Manuel Du Cours Chaleur

Equation de la chaleur1
MICHEL Philippe
18 septembre 2018
1. A lire avec acrobat reader

2
Table des matières
1 Une approche probabiliste de la diffusion 7

1.1 Définitions (voir [Billingsley]) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Loi et matrice de transition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3 Notion d’irréductibilité et Th de Perron Frobenius . . . . . . . . . . . . . . . . . . . . . 14
1.3.1 Matrices irréductibles : Graphe . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3.2 Théorème de Perron-Frobenius . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4 Chaı̂nes irréductibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5 Résultat de dynamique plus fins : Classification des états . . . . . . . . . . . . . . . . . 18
1.6 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.6.1 Unnnnn jouuuur* (voir [2] p.138) : . . . . . . . . . . . . . . . . . . . . . . . . 23
1.6.2 Modèle épidémiologique ([27]) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.7 Vers l’équation de la chaleur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2 Une approche déterministe de la diffusion 27

2.1 Solution faible, transformée de Fourier et Energie . . . . . . . . . . . . . . . . . . . . . 31
2.1.1 Compléments de topologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.1.2 Espaces fonctionnels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.1.3 Equation de la chaleur et énergie . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.2 Equations de la chaleur sur intervalles bornées (domaines carrés) . . . . . . . . . . . . . 39
2.2.1 Espaces de Hilbert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.2.2 Séries de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.2.3 Rappels sur les séries de fonctions . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.2.4 Définition et premières propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.2.5 Convergence de la série de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3 Extension aux domaines Ω bornés (et réguliers) 49

3.1 Discrétisation du Laplacien : Matrice symétrique . . . . . . . . . . . . . . . . . . . . . . 49
3.2 La dimension ∞ : le chapitre de la peur . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2.1 La Compacité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2.2 Application auto adjointe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.3 Application au Laplacien et résolution de l’équation de la chaleur . . . . . . . . . . . . 55
4 Quelques outils de bases pour les équations non linéaires 57

4.1 Méthode du point fixe : T (z) = z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.2 Méthode par compacité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2.1 Compacité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2.2 Méthode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.3 Annexe : Preuve du théorème de Perron-Frobenius . . . . . . . . . . . . . . . . . . . . . 62
5 Correction des exercices 65
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
avec φk solution de l’équation différentielle ordinaire
φ0k (t) = −4Cπ 2 φk (t), φk (0) = φ0k ,
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).
1. et la simulation sur machine est facile et plaisante.

2. Apparaissent alors des conditions aux bords dues aux conditions physique imposé au système
Chapitre 1
Une approche probabiliste de la diffusion
1.1 Définitions (voir [Billingsley])

Soit S un ensemble fini (ou dénombrable) d’états S = {z1 , z2 , ..., zN } (S = Z, N, Q). On peut donner
comme exemple d’ensemble S :
- S = {pile, f ace} les états possibles lors d’un lancer de pièce,
- S = {0, 1, 2...} = N les états possibles de la fortune d’un joueur en euros,
- S = {”vivre en ville”, ”vivre en banlieu”} les états possibles des habitants d’une ville
- S = {0, 1, · · · r} nombre de boules dans une boite (ayant un volume limité à r boules)...
- S = Zk ∗ dx, les positions d’une particule dans un espace de dimension k = 1, 2 ou 3 discrétisé (de pas
dx).
Avant d’introduire les chaı̂nes de Markov, nous rappelons une technique algorithmique de simulation
de variables aléatoires à valeur dans un espace discret.
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.
function [S] = VA(Vecteur Probabilite Cumule)

S=1;
U=rand();
P=Vecteur Probabilite Cumule(S);
while (U>Vecteur Probabilite Cumule(S))

S=S+1;
end
end
% Fonction permettant de simuler une variable aléatoire de vecteur de probabilité (cumulé)

% Vecteur Probabilite Cumule
Vecteur Probabilite =[.1 .3 .4 .2];

Vecteur Probabilite Cumule=cumsum(Vecteur Probabilite);
S=VA(Vecteur Probabilite Cumule)
% Exemple de script d application de la fonction précédente

% cumsum permet de faire la somme cumulé du vecteur de probabilité
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
P (Xn+1 = yn+1 | Xn = yn , Xn−1 = yn−1 , ..., X0 = y0 ) = P (Xn+1 = yn+1 | Xn = yn ). (1.1.1)
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
alors P (Xn+1 = x + 1 | Xn = x) = pi , P (Xn+1 = x | Xn = x) = 1 − pi et P (Xn+1 = yn+1 | Xn =

yn , Xn−1 = yn−1 , ..., X0 = y0 ) = P (Un+1 = yn+1 − yn ), i.e. (1.1.1) est satisfaite.
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.
Exercice 2 Modèle de diffusion (Bernoulli-Laplace). On imagine r boules blanches et r boules noires

distribuées dans deux boı̂tes contenant r boules chacune. L’état du système S est le nombre de boules
blanches dans la première boı̂te (S = {0, 1, · · · , r}). La transition se fait comme suit. On pioche une
boule dans chaque boı̂te et on les échange de boı̂te. Calculer P (Xn+1 = j | Xn = i) en fonction de i, j, r.
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
Puisque les V.A. 2 (Yn ) sont indépendantes, on a

Y
P ( Yk = xk − xk−1 )k = P Yk = xk − xk−1 ,
k
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
Exercice 3 Simuler la chaı̂ne de markov (Xn )n suivante

n
X
Xn = Yk
k=0
avec Yi une suite de v.a.i.i.d de loi B(q) pour q = .25, q = .6 et q = .5 et n ≤ 100.

Exercice 4 Soit t > 0. On pose (Snt )n
[nt]
X
t
Sn = Yk ,
k=0
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
Lapin Cretin Panpan le lapin ne connait que trois endroits,
- Les copeaux où il dort

- La mangeoire où il mange, boit et se lave
- Dehors où il fait du sport et se lave.
Toutes les minutes il change (ou non) d’activité.

Lorsqu’il dort, la minute suivante
- avec probabilité 1/10 il continue de dormir
- avec probabilité 2/10 il va dehors
- avec probabilité 7/10 il va manger
Lorsqu’il mange, la minute suivante,
- avec probabilité 5/10 il continue de manger
- avec probabilité 4/10 il va dehors
- avec probabilité 1/10 il va dormir
Lorsqu’il va dehors, la minute suivante
- avec probabilité 4/10 il reste dehors
- avec probabilité 6/10 il va manger
Exercice 5 On note Xn la position du lapin au temps n et S = {1, 2, 3} (représentant dort, dehors et

mange)
1- Tracer le graphe représentant les déplacements de l’animal pour n ∈ [1, 10000]. Est ce que (Xn )n
converge ?
2- Tracer, pour j = 1, 2, 3, U1 , U2 et U3 pour n ∈ [1, 10000]
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
Est ce que (Xn )n converge ?

1.2. LOI ET MATRICE DE TRANSITION 11
1.2 Loi et matrice de transition

Dans cette partie, nous allons faire le lien entre la matrice de transition Q d’une chaı̂ne de Markov
(Xn )n et la suite des lois des termes de la suite de variables aléatoires. On se place dans le cas d’espace
d’états finis. Lorsque l’espace est fini S = {1, 2, ..., N }, on pose Qi,j la probabilité de passage de l’état
i à l’état j :
Qi,j = P (Xn+1 = j | Xn = i) ≥ 0. (1.2.3)
La matrice (Qi,j )i,j est positive et vérifie la condition
N
X
Qi,j = 1. (1.2.4)
j=1
Définition 1.2.1 Un matrice carrée réelle vérifiant (1.2.3) et (1.2.4) est appelée matrice stochastique.
On note µn la loi de Xn , c’est-à-dire
µn (k) = P (Xn = k), (1.2.5)
alors on peut définir µn en fonction de µ0 et de la matrice de transition (Qi,j )i,j .

Proposition 1.2.2 Soient (Xn )n une chaı̂ne de Markov homogène à valeurs dans S = {1, 2, ..., N }, µn
la loi de Xn vérifiant (1.2.5) et Q la matrice de transition définie par (1.2.3), alors on a
µn+1 = µn Q, µn = µ0 Qn et P (Xn = j | X0 = i) = [Qn ]i,j . (1.2.6)
d Il suffit d’utiliser le lemme 1.2.3.

Lemme 1.2.3 Soit (Xn )n une chaı̂ne de Markov homogène à valeurs dans S, alors on a
Qn
— P (Xn+1 = xn+1 , Xn = xn , ..., X1 = x1 | X0 = x0 ) = k=0 Qxk ,xk+1
P Qn
— P (Xn+1 = xn+1 | X0 = x0 ) = x1 ,x2 ,...,xn ∈S k=0 Qxk ,xk+1
— P (Xn+1 = xn+1 ) = x1 ,x2 ,...,xn ∈S P (x0 = x0 ) nk=0 Qxk ,xk+1

P Q
d On montre le premier point par récurrence, en utilisant la relation suivante

\ \
P (A B | C) = P (A | B C)P (B | C),
T
avec A = {Xn+1 = xn+1 }, B = {Xn = xn , ..., X1 = x1 } et C = {X0 = x0 }, et la propriété de Markov P (A | B C) =
Q(xn+1 , xn ). Le second point provient de l’égalité
[
P (Xn+1 = xn+1 et X0 = x0 ) = P ( {Xn+1 = xn+1 , Xn = xn , ..., X1 = x1 , X0 = x0 }),
x1 ,x2 ,..xn
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
où les Hi forment un système complet d’événements incompatibles.

c
c
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
A = {Xn+k = xn+k , · · · , Xn+1 = xn+1 }, B = {Xn = xn , ..., X1 = x1 } et C = {X0 = x0 },

T
T P (A B|C)
et de remarquer que P (A | B C) = P (B|C)
. De plus, en utilisant le résultat de la proposition 1.2.3
(premier point), on sait que
\ 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
= P (Xk = xn+k , ..., X1 = xn+1 | X0 = xn ).
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.
1) Ecrire la matrice de transition (Markov) M .

