HAL Id: tel-00566478
https://tel.archives-ouvertes.fr/tel-00566478
Submitted on 16 Feb 2011
HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.
Gabriel Faraud
To cite this version:
Gabriel Faraud. Sur certains processus aléatoires en milieu aléatoire. Mathématiques [math]. Univer-
sité Paris-Nord - Paris XIII, 2010. Français. �tel-00566478�
Universit´ e Paris 13 - Villetaneuse Institut Galil´ ee
Laboratoire d’Analyse, G´ eom´ etrie et Applications
Num´ero attribu´e par la biblioth`eque
TH` ESE
pour obtenir le grade de
Docteur de l’universit´ e Paris 13 Discipline: Math´ematiques
pr´esent´ee et soutenue publiquement par Gabriel Faraud
le 03/09/2010
Titre
Sur certains processus al´eatoires en milieu al´eatoire On some random processes in a random environment
Directeur de th` ese : Professeur Dr. Yueyun Hu
JURY
Prof. Dr. Jean-St´ephane Dhersin Universit´e Paris 13 Examinateur
Prof. Dr. Nathana¨el Enriquez Universit´e Paris X Examinateur
Prof. Dr. Nina Gantert Universit¨at M¨ unster Rapporteur
Prof. Dr. Yueyun Hu Universit´e Paris 13 Directeur
Prof. Dr. Christophe Sabot Universit´e Lyon 1 Rapporteur
Prof. Dr. Zhan Shi Universit´e Paris 6 Examinateur
Remerciements: Je tiens tout d’abord `a remercier Nina Gantert et Christophe Sabot pour avoir accept´e d’ˆetre les rapporteurs de ma th`ese. Je remercie ´egalement Jean-St´ephane Dhersin, Nathana¨el Enriquez et Zhan Shi de m’avoir fait l’honneur de participer `a mon Jury.
Ce fut un plaisir et un enrichissement immenses de travailler sous la direction de Yueyun Hu. Il a su me donner la libert´e n´ecessaire pour que je puisse apprendre par moi-mˆeme, tout en ´etant toujours pr´esent aux moments difficiles. Son enseignement m’a ´enorm´ement apport´e et je lui suis infiniment reconnaissant.
Je voudrais ´egalement rendre hommage aux diff´erents professeurs qui m’ont guid´e dans la d´ecouverte des math´ematiques et des probabilit´es. Je voudrais en particulier mentionner mon professeur de MP* R´emi Brian¸con, ainsi que Jean-Fran¸cois Le Gall et Wendelin Werner.
Enfin, je tiens a t´emoigner de ma reconnaissance vis-`a-vis des diff´erents membres de la communaut´e probabiliste avec qui j’ai eu l’occasion de travailler durant ma th`eses. J’ai ´et´e particuli`erement touch´e par le climat d’ouverture et de respect qui r`egne dans ce milieu, et inspir´e par les personnalit´es exceptionnelles que j’ai pu y rencontrer. Je voudrais en partic- ulier citer les membres de l’´equipe ANR MEMEMO, ainsi que les chercheur du laboratoire de l’universit´e de Bath qui m’ont accueilli, en particulier Andreas Kyprianou et Peter Moerters, ainsi que Wolfgang K¨onig.
Ces quelques ann´ees pass´ees au sein du LAGA ont ´egalement ´et´e d’une grande richesse sur le plan humain, et je tiens `a t´emoigner de mon amiti´e envers les diff´erents membres du laboratoire, avec une pens´ee particuli`ere pour Isabelle Barbotin, Jean-Philippe Dru, Yolande Jimenez, ainsi que pour nos informaticiens.
La pr´esence de mes coll`egues doctorants m’a ´egalement beaucoup apport´e, je les remercie de leur gentillesse et je garderai le souvenir de l’ambiance sympathique et solidaire dont nous avons pu profiter pendant ces ann´ees.
Je remercie ´egalement ma famille et mes amis pour leur soutien, avec une pens´ee parti-
culi`ere pour M´elanie, qui a, plus que tout le monde, partag´e avec moi les difficult´es et les
joies de ma th`ese.
