Académique Documents
Professionnel Documents
Culture Documents
MICHEL Philippe
18 septembre 2018
3
4 TABLE DES MATIÈRES
Introduction
L’équation de la chaleur a été introduite par J. Fourier en 1822 dans [6]. Elle modélise la conduction
thermique mais aussi de nombreux phénomènes dits diffusifs dans des contextes très variés : citons
la migration d’une concentration ou densité à travers un domaine (polluant, population [13, 22], du
déplacement des zombis [20]...) ou encore la finance [9]. L’équation de la chaleur prend la forme
∂ X ∂2
ρ(t, x) = C∆ρ(t, x), avec ∆ρ(t, x) = ρ(t, x),
∂t i
∂x2i
avec C constante de diffusion et ρ(t, x) qui représente une densité (de population, d’espèce chimique, de
particules...) au temps t et à la position d’espace x, c’est à dire une quantité macroscopique. Depuis J.
Fourier, qui a également introduit un outil de résolution adapté : les séries de Fourier, où l’on cherche
une solution de la forme X
ρ(t, x) = φk (t)e2iπkx ,
k
les outils d’analyses permettant de montrer l’existence (et l’unicité) de solution voire de résolutions
exactes ou numériques se sont énormement développés.
On peut cité par exemple, l’étude des opérateurs (compact auto-adjoints) dans les espaces de Hilbert
[24], la théorie de l’intégration et les espaces fonctionnels (par exemple [3, 23, 24, 26]), la théorie des
distributions permettant d’étendre la notion de convergence et de dérivabilité bien au delà de ce qui se
faisait en 1820 (voir [18]), la forme faible des équations [3] pour laquelle on cherche ρ dans des espaces
de la forme C 0 (R, H 1 (R)) ∩ C 1 (R, L2 (R)) (prenant en compte l’asymétrie du rôle temporel et spacial
de l’équation), Z Z
∂
ρ(t, x)φ(x)dx = −C ∇ρ(t, x)∇φ(x)dx, ∀φ ∈ H 1 (R),
∂t R
et les outils numériques : méthodes différences finis, éléments finis, volumes finis... (voir [7]).
Plus tard et de manière indépendante, l’équation de la chaleur a été redécouverte via les processus
stochastiques et les probabilités. D’une part, via le théorème Central limite (TCL) et la découverte de
la loi Normale (contemporain de Fourier : Laplace, Gauss pour les premières version et beaucoup plus
tard Kolmogoroff pour une version plus abouti du TCL) :
1X
(Xn )n , suite de v.a.i.i.d (L2 ), alors Xi ∼n→∞ N (E(X1 ), V ar(X1 )/n).
n i
D’autre part, le mouvement Brownien, décrit pour la première fois en 1827 par le botaniste Robert
Brown, qui modélise le mouvement aléatoire d’une particule dont le mouvement résulte des interactions
(chocs) avec d’autres particules. Celui ci n’a pu être formalisé mathématiquement que beaucoup plus
tard par Wiener 1923 et Lévy 1933, via la théorie des Martingales.
5
6 TABLE DES MATIÈRES
On note que ce mouvement aléatoire (somme toute assez général) a pour loi une solution (dite fon-
damentale) de l’équation de la Chaleur. C’est à dire qu’un grand nombre de particules suivant les
déplacements (au niveau microscopique) aléatoires (mouvement Brownien) vont être percu au niveau
macroscopique comme ayant une densité suivant l’équation de la Chaleur (voir figure 1.).
Nous allons présenter ces deux approches de la diffusion (chaleur). Le point de vue probabiliste se
place à une échelle microscopique (au niveau du mouvement des particules), en changeant d’échelle, ces
deux points de vue se rejoignent au niveau macroscopique (en augmentant le nombre de particules et
en dilatant l’espace et le temps) pour lequel on retrouve la forme EDP dont la solution représente la
densité de particules évoluant au cours du temps dans l’espace.
On note que plus les particules bougent vites (d’un point de vue microscopique : de manière un peu
folle), plus du point de vue macroscopique cela correspond à une haute température (chaud).
Nous allons introduire dans le premier chapitre le plus simple des processus stochastiques (la plus
simple manière de modéliser avec un cadre mathématique rigoureux des mouvement aléatoires) : les
chaı̂nes de Markov. Le principe est relativement simple et la théorie mathématique dont on aura besoin
ne fait intervenir que des probabilité basique et un peu d’algèbre matricielle. Les applications sont
nombreuses : épidémiologie, génétique, physique, mécanique, transport routier... 1
Dans le second chapitre, nous allons nous intéresser à la résolution de l’équation de la chaleur. Dans
un premier temps dans l’espace ”infini”, i.e. sur R et voir le lien avec le mouvement Brownien. Cela
nécessitera de revenir sur les outils d’analyse classique et d’introduire de nouveaux espaces de fonctions.
Dans un second temps, on se placera sur un domaine borné (intervalle) et on introduira les séries de
Fourier pour la résolution de(s) l’équation(s) de la chaleur 2 . La théorie utilisée pour montrer que les
séries de Fourier sont adaptées à la résolution de problèmes sur intervalles (ou rectangles en dimension
supérieures) peut être étendue pour des domaines non bornés généraux, ce qui est présenté dans le
chapitre 3. Enfin, dans le chapitre 4, nous allons présenter deux méthodes classiques permettant de
montrer l’existence (unicité) de solution d’équations non linéaires (dont la chaleur).
Exercice 1 Le code ci-joint (Code du script ) permet de simuler une variable aléatoire à
espace d’états finis.
1- En supposant que rand() renvoie bien une uniforme sur [0, 1] (ind.), montrer, ”théoriquement”, que
le code suivant renvoie bien une variable aléatoire de loi donnée V ecteurP robabilite = [.1 .3 .4 .2] =
[P (X = 1), P (X = 2), P (X = 3) P (X = 3)].
2- Simuler une bernoulli de paramètre p = .2.
7
8 CHAPITRE 1. UNE APPROCHE PROBABILISTE DE LA DIFFUSION
Une variable aléatoire X (dans l’espace (Ω, F, P )) est dite à valeur dans S si X(Ω) ⊂ S. On va
s’intéresser au processus stochastiques (parmi les plus simples) appelé chaı̂nes de Markov. Ce sont des
processus discret en temps, i.e., des suites de variables aléatoires ayant une propriété d’ ”absence de
mémoire” dite de Markov. Plus précisément, on a la définition suivante.
Définition 1.1.1 On dit que la suite de variables aléatoires (Xn )n est une chaı̂ne de Markov à valeurs
dans S si Xn ne dépend que de Xn−1 (et non de Xk pour k < n − 1), c’est-à-dire si pour tout (yi )i ⊂ S
et tout n ≥ 0
Exemple 1 Abstrait : On considère une suite (Ui )i de variables aléatoires indépendantes de loi Ui =
Bernoulli(pi ) avec (pi )i ⊂ [0, 1] et
X n
Xn = Ui ,
i=1
Exemple 2 Jeux du téléphone arabe entre ordinateurs : on imagine une chaı̂ne d’ordinateurs qui se
transmettent un bit (S = {0, 1}) de l’un à l’autre. La variable Xn représente la valeur (0 ou 1) que le
nième ordinateur a reçu. La probabilité qu’un ordinateur transmette la valeur qu’il a reçue dépend du
numéro de l’ordinateur n :
P (Xn+1 = 0 | Xn = 0) = P (Xn+1 = 0 | Xn = 0) = pn ,
P (Xn+1 = 0 | Xn = 1) = P (Xn+1 = 1 | Xn = 0) = 1 − pn .
Lorsque
P (Xn+1 = y | Xn = x) = Q(x, y), (1.1.2)
ne dépend pas de n, on dit que la chaı̂ne de Markov est homogène 1 .
Définition 1.1.2 La matrice Q définie dans (1.1.2) pour une chaı̂ne de Markov homogène est appelée
matrice de transition.
On note qu’à partir de Q il est possible de définir une chaı̂ne de Markov (voir [2]).
Exemple 3 Fortune du joueur : Un joueur lance une pièce. Il gagne 1 euro si la pièce tombe sur pile
(avec probabilité p), perd 1 euro si la pièce tombe sur face (avec probabilité 1−p). La suite (Xn ) donnant
la fortune après chaque lancé de pièce est une chaı̂ne de Markov homogène et
P (Xn+1 = x + 1 | Xn = x) = p, P (Xn+1 = x − 1 | Xn = x) = 1 − p.
1. Q indépendant de n
1.1. DÉFINITIONS (VOIR [BILLINGSLEY]) 9
Marches Aléatoires Les marches aléatoires, comme la ruine du joueur, fournissent une classe d’exemples
de chaı̂nes de Markov.
Proposition 1.1.3
Pn Soit (Yn ) une suite de variables aléatoires, à valeurs dans Z, indépendantes, de loi
µn , alors Xn = k=0 Yk est une chaı̂ne de Markov.
d On a, par définition des probabilités conditionnelles,
P Xn+1 = xn+1 et (Xk = xk )k≤n
P Xn+1 = xn+1 | (Xk = xk )k≤n = ,
P ( Xk = xk )k≤n )
P Yn+1 = xn+1 − xn et (Yk = xk − xk−1 )0<k≤n et X0 = x0
= .
P ( Yk = xk − xk−1 )0<k≤n et X0 = x0
et
P Xn+1 = xn+1 | (Xk = xk )k≤n = P Yn+1 = xn+1 − xn .
De même, on trouve
P Xn+1 = xn+1 | Xn = xn = P Yn+1 = xn+1 − xn .
Par conséquent, on a P Xn+1 = xn+1 | (Xk = xk )k≤n = P Xn+1 = xn+1 | Xn = xn et (Xn )n est bien
une chaı̂ne de Markov.
c
avec Yi une suite de v.a.i.i.d de loi P (Y1 = 1) √ = 1/2 et P (Y1 = −1) = 1/2.
a) Déterminer la variance √ de Snt . Simuler Snt / n pour n = 100, 200 et t = 0.1, 0.2 et 1.
b) Donner la limite de Snt / n lorsque n tend √ vers l’infini. (justifier)
c) On note f (t, .) la loi de la limite de Snt / n lorsque n tend vers l’infini. Expliciter f .
d) Faire une évaluation statistique de la loi de Snt pour t = 1, 5, 10 et n = 1000.
2. variables aléatoires
10 CHAPITRE 1. UNE APPROCHE PROBABILISTE DE LA DIFFUSION
Définition 1.2.1 Un matrice carrée réelle vérifiant (1.2.3) et (1.2.4) est appelée matrice stochastique.
dans laquelle on a une union disjointe. Le troisième point se déduit de la formule des probabilités totales
X
P (E) = P (Hi )P (E | Hi ),
i
c
12 CHAPITRE 1. UNE APPROCHE PROBABILISTE DE LA DIFFUSION
Corollaire 1.2.4 Soit (Xn )n une chaı̂ne de Markov homogène de matrice de transition Q, alors
P (Xn+k = xn+k , ..., Xn+1 = xn+1 | Xn = xn , ..., X0 = x0 ) = P (Xk = xn+k , ..., X1 = xn+1 | X0 = xn ).
d Il suffit de poser
\ n+k−1
Y
P (A B | C) = P (Xn+k = xn+k , ..., X1 = x1 | X0 = x0 ) = Qxj ,xj+1 ,
j=0
Qn−1
et P (B | C) = j=0 Q(xj , xj+1 ). Par conséquent, on a
n+k−1
Y
P (Xn+k = xn+k , ..., Xn+1 = xn+1 | Xn = xn , ..., X0 = x0 ) = Qxj ,xj+1
j=n
On remarque qu’il s’agit d’avoir le comportement de Qn lorsque n tend vers l’infini, où Q est une
matrice positive, pour avoir le comportement de la loi de Xn lorsque n tend vers l’infini.
Exercice 6 La population d’Atlantis est de 1800 personnes. Il y a trois cités à Atlantis :A, B et C,
contenant respectivement 200, 600 et 1000 personnes. π0 = (200, 600, 1000)
Chaque année, toute la population déménage. La population d’une ville se divise en deux groupes de
taille égale qui déménagent dans les deux autres villes.
Par exemple, les 200 habitants de la villes A se divise en deux groupes de tailles 100 dont l’un va aller
dans la ville B, l’autre dans la ville C.
Définition 1.2.5 On dit que X = (x1 , ...xN ) est un vecteur de probabilité invariant pour la matrice de
transition Q si
XQ = X , (1.2.7)
P
avec xi ≥ 0 et i xi = 1.
On remarque ici que la multiplication vecteur-matrice se fait à gauche (peu habituel). On peut se
ramener à une multiplication à droite en transposant
avec µn un vecteur colonne. On note alors qu’un vecteur de probabilité invariant X pour la matrice Q
vérifie
X = XQ ⇐⇒t X =t Qt X, (1.2.9)
et donc que t X est un vecteur propre de t Q associé à la valeur propre 1.
Remarque 1 Si Q est une matrice stochastique, alors la somme des éléments de chaque ligne vaut 1
(voir eq. 1.2.4) et donc le vecteur ayant toutes ses composantes égales à 1 est un vecteur propre de Q
associé à la valeur propre 1 :
1 1
1 1
Q .. = .. . (1.2.10)
. .
1 1
Puisque Q et t Q ont le même spectre et que 1 est valeur propre de Q (voir remarque 1), on a que 1
est valeur propre de t Q. La positivité de t Q entraı̂ne, par le théorème de Perron,P
qu’il existe une valeur
t
propre positive V . Il suffit de normaliser V , c’est-à-dire de prendre W = V / i Vi pour obtenir un
vecteur de probabilité invariante pour Q. On a donc le théorème suivant :
Théorème 1.2.6 Si Q est une matrice stochastique, c’est-à-dire vérifiant (1.2.3) et (1.2.4), alors il
existe un vecteur de probabilité invariante.
Exercice 8 Chercher le(s) vecteur(s) de probabilité invariante dans l’exercice sur Atlantis (ex. 6) ?
14 CHAPITRE 1. UNE APPROCHE PROBABILISTE DE LA DIFFUSION
On remarque ici que AP échange les colonnes de A et t P (AP ) échange les lignes de AP . Plus précisément,
si aij = 1 alors la ième colonne de A devient la j ème pour AP , et la ième ligne de AP devient la j ème ligne
de t P (AP ).
2 1 0
0
1 2 0
0
Exemple 4 La matrice A =
1
est trivialement réductible en échangeant les colonnes 3 et
0 1
2
0 2 4
3
1 2 1 0
4 3 0 2
4 avec les colonnes 1 et 2, puis les lignes avec la t P : t P AP =
0 0
.
2 1
0 0 1 2
Une manière plus élégante de montrer l’irréductibilité d’une matrice A est l’utilisation d’un graphe
associé à cette matrice.
Définition 1.3.3 Le graphe associé G(A) d’une matrice carrée A (n lignes, n colonnes) consiste en un
ensemble de n points, P1 , P2 ..., Pn liés entre eux. Le point Pi est lié au point Pj ssi aij 6= 0.
0 5 1
Exemple 5 Soit A = 0 0 0 , alors on a le graphe associé :
2 0 0
0 0 5 1
8 1 2 4
Exercice 9 Soit A =
2
. Tracer le graphe associé.
0 0 0
2 0 0 1
1.3. NOTION D’IRRÉDUCTIBILITÉ ET TH DE PERRON FROBENIUS 15
Définition 1.3.4 Un graphe est fortement connecté si pour tout i, j, il existe un chemin allant de Pi à
Pj .
