1 Définition
récurrentes d'ordre 1. Dans la suite on ne considèrera que des chaînes de Markov homogènes
Chaînes de Markov
Pour une chaîne de Markov irréductible récurrente la mesure empirique et la loi marginale du pro- cessus convergent soit vers l'unique mesure de probabilité P-
RÉCURRENCE ET TRANSIENCE Master MIMSE Bordeaux Dans
Un point i de E est dit récurrent pour la chaîne de Markov. (Xn)n?N si Pi(Ni = ?)=1. Il est dit transient si Pi(Ni = ?)=0. Lemme 1.4. Pour r ? 1 Sr.
Chaînes de Markov.
Une suite récurrente aléatoire sur un espace E est une suite de v.a. Une chaîne de Markov de distribution initiale ? et matrice de transition.
Chapitre I - Introduction aux chaines de Markov
`a valeurs dans E est appelée cha?ne de Markov de matrice de transition P si Une cha?ne de Markov est dite transiente (resp. récurrente) si tous les ...
Chaˆ?nes de Markov 2
Une cha?ne de Markov homog`ene `a valeurs réelles peut être vue (en loi ) comme une suite récurrente définie comme dans la proposition 2. Démonstration. Soit (
CHAÎNES DE MARKOV
Soit Xn est une chaîne de Markov de matrice de transition P et soit ?0 la loi de X0. On vérifie avec le graphe qu'il y a une seule classe (récurrente)
Chaînes de Markov et Processus markoviens de sauts. Applications
Théorème 4 Soit (Xn)n?0 une chaîne de Markov de matrice de transition P récurrente ir- réductible. Alors il existe une unique mesure invariante strictement
Théorie des chaînes de Markov
matrice stochastique sur X. Une chaîne de Markov de matrice de transition P Soit x un état récurrent d'une chaîne de Markov (Xn)n?N. Sous la loi Px ...
3 Mesures invariantes
On va voir qu'une chaîne de Markov récurrente admet toujours une mesure invariante (non nulle) et celle-ci sera unique à un facteur près dès lors que la
[PDF] CHAÎNES DE MARKOV - Institut de Mathématiques de Bordeaux
La chaîne possède donc une mesure de probabilité stationnaire unique qui a pour support la classe récurrente – Si une chaîne possède plusieurs classes
[PDF] CHAÎNES DE MARKOV - ceremade
8 4 Caractérisation des chaînes de Markov récurrentes positives 122 8 5 Exercices : mesures stationnaires et invariantes
[PDF] Chaînes de Markov
Pour une chaîne de Markov irréductible récurrente la mesure empirique et la loi marginale du pro- cessus convergent soit vers l'unique mesure de probabilité P-
[PDF] Chaînes de Markov (et applications)
22 fév 2021 · Une chaîne de Markov homogène “saute” donc aléatoirement d'états en états et la probabilité de chaque saut est donnée par la matrice Q En
[PDF] Chapitre 8 Chaˆ?nes de Markov - DI ENS
La cha?ne (ou sa matrice de transition) est alors dite respectivement récurrente transiente Démonstration Si i et j communiquent il existe M et N tels que
[PDF] Chaînes de Markov
Le lemme suivant précise la structure d'une classe récurrente périodique Lemme Soit X une chaîne de Markov homogène irréductible finie de matrice de
[PDF] Introduction aux chaines de Markov - CERMICS
Une cha?ne de Markov est dite transiente (resp récurrente) si tous les états sont transients (resp récurrents) On pose Nx = ?n?N
[PDF] Chaînes de Markov - Institut Camille Jordan
plique celle de tous les autres points On parlera donc de chaînes de Markov irréductibles récurrentes ou transientes ou de noyau récurrent ou transient
[PDF] Chaînes de Markov
Soit (Xn)n?N une chaîne de Markov de matrice de transition P irréductible récurrente Alors il existe une mesure ? strictement positive invariante unique à
[PDF] Chaˆ?nes de Markov 2 - Université de Rennes
Une cha?ne de Markov homog`ene `a valeurs réelles peut être vue (en loi ) comme une suite récurrente définie comme dans la proposition 2 Démonstration Soit (
Comment calculer la période d'une chaîne de Markov ?
