Chaînes de Markov et Génération Aléatoire - gt-alea

January 13, 2018 | Author: Anonymous | Category: Mathématiques, Statistiques et probabilités
Share Embed Donate


Short Description

Download Chaînes de Markov et Génération Aléatoire - gt-alea...

Description

Chaînes de Markov et Génération Aléatoire Aléa 2006 P. Duchon LaBRI

Aléa 06 - Chaînes de Markov – p. 1/3

Génération aléatoire C (Cn ) classe (finie) d’objets discrets

Génération aléatoire uniforme: produire un c ∈ C aléatoire uniforme. P(C = c) = 1/#C

Aléa 06 - Chaînes de Markov – p. 2/3

Génération aléatoire C (Cn ) classe (finie) d’objets discrets

Génération aléatoire uniforme: produire un c ∈ C aléatoire uniforme. P(C = c) = 1/#C Variante: p : C → R+ , et on veut un objet “avec probabilité proportionnelle à p(c)” p(c) P(C = c) = P 0) p(c 0 c ∈C

Aléa 06 - Chaînes de Markov – p. 2/3

Génération aléatoire C (Cn ) classe (finie) d’objets discrets

Génération aléatoire uniforme: produire un c ∈ C aléatoire uniforme. P(C = c) = 1/#C Variante: p : C → R+ , et on veut un objet “avec probabilité proportionnelle à p(c)” p(c) P(C = c) = P 0) p(c 0 c ∈C

Méthodes “combinatoires”: décomposition et comptage des objets à engendrer

Aléa 06 - Chaînes de Markov – p. 2/3

Génération aléatoire C (Cn ) classe (finie) d’objets discrets

Génération aléatoire uniforme: produire un c ∈ C aléatoire uniforme. P(C = c) = 1/#C Variante: p : C → R+ , et on veut un objet “avec probabilité proportionnelle à p(c)” p(c) P(C = c) = P 0) p(c 0 c ∈C

Méthodes “combinatoires”: décomposition et comptage des objets à engendrer Méthodes “Markov”: “on part de n’importe lequel des objets, et on mélange bien”

Aléa 06 - Chaînes de Markov – p. 2/3

Chaîne de Markov V ensemble fini ou dénombrable Définition: Une chaîne de Markov (homogène) à valeurs dans V est une suite (Xn )n≥0 de variables aléatoires à valeurs dans V , telle qu’il existe une fonction f : V × V → [0, 1], pour laquelle on ait, pour tous n, x0 , . . . , xn , y , P(X0 = x0 , . . . , Xn = xn , Xn+1 = y) = P(X0 = x0 , . . . , Xn = xn )f (xn , y)

Aléa 06 - Chaînes de Markov – p. 3/3

Chaîne de Markov V ensemble fini ou dénombrable Définition: Une chaîne de Markov (homogène) à valeurs dans V est une suite (Xn )n≥0 de variables aléatoires à valeurs dans V , telle qu’il existe une fonction f : V × V → [0, 1], pour laquelle on ait, pour tous n, x0 , . . . , xn , y , P(Xn+1 = y|X0 = x0 , . . . , Xn = xn ) = f (xn , y) = P(Xn+1 = y|Xn = xn )

Aléa 06 - Chaînes de Markov – p. 3/3

Chaîne de Markov V ensemble fini ou dénombrable Définition: Une chaîne de Markov (homogène) à valeurs dans V est une suite (Xn )n≥0 de variables aléatoires à valeurs dans V , telle qu’il existe une fonction f : V × V → [0, 1], pour laquelle on ait, pour tous n, x0 , . . . , xn , y , P(Xn+1 = y|X0 = x0 , . . . , Xn = xn ) = f (xn , y) = P(Xn+1 = y|Xn = xn )

Idée: la connaissance de la trajectoire (X0 , . . . , Xn ) n’est pas utile pour prédire Xn+1 : connaître la trajectoire n’apporte pas plus d’information que de connaître la seule valeur de Xn .

Aléa 06 - Chaînes de Markov – p. 3/3

Chaîne de Markov V ensemble fini ou dénombrable Définition: Une chaîne de Markov (homogène) à valeurs dans V est une suite (Xn )n≥0 de variables aléatoires à valeurs dans V , telle qu’il existe une fonction f : V × V → [0, 1], pour laquelle on ait, pour tous n, x0 , . . . , xn , y , P(Xn+1 = y|X0 = x0 , . . . , Xn = xn ) = f (xn , y) = P(Xn+1 = y|Xn = xn )

Simulation: si on a déjà simulé n pas de la chaîne, simuler le n + 1-ème pas revient à choisir Xn+1 selon la loi (f (Xn , .)); on peut oublier les états précédents, la “règle” ne dépend que de l’état actuel.

