c) Partant de x appartenant à une classe fermée finie C, la chaîne de Markov passe tout son temps dans l'ensemble fini C, donc il existe y ∈ C qui est visité infiniment souvent (avec probabilité > 0) Cet état y est alors récurrent En particulier, une chaîne de Markov irréductible sur un espace fini est récurrente
Previous PDF | Next PDF |
[PDF] CHAÎNES DE MARKOV - Institut de Mathématiques de Bordeaux
Soit Xn est une chaîne de Markov de matrice de transition P, et soit ν0 la loi de On vérifie avec le graphe qu'il y a une seule classe (récurrente), la chaîne est
[PDF] Introduction aux chaines de Markov - CERMICS
Une chaıne de Markov est dite transiente (resp récurrente) si tous les états sont transients (resp récurrents) On pose Nx = ∑n∈N 1{Xn=x} le nombre de visites
[PDF] 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
[PDF] Chaînes de Markov
La suite (Xn) est récurrente, satisfait une loi des grands nombres : lim n→+∞ 1 n n ∑ Une chaîne de Markov, de distribution initiale ν et matrice de transition
[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
[PDF] Chaînes de Markov (et applications)
22 fév 2021 · Soit Q la matrice de transition d'une chaîne de Markov homogène Etant donné On va montrer que c'est une chaîne de Markov récurrente 1
[PDF] Chaînes de Markov - Institut Camille Jordan
1 7 2 Chaîne de Markov en temps continu et espace discret 27 d est récurrente lorsque d ≤ 2 et transiente lorsque d ≥ 3 Pour cela, on se propose
[PDF] chaines-Markov - Université de Montréal
Si ce syst`eme n'a pas de solution, la chaˆıne est transitoire ou récurrente nulle Justification intuitive La proportion des transitions o`u on part de i pour aller `a j
[PDF] Chaînes de Markov - Université de Lorraine
(Xn;n ≥ 0) est une chaîne de Markov de loi initiale µ et de probabilité de Exprimer P(Zn = 0) en fonction de f◦n (on reconnaîtra une suite récurrente) En
[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
Université Paris 13, Institut Galilée Préparation à l"agrégation
Année universitaire 2014-2015
Cours rapide sur les chaînes de Markov1 DéfinitionDéfinitionSoitEun ensemble dénombrable (ou fini). Une suiteX= (Xn)n0de variables aléatoires à valeurs dansE
est unechaîne de Markovsi, pour toutn0, pour tousx1;:::;xn;xn+12E, ?(Xn+1=xn+1jX0=x0;:::;Xn=xn) =?(Xn+1=xn+1jXn=x); dès lors que?(X0=x0;:::;Xn=xn)>0. Eest l"espace d"étatsdeX. Laloi initialedeXest la loi deX0.Cette chaîne de Markov esthomogène(dans le temps) s"il existe(x;y)7!P(x;y)surEEtelle que : pour
toutn0, pour tousx;y2E, ?(Xn+1=yjXn=x) =P(x;y); dès lors que?(Xn=x)>0.Pest lamatrice de transitiondeX.Ainsi,(Xn)nest une chaîne de Markov si, en tout " temps »n, connaître la position " présente »Xnrenseigne
tout autant sur laloide la position " future »Xn+1que de connaître tout le " passé »X0;:::;Xn. Autrement
dit, sachantXn,Xn+1est indépendante deX0;:::;Xn.On peut voir que ceci revient aussi à dire queX0suit une certaine loi, puis que la suite(Xn)nest définie par
une récurrence de la formeXn+1=fn(Xn;Un)où la variable aléatoireUnest indépendante deX0;:::;Xn. Le
cas d"une chaîne homogène est celui où la transition est la même à chaque étape : les fonctionsfn,n0;sont
égales entre elles, et les variablesUn,n0, ont toutes la même loi. C"est donc un analogue aléatoire des suites
récurrentes d"ordre 1.Dans la suite, on ne considèrera que des chaînes de Markov homogènes, et on omettra donc de le spécifier.
