Upload
p-l
View
213
Download
1
Embed Size (px)
Citation preview
INTRODUCTION AUX PROCESSUS DE MARKOV
A PARAMETRE DANS Z v
ear Frank L. SPITZER
Je suis très reconnaissant à Messieurs AMARA,
VILLARD, MoNTAooR, oEMoNGEoT, LEoRAPPIER, HENIoN qui ont
rédigé les conférences et qui y ont apporté beaucoup
d'améliorations.
CHAPITRE l
CHAMPS ALEATOIRES ET LIMITES THERMODYNAMIQUES
7l Soit n = {D, 1} v , 00 7l v désigne le produit certésien de v ensembles
d'entiers 71. • On va étudier une classe 1'1b v de rresures de probabilités sur
W, ~), oCi :f est la a-algèbre produit sur n • On peut voir n comrre l'ensem-
ble des configurations de particules sur ~v ' considéré comme ensemble de
sites : pour x € ~v ' w (x) • 1 si le site x est occupé, et w (x) = 0 sinon.
Pour v = 1,11bv = rnb 1 .. ~ sera la classe de mesures ~ qui correspondent
aux chatnes de Markov stationnaires, à matrice de transition strictement posi-
tive :
Définition 1
Une mesure de probabilité li sur W, :r ) appartient à I}')t", s'il existe
une matrice stochastique M = [M (i, j)] , 1, j .. D, 1: M (i, j) > 0,
avec TI = TI M son (unique) mesure invariante, de sorte que
pour tout k € 7L et toute sui te xo' x1 '
.. TI
x n
(x ) M(x ,x1) ••• M(x 1'x), o 0 n- n
à valeurs dans {O, 1} •
Le but principal de ce cours est de généraliser cette définition d'une
façon naturelle de une dimension à plusieurs. Donc on va étudier la notion de
chatnes stationnaires de Markov quand le paramètre t (le temps) appartient à
l'espace 7l.v de dimension v ~ 1. Pour introduire les idées on va caractériser
la classe d'une nouvelle manière, qui se prête mieux à la généra-
lisation. J'appelle cela méthode A, ou méthode de Gibbs. Une autre méthode,
116
plus récente. sera traitée dans le chapitre III. dans les définitions 1 et 4.
Elle s'appuie sur les probabilités conditionnelles.
Méthode A
Soit Q = [Q Ci, j) • i. j € {a. 1} une matrice positive. Q Ci. j) > a.
Soit nn {a. 1} [-n.n] pour tout entier n ~ 1. et soit \fi une application de
la frontière {-n-1. n+1} de l'intervalle [-no nJ dans {a. 1}. Disons que
<p [-n-1) = a. <f [n+1) = b. Soit ~~ la densité de probabilité définie sur n n n
par
[2)
Ici Zn [<P) est une constante de normalisation. telle que
L w€n
n
En effet on voit que
~'f [w) = 1. n
[3) Zn [tp) = Q2n+2 [a. b).
w En. n
On peut considérer comme mesure de probabi li té sur [n • .r) d'une façon
arbitraire compatible avec la condition de frontière. par exemple en supposant
que wk = a pour k ~ - n - 2 et k ~ n+2.
Question: quelles sont toutes les limites vagues ~. qu'on peut obtenir par le
passage à la limite [limite thermodynamigue)
[4) lim n--
en utilisant des suites arbitraires de fonctions fn qui spécifient les valeurs
à la frontière? Appelons cette classe de mesures ~.
117
Théorème 1
~ = 1ttS. De plus, chaque suite 9'n
~n a une limite vague ~ , qui est
indépendante de la suite <fn ' et qui dépend de Q de la façon suivante :
~ est la mesure de la chaine de Markov stationnaire avec
(5) M (i, j) = Q (i,j) r (j) À r (i)
i, j = 1, 2,
où À est 'la pZus grande va'leur propre de M, et Mr = Âr.
Démonstration
C'est une application du théorème de Frobenius sur les matrices positives.
On sait que
(6 ) lim n--
~ (j) r (i).
si ~ Q = Â~, Qr = Âr. et L ~ (i) r (i) = 1. Supposons donc que ~ ~ ~ , et i
que ~ est une limite vague dans le sens de (4), en utilisant la matrice Q et
les fonctions C?n telles que <f>n (n+1) = bn , tf n (-n-1)
l'idée générale on regarde l'évènement que w o
[w o 8J
Utilisant (6) et (5)
[w o
a , w1 = s] = i ~ (CL) Q (a, 8) r (S)
a • Pour illustrer n
8 Alors. selon (3)
~(a) r (a) M (a,8 )
Mais TI (a) = ~ (a) r (a) satisfait à l'équation TI M = TI , donc on a démontré que
~ c 'I1'b , avec la matrice M donnée par (5). Pour démontrer que ~ (' ~ =9 ~ € ~,
on vérifie aisément qu'on peut prendre Q = M.
Remarque: il est clair que tout ~ € ~b peut s'obtenir à l'aide d'une grande
famille de matrices Q différentes. La nature de cette ambiguité sera expliquée
dans le chapitre II.
118
Le théorème 1 suggère qu'on doit définir ~v • pour v ~ 1. de la même façon
que la classe ~. c'est-à-dire en utilisant comme blocs de construction les
éléments d'une matrice positive Q. D'abord quelques notations. Soit
A n
a A n
A Q = {D. 1} n • Q
n
{x x~71 '\.A v n Iy - xl
a A + {O. 1}. n
Q (1. j) > 0 li. j ~ {O. 1}.
1 pour un y € A }. A n n
Les fonctions tp sont les valeurs à la frontière de A • n
Posons III (x) {Ill (x) pour x € A
If (x) pour x € anAn
On définit les densités de probabilités
(7) Il~ A
n (Ill) n
{x.y}:x.y
Ix-yl=1
Illf A n
€A n
sur Qn par
Q (Ill • ;;;- ). x y
Evidemment (7) est l'analogue de (2). Donc on espère définir la classe ~ v
comme la totalité des limites vagues des mesures données par (7). Ce n'est pas
tout à fait satisfaisant. comme nous le verrons dans le chapitre III. théorème
2 (i). On doit en effet considérer aussi les limites vagues de combinaisons
convexes de densités • selon <p
Définition 2
~Q est l'ensemble de toutes les mesures de probabilités Il sur
(Q. 1") qui sont limites faibles de la forme
(6) Il l1m l c (<P ) Il~ n A
n-- <p: a A +{O.ll n n
où c ( If) ~ o. l cn (<f) 1. Finalement 'ln. =~ ~Q • n cp: a A +{O.ll v n
119
Remarque: dans le chapitre III, cette définition sera remplacée par les défi-
nitions 1 et 4 (équivalentes)
En dimension un, nous avons démontré (théorème 1) que chaque classe C% Q
Cfn consiste en une seule mesure ).l, parce que la limite vague de ).l1\ existe et
n est indépendante de {cp n} • L'intérêt principal de la théorie en dimension
v ~ 2, et de ses applications à la mécanique statistique, est du au fait que
la Hmi te peut maintenant dépendre de la suite cp n des conditions à la frontière.
Nous commençons par étudier ce phénomène dans un cas un peu artificiel, mais
en revanche très simple. Nous démontrons ensuite le théorème remarquable, que 112
pour ri = {D,il <â- Q contient plusieurs éléments, si
Q ( ~ : J 2"
L'arbre infini Construction
L'arbre infini est 1\ 00 u
n
Q C:a
).l9 On définit sur ri {D, 1\ n n
Proposition
Pour <f - 1, lim ).lq> 1\ n+oo n
J
) 2 e , et J suffisamment grand.
J 2
e
on part d'une origine 0 ; on obtient 1\1 en
construisant 3 branches partant de O. On ob-
tient 1\n' par récurrence, en construisant, à
partir de chaque bout de 1\n-1' 2 branches. On
suppose que toutes les branches ainsi obtenues
ne se coupent qu'à leurs extrêmités.
1\n • Soit <p : a 1\ n + {D, il ' et soit
1-a ) 1 2"~ a < 1.
a 1\
1} n suivant (7).
{: 1 a > 2 2" si
[w = 1] 4 1 3 0
2" si a ~ '4
120
Remarque 3 <tQ
contient au moins deux éléments. : pour a >- nous voyons que 4
En effet. en partant de <fn - O. et de Cfn -
pa l1m \lo et 1 l1m 1 ]l \ln
n ..... nk n m k m
sont différents (on a choisi des sous-suites pour assurer la convergence).
car par symétrie
po [00 = OJ 1 [00 ]l
0 0
Donc
p 1 [00 o
Démonstration
1J. ]l0 [w 0
1J 1
\l
1 - 1 roo ]l l.!o
[00 0
OJ
2
An est formé de 3 grandes branches identiques de longueur n
l'une d'elles.
Soit : R (i. 1) n
tels que
p n [00
00 o
0
Posons
i et
1]
X n
00
Z-1 n
R n
II x.y e: B
n
Q (w , w ) la sommation sur les x y
\x-y\=1
00 =' 1 ,sur a B n
R3 R3
(1,1 ) n
R3 n n
(O. 1) . Y n
R
i = O.
(1. 1 )
(0.1 ) + R3 n
(1.1)
X (1, 1) • T n
n n = -Y--n
soit B n
B ooE{D. 1} n
On peut obtenir Bn+1 en collant en p. 2 branches Bn ayant même valeur en P.
d'où
Q (O. 1) y2 + Q (D, 0) i n n
2 Yn+1 = Q (1. 1) Yn +
Q(O,1) + Q (0,0) T2 n
Q(1.1) + Q(1.0) T2 n
Q (1. 0) X2 n
f(T ) où f(x) - a -~ n - h (1-a)2 a 2 --:r:a + x
121
Suivant les valeurs de a, f(x) a pour graphe
a ~ 3/4 a > 3/4
y
d'où pour a ~ 3/4 l1m T n_oo n
pour a > 3/4 l1m T y < 1 n
n-+-+oo
ainsi pour a > 3/4
1 [Ill 1J ... 1/2 ~n = > 0
T3 3 1 + + y
n
Le Modèle d'Ising
C'est un modèle simple pour étudier la transition de phase dans un gaz
ou pour le magnétisme. Il y a un grand nombre d'articles récents donnant un
aperçu des progrès dans ce domaine [1, 2, 3J . Ce qui importe pour nous c'est
que le modèle d'Ising en dimension v ~ 1 (cas symétrique ou à champ magné-
tique extérieur zéro) équivaut à l'étude de la classe ~Q de la définition
2, avec la matrice
Si v
J "2
e
1, le théorème 1 entraine que
) , J ~ o.
~ contient un seul élément. O"Q
Pour v 2 (et aussi pour v ~ 2 par des méthodes analogues) on a le résultat
suivant.
122
Théorème 2 (Dob'PUshin et Griffiths [4J, [5J)
Si v = 2, et si J est suffisamment grand, ~Q aontient plusieurs
éléments différents.
Remarque: les travaux récents [2J ont montré que, pour J ~ 0, v = Z
~o contient un seul élément. si et seulement si 0 ~ J ~ J c • où
J c log (12 + 1) (racine de sh J = 1). Pour v ~ 3 la valeur critique J c
n'est pas connue.
Démonstration
Pour mettre mieux en évidence la symétrie de 0 on va construire les Zl
mesures de ego sur l'espace L = {+1. -1} Z • Alors le produit de l'équation
(7) devient
(9) (0 ) TI Q (a • cr ) {x.y}:x,yE:A x y
Jx-y J =1
(<p) exp [f L _ô(x) cr (y)l, {x.y}:x,y €oA 'J
Jx-yJ=1
Evidemment les densités ~A sont invariantes par rapport à la transformation
+ ~ - et - ~ +. Donc la démonstration sera achevée si on prend comme condition
de frontière cp =: 1 sur a A , pour tout
on montre que, pour tout E > 0
(10) Hm sup ~~ [0 [x)
AJ7Zz
si J est suffisamment grand.
