La marche aléatoire : cas unidimensionnel – applications

Plan :

I. Introduction
II. Marche aléatoire unidimensionnel
a. Propriétés
b. Simulation informatique
III. Application à la résolution des équations différentielles
a. Mouvement brownien et équation de Langevin
b. Simulation numérique
c. Equation de diffusion
IV. Conclusion
 II. La marche aléatoire unidimensionnelle
a. Propriétés

Soient (𝑋𝑖)1≤𝑖≤𝑛 une suite de variables aléatoires indépendantes identiquement distribuées telles que :
P(𝑋𝑖 = 1) = 𝑝 𝑒𝑡 𝑃(𝑋𝑖 = −1) = 𝑞

La marche aléatoire symétrique est la suite (𝑆𝑛)𝑛≥1 donnée par 𝑆𝑛 = ∑𝑛𝑖=1 𝑋𝑖

 Pour une marche

 L’ensemble des valeurs de (𝑆𝑛)𝑛≥1 est : {-n,-n+2, ….,n}
1 𝑛!
 ∀𝑘 ∈{-n,-n+2, ….,n} P(𝑆𝑛 = 𝑘) =
2𝑛 (𝑛+𝑘)!(𝑛−𝑘)!
2 2
 E(𝑆𝑛) = 0 & V(𝑆𝑛) = 𝑛
b. Simulation informatique
1. import numpy as np
2. import random
3. import matplotlib.pyplot as plt
4. def marche(nombrepas):
5. j=0
6. y=[]
7. a=np.zeros(nombrepas)
8. for result in range(nombrepas):
9. result=np.random.randint(0,2)
10. if result==1:
11. a[j]=a[j-1]+1
12. j+=1
13. else:
14. a[j]=a[j-1]-1
15. j-=1
16. y.append(j)
17. print(y)
18. x=range(nombrepas)
19. plt.plot(x,y)
20. plt.title("marche aléatoire unidimensionnel pour" nombre pas "pas")
21. plt.ylabel("deplacement")
22. plt.xlabel("nombre pas")
23. plt.show()

Voici deux illustrations de ce script pour un nombre des pas 100 et 4000
III. Application à la résolution des équations différentielles
a. Mouvement brownien et équation de Langevin

Frottement fluide f(t)=− 𝛼𝑣(𝑡)

Force aléatoire :bruit 𝜀(𝑡)
< 𝜀(𝑡)>=0
Particule de masse m

Figure 1 mouvement brownien d'une particule

Equation de Langevin : 𝑑𝑣
𝑚 = −𝛼𝑣(𝑡) + 𝜀(𝑡)
𝑑𝑡

1 𝑡
Solution mathématique : 𝑣(𝑡) = 𝑣(0)𝑒 −𝛼𝑡 + 𝑚 ∫0 𝜀(𝑢)𝑒 𝛼(𝑢−𝑡) 𝑑𝑢

 < 𝑣(𝑡) >= 𝑣(0)𝑒 −𝛼𝑡

 < 𝑥(𝑡) >= 0 < 𝑥(𝑡)𝜀(𝑡) >= 0
1 1
 𝑇ℎ𝑚 𝑑′ é𝑞𝑢𝑖𝑝𝑎𝑟𝑡𝑖𝑡𝑖𝑜𝑛𝑑′ é𝑛𝑒𝑟𝑔𝑖𝑒: 2 𝑚 < 𝑥̇ 2 >= 2 𝑘𝑇 (𝑘 𝑐𝑡𝑒 𝑑𝑒 𝐵𝑜𝑙𝑡𝑧𝑚𝑎𝑛𝑛)
𝑑 < 𝑥𝑥̇ >
𝑚 = 𝑘𝑇 − 𝛼 < 𝑥𝑥̇ >
𝑑𝑡
𝑡
𝑘𝑇 − 𝛼
 < 𝑥𝑥̇ >= 𝛼
+ 𝐶𝑒 𝜏 (𝑎𝑣𝑒𝑐 𝜏 = 𝑚 𝑙𝑒 𝑡𝑒𝑚𝑝𝑠 𝑑𝑒 𝑟𝑒𝑙𝑎𝑥𝑎𝑡𝑖𝑜𝑛 𝑑𝑒 𝑙𝑎 𝑣𝑖𝑡𝑒𝑠𝑠𝑒 𝑑𝑒 𝑙𝑎 𝑝𝑎𝑒𝑡𝑖𝑐𝑢𝑙𝑒
𝑡
1 𝑑<𝑥 2 > 𝑘𝑇
 < 𝑥𝑥̇ ≥ 2 𝑑𝑡 = 𝛼 (1 − 𝑒 −𝜏 ) 𝑎𝑣𝑒𝑐 𝑥(𝑡 = 0) = 0
𝑡
2𝑘𝑇
 < 𝑥 2 >= 𝛼 [𝑡 − 𝜏 (1 − 𝑒 −𝜏 )]
𝑘𝑇
 < 𝑥 2 >≅ 𝑡 2 si 𝑡 ≪ 𝜏
𝑚
2𝑘𝑇
 < 𝑥 2 >≅ 𝑡 si 𝑡 ≫ 𝜏
𝛼
b. Simulation numérique

1. from math import exp

2. import numpy as np
3. import matplotlib.pyplot as plt
4. k=1.38*(10*(-23))
5. T=300
6. a=0.1
7. te=50
8. b=(2*k*T)/a
9. def f(t):
10. return b*(t-te*(1-exp(-t/te)))
11. x=np.linspace(0,100,1000)
12. y=[]
13. for t in x:
14. y.append(f(t))
15. plt.plot(x,y)
16. plt.xlabel("le temps t")
17. plt.ylabel("deplacement caree moyenne")
18. plt.title("deplacement caree moyenne en fonction du temps")
19. plt.show()
 c. Equation de diffusion
 Discrétisation 𝑥 = ℎ𝑆𝑛 𝑡 = 𝑛𝜏 avec ℎ ≪ 1 𝑒𝑡 𝜏 ≪ 1
𝑆 2
√2 − 𝑛
 Passage à la limite continue 𝑃(𝑛, 𝑆𝑛 ) → 𝑒 2𝑛 (cas symétrique)
√𝜋𝑛
 CAS GENERAL 𝑃(𝑋𝑖 = 1) = 𝑝 𝑒𝑡 𝑃(𝑋𝑖 = −1) = 𝑞 𝑎𝑣𝑒𝑐 𝑝 + 𝑞 = 1
2
1 1 (𝑆 −𝑛(𝑝−𝑞))
− 𝑛
𝑃(𝑛, 𝑆𝑛 ) → 𝑒 8𝑛𝑝𝑞
√2𝜋 √4𝑛𝑝𝑞

(𝑥−𝑐𝑡) 2
1 1 − ℎ2
𝑃(𝑛, 𝑆𝑛 ) ≅ 𝑓(𝑥, 𝑡)𝑑𝑥 = 𝑒 4𝐷𝑡 𝑑𝑥 avec 𝐷 = 2𝜏
√2𝜋 √2𝐷𝑡

 Equation de diffusion
𝜕𝑃(𝑥, 𝑡) 𝜕𝑃(𝑥, 𝑡) 𝜕 2 𝑃(𝑥, 𝑡)
= −𝑐 +𝐷
𝜕𝑡 𝜕𝑥 𝜕𝑥 2

𝜕𝑃(𝑥, 𝑡) 𝜕 2 𝑃(𝑥, 𝑡)
Pour une marche symétrique c=0 et l’équation de diffusion devient : =𝐷
𝜕𝑡 𝜕𝑥 2

Figure 2surface P(x,t)