dissert
9
Marches aléatoires
Niveau : Terminale S
Prérequis : aucun
1
Chaînes de Markov
Chaîne de Markov I
Définition 9.1
Une chaîne de Markov est une suite de variables aléatoires (Xn , n ∈ N) qui permet de modéliser l’évolution dynamique d’un système aléatoire : Xn représente l’état du système à l’instant
n.
Propriété de Markov
Propriété 9.2
L’évolution future du système ne dépend du passé qu’à travers de sa valeur actuelle. Autrement dit, conditionnement à Xn , (X0 , . . . , Xn ) et (Xn+k , k ∈ N) sont indépendantes.
Les applications des chaînes de Markov sont très nombreuses :
– réseaux,
– gestion de stock,
– génétique ddes populations,
– alogirthmes stochastiques d’optimisation,
– mathématiques financières,
– simulation.
On se place maintenant sur E un espace discret, c’est-à-dire un espace au plus dénombrable muni de la topologie discrète où tous les points de E sont isolés. On considère la tribu E = P(E).
Matrices stochastiques
Définition 9.3
Une matrice P = (P (x, y))x,y∈E est dite matrice stochastique si ses coefficients sont positifs et la somme sur une ligne des coefficients est égale à 1 :
a. P (x, y) ≥ 0 ;
�
b. z∈E P (x, z) = 1 ; pour tous x, y ∈ E.
On donne une nouvelle définition des chaînes de Markov basée sur les probabilités.
Chaîne de Markov II
Définition 9.4
Soit P une matrice stochastique sur E. Une suite de variables aléatoires (Xn , n ∈ N) à valeurs dans E est appelée chaîne de Markov de matrice de transition P si pour tous n ∈ N, x ∈ E, on a :
P (Xn+1 | Xn , . . . , X0 ) = P (Xn+1 = x | Xn ) = P (Xn , x).
On dit que la chaîne de Markov est issue de µ0 si la loi de X0 est µ0 .
Remarques 9.5.
a. Comme l’espace d’état est discret, l’équation de la définition précédente est équivalente à : pour tous x0 , . . . , xn ∈ E, tels que P (Xn = xn , . . . , X0 = x0 ) > 0 :
P (Xn+1 = x | Xn = xn , . . . , X0 = x0 ) = P (Xn+1 = x | Xn = xn ) = P (Xn , x).
b. Si P (X0 = x) = 1,