Aléa 06 - Chaînes de Markov – p. 3/3

Monsieur Jourdain. . . En fait, une chaîne de Markov n’est rien d’autre qu’une marche aléatoire (biaisée, en général) sur un graphe orienté (pondéré, à poids positifs) simple (avec boucles), où les poids des arcs sont les probabilités de transition (d’où la condition : la somme des poids des arcs sortant d’un sommet doit être 1).

Aléa 06 - Chaînes de Markov – p. 4/3

Matrice de transition X une chaîne: sa matrice de transition est M : Mxy = f (x, y) = P(Xt+1 = y|Xt = x)

C’est la matrice d’adjacence (pondérée) du graphe! Itération/Puissances: M n a pour coefficients (1)

(n)

Mxy = P(Xt+n = y|Xt = x)

(somme des poids des chemins de x à y , de longueur n) Si la loi de probabilités de X0 est π = (πx )x∈V , la loi de Xn n’est autre que π (n) = π.M n

(combinaison linéaire de (1))

Aléa 06 - Chaînes de Markov – p. 5/3

Choix d’une chaîne de Markov Pour définir une chaîne de Markov X, on doit normalement définir la distribution au temps 0 (loi de X0 ) la matrice (les lois) de transition. Dans la pratique, beaucoup de propriétés ne dépendent pas (ou peu) de la loi initiale, mais essentiellement des lois de transition; on parle de la chaîne X partant de u ou la chaîne X partant de v , si elles ont la même matrice de transition.

Aléa 06 - Chaînes de Markov – p. 6/3

Ergodicité Accessibilité: Un état v est accessible à partir d’un état u si la chaîne, partant de u, a probabilité strictement positive de passer par v .

Aléa 06 - Chaînes de Markov – p. 7/3

Ergodicité Accessibilité: Un état v est accessible à partir d’un état u si la chaîne, partant de u, a probabilité strictement positive de passer par v . C’est équivalent à: il existe un n tel que P(Xn = v|X0 = u) > 0, c’est-à-dire qu’il existe un chemin de u à v dans le graphe

Aléa 06 - Chaînes de Markov – p. 7/3

Ergodicité Accessibilité: Un état v est accessible à partir d’un état u si la chaîne, partant de u, a probabilité strictement positive de passer par v . (accessibilité dans le graphe)

Aléa 06 - Chaînes de Markov – p. 7/3

Ergodicité Accessibilité: Un état v est accessible à partir d’un état u si la chaîne, partant de u, a probabilité strictement positive de passer par v . (accessibilité dans le graphe) Chaîne irréductible: La chaîne est dite irréductible si chaque état est accessible à partir de chaque autre état.

Aléa 06 - Chaînes de Markov – p. 7/3

Ergodicité Accessibilité: Un état v est accessible à partir d’un état u si la chaîne, partant de u, a probabilité strictement positive de passer par v . (accessibilité dans le graphe) Chaîne irréductible: La chaîne est dite irréductible si chaque état est accessible à partir de chaque autre état. (graphe fortement connexe)

Aléa 06 - Chaînes de Markov – p. 7/3

Ergodicité Accessibilité: Un état v est accessible à partir d’un état u si la chaîne, partant de u, a probabilité strictement positive de passer par v . (accessibilité dans le graphe) Chaîne irréductible: La chaîne est dite irréductible si chaque état est accessible à partir de chaque autre état. (graphe fortement connexe) Apériodicité: La chaîne est dite apériodique si, pour tout u, pgcd ({n : P(Xn = u|X0 = u) > 0}) = 1

Aléa 06 - Chaînes de Markov – p. 7/3

Ergodicité Accessibilité: Un état v est accessible à partir d’un état u si la chaîne, partant de u, a probabilité strictement positive de passer par v . (accessibilité dans le graphe) Chaîne irréductible: La chaîne est dite irréductible si chaque état est accessible à partir de chaque autre état. (graphe fortement connexe) Apériodicité: La chaîne est dite apériodique si, pour tout u, pgcd ({n : P(Xn = u|X0 = u) > 0}) = 1 (le pgcd des longueurs de cycles est 1)

Aléa 06 - Chaînes de Markov – p. 7/3

Lois stationnaires Une loi de probabilités π sur V est stationnaire pour une chaîne de Markov (pour sa matrice de transition) si, lorsque l’état au temps 0 est distribué selon π , l’état au temps 1 est également distribué selon π . En d’autres termes, π.M = π , et on a donc π.M n = π (la chaîne partant de la distribution π est stationnaire).