Cela conduit au calcul suivant : P(X2 = s/X0 = m) = P(X2 = s/X1 = m) · P(X1 = m/X0 = m) + P(X2 = s/X1 = s) · P(X1 = s/X0 = m) = 0,15 · 0,0,55 + 0,15 · 0,1=0,0975. La cha?ne n'est pas périodique comme on peut le voir facilement sur son diagramme en points et fl`eches.Comment montrer qu'une chaîne de Markov est irréductible ?
Une chaîne de Markov est dite irréductible si K(x, y) > 0 pour tout couple x, y. Dans ce cas, soit la chaîne consiste en une seule classe d'états récurrents, soit la chaîne consiste seulement en états tous transitoires.Comment montrer qu'une suite est une chaîne de Markov ?
= P(Xn+1 = yXn = xn). Cette preuve permet de montrer rigoureusement que la marche aléatoire sur Zd est bien une chaîne de Markov. Dans le monde déterministe, cela revient à étudier les suites (xn)n?0 définies par ré- currence de la manière suivante : xn+1 = f(xn,n).- Si une chaîne de Markov est irréductible et si son espace d'états est fini, tous ses états sont récurrents positifs. La loi forte des grands nombres est alors en vigueur. Plus généralement, tous les éléments d'une classe finale finie sont récurrents positifs, que l'espace d'états soit fini ou bien infini dénombrable.
CHAÎNES DEMARKOV.
Alexandre Popier
ENSAI, Bruz
apopier@univ-lemans.fr http://www.univ-lemans.fr/apopierJanvier-Mars 2011
A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 1 / 51PLAN1INTRODUCTION2DÉFINITIONS3CLASSIFICATION DES ÉTATS4CAS PARTICULIER:ESPACE D"ÉTATSEFINI5CHAÎNES DEMARKOV IRRÉDUCTIBLES RÉCURRENTES6CHAÎNES IRRÉDUCTIBLES RÉCURRENTES POSITIVES ET
APÉRIODIQUES7CHAÎNES SIMPLEMENT IRRÉDUCTIBLESA. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 2 / 51
SUITES RÉCURRENTES ALÉATOIRES.DÉFINITIONUnesuite récurrente aléatoire sur un espace E est une suite de v .a.
(Xn)n2Nà valeurs dans E définie sur un espace de probabilité( ;F;P) solution d"une équation récurrente de la forme : X n+1=f(n+1;Xn) où11;2;:::sont des v.a. i.i.d. à valeurs dans;2f: E!E est une application mesurable;3X
0(la condition initiale) est une v.a. (éventuellement déterministe)
indépendante de la suite(i)i2N.A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 3 / 51BATTRE LES CARTES.
I E: ensemble des permutations (d"un jeu de 52 cartes), de cardinal 52!; I : un sous-ensemble deE; I X0=e: identité (les cartes sont ordonnées),Xn+1=n+1Xn.HYPOTHÈSES:est mélangeant, i.e. engendreE;la loi desicharge tous les éléments de.THÉORÈMELa suite(Xn)estrécurrente , satisfait uneloi des g randsnombres :
lim n!+11n n X k=11 Xk=x=152!:A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 4 / 51BATTRE LES CARTES:COMBIEN DE FOIS?THÉORÈMELa suite(Xn)estrécurrente , satisfait uneloi des g randsnombres :
lim n!+11n n X k=11Xk=x=152!:I
On a une asymptote de type exponentiel (condition de Doeblin) : 12 X x2EP(Xn=x)152!
Cn;avec <1:
IDiaconis a montré qu"il suffit de battre le jeu 7 fois!A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 5 / 51
MARCHES ALÉATOIRES SURZd.
