Chaînes de Markov et Génération

Aléatoire
Aléa 2006
P. Duchon

LaBRI

Aléa 06 - Chaînes de Markov – p. 1/3

 Génération aléatoire
C (Cn ) classe (finie) d’objets discrets
Génération aléatoire uniforme: produire un c ∈ C
aléatoire uniforme. P(C = c) = 1/#C

Aléa 06 - Chaînes de Markov – p. 2/3

 Génération aléatoire
C (Cn ) classe (finie) d’objets discrets
Génération aléatoire uniforme: produire un c ∈ C
aléatoire uniforme. P(C = c) = 1/#C
Variante: p : C → R+ , et on veut un objet “avec
probabilité proportionnelle à p(c)”
p(c)
P(C = c) = P 0)
c ∈C
0 p(c

Aléa 06 - Chaînes de Markov – p. 2/3

 Génération aléatoire
C (Cn ) classe (finie) d’objets discrets
Génération aléatoire uniforme: produire un c ∈ C
aléatoire uniforme. P(C = c) = 1/#C
Variante: p : C → R+ , et on veut un objet “avec
probabilité proportionnelle à p(c)”
p(c)
P(C = c) = P 0)
c ∈C
0 p(c
Méthodes “combinatoires”: décomposition et comptage
des objets à engendrer

Aléa 06 - Chaînes de Markov – p. 2/3

 Génération aléatoire
C (Cn ) classe (finie) d’objets discrets
Génération aléatoire uniforme: produire un c ∈ C
aléatoire uniforme. P(C = c) = 1/#C
Variante: p : C → R+ , et on veut un objet “avec
probabilité proportionnelle à p(c)”
p(c)
P(C = c) = P 0)
c ∈C
0 p(c
Méthodes “combinatoires”: décomposition et comptage
des objets à engendrer
Méthodes “Markov”: “on part de n’importe lequel des
objets, et on mélange bien”

Aléa 06 - Chaînes de Markov – p. 2/3

 Chaîne de Markov
V ensemble fini ou dénombrable
Définition: Une chaîne de Markov (homogène) à valeurs
dans V est une suite (Xn )n≥0 de variables aléatoires à
valeurs dans V , telle qu’il existe une fonction
f : V × V → [0, 1], pour laquelle on ait, pour tous
n, x0 , . . . , xn , y ,
P(X0 = x0 , . . . , Xn = xn , Xn+1 = y)
= P(X0 = x0 , . . . , Xn = xn )f (xn , y)

Aléa 06 - Chaînes de Markov – p. 3/3

 Chaîne de Markov
V ensemble fini ou dénombrable
Définition: Une chaîne de Markov (homogène) à valeurs
dans V est une suite (Xn )n≥0 de variables aléatoires à
valeurs dans V , telle qu’il existe une fonction
f : V × V → [0, 1], pour laquelle on ait, pour tous
n, x0 , . . . , xn , y ,
P(Xn+1 = y|X0 = x0 , . . . , Xn = xn ) = f (xn , y)
= P(Xn+1 = y|Xn = xn )

Aléa 06 - Chaînes de Markov – p. 3/3

 Chaîne de Markov
V ensemble fini ou dénombrable
Définition: Une chaîne de Markov (homogène) à valeurs
dans V est une suite (Xn )n≥0 de variables aléatoires à
valeurs dans V , telle qu’il existe une fonction
f : V × V → [0, 1], pour laquelle on ait, pour tous
n, x0 , . . . , xn , y ,
P(Xn+1 = y|X0 = x0 , . . . , Xn = xn ) = f (xn , y)
= P(Xn+1 = y|Xn = xn )

Idée: la connaissance de la trajectoire (X0 , . . . , Xn ) n’est

pas utile pour prédire Xn+1 : connaître la trajectoire
n’apporte pas plus d’information que de connaître la seule
valeur de Xn .
Aléa 06 - Chaînes de Markov – p. 3/3
 Chaîne de Markov
V ensemble fini ou dénombrable
Définition: Une chaîne de Markov (homogène) à valeurs
dans V est une suite (Xn )n≥0 de variables aléatoires à
valeurs dans V , telle qu’il existe une fonction
f : V × V → [0, 1], pour laquelle on ait, pour tous
n, x0 , . . . , xn , y ,
P(Xn+1 = y|X0 = x0 , . . . , Xn = xn ) = f (xn , y)
= P(Xn+1 = y|Xn = xn )

Simulation: si on a déjà simulé n pas de la chaîne, simuler

le n + 1-ème pas revient à choisir Xn+1 selon la loi
(f (Xn , .)); on peut oublier les états précédents, la “règle” ne
dépend que de l’état actuel.
Aléa 06 - Chaînes de Markov – p. 3/3
 Monsieur Jourdain. . .
En fait, une chaîne de Markov n’est rien d’autre qu’une
marche aléatoire (biaisée, en général) sur un graphe
orienté (pondéré, à poids positifs) simple (avec boucles), où
les poids des arcs sont les probabilités de transition (d’où la
condition : la somme des poids des arcs sortant d’un
sommet doit être 1).

Aléa 06 - Chaînes de Markov – p. 4/3

 Matrice de transition
X une chaîne: sa matrice de transition est M :
Mxy = f (x, y) = P(Xt+1 = y|Xt = x)
C’est la matrice d’adjacence (pondérée) du graphe!
Itération/Puissances: M n a pour coefficients
(n)
(1) Mxy = P(Xt+n = y|Xt = x)
(somme des poids des chemins de x à y , de longueur n)
Si la loi de probabilités de X0 est π = (πx )x∈V , la loi de
Xn n’est autre que
π (n) = π.M n
(combinaison linéaire de (1))

Aléa 06 - Chaînes de Markov – p. 5/3

 Choix d’une chaîne de Markov
Pour définir une chaîne de Markov X, on doit normalement
définir
la distribution au temps 0 (loi de X0 )
la matrice (les lois) de transition.
Dans la pratique, beaucoup de propriétés ne dépendent
pas (ou peu) de la loi initiale, mais essentiellement des lois
de transition; on parle de la chaîne X partant de u ou la
chaîne X partant de v , si elles ont la même matrice de
transition.

Aléa 06 - Chaînes de Markov – p. 6/3

 Ergodicité
Accessibilité: Un état v est accessible à partir d’un état u
si la chaîne, partant de u, a probabilité strictement positive
de passer par v .