A (on notera
, pour tout x € 7lz •
Pour tout a €{+1, _1}A (dite configuration dans Al on définit le contour
de a comme la ligne brisée fermée qu'on obtient en séparant par des segments
123
médians les points voisins x. y de A pour lesquels 0 F 0 • x y + + + + + +
+~-- - + + - - + - +
+ + - - + +
+ - + - + +
++++++
La formule (9) peut s'écrire
(10)
... +
La longueur du contour sera 101 • Dans
l'exemple ci-contre 101 24.
où ZA est une constante de normalisation. Donc les configurations 0 les plus
probables ont les contours les plus courts. Pour expliciter cette idée on re-
garde les boucles d'un contour. c'est-à-dire les différentes courbes simples
fermées qui sont présentes dans un contour. Dans l'exemple ci-dessus on a 3
boucles. de longueur 4. 4 et 16. Si S est une boucle. et 0 une configuration.
soit
{ 1 si la boucle S
IS (0) =
est présente dans le contour de 0
D sinon
La longueur d'une boucle S sera dénotée Isi • Soit E~ [.] l'espérance par
+ rapport à )lA •
Lemme de Peierls
Soit S une boucle. et Isl = b. Alors
+ -Jb EA (IS) ~ e • indépendamment de A •
Pour la démonstration on fixe S • Pour chaque configuration cr dont le
contour contient ~ • soit cr~ la configuration modifiée telle que
124
{ :: si x est à l'extérieur de 13 :1(
= cr x si x est à l'intérieur de 13
Il est clair que [o:l([ = [a [ - b. Maintenant soit
Ls = {a : le contour de a contient sl . On trouve
I e -J[o[ I e -J[o:l([
+ a e: l:S -Jb
a €. l:S -Jb E1\ [ISJ -J[o[
= e -J[o[ ~ e
I e I e cr € l: a Ë l:
La dernière inégalité est due au fait que chaque terme du numérateur est présent
dans le dénominateur.
Maintenant on trouve. pour A suffisamment grand pour que x e: 1\. que ).1 ~ [0 (x) =-1]
).1 ~ [ .3 une boucle 13 dans le contour de a avec x à l'intérieuIj
L + [ 3 une boucle 13. avec [S[ l'intérieur J ~ ).11\ b. avec x à b=4
~ L -bJ Nb e .
b=4
où Nb est le nombre de boucles de longueur [S[ = b. ayant x à l'intérieur. Une
telle boucle se trouve dans un carré de côté b. d'où Nb ~ b2 3b. Donc
[0 (x) - 1 J < I b2 (3 e-J)b b=4
f (J).
et comme f (J) + 0 quand J + 00 • la démonstration de (10) est achevée.
Remarque : un calcul profond et remarquable de L. onsager [6J (dont les détails
n'ont été complètement j usti fiés que récemment [31]) donne le résultat
-t-' 1[ [: -"h' J)4 J'/8 ).1~ [0 (x)
si sh J ~
+ 1J si sh J ~ 1.
C'est la célèbre formule pour la magnétisation spontanée.
CHAPITRE II
ETATS DE MARKOV ET DE GIBBS FINIS
A est un graphe fini sans direction et sans boucles et n 2A•
On note x 'V y si x = y ou x et y voisins
ax iY € A Y 'V x et y F x}
l {S c fi S F 0 et 'ri (x, y) ~ S x S X 'V y}
Les éléments de l s'appellent les simplexes du graphe fi
Défini tion 1
Une densité de probabilité ~ sur n est un état de Markov si et
seulement si
(i) VA E: n , ~ (A) > 0
(11) '<:fA f.n, 'ï/x e: fi \ A ~I A U {x} 1 .. ~[(A () a x) U {x}J ~ (A) ~ (A () a xl
Remarque ~ (A U {x}) ne dépend que de ~(A 0 {x}) + ~ (Al ~(A)
1 + -~--:(':;;;A.;;rOM{-x}"")'-
A () a x d'après (11) pour x ( fi \ A 1 (11) exprime donc que la probabilité
que le point x soit occupé,sachant l'état d'occupation de fi \ {x},ne dépend
que de l'occupation des voisins de x.
On appelle potentiel de Grimmettune application V de l dans rn.
126
Définition 2
Une densité de probabilité V sur n est un état de Gibbs si et seule-
ment s'il existe un potentiel de Grimmett V tel que
)l (A) exp L V (B) )l (el)) •
BeA
B e: l D n a alors le
Théorème [7J
La densité )l est un état de Markov si et seulement si c'est un état
de Gibbs et le potentiel de Grimmett Vest déterminé de manière unique :
v (A) = L (_lJ IA\BI Log V (BJ A e: L BeA
Démonstration
Elle est basée sur une formule combinatoire de Moebius : si A est un en-
A semble fini quelconque et f et g deux applications de 2 dans ~
g (A) L f(B) .'rIA E: /' ~ f(Al = L [_1)IA\.BI g[B).'v'Af' 2A • BeA B CA
1°) Soit V un état de Markov sur n définissons.pour tout A € n. V [A) par
V [Al L (-1)[A\B1 Log )l[B) BCA
Si A F el n'est pas un simplexe.V [A) = DIen effet il existe dans A
deux points x et y distincts et non voisins et.en remarquant que tout BC A est
de l'une des formes C. C U {x}. C U {y} ou C U {x. y} avec CC A\. {x.y}.il
vient
V [A) )l (C) )l [C U{x.y})
L [-11 (A\C) Log ---------- o CCA \.{x.y} )l[C U {x}) V [C U {y})
127
puisque d'après (ii) l'argument du logarithme vaut 1 pour tout CC A \ {x,y}.
Alors par l'inversion de Moebius :
Log II (A) l V (6) V (~) + l V (B) Be A Be A
B € l':
si bien que II (A) II (111) exp l V (B],\;( A€ n ; II est un état de Gibbs BeA
B € l':
admettant comme potentiel la restriction de V à l . L'unicité du potentiel de Grimmettd'un état de Gibbs découle de la formule de
Moebius (on peut définir V et V' sur n tout entier en posant V' (B) = V (B)
si B ~ l
2°) Inversement soit ~ un état de Gibbs de potentiel V,montrons que c'est un
état de Markov. La condition (i) est trivialement vérifiée.
II (A U{x}) (Sl] D'autre part "P [ 1 V (5) - l V
~ (A) 5 € l': 5 €: l':
5 C A U{x} 5CA
J.l (A U {x}) donc exp l V (5) ne dépend que de A n 3 x car
J.l (A) 5 € 1:
x ~ 5
5 C A U{x}
un simplexe contenant x ne peut contenir aucun point hors de 3x.
CHAPITRE III
LES ETATS DE MARKOV ET DE GIBBS SUR ~ ;;==-=========-=-============v
Dans ce chapitre nous allons montrer l'équivalence entre les états de
Markov (la généralisation multidimensionnelle des processus stationnaires de
Markov) et les états de Gibbs locaux (l'analogue des états de Gibbs définis
au chapitre précédent). Dans un premier temps nous donnerons les définitions
nécessaires et nous prouverons un lemme technique. tout en énonçant les trois
théorèmes principaux. Ensuite nous ferons la démonstration de ces théorèmes.
Notation
Soi t W. ~) l'espace défini par n {O. 1}~V et ~la tribu engendrée
par les cylindres finis.
Définition 1. [8J
Une mesure de probabilité ~ sur (n. ~ 1 est un état de Markov
a) l.l (Cl> 0 pour tout C cylindre fini.
b 1 l.l [w (x 1 w (yl = f (yl. y E: ~
l.l [w (x 1 = 1 1 w [y) f (yl. y € A () a >5J.
pour tout ensemble fini A contenu dans ~v tel que
a x C A et x1 A. et pour toute fonction f : A + {D. 1}.
c) Pour tout a E: ~ v
l.l [w (x + al w (y + a) = f [yl. y E: x]
l.l [w (x) 11 weyl =f(yl.YE: a>5J.
129
Théorème :]
Lorsque v = 1 les états de Markov sont exactement les processus sta
tionnaires de Markov; c'est-à-dire que m = 116 1 (voiT' chapitre I,
définition 1 pOUT' la définition de 11t).
Remarque: Ce résultat justifie notre description des états de Markov comme une
généralisation multidimensionnelle des processus stationnaires de Markov.
Définition 2
Une application U llv x llv .... IR est dite un potentiel local si
al U (x, yl " D
bl U (x, xl = U (y, yl
cl U (x, yl U (y, xl
dl U (x + a, y + al = U (x, yl
si 1 x - yi> 1
pour tout x, y € llv
pour tout x, y €. 1Zv
pour tout x, y, a €7Z v
Nous noterons par Uo la valeur commune des U (x, x).
Notation
Si B et A sont des sous-ensembles finis de71 on écrit v
U (A, B) = L L U (x, yl x C A y E: B
et
U (A) U (A, A).
Définition 3
Soient U un potentiel local et A c 7L un ensemble fini. Si v
y c a A , l'état de Gibbs fini rrY sur A avec potentiel U et à valeurs A
de frontière Y est la mesure de probabilité discrète sur T(A) (= 2A)
dont la probabilité en un point est
où
130
JlY [A) A
Z~1 [y) exp [- tu [A U Y)J pour tout A E P [A)
ZA [y) = L BeA
exp [- t U [B U Yl]
Remarque : JI: [A) est interprétée comme la probabilité que la partie occupée
de A soit exactement A, étant donné que la partie occupée de aA est Y.
Nous démontrons maintenant un lemme technique qui fait voir la relation
entre des états de Gibbs finis ayant le même potentiel. Ce résultat nous sera
utile dans la démonstration du théorème 2.
Notation
Si \l est une mesure de probabilité sur [Q, 1) et si A c A où A est
un sous-ensemble fini de ~ v
\l fw w [x) 1,xE:A w [x) 0, x e: A '\ A}.
Lemme
Soient A et A' deux ensembles finis [dans ~v) tels que
y' c a A' nous avons la relation suivante :
A cA' . Si
(1) L Be A'\A
y' JlA, [A U B) L
Yc aA CJ. y ' [Y) JI~ [A) pour tout A c A,
y' ,Y compatibles
où
[Yl L [C U y) où Y n A'. ccA'
On dit que y' et Y sont compatibles si Y n a A' Y' (\ a A.
131
Remarque. Si A' :=> A la relation devient
C BcA'\A
Y' 'i' IIA,(AUB)= L. Y c aA
a y , (y) n~ (A)
où
L Y'
CcA'\ aA nA' (C UV).
Démonstration
Si l'on admet au départ que aA' est occupé en Y', le coefficient ay , (y)
est la probabilité que aA soit occupé en Y, et le membre de gauche de la
relation (1) est la probabilité que A soit occupé en A. Par conséquent, il
suffit de montrer que Y lIA (A) est la probabilité conditionnelle que A soit
occupé en A, étant donné que aA est occupé en Y, où Y et y' sont compatibles.
Si l'on écrit y' = Y' \ (y ny'). nous avons que
Prob {A,Y et y' soient les parties occupées de A, aA et aA' resp.}
Prob fY et Y' soient les parties occupées de aA et a A' resp.}
Y' ~ L ccA' '\ ( ïi nA')
nA' (A U Y U C)
L _ L Y' li , (B UY UC)
C cA' \ (A nA') BeA A
z~~ (Y') L exp (- 2. U (A U Y U CUY') c 2
z~; (Y') L L exp (- 2. U (B U Y U CUY')) C B 2
car Y UV' = Y UV'. Puisque U (B UY U CUY') = U (B UV) + U (y U CUY')
- U (y) pour tout B dans A (B et CUY' étant trop éloignés l'un de l'autre
pour pouvoir réagir l'un sur l'autre) ce dernier quotient devient
et la
132
[~ exp [- ~ U [y U C U Y'l + ~ U [y))]
[ & exp [- ~ U [y U Cuy' 1 + ~ U [y))]
exp [- 2. U [A U Yll nY 2 [Al
Z fi [Yl fi
démonstration est complète.
exp [-~U [AUYll
L BeA
exp [- lu [B U Yll 2
Maintenant nous abordons la méthode B [méthode des probabilités condition-
nellesl pour définir les états de Gibbs. Cette méthode est l'invention de
Dobrushin [9J et de Lenford et Ruelle [lOJ. La définition 4 va remplacer la dé-
finition 2 du chapitre 1.