Contents
1 Introduction. 7
1.1 D´efinition et notations. . . . 9
1.2 R´ecurrence et Transience. . . . 10
1.3 Le comportement asymptotique. . . . 12
1.3.1 Le r´egime ballistique . . . . 12
1.3.2 Le r´egime lent . . . . 14
1.4 Deux extensions du mod`ele : la MAMA sur Z d et la marche renforc´ee. . . . . 16
1.4.1 La MAMA sur Z d . . . . 16
1.4.2 Marches al´eatoires renforc´ees. . . . 18
1.5 La MAMA sur les arbres. . . . . 20
1.5.1 Introduction . . . . 20
1.5.2 R´ecurrence/transience . . . . 21
1.5.3 Le comportement asymptotique . . . . 23
1.6 Diffusion dans un potentiel al´eatoire. . . . 26
1.7 Contenu. . . . 30
2 Introduction (English). 31 2.1 Definition and notations. . . . 33
2.2 Recurrence and Transience. . . . 34
2.3 The asymptotic behavior. . . . 35
2.3.1 The ballistic regime . . . . 35
2.3.2 The slow regime . . . . 37
2.4 Two extension of the model: the RWRE on Z d and reinforced random walk. 39 2.4.1 RWRE on Z d . . . . 39
2.4.2 Reinforced random walk. . . . 41
2.5 The RWRE on trees. . . . 43
3
2.5.1 Introduction . . . . 43
2.5.2 Recurrence/transience . . . . 45
2.5.3 The asymptotic behavior . . . . 46
2.6 The diffusion in a brownian potential. . . . 49
2.7 Content . . . . 53
3 The Central Limit theorem. 55 3.1 Proof of Theorem 2.5.1. . . . 55
3.2 The IMT law. . . . 60
3.3 The Central Limit Theorem for the RWRE on IMT Trees. . . . 63
3.4 Proof of Theorem 2.5.6. . . . 78
3.5 Proof of Lemma 3.4.3. . . . 87
3.6 Proof of Theorem 2.5.7. . . . 90
3.6.1 The annealed CLT on IMT trees . . . . 90
3.6.2 The annealed CLT on MT trees. . . . 94
4 The slow regime. 99 4.0.3 Branching random walks and maxima along rays . . . . 99
4.1 Proof of Theorem 4.0.7 . . . 102
4.2 An estimate for one-dimensional random walks . . . 109
4.3 Proof of Theorem 2.5.5 . . . 113
4.4 Proof of Theorem 2.5.4: upper bound . . . 115
4.5 Proof of Theorem 2.5.4: lower bound . . . 117
4.6 Proofs of Lemmas 4.5.4 and 4.5.5 . . . 127
5 A continuous time extension of RWRE. 133 5.1 The annealed estimate. . . 133
5.1.1 Preliminary statements. . . 133
5.1.2 Proof of Theorem 2.6.2. . . 134
5.1.3 Proof of Theorem 2.6.1. . . 144
5.1.4 Proof of Lemmas 5.1.1 and 5.1.2. . . 145
5.2 Quenched slowdown. . . 147
5.2.1 Preliminary statements. . . 147
5.2.2 Quenched slowdown for the hitting time. . . 149
5.2.3 Quenched slowdown for the diffusion. . . 157
CONTENTS 5
5.2.4 Proof of the lemmas. . . 159
5.3 Quenched speedup. . . 167
5.3.1 Preliminary statements. . . 167
5.3.2 Proof of Theorem 2.6.4. . . 168
5.3.3 Proof of Lemma 5.3.1. . . 173
5.3.4 Quenched Speedup for the diffusion. . . . 176
Chapter 1
Introduction.
La motivation premi`ere pour ´etudier des processus al´eatoires en milieu al´eatoire est de r´epondre `a la question naturelle : un processus dans un milieu inhomog`ene, mais r´egulier dans un certain sens a-t-il, au moins approximativement, les mˆemes propri´et´es qu’un proces- sus similaire dans un milieu homog`ene. Bien entendu cette formulation est assez impr´ecise, nous allons donc tout d’abord expliciter un peu notre propos.
Par inhomog´en´eit´e, nous entendons que la configuration locale de l’environnement sera al´eatoire, et ind´ependante de la configuration dans des points ´eloign´es de l’espace.
Cependant il est int´eressant de supposer que cet environnement est une perturbation al´eatoire d’un environnement r´egulier, pour traduire ceci nous ferons l’hypoth`ese qu’une certaine invariance par translation d’espace existe.
Le premier exemple d’´etude de milieux al´eatoires a ´et´e inspir´e par la biophysique. En effet, en 1967, dans le but d’´etudier la r´eplication de l’ADN, A.A. Chernov [17] introduisit un mod`ele tr`es simple, appel´e Marche al´eatoire en milieu al´eatoire sur Z (MAMA), qui peut ˆetre d´ecrit de la fa¸con suivante:
• on consid`ere une famille de variables al´eatoires i.i.d. w i , i ∈ N , telle que w i ∈ [0, 1].
