METHODES NUMERIQUES PAR CHAÃNES DE MARKOV

More documents

Recommendations

Info

16 CHAPITRE 1. CHAÎNES <strong>DE</strong> <strong>MARKOV</strong> À NOMBRE FINI D’ÉTATS Exercice 1.7 Ergodicité sur un espace dénombrable (i) Soit une transition P sur E = f0;1;2;3;¢¢ ¢g véri…ant ½ p 0j 6= 0 , j = 0;1 Si i ¸ 1 : p ij 6= 0 , j = i ¡ 1 ou i + 1 P est elle irréductible? apériodique ? (ii) On spéci…e P par : p 00 = p 01 = 1 2 et pour i ¸ 1, p i;i¡1 = 2i+1 ¡1; p 2 i+1 i;i+1 = 1 . Déterminer 2 i+1 la probabilité invariante ¼ de P si elle existe. P est elle ergodique ? Exercice 1.8 Chaîne de Markov, retournement du temps et réversibilité Soit X = (X 0 ;X 1 ;¢¢¢ ;X n ) une chaîne de Markov sur E n (E …ni et n …xé), de loi initiale ¹ 0 , de transitions (inhomogènes) P k , k = 0;n ¡ 1. On note ¹ k la loi de X k , k = 0; n. (i) Démontrer que, après retournement du temps, et si X n » ¹ n , le processus retourné X r = (X n ;X n¡1 ;¢¢¢ ;X 0 ) véri…e la propriété de Markov, et que c’est une chaîne de Markov de transitions (Q k ;k = n; 1) : Q k (i k ; i k¡1 ) = P(X k¡1 = i k¡1 j X k = i k ) = ¹ k¡1(i k¡1 ) P k¡1 (i k¡1 ;i k ) ¹ k (i k ) (ii) Préciser Q si la chaîne est homogène, de transition P, la loi initiale étant la loi invariante ¼. A quelle condition a-t-on Q(j;i) = P(i;j)? Exercice 1.9 Chaîne de Markov et champ de Markov On se place dans le contexte de l’exercice précédent. (i) Démontrer que X = (X 0 ;X 1 ;¢ ¢¢ ;X n ) possède la propriété de Markov bilatérale suivante (on parle alors d’un champ de Markov) : pour tout k, 0 < k < n : P(X k = i k j X l = i l ;0 l n et l 6= k) = B k (i k j i k¡1 ;i k+1 ) = P k¡1(i k¡1 ;i k )P k (i k ;i k+1 ) [P k¡1 P k ](i k¡1 ;i k+1 ) (ii) Réciproquement, si X possède cette propriété de Markov bilatérale, plus les deux propriétés de Markov naturelles “de bordure”, montrer que X est une chaîne de Markov (sur un sous-intervalle de N, il y a donc équivalence entre la propriété de Markov causale (chaîne) et non-causale (champ); cette équivalence tombera sur N 2 ). (iii) On considère la chaîne homogène et stationnaire sur E = f¡1;+1g de transition p = P(X n = 1 j X n¡1 = 1) et q = P(X n = ¡1 j X n¡1 = ¡1), 0 < p; q < 1. Déterminer la transition bilatérale Q(y j x;z), pour x;y et z dans E. Montrer que cette transition peut s’écrire Q(y j x; z) = Z ¡1 (x;y) expfx(h + ¯(y + z))g où h = 1 2 log p q et h = 4 1 log pq (1¡p)(1¡q) ( Z¡1 (x; y) est la constante de normalisation faisant de Q une probabilité en x). Interpréter les situations : h = 0 (p = q); ¯ = 0 (p + q = 1). Exercice 1.10 Chaîne de Markov à régime markovien et chaîne de Markov cachée Soit P 1 ;P 2 deux transitions régulières sur E = fa;b; cg de lois invariantes ¼ 1 ;¼ 2 . Soit X = (X n ) un processus sur E ainsi dé…ni : ² I = (I n );I n 2 f1;2g est une chaîne de Markov homogène de transition déterminée par : P(I n 6= I n¡1 j I n¡1 ) = p. I est le régime de X, ²² Sachant I n , ((X n j I n );n ¸ 0) est une chaîne de Markov inhomogène de transitions (P In ) ((X j I) est donc une chaîne de Markov inhomogène). (1) Montrer que (X; I) = (X n ;I n ) n est une chaîne de Markov dont on déterminera la transition P. Véri…er que si 0 < p < 1, P est régulière. (2) Véri…er que X = (X n ) n’est pas une chaîne de Markov.
