Mercredi 11 Décembre 2024
Rechercher 🔍

Propriété de Markov - Définition

Source: Wikipédia sous licence CC-BY-SA 3.0.
La liste des auteurs de cet article est disponible ici.
- Introduction - Propriété de Markov faible (temps discret, espace discret) - Propriété de Markov faible (temps continu, espace discret) - Propriété de Markov forte (temps discret, espace discret) - Équation de Chapman-Kolmogorov-Smoluchowski

Introduction

En probabilité, un processus stochastique vérifie la propriété de Markov si et seulement si la distribution conditionnelle de probabilité des états futurs, étant donné les états passés et l'état présent, ne dépend en fait que de l'état présent et non pas des états passés (absence de « mémoire »). Un processus qui possède cette propriété est appelé processus de Markov. Pour de tels processus, la meilleure prévision qu'on puisse faire du futur, connaissant le passé et le présent, est identique à la meilleure prévision qu'on puisse faire du futur, connaissant uniquement le présent : si on connait le présent, la connaissance du passé n'apporte pas d'information supplémentaire utile pour la prédiction du futur.

Propriété de Markov faible (temps discret, espace discret)

Définition

C'est la propriété caractéristique d'une chaîne de Markov : en gros, la prédiction du futur à partir du présent n'est pas rendue plus précise par des éléments d'information supplémentaires concernant le passé, car toute l'information utile pour la prédiction du futur est contenue dans l'état présent du processus. La propriété de Markov faible possède plusieurs formes équivalentes qui reviennent toutes à constater que la loi conditionnelle de \scriptstyle\ X_{n+1}\ sachant le passé, i.e. sachant \scriptstyle\ \left(X_k\right)_{0\le k\le n}\ est une fonction de \scriptstyle\ X_n\ seul :

Propriété de Markov faible « élémentaire » —  Pour tout \scriptstyle\ n\ge 0,\ pour toute suite d'états \scriptstyle\ (i_0,\ldots,i_{n-1},i,j)\in E^{n+2},\

\begin{align}\mathbb{P}\Big(X_{n+1}=j&\mid\, X_0=i_0, X_1=i_1,\ldots, X_{n-1}=i_{n-1},X_n=i\Big) &= \mathbb{P}\left(X_{n+1}=j\mid X_n=i\right). \end{align}

On suppose le plus souvent les chaînes de Markov homogènes, i.e. on suppose que le mécanisme de transition ne change pas au cours du temps. La propriété de Markov faible prend alors la forme suivante :

\forall n\ge 0, \forall (i_0,\ldots,i_{n-1},i,j) \in E^{n+2},
\mathbb{P}\Big(X_{n+1}=j \mid\, X_0=i_0, X_1=i_1,\ldots, X_{n-1}=i_{n-1},X_n=i\Big) = \mathbb{P}\left(X_{1}=j\mid X_0=i\right).

Cette forme de la propriété de Markov faible est plus forte que la forme précédente, et entraîne en particulier que

\forall n\ge 0, \forall (i,j)\in E^{2},\qquad\mathbb{P}\left(X_{n+1}=j\mid X_n=i\right) = \mathbb{P}\left(X_{1}=j\mid X_0=i\right).

Dans la suite de l'article on ne considèrera que des chaînes de Markov homogènes. Pour une application intéressante des chaînes de Markov non homogènes à l'optimisation combinatoire, voir l'article Recuit simulé.

La propriété de Markov faible pour les chaînes de Markov homogènes a une autre forme, beaucoup plus générale que la précédente, mais pourtant équivalente à la précédente :

Propriété de Markov faible « générale » —  Pour n'importe quel choix de \scriptstyle\ n\ge 0,\quad B\in \mathcal P(E)^{\otimes{\mathbb N}},\quad A\in \mathcal P(E^{n+1}),\quad i\in E,

{\mathbb P}((X_{n}, X_{n+1}, \dots ) \in B\,|\,(X_0,\dots,X_{n}) \in A, X_n=i) \;=\;{\mathbb P}((X_{0}, X_{1}, \dots )\in B\,|\, X_0=i).

Notons que les évènements passés \scriptstyle\ \{(X_0,\dots,X_{n}) \in A\}\ et futurs \scriptstyle\ \{(X_{n}, X_{n+1}, \dots ) \in B\}\ prennent ici la forme la plus générale possible, alors que l'évènement présent \scriptstyle\ \{X_n=i\}\ reste sous une forme particulière, et pas par hasard : si on remplace \scriptstyle\ \{X_n=i\}\ par \scriptstyle\ \{X_n\in C\}\ dans l'énoncé ci-dessus, alors l'énoncé devient faux en général, car l'information sur le passé devient utile pour prévoir le présent (où \scriptstyle\ X_n\ peut-il bien se trouver, plus précisément, à l'intérieur de la partie \scriptstyle\ C\  ?), et, partant de là, pour prévoir le futur.