2) Soit πn la répartition de la population l’année
 n, exprimer πn en fonction de M et π0 .
tk tk+1 tk+1
3) Montrer que M k est de la forme M k =  tk+1 tk tk+1  avec tk à déterminer.
tk+1 tk+1 tk
k
4) Quel est la limite de M lorsque k → ∞ ?
5) Quel est la répartition finale π = limk→∞ πk ?
1.2. LOI ET MATRICE DE TRANSITION 13
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
µn+1 = µn Q ⇐⇒t µn+1 =t Qt µn , (1.2.8)
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 7 On note Xn la position du lapin crétin (ex. 5) au temps n et S = {1, 2, 3} (représentant

dort, dehors et mange). Chercher le(s) vecteur(s) de probabilité invariante ?
Exercice 8 Chercher le(s) vecteur(s) de probabilité invariante dans l’exercice sur Atlantis (ex. 6) ?
1.3 Notion d’irréductibilité et Th de Perron Frobenius

Définition 1.3.1 Une matrice carrée est dite réductible si il existe une matrice de permutation P telle
que
t B C
P AP = , (1.3.11)
0 D
où B, C, D sont des matrices carrées. Sinon la matrice est dite irréductible.
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
1.3.1 Matrices irréductibles : Graphe

Lorsque la matrice est positive, on peut caractériser de manière plus simple l’irréductibilité.
Théorème 1.3.2 Soit A ≥ 0, alors on a
A irréductible ⇐⇒ ∃q : Aq > 0. (1.3.12)
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
A irréductible ⇐⇒ G(A) fortement connecté. (1.3.13)
1.3.2 Théorème de Perron-Frobenius

On a finalement le théorème de Perron-Frobenius (voir Annexe 4.3) pour les matrices positives
irréductibles.
Théorème 1.3.6 Si A est une matrice carrée positive et irréductible alors
— le rayon spectral de A (ρ(A) > 0) est une valeur propre simple de A,
— Il n’existe pas d’autre valeur propre de module égal à ρ(A),
— Il existe un vecteur propre > 0 associé à la valeur propre ρ(A) pour la matrice t A.
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   0 0 0 1 
A =  1 0 0 , B =   1 0 1 0 , C =  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 ?
1.4 Chaı̂nes irréductibles

Une chaı̂ne de Markov est irréductible si sa matrice de transition l’est.
Définition 1.4.1 Une chaı̂ne de Markov est dite irréductible si tous les états communiquent
∀i, j ∈ S, ∃n : P (Xn = j | X0 = i) > 0. (1.4.14)
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
et Q3 = Q, donc on a une chaı̂ne périodique (elle ne converge pas)
lim µ2n = µ0 Q2 6= µ0 Q = lim µ2n+1 .

n→∞ n→∞
Définition 1.4.3 On note n o

Ci = j : Qji > 0 (1.4.17)
et on définit la relation d’équivalence
\
Ci ∼ Cj ⇐⇒ ∃i1 = i, i2 ..., in−1 , in = j : Cik Cik+1 6= ∅. (1.4.18)
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∞ ,
— Xn converge en loi vers X∞ de loi µ∞ .

1.4. CHAÎNES IRRÉDUCTIBLES 17
Pour comprendre la raison de la divergence de la loi de probabilité de Xn lorsque la condition ∼ n’est

pas vérifiée, nous allons utiliser l’entropie relative définit de la manière suivante
X
Vn = H(µin /µi∞ )µi∞ , (1.4.19)
i
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∞
Lemme 1.4.5 Si on suppose que H est strictement convexe, alors
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
βij µi∞ /µj∞ =

P P
Or, i i Qji = 1 puisque Q est une matrice stochastique, donc
X X X X
Vn+1 = H( βij rjn )µi∞ ≤ [ βij µi∞ /µj∞ ] H(rjn )µj∞ = Vn .
i j j i
| {z }
=1
La preuve du théorème en découle directement.

d En effet, dans ce cas, la suite Vn est strictement décroissante tant que
rjn = CCn , ∀j ∈ C,
n’est pas vérifiée, donc tant que la condition µnj = CCn µ∞

j n’est pas satisfaite. Or, lorsqu’il n’y a qu’une
classe d’équivalence, µnj = C n µ∞
j pour tout j fixant ainsi la constante
X X
1= µnj = C n µ∞ n
j = C .
j j
Or, Vn est une suite positive décroissante donc Vn − Vn+1 → 0 et nécessairement limn→∞ µnj = µj∞ .
c
1.5 Résultat de dynamique plus fins : Classification des états

Tous les états d’une chaı̂ne de Markov ne sont pas ”équivalents”. En effet, prenons par exemple la
matrice suivante pour matrice de transition :
 
1/2 1/2 0 0
 1/2 1/2 0 0 
Q=
 1/4 1/4 1/4 1/4  ,
 (1.5.21)
0 0 0 1
ce qui correspond à avoir une chaı̂ne de Markov dont le graphe est dessiné ci-dessous.
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 ,
et il est impossible d’y revenir car
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
Ty = inf{n ≥ 1, Xn = y}, (1.5.22)
le temps de premier retour, avec la convention Ty = ∞ si Xn 6= y pour tout n ≥ 1. On note
Ny = Card {n ≥ 1, Xn = y}, (1.5.23)
le nombre de retour en y. Enfin, on note
ρxy = P (Ty < ∞ | X0 = x), (1.5.24)
la probabilité de passer par l’état y si on commence à l’état x.

Définition 1.5.2 Soit (Xn ) une chaı̂ne de Markov homogène à état dans S, on dit que y est un état
transitoire si
P (Ty < ∞ | X0 = y) < 1. (1.5.25)
Un état y est récurrent si
P (Ty < ∞ | X0 = y) = 1. (1.5.26)
1.5. RÉSULTAT DE DYNAMIQUE PLUS FINS : CLASSIFICATION DES ÉTATS 19
Proposition 1.5.3 Soit (Xn )n une chaı̂ne de Markov homogène, alors

— P (Ny ≥ k | X0 = x) = ρxy ρk−1
yy ,
— P (Ny = k | X0 = x) = P (Ny ≥ k) − P (Ny ≥ k + 1),
— y est récurrent si ρyy = 1.

d Pour simplifier la démonstration, on utilise la notation
Akn = {Xk 6= y, Xk+1 6= y..., Xk+n−1 6= y, Xk+n = y},
et B = {X0 = x}. De plus, on remarque que

X
P (Ty = m | X0 = x) = P (Ty < ∞ | X0 = x).
m
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
Or, par la prop 1.2.3, on a P (Am n−1 +1

| A1m1 Am 1 +1
T mn−2 +1 T
B) = P (Amn−1 +1
T
mn m2 ... Amn−1 mn | Xmn−1 = y) qui
est égal à P (Ty = mn | X0 = y). Par conséquent, on trouve que
XX X n
Y
P (Ny ≥ n | X0 = x) = ... P (Ty = m1 | X0 = x) P (Ty = mk | X0 = y)
m1 m2 mn k=2
= P (Ty < ∞ | X0 = x)P (ty < ∞ | X0 = y)k−1 ,
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”,
— y transitoire alors P (Ny < ∞ | X0 = x) = 1,
— y récurrent alors P (Ny = ∞ | X0 = x) = ρxy .

d On a P (Ny = k | X0 = x) = P (Ny ≥ k) − P (Ny ≥ k + 1) = ρxy ρk−1 k k−1
yy − ρxy ρyy = ρxy ρyy (1 − ρyy ),
X∞
donc si y est transitoire, on a P (Ny < ∞ | X0 = x) = P (Ny = 0 | X0 = x) + ρxy ρk−1
yy (1 − ρyy ) = 1.
| {z }
1−ρxy |1 {z }
ρxy
De même, si y est récurrent, on a P (Ny ≥ k | X0 = x) = ρxy ρk−1
yy = ρxy . En passant à la limite k → ∞,
on trouve que P (Ny = ∞ | X0 = y) = ρxy . Les deux premiers points en découlent.
c
Espérance conditionnelle On revient à la définition de l’espérance conditionnelle
P (A|B) = P (A ∩ B)/P (B)
que l’on note PB (A). Soit X une variable aléatoire,
P (X ∈ A|B) = P (X −1 (A) ∩ B)/P (B)
on parle alors de loi conditionnelle de X sachant B : PB (X ∈ A) = P (X ∈ A|B).
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.
Exercice 13 Trouver les différentes lois conditionnelles.

Soit X ∼ geo(1) quelle est la loi de X sachant X ∈ 2N.
Soit X ∼ U ([0, 1]), quelle est la loi de X sachant X ∈ [0, 1/2].
Soit X ∼ exp(1), quelle est la loi de X sachant X > 1.
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 14 Trouver les différentes espérances conditionnelles.

Soit X ∼ geo(1) calculer E(X|X ∈ 2N).
Soit X ∼ U ([0, 1]), calculer E(X|X ∈ [0, 1/2]).
Soit X ∼ exp(1), calculer E(X|X > 1).
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)
avec par définition

Ex (1S=y ) := Px (S = y | X0 = x). (1.5.28)
1.5. RÉSULTAT DE DYNAMIQUE PLUS FINS : CLASSIFICATION DES ÉTATS 21
Corollaire 1.5.5 Soit (Xn )n une chaı̂ne de Markov homogène, alors on a

X
Ex (Ny ) = (Qn )xy , (1.5.29)
n
et
— y transitoire implique que Ex (Ny ) = ρxy /(1 − ρxy ),
— y récurrent implique que Ex (Ny ) = 0 (resp. ∞) si ρxy = 0 (resp. ρxy 6= 0).

d En utilisant la définition de l’espérance conditionnelle ((1.5.30) et (1.5.31)), on a
X X X
Ex (Ny ) = Ex ( 1Xn =y ) = P (Xn = y | X0 = x) = (Qn )xy .
n n n
Si y est transitoire alors on trouve

X
Ex (Ny ) = kP (Ny = k | X0 = x) + ∞P (Ny = ∞ | X0 = x)
| {z }
k 0
X
k−1
= kρxy ρyy (1 − ρyy ) = ρxy /(1 − ρyy ).
k
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].
I) Compter le nombre de voisin q 0 ∈ Zk de q (i.e. ki=1 |qi − qi0 | = 1).

P
II) On pose (Uj )j la suite de variables aléatoires i.i.d de loi uniforme sur les voisins de 0 = (0, · · · , 0) ∈
Zk . Calculer P (U =Pm) en fonction de m et k.
III) On pose Xn = nl=1 Ul . Simuler la chaı̂ne dans les cas k = 1, 2, 3.
IV) On note pni la probabilité, partant de i de revenir en i en n étapes.
a) Montrer que quelque soit la dimension d’espace k, pi2n+1 = 0.
2n 2n
b) Pour k = 1, calculerP pi2n. En utilisant la formule de Stirling [25], donner un équivalent de pi lorsque
n → ∞. La somme n pi est elle finie ?
c) Même question pour k = 2, 3.
d) Classifier les états.
De plus, en introduisant la probabilité conditionnelle et l’espérance conditionnelle :
Z
Px (A) = P (A | X0 = x) et Ex (Z) = ZdPx , (1.5.30)
avec par définition

Ex (1S=y ) := Px (S = y | X0 = x). (1.5.31)
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 :
P (X1 = x1 , X2 = x2 , ..., Xn = xn = y | X0 = x) = Qxx1 Qx1 x2 ...Qxn−1 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
P (X1 = x1 , X2 = x2 , ..., Xn = xn = y et E | X0 = x) = Qxx1 Qx1 x2 ...Qxn−1 y (1 − ρyx ) > 0,
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
donc y est aussi récurrent.

c
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).
5) On pose que P (Xn+1 = r + 1 | Xn = r + 1) = 1 : donner la forme de la matrice de transition

de la chaı̂ne de Markov Xn .
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
On suppose que la condition trouvé dans la b) soit aussi suffisante et alors

r
X 1
≤ 1.
i=n0 +1
(i − 1)
Pour r grand, montrer que n0 ∼ r/e. Quel sera la stratégie de la princesse.