1.5. EXERCICES 17 Exercice 1.11 Processus de Markov de mémoire 2 Soit le processus de Markov sur f0;1g, de mémoire deux, et de transition : p ab;c = P(X n+2 = c j X n = a; X n+1 = b);a;b;c 2 f0;1g Montrer que Y n = (X n ;X n+1 ) est une chaîne de Markov. Déterminer sa transition P. Si chaque p ab;c > 0, véri…er que P 2 > 0 et donc que P est régulière. Comment se généralisent ces résultats au cas d’une mémoire d’ordre p ? Exercice 1.12 Perte de la propriété de Markov par agrégation d’états Soit X un chaîne de Markov de transition P sur E = fa;b;cg et Y le processus à deux états ffa;bg;cg (on a agrégé les deux états a et b) : Y = fa;bg si X 2 fa; bg;Y = c si X = c Montrer que en général, Y n’est plus une chaîne de Markov. (voir que P(Y 2 = c j Y 0 = x 0 ;Y 1 = fa;bg) dépend en général de x 0 pour x 0 = c). Les exercices suivants portent sur la simulation de variables aléatoires de base. Sur ce sujet, on pourra consulter Devroye [19], Jonhson et Kotz [54] et Robert [88]. Exercice 1.13 Simulation d’une variable de fonction de répartition F connue Soit X une v.a. de fonction de répartition F connue, et F ¡ (u) = inffx 2 R; F(x) ¸ ug (F ¡ = F ¡1 , la fonction réciproque de F, si F est continue). Montrer que si U est la loi uniforme sur [0;1], F ¡ (U) est de loi F. Applications : obtenir la simulation des lois : exponentielle ; exponentielle symétrique; loi de Cauchy; loi de Pareto; loi Gamma ¡(; ¸) dans le cas où l’index est entier. Exercice 1.14 Simulation d’une loi discrète (1) Soient p 1 ; p 2 ;¢ ¢¢ ;p k ; k probabilités de somme 1, et x i = P j=1;i p j, i = 1;k. Véri…er que si U est uniforme sur [0;1];P(x i U < x i+1 ) = p i . (2) En déduire une méthode de simulation de la loi discrète P(X = a i ) = p i ;i = 1;k. (3) Applications. Simuler les lois suivantes : Bernoulli B(p); binomiale B(n;p) (proposer deux méthodes); géométrique G(p) (proposer deux méthodes); de Poisson P(¸). Exercice 1.15 Simulation de la loi gaussienne et lois déduites (1) Justi…er le fait que X = P i=1;12 (U i¡0:5) est approximativement une loi normale réduite si les U i sont i.i.d. uniformes sur [0;1]. (2) Méthode de Box-Muller : véri…er analytiquement que si U 1 et U 2 sont uniformes sur [0;1] et indépendantes, alors les deux variables X 1 et X 2 dé…nies ci-dessous sont (exactement) N(0;1) et indépendantes : X 1 = p ¡2 log U 1 cos(2¼U 2 ); X 1 = p ¡2 log U 1 sin(2¼U 2 ) (3) En déduire la simulation des lois Â 2 n;T n ;F n;m ? Exercice 1.16 Génération d’une loi de Poisson, processus de Poisson et lois exponentielles
Page 1: METHODES NUMERIQUES PAR CHAÎNES DE
Page 4 and 5: 4 TABLE DES MATIÈRES 3.2.2 Recuit
Page 6 and 7: 6 TABLE DES MATIÈRES Je voudrais r
Page 8 and 9: 8 CHAPITRE 1. CHAÎNES DE MARKOV À
Page 10 and 11: 10 CHAPITRE 1. CHAÎNES DE MARKOV
Page 20 and 21: 20 CHAPITRE 2. SIMULATION PAR CHAÎ
Page 42 and 43: 42 CHAPITRE 3. CHAÎNE INHOMOGÈNE
Page 64 and 65: 64 CHAPITRE 4. CHAMP DE MARKOV ET P
Page 66 and 67:
66 CHAPITRE 4. CHAMP DE MARKOV ET P
Page 68 and 69:
Page 70 and 71:
Page 72 and 73:
Page 74 and 75:
Page 76 and 77:
Page 78 and 79:
Page 80 and 81:
80 CHAPITRE 5. DIAGNOSTIC DE CONVER
Page 82 and 83:
Page 84 and 85:
Page 86 and 87:
Page 88 and 89:
Page 90 and 91:
Page 92 and 93:
Page 94 and 95:
94 BIBLIOGRAPHIE [20] Diaconis P. e
Page 96 and 97:
96 BIBLIOGRAPHIE [70] Liu J.S., 199
show all

METHODES NUMERIQUES PAR CHAÃNES DE MARKOV

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?

METHODES NUMERIQUES PAR CHAÃNES DE MARKOV