Contrexemple de la marche aléatoire sur \scriptstyle\ \mathbb{Z}\  :

Si \scriptstyle\ E=\mathbb{Z}\ et \scriptstyle\ p_{i,i+1}=1-p_{i,i-1}=p,\ on parle de marche aléatoire sur \scriptstyle\ \mathbb{Z}.\ Supposons que \scriptstyle\ p\in]0,1[.\ Alors, par exemple,

\mathbb{P}_{\mu}(X_{n+1}=1\ |\ X_n\in\{0,1\}\text{ et }X_{n-1}=0)=0,\

alors qu'on peut facilement trouver \scriptstyle\ \mu\ et \scriptstyle\ n\ tels que

\mathbb{P}_{\mu}(X_{n+1}=1\ |\ X_n\in\{0,1\})>0.\

Ainsi, du fait d'une connaissance imprécise ( \scriptstyle\ \{X_n\in \{0,1\}\}\ ) du présent, certaines informations concernant le passé permettent d'améliorer le pronostic  : sachant que Xn-1 = 0, on en déduit que Xn n'est pas nul, donc que Xn est égal à 1, puis on conclut que Xn+1 ne peut être égal à 1. Par contre, sans l'information Xn-1 = 0, on ne peut exclure que Xn+1 soit égal à 1.

Pourtant, la marche aléatoire sur \scriptstyle\ \mathbb{Z}\ est une chaîne de Markov, et possède bien la propriété de Markov. Il n'y a pas de contradiction, ici : la propriété de Markov stipule que, lorsque l'on a une connaissance précise (Xn = i ) du présent, aucune information concernant le passé ne permet d'améliorer le pronostic.

Il existe une , liée à la notion de temps d'arrêt : cette propriété de Markov forte est cruciale pour la démonstration de résultats importants (divers critères de récurrence, loi forte des grands nombres pour les chaînes de Markov).

Indépendance conditionnelle

La propriété de Markov faible « générale » entraine que

Indépendance conditionnelle —  Pour n'importe quel choix de \scriptstyle\ n\ge 0,\quad B\in \mathcal P(E)^{\otimes{\mathbb N}},\quad A\in \mathcal P(E^{n+1}),\quad i\in E,

{\mathbb P}((X_{n}, X_{n+1}, \dots ) \in B\text{ et } (X_0,\dots,X_{n}) \in A\ |\ X_n=i)
=\;{\mathbb P}((X_{n}, X_{n+1}, \dots ) \in B\ |\ X_n=i)\times{\mathbb P}((X_0,\dots,X_{n}) \in A\ |\ X_n=i).

Cette égalité exprime l'indépendance conditionnelle entre le passé et le futur, sachant le présent (sachant que \scriptstyle\ X_n=i\ ). Cependant, si l'on compare avec la propriété de Markov faible « générale » telle qu'énoncée plus haut, on constate qu'on a perdu la propriété d'homogénéité : la propriété de Markov faible « générale » est en fait équivalente à la propriété plus forte

Indépendance conditionnelle et homogénéité —  Pour n'importe quel choix de \scriptstyle\ n\ge 0,\quad B\in \mathcal P(E)^{\otimes{\mathbb N}},\quad A\in \mathcal P(E^{n+1}),\quad i\in E,

{\mathbb P}((X_{n}, X_{n+1}, \dots ) \in B\text{ et } (X_0,\dots,X_{n}) \in A\ |\ X_n=i)
=\; {\mathbb P}((X_{0}, X_{1}, \dots )\in B\ |\ X_0=i)\times{\mathbb P}((X_0,\dots,X_{n}) \in A\ |\ X_n=i).

Critère

Critère fondamental — Soit une suite \scriptstyle\ Y=(Y_{n})_{n\ge 0}\ de variables aléatoires indépendantes et de même loi, à valeurs dans un espace \scriptstyle\ F\ , et soit \scriptstyle\ f\ une application mesurable de \scriptstyle\ E\times F\ dans \scriptstyle\ E.\ Supposons que la suite \scriptstyle\ X=(X_{n})_{n\ge 0}\ est définie par la relation de récurrence :

\forall n\ge 0,\qquad X_{n+1}=f\left(X_n,Y_{n}\right),

et supposons que la suite \scriptstyle\ Y\ est indépendante de \scriptstyle\ X_0.\ Alors \scriptstyle\ X\ est une chaîne de Markov homogène.

