Académique Documents
Professionnel Documents
Culture Documents
a) Matrice diagonalisable
Démonstration
Démontrons cette propriété par récurrence et notons Pn la proposition : « An = PDnP −1et
⎛ an 0 0 ⎞
⎜ ⎟
D = ⎜ 0 bn 0 ⎟ . »
n
⎜⎝ 0 0 cn ⎟⎠
⎛ a1 0 0 ⎞
⎜ ⎟
Initialisation : P1 est vraie, en effet : A1 = PD1P −1 avec D1 = ⎜ 0 b1 0 ⎟ .
⎜⎝ 0 0 c1 ⎟⎠
Hérédité : supposons Pn vraie pour un certain entier n , montrons que Pn +1 l’est aussi.
⎛ an 0 0 ⎞
⎜ ⎟
On a : An = PDnP −1et Dn = ⎜ 0 bn 0 ⎟.
⎜⎝ 0 0 cn ⎟⎠
( )( )
Alors : An +1 = An ⋅ A = PDnP −1 ⋅ PDP −1 = PDnP −1PDP −1 = PDnIDP −1 = PDn +1P −1.
Conclusion : Pn est initialisée et héréditaire donc elle est vraie pour tout n ∈ N* .
Remarque
Cette démonstration est à retenir et peut être utile dans certains exercices.
Exemple A
⎛ 0, 9 0 0,1 ⎞ ⎛ 1 0 0 ⎞
⎜ ⎟ ⎜ ⎟
Considérons A = ⎜ 0, 8 0, 2 0 ⎟ . On montre que : A = PDP −1 avec D = ⎜ 0 0, 3 0 ⎟ et
⎜ 0 0, 3 0,7 ⎟ ⎜⎝ 0 0 0,5 ⎟⎠
⎝ ⎠
⎛ 1 −1 −3 ⎞
P = ⎜⎜ 1 −8 −8 ⎟⎟ .
⎜⎝ 1 6 12 ⎟⎠
À l’aide de la calculatrice ou d’un autre outil, déterminer P −1. Quelle formule obtient-on alors pour An ?
Solution
À l’aide de WINS (http://wims.unice.fr/wims/wims.cgi) par exemple, on trouve :
⎛ 24 3 8 ⎞
⎜ ⎟
⎛ 1 −1 −3 ⎞ ⎛ 1 0 0 ⎞ ⎜ 35 35 35 ⎟
⎜ ⎟⎜ ⎟
On en déduit la formule : An = ⎜ 1 −8 −8 ⎟ ⎜ 0 0, 3n 0 ⎟⎜ 2 − 3 − 1 ⎟.
⎜ 7 14 14 ⎟
⎜⎝ 1 6 12 ⎟⎠ ⎜⎝ 0 0 0,5n ⎟⎠ ⎜ ⎟
⎜ −1 1 1 ⎟
⎜⎝ 5 10 10 ⎟⎠
Définition
On dit qu’une matrice N est une matrice nilpotente ; il existe un entier naturel k tel que N k = 0 .
Exemples
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
Les matrices N = ⎜ 0 0 ⎟ et N' = ⎜ 0 1 ⎟ vérifient : N 2 = ⎜ 0 0 ⎟ = 0 et N' 2 = 0 . Elles sont
⎝ 1 0 ⎠ ⎝ 0 0 ⎠ ⎝ 0 0 ⎠
donc nilpotentes.
Un calcul
⎛ ⎞ ⎛ ⎞
Soit une matrice A = ⎜ 1 0 ⎟ = I + 2N avec N = ⎜ 0 0 ⎟ .
⎝ 2 1 ⎠ ⎝ 1 0 ⎠
• Méthode 1 (récurrence)
Rappelons que N est une matrice nilpotentes et que : N 2 = 0 .
Notons Pn la proposition : « An = I + 2nN. »
Initialisation : P1 est vraie, en effet : A1 = I + 2I.
Hérédité : supposons Pn vraie pour un certain entier n , montrons que Pn +1 l’est aussi.
On a : An = I + 2nN. Ainsi :
( )(
An +1 = An ⋅ A = I + 2nN ⋅ I + 2N )
= I2 + 2N + 2nN + 4nN 2
= I + 2( n + 1)N + 0
= I + 2( n + 1)N
La proposition Pn +1 est donc vraie aussi.
