition q symétrique (q(x,y) 0, y q(x,y) = 1, q(x,y) = q(y,x)) et irréductible. Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.19

76 Application : algorithme de Métropolis But : simuler une v.a. Z à valeurs dans E fini, de loi π(> 0) donnée, mais π n est connue qu à un coefficient multiplicatif près qu on ne peut calculer car E est trop grand. En fait on simule une chaine de Markov récurrente, irréductible et apériodique (X n ) n 0 de loi stationnaire π. On se donne une fonction de transition q symétrique (q(x,y) 0, y q(x,y) = 1, q(x,y) = q(y,x)) et irréductible. On suppose que X k = x, - on tire y avec la probabilité q(x, ) - on prend X k+1 = y avec probabilité min( π(y) π(x), 1) et X n+1 = x avec probabilité 1 min( π(y) π(x), 1). Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.19

77 Application : algorithme de Métropolis But : simuler une v.a. Z à valeurs dans E fini, de loi π(> 0) donnée, mais π n est connue qu à un coefficient multiplicatif près qu on ne peut calculer car E est trop grand. En fait on simule une chaine de Markov récurrente, irréductible et apériodique (X n ) n 0 de loi stationnaire π. On se donne une fonction de transition q symétrique (q(x,y) 0, y q(x,y) = 1, q(x,y) = q(y,x)) et irréductible. On suppose que X k = x, - on tire y avec la probabilité q(x, ) - on prend X k+1 = y avec probabilité min( π(y) π(x), 1) et X n+1 = x avec probabilité 1 min( π(y) π(x), 1). Alors la probabilité π est réversible pour la chaine de Markov (X n ) n 0. La chaine est irréductible, récurrente positive et apériodique. On prend Z = X n pour n "grand". Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.19

Examen de rattrapage

Examen de rattrapage Université Denis Diderot Paris 7 7 juin 4 Probabilités et Simulations UPS36 Examen de rattrapage durée : 3 heures Les documents et calculatrices ne sont pas autorisés. On prendra soin de bien justifier

Plus en détail

Texte Agrégation limitée par diffusion interne

Texte 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 détail

Le corps R des nombres réels

Le corps R des nombres réels Le corps R des nombres réels. Construction de R à l aide des suites de Cauchy de nombres rationnels On explique brièvement dans ce paragraphe comment construire le corps R des nombres réels à partir du

Plus en détail

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Université Paris VII. Préparation à l Agrégation. (François Delarue) COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Ce texte vise à l étude du temps d attente d un client à la caisse d un

Plus en détail

Cours de spécialité mathématiques en Terminale ES

Cours de spécialité mathématiques en Terminale ES Cours de spécialité mathématiques en Terminale ES O. Lader 2014/2015 Lycée Jean Vilar Spé math terminale ES 2014/2015 1 / 51 Systèmes linéaires Deux exemples de systèmes linéaires à deux équations et deux

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 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 détail

Développement décimal d un réel

Développement décimal d un réel 4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce

Plus en détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours

* 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 détail

Moments des variables aléatoires réelles

Moments 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 détail

INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV

INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV Séminaire MTDE 22 mai 23 INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV Vincent Mazet CRAN CNRS UMR 739, Université Henri Poincaré, 5456 Vandœuvre-lès-Nancy Cedex 1 juillet 23 Sommaire

Plus en détail

Intégration et probabilités 2012-2013. TD3 Intégration, théorèmes de convergence Corrigé. 1 Petites questions. n hésitez pas à m envoyer un mail à

Intégration et probabilités 2012-2013. TD3 Intégration, théorèmes de convergence Corrigé. 1 Petites questions. n hésitez pas à m envoyer un mail à Intégration et probabilités 212-213 TD3 Intégration, théorèmes de convergence Corrigé xercice ayant été voué à être préparé xercice 1 (Mesure image). Soient (, A, µ) un espace mesuré, (F, B) un espace

Plus en détail

1 Sujets donnés en option scientifique

1 Sujets donnés en option scientifique Les sujets suivants, posés aux candidats des options scientifique, économique, technologique et littéraire BL constituent la première version d un échantillon des sujets proposés lors des épreuves orales