Défini tion 4
Si U est un potentiel local sur ~v ' une mesure de probabilité ~ sur
[no j 1 est un état de Gibbs local à potentiel U [~ ~ ~ul si
al VA [Al> 0 pour tout A c A
et
c Z v
fi fini.
bl ~i\[A U Yl
~aA [Yl Il~ [Al pour tout A cA. Y c aA. A fini. si
A fi U aA
Théorème 2
Pour tout potentiel local U, l1u est
i) exactement l'ensemble (non vide) des limites de la forme (par rapport
à la topologie vague)
lim L C (y) IlY n An n Yca A n
où les A croissent vers ~ et où C n
L y c aA n
v n
c (y) = 1. n
(.) ,
(y) ~ 0 pour tout n et tout
133
ii) aonvexe
et
iii) aompaat (dans Za topoZogie vague).
Théorème 3
i) Si U et U' sont dEs potentieZs Zoaaux distinats sur 12:\)
~U (/ ~V' ;:: ~
ii) 1fb \);:: ~ ~ U •
Démonstration des théorèmes
Nous allons démontrer les théorèmes dans l'ordre suivant 2. 3. et 1.
Démonstration (Théorème 2)
Considérons une suite fv l de sous-ensembles finis de 1l telle que n \)
V tll n \)
l'état de
(Q. [1) ;
Pour chaque n. et chaque
Gibbs fini Il y
(.) = nY n V
n si A c A • ensemble
L Be V \A
n
= 0
où E fi. A = {w E: Q : w (x)
choix de Y Co él
( .) comme une
fini de 1l\)
IlY (A U B) n
. si
V nous pouvons regarder n
mesure de probabilité sur
sinon.
w (x) = O. x E: A \ A}
71. W. 'd) pouvant s'interpréter comme étant ([O. 1] \) • ~ ). toute suite de
mesures bornées possède une sous-suite convergeant vaguement. Par conséquent
l'ensemble des limites vagues des combinaisons convexes des états de Gibbs finis
est non vide.
134
Soit ~ une telle limite vague, c'est-à-dire:
~ (EA,A) = lim l C (y) nY (EA,A) y c a v
n n n n
où EA,A est un cylindre fini et L C (y) 1, avec C (y) ~ O. Il y c: av n n
n
faut montrer que ~ € ~U' Supposons que ~ (EA,A) > 0 pour tout A , A et
prenons A c Z fini, A cA, et B c aA • Si n est suffisamment grand \i
pour que 1l CV, nous avons, selon le lemme précédent, que n
nY (EX,A UB) l (y' )
y' (EX,A U B)' C' nA n Y' c: aïl n
nY (EaA,B) L C' (y' ) Y'
(EaA,B) • n Y 'C aïl n nA
Une autre application du lemme montre que
n~ (A)
pour tout y' c aI . Il s'ensuit que
~ (AUB)
~aA (B)
~ (Ep:,A U B)
~ (EaA,B) n~ (A), A cA, B c aA •
Il suffit donc de montrer que ~ (EA,A) = ~A(A) > 0 pour tout
ou de montrer qu'il existe un M > 0 tel que pour chaque n et pour
couple A,A,
chaque
Y c av : M < nY (EA,A) • Selon le lemme nY (EA,A) est une combinaison n n n
convexe de la forme
L Cl (B) nB (A) ~ M min nB (A) > 0, n A A
B C aA B c: aA
135
et il s'ensuit que VA (Al est positivel par conséquent ~u contient toutes
les limites vagues de mesures de la forme
I c (y) n~ (.l. YcV
D'autre part, si V e: rtu ' pour tout A C A et Y c aA
)JX (A U Yl = )JaA (Yl n~ (Al,
d'où
y )JaA (Yl nA (Al.
En utilisant le lemme démontrél précédemment, nous savons que, si V::> A et si
C (Yl = )Jav (Yl pour Y c a V ,
I y c a V
I V(l V (Yl y c av
y' J (lA LI av
L Bc: V\A
I Y'caA
Y' (y' 1 nA (Al
Il s'ensuit que toute )J ~~U est de la forme voulue.
nY (B u Al V
Y' nA (Al
~u est convexe si )J, )J' € ~u et si À ~ (0, 1l il est très facile
de voir que À)J + (1 - Àl)J' est positive et que
pour tout A CA, Y C aA •
136
Enfin ~u est compact ; si t fl l T T TE:
est un ensemble filtrant à droite
vers fl, mesure de probabi-dans ~u qui converge dans la topologie vague MA
lité, et si A, A sont donnés, fl T (EA,A) a ----M- > 0 pour tout T ET (car fl T
est la limite de mesures avec cette propriété). Par conséquent, fl est aussi
positive sur chaque cylindre fini EA,A'
D'autre part, pour chaque
fl i (EA,A UV)
fl T (E aA , y)
d'où nous avons que
fl (EA,A UV)
]J (EaA,y) rrY
A
et nous voyons que fl € ~u
T t T , Vi satisfait à
rr~ (A) pour tout A, Y, et A
(A) ,
C.Q.F.D.
137
Démonstration (Théorème 3)
i) Supposons que II E: ~ U ('\ ~U' pour deux potentiels locaux U. U'.
iil
Alors
Nous allons montrer que U = U', Prenons d'abord un ensemble
fini. et posons Y .. 21 A = 21,
-1 21 ll- (121) 121 -1
(21) (21) Il (121) (21) ZA.U IIII.U IIA•U' ..
ZA.U' llaA (121)
Maintenant si A {x} c Il
AC lL • v
-1 .1. U ZII.U (21) exp (- 2 (x.x)) llii ({x})
llaA (111)
-1 1 ZA.U' (21) exp(- 2' U'(x.xlJ
d'où ua .. U (x.x) = U' (x.x) = Uô ' Si A {x.y} où Ix-yi 1 •
choisissons Il ~ {x. y} , Alors
exp (- ua - U (x. y)) = exp (- Uô - U' (x. y))
d'où
U (x. y) .. U' (x. y)
Il s'ensuit que U = U',
Supposons que II Ë ttu pour un potentiel local U. Choisissons llii (YU.)
A clL fini et Y C ail , llll.Y ( ,) = ].laA (y)
est un état de v
Gibbs (au sens du chapitre II) sur 2A avec potentiel V
V [(x}) U (x. y)
V [(x.y}) -U(x.yJ.
est un état de Markov sur 2 A(d'après Grimmett), Prenons x. A
tels que ax c Il ensemble fini. et x fil, Utilisons la notation
EA•A = {w E: Q w (y) = 1. Y E A ; w (y) = D. Y € A \ A}, Si nous démon-
trons que. pour tout A c: A • II {w (x) = 1
nous pourrons en conclure que II {w (x) .. 1
II {w(x) = 1IEA.Anax}
].l {w (x) = 1IEax.Anax}
en vertu d'égalités sur des probabilités conditionnelles, Or en utilisant la
propriété markovienne de ].lA.Y' nous avons
138
).1 {w(x) L ).1 {w(x) = 1 Yc aA
[ ).IA,y (AU{ x}) ]
).IA,y (AU{x}) + ).IA,y (A)
[ ).IA,y ((A n ax) U {x}) l
).IA,y ((Anax) u{x}) + ).IA,y (AO ax) J ).1 {w(x) 1 1 EA,A n ax }
La probabilité conditionnelle ).1 lw(x) = 1 1 E } est invariante 1 ax,Anax
par translation, car U l'est, et par conséquent ).lA ,Y aussi. Puisque la
condition de positivité pour un état de Gibbs est la même que ceÜe d'un état
de Markov, il s'ensuit que ).1 E~v •
Maintenant supposons que ).1 E1ltJv • Pour tout ensemble fini
et Y c aA ,la mesure
est un état de Markov fini sur 2A• (Il suffit de voir que
y vA (A U {x})
y vA ((A 0 ax) U {x})
Ac71 v
y y vA (A) + vA (A U {x})
y y vA (A 0 ax) + vA ((A n ax) u {x})
en vertu de la propriété markovienne de ).1).
y En appliquant le théorème de Grimmett à vA' nous voyons que c'est un état de
A y Y Gibbs fini sur 2 et que vA (A) = vA (0) exp ( L
BEl; BeA
v: (B)), où cr est l'en-
semble des simplexes de A et où v: est le potentiel donné par
(_1)IA\BI log v y (B) Ar", L IiI d A pour ~". es seu s s mp exes e L BeA
139
A sont les singletons et les couples {x, y} où lx - yi = 1. Pour le moment
nous supposons que Y = , ' et écrivons v! = vA' v! = VA'
{x} = x, {x} u {y} = x U y.
La formule de Grimett donne
VA (x)
VA (x) = log VA (,) , x f:: A
VA (x U y) log VA (xUy) VAr,)
1 x - yi = 1, Y €: A • (x) VA (y)
, x, VA
On voit facilement que le potentiel VA est déterminé par les probabilités
conditionnelles de p, i.e.,
w=O sur
w =1 y ] VA (xUy)
w =0 sur dX\y = -....;;;;.-----VA (xUY)+vA(x)
1 + exp
Mais PE:1\(,v et Def. 1, (c), entraine que les probabilités conditionnelles sont
invariantes par translation. Donc le potentiel VA est invariant et indépendant
de A. Cela nous permet de définir le potentiel local
u (x, x) - 2 VA (x) , x €. 71. V
u (x, y) VA (x, y), lx - yi
= 0 sl 1 x - yi> 1,
pour tout A qui contient x, y. Il s'ensuit que VA a la représentation
VA (A) A CA.
VA est un état de Gibbs fini, dans le sens de Déf.3, en effet VA (A) '" 1f A (A).
140
Si la frontière 31\ de 1\ est occupée dans Y c 31\. il faut modifier le
y potentiel VI\ près de la frontière 31\ pour obtenir VI\ • Exactement comme dans
le cas Y = ~. on voit que les probabilités conditionnelles de V déterminent
le potentiel V~. Donc ils déterminent v~ comme état de Gibbs sur 21\. Mais il
est évident que TI~ est aussi un état de Gibbs sur 21\. Si son potentiel U(x.yJ
est défini comme p~us hau~il aura les probabilités conditionnelles désirées.
Par conséquent
VA (A U YJ (y)
• A C 1\ • Y c 31\ •
Il s'ensuit que V € ~U ' et la preuve du théorème 3 est complète.
Remarques :
Le théorème 3 montre qu'on peut substituer pour la condition (b) dans
la définition 4. la condition
(b) , TI~ (A). pour A C 1\. \1\\ 1 •
(les conditions (a) et (b)' entrainent que Il est un état de Mark.ov. donc un
état de Gibbs local)
Voir [19. 34] pour les résultats analogues concernant les états de Gibbs
sur {D. 1}S • S un ensemble dénombrable quelconque.
141
Démonstration [Théorème 1).
il 'YWJ c 1tb1 : soit ].l un processus stationnaire de Markov. La positivité
et l'invariance par translation des probabilités conditionnelles de ].l
sont des conséquences directes de la positivité de M et l'invariance par
translation de ].l.
Il faut montrer que pour tout A c Z fini, et toute
f A ~ {O. 1} où x 1 A et dX cA.
f • y E: A} = ].l y w x
Supposons d'abord que A soit consécutif
fy' Y €: A n dX}. [:1:)
c'est-à-dire que
A = {y, Y + 1 • ••.• x - 1. x + 1 • ••• z - 1, z}.
Le membre de gauche de [:1:) devient
].l {w x
o ].l {w X
et ceci est exactement le membre de droite de [~). Lorsque A n'est pas
consécutif le principe de la démonstration reste le même. On fait la
somme des probabilités des différentes possibilités sur les "trous" de
A. et après l'élimination des facteurs communs,le nouveau quotient est
exactement la probabilité que Wx = 1. conditionnée par les valeurs que
prend w sur A n dX. Par conséquent ].l est un état de Markov de dimension 1.