Conclusion : Pn est initialisée et héréditaire donc elle est vraie pour tout n ∈ N* .
( )
n
• On peut utiliser la formule du binôme pour le calcul de A + B dès que A et B commutent mais
cette formule n’est pas au programme de mathématiques expertes.
Exemple
⎛ 0 1 ⎞
Déterminer les puissances J n de J = ⎜ ⎟ en fonction de la parité de n.
⎝ −1 0 ⎠
Solution
⎛ ⎞⎛ ⎞ ⎛ ⎞
Calculons J 2 puis J 3 et J 4. On a : J 2 = ⎜ 0 1 ⎟ ⎜ 0 1 ⎟ = ⎜ −1 0 ⎟ = −I
⎝ −1 0 ⎠ ⎝ −1 0 ⎠ ⎝ 0 −1 ⎠
donc J 3 = J 2 ⋅ J = −I ⋅ J = − J et J 4 = J 3 ⋅ J = − J ⋅ J = − J 2 = −( −I ) = I.
On peut alors conjecturer que pour n ∈ N, on a J 2n = ( −1)n I et J 2n +1 = ( −1)n J , on appelle Pn cette
proposition.
On la montre par récurrence sur n.
Remarque
Les techniques, remarques et méthodes vues ci-dessus s’appliquent indifféremment aux ordres 2 et 3.
Propriété
Soit un graphe G associé à sa matrice d’adjacence A .
( )
Le nombre de chaînes de longueur n menant du sommet i au sommet j est le coefficient i , j de la
matrice An .
Exemple
Combien de chaînes de 4 arêtes existe-t-il entre les sommets A et B ?
Solution
La matrice d’adjacence, avec les sommets A, B, C et D pris dans cet ordre, est :
⎛ 0 1 0 0 ⎞ ⎛ ⎞
2 4 2 1
⎜ ⎟ ⎜ ⎟
A = ⎜ 0 1 1 0 ⎟ , avec la calculatrice, on obtient A =
4 ⎜ 3 8 4 2 ⎟.
⎜ 1 1 0 1 ⎟ ⎜ 3 7 4 2 ⎟
⎜⎝ 1 0 0 0 ⎟⎠ ⎜ ⎟
⎝ 1 2 1 1 ⎠
Le nombre de chaînes de longueur 4 reliant les sommets A et B correspond au coefficient (1, 2) de la
4
matrice A c’est donc 4.
Chaque jour son état peut changer selon les règles suivantes :
• étant immunisé, il a une probabilité de 0,9 de le rester et de 0,1 de passer à l’état (R) ;
• étant malade, il a une probabilité de 0,2 de le rester et de 0,8 de devenir immunisé
• étant dans l’état (R), il a une probabilité de 0,7 de le rester et de 0,3 de devenir malade.
C’est un exemple typique de situation pouvant être modélisée à l’aide d’une chaîne de Markov.
Définition
Considérons un système (ici un individu) qui évolue aléatoirement entre différents états (M, R et I) avec
les propriétés suivantes :
• les évolutions se font à temps discret (par opposition au temps continu, notre système évolue chaque
jour) ;
• le système a un nombre fini d’états (ici : 3) ;
• le système n’a pas de mémoire, c’est-à-dire que, connaissant l’état n, l’état n + 1 est indépendant
des états qui ont précédé l’état n (par exemple, l’évolution à partir de l’état M ne dépend pas des états
précédents).
Pour modéliser de tels systèmes, on définit une chaîne de Markov comme la suite de variables aléatoires
X 0 ,X1,X 2 ,... qui décrivent les états du système à chaque instant. Dans notre exemple on aurait Xn : la
{ }
variable aléatoire à valeur dans M,R,I qui donne l’état de l’individu après n jours.
Définition
En faisant l’hypothèse que l’individu est dans l’état R, on aurait pu modéliser la situation à l’aide de cet
arbre de probabilité :
Ce graphe permet de représenter les transitions d’une journée à l’autre : par exemple, sachant que
l’individu est dans l’état I, il a une probabilité de 0,9 d’y rester et de 0,1 de passer à l’état R.
