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

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

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

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

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

* 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

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

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

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

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

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

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

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

Master de mathématiques Analyse numérique matricielle

Master de mathématiques Analyse numérique matricielle Master de mathématiques Analyse numérique matricielle 2009 2010 CHAPITRE 1 Méthodes itératives de résolution de systèmes linéaires On veut résoudre un système linéaire Ax = b, où A est une matrice inversible

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

Exercices - Fonctions de plusieurs variables : corrigé. Pour commencer

Exercices - 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 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

Chaînes de Markov. Mireille de Granrut

Chaînes de Markov. Mireille de Granrut Chaînes de Markov Mireille de Granrut Quelques précisions à propos de ce cours : Préambule 1. Tel que je l ai conçu, le cours sur les chaînes de Markov interviendra dès la rentrée, pour faire un peu de

Plus en détail

3 Approximation de solutions d équations

3 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 détail

Jeux à somme nulle : le cas fini

Jeux à somme nulle : le cas fini CHAPITRE 2 Jeux à somme nulle : le cas fini Les jeux à somme nulle sont les jeux à deux joueurs où la somme des fonctions de paiement est nulle. Dans ce type d interaction stratégique, les intérêts des

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

3. Conditionnement P (B)

3. 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 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

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

Simulation de variables aléatoires

Simulation 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 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

Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.

Calcul 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 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

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

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

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

Correction du baccalauréat ES/L Métropole 20 juin 2014

Correction du baccalauréat ES/L Métropole 20 juin 2014 Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)

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

Module 7: Chaînes de Markov à temps continu

Module 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 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

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.

Exercice 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 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

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

Résolution d équations non linéaires

Résolution 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 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

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

Leçon 01 Exercices d'entraînement

Leçon 01 Exercices d'entraînement Leçon 01 Exercices d'entraînement Exercice 1 Etudier la convergence des suites ci-dessous définies par leur terme général: 1)u n = 2n3-5n + 1 n 2 + 3 2)u n = 2n2-7n - 5 -n 5-1 4)u n = lnn2 n+1 5)u n =

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

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

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

Chaînes de Markov au lycée

Chaînes de Markov au lycée Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat

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

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

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

Polynômes à plusieurs variables. Résultant

Polynômes 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 détail

Calcul fonctionnel holomorphe dans les algèbres de Banach

Calcul 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 détail

Exercices : VAR discrètes

Exercices : VAR discrètes Exercices : VAR discrètes Exercice 1: Une urne contient 2 boules blanches et 4 boules noires. On tire les boules une à une sans les remettre jusqu à ce qu il ne reste que des boules d une seule couleur

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

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

Extrait du poly de Stage de Grésillon 1, août 2010

Extrait 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 détail

Résolution de systèmes linéaires par des méthodes directes

Résolution de systèmes linéaires par des méthodes directes Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.

Plus en détail

Formes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions

Formes 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 détail

aux différences est appelé équation aux différences d ordre n en forme normale.

aux 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 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

COURS DE MATHÉMATIQUES

COURS DE MATHÉMATIQUES COURS DE MATHÉMATIQUES Première S Valère BONNET valere.bonnet@gmail.com 0 juin 009 Lycée PONTUS DE TYARD 3 rue des Gaillardons 700 CHALON SUR SAÔNE Tél. : 33 03 85 46 85 40 Fax : 33 03 85 46 85 59 FRANCE

Plus en détail

Pour l épreuve d algèbre, les calculatrices sont interdites.

Pour l épreuve d algèbre, les calculatrices sont interdites. Les pages qui suivent comportent, à titre d exemples, les questions d algèbre depuis juillet 003 jusqu à juillet 015, avec leurs solutions. Pour l épreuve d algèbre, les calculatrices sont interdites.

Plus en détail

Sécurité des Réseaux Jean-Yves Antoine LI - Université François Rabelais de Tours Jean-Yves.Antoine AT univ-tours.fr J.-Y. Antoine & L.

Sécurité des Réseaux Jean-Yves Antoine LI - Université François Rabelais de Tours Jean-Yves.Antoine AT univ-tours.fr J.-Y. Antoine & L. Sécurité des Réseaux Jean-Yves Antoine LI - UniversitéFrançois Rabelais de Tours Jean-Yves.Antoine AT univ-tours.fr Sécurité des réseaux Codage : codes polynomiaux et cycliques application aux réseaux

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

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

Continuité et dérivabilité d une fonction

Continuité et dérivabilité d une fonction DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité

Plus en détail

Notes de cours de Probabilités Appliquées. Olivier François

Notes de cours de Probabilités Appliquées. Olivier François Notes de cours de Probabilités Appliquées Olivier François 2 Table des matières 1 Axiomes des probabilités 7 1.1 Introduction................................. 7 1.2 Définitions et notions élémentaires.....................