Aléa 06 - Chaînes de Markov – p. 8/3

Lois stationnaires Une loi de probabilités π sur V est stationnaire pour une chaîne de Markov (pour sa matrice de transition) si, lorsque l’état au temps 0 est distribué selon π , l’état au temps 1 est également distribué selon π . En d’autres termes, π.M = π , et on a donc π.M n = π (la chaîne partant de la distribution π est stationnaire). Existe-t-il une loi stationnaire ?

Aléa 06 - Chaînes de Markov – p. 8/3

Lois stationnaires Une loi de probabilités π sur V est stationnaire pour une chaîne de Markov (pour sa matrice de transition) si, lorsque l’état au temps 0 est distribué selon π , l’état au temps 1 est également distribué selon π . En d’autres termes, π.M = π , et on a donc π.M n = π (la chaîne partant de la distribution π est stationnaire). Existe-t-il une loi stationnaire ? Si oui, est-elle unique ?

Aléa 06 - Chaînes de Markov – p. 8/3

Lois stationnaires Une loi de probabilités π sur V est stationnaire pour une chaîne de Markov (pour sa matrice de transition) si, lorsque l’état au temps 0 est distribué selon π , l’état au temps 1 est également distribué selon π . En d’autres termes, π.M = π , et on a donc π.M n = π (la chaîne partant de la distribution π est stationnaire). Existe-t-il une loi stationnaire ? Si oui, est-elle unique ? A-t-on alors automatiquement limn P(Xn = u) = πu ?

Aléa 06 - Chaînes de Markov – p. 8/3

Lois stationnaires Une loi de probabilités π sur V est stationnaire pour une chaîne de Markov (pour sa matrice de transition) si, lorsque l’état au temps 0 est distribué selon π , l’état au temps 1 est également distribué selon π . En d’autres termes, π.M = π , et on a donc π.M n = π (la chaîne partant de la distribution π est stationnaire). Existe-t-il une loi stationnaire ? Oui si V fini Si oui, est-elle unique ? A-t-on alors automatiquement limn P(Xn = u) = πu ?

Aléa 06 - Chaînes de Markov – p. 8/3

Lois stationnaires Une loi de probabilités π sur V est stationnaire pour une chaîne de Markov (pour sa matrice de transition) si, lorsque l’état au temps 0 est distribué selon π , l’état au temps 1 est également distribué selon π . En d’autres termes, π.M = π , et on a donc π.M n = π (la chaîne partant de la distribution π est stationnaire). Existe-t-il une loi stationnaire ? Oui si V fini Si oui, est-elle unique ? Oui si irréductible A-t-on alors automatiquement limn P(Xn = u) = πu ?

Aléa 06 - Chaînes de Markov – p. 8/3

Lois stationnaires Une loi de probabilités π sur V est stationnaire pour une chaîne de Markov (pour sa matrice de transition) si, lorsque l’état au temps 0 est distribué selon π , l’état au temps 1 est également distribué selon π . En d’autres termes, π.M = π , et on a donc π.M n = π (la chaîne partant de la distribution π est stationnaire). Existe-t-il une loi stationnaire ? Oui si V fini Si oui, est-elle unique ? Oui si irréductible A-t-on alors automatiquement limn P(Xn = u) = πu ? Oui si apériodique

Aléa 06 - Chaînes de Markov – p. 8/3

Lois stationnaires Une loi de probabilités π sur V est stationnaire pour une chaîne de Markov (pour sa matrice de transition) si, lorsque l’état au temps 0 est distribué selon π , l’état au temps 1 est également distribué selon π . En d’autres termes, π.M = π , et on a donc π.M n = π (la chaîne partant de la distribution π est stationnaire). Existe-t-il une loi stationnaire ? Oui si V fini Si oui, est-elle unique ? Oui si irréductible A-t-on alors automatiquement limn P(Xn = u) = πu ? Oui si apériodique (C’est la dernière question qui est intéressante pour la génération aléatoire)

Aléa 06 - Chaînes de Markov – p. 8/3

Si V est infini. . . 1

1/3

2/3

1/9

8/9

26/27

1/27

1/81

80/81

(Probabilité strictement positive de ne jamais revenir en arrière)

Aléa 06 - Chaînes de Markov – p. 9/3

Si non irréductible. . .

