• Aucun résultat trouvé

PREPA COURCELLES DEUXIEME ANNEE 1

N/A
N/A
Protected

Academic year: 2022

Partager "PREPA COURCELLES DEUXIEME ANNEE 1"

Copied!
4
0
0

Texte intégral

(1)

PREPA COURCELLES DEUXIEME ANNEE

1

Chaînes de Markov et Scilab

1. Rappels du principe des chaînes de Markov

a. Définitions

i. Définition d’une chaîne de Markov

On appelle chaîne de Markov, toute suite 𝑋! !∈! de variables aléatoires, définies sur le même espace probabilisé et à valeurs dans un ensemble E, telles que :

∀𝑛 ∈𝑁,∀ 𝑖!,𝑖!,…,𝑖!!!,𝑖,𝑗 ∈𝐸!!! tels que :

𝑃 𝑋!=𝑖 ∩ 𝑋!!!=𝑖!!! ∩…∩(𝑋!=𝑖!)∩(𝑋! =𝑖!) ≠0, on a : 𝑃[(𝑋!!!=𝑗)/ 𝑋!=𝑖 ∩ 𝑋!!!=𝑖!!! ∩…∩(𝑋!=𝑖!)]=𝑃[(𝑋!!!=𝑗)/ 𝑋!=𝑖 ]

En d’autres termes, la réalisation d’un événement futur (𝑋!!!=𝑗) dépend du passé seulement au travers du présent 𝑋!=𝑖

ii. Chaîne dans l’état i au temps n

La chaîne est dans l’état i au temps n si l’événement 𝑋! =𝑖 est réalisé.

L’ensemble E est donc l’ensemble des états de la chaîne iii. Probabilité de transition

Les probabilités 𝑃[(𝑋!!!=𝑗)/ 𝑋!=𝑖 ]=𝑝!,!(𝑛) sont appelées probabilités de transition

iv. Chaîne homogène

Une chaîne de Markov 𝑋! !∈! est homogène si toutes les probabilités 𝑝!,!(𝑛) ne dépendent pas de n mais seulement de i et j. Elles sont alors notées 𝑝!,!

b. Matrice de transition

Si une chaîne de Markov 𝑋! !∈! est homogène et si E est fini (par exemple : E=[1,N], on appelle matrice de transition de la chaîne, la matrice M de ℳ! 𝑅 telle que :

𝑀=

𝑝!,! 𝑝!,! … 𝑝!,!

𝑝!,! 𝑝!,! … 𝑝!,!

⋮ ⋱ ⋮

𝑝!,! 𝑝!,! … 𝑃!,!

(2)

PREPA COURCELLES DEUXIEME ANNEE

2 c. Matrice stochastique

M est une matrice stochastique si tous ses coefficients sont positifs et la somme des coefficients de chaque ligne est égale à 1

d. Probabilités totales et chaîne de Markov

Soit un système complet d’événements : 𝑋!=1 , 𝑋!=2 ,…, 𝑋!=𝑁 Dans ce cas, par application de la formule des probabilités totales à (𝑋!!!=𝑗) :

𝑃 𝑋!!!=𝑗 = 𝑃 𝑋!!!=𝑗/𝑋!=𝑖

!

!!!

𝑃(𝑋!=𝑖)

Ainsi :

𝑃 𝑋!!!=1 = 𝑃 𝑋!!!=1/𝑋!=𝑖

!

!!!

𝑃(𝑋!=𝑖)

𝑃 𝑋!!!=2 = 𝑃 𝑋!!!=2/𝑋!=𝑖

!

!!!

𝑃(𝑋!=𝑖)

𝑃 𝑋!!!=𝑁 = 𝑃 𝑋!!!=2/𝑋!=𝑖

!

!!!

𝑃(𝑋!=𝑖)

Soit en développant :

𝑃 𝑋!!!=1 =𝑃 𝑋!!!=1/𝑋! =1 𝑃 𝑋!=1 +⋯+ 𝑋!!!=1/𝑋! =𝑁 𝑃 𝑋!=𝑁 𝑃 𝑋!!!=2 =𝑃 𝑋!!!=2/𝑋! =1 𝑃 𝑋!=1 +⋯+ 𝑋!!!=2/𝑋! =𝑁 𝑃 𝑋!=𝑁

𝑃 𝑋!!!=𝑁 =𝑃 𝑋!!! =𝑁/𝑋!=1 𝑃 𝑋!=1 +⋯+ 𝑋!!!=𝑁/𝑋! =𝑁 𝑃 𝑋! =𝑁 Soit encore :

𝑃 𝑋!!!=1 =𝑝!,!.𝑃 𝑋!=1 +𝑝!,!.𝑃 𝑋!=2 …+𝑝!,!𝑃 𝑋! =𝑁 𝑃 𝑋!!!=2 =𝑝!,!.𝑃 𝑋!=1 +𝑝!,!.𝑃 𝑋!=2 …+𝑝!,!𝑃 𝑋! =𝑁

𝑃 𝑋!!!=𝑁 =𝑝!,!.𝑃 𝑋! =1 +𝑝!,!.𝑃 𝑋!=2 …+𝑝!,!𝑃 𝑋!=𝑁 Soit matriciellement

𝑃 𝑋!!!=1 𝑃 𝑋!!!=2

⋮ 𝑃 𝑋!!!=𝑁

=

𝑝!,! 𝑝!,! … 𝑝!,!

𝑝!,! 𝑝!,! … 𝑝!,!

⋮ ⋱ ⋮

𝑝!,! 𝑝!,! … 𝑃!,!