142
ii) 'Ytl,1 C 'il'b . Si )J est dans 'r1f,1' il est un état de Gibbs local pour un
potentiel local U (théorème 3). D'après le théorème 2, il est donc la
limite vague, pour une sui te d'intervalles l qui croissent vers ~, n
mesures de la forme L C [Yl nY (.) où c [Y) i!. D, l c [y) l Y C al n n
Or nY (A) -1 [y) ( - 1
U [A U Yll l Zr exp '2 n n
= )J n
(A) [définition)
--'-1 (y) Q [V V ) ••• Q (Vb , Vb+1 ) = ZI a-1' a
où
En
et
n
l [a, bJ et où Vt = 1 si t€: A U Y, et n
effet, il s'agit d'écrire
log Q [1, 0)
log Q (D, 0)
log Q [1, 1)
1 log Q [D, 1) - 4 uD
o
1 - U (0,1) - '2 uD'
o sinon.
de
= 1 •
y Le théorème 1 du chapitre l nous assure que )Jn converge vers une mesure )J
dans ~ qui est indépendante du choix de Y. Il s'ensuit que la limite commune
des {ni n
s'identifie nécessairement à la mesure
mite de combinaisons convexes des
)J Ë '11&1 qui est la li-
(N.B. laI 1 = 2 pour tout n et par conséquent les combinaisons sont toun
jours de quatre termes).
Nous avons donc
Dans le chapitre qui suit on étudiera pour quels potentiels locaux on a
transition de phase, c'est-à-dire pour quels U on a UI > 1. On sait
déjà (théorème 1) que c'est impossible si la dimension v = 1, tandis que c'est
possible (théorème 2, chapitre 1) si v > 2).
CHAPITRE IV
TRANSITION DE PHASE POUR LE MODELE D'ISING D'UN GAZ
Nous supposerons dans ce chapitre que le potentiel local U est isotrope,
de la forme :
uo • si x .. y
U (x, yl = u1 ' si Ix-yi .. 1
0 , si Ix-yi > 1
Question: Dans quelle partie du plan (uo' u1l la classe ~U est-elle réduite
à un seul élément
Nous démontrerons l'unicité dans le demi-plan u1 ~ 0, lorsque Uo + 2 v u1 ~ 0,
c'est-à-dire en dehors d'une demi-droite d'origine 0 J ce sera l'objet du
théorème de Ruelle 1 puis nous donnerons des indications sur la manière de ré-
soudre le cas u1 > O.
, , ,C
\ Un calcul simple montre que le modèle d'Ising du chapitre l, correspond
au modèle présent avec la condition que Uo + 2 v u1 .. 0, et u1 = - 2 J.
Donc nous savons aussi (théorème 2, chapitre Il l'existence d'un
144
point C sur la demi-droite, tel que Ittu 1> 1 si le point [uo' u11 est en des-
sous de C. Le théorème 1 ci-dessous montre que, inversement
[uo' u1) est suffisamment proche de l'origine.
Proposition 1
Un état de Markov V appartient à ~u si et seulement si
V ct w [xl ~ + kU i
1 + e 2
, 'r/ k Ë [0, 2vJ
I~ u 1 = 1, si
, \:f x f:?L v ' où
1l c1 k désigne l'évènement tw €. {D, 1} v n l w [Yi) = 1, pour k voisins Y1
de x l w [y21 = 0 pour les 2 v - k voisins restants Y2 de xl.
Démonstration
Condition nécessaire:
J.l [f w V [{ w [x) = i}(\.}\,kl
V [.}\,k l
Soit Y l'ensemble des k voisins de x occupés l nous avons:
V
d'où V [ {w [xl
car Z [Yl [nY [xl + nY [011 x x x
= e
2" u [x U Yl e
1 + e
u o
-2- + k U i
- 2. u [xUYl 2
+ e - 2. U[Yl
2
et U [x U Yl - U [Yl = U [xl + 2 U [x, Yl
Vax [Yl
145
Condition suffisante
\fA C A fini c~v ' nous avons [d'après le théorème III 3 b)
[1) VA [A) > 0, puisque V est un état de Markov
et
(2)
2 (U[x U Y)-U(Y)) 1 + e
Vx U al< [X U y)
V [{w (x)
, '\ri y c ax
Or, comme V est un état de Markov, c'sst un état de Gibbs appartenant à une
classe ~U d'où, comme les relations ci-dessus déterminent entièrement U (cf 1
démonstration du théorème 3 du chapitre III),et comme les classes sont dis-
jointes, U1 = U,
Remarque: la proposition 1 est évidemment valable pour le modèle d'Ising
on remarque que :
1} 1 Jt, k) = V ({ w [x) = O} 1 eA.o 2V - k )
On retrouve donc la symétrie de V pour les configurations obtenues en échangeant
les + et les -, vue dans le modèle avec champ magnétique nul étudié dans le cha-
pitre I.
Théorème
~u possède un seul élément si
(i) pour Uo fixé, uj est suffisamment petit
(interaetion faible)
ou (ii) pour u1 fixé, Uo est positif, suffisamment grand
(densité basse)
146
Démons tration
Démontrons (i) et (ii) en utilisant une méthode fondée sur l'équation de
Kirkwood-Salsburg.
Définition
On appelle fonction de corrélation de la mesure ~ sur n
la fonction p définie par :
p (A) = )l ({w w (x)
Lemme 1
7L {D, 1} v
p détermine entièrement ~A ' pour toute partie finie A de ~v ' donc
détermine entièrement ~ •
Démonstration
Nous avons, par définition de p et de ~A
p (A) = l ~A(B) AcB cA
d'où le résultat, en utilisant la formule d'inversion de Môbius
l (-1) 1 C 1 p (A U C)
Cc A " A
Montrons maintenant que p satisfait à l'équation de Kirkwood-Salsburg
nous prouverons ensuite que cette équation a une solution unique sous les
conditions (i) ou (ii) J l'application du lemme 1 achèvera alors la démons-
tration.
Lemme 2
Soit p la fonction de corrélation d'un état )l de ~u J soit x un point
quelconque de ~v et A une partie finie de ?Lv possédant x J alors, si
A' = AC n a x et si on pose x
147
gx (A, Bl (U(x,xl ---+
2 L U(X,Yl) -1 y€:(A\xlUB , V BeA' x
on a
p (Al L ,,((A\ xl U Cl (_jllci Cc A'
L BeC
g (A,Bl (-1l IBI x
x
Démonstration
Nous avons, d'après la proposition 1 :
d'où
p (Al E )l (tw w (yl 1,'ï/y€AUB weyl D,'ï/y E: A' '\. BJl x BeA'
x
l gx (A,Bl )l (fw w (yl BeA' x
1, V y € (A \ xl U B w (yl
\:!y €A' \ B}l x
(en appliquant la formule de Bayes et la propriété (2) de la définition d'un
état de Marl<.ovl
l BeA' x
E BeA'
x
g (A, Bl x
g (A, Bl x
)l(A\xlUA' x
((A \ xl U Bl
l (-1l IEI ,,((A \ xl U B UEl, E C A'\ B x
d'où la relation cherchée, en posant C = BUE.
L'équation de Kirl<.wood-Salsburg s'écrit alors
p (Al E Dell v
K (A, Dl p (D l, V x E: A tel que x
lAI < + 00 ,
où le noyau Kx (A, Dl est sommable, valant 0 pour tout D sauf pour un nombre
fini.
Par la méthode habituelle des opérateurs de contraction, nous obtenons
D,
148
Lemme 3
Soit p la fonction de corrélation de l'état 11 de ~u
contraction, c'est-à-dire si
si K est une
L D€7L v
1 K (A, Dli ~ x k<1.VxCA tel que 1 AI < + "", alors ~ U
un seul élément.
Démonstration
a
Soi t Il et îJ dans ~U' de fonctions de corrélation ~ et p
x de A tel que 1 AI ., + "", nous avons, d'après le lemme 2
alors pour tout
p (Al - P(Al
d'où Ip (Al "- (Al - p
L D€7l. v
K (A, Dl (p (Dl -;' (0)) x
I~ L 1 K (A. Dl 1 Ip (Dl - p Dell. x
v
~ k sup Ip (0) ~
(0) 1), avec - P D C7L v
(Dl 1
k < 1 .
Corrrne le sup est atteint pour 0 fini, alors p (A) ~ (A), d'où, d'après le
lemme 1. Il =}:i' •
Il est aisé de voir que les conditions (i) ou (ii) nous placent dans les
hypothèses du lemme 3 pour le noyau K, d'où la conclusion de la preuve du
théorème 1.
Nous allons maintenant démontrer le théorème de Ruelle [11J pour cela,
nous utiliserons deux théorèmes auxiliaires :
Inégalité de Griffiths-Holley (corollaire du théorème 5. chapitre VI)
Soi t Il. un ensemble fini arbitraire et soit Il 1 et Il 2 deux densités de pro
babilité sur 2 Il telles que :
Il 1 (A U B) Il 2 (A n B) ~ Il 1 (Al 11 2 (B), 'if A, B E: f J
alors, pour toute fonction f à valeurs réelles croissante sur ~ (partiellement
ordonné par l'inclusion, la croissance étant large), on a
149
E 11 1 (A) f (A) ~ AcA
E 112 (A) f (A)
A c A
(ce qui équivaut à : il existe une probabilité v sur 2A x 2A de marginales
111 et 112 telles que :
V (A, B) > 0 B c. A)
Exemple
respectivement, c'est-à-dire
sont deux états de Gibbs correspondant à U tel que u1 ~ 0, alors l'hypothèse
de ce théorème est satisfaite si Yi ~Y2'
Théorème de Lee-Yang (cf démonstration dans [1J p. 108)
Soit A un ensembte fini arbitraire et soit un noyau a (x, y) symé-
trique sur A te l que :
- 1 ~ a (x, y) = a (y, x) ~ 1, Vx, ye A
Alors les zéros de ~ (z) = E AcA
a (x, y)
se trouvent sur te cercle Izl = 1
Défini tion
Un potentiel local U est dit attractif, si U (x, y) ~ 0, lorsque
x F y.
Théorème de Ruelle-
Si U est attractif (u1 ~ 0), alors il ne peut y avoir transition de
phase que sur la droite d'équation Uo + 2 v u1 = o.
Démonstration
Elle comporte 11 étapes.
(1)
150
a) Pour toute partie finie A de lLv et Y c 3 A , nous désignerons par
y PA la fonction de corrélation de l'état correspondant à rr~
avons :
y (A) L rrY (B) PA
A-::lB ?A A
+ 3A J!l Posons PA PA et PA PA Y1
Alors, si Y1 ? Y2 ' comme les états correspondant à rrA
; nous
et Y2
rrA
satisfont à l'hypothèse du théorème de Griffiths-Holley, en prenant
pour fonction croissante sur 2A la fonction XA définie par :
si B? A
, cela pour tout A c A
nous avons
L BeA
d'où Y1 Y2
PA (A)~ PA
Y puisque PA (A) =
sinon
y rr 1 (B)
A
(A) , VA
L AcBcA
c A ,
rrY A
[B)
b) Soit A' ? A alors, pour A CA,
y Montrons la première inégalité J en utilisant la projectivité des rrA
démontrée au chapitre III (lemme), nous avons
+ L
y PA' (A) C (y) PA [A),
y c aA
où L c (Y) y C aA
(on applique la formule de Bayes).
Or y
PA (A) aA
~ PA (A) , 'V y c aA , d'après a), d'où le résultat.
151
[2) Pour toute suite {A } de parties finies de n
croissant vers 71. • la
suite {p~ [A)} n
[resp. { PA [A)} ) n
\l
+ tend donc vers une limite P [A)
[resp. P [A)). indépendante de la suite {A } • fonction de corrélan
tion définissant une probabilité ~+ sur Q[resp. v1 1 nous avons alors
[En effet. d'après le théorème 2 du chapitre III. tout état V de Gibbs
de ~u est limite étroite de combinaisons convexes de mesures à support
l'ensemble des cylindres à base partie d'un ensemble fini An C Z\l • où
tA } est une suite croissant vers 1Z. 1 or. pour tout cylindre à base n \l
A C An • la combinaison convexe au rang n a une valeur comprise entre
PA [A) n
+ et PA [A). d'où le résultat).
n
[3) Remarquons que v+ et V sont invariantes par translation 1 c'est-à-dire que
nous avons
VAC71. \l
'V x t:: llv • P + [A) " P + [A+x).
