Modles stochastiques

Chanes de Markov discrtes

1. Processus stochastique discret

Suite de variables alatoires { X t } , t T
T est un ensemble d'entiers non-ngatifs et
X t reprsente une mesure d'une caractristique au temps t
2. Processus stochastique discret avec un espace d'tats fini
Processus stochastique dcrivant l'volution d'un systme qui est modifi dans
le temps.
Structure:
M + 1 tats mutuellement exclusifs: 0,1, , M
X t = tat du systme au temps t : X t {0,1, , M }

{ X t } = { X 0 , X 1 ,} reprsentation du statut du systme dans le temps.

2. Processus stochastique discret avec une espace d'tats fini

Processus stochastique dcrivant l'volution d'un systme qui est modifi dans
le temps.
Structure:
M + 1 tats mutuellement exclusifs: 0,1, , M
X t = tat du systme au temps t : X t {0,1, , M }

Exemple de la mto

{ X t } = { X 0 , X 1 ,} reprsentation du statut du systme dans le temps.

volution de la mto d'un jour l'autre. Souvent la mto un jour donn peut
dpendre de la mto de la veille.
Observations sur les jours t = 0,1,
tats de la mto le jour t :
tat 0: beau
tat 1: pluie.
Dnotons
0
Xt =
1

beau le jour t
pluie le jour t.

Processus stochastique { X t } = { X 0 , X 1 ,}

3. Chanes de Markov
Proprit markovienne est souvent une hypothse souvent faite pour faciliter
l'tude d'un processus stochastique { X t } = { X 0 , X 1 ,} .
Le processus stochastique { X t } = { X 0 , X 1 ,} est une chane de Markov

( ou possde la proprit markovienne ) si

P ( X t +1 = j | X 0 = k0 , X 1 = k1 , X t = i ) = P ( X t +1 =

j | X t = i ).

Probabilit conditionnelle de l'tat demain X t +1 tant donn les tats passs

( 0,1, , t 1) et de celui d'aujourd'hui t est indpendantes des tats passs;

i.e., probabilit conditionnelle de l'tat de demain X t +1 depend uniquement
de l'tat d'aujourd'hui X t .
Le processus stochastique est dit sans mmoire

4. Probabilits de transition
Probabilits de transition entre deux moments conscutifs t et ( t + 1)
pij = P ( X t +1 = j | X t = i ) = P ( X 1 = j | X 0 = i )

i, j {0, , M }

Proprits:
pij 0

i, j {0, , M }

ij

=1

i {0, , M }

j =0

probabilits de transition restent stationnaires dans le temps

P ( X t +1 = j | X t = i ) = P ( X 1 = j | X 0 = i )

Exemple de la mto:
p00 = P ( X t +1 = 0 | X t = 0 ) = 0.8
p10 = P ( X t +1 = 0 | X t = 1) = 0.6

i, j {0, , M }

P ( beau demain| beau aujourd'hui ) = 0.8

P ( beau demain| pluie aujourd'hui ) = 0.6
0
Xt =
1

p00 + p01 = 1 p01 = 1 p00 = 1 0.8 = 0.2

p10 + p11 = 1 p11 = 1 p10 = 1 0.6 = 0.4

beau le jour t
pluie le jour t.

4. Probabilits de transition
Probabilits de transition entre deux moments conscutifs t et ( t + 1)
pij = P ( X t +1 = j | X t = i ) = P ( X 1 = j | X 0 = i )

i, j {0, , M }

Matrice de transitions
tats

[0

0
1
P=


M

p00
p
10


pM 0

p01 p0 M
p11 p1M



pM 1 pMM

Exemple de la mto:
p00 = P ( X t +1 = 0 | X t = 0 ) = 0.8
p10 = P ( X t +1 = 0 | X t = 1) = 0.6
p00 + p01 = 1 p01 = 1 p00 = 1 0.8 = 0.2
p10 + p11 = 1 p11 = 1 p10 = 1 0.6 = 0.4

0.8
P=
0.6

0.2
0.4

Exemple du jeu:
Tant qu'un joueur a de l'argent en main, il joue en misant $1.
Il gagne $1 avec une probabilit de p.
Il perd sa mise ($1) avec une probabilit de (1 p ) .
Le jeux s'arrte lorsque le joueur n'a plus d'argent ou lorqu'il a $3 en main.
tats (somme que le joueur peut avoir en main):