Collectionneur de vignettes (coupon collector)  :

Petit Pierre fait la collection des portraits des onze joueurs de l'équipe nationale de football, qu'il trouve sur des vignettes à l'intérieur de l'emballage des tablettes de chocolat Cémoi ; chaque fois qu'il achète une tablette il a une chance sur 11 de tomber sur le portrait du joueur n° \scriptstyle\ k\ (pour tout \scriptstyle\ k\ ). On note \scriptstyle\ X_{n}\in\mathcal{P}([\![ 1,11]\!])\ l'état de la collection de Petit Pierre, après avoir ouvert l'emballage de sa \scriptstyle\ n\ -ème tablette de chocolat. \scriptstyle\ X=(X_{n})_{n\ge 0}\ est une chaîne de Markov partant de \scriptstyle\ X_{0}=\emptyset\ , car elle rentre dans le cadre précédent pour le choix \scriptstyle\ F=[\![1,11]\!],\ E=\mathcal{P}(F),\ f(x,y)=x\cup\{y\},\ puisque

X_{n+1}=X_n\cup\{Y_n\},

où les variables aléatoires \scriptstyle\ Y_{n}\ sont des variables aléatoires indépendantes et uniformes sur \scriptstyle\ [\![1,11]\!]\  : ce sont les numéros successifs des vignettes tirées des tablettes de chocolat. Le temps moyen nécessaire pour compléter la collection (ici le nombre de tablettes que Petit Pierre doit acheter en moyenne pour compléter sa collec') est, pour une collection de \scriptstyle\ N\ vignettes au total, de \scriptstyle\ N\,H_N,\ où \scriptstyle\ H_N\ est le \scriptstyle\ N\ -ème nombre harmonique. Par exemple, \scriptstyle\ 11\,H_{11}=33,2\dots\quad tablettes de chocolat.

