Upload
samira-kour
View
227
Download
0
Embed Size (px)
Citation preview
8/6/2019 2_Processus stochastiques
http://slidepdf.com/reader/full/2processus-stochastiques 1/22
Processus stochastiques
Adapté de Yannis Korilis, Christian St-Jean, Dave DeBarr,
Bob Carpenter, Jennifer Chu-Carroll et plusieurs autres
8/6/2019 2_Processus stochastiques
http://slidepdf.com/reader/full/2processus-stochastiques 2/22
Phénomène temporel où intervient le hasard
Caractérisé par ses réalisation successives
Les valeurs instantanées sont des variables aléatoires
Ex: Suite de lancers de dé 1,3,2,5,3,6,2,4
Signal radar
Écho de voix
Temps continu : X(t)
Temps discret : X(tn) ; X(n) ; Xn
réalisation
V.A.
Processus stochastique
8/6/2019 2_Processus stochastiques
http://slidepdf.com/reader/full/2processus-stochastiques 3/22
Les signaux observés sont « rares » et ne dépendent que
du temps d¶attente et d¶un paramètre P :
Le nombre de signaux entre le temps t et le temps t+
T suit P(PT)
? A T
k
e!k
)t ( )k )t ( N )T t ( N ( P P
P
!!
Le temps d¶attente entre deux signaux suit une
loi exponentielle de paramètre P
? A T eT t P P!"
Le temps d¶attente entre « k » signaux suit une loi Gamma.
Processus de Poisson
8/6/2019 2_Processus stochastiques
http://slidepdf.com/reader/full/2processus-stochastiques 4/22
Le nombre de pannes dun composant est de 3 par jour.
Probabilité qu¶il y ait aucune panne en 1 jour :
Probabilité qu¶il y ait moins de trois pannes en 3 jours:
049.0!0
3)0( 3
0
!!! e X P
0062.0!2
9
!1
9
!0
9)0( 9
29
19
0
!!! eee X P
Probabilité pour que le temps d¶attente de la première panne soit
supérieure à 24 heures : 049.0e ) j1T ( P 3!!"
Probabilité pour que le temps d¶attente de la première panne soit
supérieure à 72 heures : 00012.0e ) j3T ( 9!!"
Temps moyen d¶attente d¶une panne : 1/3 de journée
Nombre moyen de pannes par jour : 3 pannes
Exemple
8/6/2019 2_Processus stochastiques
http://slidepdf.com/reader/full/2processus-stochastiques 5/22
Le nombre de clients entrant dans un magasin un jour donné suit une
loi de Poisson, X, de paramètre P = 12. Quelle est la probabilité de nepas tomber en-dessous de 250 entrées de clients durant un mois de
22 jours ouvrables ?
On a P8 = 12·22 = 264.
La probabilité recherchée est donc
P ( X u 250) = 1 - P ( X < 250) = 1 - exp(-264)·7i=0..249 264i/i! = 0.8133788672..
On peut acccéler les calculs en approchant la distribution de la variable de
Poisson X par celle d'une variable normale Y de moyenne Q = P8= 264 et devariance W2 = P8 = 264. Cela donne
P ( X u 250) = P ( X - Q u -14) $ P ((Y - Q)/W u 250/W) = P ( Z u -14/264½)
et Z est une variable normale standard. Donc
P ( X u 250) $ ½·[1 + erf (7·33½/66)] = 0.8055572942..
Exemple
8/6/2019 2_Processus stochastiques
http://slidepdf.com/reader/full/2processus-stochastiques 6/22
Processus stochastique dont l¶évolution ne dépend que d¶un
nombre limité d¶états antérieurs
1er ordre : Si à l ¶instant ti, on a observé la réalisation oi de X(t) alors
)o )t ( o )t ( ( )o )t ( ,...,o )t ( o )t ( ( 1n1nnn111n1nnn ee!eee
L¶état courant du système suffit pour prédire son état futur.
2nd
ordre : L¶état courant du système et celui le précédant suffisent pour prédireson état futur.
Andrei Markov (1856-1922) : statisticien russe spécialisé dans les modèles
probabilistes temporels.