Si la chaîne entre dans une composante puits, elle n’en sortira plus A priori, une distribution stationnaire par composante puits

Aléa 06 - Chaînes de Markov – p. 10/3

Si périodique. . .

Si au temps 0 on part d’un sommet donné, aux temps impairs il sera impossible d’être en ce même sommet. lim P(X2n+1 = u|X0 = u) = 0 n

lim P(X2n = u|X0 = u) > 0 n

Aléa 06 - Chaînes de Markov – p. 11/3

Théorème ergodique Si une chaîne (à espace d’états fini) est irréductible et apériodique, alors quelle que soit la distribution de X0 , toutes les probabilités de présence tendent vers l’unique loi stationnaire. Cette loi accorde un poids strictement positif à chaque état.

Aléa 06 - Chaînes de Markov – p. 12/3

Théorème ergodique Si une chaîne (à espace d’états fini) est irréductible et apériodique, alors quelle que soit la distribution de X0 , toutes les probabilités de présence tendent vers l’unique loi stationnaire. Cette loi accorde un poids strictement positif à chaque état. De plus, avec probabilité 1, pour tout état v , la proportion des instants entre 0 et N où la chaîne est dans l’état v tend vers π(v) (pour presque toutes les trajectoires, la moyenne dans le temps est identique à la moyenne dans l’espace).

Aléa 06 - Chaînes de Markov – p. 12/3

Remarque sur l’apériodicité La périodicité est un faux problème: si M est (la matrice de transition d’)une chaîne irréductible, M 0 = (I + M )/2 a la même distribution stationnaire, et est irréductible (donc ergodique).

Aléa 06 - Chaînes de Markov – p. 13/3

Remarque sur l’apériodicité La périodicité est un faux problème: si M est (la matrice de transition d’)une chaîne irréductible, M 0 = (I + M )/2 a la même distribution stationnaire, et est irréductible (donc ergodique). Simuler M 0 pendant N pas, revient exactement à simuler M pendant un nombre de pas aléatoire (indépendant de la trajectoire), de loi Bin(N, 1/2).

Aléa 06 - Chaînes de Markov – p. 13/3

Génération aléatoire On peut envisager de transformer une chaîne de Markov ergodique en générateur aléatoire d’états : si on dispose d’une chaîne ergodique, dont la distribution limite (stationnaire) est π (par exemple, uniforme), et que l’on sait simuler, on obtient un générateur aléatoire suivant une loi “presque égale” à π en partant d’un état X0 quelconque, en simulant la chaîne pendant un temps N “assez grand”, et en retournant XN .

Aléa 06 - Chaînes de Markov – p. 14/3

Génération aléatoire On peut envisager de transformer une chaîne de Markov ergodique en générateur aléatoire d’états : si on dispose d’une chaîne ergodique, dont la distribution limite (stationnaire) est π (par exemple, uniforme), et que l’on sait simuler, on obtient un générateur aléatoire suivant une loi “presque égale” à π en partant d’un état X0 quelconque, en simulant la chaîne pendant un temps N “assez grand”, et en retournant XN . Comment détermine-t-on π ?

Aléa 06 - Chaînes de Markov – p. 14/3

Génération aléatoire On peut envisager de transformer une chaîne de Markov ergodique en générateur aléatoire d’états : si on dispose d’une chaîne ergodique, dont la distribution limite (stationnaire) est π (par exemple, uniforme), et que l’on sait simuler, on obtient un générateur aléatoire suivant une loi “presque égale” à π en partant d’un état X0 quelconque, en simulant la chaîne pendant un temps N “assez grand”, et en retournant XN . Comment détermine-t-on π ? Ça veut dire quoi, “presque égale”?

Aléa 06 - Chaînes de Markov – p. 14/3

Génération aléatoire On peut envisager de transformer une chaîne de Markov ergodique en générateur aléatoire d’états : si on dispose d’une chaîne ergodique, dont la distribution limite (stationnaire) est π (par exemple, uniforme), et que l’on sait simuler, on obtient un générateur aléatoire suivant une loi “presque égale” à π en partant d’un état X0 quelconque, en simulant la chaîne pendant un temps N “assez grand”, et en retournant XN . Comment détermine-t-on π ? Ça veut dire quoi, “presque égale”? C’est quoi, “assez grand”?

