Université Paris–Est–Créteil M1 ufr de Sciences et Technologies
Transcription
Université Paris–Est–Créteil M1 ufr de Sciences et Technologies
Université Paris–Est–Créteil ufr de Sciences et Technologies Année 2010-2011 M1 Matlab : Probabilités Appliquées TD 3 Simulation de probabilités conditionnelles Application à l’inversion d’un système linéaire L’objet de ce TP est de proposer une méthode probabiliste d’inversion de la matrice A − aI. Soit b un vecteur de Rn , on cherche donc à calculer les composantes du vecteur x de Rn tel que (S) Ax − ax + b = 0, c.-à-d. n X ai,j xj − axi + bi = 0, ∀i ∈ {1, . . . , n}. j=1 Questions théoriques 0. On considère une matrice A = [ai,j ]1≤i,j≤n carrée d’ordre n ≥ 1 à coefficients réels telle que n X (DD) ai,j ≥ 0, ∀i 6= j, et ai,j ≤ 0, ∀i ∈ {1, . . . , n}. j=1 On note I la matrice identité. Montrer que pour tout réel a > 0, A − aI est une matrice inversible. La condition a > 0 est-elle nécessaire ? 1. Soit k un réel strictement positif à déterminer. On considère la matrice P définie par P = I + kA. Comment peut-on choisir k de sorte que (M ) pi,j ≥ 0, et n X pi,j ≤ 1, ∀i ∈ {1, . . . , N } ? j=1 2. On considère l’ensemble des n premiers entiers naturels auquel on adjoint un élément noté ∞, soit l’ensemble E = {1, 2, . . . , n} ∪ {∞}. Soit (Ω, F, P) un espace de probabilité et 1 soit {Xn }n≥0 une suite de v.a. à valeurs dans E vérifiant les propriétés suivantes : (i) P{Xn+1 = xn+1 | X0 = x0 , X1 = x1 , . . . , Xn = xn } = P{Xn+1 = xn+1 | Xn = xn }, P{Xn+1 P{Xn+1 (ii) P{Xn+1 P{Xn+1 = j | Xn = i} = ∞ | Xn = i} = j | Xn = ∞} = ∞ | Xn = ∞} = = = = pi,j , P 1 ≤ i, j ≤ n, 1 − nj=1 pi,j , 1 ≤ i ≤ n, 0, 1 ≤ j ≤ n, 1. On pose Q la matrice de taille (n + 1) × (n + 1) définie par P p1,1 · · · p1,n 1 − nj=1 p1,j .. .. .. ... . Q= . P.n pn,1 · · · pn,n 1 − j=1 pn,j 0 ··· 0 1 . Ainsi, les accroissements de la suite {Xm } à la date n ne dépendent que de sa position à la date n et de la matrice Q et pas de ses positions antérieures : on dit que c’est une chane de Markov de matrice de transition Q. Pour toute fonction f définie sur E, exprimer E(f (Xm+1 ) | Xm = i) en fonction de Q et du vecteur f¯ = t [f (1), f (2), · · · , f (n), f (∞)]. En déduire Ef (Xm ) | X0 = i) en fonction de f¯, de Q et de m. 3. Soit y un vecteur de Rn , on notera par la suite ȳ le vecteur de Rn+1 obtenu en posant ȳi = yi pour 1 ≤ i ≤ n et ȳn+1 = 0. Quel interprétation probabiliste peut-on faire de la ie composante de Qm ȳ pour m ≥ 1 et i ∈ {1, . . . , n} ? On peut montrer que la solution x de (S) a l’interprétation probabiliste suivante ! τ −1 X 1 bX | X0 = i , 1 ≤ i ≤ n, (P ) xi = k E (1 + ak)n+1 n n=0 où τ = inf{n ≥ 0 | Xn = ∞}. Les questions suivantes ont pour but de démontrer la formule (P). On peut les sauter dans une première lecture pour commencer les simulations en supposant vraie (P). 4. On considère x solution du système linéaire (S) et on pose Mm = m−1 X k x̄Xm + b̄X , m (1 + ak) (1 + ak)`+1 ` m ≥ 1, et M0 = x̄X0 . `=0 Montrer que {Mm }m≥0 est une martingale. 5. En déduire l’interprétation (P) de la solution x de (S). + On pourra remarquer que {Mmin(m,τ ) }m≥0 est également une martingale. 2 Simulations numériques On considère la matrice suivante −18 4 2 3 5 6 −32 7 7 9 5 −26 6 9 A= 6 2 6 4 −17 3 3 0 8 7 −19 Vérifier que A est inversible. Une façon d’obtenir la matrice A−1 est de calculer successivement ses vecteurs colonnes qui sont A−1 ej où ej = t [0, · · · , 0, 1, 0, · · · , 0] (1 placé au je rang). C’est pourquoi on va chercher à résoudre (S) avec a = 0 et b = −ei , 1 ≤ i ≤ 5 en utilisant la formule (P). On choisira k = 1/50. 1. Construire les matrices P et Q. 2. Écrire un script matlab de simulation de N itérations de la chaine {Xm }m≥0 , associée à la matrice de transition Q, partant d’un entier i. Il conviendra de tester à chaque itération l’arrêt de la chane (quand Xm = ∞) et de garder en mémoire toutes les valeurs prises par Xm jusqu’à l’arrêt ou jusqu’à N (si l’arrêt n’a pas lieu avant). + On pourra se demander comment simuler une v.a. ne prenant qu’un nombre fini de valeurs (comme Xm+1 − Xm par exemple) à l’aide de la loi uniforme sur [0,1]. Par la suite, il sera intéressant (pour un gain en temps) de vectoriser l’algorithme 1 5 précédent à savoir de simuler un vecteur t [Xm , · · · , Xm ] où X0i = i pour un même tirage aléatoire de la loi uniforme. 3. Écrire un script matlab pour approcher l’espérance dans (P ) en faisant la moyenne de M C simulations de N itérations de la chane {Xm } (itérations obtenues par l’algorithme précédent). Peut-on avoir un encadrement pour les coefficients de A−1 ? 4. Que se passe-t-il si on choisit un autre réel k 0 > k ? Quel sens donner à ce paramètre ? Comment influe-t-il sur la précision du résultat ? 3