Académique Documents
Professionnel Documents
Culture Documents
P12 = 0,25
P21 = 0,5
Jour j+1
E1 E2
t
Soit i : probabilité d’état en fonction du temps. C’est la probabilité de se
trouver dans l’état i à l’instant t.
Or la probabilité d’être dans l’état E1 au jour j+1 est égale à :
1j 1 1j P11 2j P21 .
11 10 P11 20 P21
Nous pouvons donc écrire : .
21 10 P12 20 P22
P P
( 1j ; 2j ) ( 1j 1 ; 2j 1 ). 11 12 .
j
P21 P22
Deux cas se présentent :
Jour 0 1 2 3 4 5 6 7 8 9
E1 1 0,75 0,6875 0,6718 0,6679 0,66699 0,66678 0,66668 0,66667 0,6666 2/3
E2 0 0,25 0,3125 0,3282 0,3321 0,33301 0,33322 0,33332 0,33333 0,3333 1/3
Jour 0 1 2 3 4 5 6 7 8 9
4.2.1 Définition
1 t
2
3
i
Pij
j
État m
-
On connaît un vecteur de probabilité initial : 0 10 ,... m0 , donnant la
probabilité d’être dans chacun des m états au temps t.
E2 0 0 1/ 4 3 / 4
E3 1 / 2 0 1 / 2 0
E4 0 0
0 1
4.2.2.2 Graphe de transition
1/6
1/2 E2
E1
1/2
1/4
1/3
3/4
E4 E3 1/2
1
Transition en 2 étapes :
Comme il est montré dans la figure ci-après, l’étape intermédiaire à t+1 peut
se faire en n’importe lequel des états Ek (k = 1…m). La probabilité de transition
de i à j en 2 étapes que nous désignerons par : Pij( 2 ) prendra donc en compte toutes
ces possibilités d’état intermédiaire, donc :
Pij( 2) Pi1 .P1 j Pi 2 .P2 j ......... Pim .Pmj
m
d’où : Pij( 2) Pik .Pkj
k 1
t t+1 t+2
1
2
3
i
j
État m
Comme l’on a déjà mentionné le vecteur d’état est le vecteur dont les
éléments sont les m probabilités d’être dans chacun des m états à un instant
donné.
Nous avons déjà établi une relation très importante qui exprime le vecteur
d’état à l’instant j+1 en fonction du vecteur d’état à l’instant précédent j :
j 1 j Pij
Si nous connaissons le vecteur d’état initial à l’instant t = 0, nous pouvons
facilement déduire le vecteur d’état, une transition plus tard : 1 0 Pij
Nous verrons que nous utiliserons beaucoup cette très importante relation.
Remarque :
Ceci correspond tout à fait au calcul que nous avions fait dans l’exemple de la
machine à café où nous avions seulement deux états et donc une matrice de
transition de dimension 2x2. Les multiplications successives de notre vecteur
d’état par cette matrice nous avaient permis de déterminer les probabilités
d’avoir ou de ne pas avoir du café.
Nous avions également vu dans cet exemple que la probabilité de se trouver
dans l’état E1 ou dans l’état E2 tendait vers les limites 2 3 et 1 3 lorsque t tendait
vers l’infini.
Nous allons bien évidemment nous demander, ici également, si le vecteur
n tendait vers une limite quand n tend vers l’infini.
Nous allons voir qu’il ne sera généralement pas nécessaire de multiplier une
infinité de fois la matrice de transition Pij par elle-même pour le savoir.
4.3.1 Définition
Une matrice stochastique (M) est dite régulière s’il existe une puissance k
quelconque de (M) telle que tous les éléments de M sont strictement positifs.
k
0 1 1/ 2 1/ 2
M M
2
;
1/ 2 1/ 2 1/ 4 3 / 4
Il existe k = 2 tel que (M)²0. Donc la matrice (M) est régulière.
1 0 1 0
M ; M
2
.
1/ 2 1/ 2 3 / 4 1/ 4
Toutes les puissances de (M) auront la même forme, donc non régulière.
On peut distinguer de différentes formes de matrice régulière et non
régulière :
0 a a b
; sont deux formes de matrices régulières.
b c c 0
a 0 a b
; sont deux formes de matrices non régulières.
b c 0 c
4.3.3 Propriétés
* * (M ) .
Soulignons que le vecteur limite ne dépend pas de l’état initial.
4.3.4 Détermination du vecteur limite (point fixe)
0 1
Exemple : soit M une matrice régulière.