Aléa 06 - Chaînes de Markov – p. 14/3

Génération aléatoire On peut envisager de transformer une chaîne de Markov ergodique en générateur aléatoire d’états : si on dispose d’une chaîne ergodique, dont la distribution limite (stationnaire) est π (par exemple, uniforme), et que l’on sait simuler, on obtient un générateur aléatoire suivant une loi “presque égale” à π en partant d’un état X0 quelconque, en simulant la chaîne pendant un temps N “assez grand”, et en retournant XN . Comment détermine-t-on π ? (souvent facile) Ça veut dire quoi, “presque égale”? C’est quoi, “assez grand”?

Aléa 06 - Chaînes de Markov – p. 14/3

Génération aléatoire On peut envisager de transformer une chaîne de Markov ergodique en générateur aléatoire d’états : si on dispose d’une chaîne ergodique, dont la distribution limite (stationnaire) est π (par exemple, uniforme), et que l’on sait simuler, on obtient un générateur aléatoire suivant une loi “presque égale” à π en partant d’un état X0 quelconque, en simulant la chaîne pendant un temps N “assez grand”, et en retournant XN . Comment détermine-t-on π ? (souvent facile) Ça veut dire quoi, “presque égale”? (distance) C’est quoi, “assez grand”?

Aléa 06 - Chaînes de Markov – p. 14/3

Génération aléatoire On peut envisager de transformer une chaîne de Markov ergodique en générateur aléatoire d’états : si on dispose d’une chaîne ergodique, dont la distribution limite (stationnaire) est π (par exemple, uniforme), et que l’on sait simuler, on obtient un générateur aléatoire suivant une loi “presque égale” à π en partant d’un état X0 quelconque, en simulant la chaîne pendant un temps N “assez grand”, et en retournant XN . Comment détermine-t-on π ? (souvent facile) Ça veut dire quoi, “presque égale”? (distance) C’est quoi, “assez grand”? (temps de mélange)

Aléa 06 - Chaînes de Markov – p. 14/3

Exemple: Marche aléatoire sur un cycle

Aléa 06 - Chaînes de Markov – p. 15/3

Exemple: Marche aléatoire sur un cycle

Chaîne finie, graphe non orienté : une seule distribution stationnaire, qui ne peut être qu’uniforme par symétries.

Aléa 06 - Chaînes de Markov – p. 15/3

Exemple: Marche aléatoire sur un cycle

Chaîne finie, graphe non orienté : une seule distribution stationnaire, qui ne peut être qu’uniforme par symétries. Si n est pair : la chaîne est périodique de période 2, et il ne peut pas y avoir de convergence vers l’uniforme pour la chaîne partant d’un sommet donné.

Aléa 06 - Chaînes de Markov – p. 15/3

Exemple: Marche aléatoire sur un cycle

Chaîne finie, graphe non orienté : une seule distribution stationnaire, qui ne peut être qu’uniforme par symétries. Si n est pair : la chaîne est périodique de période 2, et il ne peut pas y avoir de convergence vers l’uniforme pour la chaîne partant d’un sommet donné. Si n est impair : la chaîne est apériodique, il y a bien convergence vers l’uniforme;

Aléa 06 - Chaînes de Markov – p. 15/3

Exemple: Marche aléatoire sur un cycle

Chaîne finie, graphe non orienté : une seule distribution stationnaire, qui ne peut être qu’uniforme par symétries. Si n est pair : la chaîne est périodique de période 2, et il ne peut pas y avoir de convergence vers l’uniforme pour la chaîne partant d’un sommet donné. Si n est impair : la chaîne est apériodique, il y a bien convergence vers l’uniforme; intuitivement, on se doute que, si n est grand, il va falloir “longtemps” pour que la chaîne “oublie” la parité de son sommet de départ.

Aléa 06 - Chaînes de Markov – p. 15/3

Recherche des lois limites Problème : étant donnée une chaîne de Markov (qu’on peut supposer ergodique), identifier sa loi stationnaire.

Aléa 06 - Chaînes de Markov – p. 16/3

Recherche des lois limites Problème : étant donnée une chaîne de Markov (qu’on peut supposer ergodique), identifier sa loi stationnaire. C’est naturellement l’unique vecteur propre gauche (à coefficients positifs, normalisé) de la matrice des probabilités de transition, pour la valeur propre 1.