Aléa 06 - Chaînes de Markov – p. 7/3

 Ergodicité
Accessibilité: Un état v est accessible à partir d’un état u
si la chaîne, partant de u, a probabilité strictement positive
de passer par v .
C’est équivalent à: il existe un n tel que
P(Xn = v|X0 = u) > 0, c’est-à-dire qu’il existe un chemin de
u à v dans le graphe

Aléa 06 - Chaînes de Markov – p. 7/3

 Ergodicité
Accessibilité: Un état v est accessible à partir d’un état u
si la chaîne, partant de u, a probabilité strictement positive
de passer par v .
(accessibilité dans le graphe)

Aléa 06 - Chaînes de Markov – p. 7/3

 Ergodicité
Accessibilité: Un état v est accessible à partir d’un état u
si la chaîne, partant de u, a probabilité strictement positive
de passer par v .
(accessibilité dans le graphe)
Chaîne irréductible: La chaîne est dite irréductible si
chaque état est accessible à partir de chaque autre état.

Aléa 06 - Chaînes de Markov – p. 7/3

 Ergodicité
Accessibilité: Un état v est accessible à partir d’un état u
si la chaîne, partant de u, a probabilité strictement positive
de passer par v .
(accessibilité dans le graphe)
Chaîne irréductible: La chaîne est dite irréductible si
chaque état est accessible à partir de chaque autre état.
(graphe fortement connexe)

Aléa 06 - Chaînes de Markov – p. 7/3

 Ergodicité
Accessibilité: Un état v est accessible à partir d’un état u
si la chaîne, partant de u, a probabilité strictement positive
de passer par v .
(accessibilité dans le graphe)
Chaîne irréductible: La chaîne est dite irréductible si
chaque état est accessible à partir de chaque autre état.
(graphe fortement connexe)
Apériodicité: La chaîne est dite apériodique si, pour tout u,
pgcd ({n : P(Xn = u|X0 = u) > 0}) = 1

Aléa 06 - Chaînes de Markov – p. 7/3

 Ergodicité
Accessibilité: Un état v est accessible à partir d’un état u
si la chaîne, partant de u, a probabilité strictement positive
de passer par v .
(accessibilité dans le graphe)
Chaîne irréductible: La chaîne est dite irréductible si
chaque état est accessible à partir de chaque autre état.
(graphe fortement connexe)
Apériodicité: La chaîne est dite apériodique si, pour tout u,
pgcd ({n : P(Xn = u|X0 = u) > 0}) = 1
(le pgcd des longueurs de cycles est 1)

Aléa 06 - Chaînes de Markov – p. 7/3

 Lois stationnaires
Une loi de probabilités π sur V est stationnaire pour une
chaîne de Markov (pour sa matrice de transition) si, lorsque
l’état au temps 0 est distribué selon π , l’état au temps 1 est
également distribué selon π .
En d’autres termes, π.M = π , et on a donc π.M n = π (la
chaîne partant de la distribution π est stationnaire).

Aléa 06 - Chaînes de Markov – p. 8/3

 Lois stationnaires
Une loi de probabilités π sur V est stationnaire pour une
chaîne de Markov (pour sa matrice de transition) si, lorsque
l’état au temps 0 est distribué selon π , l’état au temps 1 est
également distribué selon π .
En d’autres termes, π.M = π , et on a donc π.M n = π (la
chaîne partant de la distribution π est stationnaire).

Existe-t-il une loi stationnaire ?

Aléa 06 - Chaînes de Markov – p. 8/3

 Lois stationnaires
Une loi de probabilités π sur V est stationnaire pour une
chaîne de Markov (pour sa matrice de transition) si, lorsque
l’état au temps 0 est distribué selon π , l’état au temps 1 est
également distribué selon π .
En d’autres termes, π.M = π , et on a donc π.M n = π (la
chaîne partant de la distribution π est stationnaire).

Existe-t-il une loi stationnaire ?

Si oui, est-elle unique ?

Aléa 06 - Chaînes de Markov – p. 8/3

 Lois stationnaires
Une loi de probabilités π sur V est stationnaire pour une
chaîne de Markov (pour sa matrice de transition) si, lorsque
l’état au temps 0 est distribué selon π , l’état au temps 1 est
également distribué selon π .
En d’autres termes, π.M = π , et on a donc π.M n = π (la
chaîne partant de la distribution π est stationnaire).

Existe-t-il une loi stationnaire ?

Si oui, est-elle unique ?
A-t-on alors automatiquement limn P(Xn = u) = πu ?

Aléa 06 - Chaînes de Markov – p. 8/3

 Lois stationnaires
Une loi de probabilités π sur V est stationnaire pour une
chaîne de Markov (pour sa matrice de transition) si, lorsque
l’état au temps 0 est distribué selon π , l’état au temps 1 est
également distribué selon π .
En d’autres termes, π.M = π , et on a donc π.M n = π (la
chaîne partant de la distribution π est stationnaire).

Existe-t-il une loi stationnaire ? Oui si V fini

Si oui, est-elle unique ?
A-t-on alors automatiquement limn P(Xn = u) = πu ?

Aléa 06 - Chaînes de Markov – p. 8/3

 Lois stationnaires
Une loi de probabilités π sur V est stationnaire pour une
chaîne de Markov (pour sa matrice de transition) si, lorsque
l’état au temps 0 est distribué selon π , l’état au temps 1 est
également distribué selon π .
En d’autres termes, π.M = π , et on a donc π.M n = π (la
chaîne partant de la distribution π est stationnaire).

Existe-t-il une loi stationnaire ? Oui si V fini

Si oui, est-elle unique ? Oui si irréductible
A-t-on alors automatiquement limn P(Xn = u) = πu ?

Aléa 06 - Chaînes de Markov – p. 8/3

 Lois stationnaires
Une loi de probabilités π sur V est stationnaire pour une
chaîne de Markov (pour sa matrice de transition) si, lorsque
l’état au temps 0 est distribué selon π , l’état au temps 1 est
également distribué selon π .
En d’autres termes, π.M = π , et on a donc π.M n = π (la
chaîne partant de la distribution π est stationnaire).

Existe-t-il une loi stationnaire ? Oui si V fini

Si oui, est-elle unique ? Oui si irréductible
A-t-on alors automatiquement limn P(Xn = u) = πu ? Oui
si apériodique

Aléa 06 - Chaînes de Markov – p. 8/3

 Lois stationnaires
Une loi de probabilités π sur V est stationnaire pour une
chaîne de Markov (pour sa matrice de transition) si, lorsque
l’état au temps 0 est distribué selon π , l’état au temps 1 est
également distribué selon π .
En d’autres termes, π.M = π , et on a donc π.M n = π (la
chaîne partant de la distribution π est stationnaire).

Existe-t-il une loi stationnaire ? Oui si V fini

Si oui, est-elle unique ? Oui si irréductible
A-t-on alors automatiquement limn P(Xn = u) = πu ? Oui
si apériodique

(C’est la dernière question qui est intéressante pour la

génération aléatoire)

Aléa 06 - Chaînes de Markov – p. 8/3

 Si V est infini. . .
1 2/3 8/9 26/27 80/81

1/3 1/9 1/27 1/81

(Probabilité strictement positive de ne jamais revenir en

arrière)

Aléa 06 - Chaînes de Markov – p. 9/3

 Si non irréductible. . .