I e1;:::;ed: base canonique deRd; I E=Zd; I =fe1;:::;ed;e1;:::;edg;ide loi uniforme sur; IX0=0,Xn+1=Xn+n+1:marche aléatoire symétr iquesur Zd.THÉORÈME(POLYA, 1921)Pourd=1 ou 2, la marche aléatoire(Xn)estrécurrente :
P(9n>0;Xn=0) =1:
Pourd3, elle esttr ansiente: P(9n>0;Xn=0)<1.CONSTANTE DEPOLYAC"estp(d) =P(T0<+1),T0étant le temps de retour à 0. Alors
p(1) =p(2) =1,p(3)0;34,p(4)0;19,p(10)0;06.A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 6 / 51
MARCHE ALÉATOIRE EN DIMENSION1.A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 7 / 51 MARCHE ALÉATOIRE EN DIMENSION2.A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 8 / 51CONVOLUTION DEBERNOULLI.
I a>0; I E=R; I =f1;1g;ide loi uniforme sur; I X0=0,Xn+1=aXn+n+1.Poura=1, marche aléatoire surZ.Poura>1,P(limn!+1Xn2 f1;+1g) =1.Pour 0XnanX0=an11+:::+n. IYn=1+a2+:::+an1nconverge versY12h
11a;11ai
.PROPOSITION(Xn)converge en loi vers Y1:limn!+1E(Xn) =E(Y1).A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 9 / 51
a=0;25. Comportement p.s. deXnetYn:A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 10 / 51 a=0;25. Comportement en loi deX100etY100:A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 10 / 51 a=0;7. Comportement p.s. deXnetYn:A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 11 / 51 a=0;7. Comportement en loi deX100etY100:A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 11 / 51CONVOLUTION DEBERNOULLI:LOI DE LA LIMITE.
I Fa(t) =a(] 1;t]) =P(Y1t).PROPOSITIONPour tout I= [;]R,limn!+11n n1X k=01Xk2I=Fa()Fa().PROPRIÉTÉS DEFaF
aest l"unique solution continue de8t2R;G(t) =12
Gt1a +Gt+1a:Sia<1=2,aest continue singulière (1935).Sia=1=2,aest la loi uniforme sur[2;2](1935).Pour presque touta>1=2,aest à densité (1995).A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 12 / 51
SIMULATIONS DE FRACTALES.
I E=Rd; I =f1;:::;kg;ide loi uniforme sur; IX0=0,Xn+1=A(n+1)Xn+B(n+1).
IA(1);:::;A(k)matrices,B(1);:::;B(k)vecteurs.THÉORÈMELes conclusions de la convolution de Bernoulli restent les mêmes :
convergence en loi de(Xn), théorème de convergence presque sûre des moyennes de Césaro.SPIRALEd=k=2;A(1) =0;8390;3030;383 0;924
,A(2) =0;1610;1360;1380;182
;B(1) =0;232 0;080 ,B(2) =0;921 0;178 A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 13 / 51 FRACTAL EN SPIRALE.A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 14 / 51PLAN1INTRODUCTION2DÉFINITIONS3CLASSIFICATION DES ÉTATS4CAS PARTICULIER:ESPACE D"ÉTATSEFINI5CHAÎNES DEMARKOV IRRÉDUCTIBLES RÉCURRENTES6CHAÎNES IRRÉDUCTIBLES RÉCURRENTES POSITIVES ET
APÉRIODIQUES7CHAÎNES SIMPLEMENT IRRÉDUCTIBLESA. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 15 / 51
MATRICES DE TRANSITION.DÉFINITION(ESPACE D"ÉTATS,MESURE)DANS TOUT LE COURS, E est un espacedénombr able. Un élément