+ car PA [A) P~ +x [A+x). et P~ [A) ~ p+ [A) et de même
P + [A + x) ~ P + [A+x). Même raisonnement pour P A+x
+ + [4) Montrons que ~ si et seulement si P [0) P [0)
Condition nécessaire évidente
Condition suffisante: par translation. p+ [x) p [x) • "Ix €71. v
On achève la démonstration par induction sur la cardinalité de A. en utili-
sant le théorème de Griffiths-Holley appliqué à la fonction monotone
f = XA + Xx - XAux [car alors P~ [AUx) ~ P~ [AUx). si P~ (A) "P~ (A))
(5) Comme p± [0) p± [x). 'Ix € 7Z v
, on a
(6) Soit lA (À)
+ et lA (À)
lim A t 71.
n \)
- .1. U(A)
l 2 e ACA
152
1
""TiCT n
- À
l x €: A n
lAI
+ PA (x) n
- .1. U 2
(A) - À lAI - U (A. aA) l e
Ac A
où A est une partie finie quelconque de 71\)
Remarquons que lA (- Log t) = tp (t) est la fonction génératrice de la
variable aléatoire lAI égale au nombre de points occupés d'une configura
tion de A • pour la probabilité de densité n~ (au coefficient l~1 (~) près)
Soit
Alors lim A t 2
n \)
P~ (À). pour toute suite adéquate n
ties finies de 71. croissant vers 71. • \) \)
{A l de parn
La démonstration utilise une version affaiblie du théorème de Frobenius
sur les matrices positives pour le démontrer. voir [1J p. 22. L'égalité
des Hm! tes de - + PA (À) et PA (À) revient au fait que
loA 1 n lA 1 n
+ 0 lorsque n + m •
(7) Nous avons. en posant l (x)
+ S-A
n
En effet
Ô (P± 1 - ~À A (À)) ,-- 0 a n 1\
xEA n
n
est l'espérance de la variable aléatoire ~ pour la n
probabilité de densité + nA
n
Nous en déduisons
153
l1m A t 71. n v
(8) P (À) est une fonction convexe sur ~ l en effet les PA (À) sont des
n - r'e-À\A\J fonctions convexes sur ~. pour tout n l car lA (À) = lA (0) EA ~ n n n
d'où. en appliquant l'inégalité de Schwarz
d'où
puisque la fonction Log est croissante. ce qui établit la convexité de
PA (À). pour tout n. donc celle de P (À) par passage à la limite. n
(9) Lemme :
Soit {f } une suite de fonctions convexes sur ~ de limite f. lorsque n
n augmente indéfiniment. telle que les f n et f soient différentiables
à l'origine. alors:
l1m f' (0) f' (0)
n++ oo n
Si nous posons f n PA . alors. si la fonction P est différentiable en n
O. nous aurons
+ p (0) p (0) •
d'où la solution du théorème de Ruelle. d'après (4).
(10) Comme il est plus facile d'établir l'analyticité de p. nous supposerons
À complexe. Montrons que. s'il existe un disque \À\ ~ ê. ô > 0 tel
que lA ne s'annule pas à l'intérieur. et si ô est indépendant de n. n
alors P est analytique dans le disque: or cela résulte du fait que P
-À est limite de polynômes en e • en utilisant les résultats sur les famil-
les normales.
154
(11) Considérons une quantité intermédiaire entre ZA et n
- l U(A) - l U (A U dA ) -
l: AcA
n
4 4 n e
± Etudions les zéros de Z. A : si ui .:> 0 et si Uo + 2 v u1 ~ 0, alors il n
existe un 0 tel que ZA (À) ~ 0 pour IÀI ~ 0 , n
Comme U (A U dA) = n
U (A) + 2 U (A, dA ) + U (dA ) :
où Fx
e - .L U
4
k l:
(dA ) n
AcA n
désigne le nombre
k l: e A cA n
de
-
L ACA
n
n n
- ~ U(A) - ~ U(A,dAn) - ÀIAI e
l: (2v - =t ) x E: A
voisins de x dans A \ A n
CÀ +
uo+2vu 1 ) lAI
u1 2 2" l: l: e
x€:A y E: A \ A n
I(x,Y)
(I (x, y) 0, si x y ou x non voisin de y et I (x, y) 1, si x voi-
sin de y)
Il Il a (x, y),
x ~ A Y € An' A
où z = e
u + 2 vU i - ( À + --.,;0:;""--;::2---''-) si 1 x-y 1 ~
et a (x, y)
, si 1 x-y 1
Nous avons :
-1 {i a (x, y) = a (y, x) ~ 1 pour u1{i 0,
d'où, comme z n'est pas sur le cercle Izl 1, silÀI est suffisamment
petit et si Uo + 2 v u1 ~ 0, nous pouvons, en appliquant le théorsme
de Lee-Yang, affirmer qu'il existe un 0 tel que ZA 1 0 pour IÀI {i ô. n
La démonstration du théorsme de Ruelle est ainsi achevée.
155
Remarques
(1) Exemple : v = 2
D'après le théorème 1. chapitre I. il existe une demi-droite d'équation
{:; + 4 u1 = 0
~ k <; 0 correspondant à la transition de phase 1 un point C:)
de cette demi-droite correspond à un potentiel local attractif U. tel
que 1 ~u 1 F 1 1 soit
k
o
2
3
4
îJ € ~U' nous avons :
-2 u1 -1 (1 + e ) ~
-u 1 -1 (1 + e) e
1 -2-
u1 -1 (1 + e )
1 - ex
1 - e
~ et e sont voisins de O. si - u1 est grand (cas d'une grande attraction)
alors. il existe deux états îJ+ et îJ distincts dans ~u ' îJ+ correspond
à une occupation presque totale. îJ à une occupation presque nulle. On
peut montrer qu'ils sont ergodiques. donc points extrêmaux de ~u •
(2) Dans le modèle d'Ising étudié au chapitre I. le cas J ~ 0 (ferromagnétisme)
correspond au cas attractif et le cas J ~ 0 (antiferromagnétique) corres-
pond au cas répulsif 1 dans le cas ferromagnétique. pour J suffisamment
+ grand. il y a transition de phase et les deux états extrêmaux îJ et îJ sont
tels que :
+ - il n'existe presque que des + dans l'état îJ
- il n'existe presque que des - dans l'état îJ
156
(3) Que se passe-t-il dans le cas répulsif?
(a) Dobrushin [1:D a montré qu'il existe un voisinage de la demi -droi te
d'équation
o
pour lequel il y avait transition de phase.
(b) On peut montrer un résultat moins précis, dans le cas du modèle
d'Ising.
Théorème
Pour J négatif tel que IJI soit suffisamment grand, I~u 111.
Démonstration (v = 2)
Décomposons Zlv en PU I, où P = {(m, n) J m + n pair} J
li Soit L = {+1, -il v considérons l'application * de L vers L qui à un élé-
ment cr associé cr* par
{cr (x),
cr* (x): _ cr (x),
si x E: P
sinon
Nous avons Ix-yi - cr (x) cr (y)
L'application * est donc telle qu'elle transforme le potentiel U correspondant
à J < 0 en un potentiel V correspondant à - J > 0, d'où le résultat, comme
1 ~~ U 1 = 1 <ff vi Fi, pour 1 J 1 suffisamment grand.
(Ce résultat est connu sous l'appellation de "symmetry breakdown").
(4) Question quels sont les points extrêmaux invariants par translation
de Ciu ?
157
Dans le cas attractif
+ on pense qu'il n'y a que ~ et ~
si on s'intéresse à tous les points extrêmaux, invariants ou non, on
+ croit que ~ et ~ sont encore les seuls, si v = 2. Mais récemment Dobrushin
[13J a démontré qu'il existe une infinité dénombrable si v ~ 3.
Voici la raison intuitive de ce phénomène. Imposons sur une suite crois-
sante de cubes An la condition de frontière, que la demi-frontière supérieure
soit occupée (+) tandis que la demi-frontière inférieure soit vide (-).
Dobrushin a montré que la limite ~ de ces états finis de Gibbs existe toujours
( v ~ 2). Si v = 2 il trouve que
1 ~ = -2-
+ 1 ~ + -2- ~
donc le mélange (non-ergodique) des états à haute et à basse densité. Mais si
v ~ 3 l'influence de la frontière est plus forte, et ~ est un état non-inva
riant par translation. Sa densité ~ [w (x) = 1J est une fonction monotone
croissante en x quand x 58 déplace vers le haut dans la direction verticale.
CHAPITRE V
CARACTERISATION VARIATIONNELLE DES ETATS DE GIBBS
1 - Caractérisation variationnelle d'un état fini de Gibbs
Soient A fini. V une probabilité sur 2A • U une fonction réelle sur 2A •
On définit les quantités suivantes:
- l'entropie spécifique 1 - ""TAI (en posant 0 log 0 = 0)
- l'énergie moyenne
- l'énergie libre
- la fonction de répartition
- la pression 1 PA (U) = ""TAI log
On note vA la mesure de Gibbs s r 2A 4 U(A) e
On a la caractérisation suivante :
Théorème 1
V (A)
V(A) log V (A)
U (A)
2
- 1. U(A) 2
i) Pour toute probabilité V , pU (v) ~ - PA (U)
ii) On a If. (ll) = - PA (U) si et seulement si V est la mesure de
Gibbs vA
Démonstration
On calcule FU A
_-,V::..,..:.(;..;.A.;..) -- + log Z A (uJ - 1. U(A)
2 e
1 = Iiir
159
fJ (A) ) vA (A)
il suffit de remarquer que pour tout t réel positif ou nul,t log t ~ t-1 avec
égalité seulement au point t = 1.
t
Alors F~ (fJ) + PA (U) ~-r*r- fJ (A) VA (A) ( (Al
Il Vt. - 1) o
ce qui montre i) ,et il n'y a égafité que si il y a égalité pour chaque terme
de la somme. Il y a donc égalité si et seulement si fl est la mesure de Gibbs,
ce qui montre ii).
2 - Le théorème de Lanford et Ruelle
On va énoncer une généralisation du théorème précédent. 7L
Soit j l'ensemble des probabilités sur n = {D, 1} v invariantes par les
opérateurs 'x de translation des coordonnées par x.
Soit U une énergie définie par un potentiel invariant (cf Ruelle p. 20) 1
U est une fonction réelle des parties finies de ~v ' invariante par les trans
lations de 2Z v
Par exemple U (A) L L x€A y€:. A
U (x, y), si U est un potentiel local sur llv'
On peut étendre les définitions précédentes.
Si A est un ensemble fini, soit flA la mesure image de fl E: ~ par la projec-7L
tion de {D, 1} v sur {D, 1}A • Dans les propositions suivantes A tend vers
160
l'infini au sens de Van Hove (cf Ruelle [1J p. 14) 1 on peut prendre seulement
les limites de long de la suite An des cubes de côté 2n+1 centrés en O.
Proposition (Ruelle [1] p. 180)
SA (~A) converge vers une fonction s (~) affine semi-continue supérieure
ment sur J 1 s (v) s'appelle l'entropie de ~.
Proposi tion
E~ (~) converge vers une fonction affine continue eU (~) sur J .
Pour un potentiel local, un calcul simple donne
+ fu (0,0) V Guo L Ixl=
U (O,x) ~ [w o
eU (~) - s (~) l'énergie libre de ~ par rapport à U.
Proposi tion (Ruelle [1J p. 22)
w x
PA (U) converge vers une limite P (U), pour tout potentiel local U.
Toutes ces propositions permettent d'écrire, en passant à la limite
fU (V) ~ - P (U) pour tout ~ de j
,Enfin ~U est convexe compact et invariant par les translations. ~U n J
est alors non vide car tout point d'accumulation de ~ L TxO~(.), ~Ë ~U 1"1 x E: A
est une mesure de Gibbs invariante. Inversement on a le résultat beaucoup plus
profond, que chaque mesure ~ ~ j qui minimise fU (~), est forcément un élé
ment de ~U
Théorème 2 (Lanford-Ruelle) [10J
On a lU (~) = - p ru) si et seulement si ~ appartient à Yu n :J
161
3 - Eguivalence des ensembles
On veut pouvoir introduire la mesure de Gibbs de manière "naturelle" à par-
tir des principes de la thermodynamique.