Exercice 10 On reprend l’exercice 9, le graphe est il fortement connecté ?
Théorème 1.3.5 Une matrice A ≥ 0 est irréductible ssi son graphe G(A) est fortement connecté
— Il existe un vecteur propre > 0 associé à la valeur propre ρ(A) pour la matrice t A.
Est ce que A, B ou C sont irréductibles ? Mettre des éléments non nuls sur la diagonale les changerait
il la réductibilité ?
16 CHAPITRE 1. UNE APPROCHE PROBABILISTE DE LA DIFFUSION
Théorème 1.4.2 Si Xn est une chaı̂ne de Markov homogène irréductible d’espace d’états S = {1, .., N },
alors il existe un vecteur de probabilité invariante chargeant tous les états (c’est à dire strictement positif).
d Il suffit d’appliquer le théorème de Perron-Frobenius.
c
On remarque dans l’exemple qui suit que l’irréductibilité de la matrice de transition ne suffit pas pour
avoir la convergence de la loi de Xn lorsque n tend vers l’infini. Soit la matrice de transition Q définie
ci-dessous
0 1 0
Q = 1/2 0 1/2 . (1.4.15)
0 1 0
Alors
1/2 0 1/2
Q2 = 0 1 0 (1.4.16)
1/2 0 1/2
On peut alors écrire l’espace d’états S comme union disjointe de classes d’équivalence pour la relation
∼ et S = qi Ci où Ci est une classe d’équivalence.
Théorème 1.4.4 Si Xn est une chaı̂ne de Markov homogène irréductible et n’admettant qu’une classe
d’équivalence pour la relation ∼ à espace d’états S = {1, .., N }, alors
— il existe un vecteur de probabilité invariante µ∞ strictement positif,
— µn →n→∞ µ∞ ,
où µ∞ est le vecteur de probabilité invariante associé à la matrice de transition Q de la chaı̂ne de Markov
homogène à espace d’états fini (Xn )n . Il suffit d’étudier la suite Vn pour déterminer les hypothèses de
convergence de µn . On a
X X X
Vn+1 = H(µin+1 /µi∞ )µi∞ = H( µjn Qji /µi∞ )µi∞
i i j
X X Qji µj µjn i X X
∞
= H( P k j )µ ∞ = H( βij rjn )µi∞ , (1.4.20)
i j k Q ki µ µ
∞ ∞ i j
Q µj µjn
où βij = P ji ∞ k et rjn = µj∞
.
k Qki µ∞
Vn+1 ≤ Vn .
P
d En effet, j βij = 1 pour tout i et H strictement convexe impliquent
X X
H( βij rjn ) ≤ βij H(rjn ).
j j
rjn = CCn , ∀j ∈ C,
Or, Vn est une suite positive décroissante donc Vn − Vn+1 → 0 et nécessairement limn→∞ µnj = µj∞ .
c
18 CHAPITRE 1. UNE APPROCHE PROBABILISTE DE LA DIFFUSION
On remarque immédiatement que si l’on part de l’état 4, on y reste tout le temps, l’état est dit
récurrent. Tandis que si l’on part de l’état 3, on y reste qu’un certain temps puis on s’en échappe car
P (Xn = 3 | X0 = 3) = (1/4)n ,
P (Xn = 3 | Xk 6= 3) = 0, ∀n > k,
l’état est dit transitoire. On va définir de manière plus précise ces deux types d’états pour une chaı̂ne
de Markov homogène à espace d’états S fini. Pour cela, on doit définir le temps de premier retour et le
nombre de retour en un état y de S.
Définition 1.5.1 Soit (Xn ) une chaı̂ne de Markov homogène à d’états S, on note
On a
XX X \ \
P (Ny ≥ n | X0 = x) = ... P (A1m1 Am 1 +1
m2 ...
mn−1 +1
Am n
| B),
m1 m2 mn
XX X \ \ \ \ \
= ... P (Am
mn
n−1 +1
| A1m1 Am1 +1
m2 ... Am n−2 +1
mn−1 B)P (A1m1 Am1 +1
m2 ... Am n−2 +1
mn−1 | B).
m1 m2 mn
XX X n
Y
P (Ny ≥ n | X0 = x) = ... P (Ty = m1 | X0 = x) P (Ty = mk | X0 = y)
m1 m2 mn k=2
ce qui démontre le premier point. Les second et troisième points sont triviaux.
c
Par conséquent, on a le résultat suivant :
Corollaire 1.5.4 Soit (Xn )n une chaı̂ne de Markov homogène,
— y transitoire alors P (Ny < ∞ | X0 = y) = 1 ”on ne revient p.s. qu’un nombre fini de fois en y”,
— y récurrent alors P (Ny = ∞ | X0 = y) = 1 ”on revient p.s. une infinité de fois en y”,
Exercice 12 Soit B tel que P (B) > 0. Montrer que PB vérifie les hypothèses pour en faire une probabilité
(hérité en fait de P ) :
1) PB (∅) = 0, P PB (Ω) = 1
2) P (∪An ) = n P (An ) avec (An )n deux à deux disjoints.
On rappelle que l’espérance est définie par (cas discret, cas continue) par
X Z
E(X) = xi P (X = xi ), E(X) = xfX (x)dx,
i
R
et en fait de manière générale par E(X) = X(ω)dP (ω). On définit l’espérance de X conditionné par
B par Z
X
E(X|B) = EB (X) = xi PB (X = xi ), E(X|B) = EB (X) = X(ω)dPB (ω).
i
Exercice 15 Soit X ∼ U ([0, 1]) et N ∈ N∗ , calculer E(X|X ∈ [j/N, (j + 1)/N [) pour j ∈ [0, N − 1].
On définit l’espérance de X conditionné par Y par
E(X|Y ) : B 7→ EY ∈B (X)
et a pour espérance
XX X
E(E(X|Y )) = [ jP (X = j|Y = k)]P (Y = k) = jP (X = j) = E(X).
k
On note que si Y et X sont indépendant P (X|Y ∈ B) = P (X) et E(X|Y ) = E(X). Dans la suite, on
notera : Z
Px (A) = P (A | X0 = x) et Ex (Z) = ZdPx , (1.5.27)
et
— y transitoire implique que Ex (Ny ) = ρxy /(1 − ρxy ),
Lorsque y est récurrent, on a ρyy = 1 et deux cas sont possibles : ρxy = 0 et la somme est évidemment
6 0 et, dans ce cas, la somme précédente est infinie.
nulle, soit ρxy =
c
Exercice 16 Marche aléatoire symétrique dans Zk On se place dans Zk , soit q ∈ Zk . Soit en 1d, 2d ou
3d pour k ∈ [1, 3].
Théorème 1.5.6 Soit (Xn )n une chaı̂ne de Markov homogène à espace d’états fini alors
— Il y a toujours au moins un point récurrent
— Si, de plus, la chaı̂ne est irréductible alors tous les points sont récurrents.
d
n
P
• Si y est transitoire alors Ex (Ny ) < ∞ par le corollaire 1.5.5. Or, Ex (Ny ) = n (Q )xy donc en
particulier (Qn )xy →n→∞ 0 3 . Si tous les points étaient transitoires alors
X
(Qn )xy →n→∞ 0.
y∈S
n
P
Or, y∈S (Q )xy = 1 pour tout n. Par conséquent, il existe au moins un point récurrent.
• Si x est récurrent et ρxy > 0, alors y est aussi récurrent. Puisque ρxy > 0, il existe une chaı̂ne
de longueur minimale (x1 , x2 ..., xn−1 ) reliant x à y :
De plus, si l’on suppose que la probabilité de l’événement E =”Parti de y, ne pas revenir en x” est
strictement positive ((1 − ρyx ) > 0 ), alors
et le point x n’est pas récurrent (on n’y revient pas). Par conséquent, on a ρyx = 1. Maintenant, il suffit
de dire que pour aller de y à y, il existe un chemin qui va de y à x, de x à x et de x à y et de noter que
(Qn0 +n1 +n )yy ≥ P (Xn1 = x, Xn1 +n = x et Xn1 +n+ n0 = y | X0 = y) = (Qn1 )yx (Qn )xx (Qn0 )xy .
| {z } | {z }
>0 >0
En effet, on a alors X X
(Qn )yy ≥ (Qn1 )yx [ (Qn )xx ] (Qn0 )xy = ∞,
n n
| {z }
=∞ car x recurent
3. car pour tout > 0, Card({n : (Qn )xy > } est fini
1.6. APPLICATIONS 23
1.6 Applications
1.6.1 Unnnnn jouuuur* (voir [2] p.138) :
Une princesse cherche son prince, elle reçoit un par un les princes : dans l’ordre de passage S1 , S2 ...
Sr et fait passer dans cet ordre un entretient. Après chaque entretient elle note la prestation et, succes-
sivement, le rang des princes qui dominent tous ses prédécesseurs X1 = 1 X2 le numéro du prince qui
est meilleur que le premier, second... X2 − 1 ième prince et ainsi de suite Xj est le numéro d’apparition
du prince qui est meilleur que les Xj − 1 premier. Par convention Xn = r + 1, signifie que Xn−1 = r et
dans ce cas Xn+j = r + 1 si j > 0 : r + 1 est un état stationnaire pour la suite Xn
1) Donner la probabilité que Si soit meilleur que S1 , S2 ... Si−1 (on pourra penser ”nombre de cas
possibles” pour disposer S1 , ... Si SUR le ”nombre de cas favorables” à Si meilleure que S1 , S2 ... Si−1 ).
2) Donner la probabilité que Sj soit meilleur que S1 , S2 ... Sj−1 et Si meilleur que Sj , Sj+1 ... Si−1 :
c’est à dire Si est le meilleur et Sj le second meilleur de S1 ... Si (on pourra penser ”nombre de cas pos-
sibles” pour disposer S1 , ... Si SUR le ”nombre de cas favorables” à Si meilleur et Sj le second meilleur).
i
3) En déduire que P (Xn+1 = j | Xn = i) = j(j−1)
pour 1 ≤ i < j ≤ r.
4) L’événement Xn = i et Xn+1 = r + 1 signifie que Si est domine S1 ... Si−1 et domine aussi Si+1 ...
Sr : donner la probabilité P (Xn+1 = r + 1 | Xn = i) lorsque 1 ≤ i ≤ r. (on connaı̂t déjà la probabilité
P (Xn = i) par le 1), il suffit de donner la probabilité de P (Xn+1 = r + 1 et Xn = i), i.e., le meilleur
prince est à la place i).
6) Notre stratégie est de choisir le premier prince qui domine tous ses prédécesseurs et qui est à
un rang de passage au moins égal à n0 : τ est la variable aléatoire = min{j : Xj ≥ n0 }. On
veut n0 de manière à ce que cette stratégie maximise nos chances que ce prince soit le meilleur. Soit
w = P (Xτ +1 = r + 1 P et Xτ ≤ r) la probabilité que ce prince soit effectivement le meilleur.
a) Montrer que w = ri=n0 ri P (Xτ = i).
b) Soit τ 0 = τ + 1 (le secondP prince qui domine tous ses prédécesseursP et qui Pest à un rang k de passage
au moins égal à n0 ), et w̄ = ri=n0 +1 ri P (Xτ 0 = i) montrer que w̄ = r−1k=n0
r 1
i=k+1 (i−1) r P (Xτ = k).
Pr 1
En déduire que i=n0 +1 (i−1) ≤ 1 =⇒ w̄ ≤ w.
c) Soit τ 00 = τ − 1 (le prince qui domine tous ses prédécesseursPet quiest
P 0 −1 à un rang de passage
k précédent
n0 −1 Pr
juste avant n0 ), et w = ni=1 i
r
P (X τ 00 = i) montrer que w = k=1
1
i=max(k+1,n0 ) (i−1) r P (Xτ 00 = k).
Pr 1
En déduire que i=n0 (i−1) ≤ 1 =⇒ w ≤ w.
d) Pour que la stratégie donnée par τ soit le meilleur, il faut au moins qu’elle soit meilleur que celle
donnée par τ 00 et donc
r
X 1
1≤ .
i=n
(i − 1)
0
avec N = s0 + i0 .
1) Ecrire pi ((n + 1)∆t) en fonction de pj (n∆t) (pour j = i, i + 1, i − 1), β, γ, i et N
2) Quelle forme a la matrice de transition ?
3) Simuler la chaı̂ne Markov sous Matlab.
4) Montrer que (E est l’espérance)
5) En simulant ”suffisamment” de fois la chaı̂ne, tracer (sous matlab) la moyenne empirique en fonction
du temps. Tracer les solutions de y 0 (t) = (β/N )(N − y(t))y(t) − γy(t), y(0) = I0 . Comparer.
d
6*) Montrer que (∆t → 0) : dt
E(I(t)) ≤ β/N (N − E(I(t)))E(I(t)) − γE(I(t)).
7*) Montrer que P (In+1 = 0 | In 6= 0) ≥ ∆tγ > 0, en déduire que (pi (n∆t))i → (1, 0, ...0) lorsque
n → ∞.
1.7. VERS L’ÉQUATION DE LA CHALEUR 25
Définition 1.7.1 On définit le mouvement Brownien (issu de {x}, voir fig. 1.7) comme un processus
stochastique (voir [8, 17, 9]) (Bt )t≥0 (pour tout t, Bt est une variable aléatoire à valeur réelle) vérifiant
1. B0 = x, p.s. (i.e. B0 ∼ δx )
2. Bt+s − Bt ∼ N (0, s), ∀s ≥ 0.
3. Bt+s − Bt indépendant de Bw , ∀w ≤ t ∀s ≥ 0.
On suppose l’existence d’un tel processus (voir [8, 17, 22]). Il peut être obtenue comme la limite de
la chaı̂ne de Markov de l’exercice 4.
Théorème 1.7.2 Soit (Bt )t≥0 ) le mouvement Brownien définit en 1.7.1, alors
Définition 1.7.3 Une mesure (resp. une distribution) est une application linéaire continue de Cb0 (resp.
C0∞ ) à valeur réelle ou complexe. (voir [26, 18]). Avec ce formalisme, pour une fonction g intégrable
sur tout borné, on identifie g à sa mesure (resp. distribution) associée :
Z
Tg : Ψ 7→ g(x)Ψ(x)dx.
Un dirac en x0 ∈ R est une application qui a Ψ ∈ C 0 (R) associe Ψ(x0 ) (attention il n’est pas identifiable
à une fonction intégrable).
Définition 1.7.4 Une suite de fonctions (fn )n , intégrables converge au sens des distribution (resp.
vague, faible, étroite [26, 18, 17, 5]) vers T distribution (resp. mesure) si
Z
fn (x)Ψ(x)dx →n→∞ T (Ψ), ∀Ψ ∈ C0∞ (resp. Cc , C→0 , Cb ).