Ce type de graphe orienté et pondéré par les probabilités conditionnelles constitue une représentation
efficace des chaînes de Markov. Ces probabilités conditionnelles (probabilité de passer d’un état à un
autre) sont dans ce cadre appelées probabilités de transition.
Définition
Dans les situations que nous étudierons les probabilités de transition ne dépendront pas de l’étape n
observée. De telles chaînes de Markov sont appelées chaînes de Markov homogènes.
Ainsi, le poids de l’arête reliant le sommet i au sommet j ne dépend pas de n :
Pour tout entier naturel n, on a
PX
n
=i (X n +1 )
= j = PX
0
=i (X 1
= j )
I M R
⎛ 0,9 0 0,1 ⎞
de I
⎜ ⎟
P = M
⎜ 0, 8 0,2 0 ⎟
R ⎜ 0 0, 3 0,7 ⎟
⎝ ⎠
Contrairement aux matrices d’adjacences où les coefficients sont le nombre d’arêtes reliant un sommet à
un autre, dans les matrices de transition, les coefficients sont les poids des arêtes.
Propriété
Ces matrices de transition associées à des chaînes de Markov ont plusieurs caractéristiques :
• leurs coefficients sont compris entre 0 et 1 ;
• la somme des coefficients sur chaque ligne vaut 1.
Les matrices carrées qui vérifient ces deux propriétés sont appelées matrices stochastiques.
Démonstration
• Les coefficients étant des probabilités conditionnelles, l’encadrement entre 0 et 1 est immédiat.
• Soit une matrice de transition associée à une chaîne de Markov. Posons m le nombre d’états de la
chaîne de Markov (donc l’ordre du graphe associé).
• Soit i , un entier compris entre 1 et m alors la somme des coefficients de la i -ième ligne est :
m m
∑ pi ,j = ∑PX =i (X1 =
0
j )
j =1 j =1
= ∑
m (
P X 0 = i et X1 = j )
j =1 P X0 = i( )
m
∑P (X 0 = i et X1 = j )
j =1
=
) (
P X0 = i
Or, comme les évènements « X1 = j » pour j ∈ {1; 2;...;m} forment une partition de l’univers de la
variable aléatoire X1 , alors, d’après la formule des probabilités totales on a
m
∑ pi ,j =
(
P X0 = i )
j =1 P (X 0
= i)
=1
Démonstration
⎛ p L p1,m ⎞
⎜ 1,1 ⎟
πnP = ⎛ πn,1 πn,2 L πn,m ⎞ ⋅⎜ M O M ⎟
⎝ ⎠ ⎜ ⎟
p
⎜ m,1 L p m,m ⎟
⎝ ⎠
⎛ m m m ⎞
= ⎜
⎜⎝
∑ πn,i pi ,1 ∑ πn,i pi ,2 L ∑ πn,i pi ,m ⎟
⎟⎠
i =1 i =1 i =1
) ( P (X = i ) )
m P X = j et X =i
= ∑ P ( Xn =i n +1 n
i =1 n
m
= ∑P (Xn +1 = j et X = i ) n
i =1
{ }
Or, comme les événements « Xn = i » pour i ∈ 1; 2;...;m forment une partition de l’univers de la
Solution
On a π0 = (0 1 0 ) car on est certain qu’il est malade
⎛ 0,9 0 0,1 ⎞
= ( 0 0 ) × ⎜ 0, 8 0,2 0 ⎟ = ⎜ 0, 8 0,2
⎜ ⎟ ⎛ ⎞
donc π1 1 0 ⎟.
⎝ ⎠
⎜ 0 0, 3 0,7 ⎟
⎝ ⎠
La probabilité recherchée est 0,2.
Bien sûr, cette question est très simple et nous aurions pu obtenir le résultat directement à partir des
données du problème initial.