1.6.2 Modèle épidémiologique ([27])

SIS (S(t) = s0 + i0 − I(t)). On discrétise le temps et l’on considère la chaı̂ne de Markov suivante :
In = I(n∆t) avec
sX
0 +i0
pi (n∆t) = P (In = i), pi (n) = 1

i=0
avec P (In+1 = 0 | In = 0) = 1 et pour i 6= 0,



 ∆tβi(N − i)/N j =i+1
∆tγi j =i−1

P (In+1 = j | In = i) =

 1 − ∆t(γi + βi(N − i)/N ) j=i
0 sinon

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)
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)).
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
1.7 Vers l’équation de la chaleur

”Le mouvement brownien, ou processus de Wiener, est une description mathématique du mouvement
aléatoire d’une grosse particule immergée dans un fluide et qui n’est soumise à aucune autre inter-
action que des chocs avec les petites molécules du fluide environnant. Il en résulte un mouvement
très irrégulier de la grosse particule, qui a été décrit pour la première fois en 1827 par le botaniste
Robert Brown en observant des mouvements de particules à l’intérieur de grains de pollen de Clarkia
pulchella (une espèce de fleur sauvage nord-américaine), puis de diverses autres plantes.”([28])
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.
Figure 1.1 – Simulation d’un mouvement Brownien issu de {x}.
Théorème 1.7.2 Soit (Bt )t≥0 ) le mouvement Brownien définit en 1.7.1, alors
Bt ∼loi φx (t, y)dy,

(x−y)2
avec φx (t, y) := √ 1 e− 2t . De plus φx vérifie
2πt
∞ ∗
1. φx ∈ C (R+ × R)
2. ∂
φ (t, y) = 12 ∆φx (t, y),
∂t x
pour tout (t, y) ∈ R∗+ × R.
3. φx *t→0 δx (sens faible).
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 note alors fn *n→∞ T .

Exercice 17 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 ?
- La suite de fonctions (n1[1/n,2/n] (.))n∈N∗ converge t’elle ?
- La suite de fonctions (e2iπn. )n∈N∗ converge t’elle ?
- La suite de fonctions (sin2 (2πn.))n∈N∗ converge t’elle ?
d Soit A un ensemble mesurable alors
Z
1 − (x−y)2
P (Bt − B0 ∈ A − {x}) = P (N (0, t) ∈ A − {x}) = √ e 2t dy,
A 2πt
par conséquent la loi de Bt est bien de fonction de densité φx (t, .). On note que la fonction φx est (par
composition de fonction C ∞ , C ∞ sur le domaine R∗+ × R.
Par calcul on obtient que
∂ 1 1 − (x−y)2 1 (x − y)2 − (x−y)2

φx (t, y) = − √ e 2t + √ e 2t ,
∂t 2 2π t3/2 2 2π t5/2
et
∂2 1 1 (y − x)2 − (x−y)2
φx (t, y) = √ [− + ]e 2t ,
∂y 2 2 2πt t t2
donc on a bien
∂ 1
φx (t, y) = ∆φx (t, y) EQUATION DE LA CHALEUR.
∂t 2
Soit Ψ une fonction test (Cc∞ cvg distribution, Cc cvg vague, C→0 faible, Cb étroite... [26, 18, 17, 5]),
on a Z Z
1 √ 2
φx (t, y)Ψ(y)dy =ch. var.
√ Ψ(x − 2tu)e−u du →CV D
t→0 Ψ(x) = (δx , Ψ) = δx (Ψ),
π
donc on a bien φx *t→0 δx (Cc∞ cvg distribution, Cc cvg vague, C→0 faible, Cb étroite [26, 18, 17, 5])
c
∂
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
Une approche déterministe de la diffusion
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])
Théorème 2.0.1 [4] Soit ρ : (t, y) ∈ R∗+ × R 7→

R
φx (t, y)φ0 (x)dx avec φ0 ∈ Cb (R) et φx définit en
(voir th. 1.7.2), alors
1. ρ ∈ C ∞ (R∗+ × R),
2. ∂
∂t
ρ(t, y) = 12 ∆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 ).
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,
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
Soit > 0, il existe I tel que pour tout i ≥ I et tout t > 0

ZZ ZZ
| φx (t, y)Ψ(y)φ0 (x)dxdy − φx (t, y)Ψ(y)φi0 (x)dxdy| ≤ kΨk∞ ,
Z Z
| Ψ(x)φ0 (x)dx − Ψ(x)φi0 (x)dx| ≤ kΨk∞
donc pour tout i ≥ I

ZZ Z ZZ Z
| φx (t, y)Ψ(y)φ0 (x)dxdy− Ψ(y)φ0 (x)dx| ≤ 2kΨk∞ +| φx (t, y)Ψ(y)φ0 (x)dxdy− Ψ(y)φi0 (x)dx|
i
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
A) Par dérivation sous domination (locale), on a

Z Z
1 1
∆ φx (t − s, y)f (s, x)dx = [ ∆x φx (t − s, y)]f (s, x)dx, ∀0 ≤ s < t,
2 2
et
Z Z
1 ∂
[φx (t + − s, y) − φx (t − s, y)]f (s, x)dx →→0 φx (t − s, y)f (s, x)dx, ∀0 ≤ s < t.
∂t
∂
Pour (resp ∆), on a
∂t
(x − y)2 −(x−y)2 /2(t−s)

Z Z
∂ 1 1
φx (t − s, y)f (s, x)dx = √ [− + ]e f (s, x)dx,
∂t 2 2π (t − s)3/2 (t − s)5/2
p p
qui par chg de variable, u = (x − y)/ 2(t − s) et x = y + u 2(t − s) devient
Z y+u√2(t−s)
2u2 2
Z Z
1 1 2 1 1 2u 2 ∂
= √ [− + ]e−u f (s, y)du+ √ [− + ]e−u f (s, z)dzdu,
2 π (t − s) (t − s) 2 π (t − s) (t − s) y ∂z
2
avec 2u2 e − u2 du = (IP P ) e−u du. Finalement, on trouve,
R R
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)
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
Exercice 18 Montrer les points 1 à 4.

Exercice 19 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.
2) Montrer que
1 √ 2
Z s
2
ρ(t, y) = [1 + φ(y/ 4t)], φ : s 7→ √ e−t dt.
2 π 0
En déduire, à y fixé, la limite de ρ(t, y) lorsque t → ∞.
Exercice 20 On cherche à résoudre le problème
∂ ∂2


 ρ(t, x) = ν 2 ρ(t, x) − cρ(t, x), ∀t > 0, x,
∂t ∂x (2.0.1)


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.
2.1. SOLUTION FAIBLE, TRANSFORMÉE DE FOURIER ET ENERGIE 31
Exercice 21 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 (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).
1) Résoudre le système et exprimer explicitement cette solution que l’on notera ρν .

2) Montrer que pour tout t > 0 et x ∈ R, limν→0 ρν (t, x) = ρ0 (x − ct).
3) Montrer que (pour ρ0 assez régulière) u : (t, x) 7→ ρ0 (x − ct) vérifie
∂ ∂
u(t, x) + c u(t, x) = 0,
∂t ∂x
et u(0, x) = ρ0 (t, x).
2.1 Solution faible, transformée de Fourier et Energie

2.1.1 Compléments de topologie
Définition 2.1.1 Soit (xn ) une suite d’éléments de E. On dit que (xn ) est de Cauchy si
∀ > 0, ∃n0 ∈ N, ∀n ≥ n0 , ∀p ∈ N, kxn+p − xn k ≤ ε.
Proposition 2.1.2 Une suite convergente est de Cauchy.

Définition 2.1.3 Soit A ⊂ E. On dit que l’espace A est complet si toute suite de Cauchy d’éléments
de A est convergente dans A. (On dit aussi que A est un espace de Banach).
Proposition 2.1.4 — Si A est complet, alors A est fermé.
— Si E est complet, et A ⊂ E est fermé, alors A est complet.
Proposition 2.1.5 Soit A ⊂ E. l’espace A est complet si et seulement si toute série d’éléments de E
qui converge normalement est convergente, i.e.
!
X X
A complet ⇐⇒ ∀(xn ) ∈ AN , kxn k < +∞ =⇒ xn converge .
n≥0 n≥0
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]
La convergence dans E est la convergence uniforme (celle du sup).

Proposition 2.1.7 L’ensemble E = C([a, b], F ), muni de la norme uniforme, est un espace de Banach.
Exercice 22 L’espace C([0, 1]) muni de la norme k.kL1 ([0,1]) est il complet ?
2.1.2 Espaces fonctionnels

Avant d’introduire les notions, nous allons revenir sur quelques espaces bien connus.
Tout d’abord, le premier que vous avez rencontré : .
L’espace des fonctions continues C 0

Définition 2.1.8 Une fonction φ :]a, b[7→ R est continue si
∀c ∈]a, b[, lim |f (s) − f (c)| = 0.

s→c, s∈]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)).
De même pour la notion de dérivabilité.

Définition 2.1.10 Soit (B, k.kB ) un espace de Banach. Une fonction φ :]a, b[7→ (B, k.kB ) est dérivable
en c s’il existe f 0 (c) ∈ B telle que
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)) ?
L’espace des fonctions continues Lp

La construction de l’intégrale de Lebesgue se fait en plusieurs étapes dont (un peu expédié quand
même) :
P
- les fonctions de bases : ”fonctions étagées”, c’est à dire de la forme f (.) = j fj 1Ij (.) et par définition
R P
f (x)dx = j fj longueur(Ij ) (si c’est sommable)
R R R
- en passant à la limite : g(x)dx = lim gn (x)dx avec gn fonctions étagées telle que |gn (x) −
g(x)|dx →n→∞ 0.
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
et Lp (I, B) muni de la norme

Z 1/p
kf kLp (I,B) = kf (x)kpB (x)dx ,
I
en fait un espace de Banach.

Exercice 26 Soit
sin(x)
2
φ : (t, x) 7→ e−(x−t) .
x
Est ce que φ ∈ L1 (]0, 1[, L2 (R)), φ ∈ L2 (]0, 1[, L1 (R)), φ ∈ L2 (]0, 1[, L2 (R)), φ ∈ L2 (]0, 1[, C 0 (R)) ?
Dérivées faibles et Sobolev

On peut étendre la notion de dérivée à des fonctions assez générales.
Définition 2.1.15 Soit f une fonction intégrable sur tout intervalle borné, on appelle (si elle existe)
dérivée faible une fonction g telle que
Z Z
g(x)Ψ(x)dx = − f (x)Ψ0 (x)dx,
pour tout Ψ ∈ Cc∞ (R). Par abus on écrit f 0 pour g.