∂
On parle de solution fondamentale de l’équation de ∂t φx (t, y) = 12 ∆φx (t, y) [26, 18]. A partir de celle
là, on peut construire les autres (ce qui reviendra à remplacer B0 = x p.s, par B0 ∼ φ0 (.)dy [22])
Chapitre 2
Dans cette partie, nous allons montrer l’existence de solution de l’équation de la Chaleur en utilisant
la solution fondamentale et la convolution (th. 2.0.1). La convolution par la solution fondamentale nous
permet également de résoudre le problème de la chaleur avec terme source (th. 2.0.2). Les outils seront
principalement le théorème de convergence dominée et le théorème de dérivation (sous domination)
d’intégrales à paramètres vues en premières années (voir [23])
RtR
Théorème 2.0.2 [4] Soit ρ : (t, y) ∈ R∗+ × R 7→
R
φx (t, y)φ0 (x)dx + 0
φx (t − s, y)f (s, x)dxds avec
φ0 ∈ Cb (R) et f ∈ Cb1 (R∗ × R), alors
1. ρ ∈ C 1 (R∗+ × R),
2. ∂
∂t
ρ(t, y) = 12 ∆ρ(t, y) + f (t, y), pour tout (t, y) ∈ R∗+ × R,
3. ρ →t→0 φ0 (et *t→0 φ0 (sens faible) lorsque φ0 n’est que L1 ).
d Soit 0 < < M < ∞, alors par le théorème de dérivation sour domination (domination locale), on a
directement ρ ∈ C ∞ (R∗+ × R). Pour le calcul, on passe la dérivée à l’intérieur de l’intégrale, le résultat
du théorème 1.7.2 nous permet de conclure. Le point délicat est le passage à la limite lorsque t tends
vers 0 mais déjà fait (par CVD) dans la preuve du théorème 1.7.2).
Par densité des fonctions Cc dans L1 , pour φ0 dans L1 , il existe (φi0 )i suite de Cc convergeant L1
vers φ0 et pour toute fonction test Ψ, on a
ZZ ZZ
φx (t, y)Ψ(y)φ0 (x)dxdy = lim φx (t, y)Ψ(y)φi0 (x)dxdy (F ubini + Cvg L1 )
i→∞
Z Z
Ψ(x)φ0 (x)dx = lim Ψ(x)φi0 (x)dx
i→∞
et pour tout i (par le point précédent, la convergence forte entrainant la convergence faible)
ZZ Z
lim φx (t, y)Ψ(y)φ0 (x)dxdy = Ψ(y)φi0 (x)dx.
i
t→0
27
28 CHAPITRE 2. UNE APPROCHE DÉTERMINISTE DE LA DIFFUSION
RR R
et lim supt→0 | φx (t, y)Ψ(y)φ0 (x)dxdy − Ψ(x)φ0 (x)dx| ≤ 2kΨk∞ . Ceci étant vrai pour tout > 0
on a bien pour toute fonction test Ψ :
ZZ Z
φx (t, y)Ψ(y)φ0 (x)dxdy →t→0 Ψ(x)φ0 (x)dx.
c
29
d On remarque que Z tZ
| φx (t − s, y)f (s, x)dxds| ≤ tkf k∞ →t→0 0. 1
0
De plus pour tout t, > 0, on a
Z t+ Z Z tZ
φx (t + − s, y)f (s, x)dxds − φx (t − s, y)f (s, x)dxds =
0 0
Z t+ Z Z tZ
φx (t + − s, y)f (s, x)dxds − φx (t + − s, y)f (s, x)dxds
0 0
Z tZ Z tZ
+ φx (t + − s, y)f (s, x)dxds − φx (t − s, y)f (s, x)dxds
0 0
et donc
Z t+ Z Z tZ
φx (t + − s, y)f (s, x)dxds − φx (t − s, y)f (s, x)dyds =
0 0
Z t+ Z Z tZ
φx (t + − s, y)f (s, x)dxds + [φx (t + − s, y) − φx (t − s, y)]f (s, x)dxds .
t 0
| {z } | {z }
B A
Z y+u√2(t−s)
2u2
Z
1 1 2 ∂
= √ [− + ]e−u f (s, z)dzdu,
2 π (t − s) (t − s) y ∂z
2u2 2
p
∂ ∂
f k∞ 2√1 π [ (t−s) ]e−u |u 2(t − s)|du ≤ C √ 1 , avec C =
R R 1
et | ∂t φx (t − s, y)f (s, x)dx| ≤ k ∂z + (t−s)
(t−s)
1 3 −u2
R
√
2 π
[|u| + |u| ]e du < ∞. Par dérivation sous domination, on a
Z tZ Z t Z
1 ∂
∆ φx (t − s, y)f (s, x)dxds = φx (t − s, y)f (s, x)dxds.
2 0 0 ∂t
1
√ √
1. ≤ √
R R
ds sups∈[0,t] |f (s, y)|dy ≤ t sups∈[0,t] |f (s, y)|dy/ 2π →t→0 0
2π(t−s)
30 CHAPITRE 2. UNE APPROCHE DÉTERMINISTE DE LA DIFFUSION
B) Z t+ Z Z Z
φx (t + − s, y)f (s, x)dxds = φx (u, y)f (t + − u, x)dxdu.
t 0
√
En posant le chg de variable, u = t + − s, v = x − y/ 2u,
Z t+ Z Z Z
1 2 √
| φx (t + − s, y)f (s, x)dxds| ≤ √ e−v |f (t + − s, y + 2uv)|dudv ≤ kf k∞ →→0 0,
t 0 π
∂
R t R Rt ∂ R
et donc A + B nous donne ∂t 0
φx (t − s, y)f (s, x)dxds = 0 ∂t φx (t − s, y)f (s, x)dxds. Le reste des
calculs est similaire à ceux développés dans la démonstration du théorème 2.0.1.
c
Corollaire 2.0.3 Les solutions de l’équation de la chaleur (du théorème 2.0.1) possèdent les propriétés
suivantes
1. effet régularisateur de l’équation de la chaleur (pour tout φ0 (même φ0 = δ)) on a ρ ∈ C ∞ pour
tout t > 0.
2. positivité : si φ0 ≥ 0 alors pour tout (t, y), ρ(t, y) ≥ 0.
3. vitesse de propagation ∞ : si φ0 ≥ 0 et φ0 6= 0 alors pour tout (t > 0, y), ρ(t, y) > 0.
R
4. conservation
R de la masse : si φ0 ∈ L1 et φ0 = C alors pour tout t > 0, φ(t, .) ∈ L1 et
ρ(t, y)dy = C.
R R
5. perte d’énergie : si φ20 = C alors pour tout t > 0, ρ2 (t, y)dy ≤ C.
d Seul le dernier point n’est pas direct. On a
Z Z Z Z Z Z
−(x−y)2 /2t dy −(x−y)2 /2t dy 2 dy
2
ρ (t, y)dy = [ φ0 (y)e √ 2
] dx ≤CS 2
φ0 (y)e √ e−(x−y) /2t √ dx
2πt Z Z 2πt Z 2πt
2 dy
≤ φ20 (y)e−(x−y) /2t √ dx =F T φ20 (y)dy.
2πt
c
∂ ∂2 ∂
ρ(t, x) = ν 2 ρ(t, x) − c ρ(t, x), ∀t > 0, x,
∂t ∂x ∂x (2.0.2)
ρ(t = 0, x) = ρ0 (x), ∀x.
Aide : se ramener à l’équation de la chaleur à l’aide d’un changement de fonction ρ(t, x) = u(t, x)g(t)h(x)
avec g et h bien choisit (voir exercice 20).
∂ ∂
u(t, x) + c u(t, x) = 0,
∂t ∂x
et u(0, x) = ρ0 (t, x).
Théorème 2.1.6 (Riesz-Fisher) L’espace Lp (A) est un espace vectoriel normé complet (espace de
Banach).
Soit F un espace de Banach. On note E = C([a, b], F ) l’espace vectoriel des fonctions continues du
segment [a, b] à valeurs dans F , muni de la norme
kf kE = sup kf (t)kF .
t∈[a,b]
En fait, la notion de continuité a un sens dès que l’espace de départ (ici ]a, b[) et l’espace d’arrivé
(ici R) sont munis d’une structure topologique, i.e., en quelque sorte d’une notion de convergence (ici
la convergence induite par la norme |.|). Par conséquent, on peut étendre cette notion à des espaces
d’arrivés plus généraux. On peut clairement étendre ces notions à des fonctions à valeur dans un
espace de Banach (espace vectoriel normé suffit mais pour avoir de bonnes propriétés de convergence
(complétude) on va imposer Banach).
Définition 2.1.9 Soit (B, k.kB ) un espace de Banach. Une fonction φ :]a, b[7→ (B, k.kB ) est continue,
φ ∈ C 0 (]a, b[, B), si
∀c ∈]a, b[, lim kf (s) − f (c)kB = 0.
s→c, s∈]a,b[
Exercice 23 Soit
2
φ : (t, x) 7→ e−(x−t) sin(t/x).
Montrer que φ ∈ C 0 (]0, 1[, L1 (R)).
f (c + s) − f (c)
lim k − f 0 (c)kB = 0.
s→0 s
Définition 2.1.11 Soit (B, k.kB ) un espace de Banach. Une fonction φ :]a, b[7→ (B, k.kB ) est C 1 (]a, b[, B)
s’il existe f 0 ∈ C 0 (]a, b[, B) telle que
f (c + s) − f (c)
∀c ∈]a, b[, lim k − f 0 (c)kB = 0.
s→0 s
Exercice 24 Soit
2
φ : (t, x) 7→ e−(x−t) sin(t/x).
Est ce que φ ∈ C 1 (]0, 1[, L1 (R)) ?
Exercice 25 Soit x ∈ R. Soit
1 − (x−y)2
φx (t, y) := √ e 2t .
2πt
Est ce que φ ∈ C 1 (]0, 1[, L1 (R)), φ ∈ C 1 (]0, 1[, C 0 (R)) ?
2.1. SOLUTION FAIBLE, TRANSFORMÉE DE FOURIER ET ENERGIE 33
On peut clairement étendre ces notions à des fonctions à valeur dans un espace de Banach (espace
vectoriel normé suffit mais pour avoir de bonnes propriétés de convergence (complétude) on va imposer
Banach).
k.kB ) un espace de Banach. Une fonction φ :]a, b[7→ (B, k.kB ) est étagée si
Définition 2.1.12 Soit (B,P
elle est de la forme φ(.) = j fj 1Ij (.), avec fj ∈ B.
Définition 2.1.13 Soit (B, k.kB ) un espace de Banach. R Une fonction φ :]a, b[7→ (B, k.kB ) est intégrable
s’il existe une suite de fonctions étagées φn telle que kφn − φkB (t)dt →n→∞ 0 et on a
Z Z
φ(t)dt = lim φn (t)dt ∈ B.
n
En définitive, pour ce qui va nous intérésser une seule condition devra être vérifiée (comme en première
année, on passe sous silence la mesurabilité) et f ∈ L1 (I, B) si et seulement si
Z
kf (x)kB (x)dx < ∞.
Définition 2.1.14 Soit (B, k.kB ) un espace de Banach, p ∈ [1, ∞[ et I un ensemble (mesurable) de R.
Une fonction f : I 7→ (B, k.kB ) est dans Lp (I, B) si et seulement si
Z
kf (x)kpB (x)dx < ∞,
I
1
R 0 R 0 R 0
Proposition 2.1.17 (IPP) Soit f, g ∈ H (R) alors f g = − f g . (idem sur un domaine Ω : Ω
fg=
− Ω f g 0 + ∂Ω f gdσ.)
R R
On se limitera ici à chercher des solutions dans C 1 (R+ ; L2 (R)) ∩ C 0 (R+ ; H 1 (R)) (voir [4, 3, 26]).
Par conséquent, une solution ”forte” de (∗) est aussi une solution faible, i.e., de (∗∗).
R∞R ∂
2. non unique : par exemple au sens des distributions elle devient − 0
ρ(t, y) ∂t Ψ(t, y)dydt −
1 ∞ ∂2
ρ0 (y)Ψ(0, y)dy, ∀Ψ ∈ Cc∞ (R+ × R)
R R R
2 0 ρ(t, y) ∂y 2 Ψ(t, y)dydt =
2.1. SOLUTION FAIBLE, TRANSFORMÉE DE FOURIER ET ENERGIE 35
∀x ∈ R, fb(x) = f (−x).
b
1 x2
Exemple 6 (Transformée de Fourier de la gaussienne) Si f (x) = √ e− 2 , alors
2π
2 2
fˆ(t) = e−2π t .
∇F(g) = F(−2iπxg),
et
F(∇g) = 2iπζF(g).
∂
F(ρ) = −2π 2 ζ 2 F(ρ), F(ρ)(t = 0, .) = F(ρ0 )(.)
∂t
2 2
i.e., ρ = F̄(F(ρ0 )(.)e−2tπ . ).
d On applique (**) aux fonctions test Ψ = F(g) telles que ζF(g) ∈ L2 alors (équivalence)
Z Z
∂ 1 ∂ ∂
ρ(t, y)F(g)(y)dy + ρ(t, y) F(g)(y)dy = 0.
∂t 2 ∂y ∂y
∂
F(ρ(t, y))g(y)dy + 21 ∂y
R R ∂
Puisque ∇F(g) = F(−2iπxg), on a ∂t ρ(t, y)F(−2iπxg)dy = 0 et par égalité
R R
F(g)h = gF(h), on trouve,
Z Z
∂ 1 ∂
F(ρ(t, y))g(y)dy + F( ρ(t, y))(−2iπyg)dy = 0.
∂t 2 ∂y
∂
F(ρ(t, y))g(y)dy − 21 F(ρ(t, y))(2iπy)2 gdy = 0.
R R
Or F(ρ(t, y))2iπy = F(∇ρ(t, y)) donc on a ∂t
c
On note la simplicité des solutions. L’outil Transformée de Fourier (L1 , L2 ou les série de Fourier [6])
est bien adapté à la recherche de solutions de ce type d’équation.
Corollaire 2.1.24 Une solution de (**) a une énergie décroissante.
d Par le théorème 2.1.23, et l’isométrie L2 de la transformée de Fourier, on a directement le résultat.
c
Exercice 28 Soit
x2
ρ : (t, x) 7→ xt−3/2 e− 4t .
Montrer que ρ satisfait l’équation de la chaleur et que limt→0, t>0 ρ(t, x) = 0. Pourquoi cet exemple ne
contredit-il pas le résultat d’unicité.
38 CHAPITRE 2. UNE APPROCHE DÉTERMINISTE DE LA DIFFUSION
1 ∂2
∂
ρ(t, x) = 2
ρ(t, x), ∀t, x > 0,
∂t 4 ∂x
ρ(t = 0, x) = ρ0 (x), ∀x > 0, (2.1.3)
Z ∞
∂
ρ(t, x = 0) = b(y)ρ(t, y)dy, ∀t > 0, avec b bornée.
∂x 0
∂ 1 ∂2
ρ(t, x) = ρ(t, x), ∀t, x > 0,
∂t 4 ∂x2
∂ (2.1.4)
lim ρ(t, x = 0) = g(t), ∀t > 0,
x→0 ∂x
lim ρ(t = 0, x) = ρ (x), ∀x > 0.
0
t→0
1 t
Z Z
ρ : (t, y) ∈ R∗+ ×R∗+ 7→ φx (t, y)ρ̃0 (x)dx + φ0 (t − s, y)g(s)ds, (2.1.5)
R 2 0
1 −
(x−y)2 ρ0 (x), x ≥ 0
avec φx (t, y) := √πt e t et ρ̃0 (x) = , est solution de l’équation (2.1.4).
ρ0 (−x) x ≤ 0
1b) Quelle est la régularité de cette solution sur R∗+ × R∗+ ?
obtenue via 1), admet un unique point fixe dans un espace que l’on déterminera.
2a) Montrer qu’il existe une solution de (2.1.3) sur ]0, M [×R∗+ .
∂ ∂2
ρ(t, x) = ν 2 ρ(t, x), t > 0, x ∈]0, 1[.
