20.07.2013 Views

Cha??nes de Markov et files d'attente Indications pour la feuille d ...

Cha??nes de Markov et files d'attente Indications pour la feuille d ...

Cha??nes de Markov et files d'attente Indications pour la feuille d ...

SHOW MORE
SHOW LESS

Create successful ePaper yourself

Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.

Dr. Robert Philipowski Semestre d’été 2013<br />

<strong>Cha</strong>î<strong>nes</strong> <strong>de</strong> <strong>Markov</strong> <strong>et</strong> <strong>files</strong> d’attente<br />

<strong>Indications</strong> <strong>pour</strong> <strong>la</strong> <strong>feuille</strong> d’exercices 1<br />

Veuillez noter que ces indications ne sont pas <strong>de</strong>s solutions complètes.<br />

1. Soient P <strong>et</strong> P ′ <strong>de</strong>ux matrices stochastiques <strong>et</strong> Q := P P ′ leur produit défini<br />

par<br />

Il faut alors vérifier que<br />

Q(x, z) := <br />

P (x, y)Q(y, z).<br />

y∈E<br />

1. Q(x, z) ≥ 0 ∀x, z ∈ E, <strong>et</strong><br />

2. <br />

z∈E Q(x, z) = 1 ∀x ∈ E.<br />

2. a) Pour que P soit une matrice stochastique, il faut que <strong>la</strong> somme <strong>de</strong>s éléments<br />

<strong>de</strong> chaque ligne soit égale à 1. Donc x = 0, y = 1/4, z = 0.<br />

b) La loi <strong>de</strong> X2 est donnée par µP 2 . On obtient<br />

⎛<br />

1/2 1/2 0<br />

⎞<br />

µP = (1/2, 1/2, 0) ⎝ 1/4 1/4 1/2 ⎠ = (3/8, 3/8, 1/4)<br />

0 1/2 1/2<br />

<strong>et</strong> par conséquent<br />

⎛<br />

µP 2 = (3/8, 3/8, 1/4) ⎝<br />

1/2 1/2 0<br />

1/4 1/4 1/2<br />

0 1/2 1/2<br />

⎞<br />

⎠ = (9/32, 13/32, 5/16).<br />

3. La loi <strong>de</strong> X1000 est égale à µP 1000 , ce qui est pratiquement impossible à calculer<br />

<strong>de</strong> façon naïve. Pourtant, si on arrive à diagonaliser P , c’est à dire si on trouve<br />

une matrice inversible S telle que D := S −1 P S est une matrice diagonale,<br />

ce calcul <strong>de</strong>vient très simple :<br />

D = diag(λ1, λ2),<br />

P 1000 = (SDS −1 ) 1000 = SD 1000 S −1 = S diag(λ 1000<br />

1<br />

, λ 1000<br />

2 )S −1 .<br />

Une telle matrice S peut être construite <strong>de</strong> <strong>la</strong> façon suivante : Soit (ξ1, ξ2) une base<br />

<strong>de</strong> vecteurs propres <strong>de</strong> P , <strong>et</strong> S <strong>la</strong> matrice ayant ces vecteurs comme colon<strong>nes</strong>.<br />

En général, il est assez compliqué <strong>de</strong> trouver une base <strong>de</strong> vecteurs propres d’une<br />

matrice. Mais ici, c’est très simple : D’abord, (1, 1) T est un vecteur propre <strong>de</strong> P<br />

1


(chaque matrice stochastique adm<strong>et</strong> le vecteur (1, . . . , 1) T comme vecteur propre ; à<br />

vérifier !). Ensuite, comme P est symmétrique, elle adm<strong>et</strong> une base orthogonale <strong>de</strong><br />

vecteurs propres, donc (1, −1) T est également un vecteur propre. Ceci nous donne<br />

<strong>et</strong><br />

S =<br />

1 1<br />

1 −1<br />

<br />

,<br />

D = S −1 P S = diag(1, 2p − 1)<br />

µP 1000 = µS diag 1, (2p − 1) 1000 S −1<br />

<br />

1 1 1 0<br />

= (q, 1 − q)<br />

1 −1 0 (2p − 1) 1000<br />

<br />

1/2 1/2<br />

1/2 −1/2<br />

<br />

1 0<br />

= (1, 2q − 1)<br />

0 (2p − 1) 1000<br />

<br />

1/2 1/2<br />

1/2 −1/2<br />

= 1, (2q − 1)(2p − 1) 1000 <br />

1/2 1/2<br />

1/2 −1/2<br />

<br />

1 1<br />

= +<br />

2 2 (2q − 1)(2p − 1)1000 , 1<br />

<br />

1<br />

− (2q − 1)(2p − 1)1000 .<br />

2 2<br />

2

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!