Plus en détail

Leçon 6. Savoir compter

Leçon 6. Savoir compter Leçon 6. Savoir compter Cette leçon est une introduction aux questions de dénombrements. Il s agit, d une part, de compter certains objets mathématiques (éléments, parties, applications,...) et, d autre

Plus en détail

Exercices - Polynômes : corrigé. Opérations sur les polynômes

Exercices - 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 détail

Agrégation interne de Mathématiques. Session 2009. Deuxième épreuve écrite. (et CAERPA)

Agrégation interne de Mathématiques. Session 2009. Deuxième épreuve écrite. (et CAERPA) Agrégation interne de Mathématiques (et CAEPA Session 2009 Deuxième épreuve écrite 2 NOTATIONS ET PÉLIMINAIES On désigne par le corps des nombres réels et par C le corps des nombres complexes. Si f est

Plus en détail

[http://mp.cpgedupuydelome.fr] édité le 16 octobre 2015 Enoncés 1

[http://mp.cpgedupuydelome.fr] édité le 16 octobre 2015 Enoncés 1 [http://mp.cpgedupuydelome.fr] édité le 16 octobre 2015 Enoncés 1 Relations binaires Relations d équivalence Exercice 1 [ 02643 ] [Correction] Soit R une relation binaire sur un ensemble E à la fois réflexive

Plus en détail

Université Joseph Fourier MAT231 2008-2009

Université Joseph Fourier MAT231 2008-2009 Université Joseph Fourier MAT231 2008-2009 mat231-exo-03.tex (29 septembre 2008) Feuille d exercices n o 3 Exercice 3.1 Soit K un corps commutatif et soit {P 0, P 1,... P n } une famille de polynômes de

Plus en détail

Limites finies en un point

Limites finies en un point 8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,

Plus en détail

UNIVERSITÉ DE CERGY Année 2012-2013 U.F.R. Économie & Gestion Licence d Économie et Mathématiques MATH104 : Mathématiques

UNIVERSITÉ DE CERGY Année 2012-2013 U.F.R. Économie & Gestion Licence d Économie et Mathématiques MATH104 : Mathématiques 1 UNIVERSITÉ DE CERGY Année 2012-201 U.F.R. Économie & Gestion Licence d Économie et Mathématiques MATH104 : Mathématiques Chapitre III : Polynômes 1 Fonctions polynômes & polynômes Définition 1. Soit

Plus en détail

Théorème du point fixe - Théorème de l inversion locale

Théorème du point fixe - Théorème de l inversion locale Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion

Plus en détail

Queue de la solution stationnaire d un modèle auto-régressif d ordre 1 à coefficients markoviens.

Queue de la solution stationnaire d un modèle auto-régressif d ordre 1 à coefficients markoviens. . Queue de la solution stationnaire d un modèle auto-régressif d ordre 1 à coefficients markoviens. Benoîte de Saporta Université de Nantes Université de Nantes - 9 juin 2005 p. 1/37 Plan de l exposé 1.

Plus en détail

À propos des matrices échelonnées

À propos des matrices échelonnées À propos des matrices échelonnées Antoine Ducros appendice au cours de Géométrie affine et euclidienne dispensé à l Université Paris 6 Année universitaire 2011-2012 Introduction Soit k un corps, soit E

Plus en détail

FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)

FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité

Plus en détail

Cours MP. Espaces vectoriels normés

Cours MP. Espaces vectoriels normés Table des matières Espaces vectoriels normés B. Seddoug. Médiane Sup, Oujda I Norme et distance 1 I.1 Définitions..................... 1 I.2 Evn produit.................... 12 I.3 Notions topologiques

Plus en détail

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé

Baccalauréat 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 détail

Continuité en un point

Continuité en un point DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à

Plus en détail

Modèles à Événements Discrets. Réseaux de Petri Stochastiques

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 détail

Le 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 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 détail

Intégration et probabilités TD1 Espaces mesurés Corrigé

Intégration 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 détail

Université de Cergy-Pontoise 2008-2009 Calcul Diff S6 M. Topologie

Université de Cergy-Pontoise 2008-2009 Calcul Diff S6 M. Topologie Université de Cergy-Pontoise 2008-2009 Calcul Diff S6 M Topologie 1 Espaces métriques 1.1 Distance Dans toute cette partie E représente un ensemble qui n est pas forcément un espace vectoriel. Définition