∂t ∂x
Les conditions aux bords sont liées aux propriétés de l’expérience physique :
L’idée dans ce chapitre va être de résoudre ce système en se servant de série de Fourier, i.e., on cherche
des solutions sous la forme X
ρ(t, x) = e2iπnx gn (t).
n∈Z
Il reste la condition initiale et les conditions aux bords contraignant les termes (gn (0))n ,
X
ρ0 (x) = e2iπnx gn (0),
n∈Z
2 n2 νt
X
ρ(t, 0) = gn (0)e−4π ,
n∈Z
2 2
∂
= n∈Z gn (0)(2iπn)e−4π n νt+2iπn .
P
· · · et, par exemple, ∂x
ρ(t, 1)
A t’on le droit de faire
P cela ? Peut on dériver comme des porcass ? Y a t’il existence ? unicité ? Quel
est le sens à donner à ?
— Les espaces de Hilbert admettant une base hilbertienne sont dits séparables.
Proposition 2.2.3 Soit H un espace de Hilbert admettant une base hilbertienne (en )n . Alors, pour tout
x de H, on a
X+∞
x= (x, en )en
n=0
2
P+∞ 2
En particulier kxk = n=0 |(x, en )| .
2.2. EQUATIONS DE LA CHALEUR SUR INTERVALLES BORNÉES (DOMAINES CARRÉS) 41
Z T p1
p
kf kLp] ([0,T ]) = |f (x)| dx .
0
— C]k ([0, T ]) = f, T -périodique ; f ∈ C k (R) .
n X o
— lp (Z) = (un )n∈Z ; |un |p < +∞ , muni de la norme
n∈Z
! p1
X
kuklp (Z) = |un |p .
n∈Z
Proposition 2.2.5 Les espaces Lp] ([0, T ]) sont des espaces de Banach. De même les espaces lp (Z).
L’espace L2] ([0, T ]) est un espace de Hilbert. De même l’espace l2 (Z).
3. Montrer que
lim F (t) = 0.
t→+∞
L’étude des séries de fonctions s’apparente à celle des intégrales à paramètres. C’est en fait un cas
particulier, si l’on voit la sommation comme l’intégration par rapport à la mesure de comptage.
Théorème 2.2.10 Soient fn : I → R des fonctions. On suppose
— fn est continue sur I pour tout n,
— il existe une suite numérique un telle que
+∞
X
∀n ∈ N, |fn (x)| ≤ un et un < +∞,
n=0
+∞
X
∀n ∈ N, |fn0 (x)| ≤ un et un < +∞,
n=0
Remarque 4 Les résultats de régularié des séries de fonctions énoncés ne font pas intervenir la notion
de convergence uniforme, comme vu en premier cycle. Toutefois, les hypothèses de domination effectuées
impliquent la convergence normale.
Exercice 31 Pour x ∈ ]−1, 1[, on note
+∞
X xn
F (x) = .
n=0
1 + n|x|
Montrer que F est de classe C 1 sur ] − 1, 1[. On se placera sur un intervalle [−ρ, ρ] avec ρ < 1.
2.2. EQUATIONS DE LA CHALEUR SUR INTERVALLES BORNÉES (DOMAINES CARRÉS) 43
Exercice 32 Soit f : R → R, 1-périodique, définie sur [0, 1] par f = χ[ 1 ,1] . Calculer les coefficients de
2
Fourier de f .
1. Dessinez le graphe de f˜1 et f˜2 , fonctions 1-périodiques telles que f˜i = fi sur [0, 1[. Etudiez la
régularité de ces fonctions.
2. Dessinez le graphe d’une fonction g1 , paire, 2- périodique telle que g1 = f1 sur [0, 1[. Etudiez la
régularité de cette fonction. Calculez les coefficients de Fourier en cosinus (notés an ).
3. Dessinez le graphe d’une fonction h1 , impaire, 2-périodiques telle que h1 = f1 sur [0, 1[. Etudiez
la régularité de ces fonctions. Calculez les coefficients de Fourier en sinus (notés bn ).
Exercice 34 Soit u une fonction de classe C 1 sur R, périodique de période 1. On note cn ses coefficients
de Fourier et on considère les fonctions
+∞
X
— S1 (x) = c2n e2iπnx ,
n=−∞
44 CHAPITRE 2. UNE APPROCHE DÉTERMINISTE DE LA DIFFUSION
+∞
X cn 2iπnx
— S2 (x) = 2
e ,
n=−∞
1 + n
+∞
2
X
— S3 (x) = cn e2iπnx−n .
n=−∞
Montrer que ces trois fonctions sont bien définies sur R, et qu’elles sont de classe C 0 , C 1 et C ∞ ,
respectivement.
La question principale qui nous intéresse ici est de savoir si Sn (f ) converge lorsque n tend vers l’infini,
et si oui, en quel sens, et vers quelle limite. On rappelle ici un certain nombre de résultats fondamentaux
sur les séries de Fourier. Malheureusement, la réponse n’est pas universelle.
On aura aussi besoin de considérer les sommes de Césaro de Sn (f ) :
n
1X
Un (f ) = Sn (f ).
n k=1
Théorème 2.2.19 (Dirichlet) Soit f ∈ L1] ([0, T ]) une fonction de classe C 1 par morceaux sur R.
Alors
f (x+ ) + f (x− )
lim Sn (f )(x) = ,
n→∞ 2
où f (x± ) désignent les limites de f à gauche et à droite en x.
Théorème 2.2.20 (Dirichlet uniforme) Soit f ∈ L1] ([0, T ]) une fonction continue sur R et de classe
C 1 par morceaux sur R. Alors Sn (f ) converge uniformément vers f sur R.
Théorème 2.2.21 (Convergence quadratique) Soit f ∈ L1] ([0, T ]), continue par morceaux. Alors
on a l’identité de Parseval :
1 T
Z 2 X
f (x) dx = |cn (f )|2 .
T 0 n∈Z
2.2. EQUATIONS DE LA CHALEUR SUR INTERVALLES BORNÉES (DOMAINES CARRÉS) 45
qui signifie
Z T 2
f (x) − Sn (f )(x) dx −→ 0 lorsque n → +∞.
0
On admettra que f peut s’écrire comme somme de sa série de Fourier en chaque point.
Remarque 5 L’égalité de Parseval pour les fonctions de L2] n’est autre que le calcul de la norme dans un
espace de Hilbert au travers d’une base hilbertienne, cf. Proposition 2.2.3 (i.e. (e2iπn. )n∈Z est une base
Hilbertienne de L2 ([0, 1])).
La légitimité de l’utilisation des séries de Fourier provient de cette propriété de base Hilbertienne.
Toute solution C 1 (R∗+ , L2 (]0, 1[)) ∩ C 0 (R∗+ , H 1 (]0, 1[)) peut se développer sur une base Hilbertienne, il
n’y a qu’une seule forme de solution :
2 2
X
ρ(t, x) = e2iπnx gn (0)e−4π n νt ,
n∈Z
avec X X
|gn (0)|2 < ∞ et |ngn (0)|2 < ∞.
n n
Exercice 36 On reprend l’exercice 2 de la fiche de TD 7. Dans chaque cas, préciser si la série de Fourier
converge (simplement, uniformément).
Exercice 37 Soit u0 : [0, 1] → R une fonction de classe C 2 satisfaisant
Montrer qu’il existe une suite (αn ) satisfaisant αn = O(n−2 ), telle que
X
∀x ∈ [0, 1], u0 (x) = αn sin(nπx).
n≥1
On peut montrer que l’hypothèse u000 (0) = u000 (1) = 0 n’est pas nécessaire, et qu’on a même αn = O(n−2 ).
46 CHAPITRE 2. UNE APPROCHE DÉTERMINISTE DE LA DIFFUSION
∂u ∂ 2 u
∂t − ∂x2 = 0 (x ∈ [0, 1], t > 0)
u(0, t) = u(1, t) = 0 (t ≥ 0),
u(x, 0) = u0 (x) (x ∈ [0, 1]).
On pose X
Ψ(x) = φ(2πn + x).
n∈Z
∞
1. Montrer que Ψ est de classe C sur R, et 2π-périodique.
2. Calculer les coefficients de Fourier de Ψ.
3. En déduire la formule X n X
φb = 2π φ(2πn),
n∈Z
2π n∈Z
e−2iπtx φ(x)dx.
R
où on a noté φb : t 7→ R
Remarque. Cette formule, dite formule sommatoire de Poisson, montre que la transformée de Fourier
d’un peigne de Dirac est un peigne de Dirac, voir cours STI.
Exercice 40 On se donne ν > 0 et ρ0 ∈ C 1 ([0, 1]) avec ρ0 (0) = ρ0 (1) = 0. Soit ρ la solution du problème :
∂ ∂2
ρ(t, x) = ν 2 ρ(t, x), ∀x > 0, ∀t ∈]0, ∞[, x ∈]0, 1[
∂t ∂x (2.2.7)
ρ(t, 0) = ρ(t, 1) = 0, ∀t > 0,
ρ(t = 0, x) = ρ0 (x), ∀x ∈ [0, 1].
On établira cette propriété par une méthode d’énergie en utilisant la propriété suivante que l’on démontrera :
pour toute fonction g de classe C 1 sur [0, 1] telle que g(0) = 0,
Z Z
g(x) dx ≤ g 0 (x)2 dx.
2
2.2. EQUATIONS DE LA CHALEUR SUR INTERVALLES BORNÉES (DOMAINES CARRÉS) 47
∂ ∂2
ρ(t, x) = ν 2 2 ρ(t, x), ∀x > 0, ∀t ∈]0, ∞[, x ∈]0, 1[
∂t ∂x (2.2.9)
ρ(t, 0) = ρ(t, l) = 0, ∀t > 0,
ρ(t = 0, x) = x(l − x)/l2 , ∀x ∈ [0, l]
∂ ∂2
ρ(t, x) = ν 2 2 ρ(t, x), ∀x > 0, ∀t ∈]0, ∞[, x ∈]0, 1[
∂t ∂
∂x (2.2.10)
∂x
ρ(t, 0) = 0, ρ(t, l) = u0 , ∀t > 0,
ρ(t = 0, x) = φ(x), ∀x ∈ [0, l]
∂ ∂2
ρ(t, x) = ν 2 2 ρ(t, x), ∀x > 0, ∀t ∈]0, ∞[, x ∈]0, 1[
∂t ∂x ∂ (2.2.11)
ρ(t, 0) = 0, ∂x ρ(t, l) = −Hρ(t, l), ∀t > 0,
ρ(t = 0, x) = φ(x), ∀x ∈ [0, l]
48 CHAPITRE 2. UNE APPROCHE DÉTERMINISTE DE LA DIFFUSION
Exercice 45 On se donne ν > 0 et ρ0 ∈ C 1 ([0, 1]) avec ρ0 (0) = ρ0 (1) = 0 et f ∈ C 1 ([0, 1]) avec
f (0) = f (1) = 0 . Soit ρ la solution du problème :
∂ ∂2
ρ(t, x) = ν 2 ρ(t, x) + f (x), ∀x > 0, ∀t ∈]0, ∞[, x ∈]0, 1[
∂t ∂x (2.2.12)
ρ(t, 0) = ρ(t, 1) = 0, ∀t > 0,
ρ(t = 0, x) = 0, ∀x ∈ [0, 1].
1) Montrer qu’il existe une unique solution ρ ∈ C 1 (R∗+ , L2 (]0, 1[)) ∩ C 0 (R∗+ , H 1 (]0, 1[)).
2) Montrer qu’il existe une unique solution ρ ∈ C 1 (R∗+ , L2 (]0, 1[)) ∩ C 0 (R∗+ , H 1 (]0, 1[)) lorsque la condi-
tion initiale est remplacé par ρ(t = 0, .) = ρ0 (.).
∂2
3) Chercher une solution stationnaire Ψ, i.e. ν ∂x 2 Ψ(x) + f (x) = 0 avec Ψ(0) = Ψ(1) = 0.
4) Montrer que
lim kρ(t, .) − Ψ(.)kL2 = 0.
t→∞
Evidemment, ce n’est que le début, la théorie des distributions permet d’étendre tout cela à des
espaces d’opérateurs qui ne sont plus des fonctions au sens classique.
Chapitre 3
On s’intéresse au problème
∂
∂t
ρ(t, y)= 12 ∆ρ(t, y), t > 0, y ∈ Ω
(∗) ρ(t = 0, .) = ρ0 (.)
ρ(t, y) = 0 ∀y ∈ ∂Ω ∀t > 0.
Théorème 3.1.2 Si A est hermitienne (symétrique) alors il existe une base orthonormée de vecteurs
propres de A.
d La preuve se fait par induction, on montre qu’il existe au moins un couple (vap; vep) et que le
supplémentaire orthogonal de l’espace vectoriel engendré par le vecteur propre est stable par M et que
M est encore symétrique sur ce sous esapce.
1- Les valeurs propres sont réelles et il en existe au moins une.
Soit m = inf kxk=1 (Ax, x) (resp. M = supkxk=1 (Ax, x)) alors on va montrer que S = A − mI n’est pas
inversible. Supposons le contraire. On remarque que BS (x, y) = (Sx, y), avec S := A−mI est une forme
bilinéaire hermitienne positive donc par inégalité de Cauchy on a
|BS (x, y)|2 ≤ BS (x, x)BS (y, y).
49
50 CHAPITRE 3. EXTENSION AUX DOMAINES Ω BORNÉS (ET RÉGULIERS)
Soit (xn )n tel que kxn k = 1 et (Axn , xn ) →n→∞ m (i.e. BS (xn , xn ) →n→∞ 0) et yn = Sxn alors
et donc kSxn k →n→∞ 0. Or si S est inversible, on a lxn k = kS −1 Sxn k →n→∞ 0 ce qui contredit
kxn k = 1. Absurde. S non inversible.
2- Soit (λ, ζ) un couple valeur propre, vecteur propre de A alors λ̄(ζ, ζ) = (Aζ, ζ) =Hermitienne (ζ, Aζ) =
λ(ζ, ζ), et donc λ ∈ R.
3- Les sous espaces propres sont orthogonaux. Soit µ, λ deux valeurs propres distinctes et x, y deux
vecteurs propres associés alors (µ − λ)(x, y) = (Ax, y) − (x, Ay) = 0, i.e. (x, y) = 0.
4- Soit E un sous espace vectoriel de Rn , tel que A(E) ⊂ E alors le supplémentaire orthogonal de E :
E ⊥ est stable par A, i.e. A(E ⊥ ) ⊂ E ⊥ . C’est direct, si x est dans E ⊥ alors
d
V = MV
dt
sont données par
X
V = (bi , V (t = 0))eλi t bi ,
i
où V P (M ) = {λi , i} et (bi )i une base de vecteurs propres de la matrice M (associés aux valeurs propres
V p(M )).
d Direct.
c
4Re(x, Ay) = (x + y, A(x + y)) − (x − y, A(x − y)) ≤ max |(M z, z)|[kx + yk2 + kx − yk2 ]
kzk=1
donc pour y = Ax/kAxk, on trouve que 4Re(x, A(Ax))/kAxk ≤ 4 maxkzk=1 |(M z, z)|, et par symétrie
Définition 3.2.1 [24] Soit T une application linéaire continue de H dans lui même. Alors
et
V p(T ) := {λ : λI − T non injectif }, i.e., Ker(λI − T ) 6= {0}.
On a évidemment V p(T ) ⊂ σ(T ) (mais pas nécessairement ⊃).
Exemple 7 Dans E = {f ∈ C 0 ([0, 1]) : f (0) = 0},
Z x
T : f ∈ E 7→ f (y)dy ∈ E
0
est un opérateur linéaire continue de noyau réduit à {0} (injectif ) mais non surjectif (donc non inver-
sible) car Im(T ) ⊂ C 1 .