Exercice 27 Soit
φ : (t) 7→ |t|.
Quelle est la dérivée faible de φ ?
Définition 2.1.16 Une fonction f est H 1 (R) si f et f 0 ∈ L2 (R). L’espace H 1 (R) muni de la norme
q
kf kH 1 = kf k2L2 + kf 0 kL2
est un espace de Banach.
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 parle de solution faible 2 de l’équation de la chaleur

∂
ρ(t, y) = 21 ∆ρ(t, y),
(∗) ∂t
ρ(t = 0, .) = ρ0 (.).
une solution du problème, pour tout Ψ ∈ H 1 (R)

Z Z Z Z
∂ 1 ∂ ∂
(∗∗) ρ(t, y)Ψ(y)dy + ρ(t, y) Ψ(y)dy = 0, lim ρ(t, y)Ψ(y)dy = ρ0 (y)Ψ(y)dy.
∂t 2 ∂y ∂y t→0
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 =
2.1.3 Equation de la chaleur et énergie

Transformée de Fourier
Proposition 2.1.18 Soit f ∈ L1 (R). La formule suivante
Z
ˆ
f (t) = f (x)e−2iπtx dx
R
est bien définie pour tout réel t. On appelle fˆ la transformée de Fourier de f .

Proposition 2.1.19 (Propriétés de la transformée de Fourier) — Soit f ∈ L1 (R). Alors fˆ
satisfait
— fˆ est continue sur R.
— fˆ est bornée sur R : kfˆk∞ ≤ kf kL1 (R) .
— fˆ tend vers 0 à l’infini (lemme de Riemann-Lebesgue) : lim|t|→∞ fˆ(t) = 0.
— Si f ∈ L1 (R) et xn f ∈ L1 (R), alors fˆ ∈ C n (R) (n ≥ 0) et
(fˆ)(k) (t) = (−2iπ)k xd

k f (t), 0 ≤ k ≤ n.
— Si f ∈ L1 (R) et f (k) ∈ L1 (R) (k ∈ [0, n]), alors fˆ ∈ C k (R) et
(k) (t) = (2iπt)k fb(t),
fd 0 ≤ k ≤ n.
— Si f ∈ L1 (R), f dérivable avec f 0 ∈ L1 (R), alors t 7→ (1+ | t |)fˆ(t) est bornée.
∗ g(t) = fˆ(t)ĝ(t).
— Si f, g ∈ L1 (R), alors f[
— Formule du retard : si g(x) = f (x − a), alors ĝ(t) = e−2iπat fˆ(t).
— Déphasage : si g(x) = e2iπax f (x), alors ĝ(t) = fˆ(t − a).
— Changement d’échelle : si g(x) = f ( xa ) avec a > 0, alors ĝ(t) = afˆ(at).

Proposition 2.1.20 (Formule d’inversion de Fourier) Soit f ∈ L1 (R) telle que fˆ ∈ L1 (R). Alors
∀x ∈ R, fb(x) = f (−x).
b
Proposition 2.1.21 (Transformée de Fourier dans L2 ) — Soient f, g ∈ L1 (R) ∩ L2 (R). Alors

fˆ, ĝ ∈ L2 (R) et on a Z Z
f (x) g(x)dx = fˆ(t) ĝ(t)dt.
R R
— Il existe une unique application linéaire continue F : L2 (R) → L2 (R) telle que
∀f ∈ L1 (R) ∩ L2 (R), F(f ) = fˆ.
— La transformée de Fourier est une isométrie de L2 (R) :
kf kL2 (R) = kF(f )kL2 (R) .
Remarque 2 Pour f ∈ L2 (R)\L1 (R), la transformée de Fourier F(f ) n’est plus donnée par une formule.
Pour la calculer, on peut trouver une suite (fn ) de fonctions de L1 (R) ∩ L2 (R) qui converge vers f (pour
la norme L2 (R)). On a alors
lim fˆn = F(f ),
n→+∞
la limite ne dépend pas de la suite choisie.

Toutefois, il est possible, dans bien des cas, de trouver une astuce pour calculer F(f ) sans passer par
cette approximation.
1 x2
Exemple 6 (Transformée de Fourier de la gaussienne) Si f (x) = √ e− 2 , alors
2π
2 2
fˆ(t) = e−2π t .
Figure 2.1 – Espaces fonctionnels et transformation de Fourier.
On note que H 1 (R) = {f ∈ L2 : ζF(f ) ∈ L2 }, et pour tout g ∈ H 1 et xg ∈ L2 ,
∇F(g) = F(−2iπxg),
et
F(∇g) = 2iπζF(g).
Proposition 2.1.22 La norme de H 1 : k.kH 1 est équivalente à

q p
k|gk|H 1 := k (1 + |ζ|2 )F(f )kL2
Solution de l’équation de la chaleur et unicité

Théorème 2.1.23 Une solution ρ ∈ C 1 (R+ ; L2 (R)) ∩ C 0 (R+ ; H 1 (R)) de (**) vérifie
∂
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
Corollaire 2.1.25 Il n’existe pas d’autres solution de (**) (méthode d’énergie).

d S’il en existait deux ρ1 , ρ2 alors par linéarité de l’équation ρ1 − ρ2 serait solution et par décroissance
de l’energie
kρ1 − ρ2 kL2 ≤ kρ01 − ρ02 kL2 = 0.
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.
Problème. On cherche à montrer l’existence de solution pour l’équation
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) Soit g ∈ C 0 (R+ , R) et ρ0 ∈ L1 (R+ ) ∩ C 0 (R+ , R). On s’intéresse à l’équation intermédiaire
∂ 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
1a) Montrer que
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∗+ ?
1c) Montrer que ρ0 ∈ L1 (R+ ) et g ∈ C 0 (R+ ) implique ρ ∈ C 0 (R+ , L1 (R+ )).

R∞
1d) Montrer que v ∈ C 0 (R+ , L1 (R+ )) implique t 7→ 0
b(y)v(t, y)dy ∈ C 0 (R+ ).
2) Soit pour M > 0 assez petit et T : u 7→ ρ avec ρ solution de


∂ 1 ∂2
ρ(t, x) = ρ(t, x), ∀x > 0, ∀t ∈]0, M [,


 ∂t 4 ∂x2





 Z ∞
∂ (2.1.6)
lim ρ(t, x = 0) = b(y)u(t, y)dy, ∀t ∈]0, M [,

 x→0 ∂x 0





lim ρ(t = 0, x) = ρ0 (x), ∀x > 0.


t→0
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∗+ .
2b) Quel argument permet de conclure à l’existence sur R∗+ × R∗+ ?

2.2. EQUATIONS DE LA CHALEUR SUR INTERVALLES BORNÉES (DOMAINES CARRÉS) 39
2.2 Equations de la chaleur sur intervalles bornées (domaines

carrés)
Soit ν > 0 et ρ0 une condition initiale, on cherche à résoudre un problème de diffusion (chaleur) sur
une barre limitée (de longueur 1 pour fixé l’intervalle [0, 1]) aux deux extrémités.
A l’intérieur de la barre, on suit l’équation de la chaleur
∂ ∂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 :
ρ(t, 0) = 10 signifie ”On maintient la température de la barre à 10 degré à l’extrémité x = 0”

ρ(t, 1) = f (t) signifie ”On maintient la température de la barre à f (t) degré à l’extrémité x = 1”
∂
ρ(t, 1) = −hρ(t, 1) signifie ”la chaleur rayonne dans le milieu ambiant en x = 1”
∂x
∂
ρ(t, 1) = g(t) signifie ”On impose un flux g(t) en x = 1”
∂x
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
De manière formelle, cela revient à

gn0 (t) = −4π 2 n2 νgn (t),
et donc
2 n2 νt
X
ρ(t, x) = e2iπnx gn (0)e−4π .
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 ?
2.2.1 Espaces de Hilbert

Définition 2.2.1 Soit H un espace vectoriel muni d’un produit scalaire (·, ·). Si H est complet pour la
norme k · k associée, on dit que H est un espace de Hilbert.
Définition 2.2.2 Soit H un espace de Hilbert. On appelle base hilbertienne de H toute famille dénombrable
(en )n∈N satisfaisant :
(i) (en , ep ) = δn,p (famille orthogonale),
+∞
X
(ii) ∀x ∈ H, ∃(xn ) ∈ RN , x = xn en (famille totale).
n=0
Remarque 3 — La série intervenant dans la propriété (ii) est à comprendre au sens suivant :

X N
lim x − xn en = 0.

N →+∞
n=0
— 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 )| .
2.2.2 Séries de Fourier

Dans cette partie, les fonctions considérées seront indifféremment à valeurs réelles ou complexes.
Définition 2.2.4 On note
— Lp] ([0, T ]) = f, T -périodique ; f × χ[0,T ] ∈ Lp (R) , muni de la norme

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).
2.2.3 Rappels sur les séries de fonctions

On rappelle ici quelques définitions sur les séries de fonctions. I désigne un intervalle de R.
P
Définition 2.2.6 Soient fn : I → C des fonctions. On ditP que la série de fonctions fn converge
simplement (ou ponctuellement) lorsque la série numérique fn (x) converge pour chaque x. Lorsque
cela est vrai seulement en dehors d’un ensemble négligeable, on parle de convergence presque partout.
P
Définition 2.2.7 Soient fn : I → C des fonctions. On dit que! la série de fonctions fn converge
Xn
uniformément lorsque la suite des sommes partielles fk (x) converge uniformément.
k=0 n P
Définition 2.2.8 Soient fn : I → C des fonctions. On dit P que la série de fonctions fn converge
normalement pour la norme k · k lorsque la série numérique kfn k converge. Lorsque la norme n’est
pas précisée et les fn sont continues, on prend en général la norme uniforme.
Proposition 2.2.9 Si une série de fonctions continues converge normalement (pour la norme uni-
forme), alors la série converge uniformément.
Exercice 29 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
Exercice 30 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, +∞[.
2. On note
+∞
X
∀t > 0, F (t) = fn (t).
n=1
Montrer que F est continue sur ]0, +∞[.

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
Alors la somme de la série

+∞
X
S : x 7→ fn (x)
n=0
est continue sur I.

On peut également écrire un résultat de dérivabilité :
Théorème 2.2.11 Soient fn : I → R des fonctions. On suppose
P
— la série |fn | converge simplement,
— fn est dérivable sur I pour tout n,
— il existe une suite numérique un telle que
+∞
X
∀n ∈ N, |fn0 (x)| ≤ un et un < +∞,
n=0
Alors la somme de la série

+∞
X
S : x 7→ fn (x)
n=0
est dérivable sur I et l’on a

+∞
X
0
∀x ∈ I, S (x) = fn0 (x).
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.
2.2.4 Définition et premières propriétés

Définition 2.2.12 Soit f ∈ L1] (0, T ). On définit le coefficient de Fourier par
Z T
1 2iπnx
∀n ∈ Z, cn (f ) = f (x)e− T dx.
T 0
Lorsque f est à valeurs réelles, on utilise usuellement les coefficients (pour n ∈ N) :

Z T
1
a0 (f ) = f (x)dx,
T 0
Z T
2 2πnx
an (f ) = f (x) cos dx,
T 0 T
Z T
2 2πnx
bn (f ) = f (x) sin dx,
T 0 T
Proposition 2.2.13 Soit f ∈ L1] (0, T ), à valeurs réelles.