0 1 2 3 4 5
− 1
− 2
− 3
− 4
− 5
w 0
1 − w 0 1 − w 0 w 0
7
• Soit X n la marche al´eatoire d´efinie par
X 0 = 0,
P w [X n+1 = x + 1 | X n = x] = w x , P w [X n+1 = x − 1 | X n = x] = 1 − w x .
Le lien entre ce processus et l’ADN n’est pas ´evident, donc nous allons expliquer comment cet “environnement” intervient. L’id´ee de Chernov est de mod´eliser la r´eplication de l’ADN de la fa¸con suivante : la chaˆıne originale est constitu´ee de mol´ecules A,C,G,T, et une seconde chaˆıne est construite selon le principe suivant:
• Au d´epart la chaˆıne est vide, puis une mol´ecule forme une paire avec la premi`ere mol´ecule de la chaˆıne originale.
• Ensuite, `a chaque ´etape, soit une mol´ecule est ajout´ee, soit la derni`ere est enlev´ee. Bien sˆ ur, les “mauvaises paires” C-T ou A-G ont une plus grande chance d’ˆetre supprim´ees que les “bonnes” A-T et G-C. En effet, si `a la fin de la r´eplication il reste une mauvaise paire dans la chaˆıne, alors une mutation apparaˆıt.
A T G A G T A C
T A C T
faible chance de suppression
A T G A G T A C
T A C C
grande chance de suppression
Les probabilit´es de formation et de suppression des paires sont toutes diff´erentes, donc la longueur de la chaˆıne cr´e´ee suit la loi d’une marche al´eatoire en milieu al´eatoire, le milieu
´etant donn´e par la chaˆıne originale.
Quelques ann´ees plus tard, D.E. Temkin [96], int´eress´e par des probl`emes issus de la m´etallurgie, fait d’autres travaux sur le mod`ele.
De nombreux r´esultats math´ematiques ont ´et´e obtenus depuis, en particulier par F.
Solomon [89], Ya. G. Sina¨ı [88] et H. Kesten, M. V. Koslov et F. Spitzer [58].
Ce processus a ´et´e r´ecemment l’objet de beaucoup d’int´erˆet de la part de la biologie
mol´eculaire. Nous pouvons citer en particulier les travaux de D.K. Lubensky et D.R. Nelson
[63] ainsi que ceux de B. Essevaz-Roulet, U. Bockelmann, et F. Heslot [31]. Ils ont invent´e
une nouvelle m´ethode pour s´equencer l’ADN en “tirant” sur les brins d’ADN. Les liaisons
entre les nucl´eotides n’ayant pas la mˆeme force, les brins vont se d´etacher plus ou moins vite
1.1. D ´ EFINITION ET NOTATIONS. 9 suivant les nucl´eotides pr´esents. Ceci est reli´e aux marches al´eatoires en milieu al´eatoire, les liaisons repr´esentant l’environnement. Le probl`eme qu’ils soul`event est de d´eterminer l’environnement `a partir de plusieurs r´ealisations de la marche. Sur ce sujet nous mention- nons ´egalement les travaux de S.Cocco, R. Monasson, et J.F. Marko [19].
Cependant, si le cas unidimensionnel est maintenant bien compris, tr`es peu de r´esultats existent concernant les marches al´eatoires en milieu al´eatoire sur Z d , d ≥ 2. Nous pouvons citer des travaux de S.A. Kalikow [51] et A.S. Sznitman et M. Zerner [93], ainsi que, dans le cas d’environnements de Dirichlet, les travaux de N. Enriquez et C. Sabot [28], de C.
Sabot [84] et de C. Sabot et L. Tournier [85]. Ainsi des tentatives ont ´et´e faites dans le but d’´etendre le mod`ele initial `a des espaces diff´erents. Nous traiterons ici plus particuli`erement du cas des arbres.
Une autre direction de recherche sur les milieux al´eatoires est l’extension du processus en temps continu. Une diffusion dans un potentiel Brownien a ´et´e introduite par S. Schumacher [87] et T. Brox [16]. Ce processus a des propri´et´es tr`es proches de celles de la marche al´eatoire en milieu al´eatoire discr`ete, mais l’existence d’un principe d’invariance reste encore une question ouverte.