Si la chaîne entre dans une composante puits, elle n’en

sortira plus
A priori, une distribution stationnaire par composante
puits

Aléa 06 - Chaînes de Markov – p. 10/3

 Si périodique. . .

Si au temps 0 on part d’un sommet donné, aux temps

impairs il sera impossible d’être en ce même sommet.
lim P(X2n+1 = u|X0 = u) = 0
n
lim P(X2n = u|X0 = u) > 0
n

Aléa 06 - Chaînes de Markov – p. 11/3

 Théorème ergodique
Si une chaîne (à espace d’états fini) est irréductible et
apériodique, alors quelle que soit la distribution de X0 ,
toutes les probabilités de présence tendent vers l’unique loi
stationnaire. Cette loi accorde un poids strictement positif à
chaque état.

Aléa 06 - Chaînes de Markov – p. 12/3

 Théorème ergodique
Si une chaîne (à espace d’états fini) est irréductible et
apériodique, alors quelle que soit la distribution de X0 ,
toutes les probabilités de présence tendent vers l’unique loi
stationnaire. Cette loi accorde un poids strictement positif à
chaque état.
De plus, avec probabilité 1, pour tout état v , la proportion
des instants entre 0 et N où la chaîne est dans l’état v tend
vers π(v) (pour presque toutes les trajectoires, la moyenne
dans le temps est identique à la moyenne dans l’espace).

Aléa 06 - Chaînes de Markov – p. 12/3

 Remarque sur l’apériodicité
La périodicité est un faux problème: si M est (la matrice de
transition d’)une chaîne irréductible, M 0 = (I + M )/2 a la
même distribution stationnaire, et est irréductible (donc
ergodique).

Aléa 06 - Chaînes de Markov – p. 13/3

 Remarque sur l’apériodicité
La périodicité est un faux problème: si M est (la matrice de
transition d’)une chaîne irréductible, M 0 = (I + M )/2 a la
même distribution stationnaire, et est irréductible (donc
ergodique).
Simuler M 0 pendant N pas, revient exactement à simuler M
pendant un nombre de pas aléatoire (indépendant de la
trajectoire), de loi Bin(N, 1/2).

Aléa 06 - Chaînes de Markov – p. 13/3

 Génération aléatoire
On peut envisager de transformer une chaîne de Markov
ergodique en générateur aléatoire d’états : si on dispose
d’une chaîne ergodique, dont la distribution limite
(stationnaire) est π (par exemple, uniforme), et que l’on sait
simuler, on obtient un générateur aléatoire suivant une loi
“presque égale” à π en partant d’un état X0 quelconque, en
simulant la chaîne pendant un temps N “assez grand”, et
en retournant XN .

Aléa 06 - Chaînes de Markov – p. 14/3

 Génération aléatoire
On peut envisager de transformer une chaîne de Markov
ergodique en générateur aléatoire d’états : si on dispose
d’une chaîne ergodique, dont la distribution limite
(stationnaire) est π (par exemple, uniforme), et que l’on sait
simuler, on obtient un générateur aléatoire suivant une loi
“presque égale” à π en partant d’un état X0 quelconque, en
simulant la chaîne pendant un temps N “assez grand”, et
en retournant XN .

Comment détermine-t-on π ?

Aléa 06 - Chaînes de Markov – p. 14/3

 Génération aléatoire
On peut envisager de transformer une chaîne de Markov
ergodique en générateur aléatoire d’états : si on dispose
d’une chaîne ergodique, dont la distribution limite
(stationnaire) est π (par exemple, uniforme), et que l’on sait
simuler, on obtient un générateur aléatoire suivant une loi
“presque égale” à π en partant d’un état X0 quelconque, en
simulant la chaîne pendant un temps N “assez grand”, et
en retournant XN .

Comment détermine-t-on π ?
Ça veut dire quoi, “presque égale”?

Aléa 06 - Chaînes de Markov – p. 14/3

 Génération aléatoire
On peut envisager de transformer une chaîne de Markov
ergodique en générateur aléatoire d’états : si on dispose
d’une chaîne ergodique, dont la distribution limite
(stationnaire) est π (par exemple, uniforme), et que l’on sait
simuler, on obtient un générateur aléatoire suivant une loi
“presque égale” à π en partant d’un état X0 quelconque, en
simulant la chaîne pendant un temps N “assez grand”, et
en retournant XN .

Comment détermine-t-on π ?
Ça veut dire quoi, “presque égale”?
C’est quoi, “assez grand”?

Aléa 06 - Chaînes de Markov – p. 14/3

 Génération aléatoire
On peut envisager de transformer une chaîne de Markov
ergodique en générateur aléatoire d’états : si on dispose
d’une chaîne ergodique, dont la distribution limite
(stationnaire) est π (par exemple, uniforme), et que l’on sait
simuler, on obtient un générateur aléatoire suivant une loi
“presque égale” à π en partant d’un état X0 quelconque, en
simulant la chaîne pendant un temps N “assez grand”, et
en retournant XN .

Comment détermine-t-on π ? (souvent facile)

Ça veut dire quoi, “presque égale”?
C’est quoi, “assez grand”?

Aléa 06 - Chaînes de Markov – p. 14/3

 Génération aléatoire
On peut envisager de transformer une chaîne de Markov
ergodique en générateur aléatoire d’états : si on dispose
d’une chaîne ergodique, dont la distribution limite
(stationnaire) est π (par exemple, uniforme), et que l’on sait
simuler, on obtient un générateur aléatoire suivant une loi
“presque égale” à π en partant d’un état X0 quelconque, en
simulant la chaîne pendant un temps N “assez grand”, et
en retournant XN .

Comment détermine-t-on π ? (souvent facile)

Ça veut dire quoi, “presque égale”? (distance)
C’est quoi, “assez grand”?

Aléa 06 - Chaînes de Markov – p. 14/3

 Génération aléatoire
On peut envisager de transformer une chaîne de Markov
ergodique en générateur aléatoire d’états : si on dispose
d’une chaîne ergodique, dont la distribution limite
(stationnaire) est π (par exemple, uniforme), et que l’on sait
simuler, on obtient un générateur aléatoire suivant une loi
“presque égale” à π en partant d’un état X0 quelconque, en
simulant la chaîne pendant un temps N “assez grand”, et
en retournant XN .

Comment détermine-t-on π ? (souvent facile)

Ça veut dire quoi, “presque égale”? (distance)
C’est quoi, “assez grand”? (temps de mélange)

Aléa 06 - Chaînes de Markov – p. 14/3

Exemple: Marche aléatoire sur un cycle

Aléa 06 - Chaînes de Markov – p. 15/3

Exemple: Marche aléatoire sur un cycle

Chaîne finie, graphe non orienté : une seule distribution

stationnaire, qui ne peut être qu’uniforme par symétries.