x2E est unétat . Unemesure = (x;x2E)est un vecteur ligne de nombres réels positifs ou nuls. SiX x2E x=1, la mesure est une probabilité ou distr ibution.DÉFINITION(MATRICE DE TRANSITION)Unematr icede tr ansitionP sur E est une application de E E dans
[0;1]telle que8x2E;X
y2EP(x;y) =1:On dit aussi que la matrice est
stochastique A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 16 / 51CHAÎNE DEMARKOVDÉFINITION(CHAÎNE DEMARKOV)Une suite de v.a.(Xn)n2Nà valeurs dans E est appeléechaîne de
Markov
si pour tout n 2Nla loi conditionnelle de Xn+1sachant X0;:::;Xnest égale à sa loi conditionnelle sachant Xn, i.e. pour tout
y0;:::;yn+1dans E :
P(Xn+1=yn+1jX0=y0;:::;Xn=yn) =P(Xn+1=yn+1jXn=yn):IPn(x;y) =P(Xn+1=yjXn=x):DÉFINITIONSi P
n(x;y) =P(Xn+1=yjXn=x)ne dépend pas de n, on parle de chaîne de Markov homogène . Dans ce cas, la matrice P obtenue est stochastique. A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 17 / 51DÉFINITION"ÉQUIVALENTE»DÉFINITION(CHAÎNE DEMARKOV(;P))Unechaîne de Mar kov, dedistr ibutioninitiale etmatr icede tr ansition
P, à valeurs dans E est une suite de v.a.(Xn)n2Ndéfinies sur ;F;P), telle que :1X0a pour loi,2et pour n0, conditionnellement à Xn=x, la loi de Xn+1est
donnée par(P(x;y);y2E)et est indépendante de X0;:::;Xn1.TRADUCTION MATHÉMATIQUEPour toutn0 et touty0;:::;yn+1dansE:1P(X0=y0) =0;2P(Xn+1=yn+1jX0=y0;:::;Xn=yn) =P(yn;yn+1).A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 18 / 51
EXEMPLE IMPORTANTPROPOSITIONSoit
(n)n2Nune suite de v.a. i.i.d. à valeurs dans,X0une v.a. à valeurs dans E, indépendante de la suite(n)n2N,f: E!E une fonction mesurable.
Alors la suite(Xn)n2Nde v.a. à valeurs dans E et définie par la relation de récurrence :8n2N;Xn+1=f(n+1;Xn)
est une chaîne de Markov homogène.CONSÉQUENCES:tous les suites vues dans la partie 1 sont des
chaînes de Markov. A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 19 / 51ÉQUATION DECHAPMAN-KOLMOGOROVTHÉORÈMESoit(Xn)une chaîne de Markov surEde matrice de transitionP, de
distribution initiale. AlorsP(X0=y0;:::;Xn=yn) =(y0)P(y0;y1):::P(yn1;yn):1SiXna pour loin, alors :n+1=nP=Pn+1.2Pour tout(x;y)2E2,P(Xn=yjX0=x) =Pn(x;y).3Pour toute fonctionh:E!Rbornée,
E(h(Xn)jX0=x) =Pnh(x):REMARQUELes fonctions h:E!Rsont représentées par des vecteurs colonnes.A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 20 / 51
MESURE INVARIANTE,RÉVERSIBLEDÉFINITION(MESURE INVARIANTE)Une mesuresur E est ditein variantesi et seulement si c"est un point
fixe de l"équation Chapman-Kolmogorov, i.e.=P.DÉFINITION(MESURE RÉVERSIBLE)Une mesuresur E est diterév ersiblesi et seulement si
8(x;y)2E2; (x)P(x;y) =(y)P(y;x):PROPOSITIONUne mesure réversible est invariante.