Processus de Markov
8/6/2019 2_Processus stochastiques
http://slidepdf.com/reader/full/2processus-stochastiques 7/22
8/6/2019 2_Processus stochastiques
http://slidepdf.com/reader/full/2processus-stochastiques 8/22
Exemple: X(t) : Temps qu¶il fait
7={µ neige ¶,µ pluie ¶, ¶soleil ¶}
A=
4 = {0.02 , 0.4, 0.58}
¹
¹¹
º
¸
©
©©
ª
¨
8.01.01.0
2.06.02.0
3.03.04.0
Il faut définir: L¶espace d¶états: alphabet 7={o1,...,om} des réalisations
possiblesde X(t)
La matrice de transition A={ai,j= P(o j|oi)}
Les probabilités de départ 4={Ti=P(oi)}
Représentation Graphique
Neige Pluie
Soleil
0.4
0.1 0.1
0.2
0.6
0.3
0.8
0.3
0.2
0.02
0.40.58
§ §! !
!!m
j
ii ja
1
m
1i
1 1 T
Représentation d¶une chaîne de Markov
8/6/2019 2_Processus stochastiques
http://slidepdf.com/reader/full/2processus-stochastiques 9/22
Représentation Graphique
Neige Pluie
Soleil
0.4
0.1 0.1
0.2
0.6
0.3
0.8
0.3
0.2
0.02
0.40.58
)o( P )oo( P ... )oo( P )oo( P
... )o ,...,o( P )o ,...,oo( P )oo( P
)o ,...,o( P )o ,...,oo( P )o ,...,o ,o( P
1122n1n1nn
12n12n1n1nn
11n11nn11nn
vvvv!
vv!
v!
�!
v!n
2t 1t t 1 )oo( P )o( P
Application:
Quelle est la probabilité qu¶il fasse µ Soleil ¶,
5 jours de suite ? P(Soleil, Soleil, Soleil, Soleil, Soleil )=
0.58*0.8*0.8*0.8*0.8 =0.2375
P(Neige, Neige, Pluie, Pluie, Soleil )=
0.02*0.4*0.3*0.6*0.2=0,000288
Th. Bayes
Probabilité d¶une séquence d¶états
8/6/2019 2_Processus stochastiques
http://slidepdf.com/reader/full/2processus-stochastiques 10/22
� Probabilité de transition en n sauts
Note : est l¶élément (i, j) de la matrice P n
� Équations de Chapman-Kolmogorov
{ }, , 0, , 0ni j n m m P P X j X i n m i j
! ! ! u u
ni j P
0
, , 0, , 0n m n m
i j ik kj
k
P P P n m i jg
!
! u u§
Quelle est la probabilité qu¶il fasse µ Soleil¶ dans 2 jours sachant qu¶il
neige au jourd¶hui ?
2))1()3((
42.03.0*8.03.0*2.04.0*3.0
)()()()()()(
))1()3((
S
P N X S X P ou
N S P S S P N P P P S P N N P N S P
N X S X P
!!!
!!
vvv
!!!
N SP
N
S
0.4
0.3
0.3 0.8
0.2
0.3
Et sil y a plusieurs chemins ?
8/6/2019 2_Processus stochastiques
http://slidepdf.com/reader/full/2processus-stochastiques 11/22
Quelle est la probabilité qu ¶il fasse µ Soleil ¶ dans 3 jours ?
0.5446 0.58 )*0.80.4*0.20.02*(0.3*0.80.58 )*.100.4*0.6
...0.02*(0.3*0.20.58 )*0.10.4*0.20.02*(0.4*0.3 )S )3( X ( P
)S )2( X ( P )S S ( P
) P )2( X ( P ) P S ( P ) N )2( X ( P ) N S ( P )S )3( X ( P
!
!!
!v
!v!v!!
.
.
? A§!
!v!!!!
m
1i1t 1t t t )i X ( P )i X j X ( P ) j X ( P
Système d événements complet :
Prévision suivant un système
d¶évènements complet
8/6/2019 2_Processus stochastiques
http://slidepdf.com/reader/full/2processus-stochastiques 12/22
Un programme informatique est composé de 5 sous programmes
indépendants, sp1, .., sp5, et un sous-programme de sortie sp6.