Aléa 06 - Chaînes de Markov – p. 15/3

Exemple: Marche aléatoire sur un cycle

Chaîne finie, graphe non orienté : une seule distribution

stationnaire, qui ne peut être qu’uniforme par symétries.

Si n est pair : la chaîne est périodique de période 2, et il

ne peut pas y avoir de convergence vers l’uniforme pour
la chaîne partant d’un sommet donné.

Aléa 06 - Chaînes de Markov – p. 15/3

Exemple: Marche aléatoire sur un cycle

Chaîne finie, graphe non orienté : une seule distribution

stationnaire, qui ne peut être qu’uniforme par symétries.

Si n est pair : la chaîne est périodique de période 2, et il

ne peut pas y avoir de convergence vers l’uniforme pour
la chaîne partant d’un sommet donné.
Si n est impair : la chaîne est apériodique, il y a bien
convergence vers l’uniforme;

Aléa 06 - Chaînes de Markov – p. 15/3

Exemple: Marche aléatoire sur un cycle

Chaîne finie, graphe non orienté : une seule distribution

stationnaire, qui ne peut être qu’uniforme par symétries.

Si n est pair : la chaîne est périodique de période 2, et il

ne peut pas y avoir de convergence vers l’uniforme pour
la chaîne partant d’un sommet donné.
Si n est impair : la chaîne est apériodique, il y a bien
convergence vers l’uniforme; intuitivement, on se doute
que, si n est grand, il va falloir “longtemps” pour que la
chaîne “oublie” la parité de son sommet de départ.

Aléa 06 - Chaînes de Markov – p. 15/3

 Recherche des lois limites
Problème : étant donnée une chaîne de Markov (qu’on
peut supposer ergodique), identifier sa loi stationnaire.

Aléa 06 - Chaînes de Markov – p. 16/3

 Recherche des lois limites
Problème : étant donnée une chaîne de Markov (qu’on
peut supposer ergodique), identifier sa loi stationnaire.

C’est naturellement l’unique vecteur propre gauche (à

coefficients positifs, normalisé) de la matrice des
probabilités de transition, pour la valeur propre 1.

Aléa 06 - Chaînes de Markov – p. 16/3

 Recherche des lois limites
Problème : étant donnée une chaîne de Markov (qu’on
peut supposer ergodique), identifier sa loi stationnaire.

C’est naturellement l’unique vecteur propre gauche (à

coefficients positifs, normalisé) de la matrice des
probabilités de transition, pour la valeur propre 1.
Condition d’équilibre : π = (πu )u∈V est la loi
stationnaire si et seulement si, pour tout v ,
X
π(u)puv = π(v)
u

Aléa 06 - Chaînes de Markov – p. 16/3

 Recherche des lois limites
Problème : étant donnée une chaîne de Markov (qu’on
peut supposer ergodique), identifier sa loi stationnaire.

C’est naturellement l’unique vecteur propre gauche (à

coefficients positifs, normalisé) de la matrice des
probabilités de transition, pour la valeur propre 1.
Condition d’équilibre : π = (πu )u∈V est la loi
stationnaire si et seulement si, pour tout v ,
X
π(u)puv = π(v)
u

En particulier, si (et seulement si) le graphe (non orienté)

est régulier, la marche aléatoire non biaisée laisse
invariante la distribution uniforme.

Aléa 06 - Chaînes de Markov – p. 16/3

 Recherche des lois limites
Problème : étant donnée une chaîne de Markov (qu’on
peut supposer ergodique), identifier sa loi stationnaire.

C’est naturellement l’unique vecteur propre gauche (à

coefficients positifs, normalisé) de la matrice des
probabilités de transition, pour la valeur propre 1.
Condition d’équilibre : π = (πu )u∈V est la loi
stationnaire si et seulement si, pour tout v ,
X
π(u)puv = π(v)
u

Dans le cas d’un graphe orienté, la condition devient que

les degrés entrants soient uniformes.

Aléa 06 - Chaînes de Markov – p. 16/3

 Lois limites: le cas réversible
Proposition : si π est une distribution de probabilités qui
vérifie, pour tout couple de sommets (u, v), la condition
d’équilibre local (detailed balance condition) :
π(u)pu,v = π(v)pv,u ,
alors π est une distribution stationnaire.

Aléa 06 - Chaînes de Markov – p. 17/3

 Lois limites: le cas réversible
Proposition : si π est une distribution de probabilités qui
vérifie, pour tout couple de sommets (u, v), la condition
d’équilibre local (detailed balance condition) :
π(u)pu,v = π(v)pv,u ,
alors π est une distribution stationnaire.

Preuve : en sommant sur u, le membre droit devient π(v).

Aléa 06 - Chaînes de Markov – p. 17/3

 Lois limites: le cas réversible
Proposition : si π est une distribution de probabilités qui
vérifie, pour tout couple de sommets (u, v), la condition
d’équilibre local (detailed balance condition) :
π(u)pu,v = π(v)pv,u ,
alors π est une distribution stationnaire.

Preuve : en sommant sur u, le membre droit devient π(v).

(chaîne réversible - time-reversible)

Aléa 06 - Chaînes de Markov – p. 17/3

 Lois limites: le cas réversible
Proposition : si π est une distribution de probabilités qui
vérifie, pour tout couple de sommets (u, v), la condition
d’équilibre local (detailed balance condition) :
π(u)pu,v = π(v)pv,u ,
alors π est une distribution stationnaire.

Preuve : en sommant sur u, le membre droit devient π(v).

(chaîne réversible - time-reversible)
Conséquence : si la matrice des probabilités de transition
est symétrique, la distribution uniforme est stationnaire.

Aléa 06 - Chaînes de Markov – p. 17/3

 Lois limites: le cas réversible
Proposition : si π est une distribution de probabilités qui
vérifie, pour tout couple de sommets (u, v), la condition
d’équilibre local (detailed balance condition) :
π(u)pu,v = π(v)pv,u ,
alors π est une distribution stationnaire.

Preuve : en sommant sur u, le membre droit devient π(v).