A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 21 / 51 CHAÎNE RETOURNÉE.LEMMESi(Xn)n2Nest une chaîne de Markov, alors pour tout N2N,XN=n^XNn=XNn;0nNo
est une chaîne de Markov, appelée chaîne retour néeà par tirde
l"instant N.PROPOSITIONSoit(Xn)n2Nchaîne de Markov(;P)avecprobabilité réversible. Alors la chaîne retournée^XN=f^XNn;0nNgest une chaîne de Markov(;P).A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 22 / 51 PROPRIÉTÉ DEMARKOV.DÉFINITIONLeprocessus décalé X n+= (Xn+;k)k2Nest défini par8k0;Xn+;k=Xn+k:THÉORÈMESoit(Xn)une chaîne de Markov surEde matrice de transitionP, de
distribution initiale. Alors conditionnellement àXn=x, le processus X n+est une chaîne de Markov de matrice de transitionP, de distribution initialexet est indépendant des v.a.X0;:::;Xn.I Phénomène sans mémoire!A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 23 / 51PROPRIÉTÉ DEMARKOV FORTE.
Pourn0,Fn: tribu des événements déterminés parX0;X1;:::;Xn F n=n f!2 ; (X0(!);:::;Xn(!))2Bng;Bn2 P(En+1)o :DÉFINITION(TEMPS D"ARRÊT)Une v.a.à valeurs dansN[ f+1gest appelée untemps d"arrêt sipour tout n2N,f=ng 2 Fn.PROPRIÉTÉ DEMARKOV FORTESoit(Xn)une chaîne de Markov(;P)etun temps d"arrêt. Alors
conditionnellement enf <+1g \ fX=xg, le processus(X+n)n2N est une chaîne de Markov(x;P)indépendante deF: pour toutA2 F,m>0,x1;:::;xmdansE:
P(A\ fX+1=x1;:::;X+m=xmgjX=x; <1)
=P(AjX=x; <1)Px(X1=x1;:::;Xm=xm):A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 24 / 51NOTATIONS POUR LA SUITE DU COURS.
IE: espace fini ou dénombrable;
IP: matrice de transition;
IPloi sachant queX0suit la loi;
IE: espérance sousP;
IPxloi sachant queX0=x, i.e.=x
IEx: espérance sousPx;
I (E): ensemble des probabilités surE.LEMME(E) =(2RE; (x)0;X
x2E(x) =1) A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 25 / 51PLAN1INTRODUCTION2DÉFINITIONS3CLASSIFICATION DES ÉTATS4CAS PARTICULIER:ESPACE D"ÉTATSEFINI5CHAÎNES DEMARKOV IRRÉDUCTIBLES RÉCURRENTES6CHAÎNES IRRÉDUCTIBLES RÉCURRENTES POSITIVES ET
APÉRIODIQUES7CHAÎNES SIMPLEMENT IRRÉDUCTIBLESA. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 26 / 51
ÉTATS RÉCURRENTS ET TRANSITOIRES.
TEMPS DE RETOUR:Tx=inffn1;Xn=xg.DÉFINITIONL"état x2E estrécurrent si Px(Tx<+1) =1, et esttr ansitoiresi
P x(Tx<+1)<1.NOMBRE DE RETOURS:Nx=X n11 Xn=x.PROPOSITION1Si x est récurrent,Px(Nx= +1) =1.2Si x est transitoire, P x(Nx=k) = (1x)kx;pour k0; avecx=Px(Tx<+1).A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 27 / 51ÉTATS RÉCURRENTS ET TRANSITOIRES.
NOMBRE DE RETOURS:Nx=X
n11 Xn=x.PROPOSITION1Si x est récurrent,Px(Nx= +1) =1.2Si x est transitoire, P x(Nx=k) = (1x)kx;pour k0; avecx=Px(Tx<+1).COROLLAIREL"état x2E est récurrent si et seulement si +1X n=0(Pn)(x;x) = +1:A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 27 / 51CLASSE D"ÉQUIVALENCE.DÉFINITIONL"état y2E estaccessib leà par tirde x 2E (notéx !y)s"il
existe n2Ntel quePx(Xn=y)>0.Les états x et ycomm uniquent(noté x $y)si x !y et y!x.CLASSES D"ÉQUIVALENCE:$est une relation d"équivalence qui crée
une partition deEen classes d"équivalence modulo$.THÉORÈMESoitCEune classe d"équivalence modulo$. Alors tous les états
deCsont soit récurrents, soit transitoires.A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 28 / 51
CLASSES FERMÉES.DÉFINITIONUne classe CE est ditef erméesi pour tous x et y dans E :x2C et x!y)y2C:PROPOSITIONLa restriction de la chaîne de Markov à une classe fermée C est une
chaîne de Markov d"espace d"états C.SiC=fx0gest fermée, on dit quex0est unétat absorbant .THÉORÈMEToute classe récurrente est fermée.
