Académique Documents
Professionnel Documents
Culture Documents
Chaı̂nes de Markov 2
2 Récurrence et transcience 2
3 Marches aléatoires 4
3.1 Marche aléatoire simple sur Zd . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.2 Marche aléatoire sur Z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
4 Théorèmes ergodiques 5
P̃ (x, y) = IP (f (x , U1 ) = y) = P (x , y).
Définition 8. Une probabilité π sur E est dite invariante (ou stationnaire) pour P si π = πP
La probabilité invariante n’existe pas toujours contrairement au cas où E est fini.
Exemple 9. Il n’existe pas de probabilité invariante à la marche aléatoire simple sur Z.
Supposons qu’il existe une probabilité invariante π. Alors pour tout n ∈ Z, π(n) = (π(n +
1) + π(n − 1))/2. D’où π(n + 1) − π(n) = π(n) − π(n − 1) = π(1) − π(0). Ce qui implique que
π(1) = π(0) = π(n) pour tout n ∈ Z. Impossible.
2 Récurrence et transcience
Soit (Xn ) une chaı̂ne de Markov sur un ensemble dénombrable E de probabilité de transition
P . On note (Xnx ) la chaı̂ne partant de X0 = x.
Pour x ∈ E, on introduit Txn la suite des instants sucessifs de retour en x définie par récurrence
pour n ≥ 1
Tx1 = Tx = inf{k > 0 : Xkx = x} Txn+1 = inf{k > Txn : Xkx = x}.
Avec la convention inf{∅} = ∞.
Définition 10. Soit Xnx une chaı̂ne de Markov partant de x ∈ E. L’état x est dit
1. transient pour P si IP (Tx < ∞) < 1 ,
2. récurrent pour P si IP (Tx < ∞) = 1 .
Les états récurrents peuvent être de deux types :
- les états récurrents nuls si IE[Tx ] = ∞,
- les états récurrents positifs si IE[Tx ] < ∞.
Les temps de passage sont reliés au nombre de visites Nx de la chaı̂ne dans un état par la
formule
∞
X
Nx = IXkx =x nombre de passage en x de la chaiı̂ne, Nx ≥ p + 1 ⇔ Txp < ∞,
k=0
n
X
Nxn = IXkx =x nombre de passage en x avant l’instant n, Nxn ≥ p + 1 ⇔ Txp ≤ n.
k=0
Corollaire 12. i) Si x est récurrent, la suite (Xnx ) revient presque surement une infinité de fois
à son état initial, i.e. IP (Nx = ∞) = 1 .
ii) Si x est transient, presque surement la suite (Xnx ) visite x un nombre fini de fois. Le
nombre de visite suit la loi géométrique
k≥1
X X
et G(x, t) = IE IXkx =x tk = P k (x, x)tk .
k≥1 k≥1
On remarem que U (x, 1) = IP (Tx < ∞), U 0 (x, 1) = IE [Tx ITx <∞ ] et G(x, 1) = IE[Nx ].
En utilisant la proposition 11, on a la relation suivante :
1
Théorème 13. Pour tout x ∈ E et 0 ≤ t < 1, G(x, t) = .
1 − U (x, t) P
En particulier, l’état x est récurrent si et seulement si G(x, 1) = k≥1 P k (x, x) = ∞.
n
Démonstration. On a k≥1 IXkx =x tk = 1 + n≥1 tTx ITxn <∞ et
P P
" n #
Tn Y k k−1
−T
n
t x x IT k −Txk−1 <∞ = IE tTx ITx <∞
T
IE t x ITxn <∞ = IE d’après la proposition 11
x
k=1
P n 1
D’où G(x, t) = 1 + n≥1 U (x, t) = 1−U (x,t) .
Dans le cas d’une probabilité de transition irréductible les notions de récurrence et de tran-
sience sont indépendantes du point choisi.
Proposition 14. Supposons P irréductible. Alors
i) tous les états sont de même nature (récurrents positifs, ou récurrents nuls, ou transients).
ii) dans le cas récurrent, tous les points de E sont visités infiniment souvent : pour x, y ∈ E
IP (Xnx = y pour un infinité de n) = 1 ,
iii) dans le cas transient, les sous-ensembles finis de E ne sont visités (qu’au plus) un nombre
fini de fois : pour A ⊂ E de cardinal fini
IP (Xn ∈ A pour une infinité de n) = 0 .
Exemple 15. Une chaı̂ne de Markov finie irréductible est récurrente positive.