Plus précisément si A est une région finie. U une énergie. "l'ensemble
microcanonique" est la densité de probabi li té uni forme sur ZA.
On peut alors calculer les énergies des configurations et se restreindre
à celles qui donnent
t + ô
On obtient "un ensemble grand canonique".
Les théorèmes "d'équivalence des ensemb les" [1. ~ montrent que pour des valeurs
convenables de t et À. les ensembles canoniques convergent. quand A tend vers
l'infini. vers une probabilité 1J de ~ÀU • La constante À doit être telle que
l'énergie moy·enne de 1J. par rapport à U est égale à t. Cela s'exp lique comme
suit : le conditionnement nous donne l'état d'entropie maximale parmi tous les
états qui sont compatibles [dans le sens d'énergie moyenne) avec le conditionne-
men t [3. :l4 • 15J.
On peut montrer un tel théorème dans le cas élémentaire suivant :
Soit S fini. n = S lN. tp une application de S dans 7L • Soit p une probabi li té
sur S et P la probabilité sur n produit des lois égales à p. Soit enfin
inf x€S
tp < p < sup Cf • X€S
n Soient P n. k pour n fixé et k une valeur possib le de L <P [xi) la proba-
n i=1 bilité sur {O. 1}n définie par Pn.k [A) = P [A 1 L <p [wi ) = k). On note
i=1 encore Pn.k un prolongement de Pn.k à {D, 1} IJ'J.
On a le théorème suivant
162
Théorème 3
k Quand k et n tendent vers ~ 'infini, avec n 4 p , ~a famine
P n'a qu'un point d'acaumu~ation n,k
.. " W = x J m m
dé terminée par' "
m = Il
j=l
() -a Cf (x) f (x) = -'p.........,..;:x~e::..-__ _
a Z (a)
où fa est uniquement
l: Cf(x) fa (x) = p x f:S
Démonstration
On remarque d'abord que les Pn.k ont la propriété de symétrie suivante.
dès que n est assez grand pour que la formule ait un sens
x m
m l: if (w j ) = sl
j =1
m Z~1 (If. s) Il p (X j )
pour tout m et tous x1 ", X tels que P [~ ~ (W j ) = sl est non nul, m n.k j=1 'J
(Zn (tf. s) est la normalisation),
Tout point d'accumulation a donc la même propriété et on peut appliquer le
lemme sui vant :
Lemme
Soit ~ une probabilité sur n telle que pour tout m et tous x1 '" xm m
tels que L lJl (w j ) = s. j =1 1
Alors ].l = f
W m x m
m
L j =1
-1 m Cf (w j ) = s) = Zm (Cf. s) Il p (X j )
j =1
v dF (a). combinaison convexe arbitraire des mesures v qui sont a a
les probabilités sur n produit de lois égales à fa
f a
(x) P (xl
- a e
Z (a)
Cf (x)
.xEOS. L Xf:S
f a
(x) 1 ,
163
D'après le lemme, tout point d'accumulation de la famille des Pn,k est de la
forme f v dF (a). a
De plus ~ est obtenue quand -1- + p , et donc on doit avoir n
2 p
Donc si h (a) "L Va(x) 'f (x) x
Z-1 (a) L p(x) tp (x) e -a f(x) x €5
dF doit vérifier:
p "f h (a) dF (a) 2 f 2 P " h (a) dF (a).
La mesure dF est donc concentrée sur l'ensemble des a tel que h (a) " P
Le théorème est démontré si on vérifie qu'il n'y a qu'un a tel que :
L p (x) <f(x) e-a«p(x)
h (a) x P
L p (x) -a If (x) e x
Dr h (a) est décroissante (h' (a) < 0) de sup Cf (x) à x ! 5
p est entre ces deux limites.
Démonstration du lemme n
5i on pose F (t) \l L If (wk) tl, on a n k"1
n+1 F (t) L \l ( L <f (wk) s, ep (wn+1) n s € 5 k"1
\l [<f(Wn+1 )
n+1
L s-t 1 L Cf (wk) s k=1
Dr d'après l'hypothèse sur \l :
n+1
inf ~ (x) et x ( 5
s-t)
sJ Fn+1 (s)
n+1 \l (~ (Wn +1 ) " s-t 1 kL f(wk) s) (Cf' sl (11 p(x i ))
i=1
164
h, n
s-t] où A s,t
x L tf (Xj ) t , t (xn+1) n j =1
Par suit8 on a n+1 Z
)J [t(Wn +1) sJ
(CP, t) s-t 1 L n q (s-t), q>(wk )
Zn+1 (cp, s) k=1
si q (s-t) L p (x) • x: q>(x)=s-t
Donc F (t) n
l q (s-t) s € S Zn+1 (cp, s)
En posant G (t) n
G (t) n
L8s solutions
sons conV8X8S
D'où G (t) n
d8
d8
F (t) n
G (t) vérifi8 donc n
l q (s-t) Gn +1 (s) s
l'équation
solutions
bt 8
G (t) = L q (s-t) G (s) sont n n+1
s
8xtrêma18s n bt
( L q(s) a 8 aV8c a = s
dM (b).
n
Fn (jL <r(w j ))
Zn (tp, s)
n G
n L tp (wj )) li p (xk ) j k=1
f dM (b)
H 8 b ,(xk ) p (xk )
k=1
f dM (b) v b h
d8s combinai-
bs -1 8 ) •
c.q.f.d.
165
Donc nous avons vu que le théorème 3 est lié à la frontière de Martin
d'un processus de Markov associé. Un travail récent de P. Martin Lof [3~
donne l'espoir que c'est ainsi aussi dans le cas des théorèmes généraux qui
expriment l'équivalence des ensembles.
CHAPITRE VI
EVOLUTIONS TEMPORELLES
Dans les chapitres précédents nous avons étudié des mesures décrivant la
configuration à l'équilibre d'un système de particules. Nous considérons main-
tenant des évolutions markoviennes de ces systèmes. Nous nous intéresserons
plus particulièrement à celles pour lesquelles les états de Gibbs sont des
états d'équilibre i.e. les mesures de Gibbs sont invariantes.
Nous introduisons deux types d'évolution dans les deux cas d'un espace
de phase fini (VI-2) puis dénombrable (VI-3).
1 - Rappels sur les processus de Markov à valeurs dans un ensemble fini
Soit r un ensemble fini dont les éléments sont notés A. B. C. Un semi-
groupe fortement continu de noyaux markoviens sur r est défini par une famille
(Pt)t~O de matrices telle que:
Pt (A. B) ~ 0
l'application t ~ Pt (A. B) est continue en O.
Dans la suite tous les semi-groupes considérés seront de ce type. Nous avons
la caractérisation suivante :
167
Théorème 1
Pour qu'une famiZZe (Pt)t~O de matriaes soit un semi-groupe iZ
faut et iZ suffit que pour tout t >.. 0
pt = exp t G = l n=O
où G = [G (A, B)] est une matriae satisfaisant à :
G (A, B) ~ 0 si A ~ B et L G (A, B) = 0 pour tout A ~ r B
~ est appeZ~ g~n~rateur du semi-groupe (Pt).
Remarquons que, puisque 1 Zim --t-- Pt (A. B) = G (A, B) pour A ~ B •
NO
~ (A. B) dt ~arit Z'~voZution du processus dans Z'intervaZZe de temps (O.dt).
Défini tion
Soit (Pt) un semi-groupe de générateur G, on dit que (Pt) ou G
est irréductible si
pour tout A, B E: r n il existe une sui te (A",) "'=1 ' \ E:" r telle que
Concernant l'invariance des probabilités pour le semi-groupe (Pt) de géné-
rate ur G nous avons le
168
Théorème 2
(a) Poup que La probabiLité ~ sUP r soit invariante pour (Pt) iL faut
et it suffit que 1.1 G = 0
(b) Supposons G irréduatibLe aLors
i) poUP tout t > 0 et tout A, B e: r , Pt rA, B) > 0,
ii) iL existe une et une seuLe probabiLité invariante ~ et, pour
tout A, B Ë r,
Pt (A, B) = ~ (B) > 0
Démonstration
Pour
avec
Nous prouvons seulement que pour toute probabilité v sur r
lim t-++ oo
toute probabi li té À sur r on pose
F (À) L À (A) A e:: r
la convention o Log 0
L A e:: r
L A,BE: r
Log À (A) ~ (A)
= O. Si v t
dV t (A)
dt Log
v Pt' F (Vt ) est dérivable et
vt(A)
~ (A)
Vt (B) G (B,A) Log
puisque dV t
-d-t- Vt G. Utilisant G 1 o et ~G D, il vient
l [L tz(A,B) - z(A,B) Log z (A,B) - 1} G(B,A) )Ji~~ Vt(All A ~ r B E: r ~ IJ
en posant
z (A, B) V t (B) ~ (A)
v t (A) ~ (B)
169
D'après l'inégalité x-1 ~ x log x si x ~ O. nous avons ~ O. avec
égalité si et seulement si z (A. Bl = pour tout couple (A. Bl. A ~ B pour
v t (Al o
lequel G (B. Al ~ O. Supposons vt ~ ~ • o
~ (Al prend au moins deux
valeurs distinctes 1 posons Uk ~ (Al ak} • Puisque G est irréduc-
tible 11 existe i et j. \ €: Ui et AjE:" Uj tels que G (Ai' Ajl > O. par
dF (vtl suite
dt (t 1 ~ O.
a
Nous avons prouvé que dF (vtl
dt ~ 0 avec égalité seulement aux points où
Vt ~. Pour établir la convergence des vt vers ~. il suffit de prouver que •
si À est la limite d'une suite vt n
• À = ~ • Soit c = inf F (vtl t
> - trJ, d'a-
près la décroissance et la continuité de F (vtl on peut écrire pour tout t > D.
l1m F (v t +tl = F (À Pt) = 0 par suite o et À ~.
n n
Rappelons enfin la notion de réversibilité
Défini tion
Un processus stationnaire (Xtl t ~ ~ est dit réversible si les
processus (Xt)t E ~ et (X_tl t e: ~ ont les mêmes lois.
Théorème 3
Un processus de Markov stationnaire défini par le sous-groupe
(Pt) et la mesure invariante ~ est réversible si
(R) pour tout A, B E: r, ~ (A) . G (A, B) = ~ (B) • G (B, A).
Réciproquement si la condition (R) est satisfaite ~ est invariante pour
(Pt) et Ze processus stationnaire correspondant est réversibZe.
170
2 - Cas d'un espace de phase fini
A désigne un ensemble fini et l'on pose r = 2A
Chaque point de A est occupé par au plus une particule de sorte que la situa-
tion du système est décrite par un élément de r.
Intéraction (1) - Spin flip ou processus de naissance et mort
On donne pour tout A {: r et tout x 1 A deux réels > 0, il (x, A), 6 (x,A)
Oéfinition
On appelle processus de naissance et mort un processus de Markov
sur r associé au générateur G défini par :
G (A, A U x) il (x, A) , si x f A ,
G (A U x, A) 6 (x, Al. si x rf A,
G (A, B) 0 dans tous les autres cas~ lorsque A ;i B,
G (A, A) L G [A, B) B;iA
Cette évolution répond à la description intuitive suivante
[il Si A est la configuration du système à l'instant t, il [x, A) dt est la
probabilité de naissance d'une particule au point x f A entre t et t + dt,
6 (x, A \ x) dt est la probabilité de mort entre t et t + dt de la parti-
cule qui se trouve en x € A.
[ii) on a au plus une naissance ou une mort entre t et t + dt.
171
Interaction (Ill - Processus de saut avec exclusion
On donne une matrice stochastique irréductible [p (x. yl] x.y ~ A • et pour
tout A ~ r et x ~ A. un réel strictement positif c (x. Al.
Définition
On appelle processus de saut avec exclusion un processus de Markov
sur r associé au générateur G défini par :
G (A U x. A U yl = c (x. Al p (x. y), si x. y rf: A.