(chaîne réversible - time-reversible)
En particulier, sur un graphe (connexe) non régulier de
degré maximum ∆, on obtient une marche aléatoire dont la
distribution stationnaire est uniforme en posant
puv = 1/∆ si u et v sont voisins
puu = 1 − deg(u)/∆
Aléa 06 - Chaînes de Markov – p. 17/3
 Choix d’une chaîne
Étant donné un ensemble fini V , créer une chaîne de
Markov d’ensemble d’états V dont la distribution converge
vers la distribution uniforme, c’est “facile” :

Aléa 06 - Chaînes de Markov – p. 18/3

 Choix d’une chaîne
Étant donné un ensemble fini V , créer une chaîne de
Markov d’ensemble d’états V dont la distribution converge
vers la distribution uniforme, c’est “facile” :
définir un graphe non orienté, connexe, dont les
sommets sont les éléments de V ;

Aléa 06 - Chaînes de Markov – p. 18/3

 Choix d’une chaîne
Étant donné un ensemble fini V , créer une chaîne de
Markov d’ensemble d’états V dont la distribution converge
vers la distribution uniforme, c’est “facile” :
définir un graphe non orienté, connexe, dont les
sommets sont les éléments de V ;
choisir arbitrairement des probabilités de transition
symétriques pu,v = pv,u , strictement positives, le long des
arêtes;

Aléa 06 - Chaînes de Markov – p. 18/3

 Choix d’une chaîne
Étant donné un ensemble fini V , créer une chaîne de
Markov d’ensemble d’états V dont la distribution converge
vers la distribution uniforme, c’est “facile” :
définir un graphe non orienté, connexe, dont les
sommets sont les éléments de V ;
choisir arbitrairement des probabilités de transition
symétriques pu,v = pv,u , strictement positives, le long des
arêtes;
P
compléter avec des boucles : pu,u = 1 − v6=u pu,v ; (il faut
s’assurer que les probabilités de boucle soient positives)

Aléa 06 - Chaînes de Markov – p. 18/3

 Choix d’une chaîne
Étant donné un ensemble fini V , créer une chaîne de
Markov d’ensemble d’états V dont la distribution converge
vers la distribution uniforme, c’est “facile” :
définir un graphe non orienté, connexe, dont les
sommets sont les éléments de V ;
choisir arbitrairement des probabilités de transition
symétriques pu,v = pv,u , strictement positives, le long des
arêtes;
P
compléter avec des boucles : pu,u = 1 − v6=u pu,v ; (il faut
s’assurer que les probabilités de boucle soient positives)
pour peu qu’au moins un des pu,u soit strictement positif,
c’est gagné, sinon il faut vérifier l’apériodicité.

Aléa 06 - Chaînes de Markov – p. 18/3

 Temps de mélange
Pour évaluer l’écart entre deux distributions (par
exemple, entre la distribution au temps n et la distribution
limite), on utilise la distance de variation totale :
0 0 1X
D(π, π ) = max |π(A) − π (A)| = |π(u) − π 0 (u)|
A⊂V 2
u∈V

Aléa 06 - Chaînes de Markov – p. 19/3

 Temps de mélange
Pour évaluer l’écart entre deux distributions (par
exemple, entre la distribution au temps n et la distribution
limite), on utilise la distance de variation totale :
0 0 1X
D(π, π ) = max |π(A) − π (A)| = |π(u) − π 0 (u)|
A⊂V 2
u∈V
(t)
Pour u ∈ V et t ∈ N, on pose δu (t) = D(pu,. , π).
(δu (t)
mesure combien la chaîne, partant de u, est encore loin
de sa distribution limite au temps t.)

Aléa 06 - Chaînes de Markov – p. 19/3

 Temps de mélange
Pour évaluer l’écart entre deux distributions (par
exemple, entre la distribution au temps n et la distribution
limite), on utilise la distance de variation totale :
0 0 1X
D(π, π ) = max |π(A) − π (A)| = |π(u) − π 0 (u)|
A⊂V 2
u∈V
(t)
Pour u ∈ V et t ∈ N, on pose δu (t) = D(pu,. , π).
Temps de mélange :
τu () = min{t : δu (t0 ) ≤  pour tout t0 ≥ t}

Aléa 06 - Chaînes de Markov – p. 19/3

 Temps de mélange
Pour évaluer l’écart entre deux distributions (par
exemple, entre la distribution au temps n et la distribution
limite), on utilise la distance de variation totale :
0 0 1X
D(π, π ) = max |π(A) − π (A)| = |π(u) − π 0 (u)|
A⊂V 2
u∈V
(t)
Pour u ∈ V et t ∈ N, on pose δu (t) = D(pu,. , π).
Temps de mélange :
τu () = min{t : δu (t0 ) ≤  pour tout t0 ≥ t}
(à partir de τu (), la chaîne partie de u ne sera plus
jamais à distance plus grande que  de π )

Aléa 06 - Chaînes de Markov – p. 19/3

 Temps de mélange
Pour évaluer l’écart entre deux distributions (par
exemple, entre la distribution au temps n et la distribution
limite), on utilise la distance de variation totale :
0 0 1X
D(π, π ) = max |π(A) − π (A)| = |π(u) − π 0 (u)|
A⊂V 2
u∈V
(t)
Pour u ∈ V et t ∈ N, on pose δu (t) = D(pu,. , π).
Temps de mélange :
τu () = min{t : δu (t0 ) ≤  pour tout t0 ≥ t}
Pour uniformiser les choses, on pose τ () = maxu∈V τu ()
(quelle que soit sa distribution de départ, à partir du
temps τ () la chaîne ne sera plus jamais à distance > 
de π )
Aléa 06 - Chaînes de Markov – p. 19/3
 Mélange rapide
Typiquement, V = Vn (on définit une famille, indexée par
des tailles, de chaînes sur des ensembles de plus en plus
grands). On dit que cette famille de chaînes de Markov est
rapidement mélangeante, si τ (n) () ne croît pas trop vite
lorsque n tend vers l’infini et  vers 0 :
τ (n) () ≤ poly(n, log(1/)).
(Typiquement, #Vn est exponentiel en n)

Aléa 06 - Chaînes de Markov – p. 20/3

 Mélange rapide
Typiquement, V = Vn (on définit une famille, indexée par
des tailles, de chaînes sur des ensembles de plus en plus
grands). On dit que cette famille de chaînes de Markov est
rapidement mélangeante, si τ (n) () ne croît pas trop vite
lorsque n tend vers l’infini et  vers 0 :
τ (n) () ≤ poly(n, log(1/)).
(Typiquement, #Vn est exponentiel en n)

Deux questions naturelles :

Aléa 06 - Chaînes de Markov – p. 20/3

 Mélange rapide
Typiquement, V = Vn (on définit une famille, indexée par
des tailles, de chaînes sur des ensembles de plus en plus
grands). On dit que cette famille de chaînes de Markov est
rapidement mélangeante, si τ (n) () ne croît pas trop vite
lorsque n tend vers l’infini et  vers 0 :
τ (n) () ≤ poly(n, log(1/)).
(Typiquement, #Vn est exponentiel en n)

Deux questions naturelles :

comment prouve-t-on qu’une chaîne est, ou non,

rapidement mélangeante ?