3.2.1 La Compacité
Définition 3.2.2 [24]On dit que K ⊂ H est compact si de toutes suites de K on peut extraire une sous
suite convergente.
Exemple 8 Dans les espaces de dimensions finis (ex. : Rp ), les compacts sont les fermés bornés.
Lemme 3.2.3 Soit E un e.v.n, M ⊂ E sous espace vectoriel fermé de E et différent de E alors il
existe u ∈ E tel que
kuk = 1,
et
d(u, M ) ≥ 1/2.
52 CHAPITRE 3. EXTENSION AUX DOMAINES Ω BORNÉS (ET RÉGULIERS)
v−m
d Puisque M 6= E et M espace vectoriel fermé, il existe v ∈c M et δ = d(v, M ) > 0. On pose u = kv−mk
,
avec m ∈ M vérifiant d(v, m) ≤ 2δ. On a directement luk = 1 et d’autre part pour tout t ∈ M
v−m
ku − tk = k kv−mk − tk = kv−m−tkv−mkk
kv−mk
≥ d(v, M )/2δ = 1/2.
c
Corollaire 3.2.4 Si E est un e.v.n et BE (boule fermée centrée en l’origine et de rayon 1) est compact
alors E est de dimension fine.
d Si E est dimension infinie, alors il existe une famille libre (en )n infinie et on peut construire la suite
de s.e.v En = V ect(e1 , ..., en ) strictement croissante. Par le lemme 3.2.3, on à l’existence de la suite
(vn )n vérifiant
kvn kE = 1, vn ∈ En , kvn − vq k ≥ 1/2, ∀q < n.
En supposant la boule unité compacte, on pourrait extraire une sous suite convergente. Ce qui est
absurde car kvφ(n) − vφ(q) k ≥ 1/2, ∀q < n et ∀φ ↑ .
c
En dimension infini (comme par exemple les espaces de fonction C 0 , Lp ...) les compacts ne sont plus
les fermés bornés, il faut d’autres conditions permettant d’assurer la compacité.
Théorème 3.2.5 [24, 3](Ascoli) Soit X un ensemble compact et Y un espace vectoriel normé. Un
ensemble A fermé de C 0 (X, Y ; k.k∞ ) est compact si et seulement si :
1. (BORNE) ∀x ∈ X supf ∈A kf (x)k < ∞,
2. (EQUICONTINUE) ∀x ∈ X, ∀ > 0 ∃η > 0 supf ∈A, y∈B(x,η) kf (x) − f (y)k ≤ .
C 0 ([0,1])
Exemple 9 A = {f ∈ C 1 ([0, 1]) : kf k∞ ≤ 1, kf 0 k∞ ≤ 1} est précompact, i.e., A est compact..
Le contrôle de la dérivée nous assure l’équicontinuité.
Exemple 10 Si f ∈ Lp (R) : kxf kp < ∞ alors (PAS DE PERTE DE MASSE A l’∞) est vérifiée.
Corollaire 3.2.7 [3](Rellich) Soit Ω un ouvert borné de Rd . La boule unité de H 1 (Ω) est précompacte
dans L2 (Ω).
3.2. LA DIMENSION ∞ : LE CHAPITRE DE LA PEUR 53
Définition 3.2.8 [24] Soit T une application linéaire continue de H dans lui même. Alors T est com-
pacte si
H
T (BH ) compact dans H,
avec BH = {x : kxk ≤ 1}. On note K(H) l’ensemble des applications linéaires compactes.
Exemple 11 L’injection de H 1 (Ω) sur L2 (Ω) avec Ω un ouvert borné de Rd est compacte.
Lemme 3.2.9 Soit T une application compacte, λ ∈ C∗ et λI − T injective alors il existe m > 0 tel
que
k(λI − T )xk ≥ mkxk, ∀x
d Supposons que
inf k(λI − T )xk = 0,
x : kxk=1
alors il existe (xn )n t.q. yn = (λI − T )xn → 0. Par compacité, on peut extraire une sous suite cvg de
(T xn )n convergente. Donc
T xφ(n) + yφ(n)
xφ(n) =
λ
converge également vers une limite z, par continuité : T (xφ(n) ) → T (z) et donc
λz − T z = 0, i.e. z ∈ Ker(λI − T )
H H
1. Soit Eλ = Ker(λI − T ) alors T (Eλ ) = λEλ et Eλ ⊂ λ1 T (Eλ ). Par conséquent BEλ ) ⊂ λ1 T (BEλ )
qui est compact car T l’est. Or par le corollaire 3.2.4, Eλ devrait être de dimension infini et H
également. Absurde.
2. Soit (fn = λun − T (un ))n ⊂ Im(λI − T ) convergente vers f dans H. On cherche à montrer que f
est dans Im(λI − T ).
Soit dn = dist(un , Ker(λI − T )) = kun − vn k avec vn ∈ Ker(λI − T ) (qui est dimension fini
par le point précédent). Alors (dn )n est bornée. En effet, si ce n’était pas le cas, à extraction d’une
sous suite près, dn tends vers l’infini et wn = (un − vn )/dn vérifie
fn
= λwn − T wn , kwn k = 1.
dn
Puisque fn converge, on a dfnn converge (vers 0) et à extraction d’une sous suite T wn converge (T
compacte et (wn )n borné) donc wn converge vers w et par continuité T wn vers T w :
La suite un − vn est bornée donc à extraction d’une sous suite près T (un − vn ) est convergente. Or
(fn )n est convergente donc
1
un − vn = [fn + T (un − vn )]
λ
est convergente vers l. Par continuité : λl − T (l) = f , i.e., f ∈ Im(λI − T ).
3. Il faut montrer que λl − T injectif (i.e. Ker(λl − T ) = {0}) implique λl − T surjectif, i.e., Im(λl −
T ) = H. En supposant que c’est faux. On peut construire la suite strictement décroissante (car
λl − T injectif et non surjectif) En = Im((λl − T )n ). Par le lemme 3.2.3, il existe une suite un ∈ En
telle que
kun k = 1, d(un , En+1 ) ≥ 1/2,
alors pour tout m > n
Donc on ne peut extraire de sous suite cvg de (T (un ))n . Absurde car T compact. Par conséquent
λI − T est surjectif.
c
1. Si T est inversible alors Id = T −1 T avec T compact : Id est compacte donc H devrait être de
dimension fini par le lemme 3.2.4.
2. Par le point 3- du théorème 3.2.10 et le lemme 3.2.9.
3. On pose Sn = {λ ∈ σ(T ) : |λ| ≥ 1/n}. On suppose que ]Sn = ∞ alors il existe une suite
(λk , ek ) : T ek = λk ek
donc Ek = vect(e1 , ..ek ) est suite strictement croissante et par le lemme 3.2.3, il existe fk :
1
kT yp − T − yq k = kf − q − (T yp + fq − T yq )k = kf − q − (T yp + (λI − T )fq ) ≥ d(fq , Eq−1 ) = 1/2.
λq
Or H = Im(T ) ⊕⊥ Ker(T ) et il suffit donc de créer une base orthonormale de Ker(T ) (toujours faisable
si H est séparable [24, 3]).
c
et T = ioA avec i : H 1 ,→Compact L2 par Th. de Rellich. On note que T est une application linéaire
compacte auto adjointe. Il existe donc (µk , uk ) (avec limk→∞ µk = 0) telle que
T uk = µk uk
donc
1 1
uk = T uk = Auk .
µk µk
56 CHAPITRE 3. EXTENSION AUX DOMAINES Ω BORNÉS (ET RÉGULIERS)
1
R
Or Au = λu (λ 6= 0) est équivalent à a(u, u) = λ
uv pour tout v ∈ H01 (Ω). C’est-à-dire à (au sens
faible)
1
−∆u = u.
λ
On a donc bien existence d’une base de vecteurs propres de ∆ dont les valeurs propres associées tendent
vers l’infini.
c
Théorème 3.3.2 Soit Ω un ouvert régulier C 1 et ρ0 ∈ L2 (Ω) alors il existe une unique solution
C 0 (R+ ; H01 (Ω)) du problème de la chaleur
∂
∂t ρ(t, y) = 12 ∆ρ(t, y), t > 0, y ∈ Ω
(∗) ρ(t = 0, .) = ρ0 (.)
ρ(t, y) = 0 ∀y ∈ ∂Ω ∀t > 0.
d Soit (uk )k une base orthonormée de vecteurs propres de ∆ (voir th. 3.3.1) et (µk )k les valeurs propres
associées (µk →k→∞ ∞) alors (en développant sur la base de vep), on a
X
u(t, .) = e−µk t/2 (ρ0 , uk )uk (.) au sens L2 (Ω),
k
L’objectif de ce chapitre est de présenter des méthodes générales pour aborder les équations non
linéaires (plus que de des théorèmes sur l’équation de la chaleur).
G(F (u), u) = 0.
G(F (v), u) = 0.
On suppose
∃k < 1, ∀x ∈ Rd , kJϕ(x)k ≤ k.
Alors l’application f est contractante.
Théorème 4.1.3 On suppose E complet, et ϕ : E → E contractante. Alors
1. L’équation ϕ(x) = x admet une unique solution x? ∈ E.
57
58 CHAPITRE 4. QUELQUES OUTILS DE BASES POUR LES ÉQUATIONS NON LINÉAIRES
∂ ∂
sup | (T (v) − T (w))| ≤ T M sup | (v − w)|,
t∈[0,T ], y∈R ∂t t∈[0,T ], y∈R ∂t
et
∂ ∂
sup | (T (v) − T (w))| ≤ T M sup | (v − w|
t∈[0,T ], y∈R ∂y t∈[0,T ], y∈R ∂y
avec M = sup[|F 0 |+|(xF 0 (x))0 |] et B = C 1 ([0, T ]×R). Par conséquent pour T < 1/M , T est contractante
sur B et il existe une unique solution dans B de
∂ 1
ρ(t, y) = ∆ρ(t, y) + F (ρ(t, y)), t ∈ [0, T [, y ∈ R.
∂t 2
Théorème 4.1.6 Soit φ0 ∈ Cb (R), F et x 7→ xF 0 (x) ∈ Cb1 , alors il existe une unique solution ρ ∈
C 1 (R+ × R) à
1. ρ ∈ C 1 (R∗+ × R),
2. ∂
∂t
ρ(t, y) = 12 ∆ρ(t, y) + F (ρ(t, y)), pour tout (t, y) ∈ R∗+ × R,
3. ρ →t→0 φ0 (et *t→0 φ0 (sens faible) lorsque φ0 n’est que L1 ).
d En utilisant le théorème de point fixe dans l’espace de Banach C 1 ([0, T ] × R) avec T = 2M/3 on a
existence et unicité de la solution. On raisonne ensuite par récurrence sur les ensembles [kT, (k + 1)T ]
en montrant qu’il existe une unique solution aux problèmes
∂ 1
ρk (t, y) = ∆ρk (t, y) + F (ρk (t, y)), t ∈]kt, (k + 1)T ], y ∈ R.
∂t 2
ρk (t = T k, .) = ρk−1 (t = T (k − 1), .).
On remarque que les bornes obtenues précédemment ne dépendent que de M = sup[|F 0 | + |(xF 0 (x))0 |] et
non du temps donc le même raisonnement permet d’étendre sur un intervalle de longueur T la solution.
On construit alors la solution globale par morceaux
Remarque 7 A est borné signifie qu’il existe M > 0 tel que ∀x ∈ A on a kxk ≤ M .
Exercice 47 Montrer que l’ensemble des matrices orthogonales O(n) est un compact de l’ensemble des
matrices Mn (R).
Théorème 4.2.5 (Ascoli) Soit fn : [0, 1] → R des fonctions continues . On suppose que
Alors il existe une sous-suite (fnk )k qui converge uniformément sur [0, 1].
Remarque 8 Dans le cas où les fonctions fn sont de classe C 1 , l’hypothèse d’équicontinuité est impliquée
par une borne uniforme sur les dérivées :
∃K > 0, ∀n ∈ N, kfn0 k∞ ≤ K.
|f (x) − f (y)|
|f |α = sup ,
0≤x<y≤1 |x − y|α
et
C α ([0, 1]) = f : [0, 1] → R ; |f |α < +∞ .
1. Montrer que l’espace C α ([0, 1]) muni de la norme k · kα = | · |α + k · k∞ est un espace de Banach.
2. Montrer que la boule unité de cet espace est d’adhérence compacte dans C ([0, 1]) (muni de la norme
uniforme).
4.2.2 Méthode
De manière générale, si l’on sait résoudre le problème : trouver u ∈ K solution de
G(u) = 0,
pour une classe de problème G. Soit H classe de problème obtenu par passage à la limite de problème de
C 0 (K)
type G. On cherche à résoudre le problème : H(u) = 0. S’il existe Gk →k→∞ H et uk tel que Gk (uk ) = 0
et (uk )k ⊂ Compact. Alors, par compacité on peut extraire une sous suite uφ(k) convergent vers u ∈ K,
et 0 = Gφ(k) (uφ(k) ) →k→∞ H(u), i.e., H(u) = 0.
Exemples d’applications
Théorème 4.2.6 (Cauchy Peano)Soit y0 ∈ R et f ∈ Cb (R) alors il existe une soultion de l’EDO
On a supt∈[0,T ] |yn (t)| ≤ y0 + T supn kfn k et supt∈[0,T ] |yn0 (t)| ≤ supn kfn k donc par le th. d’Ascoli 3.2.5
on a (yn )n compacte dans C([0, T ]) et par extraction d’une sous suite convergente on a ynk →k→∞ z et
0
fn (yn ) →C
k→∞ f (z) donc Z t
z(t) = y0 + f (z(s))ds.
0
On note que z et C 1 et de dérivée f (z(.)).
c
Cette technique est plus difficile à appliquer. En effet il faut connaı̂tre les ensembles compact. Par
exemple pour étendre le théorème
Théorème 4.2.7 Soit φ0 ∈ Cb (R), F ∈ Cb0 et F (x) ≤ Cx, alors il existe une unique solution ρ ∈
C 1 (R+ × R) à
1. ρ ∈ C 0 (R∗+ × R),
∂
Ψ(t, y)dy − ρ0 (y)Ψ(0, y)dy = 12 ρ(t, y)∆Ψ(y)dy + F (ρ(t, y))Ψ(y)dy, pour
RR R R R
2. (***) − ρ(t, y) ∂t
tout Ψ ∈ Cc∞ (R∗+ × R),
3. ρ *t→0 φ0 .
nous aurons besoin de la proposition suivante
Proposition 4.2.8 [12](Lions-Aubin) Soit T > 0, X espace de Hilbert et (fn )n ⊂ L2 ([0, T ], X) bornée,
telle que
∂
II) ”A variation bornée” : ( ∂t fn )n bornée uniformément dans L2 ([0, T ], K 0 )
ALORS on peut extraire une sous suite convergente dans L2 ([0, T ], X).
On pose
X = L2 (R), K = H 1 (R) ∩ L2x2 (R)
K 0 = { formes linéaires continues sur K} = {T : sup |(T, Φ)| < ∞}
kΦkK =1
d Du théorème 4.1.6, il existe une solution ρk au problème (***) pour Fk ∈ Cb1 vérifiant Fk (x) ≤ Cx.