Toute classe fermée et finie est récurrente. A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 29 / 51 IRRÉDUCTIBILITÉ.DÉFINITIONUne chaîne de Markov(;P)est I irréductible si E est constitué d"une seule classe d"équiv alence; I irréductible récurrente si elle est irréductib leet si tous les états sont récurrents. I irréductible transiente si elle est irréductib leet si tous les étatssont transitoires.PROPOSITIONUne chaîne de Markov irréductible sur un espace Efiniest irréductible
récurrente. A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 30 / 51IRRÉDUCTIBILITÉ.DÉFINITIONUne chaîne de Markov(;P)estirréductib lesi, pour tout couple
(x;y)2E2, il existeun entier k=k(x;y)et une suite finie x=x0;x1;:::;xk1;xk=y tels que P(xi;xi+1)>0pour i=0;:::;k1.C"est-à-dire :P(Xk=yjX0=x) =Pk(x;y)>0:THÉORÈMESi(Xn)n2Nest irréductible,1les fonctionsP-invariantes (i.e.Pf=f) sont les fonctions
constantes.2Padmet au plus une probabilité invariante. De plus(x)>0 pour toutx2E.A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 31 / 51 CLASSIFICATION.1x6!x:xtransitoire.2Les étatsxt.q.x!xpeuvent être classés en classes d"équivalence irréductibles par la relation$: I classes irréductibles non fermées : transitoires;Iclasses irréductibles fermées : récurrentes ou transitoires.3À partir d"un état récurrent,
I la chaîne restreinte à la classe d"équivalence de cet état est irréductible.IChaque état de cette classe est visité une infinité de fois.4À partir d"un état transitoire,
I soit la chaîne finit par atteindre une des classes récurrentes; Isoit elle part à l"infini après être passée un nombre fini de fois par les états de la classe transitoire. A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 32 / 51PLAN1INTRODUCTION2DÉFINITIONS3CLASSIFICATION DES ÉTATS4CAS PARTICULIER:ESPACE D"ÉTATSEFINI5CHAÎNES DEMARKOV IRRÉDUCTIBLES RÉCURRENTES6CHAÎNES IRRÉDUCTIBLES RÉCURRENTES POSITIVES ET
APÉRIODIQUES7CHAÎNES SIMPLEMENT IRRÉDUCTIBLESA. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 33 / 51
EXISTENCE D"UNE MESURE INVARIANTE.
DANS CE PARAGRAPHE,
I E: espace fini de cardinald, donc en bijection avecf1;:::;dg; IP: matrice de transition de tailledd;
I(E): ensemble des probabilités surE.THÉORÈMEL"ensemble des probabilités invariantes pourPest un sous-ensemble
non vide, compact et convexe de(E).REMARQUEPas d"unicitéen génér al! A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 34 / 51THÉORÈME ERGODIQUE.THÉORÈMESupposons(Xn)n2Nirréductible de probabilité invariante. Alors1presque sûrement
lim n!+11n n1X k=01Xk=x=(x):2Pour toutx2E,
(x) =1E x(Tx)>0;avecTx=inffk1;Xk=xginstant de premier retour enx.COROLLAIRESi la chaîne est irréductible, alors elle visite infiniment souvent tous les
points de l"espace d"états E. A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 35 / 51CHAÎNE FORTEMENT IRRÉDUCTIBLE.PROPOSITIONSupposons la chaîne irréductible de probabilité invariante. Alors pour
toute probabilitésur E, lim n!+1n1X k=0Pk=;ou encorelimn!+1n1X k=0P (Xk=x) =(x):DÉFINITIONUne chaîne de Markov(;P)estf ortementirréductib les"il e xisteun entier k tel que8(x;y)2E2;Pk(x;y)>0:A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 36 / 51
CHAÎNE FORTEMENT IRRÉDUCTIBLE.THÉORÈMESupposons(Xn)n2Nfortement irréductible de probabilité invariante.