Matrice de transition
tats
0
1

2

3

0
1

(1 p ) 0

P=
0 (1 p )

0
0

2 3]
0 0

p 0
0 p

0 1

0, 1, 2, 3

5. quations de Chapman-Kolmogorov
Probabilits de transition entre les deux moments t et ( t + n )
(incluant n transitions)
pij( n ) = P ( X t + n = j | X t = i ) = P ( X n = j | X 0 = i )

i, j {0, , M }

Les quations de Chapman-Kolmogorov permettent de determiner les probabilits

de transition pij( n ) partir des probabilits de transition entre deux moments
conscutifs pij :
M

pij = pik( m ) pkj( n m )

( n)

i, j {0, , M }

k =0

m = 1, 2, , n 1
n = m + 1, m + 2,

Les quations de Chapman-Kolmogorov permettent de determiner les probabilits

de transition pij( n ) partir des probabilits de transition entre deux moments
conscutifs pij :
M

pij = pik( m ) pkj( n m)

( n)

i, j {0, , M }

k =0

m = 1, 2, , n 1
n = m + 1, m + 2,
n tapes

( n)

pij

(
p
m tapes ik

m)

pkj( n m )

( n m ) tapes

k
On doit considrer tous les tats k comme intermdiaires.

Probabilits de transition entre les deux moments t et ( t + n )

(incluant n transitions)
pij( n ) = P ( X t + n = j | X t = i ) = P ( X n = j | X 0 = i )

pij = pik pkj

( 2)

i, j {0, , M }

i, j {0, , M }

P ( 2) = PP

k =0

( n 1)

i, j {0, , M }

P ( n ) = PP ( n 1) = PP n 1

pij = pik( n 1) pkj

i, j {0, , M }

P ( n ) = P ( n 1) P = P n 1 P

pij = pik pkj

( n)

k =0

( n)

k =0

Probabilits de transition entre les deux moments t et ( t + n )

(incluant n transitions)
pij( n ) = P ( X t + n = j | X t = i ) = P ( X n = j | X 0 = i )

i, j {0, , M }

Exemple de la mto:
0.8 0.2
P=

0.6 0.4
P

( 3)

( 4)

( 2)

0.8 0.2 0.8 0.2 0.76 0.24

= PP = P =
0.6 0.4 = 0.72 0.28
0.6
0.4

0.8 0.2 0.76 0.24 0.752 0.248

= PP = P =
0.72 0.28 = 0.744 0.256
0.6
0.4

0.8 0.2 0.752 0.248 0.75 0.25

= PP = P =
=

0.6 0.4 0.744 0.256 0.749 0.251

3

0.8 0.2 0.75 0.25 0.75 0.25

P (5) = PP 4 = P 5 =
=

0.6
0.4
0.749
0.251
0.75
0.25

( 6)

0.8 0.2 0.75 0.25 0.75 0.25

= PP = P =
=

0.6
0.4
0.75
0.25
0.75
0.25

P 5 = P 6 = P 7 = P8 =
5

6. Probabilits non-conditionnelles des tats

Dans le cas o n est petit et que le systme n'a pas atteint son stage d'quilibre,
il faut connatre les probabilits des tats au dpart (i.e., t = 0)
P ( X0 = i)

i {0, , M } .

Alors
P ( X n = j ) = P ( X n = j & X 0 = 0) + + P ( X n = j & X 0 = M )
P ( X n = j ) = P ( X n = j | X 0 = 0) P ( X 0 = 0) + + P ( X n = j | X 0 = M ) P ( X 0 = M )
( n)
= p0( nj) P ( X 0 = 0 ) + + pMj
P( X0 = M )

Exemple de la mto:
Supposons que P ( X 0 = 0 ) = 0.3 et P ( X 0 = 1) = 0.7
Quelle est la probabilit qu'il pleuve le jour 3, P ( X 3 = 1) ?
3
P ( X 3 = 1) = p01
P ( X 0 = 0 ) + p113 P ( X 0 = 1)

= 0.248 0.3 + 0.256 0.7

= 0.0744 + 0.1792 = 0.2536

( 3)

0.752 0.248
=

0.
7
44
0.
25
6

7. Classification des tats d'une chane de Markov

Un tat j est accessible partir de l'tat i si
pij( ) > 0 pour un certain n > 0
n

Exemple de la mto:
Les tats 0 et 1 sont accessibles partir des tats 0 et 1 puisque
0.8 0.2
P=

0.
6
0.4

pij > 0

i, j {0,1} .