De sp1 on peut aller à sp2 avec une proba de ½
on peut boucler avec une proba de ½
De sp2 on peut aller à sp1 avec une proba de ½on peut aller à sp4 avec une proba de ½
De sp3 on peut aller à sp1 avec une proba de ¼
on peut aller à sp2 avec une proba de ¼
on peut aller à sp5 avec une proba de ¼
on peut aller à sp6 avec une proba de ¼De sp4 on va à sp3
Quand on arrive à sp5, on boucle
Quand on arrive à sp6, on boucle
1 2
3 4
5
6
0.50
0.50
0.50
1.000.25
0.25
0.25
0.25
Exemple
8/6/2019 2_Processus stochastiques
http://slidepdf.com/reader/full/2processus-stochastiques 13/22
Partant de sp2, quelle probabilité d¶y être à nouveau au
temps « 4 » ?
Première solution : graphique
Il existe 3 chemins pour aller de 2 à 2 en quatre temps :
24312 avec une proba : 0.50x1x0.25x0.50=1/16
21212 avec une proba : 0.50x0.50x0.50x0.50=1/16
21112 avc une proba : 0.50x0.50x0.50x0.50=1/16
Soit une proba de 3/16=0.1871 2
3 4
5
6
0.50
0.50
0.50
1.000.25
0.25
0.25
0.25
8/6/2019 2_Processus stochastiques
http://slidepdf.com/reader/full/2processus-stochastiques 14/22
Si on pose les probabilités pij sous forme de matrice P,
on anik
n pi X k X P !!! )/( 0
Deuxième résolution : par matrice
0,50 0,5 0 0 0 0
0,5 0 0 0,5 0 0
0,25 0,25 0 0 0,25 0,25
0 0 1 0 0 0
0 0 0 0 1 0
0 0 0 0 0 1
Matriceinitiale P
P4
0,375 0,25 0,125 0,125 0,0625 0,0625
0,3125 0,1875 0,125 0,125 0,125 0,125
0,1875 0,125 0,0625 0,0625 0,28125 0,28125
0,1875 0,125 0,125 0,0625 0,25 0,25
0 0 0 0 1 0
0 0 0 0 0 1
1 2
3 4
5
6
0.50
0.500.50
1.000.25
0.25
0.25
0.25
8/6/2019 2_Processus stochastiques
http://slidepdf.com/reader/full/2processus-stochastiques 15/22
� Probabilités des états (dépendant du temps)
� Sous forme matricielle:
� Si T n tend vers une distribution stationnaire T , on a :
� et(En partant de )
L¶existence de T dépend de la structure de la chaîne
n n
n n n n j i ij
i i
P X j P X i P X j X i P g g
! !
! ! ! ! ! !§ §
0 1 { }, ( , ,...)n n n n
j n P X j! ! !
1 2 2 0 ... n n n n P P P
! ! ! !
lim n
np ¡
P !1 2 2 0
...n n n
P P
Distribution limite des états
8/6/2019 2_Processus stochastiques
http://slidepdf.com/reader/full/2processus-stochastiques 16/22
Apériodique :
� Une chaîne est apériodique si
aucun état n¶est périodique
� Un état i est périodique si :
� La distribution stationnaire existe et est indépendante de
l¶état initial si la chaîne est irréductible et apériodique
Irréductible :
� Les états i et j communiquent si :
� La chaîne est irréductible si tous les
états communiquent
, : 0, 0n m
i j jin m P P " "
1: 0n
iid P n d E" " !
0
3 4
21
0
3 4
21
8/6/2019 2_Processus stochastiques
http://slidepdf.com/reader/full/2processus-stochastiques 17/22
Détermination de la distribution stationnaire
A. Nombre d¶états fini
Deux possibilités :
� Résoudre le système d¶équations :
� Dériver T de , sachant que
et donc que P n converge vers une
matrice dont les lignes valent T
Valable pour un petit nombre
d¶états
B. Nombre d¶états infini
� Méthodes précédentes non applicables
� On doit deviner la solution, ou la
trouver par itération:, , ,...,m
j i ij
i
m
i
i
j m!