G (A. Bl ~ 0 dans tous les autres cas. lorsque A F B.
G (A. Al r G (A. Bl. BFA
La description intuitive de cette évolution est la suivante:
(il si A est la configuration à l'instant t. dans l'intervalle de temps t. t+dt
la particule située en x f: A saute avec la probabilité c (x. A \ xl dt. la
distribution des sauts étant p (x. yl. y 1 A.
(iil il Y a au plus un saut dans l'intervalle t. t + dt.
Etude de la réversibilité de (Il
Nous supposons maintenant que A est un graphe fini satisfaisant aux hypo-
thèses de Grimmett dont nous reprenons les notations.
On considère des processus de naissance et mort associés à des fonctions
~ (x. Al et 6 (x. Al ayant la propriété
Il (x. Al ~ ~ (x. A () a xl (L)
6 (x, Al Ô (x. A () a xl
Théorème 4
Pour un prooessus dB naissanae et mort satisfaisant à (L). Zes
aonditions suivantes sont équivaZentes
(i) Il est un équilibre réversibZe
(U) Il est Z 'état dB Gibbs a8soaié au potentieZ Vet
Il (xIA) = e"'" 1;' V (S) Il .fx.A) -'" t..
S €: E x €ScA (Jx
172
Démonstration
Remarquons que la condition (R) du théorème 3 s'écrit ici
A c r et x 1 A , S (x, A) o (x, A)
v (A U x) V (A)
pour tout
Supposons (i) vérifié; d'après l'hypothèse (L) et la relation précédente,
Il (A U xl ].J (Al ne dépend que de A n a x, donc ].J est un état de Gibbs au sens de
Grimmett et il existe un potentiel V tel que
A € r , V (Al = V (21) exp L V (S) SE:l:,SCA
il vient alors
S (x,A) o (x, Al
].J (A U xl ].J (A)
exp { L V (S) - L V (S) SeAUx ScA
La réciproque est immédiate.
exp L S E: l:
xE: SeAU x
Nous montrons maintenant sur un exemple comment l'hypothèse de réversibilité
permet de réduire les paramètres de l'interaction (Interaction (I)). Soit N
entier et A = ~ ! N, c'est-à-dire les entiers mod N.
On suppose que
S (x, Al Sk ' 0 (x, A) = ok. lorsque lA n axl k.,
l'interaction dépend donc de 6 paramètres.
V(S)
Faisons l'hypothèse de réversibilité. Le théorème précédent implique qu'il
existe une fonction réelle V sur l telle que
si Isi V (S) = si Isi 2
dans tous les autres cas
1\ et ---o-k.--- exp (a + k.y), k. 0, 1, 2.
Le nombre de paramètres est donc réduit à 2.
173
Un théorème de Holley pour (I)
Nous revenons au cas d'une intéraction (I) sur un espace de phase A fini
quelconque.
Théorème 5 [16J
Soit G1 et G2 les générateurs de deux proaessU8 de naissanae et mort,
(~;, (P;; les semi-groupes assoaiés. On suppose satisfaites les hypothèses
aZors si A2 c A1 et si f est une fonation réeUe aroissante SUl' r = 2A
en parti au Uer pour C !: r ,
~ B,B.:::> C
Démonstration
Le point important de cette preuve est la construction sur r x r d'un
processus de Markov. associé au sous groupe (Pt) de générateur G. dont la
projection sur le premier (resp. second) facteur est un processus de Markov
associé au semi groupe (P~) (resp. (P~)) (couplage des deux processus).
Les éléments du premier facteur (resp. second) sont affectés des indices 1
(resp. 2).
174
On définit G par
min Gi (Ai' \ \ x) i=1,2
xi A1 st x ~ A2 (4) G (A1,A2 A1 U x, A2 U x) min Gi (Ai' Ai U x) i=1,2
(5) G (A1,A2 ; A1 U x,A2 ) G1 (A1 ,A1U x)-G(A1 ,A2 ;A1U x,A2 U x)
(6) G(A1 ,A2 J A1 ,A2 Ux) G2 (A2 ,A2 U x) -G (A1 ,A2 JA1 U x ,A2 U x)
x E: A1 \ A2 (7) G (A1 , A2 A1 \ x, A2 ) G1 (A1 , A1 \ x)
(8) G (A1 , A2 A1 , A2 U x) G2 (A2 , A2 U x)
x Ë A2 \ A1 (9) G (A1 , A2 A1 , A2 \ x) G2 (A2 , A2 \ x)
(10) G (A1 , A2 A1 U x, A2 ) G1 (A1 , A1 U x)
Nous établissons dsux propriétés du ssmi-groups (Pt)'
175
(a) Pour t ~ 0 L Pt (A1, A2 ; B1 , Bz) = pi t (Ai,Bi ) i,j 1,Z,ilj
Bj
Considérons le cas i 1, j Z il suffit de prouver que
L Gn (A1, AZ ; B1 , BZ) = Gn (A1 , B1) B2
1 (11 )
Lorsque n = 1, cette relation résulte immédiatement de la définition de G : par
exemple si x ~ A1 n Az et B1 = A1 \ x, (11) est la somme termes à termes de (1)
et (2). On termine par récurrence sur n.
(b) Si A1 :;) AZ et B1 :f B2
On procède comme pour (a). La
A1 ::> Az et B1 ::p B2 implique G
équivaut à
si x E: AZ C A1
si x rj: A1, A2 C A1
Pt (A1 , A2 B1 , Bz)
condition
(A1, A2 ; B1 , B2) 0 et
G (A1 , A2 A1 \ x, AZ)
G (A1, A2 A1 , Az U x)
0
o
o
la première résulte de (Z) et de (H1), la seconde de (6) et de (HZ).
Soit maintenant f une fonction réelle croissante sur . Pour A1~A2
utilisant successivement (a), (b), la croissance de f, (b) et (a) il
vient :
p1 f (A1) L p1 (A1 ' B1) f (B1) L Pt (A1,A2 B1 ,B2) f (B1 ) t B1
t B1,BZ
L P (A1,Az B1,Bz) f (Bz) >,. L Pt (A1,AZ;B1,BZ)f(B2) B1,BZ
t B1,BZ
B1 ::> BZ B1::> B2
L L pZ (AZ,BZ) 2
Pt (A1 ,A2 B1,Bz) f(Bz) f(Bz)=Pt f(AZ)' B1,B2 B2
t
Soit C cr; appliquant le résultat ci-dessus à la fonction f définie par:
f (A) = 1 si A::> C, f (A) = 0 si A if> C on obtient la dernière assertion du
théorème.
176
Corollaire (inégalité de Griffiths-Holley)
Soient ~1 et ~2 deux densités de probabilités strictement positives sur
telles que
A, B €: r , ~1 (A U B) ~2 (A n B) ~ ~1 (A) ~2 (B).
Si f est une fonction réelle croissante sur r
~ f (A) ~1 (A) ~ ~ f (A) ~2 (A). A A
Démonstration
On associe aux fonctions ~i ' i 1, 2 les générateurs Gi , i
définis par :
Si x E A, Gi (A, A \ x) ~i (A \ x) 1/2
--:::.-"...,..,.--) ~i (A)
et si x 1- A, Gi (A, A U x) = ( ~i (A U x) /12
~i (A) )
Les hypothèses H1 et H2 s'écrivent respectivement
et sont donc satisfaites. Il vient
A E:: r ~ p t1 (A, B) f (B) ~ ~ p2 (A, B) f (B)
B B t
1, 2
i Puisqu'il est clair que ~i est un équilibre (réversible) pour [Pt)' le corol-
laire est établi par passage à la limite en t dans l'inégalité précédente
(cf théorème 2).
177
3 - Cas d'un espace de phase infini
A est un ensemble infini dénombrable .
• n est compact pour la topologie produit
C [nl est l'espace des fonctions continues sur n
~ est le sous-espace des fonctions sur n ne dépendant que d'un nombre
fini de coordonnées. ~ est dense dans C [nl.
La généralisation des interactions [Il et [Ill au cas lAI considérer des opérateurs définis sur ~ .
Pour l'interaction [Il
f~J.A€:n
+ 00 amène à
l ~ [x. Al [f [A U xl - f[Al] + l <5 [x,A \ xl [flA \ xl -flAl] x ; A x €A
G f [Al
où S et <5 sont des fonctions positives.
Pour l'interaction [Ill
G f [Al l c [x. Al p [x. yl [f ((A\xl U yl - f (Al] x € A. Y ~ A
où p est une matrice stochastique sur A et c une fonction positive.
Liggett [18J et Holley [F] ont prouvé que. sous des hypothèses physiquement
naturelles. ces opérateurs déterminent de façon unique des semi-groupes de
Feller sur n.
Nous examinons maintenant lorsque A ~v les problèmes liés à l'exis-
tence d'états d'équilibres.
Interaction (1)
On suppose
~ (x. Al a (x. A n axl > O. <5 (x. A) = <5 (x. A () axl > o. (Ll
a (x. Al S [x+z. A + zJ. <5 (x. Al = <5 (x+z. A+zJ pour z e: 7Z. \i
généralisant le théorème 5 nous avons :
178
Théorème 6 (Logan) [19J
~ est un équilibre réversible pour (I) si,et seulement si,il existe
un potentie Z loaaZ U tel que 1J f: ~ U et
('JI.) pour x f: A Hx,A) o (x,A) = exp - + [U (A U x) - U w]
Si ('JI.) n'est pas vérifiée on sait très peu de choses sur les mesures
invariantes pour (1). Les meilleurs résultats sont dus à T. Harris [22J.
Supposons 'JI. vérifiée, deux questions se posent :
01 les éléments II ~~u sont-ils les seules probabilités invariantes
si ~u = {ll} a-t-on
lim v Pt = II t-++ co
pour toute probabilité v sur Q ?
Des réponses affirmatives ont été données par Dobrushin [2q] dans le cas
d'interactions faibles, par Holley [16J dans le cas où le potentiel U est
isotrope et attractif en utilisant une méthode de couplage analogue à celle
utilisée dans la preuve du théorème 5, et dans le cas où les mesures d'équi-
libre sont invariantes par translation en généralisant la méthode du théorème
2 (b.H) [21] . En revanche on ne sait pas la réponse à Q1 et 02 dans le cas
d'un potentiel répulSif même lorsque v = 1.
Pour l'interaction (II) sur ~v' les derniers résultats sont dans [23, 24
25, 33J. Ils sont assez complets dans le cas où P (x, y) = P (y, x), et la
vitesse des sauts c (x, Al = constante.
Pour une introduction à d'autres évolutions temporelles markoviennes
des systèmes finis ou infinis de particules , consultez [26J.
CHAPITRE VII
CHAMPS DE MARKOV GAUSSIENS
Soit (1; (xl J x ~ ::ZZ:) une famille de variables aléatoires réelles gaus
siennes centrées et R (x. yl = E [t; (x) t; (yl] x. y€: lZ\) la fonction de
covariance.
Défini tion
Ct; (x) J x € ~\)) est un champ de Markov gaussien (notation C.M.G.)
si :
(a) il est isotrope et invariant par translation. i.e. R (x. y) = R (O.y-x)
et R (O. xl est invariant dans toute permutation des coordonnées de x.
(b) il a la propriété de Markov. i.e. la distribution de t; (x) condition-
nelle à la connaissance de s (.) sur un ensemble de ~\) \ {x}. conte
nant dX. ne dépend que des valeurs de s (.) sur dX.
(cl s est non singulier
les fs (xl ; x E: 22) {I; (x) ; x E: AC}. Hoc
si H désigne l'espace de Hilbert engendré par
et HA le sous-espace engendré par les
La caractérisation ci-dessous des covariances de C.M.G. suit
Rozanov [27J avec les améliorations dues à Loren Pitt.