Un tat j est accessible partir de l'tat i si

pij( n ) > 0 pour un certain n > 0
Tant qu'un joueur a de l'argent en main, il joue en misant $1.
Il gagne $1 avec une probabilit de p.

Exemple du jeu:
L'tat 3 est accessible partir
de l'tat 2 car
p23 = p > 0

Les tats 0, 1, 2 ne sont pas

accessibles partir de l'tat 3

Il perd sa mise ($1) avec une probabilit de ( i p ) .

Le jeux s'arrte lorsque le joueur n'a plus d'argent ou lorqu'il a $3 en main.
0
1

(1 p ) 0
P=
0 (1 p )

0
0

0 0

p 0
0 p

0 1

car on ne peut repartir vers

d'autres tats partir de 3

(n)
( n)
( n)
p30
= 0, p31
= 0, p32
=0

n > 0

Les tats i et j communiquent si

l'tat i est accessible partir de l'tat j et l'tat j est accessible partir de l'tat i
i communique avec lui-mme ( pii0 = P ( X 0 = i | X 0 = i ) = 1)

i communique avec j j communique avec i

i communique avec k et k communique avec j i communique avec j

n1 >0 tel que pik( n1 ) > 0

Donc

( n1 + n2 )

pij

et

n2 >0 tel que pkj( n2 ) > 0

= pil( n1 ) plj( n2 ) pik( n1 ) pkj( n2 ) >0

l =0

Exemple de la mto:
Les tats 0 et 1 communiquent
0.8 0.2
P=

0.
6
0.
4

pij > 0

i, j {0,1} .

Les tats i et j communiquent si

l'tat i est accessible partir de l'tat j et l'tat j est accessible partir de l'tat i

i communique avec lui-mme ( pii0 = P ( X 0 = i | X 0 = i ) = 1)

i communique avec j j communique avec i
i communique avec k et k communique avec j i communique avec j
Exemple du jeux:
Les tats 1 et 2 communiquent
tats
0
1

2

3

0
1

(1 p ) 0

P=
0 (1 p )

0
0

2 3]
0 0

p 0
0 p

0 1

Une classe est un sous-ensemble de tous les tats communiquant entre eux.

... the states may be partitioned into one or more separate classes
such that those states that communicate with each other are in the
same class.
H.L.

Une classe est un sous-ensemble de tous les tats communiquant entre eux.

Une chane de Markov est irrductible si elle ne comporte qu'une seule classe.
Exemple de la mto:
Les tats 0 et 1 communiquent
0.8 0.2
P=

0.6 0.4

pij > 0

chane de Markov irrductible

i, j {0,1} .

Exemple du jeux:
Les tats 1 et 2 communiquent
tats
0
1

2

3

2 3]

0
0 0
1

0
p
p
0
(
)
3 classes: {0} , {1, 2} , {3}

P=
0 (1 p ) 0 p

0
0 1
0
0

Etat transient:
i est un tat transient si aprs y avoir accd (upon entering this state),
le processus peut ne plus y revenir:
i est transient j ( i ) accessible de i, mais i n'est pas accessible de j
Exemple du jeux:
tats
0
1

2

3

0
1

(1 p ) 0

P=
0 (1 p )

0
0

2
0
p
0
0

les tats de la classe {1,2} sont transients:

3]

0 0 accessible de 1, mais

0 1 n'est pas acessible de 0;

p

1 3 accessible de 2, mais
2 n'est pas acessible de 3.

Etat rcurrent:
i est un tat rcurrent si aprs y avoir accd, le processus y reviendra:
i est rcurrent i n'est pas transient

A state is said to be rcurrent if, upon entering this state, the process
definitely will return to this state again.
H.L.
Exemple du jeux:
tats
0
1

2

3

2 3]
les tats 0 et 3 sont rcurrents:
0
0 0
1

p
p
1
0
0
(
)

aprs avoir atteint 0 ( ou 3)

P=
0 (1 p ) 0 p

on y reste, donc on y revient.

0
0 1
0
0

Une chane de Markov est irrductible si elle ne comporte qu'une seul classe.