La loi d"une chaîne de Markov homogène est entièrement donnée par sa loi initiale et sa matrice de transition :
LemmeSi(Xn)nest une chaîne de Markov de loi initialeet de matrice de transitionPalors, pour toutn0,
pour tousx0;:::;xn2E, ?(X0=x0;:::;Xn=xn) =(x0)P(x0;x1)P(xn1;xn):La matricePeststochastique: ses coefficients sont positifs, et la somme de chaque ligne vaut 1. Inversement,
à l"aide du lemme, on peut définir la loi d"une chaîne de Markov à partir de tout choix d"une loisurEet
d"une matrice stochastiquePsurEE.On aura constamment besoin de considérer des chaînes de Markov ayant la même matrice de transitionP
mais différentes lois initiales. Si la matricePest spécifiée dans le contexte, on notera ainsi?une probabilité
sous laquelle(Xn)n0est une chaîne de Markov de loi initialeet de matrice de transitionP. Ici,est une
probabilité surE, que l"on voit comme une fonction:E!?+: on a, pourx2E, (x) =?(X0=x):Dans le cas où=z, c"est-à-dire queX0=zp.s., on notera?zau lieu de?z. Sous?z,Xest une chaîne de
Markovissue dez:
z(X0=z) = 1: Par la définition, pour tousx;y2E, comme?x(X0=x) = 1, x(X1=y) =?x(X1=yjX0=x) =P(x;y): 1 et, pour toute loi initialeet touty2E, (X1=y) =X x2E? (X0=x;X1=y) =X x2E; (x)>0(x)?(X1=yjX0=x) =X x2E(x)P(x;y): Plus généralement, pour toute loisurE, pour tousx;y2E, pour toutn, de même, (Xn+1=y) =X x2E? (Xn=x;Xn+1=y) X x2Etel que (Xn=x)>0? (Xn=x)?(Xn+1=yjXn=x) X x2E? (Xn=x)P(x;y): Notons, pourx2Eetn2?,n(x) =?(Xn=x), c"est-à-dire quenest la loi deXnsous?. On a donc0=, et la formule précédente s"écrit, en voyant les mesures surEcomme des vecteurs-lignes, etPcomme
une matrice (éventuellement infinie), n+1=nP: On a doncn=Pn. En particulier (si=x), la lignexdePndonne la loi deXnsous?x: pour tousx;y, x(Xn=y) =Pn(x;y)DéfinitionLegraphed"une chaîne de MarkovXd"espace d"étatsEet de matrice de transitionPest le graphe orienté
dont les sommets sont les états et les arêtes sont les couples(x;y)tels queP(x;y)>0. Le graphe deXreprésente donc les transitions possibles en 1 pas.Propriété de Markov
La propriété suivante généralise la définition en exprimant que, sachant la position présenteXn, le futur
(Xn;Xn+1;:::)est indépendant du passé(X0;:::;Xn)et suit la loi?Xn.Proposition (Propriété de Markov faible au tempsn)Pour toutn, pour tousx0;:::;xn2E(tels que?(X0=x0;:::;Xn=xn)>0),
sachantX0=x0;:::;Xn=xn,(Xn+k)k0suit la loi?xn.Autrement dit,
p ourtout UEn, et toutVE?mesurable, pour toutx2E, p ourtoutes fonctions f:En!?etg:E?!?mesurables bornées, ?[f(X0;:::;Xn)g(Xn;Xn+1;:::)] =?f(X0;:::;Xn)?Xn[g(X0;X1;:::)]: Cette propriété s"étend aux temps aléatoires qui " ne dépendent pas du futur » :DéfinitionUntemps d"arrêtde(Xn)nest une variable aléatoireà valeurs dans?[ f1gtelle que, pour toutn,
f=ng 2(X0;:::;Xn):On rappelle que(X0;:::;Xn)est la tribu engendrée parX0;:::;Xn: c"est l"ensemble des événements qui ne
dépendent que deX0;:::;Xn.est donc un temps d"arrêt si, pour toutn, on peut savoir si=nà partir de la
seule connaissance deX0;:::;Xn. Si on découvreX0;X1;:::l"un après l"autre, on peut donc s"" arrêter » àX.