— Si f est paire, alors bn = 0 pour tout n ∈ N.
— Si f est impaire, alors an = 0 pour tout n ∈ N.
Dans tous les cas, on a les relations :
an (f ) = cn (f ) + c−n (f ) et bn (f ) = i (cn (f ) − c−n (f )) .
Proposition 2.2.14 — Soit f ∈ C]k ([0, T ]). Alors cn (f ) = ø(n−k ).

— Soit f ∈ L1] ([0, T ]) telle que cn (f ) = ø(n−k−2 ). Alors f ∈ C]k ([0, T ]).
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 .
Exercice 33 On définit les deux fonctions f1 , f2 : [0, 1[→ R par
∀t ∈ [0, 1[ , f1 (t) = t f2 (t) = t(1 − t).
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=−∞
+∞
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.
2.2.5 Convergence de la série de Fourier

On introduit la somme partielle de la série de Fourier de f , définie comme
2iπkx
X
Sn (f ) : x 7→ ck (f )e T .
|k|≤n
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
Lemme 2.2.15 (Riemann-Lebesgue) Soit f ∈ L1] (0, T ). Alors cn (f ) → 0 lorsque |n| → ∞.

Théorème 2.2.16 (Fejer) — Soit f ∈ L1] ([0, T ]) une fonction continue sur R. Alors Un (f ) converge
uniformément vers f sur R.
— Soit f ∈ L1] ([0, T ]). Alors Un (f ) converge vers f dans L1 ([0, T ]).
Les deux résultats suivants sont des conséquences du théorème de Fejer.
Proposition 2.2.17 L’application f 7→ (cn (f ))n est injective : si une fonction f ∈ L1] ([0, T ]) a tous
ses coefficients de Fourier nuls, alors elle est nulle presque partout.
Proposition 2.2.18 L’ensemble des polynômes trigonométriques est dense dans C 0 ([0, T ]) pour la
norme uniforme, ce qui signifie :
2iπk·
∀f ∈ C 0 ([0, T ]), ∀ε > 0, ∃P ∈ R[X], f − P e T < ε.

∞
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
Soit f ∈ L2] ([0, T ]). On a l’égalité :

2iπn ·
X
f= cn (f )e T dans L2 ([0, T ]).
n∈Z
qui signifie
Z T 2
f (x) − Sn (f )(x) dx −→ 0 lorsque n → +∞.
0
Par ailleurs, l’égalité de Parseval est encore valable.
Exercice 35 Soit une fonction f ∈ C ∞ (R), 1-périodique. Pour N ∈ N, on note

N −1
1 X n
IN = f .
N n=0 N
1. Identifier la limite de IN lorsque N → ∞ ?

2. En décomposant f en série de Fourier, montrer que
∀p ∈ N, ∃cp > 0, |IN − `| ≤ cp N −p .
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
u0 (0) = u0 (1) = 0 et u000 (0) = u000 (1) = 0.
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 ).
Exercice 38 Soit u0 : [0, 1] → R une fonction de classe C 2 satisfaisant
u0 (0) = u0 (1) = 0 et u000 (0) = u000 (1) = 0.
On note (αn ) la suite obtenue dans l’exercice précédent.

1. Montrer que la fonction
2 π2 t
X
u(x, t) = αn e−n sin(nπx)
n≥1
est de classe C ∞ sur ]0, 1[×]0, +∞[ et satisfait le problème suivant :
∂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]).

2. Montrer que, pour tout x ∈ [0, 1],

lim u(x, t) = u0 (x).
t→0
∞
Exercice 39 Soit φ une fonction de classe C , telle que
∀n ∈ N x 7→ x2 φ(n) (x) est bornée sur R.
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].
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
Exercice 41 Trouver les solutions de

2
∂ 2 ∂


 ρ(t, x) = ν ρ(t, x), ∀x > 0, ∀t ∈]0, ∞[, x ∈]0, 1[
 ∂t
 ∂x2
l) = 0, ∀t > 0,
ρ(t, 0) = ρ(t, (2.2.8)

 x, ∀x ∈ [0, l/2]

 ρ(t = 0, x) =
l − x, ∀x ∈ [l/2, l]
∂ ∂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]
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
Extension aux domaines Ω bornés (et

réguliers)
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.

Figure 3.1 – Ouvert Ω à bord régulier et sa discrétisation.
3.1 Discrétisation du Laplacien : Matrice symétrique

A l’intérieur du domaine Ω (voir fig. 3), le Laplacien ∆ peut se discrétiser via une matrice symétrique
(voir [11])  
−2/h2 1/h2 0 0
 1/h2 −2/h2 1/h2 0 
M = 2 2 2

 0 1/h −2/h 1/h 
0 0 1/h2 −2/h2
et le problème devient dtd V = M V (EDO : voir [15, 19, 1]).
Définition 3.1.1 Une matrice A ∈ Mn (R) est symétrique si t A = A (Hermitienne si t Ā = A).
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
kSxn k4 ≤ kSkkSxn k2 BS (xn , xn ),
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.
Or en dimension finie : S non inversible est équivalent (dim(Ker) + dim(Im) = n) à Ker(S) 6=

{0}, c’est à dire m ∈ V p(A) (on a de même M ∈ V p(A)).
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
∀y ∈ E, (Ax, y) = (x, Ay ) = 0, i.e., Ax ∈ E ⊥ .

|{z}
∈E
5- preuve du th. : On raisonne par récurrence sur la dimension de l’espace. En dimension 1,

c’est trivial. On suppose le résultat vrai en dimension n − 1. Soit A un opérateur hermitien
dans un espace de dimension n alors par 1-, il existe au moins une valeur propre et un
vecteur propre e1 . On a A(vect(e1 )) ⊂ vect(e1 ) donc par le point 4− : A(vect(e1 )⊥ ) ⊂ vect(e1 )⊥
et donc A|vect(e )⊥ est un opérateur symétrique sur un espace de dimension n − 1. Il existe
1
donc une base de vecteurs propres de A, sur chacun des sous espaces propres on peut
orthogonaliser la base de vecteurs propres (procédé de Schmidt [21, 24]) et par le point
3-, on obtient une base orthonormée de vecteurs propres.
c
Corollaire 3.1.3 Soit M une matrice symétrique, alors les solutions de
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
Corollaire 3.1.4 Soit M un opérateur symétrique alors kM k = maxkxk=1 |(M x, x)|.

d On a directement que
max |(M x, x)| ≤ kM k.
kxk=1
3.2. LA DIMENSION ∞ : LE CHAPITRE DE LA PEUR 51
De plus, on a pour tout x, y tels que kxk = kyk = 1
4Re(x, Ay) = (x + y, A(x + y)) − (x − y, A(x − y)) ≤ max |(M z, z)|[kx + yk2 + kx − yk2 ]
kzk=1
= 2 max |(M z, z)|[kxk2 + kyk2 ] ≤ 4 max |(M z, z)|,

kzk=1 kzk=1
donc pour y = Ax/kAxk, on trouve que 4Re(x, A(Ax))/kAxk ≤ 4 maxkzk=1 |(M z, z)|, et par symétrie
kAxk = 4Re(Ax, Ax)/kAxk ≤ 4 max |(M z, z)|,

kzk=1
donc en passant au supkxk=1 on a kAk ≤ maxkzk=1 |(M z, z)|.

c
Remarque 6 Seuls les raisonnements en gras ne s’étendent pas à la dimension infinie.
3.2 La dimension ∞ : le chapitre de la peur

Dans toute la suite H sera un espace de Hilbert (non réduit à {0}). Une application linéaire T : H 7→ H
est continue si
kT k = sup < ∞.
kxk=1, x∈H
Définition 3.2.1 [24] Soit T une application linéaire continue de H dans lui même. Alors
σ(T ) := {λ : λI − T non inversible},
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.
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 ≤ .
Théorème 3.2.6 [23, 3](Kolmogoroff ) Soit Ω un ouvert de Rn et Y un espace vectoriel normé. Un

ensemble A fermé de Lp (Ω, Y ; k.kp ) (p ∈ [1, ∞[) est compact si et seulement si :
1. (BORNE) ∀x ∈ X supf ∈A kf kp < ∞,
2. (EQUICONTINUE) ∀ > 0 ∃η > 0 supf ∈A, h∈B(0,η) kf (.) − f (. + h)kp ≤ ,
3. (PAS DE PERTE DE MASSE A l’∞) ∀ > 0 ∃η > 0 supf ∈A, kf χ|.|≥η kp ≤ .
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 )
donc z = 0 par injectivité. Absurde kxφ(n) k = 1 pour tout n.

c
Théorème 3.2.10 [3, 24]Soit T ∈ K(H) avec H de dimension infini et λ 6= 0 alors

1. Ker(λI − T ) est de dimension fini,
2. Im(λI − T ) est fermé,
3. Ker(λI − T ) = {0} ⇒ Im(λI − T ) = H.
d
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 :
λw−T w = 0, i.e., w ∈ Ker(λI −T ), or d(wn , Ker(λI −T )) = d(un , Ker(λI −T ))/dn = 1, ∀n.