Etat rcurrent:
i est un tat rcurrent si aprs y avoir accd, le processus y reviendra:
i est rcurrent i n'est pas transient
Tous les tats d'une chane de Markov irrductible sont rcurrents.
Exemple de la mto:
Les tats 0 et 1 communiquent
0.8 0.2
P=

0.6 0.4

pij > 0

chane de Markov irrductible

i, j {0,1} .
0 et 1 sont rcurrents

Etat absorbant:
i est un tat absorbant si aprs y avoir accd, le processus ne peut en repartir:
i est absorbant pii =1
Exemple du jeux:
tats
0
1

2

3

2 3]

0
0 0
1

les tats 0 et 3 sont absorbants

(1 p ) 0 p 0

puisque p00 = p33 =1

P=
0 (1 p ) 0 p

0
0 1
0
0

Exemple pour illustrer les dfinitions:

tats
0
1

2

3
4

4]

0.2 0.8 0 0
0.5 0.5 0 0

P= 0 0 1 0

0 0 0.3 0.7
1 0 0
0

0
0
0

0
0

Etat transient:

i est un tat transient si aprs y avoir accd, le processus peut ne plus y revenir:
i est transient j ( i ) accessible de i, mais i n'est pas accessible de j

Etat rcurrent:
i est un tat rcurrent si aprs y avoir accd, le processus y reviendra:
i est rcurrent i n'est pas transient

Etat absorbant:
i est un tat absorbant si aprs y avoir accd, le processus
ne peut en repartir:
i est absorbant pii =1

Une classe est un sous-ensemble d'tats communiquant entre eux.

{0,1} , {2} , {3} , {4}

2 est rcurrent et absorbant

3 est transient puisque p32 > 0 et p22 = 1

p04 = 0
4 est transient puisque p40 = 1 et
p01 > 0 mais p14 = 0

Exemple pour illustrer les dfinitions:

tats
0
1

2

3
4

4]

0.2 0.8 0 0
0.5 0.5 0 0

P= 0 0 1 0

0 0 0.3 0.7
1 0 0
0

0
0
0

0
0

Etat transient:

i est un tat transient si aprs y avoir accd, le processus peut ne plus y revenir:
i est transient j ( i ) accessible de i, mais i n'est pas accessible de j

Etat rcurrent:
i est un tat rcurrent si aprs y avoir accd, le processus y reviendra:
i est rcurrent i n'est pas transient

Etat absorbant:
i est un tat absorbant si aprs y avoir accd, le processus
ne peut en repartir:
i est absorbant pii =1

Une classe est un sous-ensemble d'tats communiquant entre eux.

{0,1} , {2} , {3} , {4}

0 et 1 sont rcurrents
Tous les lments d'une classe sont rcurrents ou transients.
Il ne peut y avoir une chane de Markov dont tous les lments sont transients.

Priode d'un tat (Hillier & Lieberman).

i is of priod d if pii( n ) = 0 for all values of n other than
d , 2d , 3d ,...

H.L.

et d est la plus grande valeur entire ayant cette proprit.

Exemple du jeux:
Considrons l'tat 1 (joueur possde $1 au dpart)
1 0

tats
0
1

2

3

0
1

(1 p ) 0
P=
0 (1 p )

0
0

 revient 1 au temps 2 p11(2) > 0

2 1 0
 revient 1 au temps 4 p11(4) > 0

2 1 0
 revient 1 au temps 6 p11(6) > 0

2 1 0
 revient 1 au temps 8 p11(8) > 0

2 1 0

donc d = 2

2 3]
0 0

p 0
0 p

0 1

Priode d'un tat (Taylor & Karlin).

La priode d ( i ) de i est le plus grand commun diviseur de tous les entiers n
pour lesquels pii( ) > 0. (Par convention, d ( i ) = 0 si pii( ) = 0 pour tout n 1.)
n

tats

Exemple du jeux:
Considrons l'tat 1 (joueur possde $1 au dpart)
1 0

0
1

2

3

0
1

(1 p ) 0
P=
0 (1 p )

0
0

 revient 1 au temps 2 p11(2) > 0

2 1 0
 revient 1 au temps 4 p11(4) > 0

2 1 0

donc d (i ) = 2

 revient 1 au temps 6 p11(6) > 0

2 1 0
 revient 1 au temps 8 p11(8) > 0

2 1 0

2 3]
0 0

p 0
0 p

0 1

Priode d'un tat (Hillier & Lieberman).