Nous commen¸cons par un r´esum´e des r´esultats existant dans le cas unidimensionnel.
Cependant, comme l’objectif de cette th`ese n’est pas de faire un bilan exhaustif de la recherche concernant la MAMA sur Z , mais plutˆot de d´ecrire des extensions de ce mod`ele, nous prenons la libert´e de ne donner que les preuves qui apportent un ´eclairage particulier `a notre travail. Nous renvoyons le lecteur `a la bibliographie, et en particulier `a [99] pour des preuves plus compl`etes.
1.1 D´ efinition et notations.
Soit, comme pr´ec´edent, (w i ) i ∈ N une famille de variables al´eatoires i.i.d. `a valeurs dans [0, 1].
Nous faisons l’hypoth`ese (dite hypoth`ese d’ellipticit´e) qu’il existe un ε > 0 tel que, presque sˆ urement, ε ≤ w i ≤ 1 − ε. On appelle marche al´eatoire dans l’environnement w la chaˆıne de Markov X n , P w d´efinie par
X 0 = 0,
P w [X n+1 = x + 1 | X n = x] = w x ,
P w [X n+1 = x − 1 | X n = x] = 1 − w x .
Nous devons distinguer plusieurs lois de probabilit´e. On appellera
• µ la loi de l’environnement w,
• P w la probabilit´e “quenched”,
• P = µ ⊗ P w la probabilit´e “annealed”,
(les termes “quenched” et “annealed” proviennent des applications de ce mod`ele `a la m´etallurgie.) Remarque: Notons que, sous la loi annealed P , la marche X n n’est pas une chaˆıne de Markov. En effet, si la marche est `a un certain point x au temps n, et que l’on sait d’autre part qu’avant l’instant n elle a fait plus de sauts de x `a x+1 que de sauts de x `a x − 1, alors il y a de fortes chances pour que w x soit plus proche de 1 que de 0, ainsi la marche aura plus de chances de sauter de nouveau vers x + 1. La marche a ainsi une tendance `a utiliser plusieurs fois les mˆemes chemins. Pour cette raisons la MAMA est reli´ee `a un autre mod`ele, dit de marches renforc´ees. Cela explique aussi que la MAMA aura souvent des comportements plus lents que la marche al´eatoire classique.
1.2 R´ ecurrence et Transience.
Dans cette partie nous introduisons un premier r´esultat, `a savoir un crit`ere de transience/r´ecurrence.
Soit ρ x := 1 − w w
xx
. les variables ρ x , x ∈ Z sont i.i.d.. Nous appellerons ρ leur loi commune.
Th´ eor` eme 1.2.1 (R´ ecurrence/transience; Solomon 1975) On suppose que E µ [log(ρ)]
est bien d´efini, et que P µ [w 0 ∈ { 0, 1 } ] = 0. Alors
• Si E µ [log(ρ)] < 0, alors P -p.s, X n → + ∞ ,
• si E µ [log(ρ)] > 0, alors P -p.s, X n → −∞ ,
• si E µ [log(ρ)] = 0, alors P -p.s, lim sup X n = + ∞ et lim inf X n = −∞ .
Nous donnons une preuve de ce r´esultat, qui nous permet d’introduire des outils qui seront utiles par la suite.
Preuve : pour tout x ∈ Z , soit τ x le premier temps d’atteinte de x par X n , et soit P w x la loi de la marche partant de x. Remarquons que, sous la condition d’ellipticit´e, pour tout a ≤ x ≤ b, P w x (τ a ∧ τ b = ∞ ) = 0. Nous pouvons donc d´efinir
H(a, b, x) := P w x (τ a < τ b ).
1.2. R ´ ECURRENCE ET TRANSIENCE. 11 En utilisant la propri´et´e de Markov, nous voyons que H(a, b, x) satisfait l’´equation
H(a, b, a) = 1 H(a, b, b) = 0
H(a, b, x) = w x H(a, b, x + 1) + (1 − w x )H(a, b, x − 1), si a < x < b.
Cette ´equation peut ˆetre r´esolue, et nous obtenons la formule importante H(a, b, x) =
P b i=x+1
Q i − 1 j=x+1 ρ j P b
i=x+1
Q i − 1
j=x+1 ρ j + P x i=a+1
Q x
j=i ρ j − 1 . (1.2.1) La loi des grands nombre entraˆıne, µ − presque sˆ urement,
i − 1
Y
j=x+1
ρ j ∼ exp ((i − x − 1)(E µ [log ρ] + o(1))), quand i → ∞
et Y x
j=i
ρ j − 1
∼ exp − ((x − i + 1)(E µ [log ρ] + o(1))), quand i → ∞ . Ainsi, dans le cas E µ [log(ρ)] < 0, pour tout a < x, on obtient
k →−∞ lim lim
n →∞ H(k, n, 0) = 0, et
n lim →∞ H( − 1, n, 0) < 1.