On a par intégration, pour tout t ≤ T
Z Z Z Z
∂ Gronwall
ρk (t, x)dx ≤ C ρk (t, x)dx ⇒ ρk (t, x)dx ≤ ( ρ0 (x)dx)eCT ,
∂t
Z Z Z Z
∂ 2 2 Gronwall
ρk (t, x)dx ≤ C ρk (t, x)dx ⇒ ρk (t, x)dx ≤ ( ρ20 (x)dx)eCT ,
2
∂t
Z Z Z Z
∂ 2 2 Gronwall
ρk (t, x)x dx ≤ C x ρk (t, x)dx ⇒ x ρk (t, x)dx ≤ ( x2 ρ0 (x)dx)eCT ,
2
∂t
Z tZ Z Z Z
(∇ρk ) (s, x)dx ≤ C ρk (t, x)dx + ρ0 (x)dx ≤ ρ20 (x)dx[CeCT + 1],
2 2 2
0
Z tZ Z
(ρk ) (s, x)dxds ≤ T ( ρ20 (x)dx)eCT ,
2
0
Z Z Z
∂
| ρk (t, x)Ψ(x)dx| = | ∇ρk (t, x)∇Ψ(x)dx| + | F (ρk )Ψ(x)dx|
∂t
sZ sZ sZ sZ sZ Z
≤ |∇ρk |2 2
|∇Ψ| + C |ρk |2 2
|Ψ| ≤ [ |∇ρk | + C( ρ20 (x)dx)eCT ]kΨkH 1 ,
2
62 CHAPITRE 4. QUELQUES OUTILS DE BASES POUR LES ÉQUATIONS NON LINÉAIRES
et
Z T Z Z T Z Z
∂
| ρk (t, x)Ψ(x)dx|2 dt ≤ [2 |∇ρk | dxdt + 2CT ( ρ20 (x)dx)eCT ]kΨkH 1
2
0 ∂t 0
h Z Z i
2 CT 2 CT
≤ 2 ρ0 (x)dx[Ce + 1] + 2CT ( ρ0 (x)dx)e kΨkH 1 .
On peut donc extraire une sous suite convergente L2 ([0, T ] × R) et donc une sous suite convergente p.p.
(vers la même limite). En prenant une suite Fk convergeant vers F dans C 0 . On en déduit Fk (ρk (t, y))
converge p.p. et borné car Fk l’est donc par convergence dominée
Z Z
Fk (ρk (t, y))Ψ(y)dy → F (ρ(t, y))Ψ(y)dy,
et Z Z
ρk (t, y)∆Ψ(y)dy → ρ(t, y)∆Ψ(y)dy.
α1 β1
α2 β2
.. ..
. .
P xk 0 = αmk0 P xk0 +1 = βmk0 .
0 0
. .
.. ..
0 0
4.3. ANNEXE : PREUVE DU THÉORÈME DE PERRON-FROBENIUS 63
β1 α1 α1
β2 α2 α2
.. .. ..
. . .
βmk0 = αmk0 + P At P αmk0 ,
0 0 0
. . .
.. .. ..
0 0 0
et puisque les αi et βi sont strictement positifs, il est nécessaire que dij = 0 pour (i, j) ∈ [(mk0 + 1), n] ×
[1, mk0 ] et la matrice P At P peut s’écrire sous la forme
t A1 A2
PA P = .
0 A3
elle serait donc réductible. Or, par hypothèse, elle ne l’est pas et il n’existe pas de k0 tel que mk0 =
mk0 +1 . La suite mk est par conséquent strictement décroissante et mn−1 = 0, donc toutes les composantes
de (I + A)n−1 x0 sont strictement positives et (I + A)n−1 > 0.
c
Lemme 4.3.2 Si A est une matrice carrée n lignes et n colonnes, positive et irréductible alors
(Ax)i
r := sup min > 0, (4.3.2)
x≥0, x6=0 i : xi >0 xi
et il existe z > 0 vecteur propre de A associé à la valeur propre r. De plus, tout autre vecteur propre
associé à la valeur propre r est proportionnel à z.
d On prouve que r existe, puis que c’est une valeur propre de A.
(Ax)i
(A − ( min )I)x ≥ 0.
i : xi >0 xi
64 CHAPITRE 4. QUELQUES OUTILS DE BASES POUR LES ÉQUATIONS NON LINÉAIRES
(Ax)i
(I + A)n−1 (A − ( min )I)x > 0,
i : xi >0 xi
Aζ − rζ > 0,
(Aζ)i
et min > r ce qui est absurde car r est maximal. Soit z1 un autre vecteur propre non propor-
i : ζi >0 ζi
tionnel à z, alors il existe α tel que z − αz1 6= 0 soit positif et admette une composante nulle d’où
(A − rI)(z − αz1 ) = 0 et (A − rI)(I + A)n−1 (z − αz1 ) > 0, ce qui est absurde. Par conséquent, z et z1
sont proportionnels.
c
Lemme 4.3.3 Si A est une matrice carrée n lignes et n colonnes, positive et irréductible et x > 0
est une valeur propre de A, alors Ax = ρ(A)x.
d On a Ax = µx et Az = ρ(A)z avec µ > 0, alors il existe γ tel que
γ = max{t : x − tz ≥ 0}.
On a par positivité de A
ρ(A)
A(x − γz) = µ(x − γz) ≥ 0,
µ
ρ(A)
et par définition de γ, µ
γ ≤ γ (c’est à dire ρ(A) ≤ µ). Donc, par définition du rayon spectral, on
trouve que µ = ρ(A).
c
Chapitre 5
Correction
Pi Exercice 1 Soit U ∼ U([0, 1]), P = (pi )ni=1 avec pi = P (X = i) et V = (vi )ni=1 avec vi =
j=1 pi et v0 = 0 alors
Lors d’une simulation, la boucle while se termine lorsque U ∈ [vk , vk+1 ] (c’est-à-dire avec probabilité
pk+1 ) et donne le résultat S = k + 1 donc S ∼ X.
Correction Exercice 2 On note Xn le nombre de boules blanches dans la boı̂te 1 au temps n ∈ N, alors
avec Yi une suite de v.a.i.i.d de loi P (Y1 = 1) = 1/2 et P (Y1 = −1) = 1/2.
a) Les variables sont indépendantes et de même loi donc
[nt]
X
var(Snt ) = var(Yk ) = ([nt] + 1),
k=0
65
66 CHAPITRE 5. CORRECTION DES EXERCICES
n n n
1X 1X 1X
U1 : n 7→ 1X =1 , U2 : n 7→ 1X =2 , U3 : n 7→ 1X =3 .
n k=1 n n k=1 n n k=1 n
Correction Exercice 6 La population d’Atlantis est de 1800 personnes. Il y a trois cités à Atlantis :A,
B et C, contenant respectivement 200, 600 et 1000 personnes. π0 = (200, 600, 1000)
Chaque année, toute la population déménage. La population d’une ville se divise en deux groupes de
taille égale qui déménagent dans les deux autres villes.
Par exemple, les 200 habitants de la villes A se divise en deux groupes de tailles 100 dont l’un va aller
dans la ville B, l’autre dans la ville C.
1)
0 1/2 1/2
M = 1/2 0 1/2
1/2 1/2 0
et a + b + c = 1
c = 9a
19a = 3b
et (49/3)a = 1. Donc a = 3/49, b = 19/49 et c = 27/49.
68 CHAPITRE 5. CORRECTION DES EXERCICES
Correction Exercice 8 Chercher le(s) vecteur(s) de probabilité invariante dans l’exercice sur Atlantis
(ex. 6) ?
1/3 1/3 1/3
(a, b, c) = π = π 1/3 1/3 1/3
1/3 1/3 1/3
Donc a + b + c = 3a = 3b = 3c (et a + b + c = 1), i.e., a = b = c = 1/3.
0 0 5 1
8 1 2 4
Correction Exercice 9 Soit A =
2 0 0 0 . Tracer le graphe associé.
2 0 0 1
Correction Exercice 10 On reprend l’exercice 9, le graphe est il fortement connecté ? Non, aucun chemin
ne permet d’aller de 3 vers 2.
Correction Exercice 11 Tracer les graphes associés aux matrices A, B et C
1 0 1 0 1 0 1 0
0 1 1 0 1 1 1
, C = 0 0 0 1
A= 1 0 0 , B = 1 0 1 0 0 1 0 0
1 0 0
1 1 0 1 1 0 0 1
Est ce que A, B ou C sont irréductibles ? Mettre des éléments non nuls sur la diagonale les changerait
il la réductibilité ?
69
Correction Exercice 12 Marche aléatoire symétrique dans Zk On se place dans Zk , soit q ∈ Zk . Soit en
1d, 2d ou 3d pour k ∈ [1, 3].
I) Compter le nombre de voisin q 0 ∈ Zk de q (i.e. ki=1 |qi − qi0 | = 1). N bV oisins = 2k. II) On pose (Uj )j
P
la suite de variables aléatoires i.i.d de loi uniforme sur les voisins de 0 = (0, · · · , 0) ∈ Zk .
Pk
P (U = m) =
1/2k, si i=1 |Ui − mi | = 1
0 sinon
n √ n n √
n! ∼ ( )n 2πn, (n!)2 ∼ ( )2n 2πn, (2n)! ∼ 22n ( )2n 4πn
e e e
donc p2n √1 2n
P
i ∼ πn et n pi = ∞.
c) Même question pour k = 2, 3.
En dimension 2, on doit choisir n (haut et droite) parmi 2n (les autres sont les complémentaires, i.e.,
gauche et bas)
n
2n (2n)! 1 X n n−j
pi =
(n!)2 42n j=0 j j
| {z } | {z }
Choix des j droites parmi droite ou haut. Choix de n-j bas parmi gauche ou bas.
(2n)! 2 1
p2n
i = ( ) ∼ Cst/n
(n!)2 42n
En dimension 3, on doit choisir n (haut, devant et droite) parmi 2n (les autres sont les complémentaires,
i.e., gauche, derrière et bas)
n
2n (2n)! 1 X n n − j1 n n − j1
pi =
(n!)2 62n j +j =0 j1 j2 j1 j2
1 2
n
(2n)! 1 X n n − j1 n − j1 n − (j1 + j2 )
p2n
i =
(n!)2 62n j +j =0 j1 j2 j1 j2
1 2
(2n)! 2 1
p2n
i = ( )
(n!)2 42n
C’est aussi, en se servant des p2l
i calculer pour la dim 1 et 2, ici quand on se déplace en 3d, il y a une
chance sur trois de se déplacer suivant l’axe des abscisses et 2 chances sur trois de se déplacer suivant
les deux autres axes et donc
n
X 2n 1 2
2n
pi = ( )2n−2l ( )2l pi2n−2l p2l
i
2l 3 3 | {z } |{z}
l=0 de la dim 1 de la dim 2
et
p2n
i ≤ Cst/n
3/2
P 2n
d) Classifier les états. pi = ∞ pour dimension = 1, 2 donc les états sont récurrents et pour
dimension = 3 les états sont transitoires.
70 CHAPITRE 5. CORRECTION DES EXERCICES
Correction Exercice 13 Etudier la convergence p.p, L1 , au sens des distributions (resp. vague, faible,
étroite)
- La suite de fonctions (1[n,n+1] (.))n∈N converge t’elle ?
Oui p.p. Non dans les Lp et oui au sens des distributions. En effet, à x fixé
car à partir de n ≥ E(x) + 1 la suite est constante égale à zéro. Par contre si elle convergeait Lp , on
pourrait extraire une sous suite convergeant p.p., or la limite simple est 0 donc elle convergerait Lp vers
0. Ce qui n’est pas possible puisque
Z
|1[n,n+1] (x) − 0|p dx = 1, ∀n ≥ 0.
Plus précisément,
R si le support de φ est inclu dans [−M, M ] alors dès que n ≥ M , on a la stationnarité
de la suite 1[n,n+1] (x)φ(x)dx à zéro.
car à partir de n ≥ 2E(1/x) + 1 la suite est constante égale à zéro. Par ailleurs, pour p = 1
Z
|n1[1/n,2/n] (x) − 0|dx = 1,
donc par le même argument que précédemment, la suite ne converge pas. De plus pour p > 1,
Z
|n1[1/n,2/n] (x)|p dx → ∞.
donc elle ne converge pas non plus car elle n’est pas bornée. Par contre, pour n’importe quelle fonction
φ ∈ C0∞ , Z Z 2
n1[1/n,2/n] (x)φ(x)dx = φ(nx)dx →cvg domine φ(0) = δ0 (φ) = (δ0 , φ).
1
C’est-à-dire n1[1/n,2/n] → δ0 .
- La suite de fonctions (e2iπn. )n∈N∗ converge t’elle ?
Dans les Lp , c’est direct car n’appartient pas à ces espaces.
Pour la convergence simple, c’est moins simple 3 , on prend x ∈ R, alors
est un sous groupe additif de R (non vide). Soit = inf{y ∈ G, y > 0} qui existe par construction de
R, alors :
- soit > 0 et G = Z (en effet, si 6∈ G alors il existe yk → , yk ∈ G donc yk − yk+1 → 0 et pour k
assez grand yk − yk+1 ∈ G et 0 < yk − yk+1 < absurde)
3. ah ah ah
71
- soit = 0 et G dense dans R (en effet, dans ce cas il existe une suite yk → 0, yk ∈ G donc yk Z ⊂ G
pour tout k, et donc G dense dans R ).
Par conséquent, G est soit dense dans R et donc (e2iπnx )n∈N∗ est dense dans le cercle unité (des com-
plexes), soit x ∈ Q et (e2iπnx )n∈N∗ est une suite finie périodique. Elle ne converge pas pour x 6∈ Z !
- La suite de fonctions (sin2 (2πn.))n∈N∗ converge t’elle ? Non p.p et Lp (voir plus haut) mais
2 e4iπnx − 2 + e−4iπnx
sin (2πn.) = → 1/2
−4
au sens des distributions.
Correction Exercice 14 Montrer les points 1 à 4.
1. effet régularisateur de l’équation de la chaleur (pour tout φ0 ) on a ρ ∈ C ∞ pour tout t > 0. En
effet, par dérivation sous domination (locale) on montre facilement que ρ ∈ C ∞ (], 1/[×[−M, M ])
et ceci pour tout > 0 et M > 0 (la Gaussienne est mise à contribution).
2. positivité : si φ0 ≥ 0 alors pour tout (t, y), ρ(t, y) ≥ 0. Toujours par produit de convolution, ici
de deux fonctions positives.
3. vitesse de propagation ∞ : si φ0 ≥ 0 et φ0 6= 0 alors pour tout (t > 0, y), ρ(t, y) > 0. La
encore, le produit de convolution entre une fonction > 0 sur R (la Gaussienne) et une fonction
> 0 sur un ouvert non vide est > 0 sur R tout entier.
1
R 1
4. conservation
R de la masse :R si φ0 ∈ L R R φ0 = C alors pour tout t > R0, φ(t, .)R ∈ L et
et
ρ(t, y)dy = C. L’intégrale de f ∗g(x)dx = f (x−y)g(y)dydx = (F ubini) f (x)dx g(y)dy.
Or la Gaussienne (normalisée) est d’intégrale est à 1 ici donc la masse de φ est égale en tout temps
à celle de φ0 .