Priode d'un tat (Taylor & Karlin).

i is of priod d if pii( n ) = 0 for all values of n other than

La priode d ( i ) de i est le plus grand commun diviseur de tous les entiers n

d , 2d , 3d ,...
H.L.
et d est la plus grande valeur entire ayant cette proprit.

pour lesquels pii( ) > 0. (Par convention, d ( i ) = 0 si pii( ) = 0 pour tout n 1.)
n

On peut dmontrer que la priode est la mme pour tous les tats d'une classe.

i est apriodic si sa priode d = 1

i.e. deux moments conscutifs s et s + 1 o pii( ) > 0 et pii(
s

s +1)

>0

i est apriodic si sa priode d (i ) = 1

i.e. si piin > 0 pour tout n 1
i est un tat rcurrent si aprs y avoir accd, le processus y reviendra:
i est rcurrent i n'est pas transient

Dans une chane de Markov avec un espace d'tats fini,

un tat rcurrent qui est apriodic est dit ergodic.
Une chane de Markov avec un espace d'tats fini est ergodic,
si tous ses tats sont ergodics.

6. Probabilits non-conditionnelles des tats

Dans le cas o n est petit et que le systme n'a pas atteint son stage d'quilibre,
il faut connatre les probabilits des tats au dpart (i.e., t = 0)
P ( X0 = i)

i {0, , M } .

Alors
P ( X n = j ) = P ( X n = j | X 0 = 0) P ( X 0 = 0) + + P ( X n = j | X 0 = M ) P ( X 0 = M )
( n)
= p0( nj) P ( X 0 = 0 ) + + pMj
P( X0 = M )

Exemple de la mto:
Supposons que P ( X 0 = 0 ) = 0.3 et P ( X 0 = 1) = 0.7
Quelle est la probabilit qu'il pleuve le jour 3, P ( X 3 = 1) ?
3
P ( X 3 = 1) = p01
P ( X 0 = 0 ) + p113 P ( X 0 = 1)

= 0.248 0.3 + 0.256 0.7

= 0.0744 + 0.1792 = 0.2536

( 3)

0.752 0.248
=

0.
7
44
0.
25
6

8. Probabilits l'quilibre
Exemple de la mto:
0.8 0.2
P=

0.6 0.4
P
P

( 5)

( 6)

0.75 0.25
=

0.75 0.25
0.8 0.2 0.75 0.25 0.75 0.25
=
=

0.6 0.4 0.75 0.25 0.75 0.25

Aprs le jour 5, la probabilit qu'il pleuve P ( X t = 1) , t 5

ne depend pas des probabilits des tats au depart: P ( X 0 = 0 ) et P ( X 0 = 1)
t
P ( X t = 1) = P ( X 0 = 0 ) p01
+ P ( X 0 = 1) p11t

= P ( X 0 = 0 ) 0.25 + P ( X 0 = 1) 0.25 = 0.25.

8. Probabilits l'quilibre
Exemple de la mto:
0.8 0.2
P=

0.6 0.4
P
P

( 5)

( 6)

0.75 0.25
=

0.75 0.25
0.8 0.2 0.75 0.25 0.75 0.25
=
=

0.6 0.4 0.75 0.25 0.75 0.25

Probabilit qu'il fasse beau ( i = 1) = 0.75

ne dpend plus de l'tat initial du systme
Probabilit de pluie ( i = 1) = 0.25

Donc en gnral quand il existe une valeur de n assez grande pour que les lignes de
la matrice de transition P ( ) soient identiques, alors la probabilit que le systme se
n

trouve dans l'tat j ne dpend plus de l'tat initial du systme ( t = 0)

Les probabilits l'quilibre sont des proprits long terme des chanes de Markov
On peut dmontrer que pour toute chane de Markov irrductible (ne comportant
qu'une seule classe) qui est ergotic
lim pijn existe et ne dpend pas de l'tat i
n

De plus
lim pijn = j > 0
n

o les probabilits j
M

j = i pij
i =0
M

j =0

=1

0.75 0.25
5
6
P( ) = P( ) = =

0.75 0.25
( n)
lim p01
= lim p11( n ) = 0.25
n

De plus
lim pijn = j > 0
n

o les probabilits j
M

j = i pij
i =0
M

=1

j =0

Le systme prcdent comporte ( M + 1) inconnus et ( M + 2 ) quations,

et par consquent une quation est redondante.
M

Si nous liminons la dernire contrainte

= 1, nous obtenons plusieurs

j =0

solutions un multiple prs.

i =0

i =0

j = i pij = i pij
M

Nous devons conserver cette dernire contrainte j = 1 pour sauvegarder

j =0

la proprit des probabilits.