2Proposition (Propriété de Markov forte au temps)Pour tout temps d"arrêt, pour toutn, pour tousx0;:::;xn2E(tels que ... )
sachant=netX0=x0;:::;Xn=xn,(X+k)k0suit la loi?xn.Autrement dit,
p ourtout UEn, et toutVE?mesurable, pour toutx2E, p ourtoutes fonctions f:En!?etg:E?!?mesurables bornées, ?[1f=ngf(X0;:::;Xn)g(Xn;Xn+1;:::)] =?1f=ngf(X0;:::;Xn)?X[g(X0;X1;:::)]:2 Récurrence et transience
On s"intéresse aux états où se trouve la chaîne de Markov après un temps long : en particulier, quels états ne
seront plus visités après un certain temps, et quels états seront au contraire revisités perpétuellement?
DéfinitionSoitx2E. On notexle temps de retour enx: x= inffn1jXn=xg: L"étatx2Eestrécurrentsi?x(x<1) = 1, ettransientsinon.Ainsi,xest récurrent si, partant dex,Xrevient presque sûrement enx. Par la propriété de Markov forte au
tempsx, si un retour est presque sûr, alors un second retour sera presque sûr, etc. : PropositionSoitx2E. On noteNxle nombre de visites enx: N x=1X n=01 fXn=xg: a)xest récurrent si, et seulement si?x(Nx=1) = 1. Plus généralement, s"il existey2Etel que?y(Nx=1)>0, alorsxest récurrent. b) Si xest transient alors, sous?x,Nxsuit la loi géométrique de paramètre?x(x=1).Par b) on note que, sixest transient alors?x[Nx]<1. Ainsi,xest récurrent si, et seulement si?x[Nx] =1,
c"est-à-dire si1X n=0P n(x;x) =1:2.1 Classification des états
DéfinitionPourx;y2E, on notex!ys"il existen0tel quePn(x;y)>0. Deux étatsx;y2Ecommuniquentsix!yety!x. On note alorsx$y.$est une relation d"équivalence dont les classes sont appelées lesclasses de communicationde la chaîne
de Markov. Une classe de communicationCestferméesi, pour toutx2 C, il n"y a pas dey =2 Ctel quex!y. S"il y a une seule classe de communicationC=E, la chaîne de Markov est diteirréductible.Sur le schéma de la chaîne de Markov,x$ys"il y a un chemin (d"une certaine longueur) dexversy, et un
chemin deyversx. Une classe est fermée si aucune transition n"en sort. 3Proposition
a)Si xest récurrent etx!y, alorsyest récurrent. Par suite, les éléments d"une classe sont tous récurrents,
ou tous transients. On parle declasse récurrenteou declasse transiente. b)Si xest récurrent etx!y, alorsy!x. Par suite, si une classe n"est pas fermée, elle est transiente.
c)Une class efermée et finie est récurren te.
Démonstration:(Intuition) a) Sixest récurrent alors, partant dex,xest visité infiniment souvent; dès lors, s"il est
possible, depuisx, de suivre un chemin pour visitery(avec probabilitéPn(x;y)>0), alors ceci va se produire lors d"une
infinité de retours enx:ysera visité infiniment souvent, doncyest récurrent.b) De plus, pour quexpuisse être visité infiniment souvent, il doit être possible de revenir enxaprès la première visite
ày, doncy!x.
c) Partant dexappartenant à une classe fermée finieC, la chaîne de Markov passe tout son temps dans l"ensemble fini
C, donc il existey2 Cqui est visité infiniment souvent (avec probabilité>0). Cet étatyest alors récurrent.Cette proposition permet de déterminer la nature (récurrent ou transient) de tous les états d"une chaîne de
Markovfinie: les classes fermées sont récurrentes, et les autres transientes. En particulier, une chaîne de
Markov irréductible sur un espace fini est récurrente.En revanche, une classe fermée infinie peut être transiente ou récurrente : cela va dépendre plus finement de la
matriceP(la classification précédente ne dépend que de la position des coefficients non nuls deP).
2.2 Probabilités et temps moyens d"absorption
Dans le cas où il y a plusieurs classes fermées se pose la question de savoir dans quelle classe la chaîne de Markov
va ultimement être " bloquée ».DéfinitionSoitCune classe fermée (pour la chaîne de MarkovX). On noteCson temps d"atteinte :
C= inffn1jXn2 Cg:
Pour tout étatx2E, laprobabilité d"absorption parCpartant dexest qC(x) =?x(C<1):
On a évidemmentqC(x) = 1six2 CetqC(x) = 0sixappartient à une classe fermée différente deC.