Ceci implique que, P w presque sˆ urement, X n → ∞ . Le cas E µ [log(ρ)] > 0 est direct par sym´etrie.
D’autre part, si E[log ρ 0 ] alors
lim sup
i →∞
i − 1
X
j=x+1
log ρ j = ∞ et
lim sup
i →−∞
X x j=i
log(ρ j − 1 ) = ∞ , On obtient donc que pour tout k < 0
m lim →∞ H(k, m, 0) = 1 et pour tout m > 0
k →−∞ lim H(k, m, 0) = 0.
Ceci implique le r´esultat.
1.3 Le comportement asymptotique.
1.3.1 Le r´ egime ballistique
Le premier probl`eme qui se pose, une fois la question de la r´ecurrence/transience r´esolue, est celle de l’existence d’une loi des grands nombres, ou, autrement dit, d’une vitesse positive.
En effet, il existe de nombreux exemples de processus transients qui ont des comportements
“ballistiques”. Le lemme suivant, du `a H. Kesten [56], donne un ´eclairage particulier sur ce ph´enom`ene.
Lemme 1.3.1 (Kesten 1975) Soit (Y j ) j ≥ 1 une suite stationnaire, alors, avec probabilit´e 1, l’´ev`enement { lim n →∞ P n
i=1 Y i = ∞} implique lim inf n →∞ 1 n
P n
i=1 Y i > 0.
Cependant dans notre cas la suite { X n+1 − X n } n’est pas stationnaire, donc la transience n’implique pas n´ecessairement l’existence d’une vitesse positive. En effet, le th´eor`eme suiv- ant, prouv´e par F. Solomon [90] fait apparaˆıtre un r´egime interm´ediaire.
Th´ eor` eme 1.3.1 (Solomon 1975) Sous les hypoth`eses pr´ec´edentes,
• si E µ [ρ] < 1, alors X n
n→ 1 1+E[ρ] − E[ρ] , P − p.s.,
• si E µ [ρ] < 1, alors X n
n→ 1 1+E[ρ − E[ρ
−1−1] ] , P − p.s.,
• si 1/E µ [ρ] ≤ 1 ≤ E µ [ρ − 1 ], alors X n
n→ 0, P − p.s..
Nous donnons une id´ee de la preuve de ce r´esultat.
Preuve :
Nous rappelons que τ 1 est le premier temps d’atteinte de 1 par X n . Soit θ x w l’environnement translat´e, d´efini par θ x w y = w(y + x).
En d´ecomposant par rapport au premier pas, on remarque que τ 1 = 1 (X
1=1) + (1 + τ 0 ′ + τ 1 ′′ )1 (X
1= − 1) ,
o` u τ 0 ′ est le premier temps d’atteinte de 0 par la marche partant de − 1 et τ 1 ′′ est le temps n´ecessaire `a la marche pour atteindre 1 apr`es son second passage en 0. En utilisant la propri´et´e de Markov, on obtient que, sous P w , τ 1 ′′ a la mˆeme loi que τ 1 , et que la loi de τ 0 ′ sous P w co¨ıncide avec celle de τ 1 sous P θ
−1w . On obtient donc
E w (τ 1 ) = 1 + (1 − w 0 )(E w (τ 1 ) + E θ
−1w (τ 1 )),
1.3. LE COMPORTEMENT ASYMPTOTIQUE. 13 d’o` u
E w (τ 1 ) = 1 w 0
+ ρ 0 E θ
−1w (τ 1 ).
En it´erant cette relation, on obtient E w (τ 1 ) = 1
w 0
+ ρ 0 w 1
+ ρ 0 ρ − 1 w 2
+ · · · +
Q − (m − 1 i=0 ρ i
w − m + Q − (m − 1)
i=0 ρ i E θ
−mw (τ 1 ). (1.3.1) En prenant l’esp´erance par rapport `a µ, et la limite pour m → ∞ , on obtient
E (τ 1 ) = E µ
" ∞ X
i=1
1 w − i
i − 1
Y
j=0
ρ − j + 1 w 0
#
= E µ ( w 1
0