Absurde. La suite (dn )n est donc bornée.
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
−(λun − T un ) + (λum − T um ) − λum

T un − T um = λ[ +un ] ≥ λd(un , En+1 ) ≥ λ/2.
| λ
{z }
∈En+1
Donc on ne peut extraire de sous suite cvg de (T (un ))n . Absurde car T compact. Par conséquent
λI − T est surjectif.
c
Corollaire 3.2.11 [3, 24]Soit T ∈ K(H) avec H de dimension infini alors

1. 0 ∈ σ(T ),
2. σ(T )/{0} = V p(T )/{0},
3. σ(T ) = {0} ou σ(T )/{0} est au plus dénombrable et dans ce cas σ(T )/{0} = (λn )n avec limn→∞ λn =
0.
d
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 :
kfk k = 1, d(fk+1 , Ek ) ≥ 1/2
et Ek = vect(f1 , ..fk ). On pose yk = fk /λk alors
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
Absurde, on ne peut pas extraire de sous suite convergente et kyp k ≤ n.

c
3.3. APPLICATION AU LAPLACIEN ET RÉSOLUTION DE L’ÉQUATION DE LA CHALEUR 55
3.2.2 Application auto adjointe

La notion d’application auto adjointe est l’extension de la notion d’Hermitienne en dimension infinie.
Définition 3.2.12 Soit T une application linéaire continue de H dans H. On note T ∗ l’application
(linéaire continue) telle que
∀(x, y) ∈ H 2 , (T x, y) = (x, T ∗ y).
T est dite auto-adjointe si T ∗ = T .
Théorème 3.2.13 Soit T une application auto adjointe compacte sur H e.h. séparable alors
X
T = λPλ , avec Pλ pj ⊥ de H sur Ker(λI − T ).
λ∈V p(T )/{0}
De plus il existe une base orthonormée de H composée de vecteurs propres de T .

d Si ]V p(T ) < ∞, on est dans le cas matriciel. Sinon, V p(T ) = (λn )n avec limn→∞ λn = 0 d’après le
corollaire 3.2.11. On pose
GJ = ⊕⊥λ∈J Ker(λI − T ), et FJ = GJ
⊥
alors par le corollaire 3.1.4

kTFJ k = max{|λ| : λ ∈ V p(T )/J}.
Or x = xJ + yJ avec xJ ∈ GJ et yJ ∈ FJ , et donc
kxk2 = kxJ k2 + kyJ k2 , kx − xJ k ≤ kxk

X
k(T − λPλ )xk ≤ kTFJ kkx − xJ k ≤ max{|λ| : λ ∈ V p(T )/J} kxk.
| {z }
λ∈J/{0} →]J→∞ 0
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
3.3 Application au Laplacien et résolution de l’équation de la

chaleur
Théorème 3.3.1 [3]Soit Ω un ouvert régulier C 1 alors il existe (λk )k ⊂ R telle ue λk →k→∞ ∞ et une
base orthonormée de vep de L2 (Ω) telle que
H1
uk ∈ H01 (Ω) = Cc∞ (Ω) , ∆uk = λk uk , p.p.
d Soit A : f ∈ H01 (Ω) 7→ u ∈ H01 (Ω) solution de

Z Z
a(u, v) = ∇u∇v = f v, ∀v ∈ H01 (Ω)
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
On peut noter que 0 n’est pas valeur propre, en effet,

Z
A(f ) = 0 ⇔ f v ∀v ∈ H01 (Ω) ⇔ f = 0 p.p.
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
est l’unique solution du problème (*).

c
Chapitre 4
Quelques outils de bases pour les

équations non linéaires
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).
4.1 Méthode du point fixe : T (z) = z

De manière générale, si l’on sait résoudre le problème : se donnant f ∈ A, on cherche u ∈ B solution
de
G(f, u) = 0.
Soit F : B 7→ A. On cherche à résoudre le problème : on cherche u ∈ B solution de
G(F (u), u) = 0.
C’est-à-dire, on cherche un point fixe à T : v 7→ u avec u = T (v) solution de
G(F (v), u) = 0.
Le théorème du point fixe de Picard-Banach

Définition 4.1.1 Soit ϕ : E → E une application. On dit que ϕ est contractante lorsqu’il existe k < 1
telle que
∀x, y ∈ E, kϕ(x) − ϕ(y)k ≤ kkx − yk.
(autrement dit, ϕ est lipschitzienne de rapport k < 1).
Proposition 4.1.2 Soit ϕ : Rd → Rd une application de classe C 1 . On pose
kJϕ(x)k = sup kJϕ(x)hk.

khk=1
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
2. Pour tout x0 ∈ E, la suite définie par xn+1 = ϕ(xn ) converge vers x? .

Exercice 46 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
où la fonction continue k : R → R est fixée.

1. Montrer que Φ définit bien une fonction de E dans E.
2. Donner une condition sur k pour que Φ admette un unique point fixe.
Théorème 4.1.4 (Point fixe)[3, 24] Soit B un espace de Banach et T : B 7→ B une aplication linéaire
contractante, i.e., il existe k ∈ [0, 1[ t.q.
∀(x, y) ∈ B kT (x) − T (y)k ≤ kkx − yk.
Alors il existe un unique z solution de T (z) = z.

d L’unicité est triviale (en utilisant la contractance). La suite (xn )n définit par x0 ∈ B et xn+1 = T (xn )
vérifie
kT (xn+1 ) − T (xn )k ≤ k n kT (x0 ) − x0 k,
kn
donc, pour tout m > n, on a kT (xm ) − T (xn )k ≤ m−1 p
P
p=n k kT (x0 ) − x0 k ≤ kT (x0 ) − x0 k 1−k . Le résultat
étant vrai pour tout (n, m) t.q. m > n, on a limn→∞ supm>n kT (xm ) − T (xn )k = 0, i.e. (T (xn ))n de
Cauchy. Or B est de Banach donc (T (xn ))n (et donc (xn )n ) converge vers z ∈ B. Par passage à la limite
dans
xn+1 = T (xn ),
on trouve z = T (z).
c
Exemple d’application Prenons le théorème 2.0.2

RtR
Théorème 4.1.5 [4] Soit ρ : (t, y) ∈ R∗+ × R 7→ φx (t, y)φ0 (x)dx + 0 φx (t − s, y)f (s, x)dxds avec
R
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,
On cherche à étendre le théorème au problème de la chaleur non linéaire suivant

∂ 1
ρ(t, y) = ∆ρ(t, y) + F (ρ(t, y)), t > 0, y ∈ R
∂t 2
On peut réécrire le problème sous forme de point fixe T : v ∈ B 7→ ρ ∈ B solution de
∂ 1
ρ(t, y) = ∆ρ(t, y) + F (v(t, y)), t > 0, y ∈ R
∂t 2
c’est-à-dire, Z Z tZ
T : v 7→ φx (t, y)φ0 (x)dx + φx (t − s, y)F (v(s, x))dxds.
0
Or Z tZ
|T (v) − T (w)| ≤ φx (t − s, y)|F (v(t, y)) − F (w(t, y))|dxds
0
4.2. MÉTHODE PAR COMPACITÉ 59
donc pour F et x 7→ xF 0 (x) Cb1 on a
sup |T (v) − T (w)| ≤ T M sup |v − w|,

t∈[0,T ], y∈R t∈[0,T ], y∈R
∂ ∂
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,
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
ρ(t, .) = ρk (t, .), pour t ∈ [kt, (k + 1)T ].
4.2 Méthode par compacité

4.2.1 Compacité
Définition 4.2.1 Soit A ⊂ E. On dit que A est compact si toute suite d’éléments de A admet une
sous-suite convergeant vers un élément de A.
Proposition 4.2.2 Un compact est fermé.
Proposition 4.2.3 — Si A est complet, alors A est fermé.
— Si E est complet, et A ⊂ E est fermé, alors A est complet.
— Si A est compact, alors A est complet.
Proposition 4.2.4 On suppose que E est de dimension finie. Un sous-ensemble A de E est compact
si et seulement si A est fermé et borné.
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
— (fn ) est équicontinue : pour tous ε > 0 et x ∈ [0, 1]
∃η > 0, ∀n ∈ N, ∀y ∈ [0, 1], |x − y| ≤ η =⇒ |fn (x) − fn (y)| ≤ ε.
— La suite est ponctuellement uniformément bornée :
∀x ∈ [0, 1], ∃M > 0, ∀n ∈ N, |fn (x)| ≤ M.
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.
Exercice 48 Soit α ∈ ]0, 1[. Pour f : [0, 1] → R, on note
|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
y 0 (t) = f (y(t)), y(0) = y0 .

0 0
d Soit fn ∈ Cb1 →C
n→∞ f (possible par densité) et yn (t) = f (yn (t)), yn (0) = y0 , alors yn vérifie
Z t
yn (t) = y0 + fn (yn (s))ds.
0
4.2. MÉTHODE PAR COMPACITÉ 61
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
I) ”Bornée” : (fn )n bornée dans L2 ([0, T ], K) avec l’injection i : K ,→ X compacte
∂
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
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 de même pour les autres termes

Z Z Z Z Z Z
∂ ∂
− ρk (t, y) Ψ(t, y)dy − ρ0 (y)Ψ(0, y)dy → − ρ(t, y) Ψ(t, y)dy − ρ0 (y)Ψ(0, y)dy,
∂t ∂t
et Z Z
ρk (t, y)∆Ψ(y)dy → ρ(t, y)∆Ψ(y)dy.
Par conséquent, on a bien ρ solution du problème (***).

c
4.3 Annexe : Preuve du théorème de Perron-Frobenius

Lemme 4.3.1 Si A est une matrice carrée n lignes et n colonnes, positive et irréductible alors
(I + A)n−1 > 0. (4.3.1)
d Soit x0 ∈ Rn , x0 6= 0 et pour tout i, on a x0i ≥ 0. Par conséquent, on peut construire la suite

xk+1 = (I + A)xk et xn = (I + A)n . On note mk le nombre de composantes nulles de xk . Puisque A est
positive, on a
xk+1 = xk + |{z}
Axk ,
≥0
et la suite mk est décroissante :

mk+1 ≤ mk .
Si il existait k0 tel que mk0 +1 = mk0 alors il existerait une matrice de permutation P telle que
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
Par conséquent, on aurait
β1 α1 α1
     
 β2   α2   α2 
 ..   ..   .. 
. . .
     
     
 βmk0  =  αmk0  + P At P  αmk0 ,
     
 0   0  0
     
 
 .   .   . 
 ..   ..   .. 
0 0 0
avec αi > 0 et βi > 0. On peut écrire que

 
b11 b12 ... b1mk0 c1(mk0 +1) ... c1n

 b21 b22 ... b2mk0 c2(mk0 +1) ... c2n 

 .
.. .. .. .. .. .. .. 

 . . . . . . 

t
P A P =  bmk0 1
 bmk0 2 ... bmk0 mk0 cmk0 (mk0 +1) ... cmk0 n 

 d(m +1)1 d(m +1)2 . . . d(mk0 +1)mk0 e(mk0 +1)(mk0 +1) . . . e(mk0 +1)n 
 k0 k0 
 .. .. .. .. .. .. .. 
 . . . . . . . 
dn1 dn2 ... dnmk0 en(mk0 +1) ... enn
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.
Etape 1 : Existence de r. Puisque

x

(Ax)i A kxk i
min = min x ,
i : xi >0 xi i : xi >0
kxk
i
il suffit de prouver l’existence du sup sur l’ensemble P = {x ≥ 0, k x k= 1}. De plus, on a,
(Ax)i
(A − ( min )I)x ≥ 0.
i : xi >0 xi
Or (I + A)n−1 > 0 par le lemme 4.3.1 donc
(Ax)i
(I + A)n−1 (A − ( min )I)x > 0,
i : xi >0 xi
soit en posant y = (I + A)n−1 x,

(Ax)i
(A − ( min )I)y > 0.
i : xi >0 xi
Par conséquent, on obtient
(Ax)i (Ay)i
min ≤ min n−1 ,
i : xi >0 xi i : y=(I+A) P yi
et il suffit de prouver l’existence du sup sur l’ensemble compact Q = (I + A)n−1 P > 0. Or, la fonction
(Ax)i
qui à x associe min = min est continue sur Q compact donc elle atteint son maximum sur Q
i : xi >0 xi i : xi >0
et il existe z > 0 (et r > 0) tel que
Az ≥ rz.
Etape 2 : r est un vecteur propre. Si η = Az − rz 6= 0, alors ζ = (I + A)n−1 z > 0 et
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 des exercices
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
P (U ∈ [vk , vk+1 ]) = vk+1 − vk = pk+1 = P (X = k + 1).
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
P (Xn+1 = j|Xn = i) = 0, si j 6∈ {i, i − 1, i + 1}
sinon c’est du dénombrement

r−i 2 i
P (Xn+1 = i + 1|Xn = i) = ( ), P (Xn+1 = i − 1|Xn = i) = ( )2 ,
r r
et
i r−i
P (Xn+1 = i|Xn = i) = 2( )( ).
r r
Correction Exercice 3 Simuler la chaı̂ne de markov (Xn )n suivante

n
X
Xn = Yk
k=0
avec Yi une suite de v.a.i.i.d de loi B(q) pour q = .25, q = .6 et q = .5 et n ≤ 100.