De plus
lim pijn = j > 0
n

o les probabilits j
M

j = i pij
i =0
M

=1

j =0

Le j est donc une probabilit au stage d'quilibre de se retrouver l'tat j aprs

aprs un trs grand nombre d'itrations indpendemment de l'tat initiale t = 0

De plus
lim pijn = j > 0
n

o les probabilits j
M

j = i pij
i =0
M

=1

j =0

Exemple de la mto:

0 = 0 0.8 + 1 0.6 0 0.2 = 1 0.6

0 = 3 1
1 = 0 0.2 + 1 0.4 1 0.6 = 0 0.2
0 + 1 = 1
4 1 = 1 1 = 0.25
0 = 3 1
Donc 1 = 0.25 et 0 = 0.75

0.8 0.2
P=

0.6
0.4

 j est une probabilit stationnaire (ne pas confondre avec le fait que les
probabilits de transition sont stationnaires) dans le sens o si la probabilit
initiale d'tre dans l'tat j est donn par j

(P( X

= j ) = j ) , alors la probabilit

de retrouver le systme dans l'tat j aux temps n = 1, 2, est aussi j :

P( Xn = j) = j

Exemple de la mto:
Supposons que P ( X 0 = 0 ) = 0 = 0.75 et P ( X 0 = 1) = 1 = 0.25
Quelle est la probabilit qu'il pleuve le jour 3, P ( X 3 = 1) ?
3
P ( X 3 = 1) = p01
P ( X 0 = 0 ) + p113 P ( X 0 = 1)

= 0.248 0 + 0.256 1
= 0.248 0.75 + 0.256 0.25
= 0.186 + 0.064 = 0.25

( 3)

0.752 0.248
=

0.
7
44
0.
25
6

 Si les tats i et j sont rcurrents dans des classes diffrentes alors

p (ijn ) = 0

n 1

Si l'tat j est transient alors

lim pij( n ) = 0
n

i.

Donc la probabilit de retourner dans un tat transient aprs un grand

nombre d'itrations tend vers 0.
On peut dmontrer que pour une chane de Markov irreductible
1 n (k )
lim pij = j
n n
k =1

9. Cot moyen ( long terme) par unit de temps

Soit un processus stochastique tant une chane de Markov
Considrons une fonction de cot dfinie par une variable alatoire C ( X t ) dfinie
pour les valeurs des tats {0, ,M } :
C ( 0 ) , , C ( M ) .
Supposons que la fonction C ( i ) soit indpendante du temps; i.e., C ( X t ) reste la
mme pour tous les temps t.

Soit un processus stochastique tant une chane de Markov irrductible

et ergotic.
Considrons une fonction de cot dfinie par une variable alatoire C ( X t ) dfinie
pour les valeurs des tats {0, ,M } :
C ( 0 ) , , C ( M ) .
Supposons que la fonction C ( i ) soit indpendante du temps; i.e., C ( X t ) reste la
mme pour tous les temps t.

Le cot moyen associ C pour les n premires priodes:

1 n

E C ( X t ) .
n t =1

Utilisant le rsultat que

1 n k
lim pij = j
n n
k =1
on peut dmontrer que le cot moyen ( long terme) par unit de temps
est donn par
1 n
M
lim C ( X t ) = j C ( j )
n n
t =1
j =0

Cot moyen ( long terme) par unit de temps est donn par
1 n
M
lim C ( X t ) = j C ( j )
n n
t =1
j =0
Exemple de la mto:
Nous avons 1 = 0.25 et 0 = 0.75
Considrons une entreprise dont le cot d'exploitation C ( i ) depend de la mto:
beau temps cot est de $25

C ( 0 ) = 25

pluie

C (1) = 100.

cot est de $100

Cot d'exploitation moyen ( long terme) par unit de temps:

M

C ( j ) = C ( 0 ) + C (1)
j

j =0

= 0.75 25 + 0.25 100

= 18.75 + 25 = 43.75.