Plus en détail

UNIVERSITE D ORLEANS SL01MA11, Groupes 1 et 5 Département de Mathématiques 2009-2010. N. El Hage Hassan S EXPRIMER EN MATHÉMATIQUES

UNIVERSITE D ORLEANS SL01MA11, Groupes 1 et 5 Département de Mathématiques 2009-2010. N. El Hage Hassan S EXPRIMER EN MATHÉMATIQUES UNIVERSITE D ORLEANS SL01MA11, Groupes 1 et 5 Département de Mathématiques 2009-2010 N. El Hage Hassan S EXPRIMER EN MATHÉMATIQUES 1 Les énoncés La plupart des phrases que l on rencontre dans un livre

Plus en détail

Image d un intervalle par une fonction continue

Image 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 détail

Majeure d informatique

Majeure d informatique Nicolas Sendrier Majeure d informatique Introduction la théorie de l information Cours n 1 Une mesure de l information Espace probabilisé discret L alphabet est X (fini en pratique) Variable aléatoire

Plus en détail

TD2 Fonctions mesurables Corrigé

TD2 Fonctions mesurables Corrigé Intégration et probabilités 2012-2013 TD2 Fonctions mesurables Corrigé 0 Exercice qui avait été préparé chez soi Exercice 1. Soit (Ω, F, µ) un espace mesuré tel que µ (Ω) = 1. Soient A, B P (Ω) deux sousensembles

Plus en détail

Cours d Analyse Réelle 4M003

Cours d Analyse Réelle 4M003 Cours d Analyse Réelle 4M003 Jean SAINT RAYMOND Université Pierre et Marie Curie Avant-propos Ce texte a été rédigé pour servir de support écrit à un cours de Master 1 de l Université Pierre-et-Marie Curie.

Plus en détail

Cours d analyse 1ère année. Rhodes Rémi

Cours d analyse 1ère année. Rhodes Rémi Cours d analyse 1ère année Rhodes Rémi 10 décembre 2008 2 Table des matières 1 Propriétés des nombres réels 5 1.1 Sous-ensembles remarquables de R........................ 5 1.2 Relations d ordre..................................

Plus en détail

Chapitre 5: Opérateurs dans les espaces de Hilbert. Notions d opérateur adjoint

Chapitre 5: Opérateurs dans les espaces de Hilbert. Notions d opérateur adjoint Chapitre 5: Opérateurs dans les espaces de Hilbert. Notions d opérateur adjoint 18 mars 2008 1 Généralités sur les opérateurs 1.1 Définitions Soient H et H deux espaces de Hilbert sur C. Définition 1.1

Plus en détail

Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre

Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables

Plus en détail

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65 Sommaire Chapitre 1 Variables et vecteurs aléatoires............... 5 A. Généralités sur les variables aléatoires réelles.................... 6 B. Séries doubles..................................... 9

Plus en détail

Autour de Perron, Frobenius et Markov

Autour de Perron, Frobenius et Markov Université Claude Bernard Lyon 1-2007/2008 Préparation Capes - Algèbre et Géométrie - Devoir à rendre le 12 février 2008 - Autour de Perron Frobenius et Markov Rappels et notations On note M mn (K) le

Plus en détail

MAT-3071 Processus Stochastiques

MAT-3071 Processus Stochastiques Université du Québec à Montréal Hiver 2012 Département de Mathématiques Groupe : 011 MAT-3071 Processus Stochastiques Chargée de cours : Hélène Guérin Courriel : guerin.helene@uqam.ca Merci de prendre

Plus en détail

Équations non linéaires

Équations non linéaires Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et

Plus en détail

Un tout petit peu d homotopie

Un tout petit peu d homotopie Vincent Beck On note I = [ 0, 1 ]. Un tout petit peu d homotopie 0.1 Homotopie Définition 1 Applications homotopes. Soient X, Y deux espaces topologiques et f, g : X Y deux applications continues. On dit