Aléa 06 - Chaînes de Markov – p. 20/3

 Mélange rapide
Typiquement, V = Vn (on définit une famille, indexée par
des tailles, de chaînes sur des ensembles de plus en plus
grands). On dit que cette famille de chaînes de Markov est
rapidement mélangeante, si τ (n) () ne croît pas trop vite
lorsque n tend vers l’infini et  vers 0 :
τ (n) () ≤ poly(n, log(1/)).
(Typiquement, #Vn est exponentiel en n)

Deux questions naturelles :

comment prouve-t-on qu’une chaîne est, ou non,

rapidement mélangeante ?
comment construire des chaînes les plus rapidement
mélangeantes possible ?
Aléa 06 - Chaînes de Markov – p. 20/3
 Mélange rapide et valeurs propres
Proposition: si la chaîne est réversible et si sa matrice de
probabilités de transitions a pour valeurs propres
1 = λ0 > λ1 ≥ . . . ≥ λN −1 , en posant λ = max(|λ1 |, |λN −1 |)
on a, indépendamment de l’état de départ,
t π(v)
|P(Xt = v) − π(v)| ≤ λ
minu π(u)

Aléa 06 - Chaînes de Markov – p. 21/3

 Mélange rapide et valeurs propres
Proposition: si la chaîne est réversible et si sa matrice de
probabilités de transitions a pour valeurs propres
1 = λ0 > λ1 ≥ . . . ≥ λN −1 , en posant λ = max(|λ1 |, |λN −1 |)
on a, indépendamment de l’état de départ,
t π(v)
|P(Xt = v) − π(v)| ≤ λ
minu π(u)
Conséquence: δ(t) ≤ λt / minu π(u), et
    
1 1 1
τ () ≤ ln + ln
1−λ  minu π(u)

Aléa 06 - Chaînes de Markov – p. 21/3

 Mélange rapide et valeurs propres
Proposition: si la chaîne est réversible et si sa matrice de
probabilités de transitions a pour valeurs propres
1 = λ0 > λ1 ≥ . . . ≥ λN −1 , en posant λ = max(|λ1 |, |λN −1 |)
on a, indépendamment de l’état de départ,
t π(v)
|P(Xt = v) − π(v)| ≤ λ
minu π(u)
Conséquence: δ(t) ≤ λt / minu π(u), et
    
1 1 1
τ () ≤ ln + ln
1−λ  minu π(u)
En d’autres termes, on a mélange rapide dès que
β
−α
λ = 1 − Ω(n ) et π(u) = Ω(e −n )

Aléa 06 - Chaînes de Markov – p. 21/3

 Preuve
p
Soit D la matrice diagonale Du,v = δuv π(u); la matrice
A = D.P.D −1 est symétrique, avec les mêmes valeurs
propres que P , donc diagonalisable dans une base
orthonormale :
X
A = D.P.D =−1
λi E(i)
0≤i<N

Aléa 06 - Chaînes de Markov – p. 22/3

 Preuve
p
Soit D la matrice diagonale Du,v = δuv π(u); la matrice
A = D.P.D −1 est symétrique, avec les mêmes valeurs
propres que P , donc diagonalisable dans une base
orthonormale :
X
A = D.P.D =−1
λi E(i)
0≤i<N

(chaque matrice E(i) est la projection sur une direction

propre, E(0) projette sur le vecteur π )

Aléa 06 - Chaînes de Markov – p. 22/3

 Preuve
p
Soit D la matrice diagonale Du,v = δuv π(u); la matrice
A = D.P.D −1 est symétrique, avec les mêmes valeurs
propres que P , donc diagonalisable dans une base
orthonormale :
X
A = D.P.D =−1
λi E(i)
0≤i<N

s
t π(v) X t (i) (i)
Pu,v = π(v) + λ i eu ev
π(u)
0<i<N

Aléa 06 - Chaînes de Markov – p. 22/3

 Preuve
p
Soit D la matrice diagonale Du,v = δuv π(u); la matrice
A = D.P.D −1 est symétrique, avec les mêmes valeurs
propres que P , donc diagonalisable dans une base
orthonormale :
X
A = D.P.D =−1
λi E(i)
0≤i<N

s
t π(v) X t (i) (i)
Pu,v = π(v) + λ i eu ev
π(u)
0<i<N

d’où
t π(v) X (i) (i) λt π(v)
|Pu,v − π(v)| ≤ p λt |eu |.|ev | ≤
π(u)π(v) minw π(w)
0<i<N
Aléa 06 - Chaînes de Markov – p. 22/3
 Conductance
Pour une arête e = (u, v), Q(e) = π(u)pu,v représente la
probabilité (stationnaire) d’être en u et de passer en v en
une transition. Pour deux parties S et S 0 de V , on définit
X
0
Q(S, S ) = Q(u, v)
u∈S,v∈S 0

qui est la probabilité de passer de S à S 0 en un pas de la

chaîne.
La conductance de la chaîne est définie par
Q(S, S)
Φ = min
π(S)≤1/2 π(S)

(le minimum, sur tous les “petits” ensembles S , de la

probabilité de sortir de S sachant qu’on est dans S )
Aléa 06 - Chaînes de Markov – p. 23/3
 Conductance
“Intuitivement” (Jerrum & Sinclair, 1989), si Φ n’est pas trop
petite, aucune partie S de V n’est telle qu’il est “difficile”
d’en sortir, donc la chaîne devrait mélanger assez
rapidement. . .
Théoreme (Jerrum, Sinclair) La seconde valeur propre
d’une chaîne inversible, de probabilités de boucle au moins
1/2, vérifie
Φ2
1 − 2Φ ≤ λ ≤ 1 −
2

Aléa 06 - Chaînes de Markov – p. 24/3

 Chemins canoniques
Une technique d’évaluation (minoration) de la conductance,
est celle des chemins canoniques : pour chaque paire
d’états (u, v), on choisit dans le graphe un chemin γuv de u
à v (i.e., une suite de transitions possibles de la chaîne
permettant de passer de l’état u à l’état v ).

Aléa 06 - Chaînes de Markov – p. 25/3

 Chemins canoniques
Une technique d’évaluation (minoration) de la conductance,
est celle des chemins canoniques : pour chaque paire
d’états (u, v), on choisit dans le graphe un chemin γuv de u
à v (i.e., une suite de transitions possibles de la chaîne
permettant de passer de l’état u à l’état v ). La “charge”
d’une transition e = (u, v) est alors
1 X
ρ(e) = π(u)π(v)|γuv |
Q(e)
(u,v):e∈γuv

avec Q(e) = π(u)pu,v = π(v)pv,u , et on pose

ρ = max ρ(e)
e

Aléa 06 - Chaînes de Markov – p. 25/3

 Chemins canoniques

Théorème (Jerrum, Sinclair) Pour tout choix de chemins,

on a     
1 1
τ () ≤ ρ ln + ln
minu πu 

Aléa 06 - Chaînes de Markov – p. 26/3

 Chemins canoniques

Théorème (Jerrum, Sinclair) Pour tout choix de chemins,

on a     
1 1
τ () ≤ ρ ln + ln
minu πu 

(Le choix judicieux des chemins, et surtout l’analyse de ρ,

sont assez complexes)