Théorème 1
{s (a:) ; a:
est de Za forme
~ '1 } est un C.M. G. si et seuZement si sa aovarianae \)
+00
(1) R (a:, y) = A L t n pt- (a:, y) n=O
où A > 0 est une aonstante,
180
t E'J-1, +1[ en dimension v = 1 ou 2,
t € [-1, +1 Jen dimension v ~ 3,
J!1- est Ze nième itéré du noyau
{ 1 si Ix-yi 1 -,v = P (:1;, y) =
0 sinon
Démonstration
(a) et (b) montrent que l'espérance de ; (0) conditionnelle à ; (x) pour
x F 0 doit être de la forme: --tv- L ; (y)
lyl=1 on doit alors avoir
t ; (0 ) - """"2V l: ç; (y) orthogonal à f,; (x), 'r/x F 0 et en notant
r (x)
(2)
y =1
R (0, x).
r (x) _ _ t_ 2v
r (x+y) o '1x F 0 •
Pour résoudre l'équation (2) on remarque que, d'après le théorème de Bochner,
r (.) a une représentation de la forme r (xl = fT eixS V [d8) et que l'on a :
(3)
En posant
ix8 e
t Pt [8)= 1 -~
L lyl=1
et v [dS)
o pour x F 0 •
Pt [8) V [d8)
(3) implique que la mesure v a tous ses coefficients de Fourier nuls à l'ex-
ception du coefficient d'ordre 0 et par suite que v est un multiple de la
mesure de Lebesgue : v [dS) = À d8. Deux cas se présentent
(1) Si À F 0, la relation Pt [8) V [d8)
continue, de densité ~ d8
À d8 montre que ~ est absolument
L'intégrabilité exige que t satisfasse aux hypothèses du théorème 1 et la
relation [1) découle immédiatement du fait que:
ixS e ~
n=O
181
1 - t 2\1
(II) Si À = O,nous devons montrer que la condition (c) exclut la possibilité
pour ~ d'être concentrée sur les zéros de Pt (S). D'après le théorème de
Bochner on a une isométrie entre H et L2 (d~) telle que
iSx e
Mais la condition (c) implique qu'il existe dans H un élément n ~ a avec
n ~ H~ ,et donc un ensemble fini A tel que n ~ HA' Alors il existe n' ~ a
dans H orthogonal à HA 1 son image f par l'isométrie ci-dessus vérifie
fT f (S) e- ixS ~ (dS) a
Posons f (S) ~ (dS) = \1 (dS), alors ~ (x) a 'if x €: AC, et par suite
\1 (dS) ~ V' (x)
x E: A
ixS e = p (S) dS où p (S) est un polynôme trigonométrique.
Finalement f (S) ~ (dS) p (S) dS et ~ est absolument continue ce qui fournit
une contradiction.
Ainsi tout C.M.G. satisfait à (1) et la réciproque est évidente.
Nous considérons maintenant un C.M.G. (~ (x) 1 x e ~\I) fixé et sa fonction de
covariance donnée par (1) 1 nous supposons pour simplifier A = 1. On se propose
de déterminer la distribution conditionnelle pour x ~ A connaissant ~ (.1
sur AC 1 nous montrerons, et d'une façon très intéressante, qu'elle ne dépend
que des valeurs de ~ sur ôA
Il suffit de calculer:
x ~ A
182
et
Cov~ (x, y)
Nous verrons que ces quantités sont liées à la mesure harmonique et à la fonc-
tian de Green d'un certain problème de Dirichlet.
Considérons la marche aléatoire (xn) sur 2Zv de noyau P (x, y) et soit
TaA le temps d'entrée dans aA , nous posons:
+00
t n px [T aA = n, xn = yJ HA (x, y) t n=D
+00
[T aA > gA (x, y) Z; tn px n=O
Théorème 2
Pour tout ensembZe fini
n, x n
A c Z v
(a) M~ (x) = z; HA (x, y) ~ (y) y €: aA
(b) Cov~ (x, y) = gA (x, y)
x € A • Y E: 'dA
yJ x € A , Y E: A.
x é A, Y €: A •
Démonstration
(a) l'espérance conditionnelle M~ (x) est caractérisée par
~ (x) - M~ (x) 1 ~ (z) V z E: AC ;
11 suffit de vérifier que
R (x, z) - L HA (x, y) R (y, z) = 0 y€ 'dA
mais c'est une conséquence immédiate de la propriété de Markov de la
marche aléatoire (x ), n
(b) Il est bien connu que la covariance conditionnelle ne dépend pas du condi-
tionnement ; alors :
cov~ (x, y) E {[~ (x) - M~ (X)] [~(Yl - M~ (y)]}
R (x, y) - E (M~ (x) MI; (y))
183
R (x, y) - E L L HA (x, u) HA (y, v) ~ (u) ~ (v) u v
L v caA
HA (x, u) HA (y, v) R (u, v)
R (x, y) - L R (x, v) HA (y, v) v E: aA
R (y, x) - l HA (y, v) R (v, x) v E:: <lA
= gA (y, x) = gA (x, y)
Finalement on peut expliciter la densité conjointe conditionnelle sur A,
connaissant ~ (x) Cf (xl pour x E: <lA
Définissons :A A U 3A
{ ~ (x) si x E: A et "f (x)
cp (x) si x E: aA
Théorème 3
La densité aon;iointe aonditionneZle f: 0:1 .... fR+ est donnée pcœ :
f (~) = Z-A1 (CP) exp f-.! L 1 2 :z; e:'A
Démonstration
Il faut montrer que la densité gaussienne ci-dessus a la moyenne et la co~
variance du théorème 2.
Pour la covariance on peut supposer que la condition de frontière f est
identiquement nulle. On peut écrire la fonction de Green gA (x, y) sous la
forme : +00
gA (x, y) = L t n P~ (x, y), n=D
x E: A Y E: A
où PA désigne la restriction de P à A ; ce qui montre que la forme quadratique
figurant dans la densité f est bien l'inverse de la covariance du théorème 2.
184
Pour la moyenne on doit vérifier l'égalité de
L [ô(x,Yl - t P(x,Yl] y ç; Â
"f (xl 1; (yl
et de
L [ô (x,yl - t P(x,YlJ y € A
où R (fl ne dépend que de la condition de frontière ~ ce qui se ramène à
vérifier
L L [ô(x,yl-t P(x,Yl] 1; (xl f (yl = - L x E: A Y E a A xEA
L [ô (X,Yl-tP(X,Yl] I;(x) Mf (yl y r:. A
il suffit donc de montrer que pour chaque x C A et chaque Cf: aA.... IF,
t l P (x,y) 'f (yl y € aA
L y C A
[ô (x,y) - tP (X,y)]
Le second membre est :
P(x,y) L z (. aA
La démonstration est terminée en remarquant que la propriété de Markov implique
HA (x,zl = tP (x,z) + t L P (x,yl HA (y,z) pour x € A , z E: aA. y e:: A
A l'aide des théorèmes 2 et 3 on peut expliquer le phénomène de transition de
phase dans le modèle gaussien analysé pour la première fois par Kac et Berlin [28J.
Si v ~ 3, pour t = 1, on peut ajouter une constante à un C.M.G sans
changer les distributions conditionnelles. On obtient ainsi une infinité d'états
avec des densités différentes.
Pour t = -1 on obtient une transition de phase de type anti feromagnétique.
Si __ {+1 1jI (x)
-1
est pair
est il1lJair,
tous les champs du type 1; (x) + c 1jI (xl ont les mêmes distributions condition-
nelles.
Pour conclure remarquons que les C.M.G. sur ~v étudiés ci-dessus per
mettent d'approcher les C.M.G. généralisés sur ~v qui sont à l'heure ac
tuelle d'un grand intérêt dans la théorie des champs quantiques [29J. [30J.
On sait que les champs sur ffiv sont liés au problème de Dirichlet classique
(pour le mouvement brownien) de la même façon que nos C.M.G. sont liés au
problème de Dirichlet discret pour la marche aléatoire sur ~v'
186
BIBLIOGRAPHIE
[D O. RUELLE. Statistical Mechanics. Benjamin. N.Y •• 1969
l'édition Russe (Mir. Moscou. 1971) contient un chapitre sur les résul
tats plus récents par R.L. Dobrushin. R.A. Minlos. et Y.M. Sukhov.)
[2J G. GALLAVOTTI. Instabilities and Phase Transitions in the Ising Madel.
A Review. Rivista deI Nuovo Cimenta. 2. 1972.
[3J H.O. GEDRGII. Phasenübergang 1. Art bei Gittergasmodellen. 16. Springer
Lecture Notes in Physics. j972 .
[4J R.L. OOBRUSHIN. Existence of Phase Transitions in the Two and Three
dimensional Ising Models. Th. Prob. and Appl. 10. 1965.
[5J R.B. GRIFFITHS. Peierl's proof of spontaneous magnetization in a two
dimensional Ising Ferromagnet. Phys. Rev. (2) 136. 1964.
[6J L. ONSAGER. Crystal Statistics I. A two dimensional model with an Order -
Oisorder transition. Phys. Rev. 65. 1944.
[7J G.R. GRIMMETT. A theorem about Random Fields. Bull. London Math. Soc .•
5. 1973.
[8J R.L. OOBRUSHIN. Description of a random field by means of conditional
probabilities. Th. Prob. and Appl .• 13. 1968.
[9J R.L. OOBRUSHIN. Gibbsian Random Fields for Lattice systems with pair
interactions. Funct. An. and Appl. 2. 1968
187
[10J O.E. LANFORO and D. RUELLE, Observables at infinity and states with short
range correlations in Statistical Mechanics, Comm. Math. Phys. 13, 1969.
[1D D. RUELLE, On the use of small external fields etc., Ann. of Phys., 69,
1972.
~2J R.L. DOBRUSHIN, The problem of uniqueness of a Gibbs random field. Funct.
An. and Appl., 2, 1968.
[13J R.L. DOBRUSHIN, Coexistence of phases in the three dimensional Ising Model,
Th. Prob. and Appl., 17, 1972.
D41 O.E. LANFORO, Entropy and equilibrum states in classical statistical
mechanics, in Springer Lecture Notes in Physics, 20, 1973.
[15J R. THOMPSON, Cornell U. Ph. D. Thesis, 1973, to appear in Trans. A.M.S.
[16J R. HOLLEY, Recent results on the stochastic Ising Model, Rocky Mountain
Math. J., to appear.
[171 R. HOLLEY, Markovian interaction processes with finite range interactions,
Ann. Math. Stat., 43, 1972.
[18J T.M. LIGGETT, Existence theorems for infinite particle systems, Trans.
A.M.S., 165, 1972.
[19J K. LOGAN, Cornell U. Ph. O. Thesis, 1974.
188
[20J R.L. DOBRUSHIN. Markov processes with a large number of locally indepen
dent components. Probl. Pered. Inf .• 7. 1971.
~D R. HOLLEY. Free energy in a Markovian model of a lattice spin system.
Comm. Math. Phys •• 23. 1971.
[22J T. HARRIS. Contact interactions on a lattice. preprint. 1973.
[23J T.M. LIGGETT. A characterization of the invariant measures for an infinite
parti cIe system with interactions. Trans. A.M.S •• 179. 1973.
[2~ T.M. LIGGETT. même sujet. va paraltre aussi Trans. A.M.S .• 1974.
[25J F. SPITZER. Recurrent random walk of an infinite particle system. à pa
raltre. Trans. A.M.S .• 1974.
[26J F. SPITZER. Interactions of Markov processes. Adv. in Math .• 5. 1970.
[27J Yu. A. ROZANOV. On Gaussian fields with given conditional distributions.
Th. Prob. and its appl. 12. 1967.
[28J T. BERLIN and M. KAC. The spherical model of a ferromagnet. Phys. Rev.
86. 1952.
[29J E. NELSON. Construction of Quantum Fields from Markoff Fields. J. Funct.
An •• 12. 1973.
[30J E. NELSON. The free Markoff Field. J. Funct. An •• 12. 1973.
189
[31J O.B. ABRAHAM and A. MARTIN-LOF, The transfer matrix for a pure phase,
Comm. Math. Phys., 32, 1973.
[32J P. MARTIN-LOF, Repetitive structures, preprint, 1973.
[33J T.M. LIGGETT, Convergence to total occupancy in an infini te particle'
system with interactions
[34] C.J. PRESTON, Gibbs States on Countable Sets, Cambridge University Press,
to appear