Et sixappartient à une classes non fermée, alors sous?x,C= 1 +C1doncC<1si, et seulement siC1<1(pour atteindreCdepuisxil faut l"atteindre à partir de la positionX1). Par la propriété de Markov
au temps 1, ceci donne : qC(x) =?x(C1<1) =X
y2E? x(X1=y;C1<1) =X y2E? x(X1=y)?y(C<1);ce qui se ramène, siTest la réunion des classes non fermées (n.b. : ce sont des état transients), à
qC(x) =X
y2TP(x;y)qC(y) +X y2CP(x;y):Ces équations, d"inconnuesqC(x)pourx2 T, définissent un système linéaire dont on peut montrer, siTest
fini, qu"il admet une unique solution : on a donc une méthode de calcul des probabilités d"absorption.
43 Mesures invariantes
Dans toute cette partie, on supposera a priori la chaîne de Markov(Xn)n0irréductible. Dans le cas général,
on pourra néanmoins appliquer les théorèmes suivants à la chaîne de Markovrestreinteà une classe fermée et
en déduire alors des résultats sur certaines chaînes de Markov non irréductibles.Ayons en tête le cas récurrent : chaque état est visité infiniment souvent. Les définitions suivantes sont surtout
pertinentes dans ce cas-ci.Tandis que la question de la récurrence ou la transience ont trait au comportement asymptotique de(Xn)nde
façon qualitative (est-ce queXvisite tel état infiniment souvent?), on s"intéresse maintenant à des questions
plus quantitatives, à savoir :Com biende temps la suite (Xn)npasse-t-elle dans les divers états? (en proportion, pendant un tempsn! 1)
Com biende temps faut-il à la suite (Xn)npour revenir à son point de départ? (en espérance)
La loi de Xnadmet-elle une limite quandnest grand? Peut-on espérer une propriété de " mélange », à savoir
que la loi deXnne dépend presque plus de celle deX0et s"approche d"un équilibre?Pour toutn, on noten=?(Xn=x)
x2Ela loi deXn(on considérerancomme un vecteur-ligne). On a vu que, pour toutn2?, n+1=nP: Ainsi, sin!(et si la multiplication parPest continue),doit vérifier=P. DéfinitionUne mesuresurEestinvariante(pourP) si=P, c"est-à-dire : pour touty2E,(y) =X x2E(x)P(x;y): On parle deloi invariantesi de plusest une probabilité ((E) = 1). (On dit aussiloi/probabilité invariante/stationnaire) Vu la relationn+1=nP, on constate de suite que, siest une loi invariante etX0, alorsXnpour toutn. En revanche, sin"est pas une probabilité, alorsPn"a pas d"interprétation probabiliste.3.1 Existence et " unicité » des mesures invariantes
On va voir qu"une chaîne de Markovrécurrenteadmet toujours une mesure invariante (non nulle), et celle-ci
sera unique à un facteur près dès lors que la chaîne de Markov est irréductible. En particulier, une chaîne de
Markov finie irréductible admet toujours une mesure invariante, unique à un facteur près.Cas fini.Dans le cas fini, la relation=Psignifie queest un vecteur propreà gauchedePpour la valeur
propre 1, ou encore que test un vecteur propre (à droite) detP. Vu que 1 est valeur propre deP(la somme des lignes vaut 1), on sait que 1 est valeur propre de tP, donc il existe6= 0tel queP=. Il faut voir quel"on peut choisirà coefficients positifs; et l"unicité revient à dire que1est une valeur propre simple.
On peut donner une preuve élémentaire mais c"est aussi une conséquence d"un important théorème plus général :
Théorème (de Perron-Frobenius)SoitAune matrice carrée de tailleNà coefficients positifs. On supposeAirréductible : pour tousi;j, il
existen0tel que(An)i;j>0. Alors le rayon spectral deA,= maxfjjj2Sp(A)g, est une valeur propre simple deA, et admet un vecteur propre (non nul) à composantes positives.Cas général.On peut donner un argument probabiliste, qui donne une expression des mesures invariantes :
PropositionSiXest récurrente irréductible, alors il existe une mesure invariante (non nulle), unique à un facteur près.