Correction Exercice 15 On considère le problème
∂2
∂
∂t
ρ(t, y) = ∂y 2 ρ(t, y), ∀t > 0, x ∈ R
ρ(t = 0, .) = ρ0 (.).
avec
0, y<0
ρ0 (y) =
1, y>0
1) Donner une formule explicite pour la solution ρ. Le cours nous donne (en prenant en compte la
condition initiale) Z
∗ 1 − (x−y)2
ρ : (t, y) ∈ R+ × R 7→ √ e 4t dx
x>0 4πt
(x−y)
On pose z = √
4t
, on trouve
Z
1 2
ρ : (t, y) ∈ R∗+ × R 7→ √
√ e−z dz
z>−y/ 4t π
2 2 2
√1 e−z dz √1 e−z dz √1 e−z dz
R R R
2) Montrer que On a = 1 et √ = √ donc on a
π z∈[−y/ 4t,0] π z∈[0,y/ 4t] π
72 CHAPITRE 5. CORRECTION DES EXERCICES
Z Z
1 2 1 2
√
√ e−z dz = 1 − √
√ e−z dz
z>−y/ 4t π z<−y/ 4t π
et Z Z Z
1 2 1 2 1 2
√
√ e−z dz = 2 √
√ e−z dz + √
√ e−z dz
z>−y/ 4t π z∈[0,y/ 4t] π z>y/ 4t π
Par conséquent, on a Z Z
1 2 1 2
2 √
√ e−z dz = 2 √
√ e−z dz + 1
z>−y/ 4t π z∈[0,y/ 4t] π
et finalement
1 √ 2
Z s
2
ρ(t, y) = [1 + φ(y/ 4t)], φ : s 7→ √ e−t dt.
2 π 0
∂ ∂2
ρ(t, x) = ν 2 ρ(t, x) − cρ(t, x), ∀t > 0, x,
∂t ∂x (5.0.1)
ρ(t = 0, x) = ρ0 (x), ∀x.
Aide : se ramener à l’équation de la chaleur à l’aide d’un changement de fonction ρ(t, x) = u(t, x)g(t)
avec g bien choisit.
∂ ∂2
u(t, x) = ν 2
u(t, x)
∂t
∂x
d
dt
g(t) = −cg(t), ∀t > 0, x, g(0) = 1, (5.0.2)
u(t = 0, x) = ρ0 (x), ∀x.
g(t) = e−ct
Z
∗ 1 (x−y)2
u : (t, y) ∈ R+ × R 7→ ρ0 (x) √ e− 4νt dx
4πνt
Correction Exercice 17 On cherche à résoudre le problème
∂ ∂2 ∂
ρ(t, x) = ν 2 ρ(t, x) − c ρ(t, x), ∀t > 0, x,
∂t ∂x ∂x (5.0.3)
ρ(t = 0, x) = ρ0 (x), ∀x.
Aide : se ramener à l’équation de la chaleur à l’aide d’un changement de fonction ρ(t, x) = u(t, x)h(x),
h bien choisit (voir exercice 20).
∂ ∂2 ∂
h(x) u(t, x) = νh(x) 2 u(t, x) + νh00 (x)u(t, x) + (2νh0 (x) − ch(x)) u(t, x) − ch0 (x)u(t, x),
∂t ∂x ∂x
ρ(t = 0, x) = ρ0 (x), ∀x.
on pose (2νh0 (x) − ch(x)) = 0, h(x) = ecx/(2ν) donc
∂ ∂2
h(x) u(t, x) = νh(x) 2 u(t, x) + (νh00 (x) − ch0 (x))u(t, x),
∀t > 0, x,
∂t ∂x (5.0.4)
ρ(t = 0, x) = ρ0 (x), ∀x.
73
et
(νh00 (x) − ch0 (x)) = −(c2 /(4ν))h(x)
L’équation se réduit donc à
∂ ∂2
u(t, x) = ν 2 u(t, x) − (c2 /(4ν))u(t, x), ∀t > 0, x,
∂t ∂x (5.0.5)
u(t = 0, x) = ρ (x)e−cx/(2ν) , ∀x.
0
2 t/(4ν))
ρ(t, x) = v(t, x)e−c ecx/(2ν)
Or v solution de
∂ ∂2
v(t, x) = ν 2 v(t, x), ∀t > 0, x,
∂t ∂x (5.0.6)
v(t = 0, x) = ρ (x)e−cx/(2ν) , ∀x.
0
Par conséquent, on a
Z
1 (x−y)2 2
ρ : (t, y) ∈ R∗+ × R 7→ ρ0 (x)e−cx/(2ν) √ e− 4νt e−c t/(4ν)) ecy/(2ν) dx
4πνt
On note que
(x−y)2 (x−y)2
−c2 t/(4ν))+cy/(2ν) −c2 t/(4ν))+cy/(2ν)
e−cx/(2ν)− 4νt = e−cx/(2ν)− 4νt
or
(x + ct − y)2 (x − y)2
− =− − c2 t/(4ν)) − cx/(2ν) + cy/(2ν)
4νt 4νt
donc Z
1 (x+ct−y)2
ρ : (t, y) ∈ R∗+ρ0 (x) √
× R 7→ e− 4νt dx
4πνt
√
Qui par changement de variable z = (x + (ct − y))/ 4νt donne
Z √ e−z
2
Correction Exercice 18 Unnnnn jouuuur* (voir [2] p.138) : Une princesse cherche son prince, elle reçoit
un par un les princes : dans l’ordre de passage S1 , S2 ... Sr et fait passer dans cet ordre un entretient.
Après chaque entretient elle note la prestation et, successivement, le rang des princes qui dominent tous
ses prédécesseurs X1 = 1 X2 le numéro du prince qui est meilleur que le premier, second... X2 − 1 ième
prince et ainsi de suite Xj est le numéro d’apparition du prince qui est meilleur que les Xj − 1 premier.
Par convention Xn = r + 1, signifie que Xn−1 = r et dans ce cas Xn+j = r + 1 si j > 0 : r + 1 est un
état stationnaire pour la suite Xn
1) Donner la probabilité que Si soit meilleur que S1 , S2 ... Si−1 (on pourra penser ”nombre de cas
possibles” pour disposer S1 , ... Si SUR le ”nombre de cas favorables” à Si meilleure que S1 , S2 ... Si−1 ).
2) Donner la probabilité que Sj soit meilleur que S1 , S2 ... Sj−1 et Si meilleur que Sj , Sj+1 ... Si−1 :
c’est à dire Si est le meilleur et Sj le second meilleur de S1 ... Si (on pourra penser ”nombre de cas pos-
sibles” pour disposer S1 , ... Si SUR le ”nombre de cas favorables” à Si meilleur et Sj le second meilleur).
i
3) En déduire que P (Xn+1 = j | Xn = i) = j(j−1)
pour 1 ≤ i < j ≤ r.
4) L’événement Xn = i et Xn+1 = r + 1 signifie que Si est domine S1 ... Si−1 et domine aussi Si+1 ...
Sr : donner la probabilité P (Xn+1 = r + 1 | Xn = i) lorsque 1 ≤ i ≤ r. (on connaı̂t déjà la probabilité
P (Xn = i) par le 1), il suffit de donner la probabilité de P (Xn+1 = r + 1 et Xn = i), i.e., le meilleur
prince est à la place i).
6) Notre stratégie est de choisir le premier prince qui domine tous ses prédécesseurs et qui est à
un rang de passage au moins égal à n0 : τ est la variable aléatoire = min{j : Xj ≥ n0 }. On
veut n0 de manière à ce que cette stratégie maximise nos chances que ce prince soit le meilleur. Soit
w = P (Xτ +1 = r + 1 et Xτ ≤ r) la probabilité que ce prince soit effectivement le meilleur.
a) Montrer que w = ri=n0 ri P (Xτ = i).
P
b) Soit τ 0 = τ + 1 (le second P prince qui domine tous ses prédécesseurs et qui
Pest à un rang k de passage
r i
Pr−1 r 1
au moins égal à n0 ), et w̄ = i=n0 +1 r P (Xτ = i) montrer que w̄ = k=n0
0
i=k+1 (i−1) r P (Xτ = k).
Pr 1
En déduire que i=n0 +1 (i−1) ≤ 1 =⇒ w̄ ≤ w.
c) Soit τ 00 = τ − 1 (le prince qui domine tous ses prédécesseursPet quiest
P 0 −1 à un rang de passage
k précédent
n0 −1 Pr
juste avant n0 ), et w = ni=1 i
r
P (X τ 00 = i) montrer que w = k=1
1
i=max(k+1,n0 ) (i−1) r P (Xτ 00 = k).
Pr 1
En déduire que i=n0 (i−1) ≤ 1 =⇒ w ≤ w.
d) Pour que la stratégie donnée par τ soit le meilleur, il faut au moins qu’elle soit meilleur que celle
donnée par τ 00 et donc
r
X 1
1≤ .
i=n
(i − 1)
0
r
X 1
≤ 1.
i=n0 +1
(i − 1)
1 0 0 0 0
∆tγ 1 − ∆t(γ + β(N − 1)/N ) ∆tβ(N − 1)/N 0 0
Q=
0 2∆tγ 1 − ∆t(γ + β2(N − 2)/N ) ∆tβ2(N − 2)/N 0
··· ··· ··· ··· ···
avec N = s0 + i0 .
1) Ecrire pi ((n + 1)∆t) en fonction de pj (n∆t) (pour j = i, i + 1, i − 1), β, γ, i et N
X
pi ((n + 1)∆t) = P (In+1 = i | In = j)pj (n∆t)
j
En utilisant la formule
on a
X X
ipi ((n + 1)∆t) = i(1 − (∆tβi(N − i)/N ) + ∆tγi))pi (n∆t)
i i
+ ∆tγ(i + 1)pi+1 (n∆t) + ∆tβ(i − 1)(N − (i − 1))/N pi−1 (n∆t),
donc
E(In+1 ) = E(In ) + (β − γ)∆tE(In ) − (β/N )∆tE(In2 )
5) En simulant ”suffisamment” de fois la chaı̂ne, tracer (sous matlab) la moyenne empirique en fonction
du temps. Tracer les solutions de y 0 (t) = (β/N )(N − y(t))y(t) − γy(t), y(0) = I0 . Comparer.
d
6*) Montrer que (∆t → 0) : dt
E(I(t)) ≤ β/N (N − E(I(t)))E(I(t)) − γE(I(t)).
Il suffit de noter ici que (par inégalité de Jensen, en fait ici, juste que E(u)2 ≤ E(u2 )),
E(In2 ) ≥ E(In )2
et donc
E(In+1 ) − E(In )
≤ (β − γ)E(In ) − (β/N )E(In )2
∆t
7*) Montrer que P (In+1 = 0 | In 6= 0) ≥ ∆tγ > 0, en déduire que (pi (n∆t))i → (1, 0, ...0) lorsque
n → ∞.
P (In+1 = 0 | In 6= 0) ≥ P (In+1 = 0 | In = 1) = ∆tγ
par conséquent
P (In+1 > 0 | In 6= 0) ≤ (1 − ∆tγ)
et
P (In > 0 | I1 6= 0) ≤ (1 − ∆tγ)n →n→∞ 0
Correction Exercice 20 Soit
2
φ : (t, x) 7→ e−(x−t) sin(t/x).
1
Montrer que φ ∈ C 0 (]0, 1[, L1 (R)). On pose t ∈ R et on va montrer que φ(s, .) →Ls→t φ(t, .). Or
Z
2 2
kφ(t, .) − φ(s, .)kL1 = |e−(x−t) sin(t/x) − e−(x−s) sin(s/x)|dx.
que l’on découpe en deux morceaux que l’on majore comme suit
Z Z
−(x−t)2 −(x−s)2 2
kφ(t, .) − φ(s, .)kL1 ≤ |(e −e ) sin(s/x)|dx + |e−(x−t) (sin(t/x) − sin(s/x))|dx.
On a
2 2 −s2 2 2
e−(x−t) |1 − e−2tx+2sx+t | ≤ e|−(x−t){z+2x+t}, ∀s ∈ B(t, )
∈L1 , ind. de s
−(x−t)2 −(x−t) 2
e |(sin(t/x) − sin(s/x))| ≤ 2e
| {z } , ∀s ∈ B(t, )
∈L1 , ind. de s
et
2 2
∀x 6= 0, |(e−(x−t) − e−(x−s) ) sin(s/x)| →s→t 0
2
∀x 6= 0, e−(x−t) |(sin(t/x) − sin(s/x))| →s→t 0
Donc par convergence dominée, on a kφ(t, .) − φ(s, .)kL1 →s→t 0, c’est-à-dire φ ∈ C 0 (]0, 1[, L1 (R)).
Correction Exercice 21 Soit
2
φ : (t, x) 7→ e−(x−t) sin(t/x).
Est ce que φ ∈ C 1 (]0, 1[, L1 (R)) ?
On a
∂ 2
φ(t, x) = e−(x−t) (2(x − t) sin(t/x) + cos(t/x)/x).
∂t
Or, pour tout t 6= 0
Z Z
−(x−t)2 2 2
X
e | cos(t/x)/x|dx ≥ | cos(t/x)/x|dxe−(|t|+) ≥ | cos(π/4)|/(2kπ)e−(|t|+) = ∞
[−,] k
Puisque
φ(t, .) − φ(s, .) p.p. ∂
→s→t φ(t, x)
t−s ∂t
S’il existe g ∈ C 0 (]0, 1[, L1 (R)), telle que
φ(t, .) − φ(s, .)
k − g(t, .)kL1 →s→t 0
t−s
∂
alors cette limite est égale p.p. à ∂t
φ(t, x) qui n’est pas intégrale. Par conséquent φ 6∈ C 1 (]0, 1[, L1 (R)).
Correction Exercice 22 Soit x ∈ R. Soit
1 − (x−y)2
φx (t, y) := √ e 2t .
2πt
φ(t, .) − φ(s, .) ∂
k − φ(t, .)kL1 →s→t 0
t−s ∂t
Or sZ s
Z
sin(x) 1
( (e−(x−t)2 )2 dx)dt ≥ 2π π/4(e−4π2 )
[2πj,2π(j+1)] [2πj+π/4,2πj+π/2)] x (4πj + π)2
sZ
√
Z
sin(x) 2 2 1
( (e−(x−t)2 ) dx)dt ≥ π πe−2π
[2πj,2π(j+1)] [2πj+π/4,2πj+π/2)] x 4πj + π
R qR
donc ( (e−(x−t)2 sin(x)
x
)2 dx)dt = ∞.
Z sZ
sin(x) 2
φ ∈ L1 (]0, 1[, L2 (R)) ssi ( (e−(x−t)2 ) dx)dt < ∞
]0,1[ x
qR qR
or (e−(x−t)2 sin(x)
x
)2 dx ≤ ( sin(x)
x
)2 dx < ∞ donc intégrable sur [0, 1].
Z sZ
2 1 sin(x)
φ ∈ L (]0, 1[, L (R)) ssi ( (e−(x−t)2 )dx)2 dt < ∞
]0,1[ x
2 2 2
or (e−(x−t) sin(x) )dx ≤ x>1 e−(x−1) dx + 0<x<1 e−4 dx + x<0 e−(x) dx < ∞ donc intégrable sur [0, 1].
R R R R
x
Z Z
2 sin(x) 2
2
φ ∈ L (]0, 1[, L (R)) ssi 2
( (e−(x−t) ) dx)dt < ∞
]0,1[ x
2 sin(x) 2 2
or (e−(x−t) e−(x−1) dx + e−4 dx + e−(x) dx < ∞ donc de carré intégrable sur
R R R R
x
)dx ≤ x>1 0<x<1 x<0
[0, 1].
sZ
sin(x) 2
φ ∈ L2 (]0, 1[, L1 (R)) ssi (sup |e−(x−t)2 |) dt < ∞
]0,1[ x x
2 sin(x)
or supx |e−(x−t) x
| ≤ 1 donc de carré intégrable sur [0, 1].