𝑃 𝑋!=1 𝑃 𝑋!=2

⋮ 𝑃 𝑋!=𝑁 Soit :

(3)

PREPA COURCELLES DEUXIEME ANNEE

3 𝑉! =

𝑃 𝑋!=1 𝑃 𝑋!=2

⋮ 𝑃 𝑋!=𝑁

Dès lors : 𝑉!!!= !𝑀.𝑉!!𝑉!!! = !𝑉!𝑀

En posant : !𝑉!=𝑈!=((𝑃 𝑋!!!=1 𝑃 𝑋!!!=2 …𝑃 𝑋!!!=𝑁 ) On a donc :

𝑈!!!=𝑈!.𝑀⇒𝑈!=𝑈!.𝑀!

où 𝑈!=(𝑃 𝑋! =1 𝑃 𝑋!=2 …𝑃 𝑋!=𝑁 )

2. Simulation en Scilab d’une chaîne de Markov

a. Commande pour simuler les n premiers de la chaîne de Markov suivant l’état initial x0 : grand(n,’markov’,M,x0)

b. Exemple

Un mobile se déplace par sauts sur les points A, O et B. Leurs abscisses sont respectivement -1, 0 et 1.

Le mobile, est au départ, en O.

S’il est en O à l’instant n, il sera soit en A, soit en B, en n+1 de façon équiprobable.

S’il est en A à l’instant n, il restera en A, ou retournera en O, en n+1 de façon équiprobable.

S’il est en B à l’instant n, il retournera nécessairement en O, en n+1.

Simuler la trajectoire au cours des 30 premiers sauts

𝐴!,𝐵!,𝑂! forme un système complet d’événements car, à l’instant n, il est certain que le mobile est soit en A, soit en B, soit en O. L’application de la formule des probabilités totales à 𝐴!!!,𝐵!!!,𝑂!!! conduit à écrire :

𝑃 𝐴!!! =𝑃 𝐴!!!/𝐴! P(𝐴!)+𝑃 𝐴!!!/𝑂! P(𝑂!)+𝑃 𝐴!!!/𝐵! P(𝐵!) 𝑃 𝑂!!! =𝑃 𝑂!!!/𝐴! P(𝐴!)+𝑃 𝑂!!!/𝑂! P(𝑂!)+𝑃 𝑂!!!/𝐵! P(𝐵!) 𝑃 𝐵!!! =𝑃 𝐵!!!/𝐴! P(𝐴!)+𝑃 𝐵!!!/𝑂! P(𝑂!)+𝑃 𝐵!!!/𝐵! P(𝐵!)

𝑃 𝐴!!!

𝑃 𝑂!!!

𝑃 𝐵!!!

=

1/2 1/2 0 1/2 0 1 0 1/2 0

𝑃 𝐴! 𝑃 𝑂! 𝑃 𝐵!

Donc : 𝑀=

1/2 1/2 0 1/2 0 1 0 1/2 0

!

=

1/2 1/2 0 1/2 0 1/2

0 1 0

(4)

PREPA COURCELLES DEUXIEME ANNEE

4

En Scilab, la trajectoire suppose une graduation à partir de 1. Compte tenu de la valeur minimale prise par l’abscisse de B égale à 1, il convient de déduire 2 des nombres générés par la commande en Scilab. On a donc :

--> grand(30,'markov',[0.5,0.5,0;0.5,0,0.5;0,1,0],2)-2

ans =

-1. 0. 1. 0. 1. 0. -1. 0. 1. 0. -1. -1.

-1. -1. 0. 1. 0. 1. 0. 1. 0. 1. 0. -1.

0. -1. 0. 1. 0. -1.

3. Cas de l’état stable d’une chaîne de Markov homogène

a. Définition d’une distribution stationnaire

Soit une chaîne de Markov homogène de matrice de transition M.

Une loi de probabilité définie par un vecteur ligne π qui satisfait l’équation πM= π est appelée distribution stationnaire (ou loi stationnaire) de la chaîne de Markov.

b. Caractérisation d’une distribution stationnaire 𝜋𝑀=π⇒ !𝑀 !π= !π

Donc, si la distribution est stationnaire, alors !π est vecteur propre de !𝑀 associé à la valeur propre 1

c. Exemple de mise en évidence d’un état stable en Scilab pour une chaîne de Markov Soit la matrice de transition : 𝑀= 1/2 1/2

1/4 3/4

La chaîne est à 2 états (1 et 2). On peut alors déterminer le réel x égal à la proportion des états 1 de la chaîne pour un grand nombre n de mouvements

--> x=sum(grand(n,'markov',[1/2,1/2;1/4,3/4],1)==1)/n x =

0.332964

Il semble donc y avoir une chance sur 3 qu’à long terme, le système soit dans l’état 1, et 2 chances sur 3 dans l’état 2

Références

Documents relatifs

Appelons succès l’obtention de « Pile » lors d’un lancer de la pièce et échec l’obtention de « Face »... Détermination de la loi

Détermination d’un estimateur par la méthode du maximum de vraisemblance On cherche à déterminer un estimateur de l’un des

Cette méthode est praticable si dimF est connue, c’est-à-dire si cette dimension est fournie par l’énoncé ou si elle a été établie dans une question précédente ou

Il convient alors de se demander si l’un des vecteurs

Exemples d’études de suites

En l’absence d’indication, il convient d’essayer de déterminer les coordonnées de tout vecteur de l’espace vectoriel E dont on cherche une base, dans la base canonique.. On

Par conséquent, dans ce

Cette méthode est praticable si dimE est connue, c’est-à-dire si cette dimension est fournie par l’énoncé ou si elle a été établie dans une question précédente ou