Explicitement, si on se donnex02E, la mesuremx0définie par m x0(x) =?x0 x01X n=01 fXn=xg oùx0est le temps de retour enx0, est l"unique mesure invariante telle quem(x0) = 1. 5En toutes lettres,mx0(x)est, pour la chaîne de Markov issue dex0, le nombre moyen de visites àxavant de
retourner enx0.PropositionS"il y a un nombre fini d"états transients, alors toute mesure invariante est nulle sur ceux-ci.
3.2 Mesure réversible
DéfinitionUne mesuresurEestréversible(pourP) si, pour tousx;y2E, (x)P(x;y) =(y)P(y;x): La première remarque est qu"une telle mesure est invariante : pour touty2E, (P)(y) =X x2E(x)P(x;y) =X x2EP(y;x)(x) =(x): Cependant, la plupart des mesures invariantes ne sont pas réversibles.Un intérêt pour les mesures réversibles vient du fait qu"elles sont plus faciles à trouver (si elles existent) que les
mesures invariantes : le système ci-dessus se résout immédiatement (si on fixe(x), on déduit(y)pour tout
ytel queP(x;y)>0, etc., et il faut juste vérifier que ceci ne mène pas à des incohérences) Il peut donc être
bénéfique de commencer par chercher d"éventuelles mesures réversibles.L"intérêt principal est cependant théorique : on montre que, siX0suit la loi réversible (donc stationnaire), alors
la suite(X0;X1;:::;Xn)a même loi que la suite(Xn;Xn1;:::;X0), ce qui justifie l"appellation. Une chaîne de
Markov réversible a même loi, sous la probabilité stationnaire, lorsque l"on retourne le temps. Des parallèles
avec l"étude des réseaux électriques existent pour les chaînes de Markov réversibles, et une grande quantité de
résultats, souvent d"inspiration physique, leur sont spécifiques.3.3 Récurrence positive
La formule explicite (}) pour les mesures invariantes a un intérêt fondamental. Pour commencer, on note que
sa masse totale est : (échange espérance/série justifié car v.a. positives) m x0(E) =X x2Em x0(x) =?x0 X n< x0X x2E1 fXn=xg =?x0 X n< x01 =?x0[x0]: DéfinitionUn étatx2Eestrécurrent positifsi?x[x]<1. Si un état est récurrent et n"est pas récurrent positif, il est ditrécurrent nul.Par la remarque précédente, si un étatx0est récurrent positif, la mesure invariantemx0est finie (c"est-à-dire de
masse totale finie), et vice-versa; en particulier, en divisantmx0par cette masse totale?x0[x0], on obtient une
loi invariante, unique (tout court) si la mesure invariante est unique à un facteur près. Et(x0) =1?
x0[x0].On en déduit la seconde partie de ce qui suit.
Proposition-Si xest récurrent positif etx$y, alorsyaussi.PourPirréductible, on dit quePestrécurrente positivesi un état (ou tous) est récurrent positif.
Si Pest irréductible,Pest récurrente positive si, et seulement s"il existe une loi invariante.Et, dans ce cas, pour tout étatx,
(x) =1? x[x]: Dans le cas oùEest fini, la masse totale d"une mesure invariante est toujours finie. Par suite :CorollaireToute chaîne de Markov irréductible sur un espace d"états fini est récurrente positive.
64 Théorèmes limites
4.1 Comportement presque sûr : théorème ergodique
On considère le temps passé en un état au cours d"une longue trajectoire de la chaîne de Markov.
Le théorème ergodique énonce que, si la chaîne de Markov est récurrente positive, alors elle passe une proportion
strictement positive de son temps dans chaque état, et cette proportion est donnée par sa loi invariante. Si elle
est récurrente nulle, alors elle passe en chaque point une proportion de son temps qui converge vers zéro.
Ceci se comprend via la formule(x) =1?
x[x]: entre deux visites enx, il se passe un temps moyen?x[x], donc sur une duréen, on peut s"attendre à ce queXpasse un temps de l"ordre den? x[x]=n(x)enx(par la loi des grands nombres).Théorème (Théorème ergodique, dans le cas récurrent positif)On suppose la chaîne de Markov irréductible et récurrente positive, de probabilité invariante.