Plus en détail

Corrigé du baccalauréat S Asie 21 juin 2010

Corrigé 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 détail

Fonctions de plusieurs variables

Fonctions 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 détail

Logique. Plan du chapitre

Logique. Plan du chapitre Logique Ce chapitre est assez abstrait en première lecture, mais est (avec le chapitre suivant «Ensembles») probablement le plus important de l année car il est à la base de tous les raisonnements usuels

Plus en détail

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/

Souad 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 détail

Introduction aux inégalités

Introduction aux inégalités Introduction aux inégalités -cours- Razvan Barbulescu ENS, 8 février 0 Inégalité des moyennes Faisons d abord la liste des propritétés simples des inégalités: a a et b b a + b a + b ; s 0 et a a sa sa

Plus en détail

1 Codes linéaires. G = [I k A]. Dans ce cas on constate que la matrice. H = [ t A I n k ] est une matrice de contrôle de C. Le syndrome de x F n q

1 Codes linéaires. G = [I k A]. Dans ce cas on constate que la matrice. H = [ t A I n k ] est une matrice de contrôle de C. Le syndrome de x F n q 1 Codes linéaires Un code de longueur n est une partie de F n q. Un code linéaire C de longueur n sur le corps ni F q est un sous-espace vectoriel de F n q. Par défaut, un code sera supposé linéaire. La

Plus en détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Chapitre 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 détail

n N = u N u N+1 1 u pour u 1. f ( uv 1) v N+1 v N v 1 1 2 t

n N = u N u N+1 1 u pour u 1. f ( uv 1) v N+1 v N v 1 1 2 t 3.La méthode de Dirichlet 99 11 Le théorème de Dirichlet 3.La méthode de Dirichlet Lorsque Dirichlet, au début des années 180, découvre les travaux de Fourier, il cherche à les justifier par des méthodes

Plus en détail

Chapitre VI - Méthodes de factorisation

Chapitre VI - Méthodes de factorisation Université Pierre et Marie Curie Cours de cryptographie MM067-2012/13 Alain Kraus Chapitre VI - Méthodes de factorisation Le problème de la factorisation des grands entiers est a priori très difficile.

Plus en détail

Correction du Baccalauréat S Amérique du Nord mai 2007

Correction du Baccalauréat S Amérique du Nord mai 2007 Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n

Plus en détail

Capes 2002 - Première épreuve

Capes 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 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

4. Martingales à temps discret

4. 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 détail

Correction de l examen de la première session

Correction 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

Calculs approchés d un point fixe

Calculs approchés d un point fixe M11 ÉPREUVE COMMUNE DE TIPE 2013 - Partie D TITRE : Calculs approchés d un point fixe Temps de préparation :.. 2 h 15 minutes Temps de présentation devant les examinateurs :.10 minutes Dialogue avec les

Plus en détail

Programmation linéaire

Programmation 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

Programme de mathématiques TSI1

Programme de mathématiques TSI1 Programme de mathématiques TSI1 1. PROGRAMME DE DÉBUT D ANNÉE I. Nombres complexes et géométrie élémentaire 1. Nombres complexes 1 2. Géométrie élémentaire du plan 3 3. Géométrie élémentaire de l espace

Plus en détail

Sur certaines séries entières particulières

Sur certaines séries entières particulières ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane

Plus en détail

Chapitre 3. Algorithmes stochastiques. 3.1 Introduction

Chapitre 3. Algorithmes stochastiques. 3.1 Introduction Chapitre 3 Algorithmes stochastiques 3.1 Introduction Les algorithmes stochastiques sont des techniques de simulation numériques de chaînes de Markov, visant à résoudre des problèmes d optimisation ou

Plus en détail

CALCULATRICE AUTORISEE

CALCULATRICE AUTORISEE Lycée F. MISTRAL AVIGNON BAC BLANC 2012 Epreuve de MATHEMATIQUES Série S CALCULATRICE AUTORISEE DUREE : 4 heures Dès que le sujet vous est remis, assurez-vous qu il est complet Ce sujet comporte 3 pages

Plus en détail

Suites numériques 4. 1 Autres recettes pour calculer les limites

Suites numériques 4. 1 Autres recettes pour calculer les limites Suites numériques 4 1 Autres recettes pour calculer les limites La propriété suivante permet de calculer certaines limites comme on verra dans les exemples qui suivent. Propriété 1. Si u n l et fx) est

Plus en détail

EXERCICE 4 (7 points ) (Commun à tous les candidats)

EXERCICE 4 (7 points ) (Commun à tous les candidats) EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat

Plus en détail

Programmes des classes préparatoires aux Grandes Ecoles

Programmes 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 détail

Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé

Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e

Plus en détail

M2 IAD UE MODE Notes de cours (3)

M2 IAD UE MODE Notes de cours (3) M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de

Plus en détail

Baccalauréat ES Pondichéry 7 avril 2014 Corrigé

Baccalauréat 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 détail

Cours de Data Mining PageRank et HITS

Cours de Data Mining PageRank et HITS Cours de Data Mining PageRank et HITS Andreea Dragut Univ. Aix-Marseille, IUT d Aix-en-Provence Andreea Dragut Cours de Data Mining PageRank et HITS 1 / 48 Plan du cours Présentation Andreea Dragut Cours

Plus en détail

Exo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.

Exo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2. Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3

Plus en détail

Correction du baccalauréat S Liban juin 2007

Correction 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 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

www.h-k.fr/publications/objectif-agregation

www.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 détail

Cours d analyse numérique SMI-S4

Cours 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 détail

Mathématiques autour de la cryptographie.

Mathématiques autour de la cryptographie. Mathématiques autour de la cryptographie. Index Codage par division Codage série Code cyclique Code dual Code linéaire Corps de Galois Elément primitif m séquence Matrice génératrice Matrice de contrôle

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

Mathématiques assistées par ordinateur

Mathématiques assistées par ordinateur Mathématiques assistées par ordinateur Chapitre 4 : Racines des polynômes réels et complexes Michael Eisermann Mat249, DLST L2S4, Année 2008-2009 www-fourier.ujf-grenoble.fr/ eiserm/cours # mao Document

Plus en détail