Académique Documents
Professionnel Documents
Culture Documents
Chapitre 2
Chapitre 2
2.1.1. Définition
Une marche aléatoire sur est une chaîne de Markov à valeurs dans X= , où
d *, de distribution initiale = δ0, et de probabilités de transition satisfaisant
pij 0 si i j ou i j 1 (2.1.1)
2.1.2. Proposition
matrice de covariance Σ.
2.1.3. Théorème
0 pour n impair
Pr ob 0 n 1 (2.1.5)
Pr ob X n 2 0 pour n pair
n
2.1.4. Proposition
On a :
0 (2.1.6)
2.1.5. Proposition
Soit i inf n 1: X n i
i
Pr ob X n i pour n i , i 2,....
Pr ob i n n (2.1.7)
0 sin on
Dans le cas contraire, il est dit transient. La chaîne de Markov est appelée
récurrente, respectivement transiente, si tous ses états sont récurrents,
respectivement transients.
PROCESSUS ALEATOIRES 14
2.2.2. Proposition
2.2.3. Théorème
Pr ob X
n 0
i n i (2.2.3)
2.2.4. Proposition
Si di = 1, on dit que l’état i est apériodique. Si tout i ∈ X est apériodique, on dit que la
2.3.1. Définition
j i pij j X (2.3.1)
iX
Plus généralement, une mesure µ sur X (qui n’est pas nécessairement une mesure de
probabilité) satisfaisant
j i pij j X (2.3.2)
iX
PROCESSUS ALEATOIRES 15
2.3.2. Proposition
k
i k k 1 X n i (2.3.3)
n 1
Si la chaine est une chaîne irréductible et récurrente alors on a ∀ k X
a) k k 1 ;
b) k est une mesure invariante ;
c) Pour tout i X, on a 0 i ;
k
k : k k
c) La relation précédente est vérifiée pour tout k X.
De plus, si ces propriétés sont vérifiées, alors la distribution stationnaire est unique, et
donnée par
1
i , i X (2.3.4)
i
2.3.4. Définition
i i
est appelé récurrent positif. Un état récurrent i qui n’est pas récurrent positif est
appelé récurrent nul. La chaîne est dite récurrente positive si tous ses états le sont.
C’est par exemple le cas s’il existe un tel état, et que la chaîne est irréductible.
Une chaîne irréductible admet donc une distribution stationnaire si et seulement si
elle est récurrente positive.
2.3.5. Exemple
PROCESSUS ALEATOIRES 16
translaté de π serait encore une distribution stationnaire. Mais nous savons que si une
telle distribution existait, alors elle serait unique. π devrait donc être uniforme, mais il
n’existe pas de mesure de probabilité uniforme sur d.
Par contre, toutes les mesures uniformes sont invariantes. Les fonctions pas
nécessairement positives satisfaisant la relation de la définition 2.3.1 dans le cas
d’une marche aléatoire symétrique sont appelées harmoniques. Toutes les fonctions
affines sont harmoniques, mais en dimension supérieure ou égale à 2, il y en a
beaucoup d’autres.
2.3.6. Théorème
Bibliographie
[1] Nils Berglund, Processus aléatoires et applications. DEA. Université d’Orléans, 2010,
pp.99. ffel-00439562v2f
[2] Carl Graham, Chaînes de Markov : Cours, exercices et corrigés détaillés, Dunod,
Paris, 2008
[4] Sabin Lessard, Processus stochastiques : Cours et exercices corrigés, Editions Ellipses,
2014
PROCESSUS ALEATOIRES 17