Pour tout étatx, pour toute loi initiale,
-p.s.,1n n1X k=01 fXk=xg!n!1(x):Plus généralement, pour toute fonctionf:E!?intégrable par rapport à, pour toute loi initiale,
-p.s.,1n n1X k=0f(Xk)!n!1Z E fd=X x2Ef(x)(x):Ce théorème s"applique donc notamment, on le rappelle, aux chaînes de Markov finies irréductibles.
La version dans le cas récurrent nul est nettement moins utile que la précédente. La voici néanmoins :
Théorème (Théorème ergodique, dans le cas récurrent nul)On suppose la chaîne de Markov irréductible et récurrente nulle, ayant une mesure invariante.
Pour tout étatx, pour toute loi initiale,
-p.s.,1n n1X k=01 fXk=xg!n!10: Pour toutes fonctionsf;g:E!?bornées, telles queREgd6= 0, pour toute loi initiale,
-p.s.,P n1 k=0f(Xk)P n1 k=0g(Xk)!n!1R EfdR Egd=P x2Ef(x)(x)P x2Eg(x)(x):Par exemple, la proportion de temps passé enxtend vers0, mais le rapport entre le temps passé enxet le
temps passé enyconverge vers(x)(y)(prendref=1fxgetg=1fyg).4.2 Convergence en loi
À partir du théorème ergodique dans le cas récurrent positif, le théorème de convergence dominée permet de
déduire (en prenant l"espérance) : 1n n1X k=0? (Xk=x)!n(x):Ainsi, la suite de terme général?(Xn=x)(autrement dit, la loi deXn) converge en moyenne de Cesàro vers
(x)dès que la chaîne de Markov est irréductible et récurrente positive.Cependant, ceci ne suffit pas à ce que?(Xn=x)converge vers(x). Voici un contre-exemple typique : la
chaîne de Markov surf0;1g, de matrice de transition P=0 1 1 0 7vérifie?0(Xn= 0) = 0sinest pair et1sinest impair, et on vérifie immédiatement que=1=2 1=2est
la loi invariante. La chaîne de Markov alterne entre les deux états, donc la fréquence d"occupation de chacun
converge bien sûr vers1=2(c"est ce que dit le théorème ergodique). Néanmoins, la probabilité d"être dans un
état donné au tempsnne converge pas.
Pour un exemple moins artificiel, il suffit de considérer l"urne d"Ehrenfest, où se pose exactement le même
problème : la parité deXnchange à chaque pas donc la suite de terme général?0(Xn=x)ne peut pas
converger. Comme on le voit, un obstacle tient à une notion depériodicité; c"est en fait le seul.
DéfinitionLapérioded"un étatx2Eest
d(x) = pgcd(fn1jPn(x;x)>0g):Sid(x) = 1,xest ditapériodique.
C"est donc le pgcd des longueurs des chemins depuisxversx(dans le graphe associé à la chaîne de Markov).
On trouve dans l"exemple précédent et l"urne d"Ehrenfest (et les marches aléatoires simples) qued(x) = 2pour
tout étatx. Pour la ruine du joueur,d(x) = 2si1xN1, etd(0) =d(N) = 1. Notons que siP(x;x)>0, alors immédiatementd(x) = 1.PropositionSix$y, alorsd(x) =d(y): la période est la même pour tous les états d"une même classe.
Pour une chaîne de Markov irréductible, on pourra donc parler sans ambiguïté de sa période, et de chaîne
apériodiquesi, pour un étatx(et donc pour tous),d(x) = 1.ThéorèmeOn suppose que la chaîne de Markov(Xn)n0est irréductible, récurrente positive et apériodique. Alors,
pour toute loi initiale, pour tout étatx, (Xn=x)!n(x);oùest l"unique loi invariante. Autrement dit, la loi deXnconverge vers la loi invariante. En particulier,
pour tousx;y2E, P n(x;y)!n(y); doncPnconverge vers une matrice dont les lignes sont toutes égales au vecteur-ligne. Plus généralement, pour toute loi initiale, pour toute fonction bornéef:E!?, [f(Xn)]!nZ fd=X x2Ef(x)(x): Démonstration:Admis (et la preuve est même officiellement hors-programme).1 2 3451 23
Figure1 - Graphes de chaînes de Markov de période 3 et 1, respectivement 8quotesdbs_dbs22.pdfusesText_28