!
! !
!
§
§0
0
, 0,1,...,
1
j i ij
i
i
i
P jg
!g
!
! !
!
§
§n
n
P limgp
_ a n
ij0n j P i X | j X P !!!!T
8/6/2019 2_Processus stochastiques
http://slidepdf.com/reader/full/2processus-stochastiques 18/22
� Modèle markovien ± i est le nombre de parapluies
disponibles à l¶endroit présent
± Matrice des probabilités detransitions entre états
� Un professeur distrait
possède deux parapluies.
S¶il pleut et l¶un d¶eux est
disponible, elle le prend;
sinon, elle sort sans parapluie.
Si p est la probabilité qu¶il pleuve à chaque fois qu¶elle
se déplace, quelle est la probabilité qu¶elle prenneune douche involontaire àchaque fois ?
0 2 1 1 p
p1 p
1 p
0 0 10 1
1 0
P p p
p p
« »¬ ¼!
¬ ¼¬ ¼½
Exemple
0
1{gets wet}
3
p P p p
p
! !
Se mouiller
8/6/2019 2_Processus stochastiques
http://slidepdf.com/reader/full/2processus-stochastiques 19/22
Ex.: chaîne Markov avec un nombre fini d¶états
0 2 1 1 p
p1 p
1 p0 0
0
0
p p
p p
« »¬ ¼! ¬ ¼¬ ¼½
2 0
0 2
1 1 2
0 1 2
1 2
1
0
(1 )
(1 ) 1 1 1 , ,
1 3 3 3
1
i i
p
P p p p
p p p p
! ®±! ! ® ±� � ! ! !¯ ¯! ° ±± !
!
°
§
0{gets wet}
3
p P p p
p
! !
Se mouiller
8/6/2019 2_Processus stochastiques
http://slidepdf.com/reader/full/2processus-stochastiques 20/22
Ex.: chaîne Markov avec un nombre fini d¶états
� Si on prend p = 0.1:
� On peut aussi calculer T en évaluant numériquement
± L¶efficacité du calcul dépend de la structure de P
0 0 1
0 0 9 0 1
0 9 0 1 0
P
« »¬ ¼¬ ¼¬ ¼½
1 1 1 , , 0.310, 0.345, 0.345
3 3 3
p
p p p
¨ ¸© ¹ª º
0.3 0 0.345 0.345
lim 0.3 0 0.345 0.345 ( 50)
0.3 0 0.345 0.345
n
n
P npg
« »¬ ¼ }¬ ¼¬ ¼½
0
1{gets wet}
3
p P p p
p
! !
Se mouiller
n
n
P limgp
8/6/2019 2_Processus stochastiques
http://slidepdf.com/reader/full/2processus-stochastiques 21/22
À l¶équilibre, on a :
T=[1/4 1/2 1/4]
Ainsi, si on part de trois états différents :
]1,0,0[]0,1,0[]0,0,1[ 000 !!! cba T T T
On obtient par simulation :
? A ? A ? A6.04.00.02.06.02.00.04.06.01T
? A
? A
? A25.050.025.0
25.050.025.0
25.050.025.020T
1 2 3
0.60.4 0.6
0.6
0.4 0.4
0.4
0,6 0,4 0
0,2 0,6 0,2
0 0,4 0,6
Exemple montrant lindépendance de T des
états initiaux
8/6/2019 2_Processus stochastiques
http://slidepdf.com/reader/full/2processus-stochastiques 22/22
� Chaînes de Markov généralisées (ou Semi-Markov) :
± Le prochain état dépend de l¶état présent, plus la durée de temps passée
dans ce dernier.
� Chaînes de Markov à temps continu :
± Cas spécial des processus semi-markoviens.
� Champs de Markov
± Modèle de Markov s¶appliquant à une distribution spatiale de variablesaléatoires
� Chaînes de Markov cachées :
± Elles sont accessibles uniquement à travers des observations indirectes
Autres processus markoviens