Plus en détail

1.1 Définitions... 2 1.2 Opérations élémentaires... 2 1.3 Systèmes échelonnés et triangulaires... 3

1.1 Définitions... 2 1.2 Opérations élémentaires... 2 1.3 Systèmes échelonnés et triangulaires... 3 Chapitre 5 Systèmes linéaires 1 Généralités sur les systèmes linéaires 2 11 Définitions 2 12 Opérations élémentaires 2 13 Systèmes échelonnés et triangulaires 3 2 Résolution des systèmes linéaires 3 21

Plus en détail

TOPOLOGIE DE LA DROITE REELLE

TOPOLOGIE DE LA DROITE REELLE TOPOLOGIE DE LA DROITE REELLE P. Pansu 16 mai 2005 1 Qu est-ce que la topologie? C est l étude des propriétés des objets qui sont conservées par déformation continue. Belle phrase, mais qui nécessite d

Plus en détail

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax

Plus en détail

Les mots de Sturm. Fathi BEN ARIBI 20 décembre 2008

Les mots de Sturm. Fathi BEN ARIBI 20 décembre 2008 Les mots de Sturm Fathi BEN ARIBI 20 décembre 2008 1 Objectifs Dans cette présentation, nous donnerons quelques résultats de combinatoire des mots. Avant tout, il est nécessaire d introduire quelques notations

Plus en détail

Calculs préliminaires.

Calculs préliminaires. MINES-PONTS 005. Filière MP. MATHÉMATIQES 1. Corrigé de JL. Lamard jean-louis.lamard@prepas.org) Calculs préliminaires. Notons que si f H alors f)e / est bien intégrable sur R car continue positive et

Plus en détail

: 3 si x 2 [0; ] 0 sinon

: 3 si x 2 [0; ] 0 sinon Oral HEC 2007 Question de cours : Dé nition d un estimateur ; dé nitions du biais et du risque quadratique d un estimateur. On considère n (n > 2) variables aléatoires réelles indépendantes X 1,..., X

Plus en détail

Cours Mathématiques PACES UHP-Nancy

Cours Mathématiques PACES UHP-Nancy Cours Mathématiques PACES UHP-Nancy V. Latocha PACES UHP septembre 2010 remerciements à D. Schmitt et V. Ries V. Latocha (PACES UHP) Cours mathématiques Paces septembre 2010 1 / 48 1 Fonctions d une variable

Plus en détail

2010/2011. Espaces vectoriels

2010/2011. Espaces vectoriels Université Paris-Est Marne-la-Vallée 010/011 M1 enseignement CD/Préparation au CAPES Espaces vectoriels Dans toute la suite on considèrera des espaces vectoriels sur un corps commutatif K de caractéristique

Plus en détail

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante

Plus en détail

L usage de la calculatrice n est pas autorisé.

L usage de la calculatrice n est pas autorisé. e3a Concours ENSAM - ESTP - EUCLIDE - ARCHIMÈDE Épreuve de Mathématiques A durée 4 heures MP L usage de la calculatrice n est pas autorisé. Si, au cours de l épreuve, un candidat repère ce qui lui semble

Plus en détail

I. Polynômes de Tchebychev

I. 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 détail

Introduction à l étude des Corps Finis

Introduction à l étude des Corps Finis Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur

Plus en détail

Agrégation de Mathématiques Exercices d algèbre linéaire

Agrégation de Mathématiques Exercices d algèbre linéaire Agrégation de Mathématiques Exercices d algèbre linéaire P. HUBERT La plupart des exercices ci-dessous se trouvent dans les livres suivants : - E. Leichtnam, X. Schaeur, Exercices corrigés de mathématiques

Plus en détail

Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples

Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples 36 Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples (Ω, B, P est un espace probabilisé. 36.1 Définition et propriétés des probabilités conditionnelles Définition 36.1

Plus en détail

+ 1. Qu est ce que cela donne pour notre calcul de 1,01? On pose x = 1,01 donc f (x) 1 + 1 0,01

+ 1. Qu est ce que cela donne pour notre calcul de 1,01? On pose x = 1,01 donc f (x) 1 + 1 0,01 Eo7 Dérivée d une fonction Vidéo partie. Définition Vidéo partie. Calculs Vidéo partie 3. Etremum local, théorème de Rolle Vidéo partie 4. Théorème des accroissements finis Eercices Fonctions dérivables

Plus en détail

Université Paris 6 Année universitaire 2011-2012 Cours Groupes finis et leurs représentations Corrigé de l examen terminal du 21 mai 2012.