Aléa 06 - Chaînes de Markov – p. 26/3

 Quelques exemples
colorations d’un graphe
couplages d’un graphe

Aléa 06 - Chaînes de Markov – p. 27/3

 Colorations d’un graphe
On considère un graphe G à n sommets, de degré maximal
∆, et un entier ∆0 > ∆.
CG (états) : ensemble des ∆0 -colorations de G;

Aléa 06 - Chaînes de Markov – p. 28/3

 Colorations d’un graphe
On considère un graphe G à n sommets, de degré maximal
∆, et un entier ∆0 > ∆.
CG (états) : ensemble des ∆0 -colorations de G;
π : distribution uniforme sur CG ;

Aléa 06 - Chaînes de Markov – p. 28/3

 Colorations d’un graphe
On considère un graphe G à n sommets, de degré maximal
∆, et un entier ∆0 > ∆.
CG (états) : ensemble des ∆0 -colorations de G;
π : distribution uniforme sur CG ;
transitions : entre deux colorations c et c0 si et seulement
si c et c0 diffèrent en un seul sommet de G; on pose alors
1
Pc,c0 = 2n∆ 0 (Pc,c = . . . ≥ 1/2)

Aléa 06 - Chaînes de Markov – p. 28/3

 Colorations d’un graphe
On considère un graphe G à n sommets, de degré maximal
∆, et un entier ∆0 > ∆.
CG (états) : ensemble des ∆0 -colorations de G;
π : distribution uniforme sur CG ;
Algorithme de transition : c l’état courant;
avec probabilité 1/2, poser c0 et terminer;
choisir un sommet aléatoire uniforme u et une couleur
aléatoire uniforme i;
si i est une couleur légale pour u (i.e., aucun voisin de
u n’est de couleur i), c0 est obtenu en recoloriant u en i,
sinon c0 = c

Aléa 06 - Chaînes de Markov – p. 28/3

 Colorations d’un graphe
Pc,c0 = Pc0 ,c : la chaîne est inversible avec π comme
distribution stationnaire.

Aléa 06 - Chaînes de Markov – p. 29/3

 Colorations d’un graphe
Pc,c0 = Pc0 ,c : la chaîne est inversible avec π comme
distribution stationnaire.
Les probabilités de boucles sont toutes au moins 1/2.

Aléa 06 - Chaînes de Markov – p. 29/3

 Colorations d’un graphe
Pc,c0 = Pc0 ,c : la chaîne est inversible avec π comme
distribution stationnaire.
Les probabilités de boucles sont toutes au moins 1/2.
Si ∆0 est assez grand, le graphe des colorations est
connexe; ∆0 ≥ ∆ + 1 suffit (étant données deux
colorations c et c0 , on forme facilement un chemin de
longueur au plus n∆ de c à c0 ) (exercice!)

Aléa 06 - Chaînes de Markov – p. 29/3

 Colorations d’un graphe
Pc,c0 = Pc0 ,c : la chaîne est inversible avec π comme
distribution stationnaire.
Les probabilités de boucles sont toutes au moins 1/2.
Si ∆0 est assez grand, le graphe des colorations est
connexe; ∆0 ≥ ∆ + 1 suffit (étant données deux
colorations c et c0 , on forme facilement un chemin de
longueur au plus n∆ de c à c0 ) (exercice!)

Donc dans ce cas, la chaîne converge vers la distribution

uniforme sur CG .

Aléa 06 - Chaînes de Markov – p. 29/3

 Colorations d’un graphe
Pc,c0 = Pc0 ,c : la chaîne est inversible avec π comme
distribution stationnaire.
Les probabilités de boucles sont toutes au moins 1/2.
Si ∆0 est assez grand, le graphe des colorations est
connexe; ∆0 ≥ ∆ + 1 suffit (étant données deux
colorations c et c0 , on forme facilement un chemin de
longueur au plus n∆ de c à c0 ) (exercice!)

Donc dans ce cas, la chaîne converge vers la distribution

uniforme sur CG .
Que peut-on dire de la vitesse de convergence ?

Aléa 06 - Chaînes de Markov – p. 29/3

 Colorations d’un graphe
Pc,c0 = Pc0 ,c : la chaîne est inversible avec π comme
distribution stationnaire.
Les probabilités de boucles sont toutes au moins 1/2.
Si ∆0 est assez grand, le graphe des colorations est
connexe; ∆0 ≥ ∆ + 1 suffit (étant données deux
colorations c et c0 , on forme facilement un chemin de
longueur au plus n∆ de c à c0 ) (exercice!)

Donc dans ce cas, la chaîne converge vers la distribution

uniforme sur CG .
Que peut-on dire de la vitesse de convergence ?
(Si ∆0 < 2∆: ?)

Aléa 06 - Chaînes de Markov – p. 29/3

 Colorations d’un graphe
Pc,c0 = Pc0 ,c : la chaîne est inversible avec π comme
distribution stationnaire.
Les probabilités de boucles sont toutes au moins 1/2.
Si ∆0 est assez grand, le graphe des colorations est
connexe; ∆0 ≥ ∆ + 1 suffit (étant données deux
colorations c et c0 , on forme facilement un chemin de
longueur au plus n∆ de c à c0 ) (exercice!)

Donc dans ce cas, la chaîne converge vers la distribution

uniforme sur CG .
Que peut-on dire de la vitesse de convergence ?
Si ∆0 ≥ 2∆, mélange rapide, avec τ () ≤ n∆ ln(n/) si
∆0 > 2∆

Aléa 06 - Chaînes de Markov – p. 29/3

 Couplages d’un graphe
G un graphe (simple, non orienté, sans boucles, n
sommets) dont les arêtes ont des poids w(e), CG ensemble
des couplages (matchings) de G.
Y
w(m) = w(e)
e∈m
w(m)
π(m) = P 0
m0 ∈CG w(m )

On fabrique facilement une chaîne de Markov ergodique,

réversible, dont π soit la distibution stationnaire/limite.

Aléa 06 - Chaînes de Markov – p. 30/3

 Couplages: Chaîne de Markov
Algorithme de transition: dans l’état m:
Avec probabilité 1/2, ne rien faire (m0 = m);
Choisir une arête e = (u, v) uniforme;
Déterminer un nouveau couplage m00 :
si e ∈ m, m00 = m − e
si u et v sont libres dans m, m00 = m + e
si un seul de u et v est libre dans m, et si l’autre est
incident à une arête e0 , m00 = m − e0 + e
sinon, m00 = m
m0 = m00 avec probabilité min(1, w(m0 )/w(m)), sinon
m 0 = m.