Correction Exercice 24 Soit
φ : (t) 7→ |t|.
Quelle est la dérivée faible de φ ? Calcul de
Z Z Z Z Z
0 0 0
− |t|ψ (t)dt = − tψ (t)dt + tψ (t)dt = (IP P ) ψ(t)dt − ψ(t)dt, ∀ψ ∈ C0∞
>0 <0 >0 <0
donc
0 −1, t < 0,
φ =
1, t > 0
Correction Exercice 25 Montrer que les séries de fonctions suivantes convergent simplement sur R+ .
Convergent-elles normalement ?
X e−n X xe−nx
, .
n≥0
1 + n|x| n≥0
1 + n
On a
e−n
sup | | = e−n
x 1 + n|x|
80 CHAPITRE 5. CORRECTION DES EXERCICES
qui est le terme général d’une série convergente (décroissance exponentielle) donc elle converge norma-
lement donc simplement. On a
xe−nx e
sup | |=
x≥0 1 + n n(1 + n)
qui est le terme général d’une série convergente (décroissance exponentielle) donc elle converge norma-
lement donc simplement.
Correction Exercice 26 Pour t > 0 et n ≥ 1, on note
1
fn (t) = .
n + t2 n2
P
1. Montrer que la série fn converge uniformément sur tout segment de ]0, +∞[. Soit a, b > 0 alors
1
sup |fn | =
n + a2 n 2
qui est le terme général d’une série convergente (décroissance exponentielle) donc elle converge
normalement donc uniformement sur tout [a, b] ⊂ R∗+ .
2. On note
+∞
X
∀t > 0, F (t) = fn (t).
n=1
Montrer que F est continue sur ]0, +∞[. Par convergence uniforme, elle l’est sur tout compact de
]0, +∞[. Or la continuité est une propriété locale, on a donc la continuité sur ]0, +∞[ entier.
3. Montrer que
lim F (t) = 0.
t→+∞
Ici, on a
1 1
2 2
≤ , ∀t ≥ 1 (domination par une suite sommable ind. de t)
n+t n n + n2
1
lim (cvg)
t→∞ n + t2 n2
Montrer que F est de classe C 1 sur ]0, 1[. On se placera sur un intervalle [1 − ρ, ρ] avec 1/2 < ρ < 1.Ici :
th de dérivation (sous domination locale).
Correction Exercice 28 Soit f : R → R, 1-périodique, définie sur [0, 1] par f = χ[ 1 ,1] . Calculer les
2
coefficients de Fourier de f .
Correction Exercice 29 On définit les deux fonctions f1 , f2 : [0, 1[→ R par
1. Dessinez le graphe de f˜1 et f˜2 , fonctions 1-périodiques telles que f˜i = fi sur [0, 1[. Etudiez la
régularité de ces fonctions.
2. Dessinez le graphe d’une fonction g1 , paire, 2- périodique telle que g1 = f1 sur [0, 1[. Etudiez la
régularité de cette fonction. Calculez les coefficients de Fourier en cosinus (notés an ).
81
3. Dessinez le graphe d’une fonction h1 , impaire, 2-périodiques telle que h1 = f1 sur [0, 1[. Etudiez
la régularité de ces fonctions. Calculez les coefficients de Fourier en sinus (notés bn ).
Correction Exercice 30 Soit u une fonction de classe C 1 sur R, périodique de période 1. On note cn ses
coefficients de Fourier et on considère les fonctions
+∞
X
— S1 (x) = c2n e2iπnx ,
n=−∞
+∞
X cn 2iπnx
— S2 (x) = e ,
n=−∞
1 + n2
+∞
2
X
— S3 (x) = cn e2iπnx−n .
n=−∞
Montrer que ces trois fonctions sont bien définies sur R, et qu’elles sont de classe C 0 , C 1 et C ∞ ,
respectivement. Th. de continuité ou dérivabilité sous domination.
Correction Exercice 31 Soit u0 : [0, 1] → R une fonction de classe C 2 satisfaisant
Montrer qu’il existe une suite (αn ) satisfaisant αn = O(n−2 ), telle que
X
∀x ∈ [0, 1], u0 (x) = αn sin(nπx).
n≥1
On peut montrer que l’hypothèse u000 (0) = u000 (1) = 0 n’est pas nécessaire, et qu’on a même αn = O(n−2 ).
En fait, la fonction
u0 (x), x ∈ [0, 1]
ũ0 : x 7→
−u0 (−x), x ∈ [−1, 0]
et ũ0 (x + 2) = ũ0 (x) (2-périodique) est une fonction C]2 (R) donc on peut la développer en série de
Fourier de coeff en O(n−2 ).
Correction Exercice 32 Soit u0 : [0, 1] → R une fonction de classe C 2 satisfaisant
u(0, t) = u(1, t) = 0 (t ≥ 0),
u(x, 0) = u0 (x) (x ∈ [0, 1]).
Il faut faire de la dérivation sous domination locale (]0, 1[×], +∞[) pour montrer la régularité.
On vérifie facilement que u satisfait l’EDP et le conditions aux bords.
2. Montrer que, pour tout x ∈ [0, 1],
lim u(x, t) = u0 (x).
t→0
82 CHAPITRE 5. CORRECTION DES EXERCICES
On pose X
Ψ(x) = φ(2πn + x).
n∈Z
∞
1. Montrer que Ψ est de classe C sur R, et 2π-périodique. Soit M > 0 alors
X X X
φ(2πn + x) = φ(2πn + x) + φ(2πn + x)
n∈Z |n|≤M |n|≥M
or X
x 7→ φ(2πn + x) ∈ C ∞ (] − M, M [)(sommef inie)
|n|≤M
par Fubini
XZ
cn (Ψ) = φ(2πn + x)e−ikx dx
n∈Z [0,2π]
par ch var
XZ
cn (Ψ) = φ(x)e−ikx dx
n∈Z [2πn,2π(n+1)]
P
et 1R = n 1[2πn,2π(n+1)] p.p.
Z
cn (Ψ) = φ(x)e−ikx dx = φ̂(k/2π)
R
3. En déduire la formule
X n X
φb = 2π φ(2πn),
n∈Z
2π n∈Z
1 X
cn (Ψ)e2iπnx = Ψ(x)
2π n∈Z
Remarque. Cette formule, dite formule sommatoire de Poisson, montre que la transformée de Fourier
d’un peigne de Dirac est un peigne de Dirac, voir cours STI.
83
Correction Exercice 34 On se donne ν > 0 et ρ0 ∈ C 1 ([0, 1]) avec ρ0 (0) = ρ0 (1) = 0. Soit ρ la solution
du problème :
∂ ∂2
ρ(t, x) = ν 2 ρ(t, x), ∀x > 0, ∀t ∈]0, ∞[, x ∈]0, 1[
∂t ∂x (5.0.7)
ρ(t, 0) = ρ(t, 1) = 0, ∀t > 0,
ρ(t = 0, x) = ρ0 (x), ∀x ∈ [0, 1].
Montrer qu’il y a dissipation de l’énergie :
Z 1
1
E(ρ)(t) = ρ2 (t, x)dx →t→∞ 0.
2 0
On établira cette propriété par une méthode d’énergie en utilisant la propriété suivante que l’on démontrera :
pour toute fonction g de classe C 1 sur [0, 1] telle que g(0) = 0,
Z Z
g(x) dx ≤ g 0 (x)2 dx.
2
on a Z x
g(x) − g(0) = g 0 (s)ds
0
donc par inégalité de Cauchy, et intégration, on trouve
Z Z
2
|g(x)| ≤ |g 0 (s)|2 ds
[0,1] [0,1]
∂ ∂2
Si ρ vérifie ρ(t, x) = ν 2 ρ(t, x) alors ρ2 vérifie
∂t ∂x
∂ ∂2
ρ(t, x)2 = νρ(t, x) 2 ρ(t, x)
∂t ∂x
donc t
∂2
Z
2 2
ρ(t, x) − ρ(0, x) = ν ρ(s, x) 2 ρ(s, x)ds
0 ∂x
donc par IPP et Fubini
Z Z tZ Z t Z
2 ∂
ρ(t, x) dx = −ν ( ρ(s, x))2 dxds ≤ (par. la prop.précédente ) − ν ( ρ(t, x)2 dx)ds
[0,1] 0 [0,1] ∂x 0 [0,1]
1) Montrer qu’il existe une unique solution ρ ∈ C 1 (R∗+ , L2 (]0, 1[)) ∩ C 0 (R∗+ , H 1 (]0, 1[)).
S’il existait deux solution ρ1 et ρ2 alors ρ = ρ1 − ρ2 vérifie
∂ ∂2
ρ(t, x) = ν 2 ρ(t, x), ∀x > 0, ∀t ∈]0, ∞[, x ∈]0, 1[
∂t ∂x (5.0.9)
ρ(t, 0) = ρ(t, 1) = 0, ∀t > 0,
ρ(t = 0, x) = ρ0 (x), ∀x ∈ [0, 1].
84 CHAPITRE 5. CORRECTION DES EXERCICES
et donc Z Z
2
(ρ) (t) ≤ (ρ(t = 0, x))2 dxe−νt
et donc
a0n (t) = −n2 νan (t) + bn
c’est-à-dire
bn
2 νt 2
an (t) = an (0)e−n 2
(1 − e−n νt )
+
nν
∂2
3) Chercher une solution stationnaire Ψ, i.e. ν ∂x2 Ψ(x) + f (x) = 0 avec Ψ(0) = Ψ(1) = 0.
On DSF Ψ, on trouve X
Ψ(x) = cn sin(2πnx)
et donc
bn
cn =
n2 ν
4) Montrer que
lim kρ(t, .) − Ψ(.)kL2 = 0.
t→∞
On a
X bn 2 −2n2 νt
kρ(t, .) − Ψ(.)kL2 = (P arseval) (an (0) − )e →t → ∞(CV D) 0
n
n2 ν
Exercice 50 On note E = C([0, 1], R), et on introduit l’application Φ : E → E définie par
Z 1
f (x)
∀f ∈ E, Φ(f ) : x 7−→ + k(x − t)f (t)dt,
2 0
1. Montrer que l’espace C α ([0, 1]) muni de la norme k · kα = | · |α + k · k∞ est un espace de Banach.
On prend une suite (fn )n de Cauchy dans C α ([0, 1]), elle est de Cauchy pour C 0 donc convergente
dans C 0 et sa limite f vérifie
|f (x) − f (y)| |fn (x) − fn (y)| |fn (x) − f (x)| |fn (y) − f (y)|
α
≤ + +
|x − y| |x − y|α |x − y|α |x − y|α
|f (x) − f (y)| |fn (x) − f (x)| |fn (y) − f (y)|
α
≤ + + Cst
|x − y| |x − y|α |x − y|α
|fn (x)−fn (y)|
avec supx,y,n |x−y|α
= Cst pour tout n, et donc en passant à la limite en n
|f (x) − f (y)|
≤ Cst.
|x − y|α
2. Montrer que la boule unité de cet espace est d’adhérence compacte dans C ([0, 1]) (muni de la norme
uniforme). Ascoli ici.
Correction Exercice 35 Soit B tel que P (B) > 0. Montrer que PB vérifie les hypothèses pour en faire
une probabilité (hérité en fait de P ) :
1) PB (∅) = 0, PB (Ω) = 1. Direct,
P
2) P (∪An ) = n P (An ) avec (An )n deux à deux disjoints.
X X
PB (∪An ) = P (X ∈ ∪An |B) = P (∪(An ∩ B))/P (B) = P ((An ∩ B))/P (B) = P (An |B).
n n
car X X X
p2j−1 (1 − p) = (p2 )j (1 − p)/p = (p2 )j−1 (1 − p)p
j j j
Correction Exercice 38 Soit X ∼ U ([0, 1]) et N ∈ N∗ , calculer E(X|X ∈ [j/N, (j + 1)/N [) pour j ∈
[0, N − 1].
Z
P (X ∈ A|X ∈ [j/N, (j + 1)/N [) = P (X ∈ A ∩ [j/N, (j + 1)/N [)/(1/N ) = N 1dx.
A∩[j/N,(j+1)/N [
2j+1
tdx = 21 ((j + 1)2 − j 2 )/N =
R
donc E(X|X ∈ [j/N, (j + 1)/N [) = N [j/N,(j+1)/N [ 2N
.
Bibliographie
[1] Arnold, V. I., Ordinary Differential Equations. Trans. Richard A. Silverman. Cambridge, Massa-
chusetts : MIT Press, 1973.
[2] P. Billingsley, Probability and Measure (3rd ed.). New York : Wiley, 1995.
[3] H. Brezis, Analyse fonctionnelle, théorie et applications, Masson, Paris, 1983.
[4] L.C. Evans, Partial Differential Equations, Second Edition -AMS, 2010.
[5] W. Feller, An Introduction to Probability Theory and its Applications, Vol. 1,2, J. Wiley & Sons
Inc. 1957
[6] J. Fourier, Théorie analytique de la chaleur, Firmin Didot Père et Fils (Paris-1822). Réédition
Jacques Gabay, 1988
[7] Hé ! Tu crois que je vais tout faire à ta place, débrouilles toi un peu tout seul, tapes numerical
methods partial differential equations sur Google !
[8] I. Karatzas and S. Shreven, Brownian Motion and Stochastic Calculus, Springer. 1998
[9] D. Lamberton et B. Lapeyre, Introduction au Calcul Stochastique Appliqué à la Finance ; 2e édition.
Editions Ellipses, 1997.
[10] Langlais M. et al., Population Dynamics of Feline Immunodeficiency Virus within Cat Populations,
J. theor. Biol. (1995) 175, 553–560.
[11] R. J. LeVeque, Finite difference methods for differential equations, Draft Version for Use in. AMath,
Vol. 585, 1998.
[12] J.-L. Lions, Equations différentielles opérationnelles et problèmes aux limites, Die Grundlehren der
mathematischen Wissenschaften, Bd. 111, Springer-Verlag, Berlin, 1961.
[13] J.D. Murray, Mathematical Biology. 3rd edition in 2 volumes : Mathematical Biology : I. An Intro-
duction (551 pages) 2002 ; Mathematical Biology : II. Spatial Models and Biomedical Applications,
Springer Science & Business Media, 2003, (811 pages) 2003 (second printings 2004).
[14] Perthame B., Transport Equations in Biology, Birkhäuser, Basel, 2007.
[15] N. Piskounov, Calcul différentiel et intégral : Tome 1 et 2, ELLIPSES (MIR), 1987.
[16] D. Raikov, Analyse mathématique multidimensionnelle, Mir, 2003.
[17] L.C.G. Rogers and D. Williams, Diffusion, Markov processes and martingales, I-II, Wiley, 1987.
[18] L. Schwartz, Théorie des distributions, Hermann, 1966.
[19] V. Smirnov, Cours de mathématiques supérieures - Tome 1-6, Mir, 1988.
[20] R. Smith ?, Mathematical Modelling of Zombies, University of Ottawa Press, 2014
[21] V. Trenoguine, Analyse fonctionnelle, Publisher, Moscou : Mir, 1985.
[22] N. G. van Kampen, Stochastic Processes in Physics and Chemistry. (North- Holland, Amsterdam,
1981).
[23] C. Wagschal, Dérivation, Intégration, Hermann, 1999.
[24] C. Wagschal, Topologie et Analyse Fonctionnelle, Hermann, 2003.
87
88 BIBLIOGRAPHIE