Chapitre 3. Mesures stationnaires. et théorèmes de convergence
|
|
|
- Nathalie Coutu
- il y a 8 ans
- Total affichages :
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
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
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)
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........................................
* 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 *****
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
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
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)
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
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
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
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
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.
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
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
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,
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
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
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........
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
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
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
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)
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
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
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
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
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,
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
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
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 =
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
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
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) =
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
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
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 \
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
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
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
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.
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
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.
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
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
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).
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
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 = + =
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
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
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.
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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,
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
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
Probabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Tests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
DOCM 2013 http://docm.math.ca/ Solutions officielles. 1 2 10 + 1 2 9 + 1 2 8 = n 2 10.
A1 Trouvez l entier positif n qui satisfait l équation suivante: Solution 1 2 10 + 1 2 9 + 1 2 8 = n 2 10. En additionnant les termes du côté gauche de l équation en les mettant sur le même dénominateur
L E Ç O N. Marches aléatoires. Niveau : Terminale S Prérequis : aucun
9 L E Ç O N Marches aléatoires Niveau : Terminale S Prérequis : aucun 1 Chaînes de Markov Définition 9.1 Chaîne de Markov I Une chaîne de Markov est une suite de variables aléatoires (X n, n N) qui permet
Structures algébriques
Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Chaînes de Markov (version 0)
Chaînes de Markov (version 0) Yan Doumerc ECS1, lycée Gaston Berger, Lille y.doumerc@yahoo.fr 15 Mai 2014 Résumé Ce document accompagne une séance de formation destinée aux professeurs de classe préparatoire
Capacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Intégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
Méthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Corrigé du baccalauréat S Pondichéry 12 avril 2007
Corrigé du baccalauréat S Pondichéry 1 avril 7 EXERCICE 1 Commun à tous les candidats 4 points 1 a Les vecteurs AB et AC ont pour coordonnées AB ; ; ) et AC 1 ; 4 ; 1) Ils ne sont manifestement pas colinéaires
CCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Mesures gaussiennes et espaces de Fock
Mesures gaussiennes et espaces de Fock Thierry Lévy Peyresq - Juin 2003 Introduction Les mesures gaussiennes et les espaces de Fock sont deux objets qui apparaissent naturellement et peut-être, à première
Amphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Chapitre 2. Eléments pour comprendre un énoncé
Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données
Baccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé.
Baccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé. L usage d une calculatrice est autorisé Durée : 3heures Deux annexes sont à rendre avec la copie. Exercice 1 5 points 1_ Soit f la
Loi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Travaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Commun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
LES MÉTHODES DE POINT INTÉRIEUR 1
Chapitre XIII LES MÉTHODES DE POINT INTÉRIEUR 1 XIII.1 Introduction Nous débutons par un rappel de la formulation standard d un problème d optimisation 2 linéaire et donnons un bref aperçu des différences
Calcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Nombre dérivé et tangente
Nombre dérivé et tangente I) Interprétation graphique 1) Taux de variation d une fonction en un point. Soit une fonction définie sur un intervalle I contenant le nombre réel a, soit (C) sa courbe représentative
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
Processus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Angles orientés et trigonométrie
Chapitre Angles orientés et trigonométrie Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Trigonométrie Cercle trigonométrique. Radian. Mesure d un angle orienté, mesure principale.
Programmation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des