Correction Exercice 4 Soit t > 0. On pose (Snt )n
[nt]
X
Snt = Yk ,
k=0
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
et par linéarité pE(Snt ) = 0. √

b) Par TCL Snt / ([nt] √ + 1) ∼ N (0, 1) et donc Snt / n ∼ N (0, t) lorsque n tend vers l’infini 1 .
2
c) f (t, x) = e−x /(2t) / 2πt.
d) Faire une évaluation statistique de la loi de Snt pour t = 1, 5, 10 et n = 1000. (faire le Chi2
d’ajustement à une loi normale)
Correction Exercice 5 Le Q de Panpan le lapin 2

 
1/10 2/10 7/10
Q= 0 4/10 6/10 
1/10 4/10 5/10
On note Xn la position du lapin au temps n et S = {1, 2, 3} (représentant dort, dehors et mange)

1- Tracer le graphe représentant les déplacements de l’animal pour n ∈ [1, 10000]. Est ce que (Xn )n
converge ?
A vue d’oeil... non.
2- Tracer, pour j = 1, 2, 3, U1 , U2 et U3 pour n ∈ [1, 10000]
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
Est ce que (Xn )n converge ?

OUI en loi !
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
2) Soit πn la répartition de la population l’annéen : πn = π0 M n . 

tk tk+1 tk+1
3) Pour k = 1, M k est bien de la forme M k =  tk+1 tk tk+1  avec t1 = 0 et t2 = 1/2. On
tk+1 tk+1 tk
1. subtilité : Xn cv en loi vers X et (cn )n ⊂ R cv vers c alors cn Xn converge en loi vers cX

2. hummmm
67
suppose le résultat vraie pour n ∈ N∗ . Alors

  
0 1/2 1/2 tk tk+1 tk+1
M k+1 = M M k =  1/2 0 1/2   tk+1 tk tk+1 
1/2 1/2 0 tk+1 tk+1 tk
 
tk+1 tk /2 + tk+1 /2 tk /2 + tk+1 /2
=  tk /2 + tk+1 /2 tk+1 tk /2 + tk+1 /2 
tk /2 + tk+1 /2 tk /2 + tk+1 /2 tk+1
qui est encore de la forme  
tk+1 tk+2 tk+2
 tk+2 tk+1 tk+2 
tk+2 tk+2 tk+1
k
avec
 tk+2 = tk /2 + t
k+1 /2. Par récurrence, on a donc la propriété M s’écrit sous la forme
tk tk+1 tk+1
 tk+1 tk tk+1  pour tout k ≥ 1 qui est bien vérifiée et de plus (tk )k vérifie la suite arithmeti-
tk+1 tk+1 tk
cogéométrique
tk+2 = tk /2 + tk+1 /2, ∀k ≥ 1
avec t1 = 0 et t2 = 1/2.
4) Les solutions de tk+2 = tk /2 + tk+1 /2 sont de la forme
k k
tk = αr+ + βr−
√
2 1/2± 1/4+2 1/2± 32
avec r± solution de r − r/2 − 1/2 = 0, c’est-à-dire r± = 2
= 2
= {1; −1/2}
0 = t1 = αr+ + βr− = α − β/2 ⇒ β = 2α
1/2 = t2 = α + β/4
k k
donc α = 1/3 et β = 2/3. Lorsque k → ∞ : r− → 0 et r+ → 1. Par conséquent tk → 1/3 et
   
tk tk+1 tk+1 1/3 1/3 1/3
M k =  tk+1 tk tk+1  →  1/3 1/3 1/3 
tk+1 tk+1 tk 1/3 1/3 1/3
 
1/3 1/3 1/3
5) et πn = π0 M n → π0  1/3 1/3 1/3  = 1/3 1/3 1/3 .
1/3 1/3 1/3
Correction Exercice 7 On note Xn la position du lapin crétin (ex. 5) au temps n et S = {1, 2, 3}
(représentant dort, dehors et mange). Chercher le(s) vecteur(s) de probabilité invariante ?
 
1/10 2/10 7/10
(a, b, c) = π = π  0 4/10 6/10 
1/10 4/10 5/10

 (a + c)/10 = a
(2a + 4b + 4c)/10 = b
(7a + 6b + 5c)/10 = c

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.
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
III) On pose Xn = nl=1 Ul . Simuler la chaı̂ne dans les cas k = 1, 2, 3

P
.
n
IV) On note pi la probabilité, partant de i de revenir en i en n étapes.
a) Montrer que quelque soit la dimension d’espace k, p2n+1 i = 0. En effet, pour revenir au point de
départ, il faut qu’il y ait autant de déplacement en haut et en bas, à droite et à gauche, devant et
derrière donc un nombre pair.
1 2n (2n)!
b) Pour k = 1, calculer p2n 2n
i . On a une binomiale donc pi = ( 2 ) (n!)2 et Stirling
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.
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
lim 1[n,n+1] (x) = 0

n→∞
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.
Par contre, pour n’importe quelle fonction φ ∈ C0∞ ,

Z Z n+1
1[n,n+1] (x)φ(x)dx = φ(x)dx = 0 à partir d’un certain rang
n
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.
- La suite de fonctions (n1[1/n,2/n] (.))n∈N∗ converge t’elle ?

Oui p.p. Non dans les Lp et oui au sens des distributions. En effet, à x > 0 fixé
lim (n1[1/n,2/n] (x)) = 0

n→∞
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
G = {2πnx + 2πk, (n, k) ∈ Z},
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 !
Par contre, pour n’importe quelle fonction φ ∈ C0∞ ,

Z
e2iπnx φ(x)dx = φ̂(2πn) → 0,
par le lemme de Riemann Lebesgue. Donc e2iπn. → 0 au sens des distributions.
- 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
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
En déduire, à y fixé, la limite de ρ(t, y) lorsque t → ∞.

Correction Exercice 16 On cherche à résoudre le problème
∂ ∂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
On cherche u sous la forme (voir exercice précédent)

2 t/(4ν))
u(t, x) = v(t, x)e−c
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
est donné de manière explicite (voir cours)

Z
1 (x−y)2
v : (t, y) ∈ R∗+ × R 7→ ρ0 (x)e−cx/(2ν) √ e− 4νt dx
4πνt
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
ρ : (t, y) ∈ R∗+ × R 7→ ρ0 ( 4νtz − (ct − y)) √ dz

π
Par cvg dominée

Z √ e−z
2
ρ0 ( 4νtz − (ct − y)) √ dz → ρ0 (y − ct)

π
En dérivant (t, y) 7→ ρ0 (y − ct) on trouve directement l’équation voulue.
75
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).
5) On pose que P (Xn+1 = r + 1 | Xn = r + 1) = 1 : donner la forme de la matrice de transition

de la chaı̂ne de Markov Xn .
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
On suppose que la condition trouvé dans la b) soit aussi suffisante et alors
r
X 1
≤ 1.
i=n0 +1
(i − 1)
Pour r grand, montrer que n0 ∼ r/e. Quel sera la stratégie de la princesse.

Correction Exercice 19 Modèle épidémiologique ([27]) SIS (S(t) = s0 +i0 −I(t)). On discrétise le temps
et l’on considère la chaı̂ne de Markov suivante : In = I(n∆t) avec

sX
0 +i0
pi (n∆t) = P (In = i), pi (n) = 1

i=0
avec P (In+1 = 0 | In = 0) = 1 et pour i 6= 0,



 ∆tβi(N − i)/N j =i+1
∆tγi j =i−1

P (In+1 = j | In = i) =

 1 − ∆t(γi + βi(N − i)/N ) j=i
0 sinon

 
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
pi ((n + 1)∆t) = (1 − (∆tβi(N − i)/N ) + ∆tγi))pi (n∆t)

+ ∆tγ(i + 1)pi+1 (n∆t) + ∆tβ(i − 1)(N − (i − 1))/N )pi−1 (n∆t)
2) Quelle forme a la matrice de transition ? : tridiagonale

4
3) Simuler la chaı̂ne Markov sous Matlab .
4) Montrer que (E est l’espérance)
En utilisant la formule
pi ((n + 1)∆t) = (1 − (∆tβi(N − i)/N ) + ∆tγi))pi (n∆t)

+ ∆tγ(i + 1)pi+1 (n∆t) + ∆tβ(i − 1)(N − (i − 1))/N pi−1 (n∆t)
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 par changement d’indice dans les somme on trouve que

X X
i i
X X
+ (i − 1)∆tγipi (n∆t) + (i + 1)∆tβi(N − i))/N pi (n∆t).
i i
4. Attention : programme non optimisé

77
On sépare les différents termes de la somme

X X
i i
X X
+ i∆tγipi (n∆t) + i∆tβi(N − i)/N pi (n∆t)
i i
X X X
− ∆tγipi (n∆t) + ∆tβipi (n∆t) − ∆tβi2 /N pi (n∆t)
i i i
ce qui donne finalement que

X X X X
ipi ((n + 1)∆t) = ipi (n∆t) + ∆t(β − γ)ipi (n∆t) − ∆tβi2 /N pi (n∆t)
i i i i
donc
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.
Ainsi, on a la majoration suivante

Z Z
−(x−t)2 −2tx+2sx+t2 −s2 2
kφ(t, .) − φ(s, .)kL1 ≤ e |1 − e |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)).
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
Est ce que φ ∈ C 1 (]0, 1[, L1 (R)), φ ∈ C 1 (]0, 1[, C 0 (R)) ?

Il suffit de faire de la convergence dominée locale (t ∈], 1/[) pour montrer que
φ(t, .) − φ(s, .) ∂
k − φ(t, .)kL1 →s→t 0
t−s ∂t
et d’étudier la fonction t 7→ sup | φ(t,.)−φ(s,.)

t−s
− ∂
∂t
φ(t, .)| pour montrer que φ ∈ C 1 (]0, 1[, C 0 (R)).
sin(x) 2
φ : (t, x) 7→ e−(x−t)
.
x
Est ce que φ ∈ L1 (]0, 1[, L2 (R)), φ ∈ L2 (]0, 1[, L1 (R)), φ ∈ L2 (]0, 1[, L2 (R)), φ ∈ L2 (]0, 1[, C 0 (R)) ?
Z sZ
sin(x) 2
φ ∈ L1 (R, L2 (R)) ssi ( (e−(x−t)2 ) dx)dt < ∞
x
79
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].
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|
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
donc par cvg dominée on a le résultat.