Université Paris 6 Année universitaire 2011-2012 Cours Groupes finis et leurs représentations Corrigé de l examen terminal du 21 mai 2012. Université Paris 6 Année universitaire 011-01 Cours Groupes finis et leurs représentations Corrigé de l examen terminal du 1 mai 01 Exercice 1 Questions de cours Soit G un groupe fini et soit p un nombre

Plus en détail

Cours 02 : Problème général de la programmation linéaire

Cours 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 détail

Suites numériques 3. 1 Convergence et limite d une suite

Suites numériques 3. 1 Convergence et limite d une suite Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n

Plus en détail

Sciences Po Paris 2012 Mathématiques Solutions

Sciences Po Paris 2012 Mathématiques Solutions Sciences Po Paris 202 athématiques Solutions Partie : Le modèle de althus odèle discret a Pour tout entier naturel n, on a P n+ P n = P n donc P n+ = +P n Par suite la suite P n est géométrique de raison

Plus en détail

P (X) = (X a) 2 T (X)

P (X) = (X a) 2 T (X) Université Bordeaux I - année 00-0 MHT0 Structures Algébriques Correction du devoir maison Exercice. Soit P (X) Q[X]\Q.. Soit D(X) := pgcd(p (X), P (X)). a) Montrer que si deg D alors il existe α C tel

Plus en détail

Suites : Calcul et comportement asymptotique.

Suites : Calcul et comportement asymptotique. 4 Chapitre 3 Suites : Calcul et comportement asymptotique. 3. Méthodes de définition. Comment définir une suite (u n ) n N de réels? Par l expression de son terme général, Par une formule de récurrence

Plus en détail

Cours d Analyse. Fonctions de plusieurs variables

Cours 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 détail

Exo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.

Exo7. 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 détail

Applications Bilinéaires et Formes Quadratiques

Applications Bilinéaires et Formes Quadratiques Ce cours peut être librement copié et distribué. Il est recommandé d en télécharger la version la plus récente à partir de : http://www.math.jussieu.fr/~alp. Toute remarque, correction ou suggestion doit

Plus en détail

L essentiel du cours 2014/2015 Terminale S Spécialité Maths, Lycée Français de Valence

L essentiel du cours 2014/2015 Terminale S Spécialité Maths, Lycée Français de Valence L essentiel du cours 2014/2015 Terminale S Spécialité Maths, Lycée Français de Valence Sommaire 1. Arithmétique 2 1.1. Division euclidienne......................... 2 1.2. Congruences.............................

Plus en détail

Les supports de cours suivants font référence au cours de Mr SOL et à son livre : "Accès à l'université" chez DUNOD

Les supports de cours suivants font référence au cours de Mr SOL et à son livre : Accès à l'université chez DUNOD Les supports de cours suivants font référence au cours de Mr SOL et à son livre : "Accès à l'université" chez DUNOD Les supports de cours ne sont pas complets, ils ne contiennent ni les démonstrations,

Plus en détail

De même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que

De 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 détail

La fonction exponentielle

La fonction exponentielle La fonction exponentielle Christophe ROSSIGNOL Année scolaire 2015/2016 Table des matières 1 Existence et unicité de la fonction exponentielle 2 1.1 Deux résultats préliminaires.......................................

Plus en détail

Fonctions homographiques

Fonctions homographiques Fonctions homographiques On donne ci-dessous deux définitions des fonctions homographiques, et on montre que ces deux définitions sont équivalentes. On décrit la courbe représentative d une fonction homographique.

Plus en détail

Baccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé

Baccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé Baccalauréat S/L Métropole La Réunion 13 septembre 2013 Corrigé A. P. M.. P. XRCIC 1 Commun à tous les candidats Partie A 1. L arbre de probabilité correspondant aux données du problème est : 0,3 0,6 H

Plus en détail

Préparation à l agrégation 2012/2013. Mots clés : Graphes. Vecteur propre ; matrices stochastiques ; matrices à coefficients positifs.