La puissance du calcul matriciel donnera toute sa mesure dans le calcul de la probabilité du malade de
l’être encore au bout de 10 jours :
⎛ 0,9 0 0,1 ⎞
⎜ ⎟
π10 = π9 ⋅ ⎜ 0, 8 0,2 0 ⎟
⎜ 0 0, 3 0,7 ⎟
⎝ ⎠
2
⎛ 0,9 0 0,1 ⎞ ⎛ 0,9 0 0,1 ⎞ ⎛ 0,9 0 0,1 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
= π8 ⋅ ⎜ 0, 8 0,2 0 ⎟ ⋅ ⎜ 0, 8 0,2 0 ⎟ = π8 ⋅ ⎜ 0, 8 0,2 0 ⎟
⎜ 0 0, 3 0,7 ⎟ ⎜ 0 0, 3 0,7 ⎟ ⎜ 0 0, 3 0,7 ⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠
3
⎛ 0,9 0 0,1 ⎞
⎜ ⎟
= π7 ⋅ ⎜ 0, 8 0,2 0 ⎟
⎜ 0 0, 3 0,7 ⎟
⎝ ⎠
= ...
10
⎛ 0,9 0 0,1 ⎞
⎜ ⎟
= π0 ⋅ ⎜ 0, 8 0,2 0 ⎟
⎜ 0 0, 3 0,7 ⎟
⎝ ⎠
10
⎛ 0,9 0 0,1 ⎞
= (0 1 0 ) ⎜ ⎟
⋅ ⎜ 0, 8 0,2 0 ⎟ .
⎜ 0 0, 3 0,7 ⎟
⎝ ⎠
Cette dernière matrice peut se calculer à l’aide de l’exemple A du premier paragraphe. Toutefois, ce type
de calcul matriciel s’effectue très facilement à l’aide de calculatrices ou d’autres outils numériques.
Les calculs de puissances de matrices étudiés dans la première partie seront surtout utiles pour la 2e
séquence relative aux chaînes de Markov (la séquence 6).
⎛ ⎞
Ici, on trouve : π10 ≈ ⎜ 0,7502159 0,091128 0,245481 ⎟
⎝ ⎠
Propriété (admise)
Si on ne considère plus les matrices lignes πn comme étant une représentation de la loi de la variable
aléatoire Xn , mais comme une distribution en fréquences d’une population (suffisamment grande) à
un instant n , la modélisation reste inchangée. En particulier le graphe, sa matrice de transition et par
conséquent la relation πn +1 = πnP restent valables.
Approche de la démonstration
Cette démonstration repose sur la loi des grands nombres qui peut s’interpréter dans ce contexte
comme : les lois de probabilité des variables aléatoires Xn peuvent être approchées par les distributions
des fréquences observées à grande échelle aux déférentes étapes.
Exemple
À un instant donné, la distribution de la population entre les différents états (I, M et R) est la suivante :
I M R
3% 7% 90 %
Déterminer la distribution le lendemain.
Solution
On a : π0 = ( 0,03 )
0,07 0 ,90 donc :
⎛ 0,9 0 0,1 ⎞
π1 = ( 0,03 0,07 0,90 ) ⎜ ⎟
× ⎜ 0, 8 0,2 0 ⎟ ≈
⎜ 0 0, 3 0,7 ⎟
( 0,08 0,29 0,63 )
⎝ ⎠
Donc, le lendemain on a :
I M R
8% 29 % 63 %
Propriété
Nous pouvons même aller plus loin, en ne considérant plus les matrices lignes πn comme les
distributions en fréquences de la population aux instants n, mais comme des distributions en effectifs.
Démonstration
Soit πn la distribution en effectifs de la population à l’instant n. Notons N l’effectif total, alors :
⎛ π πn,2 πn,m ⎞
1 π = ⎜ n,1 L ⎟ est la matrice ligne des distributions en fréquence donc
N n ⎜ N N N ⎟
⎝ ⎠
⎛1 ⎞ 1π
⎜⎝ πn ⎟⎠ × P = ⇔ πnP = πn +1.
N N n +1
Exemple
Un département doit prévoir jour après jour le niveau de stocks d’un certain médicament pour soigner les
malades.
Le premier jour, le département compte 200 000 personnes immunisées, 50 000 malades et 500 000
personnes dans l’état R.
Prédire le nombre de malades le lendemain.
Solution
On a π0 = ( 200000 50000 500000 ) donc :
⎛ 0,9 0 0,1 ⎞
π1 = ( 200000 50000 500000 ) ⎜ ⎟
⎜ 0 0, 3 0,7 ⎟
⎛
× ⎜ 0, 8 0,2 0 ⎟ = ⎜ 220000
⎝
160000
⎞
370000 ⎟ .
⎠
⎝ ⎠