Aléa 06 - Chaînes de Markov – p. 31/3

 Couplages: Chaîne de Markov
Algorithme de transition: dans l’état m:
Avec probabilité 1/2, ne rien faire (m0 = m);
Choisir une arête e = (u, v) uniforme;
Déterminer un nouveau couplage m00 :
si e ∈ m, m00 = m − e (↓-transition)
si u et v sont libres dans m, m00 = m + e
si un seul de u et v est libre dans m, et si l’autre est
incident à une arête e0 , m00 = m − e0 + e
sinon, m00 = m
m0 = m00 avec probabilité min(1, w(m0 )/w(m)), sinon
m 0 = m.

Aléa 06 - Chaînes de Markov – p. 31/3

 Couplages: Chaîne de Markov
Algorithme de transition: dans l’état m:
Avec probabilité 1/2, ne rien faire (m0 = m);
Choisir une arête e = (u, v) uniforme;
Déterminer un nouveau couplage m00 :
si e ∈ m, m00 = m − e (↓-transition)
si u et v sont libres dans m, m00 = m + e (↑-transition)
si un seul de u et v est libre dans m, et si l’autre est
incident à une arête e0 , m00 = m − e0 + e
sinon, m00 = m
m0 = m00 avec probabilité min(1, w(m0 )/w(m)), sinon
m 0 = m.

Aléa 06 - Chaînes de Markov – p. 31/3

 Couplages: Chaîne de Markov
Algorithme de transition: dans l’état m:
Avec probabilité 1/2, ne rien faire (m0 = m);
Choisir une arête e = (u, v) uniforme;
Déterminer un nouveau couplage m00 :
si e ∈ m, m00 = m − e (↓-transition)
si u et v sont libres dans m, m00 = m + e (↑-transition)
si un seul de u et v est libre dans m, et si l’autre est
incident à une arête e0 , m00 = m − e0 + e (↔-transition)
sinon, m00 = m
m0 = m00 avec probabilité min(1, w(m0 )/w(m)), sinon
m 0 = m.

Aléa 06 - Chaînes de Markov – p. 31/3

 Couplages: Chaîne de Markov
Algorithme de transition: dans l’état m:
Avec probabilité 1/2, ne rien faire (m0 = m);
Choisir une arête e = (u, v) uniforme;
Déterminer un nouveau couplage m00 :
si e ∈ m, m00 = m − e (↓-transition)
si u et v sont libres dans m, m00 = m + e (↑-transition)
si un seul de u et v est libre dans m, et si l’autre est
incident à une arête e0 , m00 = m − e0 + e (↔-transition)
sinon, m00 = m
m0 = m00 avec probabilité min(1, w(m0 )/w(m)), sinon
m 0 = m.
(algorithme de Metropolis)
Aléa 06 - Chaînes de Markov – p. 31/3
Chemins canoniques pour les couplages
On doit trouver, pour deux couplages m et m0 quelconques,
un chemin γmm0 : une suite de transitions qui fasse passer
de m à m0 , en essayant de faire en sorte que

Aléa 06 - Chaînes de Markov – p. 32/3

Chemins canoniques pour les couplages
On doit trouver, pour deux couplages m et m0 quelconques,
un chemin γmm0 : une suite de transitions qui fasse passer
de m à m0 , en essayant de faire en sorte que
les chemins ne soient pas trop longs

Aléa 06 - Chaînes de Markov – p. 32/3

Chemins canoniques pour les couplages
On doit trouver, pour deux couplages m et m0 quelconques,
un chemin γmm0 : une suite de transitions qui fasse passer
de m à m0 , en essayant de faire en sorte que
les chemins ne soient pas trop longs
ils évitent de trop utiliser certaines transitions

Aléa 06 - Chaînes de Markov – p. 32/3

Chemins canoniques pour les couplages
On doit trouver, pour deux couplages m et m0 quelconques,
un chemin γmm0 : une suite de transitions qui fasse passer
de m à m0 , en essayant de faire en sorte que
les chemins ne soient pas trop longs
ils évitent de trop utiliser certaines transitions
Par exemple, le choix consistant, pour passer de m à m0 , à
passer systématiquement par le couplage vide est
probablement mauvais : les arêtes incidentes au couplage
vide seront très chargées.

Aléa 06 - Chaînes de Markov – p. 32/3

Chemins canoniques pour couplages
m et m0 étant donnés : Z = m ⊕ m0
Dans Z , chaque sommet est de degré 0, 1 ou 2 : ensemble
de chemins et de cycles.

Aléa 06 - Chaînes de Markov – p. 33/3

Chemins canoniques pour couplages
m et m0 étant donnés : Z = m ⊕ m0
Dans Z , chaque sommet est de degré 0, 1 ou 2 : ensemble
de chemins et de cycles.
Ingrédients :
définir un ordre total entre ces chemins et cycles;

Aléa 06 - Chaînes de Markov – p. 33/3

Chemins canoniques pour couplages
m et m0 étant donnés : Z = m ⊕ m0
Dans Z , chaque sommet est de degré 0, 1 ou 2 : ensemble
de chemins et de cycles.
Ingrédients :
définir un ordre total entre ces chemins et cycles;
“détricoter” chacun des chemins et cycles, pour passer
de m à m0 :

Aléa 06 - Chaînes de Markov – p. 33/3

Chemins canoniques pour couplages
m et m0 étant donnés : Z = m ⊕ m0
Dans Z , chaque sommet est de degré 0, 1 ou 2 : ensemble
de chemins et de cycles.
Ingrédients :
définir un ordre total entre ces chemins et cycles;
“détricoter” chacun des chemins et cycles, pour passer
de m à m0 :
pour un cycle, commencer par une ↓-transition (on
obtient un chemin)

Aléa 06 - Chaînes de Markov – p. 33/3

Chemins canoniques pour couplages
m et m0 étant donnés : Z = m ⊕ m0
Dans Z , chaque sommet est de degré 0, 1 ou 2 : ensemble
de chemins et de cycles.
Ingrédients :
définir un ordre total entre ces chemins et cycles;
“détricoter” chacun des chemins et cycles, pour passer
de m à m0 :
pour un cycle, commencer par une ↓-transition (on
obtient un chemin)
pour un chemin, une suite de ↔-transitions,
éventuellement suivie par une ↑- ou ↓-transition

Aléa 06 - Chaînes de Markov – p. 33/3

Chemins canoniques pour couplages
m et m0 étant donnés : Z = m ⊕ m0
Dans Z , chaque sommet est de degré 0, 1 ou 2 : ensemble
de chemins et de cycles.
Ingrédients :
définir un ordre total entre ces chemins et cycles;
“détricoter” chacun des chemins et cycles, pour passer
de m à m0 :
pour un cycle, commencer par une ↓-transition (on
obtient un chemin)
pour un chemin, une suite de ↔-transitions,
éventuellement suivie par une ↑- ou ↓-transition
(Jerrum & Sinclair: pour w(e) = λ, ρ ≤ 4m.n. max(1, λ))

Aléa 06 - Chaînes de Markov – p. 33/3