Préparation à l agrégation 2012/2013. Mots clés : Graphes. Vecteur propre ; matrices stochastiques ; matrices à coefficients positifs. Mots clés : Graphes. Vecteur propre ; matrices stochastiques ; matrices à coefficients positifs. Le jury n exige pas une compréhension exhaustive du texte. Vous êtes laissé(e) libre d organiser votre discussion

Plus en détail

Équations du troisième degré

Équations du troisième degré par Z, auctore L objet de cet article est d exposer deux méthodes pour trouver des solutions à une équation du troisième degré : la recherche de racines évidentes d une part, et la formule de Cardan d

Plus en détail

Première partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015

Première partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015 Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k

Plus en détail

Rappels sur les applications linéaires

Rappels sur les applications linéaires Rappels sur les applications linéaires 1 Définition d une application linéaire Définition 1 Soient E et F deux espaces vectoriels sur un même corps K et f une application de E dans F Dire que f est linéaire

Plus en détail

Cahier de vacances - Préparation à la Première S

Cahier de vacances - Préparation à la Première S Cahier de vacances - Préparation à la Première S Ce cahier est destiné à vous permettre d aborder le plus sereinement possible la classe de Première S. Je vous conseille de le travailler pendant les 0

Plus en détail

Alexandre Popier. ENSAI, Bruz. apopier. Janvier-Mars 2011

Alexandre Popier. ENSAI, Bruz.  apopier. Janvier-Mars 2011 CHAÎNES DE MARKOV. Alexandre Popier ENSAI, Bruz apopier@univ-lemans.fr http://www.univ-lemans.fr/ apopier Janvier-Mars 2011 A. Popier (ENSAI) Chaînes de Markov. Janvier-Mars 2011 1 / 51 PLAN 1 INTRODUCTION

Plus en détail

La notion de dualité

La notion de dualité La notion de dualité Dual d un PL sous forme standard Un programme linéaire est caractérisé par le tableau simplexe [ ] A b. c Par définition, le problème dual est obtenu en transposant ce tableau. [ A

Plus en détail

Topologie des espaces vectoriels normés

Topologie des espaces vectoriels normés Topologie des espaces vectoriels normés Cédric Milliet Version préliminaire Cours de troisième année de licence Université Galatasaray Année 2011-2012 2 Chapitre 1 R-Espaces vectoriels normés 1.1 Vocabulaire

Plus en détail

ÉCOLE NATIONALE DE L AVIATION CIVILE Session 2007

ÉCOLE NATIONALE DE L AVIATION CIVILE Session 2007 ÉCOLE NATIONALE DE L AVIATION CIVILE Session 27 CONCOURS DE RECRUTEMENT D ÉLÈVES INGÉNIEURS DU CONTRÔLE DE LA NAVIGATION AÉRIENNE Épreuve commune obligatoire de MATHÉMATIQUES Durée : 4 Heures Coefficient

Plus en détail

Sujets HEC B/L 2013-36-

Sujets HEC B/L 2013-36- -36- -37- Sujet HEC 2012 B/L Exercice principal B/L1 1. Question de cours : Définition et propriétés de la fonction de répartition d une variable aléatoire à densité. Soit f la fonction définie par : f(x)

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

CONCOURS GÉNÉRAL DES LYCÉES SESSION DE 2009 COMPOSITION DE MATHÉMATIQUES. (Classe terminale S)

CONCOURS GÉNÉRAL DES LYCÉES SESSION DE 2009 COMPOSITION DE MATHÉMATIQUES. (Classe terminale S) MA 09 CONCOURS GÉNÉRAL DES LYCÉES SESSION DE 009 COMPOSITION DE MATHÉMATIQUES (Classe terminale S) DURÉE : 5 heures La calculatrice de poche est autorisée, conformément à la réglementation. La clarté et

Plus en détail

Baccalauréat Série S Métropole, juin 2014

Baccalauréat Série S Métropole, juin 2014 Baccalauréat Série S Métropole, juin 4 Sujet et Corrigé Stéphane PASQUET Disponible sur http://www.mathweb.fr juin 4 Exercice (5 points) - Commun à tous les candidats Partie A Dans le plan muni d un repère