Correction Exercice 27 Pour x ∈ ]0, 1[, on note
+∞
X xn
F (x) = .
n=0
1 + nx
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
∀t ∈ [0, 1[ , f1 (t) = t f2 (t) = t(1 − t).
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
u0 (0) = u0 (1) = 0 et u000 (0) = u000 (1) = 0.
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
u0 (0) = u0 (1) = 0 et u000 (0) = u000 (1) = 0.
On note (αn ) la suite obtenue dans l’exercice précédent.

1. Montrer que la fonction
2 π2 t
X
u(x, t) = αn e−n sin(nπx)
n≥1
est de classe C ∞ sur ]0, 1[×]0, +∞[ et satisfait le problème suivant :

∂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]).

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
Convergence dominée et se souvenant que les an sont en O(n−2 ).

Correction Exercice 33 Soit φ une fonction de classe C ∞ , telle que
∀n ∈ N x 7→ x2 φ(n) (x) est bornée sur R.
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
et |φ(k) (2πn + x)| ≤ Ck /(2π|n|

P− M ) pour tout x ∈] − M, M [ et |n| ≤ M . Donc par dérivation
∞
sous domination on a x 7→ |n|≥M φ(2πn + x) qui est C (] − M, M [). Par conséquent, Ψ ∈
C (] − M, M [) pour tout M donc C ∞ (R). La périodicité est directe.
∞
2. Calculer les coefficients de Fourier de Ψ.

Z X
cn (Ψ) = φ(2πn + x)e−ikx dx
[0,2π] n∈Z
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
e−2iπtx φ(x)dx. Par inversion de Fourier

R
où on a noté φb : t 7→ R
1 X
cn (Ψ)e2iπnx = Ψ(x)
2π n∈Z
qui en x = 0 donne le résultat.
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]
on conclu par Gronwall

E(ρ)(t) ≤ E(ρ)(0)e−νt
Exercice 49 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 (5.0.8)

 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[)).
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].
et donc Z Z
2
(ρ) (t) ≤ (ρ(t = 0, x))2 dxe−νt
or ρ(t = 0, x) = 0 donc ρ(t, x) = 0 pour tout t.
puisque f ∈ C 1 ([0, 1]) avec f (0) = f (1) = 0 f (x) =

P
bn sin(2πnx) Pour l’existence, il suffit de
chercher une solution de la forme
X
ρ(t, x) = an (t) sin(2πx)
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
où la fonction continue k : R → R est fixée.

1. Montrer que Φ définit bien une fonction de E dans E. Par convolution.
2. Donner une condition sur k pour que Φ admette un unique point fixe. Quelle soit contractante,
i.e.,
kΦ(f ) − Φ(g)kE ≤ kkf − gkE
avec k < 1, or
Z 1
1
kΦ(f ) − Φ(g)kE ≤ kf − gkE + sup |k(x − t)|dtkf − gkE
2 x 0
R1
une condition suffisante est supx 0 |k(x − t)|dt < 1/2.
Exercice 51 Montrer que l’ensemble des matrices orthogonales O(n) est un compact de l’ensemble des
matrices Mn (R). Fermé borné en dimension fini.
Exercice 52 Soit α ∈ ]0, 1[. Pour f : [0, 1] → R, on note
|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 < +∞ .

85
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,
PB (∅) = P (X ∈ ∅|B) = P (∅)/P (B) = 0,
PB (Ω) = P (X ∈ Ω|B) = P (Ω ∩ B)/P (B) = P (B)/P (B) = 1.
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
Correction Exercice 36 Trouver les différentes lois conditionnelles.

Soit X ∼ geo(1) quelle est la loi de X sachant X ∈ 2N.
(
0 si k ∈ 2N + 1
P (X = k|X ∈ 2N) = 2k−1 (1−p)
Pp 2j−1
p (1−p)
= p2k−1 (1 − p2 )
j
car X X X
p2j−1 (1 − p) = (p2 )j (1 − p)/p = (p2 )j−1 (1 − p)p
j j j
Soit X ∼ U ([0, 1]), quelle est la loi de X sachant X ∈ [0, 1/2].

Z
P (X ∈ A|X ∈ [0, 1/2]) = P (X ∈ A ∩ [0, 1/2])/(1/2) = 2 1dx.
A∩[0,1/2]
Soit X ∼ exp(1), quelle est la loi de X sachant X > 1.

Z
P (X ∈ A|X > 1) = e e−t dt.
A∩]1,∞]

0 si t < 1
FX|X>1 (t) = P (X < t|X > 1) =
(1 − e1−t ) si t≥1

0 si t < 1
fX|X>1 (t) =
e1−t si t ≥ 1
Correction Exercice 37 Trouver les différentes espérances conditionnelles.

Soit X ∼ geo(1) calculer E(X|X ∈ 2N).
X X
E(X|X ∈ 2N) = (2k)p2k−1 (1 − p2 ) = 2 k(p2 )k−1 (1 − p2 )p = 2/p
k k
Soit X ∼ U ([0, 1]), calculer E(X|X ∈ [0, 1/2]).

Z
2x1R∩[0,1/2] dx = 1/4
Soit X ∼ exp(1), calculer E(X|X > 1)

Z Z ∞
tfX|X>1 (t)dt = te1−t dt = (IP P )2
1
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
[25] Implorer le dieu Wikipedia

[26] M. Willem, Analyse harmonique réelle, Hermann, 1995.
[27] M Iosifsecu, Finite Markov Processes and their Applications, John Wiley, New York (1980)
[28] https://fr.wikipedia.org/wiki/Mouvement_brownien

Manuel Du Cours Chaleur

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Manuel Du Cours Chaleur

Transféré par

Droits d'auteur :

Formats disponibles

Equation de la chaleur1

1. A lire avec acrobat reader

1 Une approche probabiliste de la diffusion 7

2 Une approche déterministe de la diffusion 27

3 Extension aux domaines Ω bornés (et réguliers) 49

4 Quelques outils de bases pour les équations non linéaires 57

5 Correction des exercices 65

avec φk solution de l’équation différentielle ordinaire

φ0k (t) = −4Cπ 2 φk (t), φk (0) = φ0k ,

1. et la simulation sur machine est facile et plaisante.

Une approche probabiliste de la diffusion

1.1 Définitions (voir [Billingsley])

function [S] = VA(Vecteur Probabilite Cumule)

while (U>Vecteur Probabilite Cumule(S))

% Fonction permettant de simuler une variable aléatoire de vecteur de probabilité (cumulé)

Vecteur Probabilite =[.1 .3 .4 .2];

S=VA(Vecteur Probabilite Cumule)

% Exemple de script d application de la fonction précédente

P (Xn+1 = yn+1 | Xn = yn , Xn−1 = yn−1 , ..., X0 = y0 ) = P (Xn+1 = yn+1 | Xn = yn ). (1.1.1)

alors P (Xn+1 = x + 1 | Xn = x) = pi , P (Xn+1 = x | Xn = x) = 1 − pi et P (Xn+1 = yn+1 | Xn =

Exercice 2 Modèle de diffusion (Bernoulli-Laplace). On imagine r boules blanches et r boules noires

Puisque les V.A. 2 (Yn ) sont indépendantes, on a

Exercice 3 Simuler la chaı̂ne de markov (Xn )n suivante

avec Yi une suite de v.a.i.i.d de loi B(q) pour q = .25, q = .6 et q = .5 et n ≤ 100.

Lapin Cretin Panpan le lapin ne connait que trois endroits,

- Les copeaux où il dort

Toutes les minutes il change (ou non) d’activité.

Exercice 5 On note Xn la position du lapin au temps n et S = {1, 2, 3} (représentant dort, dehors et

Est ce que (Xn )n converge ?

1.2 Loi et matrice de transition

On note µn la loi de Xn , c’est-à-dire

µn (k) = P (Xn = k), (1.2.5)

alors on peut définir µn en fonction de µ0 et de la matrice de transition (Qi,j )i,j .

µn+1 = µn Q, µn = µ0 Qn et P (Xn = j | X0 = i) = [Qn ]i,j . (1.2.6)

d Il suffit d’utiliser le lemme 1.2.3.

— P (Xn+1 = xn+1 ) = x1 ,x2 ,...,xn ∈S P (x0 = x0 ) nk=0 Qxk ,xk+1

d On montre le premier point par récurrence, en utilisant la relation suivante

où les Hi forment un système complet d’événements incompatibles.

A = {Xn+k = xn+k , · · · , Xn+1 = xn+1 }, B = {Xn = xn , ..., X1 = x1 } et C = {X0 = x0 },

= P (Xk = xn+k , ..., X1 = xn+1 | X0 = xn ).

1) Ecrire la matrice de transition (Markov) M .

µn+1 = µn Q ⇐⇒t µn+1 =t Qt µn , (1.2.8)

Exercice 7 On note Xn la position du lapin crétin (ex. 5) au temps n et S = {1, 2, 3} (représentant

1.3 Notion d’irréductibilité et Th de Perron Frobenius

1.3.1 Matrices irréductibles : Graphe

A irréductible ⇐⇒ ∃q : Aq > 0. (1.3.12)

A irréductible ⇐⇒ G(A) fortement connecté. (1.3.13)

1.3.2 Théorème de Perron-Frobenius

— le rayon spectral de A (ρ(A) > 0) est une valeur propre simple de A,

— Il n’existe pas d’autre valeur propre de module égal à ρ(A),

Exercice 11 Tracer les graphes associés aux matrices A, B et C

1.4 Chaı̂nes irréductibles

∀i, j ∈ S, ∃n : P (Xn = j | X0 = i) > 0. (1.4.14)

et Q3 = Q, donc on a une chaı̂ne périodique (elle ne converge pas)

lim µ2n = µ0 Q2 6= µ0 Q = lim µ2n+1 .

Définition 1.4.3 On note n o

— Xn converge en loi vers X∞ de loi µ∞ .

Pour comprendre la raison de la divergence de la loi de probabilité de Xn lorsque la condition ∼ n’est

Lemme 1.4.5 Si on suppose que H est strictement convexe, alors

βij µi∞ /µj∞ =

La preuve du théorème en découle directement.

n’est pas vérifiée, donc tant que la condition µnj = CCn µ∞

1.5 Résultat de dynamique plus fins : Classification des états

et il est impossible d’y revenir car

Soit > 0, il existe I tel que pour tout i ≥ I et tout t > 0

∀ > 0, ∃n0 ∈ N, ∀n ≥ n0 , ∀p ∈ N, kxn+p − xn k ≤ ε.