3 Marches aléatoires
3.1 Marche aléatoire simple sur Zd
Soit (Xn ) une marche aléatoire simple sur Zd définie par Xn+1 = Xn + Un+1 , où (Ui ) sont
des variables indépendantes de loi uniforme dans {−ei , ei : 1 ≤ i ≤ d} avec (ei ) base de Zd .
Théorème 16. (Polya, 1921)
Pour d = 1 ou 2 la marche aléatoire (Xn ) est récurrente. Pour d ≥ 3, elle est transiente.
Démonstration. 1) Pour d = 1
On part de X0 = 0. Pour n impaire, on a P n (0, 0) = 0. Pour n = 2k,
2k 2k 1 1
P (0, 0) = P (autant de pas à gauche qu’à droite) = 2k
∼√ .
k 2 πk
Donc la série k≥1 P k (0, 0) diverge. La chaı̂ne est récurrente.
P
2) Pour d = 2
On note Xn = (Xn1 , Xn2 ) et Un = (Un1 , Un2 ).
Les variables Sn = Un1 + Un2 et Dn = Un1 − Un2 sont indépendantes et de même loi P (Sn =
1) = P (Sn = −1) = 1/2.
On a
P 2k (0, 0) = P (X2k
1 2
+ X2k 1
= X2k 2
− X2k = 0|X0 = 0)
1
= P (S1 + S2 + · · · + S2k = 0)P (D1 + D2 + · · · + D2k = 0) ∼ .
πk
D’où la récurrence.
3) Pour d ≥ 3
Vu les résultats obtenus en dimension 1et 2, on se doute que P 2k (0, 0) ∼ kcst
d/2 et donc que la
k
P
série k≥1 P (0, 0) va être convergente pour d ≥ 3. Voir Norris [3], pour le cas d = 3.
Autre approche (voir [1]) : soit Φ la fonction caractéristique des variables Un , on a
1
Φ(t) = IE [exp(i < t, U1 >)] = (cos(t1 ) + · · · + cos(td )).
d
1
ΦXn (t)dt = P (Xn = 0) et ΦXn (t) = Φn (t), on montre que
R
Comme par Fubini 2π d [−π,π]d
Z
X 1 dt
P 2k (0, 0) = d .
2π [−π,π]d 1 − Φ2 (t)
k≥0
4 Théorèmes ergodiques
Proposition 17. Si P est irréductible, alors P admet au plus une probabilité invariante. Si π
est une telle probabilité, π(x) > 0 pour tout x ∈ E.
Théorème 18. Soit P irréductible, alors
(i) Théorème ergodique : presque sûrement
n
1X 1
lim IXk =x = .
n→∞ n IE[Tx ]
k−0
Notons pour x ≥ 1
p0 p1 . . . px−1
λx = .
q1 q2 . . . q x
P
La chaı̂ne est récurrente positive si et seulement si x≥1 λx < ∞.
La probabilité invariante est alors
−1
X
π(0) = 1 + λx π(x) = π(0)λx .
x≥1
P (x, x − 1) = qx , P (x, x + 1) = px ,
avec qx + px = 1, px > 0, q0 = 0 et qx > 0 pour x ≥ 1.
Remarque 21. Si P est irréductible, apériodique, mais non nécessairement recurrente positive,
on a
1
lim IP (Xn = x ) = .
n→∞ IE[Tx ]
Proposition 22. On suppose que π charge tous les points de E. Alors la matrice P est réversible
par rapport à π. De plus elle est apériodique et irréductible si Q est irréductible.
Démonstration. Soient x 6= y deux états. Supposons que π(y)Q(y, x) < π(x)Q(x, y). Alors,
π(y)Q(y, x) π(y)Q(y, x)
P (x, y) = Q(x, y) = et P (y, x) = Q(y, x).
π(x)Q(x, y) π(x)
On a π(x)P (x, y) = π(y)P (y, x). La transition P est bien réversible par rapport à π.
Algorithme de Métropolis
Etape 0 : initialiser X0
Etape n + 1
1- sélection : choisir y avec la loi Q(Xn , dy)
2- tirer un nombre U au hasard dans [0, 1]
3- si U < R(Xn , y) accepter la sélection : Xn+1 = y
sinon, refuser la sélection : Xn+1 = Xn .
Remarque 23. Si on prend Q symétrique, il suffit alors de tester si π(y) < π(x).
Références
[1] Michel Benaı̈m, Nicole El Karoui, Promenade Aléatoire, Ed. Ecole Polytechnique.
[2] Bernard Ycart, Modèles et Algorithmes Markoviens, Ed. Springer.
[3] J. R. Norris, Markov Chains, Ed. Cambridge University Press.