Remarques  :
  • La propriété de Markov découle de l'indépendance des \scriptstyle\ Y_i\ ;\ elle reste vraie lorsque les \scriptstyle\ Y_i\ ont des lois différentes, et lorsque la « relation de récurrence » \scriptstyle\ X_{n+1}=f_n\left(X_n,Y_{n}\right)\ dépend de \scriptstyle\ n.\ Les hypothèses faites en sus de l'indépendance sont là uniquement pour assurer l'homogénéité de la chaîne de Markov.
  • Le critère est fondamental en cela que toute chaîne de Markov homogène peut être simulée exactement via une récurrence de la forme \scriptstyle\ X_{n+1}=f\left(X_n,Y_{n}\right),\ pour une fonction \scriptstyle\ f\ bien choisie. Plus précisément, si \scriptstyle\ X=(X_{n})_{n\ge 0}\ est une chaîne de Markov homogène, il existe un quintuplet \scriptstyle\ (\Omega,\mathcal{A},\mathbb{P},X^{\prime}_0,Y),\ où \scriptstyle\ (\Omega,\mathcal{A},\mathbb{P})\ désigne un espace de probabilité, \scriptstyle\ X^{\prime}_0\ est une variable aléatoire à valeurs dans \scriptstyle\ E\ et où \scriptstyle\ Y=(Y_{n})_{n\ge 0}\ est une suite de variables aléatoires i.i.d. à valeurs dans \scriptstyle\ F,\ \ \scriptstyle\ X^{\prime}_0\ et \scriptstyle\ Y\ étant définies sur \scriptstyle\ (\Omega,\mathcal{A},\mathbb{P})\ et indépendantes, et il existe une application \scriptstyle\ f\ \ définie de \scriptstyle\ E\times F\ dans \scriptstyle\ E,\ telles que la suite \scriptstyle\ X^{\prime}=(X^{\prime}_{n})_{n\ge 0}\ définie par
X^{\prime}_{n+1}=f(X^{\prime}_n,Y_n)
ait même loi que la suite \scriptstyle\ X=(X_{n})_{n\ge 0}.\
  • On peut même choisir \scriptstyle\ F=[0,1],\ et choisir des variables \scriptstyle\ Y_{j}\ indépendantes et uniformes sur l'intervalle [0,1], ce qui est commode pour l'étude de chaînes de Markov via des méthodes de Monte-Carlo, i.e. par simulation de trajectoires « typiques » de chaînes de Markov.
Propriété de Markov faible (temps continu, espace discret)
- Introduction - Propriété de Markov faible (temps discret, espace discret) - Propriété de Markov faible (temps continu, espace discret) - Propriété de Markov forte (temps discret, espace discret) - Équation de Chapman-Kolmogorov-Smoluchowski
miniature
Découverte d'une nouvelle espèce éteinte grâce à... un accélérateur de particules ⚛️
miniature
Une avancée prometteuse pour le déploiement des batteries sodium-ion 🔋
miniature
Voici comment et pourquoi le risque de cancer augmente... puis diminue avec l'âge 🧬
miniature
Le Soleil bientôt en "zone de combat": une période de turbulences extrêmes ☀️
miniature
Les rhumatismes plus douloureux par temps humide: vrai ou faux ? 🌧️
miniature
Ce nouveau type de moteur repousse les limites du vol supersonique ✈️
miniature
Poster sur les réseaux sociaux peut nuire à votre santé mentale 🧠
miniature
Une super-Terre entre Mars et Jupiter ? 🌎
miniature
Découverte impressionnante d'un fossile de crocodile géant 🐊
miniature
1
Cet accident en laboratoire pourrait transformer drastiquement la mémoire numérique ⚡
miniature
Un virage technologique révèle l'impact du diabète gestationnel 🩺
miniature
Insolite: ces loups butinent des fleurs ! Des grands carnivores pollinisateurs ? 🌼
miniature
1
Ce fin gilet robotisé soulage les tâches répétitives 🦾
miniature
Les équations d'Einstein invalidées ? 👀
miniature
Ce tatouage électronique se connecte à votre cerveau 🧠
miniature
Cette IA de Google prédit la météo mieux que jamais, et sur 15 jours ! 🌦️
miniature
Des plats au bœuf... sans bœuf ? 🥩
miniature
2
Ce moteur de recherche d'un nouveau genre bouscule nos habitudes 🔍
miniature
Pourquoi les cheveux bouclent-ils en fonction de la météo ? 🌦️
miniature
Découverte: d'autres univers plus propices à la vie que le notre 👽
miniature
Ces sons urbains qui minent notre santé mentale 🚗
miniature
La testostérone impacte-t-elle vraiment le désir sexuel des hommes ? 🔥
miniature
Des microalgues éliminent les métaux lourds: voici comment 🧪
miniature
1
Et voici un qubit mécanique ! 🖥️
miniature
Les lentilles de contact sont-elles vraiment sans danger ? 👁️
miniature
Dans la course à l'IA générative, Google lance son générateur de vidéos 🎥
miniature
4
Une zone oubliée du cerveau permet aux paralysés de marcher à nouveau 🧠
miniature
Cette astuce quotidienne ajoute 11 ans à votre vie 🕒
miniature
Révolutions, migrations des européens... les éruptions volcaniques ont influencé l'histoire 🌋
miniature
Soit l'énergie noire n'est pas constante, soit une seconde force inconnue est à l'œuvre... 🌀
miniature
Voici pourquoi l'alcool peut rendre agressif 🥂
miniature
Expérience inédite: ce laser projette une ombre visible 💥
miniature
Ce plat millénaire réduit significativement la graisse corporelle 🍽️
miniature
Les scientifiques trompés ? La Voie Lactée n'est PAS comme les autres galaxies 🔭
miniature
Pourquoi ce que pensent les autres de nous nous fait tant ruminer ? 🧠
miniature
De la vie découverte sur un échantillon de l'astéroïde Ryugu (oups) 👽
miniature
2
Des anomalies incompréhensibles de températures détectées simultanément presque partout sur Terre 🌡️
miniature
Cette planète, trop jeune pour exister, bouscule les lois de l'astronomie 🪐
miniature
Une montagne d'or découverte en Chine ⛏️
miniature
Cette simulation de l'Univers est totalement vertigineuse 🌀
miniature
1
Une pilule pourrait-elle imiter les bienfaits du yoga ? 🧘
miniature
Nous serions-nous trompés sur l'origine de l'écriture alphabétique ? ✍️
miniature
Voici pourquoi votre enfant triche et ce que cela révèle 🧠
miniature
Le Sahara verdit, et cela pourrait bien (re)changer notre climat 🌱
miniature
1
Neuralink: un bras robotique contrôlé par la pensée 🦾
miniature
Ces fossiles humains à grands crânes seraient-ils une espèce jusqu'alors inconnue ? 💀
miniature
1
L'étonnant impact du froid sur notre sommeil ❄️
miniature
Une base cachée de missiles nucléaires repérée par erreur sous la calotte glacière ☢️
miniature
Créer des souris à partir d'un gène plus vieux que les animaux eux-mêmes: une expérience inédite 🧬
miniature
Pourquoi tant de noms de drogues finissent par "ine" ou "is" ? ☠️
Page générée en 0.484 seconde(s) - site hébergé chez Contabo
Ce site fait l'objet d'une déclaration à la CNIL sous le numéro de dossier 1037632
A propos - Informations légales | Partenaire: HD-Numérique
Version anglaise | Version allemande | Version espagnole | Version portugaise