1/ 2 1/ 2
D’après les propriétés des matrices stochastiques régulières, il doit exister un
vecteur de probabilité limite * 1* , 2* tel que 1* 2* 1.
0 1
Nous pouvons écrire que 1* , 2* 1 , 2 . Ceci nous donne un
* *
1/ 2 1/ 2
système de deux équations à deux inconnues, qui est très facile à résoudre.
1 *
2 2 1
*
* 1 * *
1 2 2 2
1 2
En plus de la relation 1* 2* 1, nous obtenons : * , .
3 3
Méthode de « Balance » :
C’est une autre façon d’écrire les relations tirées du produit matricielle :
* ( M ) . Elle se résume par la formule lapidaire : « ce qui sort d’un sommet est
*
0, 4 0,3 0,3
Exemple : soit M 0,1 0,8 0,1 , une matrice régulière.
0,1 0,3 0, 6
Il existe * 1* , 2* , 3* tel que 1* 2* 3* 1 .
7 5 35
0, 4 3 0,3 1 0,1 2
* * *
A B C D E F G H
A 0,1 0,3 0,6
B 0,2 0,4 0,4
C 1
D 0,8 0,2
E 0,4 0,1 0,5
F 0,3 0,5 0,2
G 1
H 1
C A E F G H B D
C 1
A 0,1 0,3 0,6
E 0,4 0,1 0,5
F 0,3 0,5 0,2
G 1
H 1
B 0,2 0,4 0,4
D 0,8 0,2
Les différents états des chaînes de MARKOV que nous utiliserons pourront
représenter entre autre plusieurs états d’usure. (ième état correspond au ième degré
d’usure)
En absence de réparation, l’évolution est généralement à sens unique : du
matériel neuf vers une usure de plus en plus avancée. S’il n’y aura pas
d’intervention, le matériel finira par tomber en panne et restera dans cet état de
panne qui est donc un état absorbant. Dans ce cas, la matrice sera triangulaire
supérieure.
Exemple :
Dans une importante société de transport, on veut suivre l’évolution des états
des pneus des autobus utilisés.
Selon la profondeur des empruntes, les pneus sont classés dans les quatre
états suivant :
- état 1 : h 10 mm pneu neuf
- état 2 : 5 h 10 mm pneu faiblement usée.
- état 3 : 1 h 5 mm pneu fortement usée.
E2 Transitoires
0 0, 4 0, 4 0, 2
E3 0 0 0,5 0,5
E4 0 1
Absorbant
0 0
a b
Cette matrice est de la forme : non régulière.
0 c
S’il y aura réparation, tous les pneus hors usage (se trouvant dans l’état 4)
vont être remplacés par des neufs (passage à l’état 1). La matrice de transition
avec réparation sera :
État à t+1
E1 E2 E3 E4
E1 0,3 0,5 0,1 0,1
État à t
E2
0 0, 4 0, 4 0, 2
E3 0 0 0,5 0,5
E4 1 0 0 0
a b
Elle est de la forme : régulière.
c 0
Il existe donc un vecteur de probabilité d’états limite * 1* , 2* , 3* , 4* tel
que 1 .
*
1
*
2
*
3
*
4
Après deux périodes nous aurons 28% des pneus hors d’usage. S’il n’y aura
pas d’intervention cette propagation va évidemment croître jusqu’à 100%.
En écrivant une expression identique pour les différentes akj (avec k non
absorbant), nous obtiendrons un système de t équations linéaires à t inconnues
qui nous permettra de déterminer les t probabilités aij correspondant aux t états
transitoires.
Exemple :
Supposons un système sans réparation pour lequel nous avons défini deux
états de fonctionnement (1 et 2) et deux états de panne (3 et 4). Supposons que la
matrice de transition soit :
0,3 0,5 0,1 0,1
Pij 0 0 1 0 .
0 0, 7 0,1 0, 2
0 1
0 0
Calculons les probabilités d’absorbtion par l’état 3 (rupture) :
- à partir de l’état 1 : a13 P13 P11.a13 P12 .a23 .
Or si k Ea, Nkj N jj 0 .
Il reste donc : nij Pik Pik nkj .Pik nij 1 nkj .Pik
kEa kEt kEt kEt
En écrivant une expression identique pour les différentes nkj (avec k non
absorbant), nous obtiendrons un système de t équations linéaires à t inconnues
qui nous permettra de déterminer les t probabilités nij correspondant aux t états
transitoires.
Exemple :
0, 4 0,5 0,1
Pij 0 0, 7 0,3 ; L’état 3 est absorbant.
0 1
0