Soitkl"entier de la définition précédente et =(P) =X y2E infx2EPk(x;y) >0:Alors pour toute probabilitésurEet toutn2N,
supAEjP(Xn2A)(A)j (1)[n=k];
avec[a]la partie entière dea. Ainsi limn!+1Pn=.A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 36 / 51
APÉRIODICITÉ(1).DÉFINITIONSoit x2E et R(x) =fn2N;Pn(x;x)>0g. Lapér iodep (x)de x estle plus grand commun diviseur de R(x).PROPOSITIONSupposons la chaîne irréductible. Alors tous les points de E ont la
même période.DÉFINITIONCette période commune est lapér iodede la chaîne ;chaîne qui est
apériodiquesi cette pér iodev aut1. COROLLAIRESupposons P irréductible. S"il existe x2E tel que P(x;x)>0, alors P
est apériodique. A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 37 / 51 APÉRIODICITÉ(2).DÉFINITIONUn état estapér iodiques"il e xisteun entier N tel que P n(x;x)>0pourtout nN.THÉORÈME1Si une chaîne est irréductible et apériodique, tous les états sont
apériodiques. Et alors la chaîne est fortement irréductible.2Réciproquement une chaîne fortement irréductible est irréductible
et apériodique. A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 38 / 51PLAN1INTRODUCTION2DÉFINITIONS3CLASSIFICATION DES ÉTATS4CAS PARTICULIER:ESPACE D"ÉTATSEFINI5CHAÎNES DEMARKOV IRRÉDUCTIBLES RÉCURRENTES6CHAÎNES IRRÉDUCTIBLES RÉCURRENTES POSITIVES ET
APÉRIODIQUES7CHAÎNES SIMPLEMENT IRRÉDUCTIBLESA. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 39 / 51
MESURES INVARIANTES.ATTENTION:A partir d"ici,En"est plus supposé fini.DÉFINITIONUne mesureeststr ictementpositiv esi (x)>0pour tout x2E.THÉORÈMESoit(Xn)n2Nune chaîne de Markov de matrice de transitionP,
irréductible récurrente. Alors il existe une mesurestrictement positive invariante, unique à constante multiplicative près. A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 40 / 51PARMI LES ÉTATS RÉCURRENTS...xrécurrent siPx(Tx<+1) =1.m(x) =Ex(Tx).DÉFINITIONUn état x estrécurrent positif si m (x)<+1, etrécurrent n ulsinon. THÉORÈMESupposons la chaîne irréductible.
IUn étatxest récurrent positif,
I si et seulement si tous les états sont récurrents positifs, I si et seulement s"il existe une unique probabilité invariante.Dans ce cas elle est donnée par= ((x) =1=m(x);x2E).A. Popier (ENSAI)Chaînes de Markov.Janvier-Mars 2011 41 / 51
DICHOTOMIE.
Pour une chaîne
irréductib leet récurrente Iquotesdbs_dbs29.pdfusesText_35[PDF] chaine de markov irreductible exemple
[PDF] chaine de markov exercice corrigé
[PDF] chaine énergétique barrage hydraulique
[PDF] chaine énergétique d'une éolienne
[PDF] exercice corrigé centrale hydraulique
[PDF] chaine énergétique centrale thermique
[PDF] chaine énergétique pile
[PDF] chaine énergétique exercices
[PDF] chaine énergétique éolienne
[PDF] chaine énergétique panneau solaire
[PDF] chaine energetique definition
[PDF] chaine énergétique exemple
[PDF] cours de logistique de distribution pdf
[PDF] introduction logistique