Plus en détail

BJ - RELATIONS BINAIRES

BJ - RELATIONS BINAIRES BJ - RELATIONS BINAIRES Définitions Soit A et B deux ensembles non vides, et G une partie de A B. On dit qu un élément x de A est relié à un élément y de B par une relation binaire de graphe G, si le couple

Plus en détail

Optimisation des fonctions de plusieurs variables

Optimisation 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 détail

MULTIPLICATION RAPIDE : KARATSUBA ET FFT

MULTIPLICATION RAPIDE : KARATSUBA ET FFT MULTIPLICATION RAPIDE : KARATSUBA ET FFT 1. Introduction La multiplication est une opération élémentaire qu on utilise évidemment très souvent, et la rapidité des nombreux algorithmes qui l utilisent dépend

Plus en détail

Chapitre IV Bases et dimension d un espace vectoriel

Chapitre IV Bases et dimension d un espace vectoriel Chapitre IV Bases et dimension d un espace vectoriel Objectif : Nous allons voir comment fabriquer des systèmes de coordonnées pour les vecteurs d un espace vectoriel général. Dans ce chapitre désigne

Plus en détail

Cours FPV - Semaine 3 : Recherche d Extrema et Formes Différentielles

Cours FPV - Semaine 3 : Recherche d Extrema et Formes Différentielles Cours FPV - Semaine 3 : Recherche d Extrema et Formes Différentielles Frédéric Messine Introduction Dans ce chapitre, nous allons étudier une application de la dérivation des fonctions de plusieurs variables

Plus en détail

1 Fonctions de plusieurs variables

1 Fonctions de plusieurs variables Université de Paris X Nanterre U.F.R. Segmi Année 006-007 Licence Economie-Gestion première année Cours de Mathématiques II. Chapitre 1 Fonctions de plusieurs variables Ce chapitre est conscré aux fonctions

Plus en détail

Modèles stochastiques et applications à la finance

Modèles stochastiques et applications à la finance 1 Université Pierre et Marie Curie Master M1 de Mathématiques, 2010-2011 Modèles stochastiques et applications à la finance Partiel 25 Février 2011, Durée 2 heures Exercice 1 (3 points) On considère une

Plus en détail

Jeffrey S. Rosenthal

Jeffrey S. Rosenthal Les marches aléatoires et les algorithmes MCMC Jeffrey S. Rosenthal University of Toronto jeff@math.toronto.edu http ://probability.ca/jeff/ (CRM, Montréal, Jan 12, 2007) Un processus stochastique Qu est-ce

Plus en détail

La fonction exponentielle

La fonction exponentielle DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction

Plus en détail

Le second degré. Table des matières

Le second degré. Table des matières Le second degré Table des matières 1 La forme canonique du trinôme 1.1 Le trinôme du second degré......................... 1. Quelques exemples de formes canoniques................. 1.3 Forme canonique

Plus en détail

EMLyon 2011 - Corrigé

EMLyon 2011 - Corrigé EMLyon - Corrigé Partie I. Soit X une variable aléatoire suivant la loi E() ; une densité de X est : f(x) = { si x < e x si x et E(X) = et V (X) =.. (a) Soit n N ; n E(S n ) = E(X k ) = n par linéarité

Plus en détail

Programmation Linéaire - Cours 2

Programmation Linéaire - Cours 2 Programmation Linéaire - Cours 2 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Sommaire 1 2 3 Retournons dans le yaourt! Reprenons l exemple du 1er cours Forme normale

Plus en détail

Cours de Mathématiques

Cours de Mathématiques Cours de Mathématiques Lycee Gustave Eiffel PTSI 02/03 Chapitre 3 Fonctions usuelles 3.1 Théorème de la bijection Une fonction dérivable sur un intervalle I, strictement monotone déþnit une bijection.

Plus en détail

Agrégation externe de mathématiques, session 2005 Épreuve de modélisation, option Probabilités et Statistiques

Agrégation externe de mathématiques, session 2005 Épreuve de modélisation, option Probabilités et Statistiques Agrégation externe de mathématiques, session 2005 Épreuve de modélisation, option Probabilités et Statistiques (605) GESTION DE STOCK À DEMANDE ALÉATOIRE Résumé : Chaque mois, le gérant d un magasin doit

Plus en détail