Aléa 06 - Chaînes de Markov – p. 16/3

Recherche des lois limites Problème : étant donnée une chaîne de Markov (qu’on peut supposer ergodique), identifier sa loi stationnaire. C’est naturellement l’unique vecteur propre gauche (à coefficients positifs, normalisé) de la matrice des probabilités de transition, pour la valeur propre 1. Condition d’équilibre : π = (πu )u∈V est la loi stationnaire si et seulement si, pour tout v , X π(u)puv = π(v) u

Aléa 06 - Chaînes de Markov – p. 16/3

Recherche des lois limites Problème : étant donnée une chaîne de Markov (qu’on peut supposer ergodique), identifier sa loi stationnaire. C’est naturellement l’unique vecteur propre gauche (à coefficients positifs, normalisé) de la matrice des probabilités de transition, pour la valeur propre 1. Condition d’équilibre : π = (πu )u∈V est la loi stationnaire si et seulement si, pour tout v , X π(u)puv = π(v) u

En particulier, si (et seulement si) le graphe (non orienté) est régulier, la marche aléatoire non biaisée laisse invariante la distribution uniforme.

Aléa 06 - Chaînes de Markov – p. 16/3

Recherche des lois limites Problème : étant donnée une chaîne de Markov (qu’on peut supposer ergodique), identifier sa loi stationnaire. C’est naturellement l’unique vecteur propre gauche (à coefficients positifs, normalisé) de la matrice des probabilités de transition, pour la valeur propre 1. Condition d’équilibre : π = (πu )u∈V est la loi stationnaire si et seulement si, pour tout v , X π(u)puv = π(v) u

Dans le cas d’un graphe orienté, la condition devient que les degrés entrants soient uniformes.

Aléa 06 - Chaînes de Markov – p. 16/3

Lois limites: le cas réversible Proposition : si π est une distribution de probabilités qui vérifie, pour tout couple de sommets (u, v), la condition d’équilibre local (detailed balance condition) : π(u)pu,v = π(v)pv,u ,

alors π est une distribution stationnaire.

Aléa 06 - Chaînes de Markov – p. 17/3

Lois limites: le cas réversible Proposition : si π est une distribution de probabilités qui vérifie, pour tout couple de sommets (u, v), la condition d’équilibre local (detailed balance condition) : π(u)pu,v = π(v)pv,u ,

alors π est une distribution stationnaire. Preuve : en sommant sur u, le membre droit devient π(v).

Aléa 06 - Chaînes de Markov – p. 17/3

Lois limites: le cas réversible Proposition : si π est une distribution de probabilités qui vérifie, pour tout couple de sommets (u, v), la condition d’équilibre local (detailed balance condition) : π(u)pu,v = π(v)pv,u ,

alors π est une distribution stationnaire. Preuve : en sommant sur u, le membre droit devient π(v). (chaîne réversible - time-reversible)

Aléa 06 - Chaînes de Markov – p. 17/3

Lois limites: le cas réversible Proposition : si π est une distribution de probabilités qui vérifie, pour tout couple de sommets (u, v), la condition d’équilibre local (detailed balance condition) : π(u)pu,v = π(v)pv,u ,

alors π est une distribution stationnaire. Preuve : en sommant sur u, le membre droit devient π(v). (chaîne réversible - time-reversible) Conséquence : si la matrice des probabilités de transition est symétrique, la distribution uniforme est stationnaire.

Aléa 06 - Chaînes de Markov – p. 17/3

Lois limites: le cas réversible Proposition : si π est une distribution de probabilités qui vérifie, pour tout couple de sommets (u, v), la condition d’équilibre local (detailed balance condition) : π(u)pu,v = π(v)pv,u ,

alors π est une distribution stationnaire. Preuve : en sommant sur u, le membre droit devient π(v). (chaîne réversible - time-reversible) En particulier, sur un graphe (connexe) non régulier de degré maximum ∆, on obtient une marche aléatoire dont la distribution stationnaire est uniforme en posant puv = 1/∆ si u et v sont voisins puu = 1 − deg(u)/∆

Aléa 06 - Chaînes de Markov – p. 17/3

Choix d’une chaîne Étant donné un ensemble fini V , créer une chaîne de Markov d’ensemble d’états V dont la distribution converge vers la distribution uniforme, c’est “facile” :

Aléa 06 - Chaînes de Markov – p. 18/3

Choix d’une chaîne Étant donné un ensemble fini V , créer une chaîne de Markov d’ensemble d’états V dont la distribution converge vers la distribution uniforme, c’est “facile” : définir un graphe non orienté, connexe, dont les sommets sont les éléments de V ;

Aléa 06 - Chaînes de Markov – p. 18/3

Choix d’une chaîne Étant donné un ensemble fini V , créer une chaîne de Markov d’ensemble d’états V dont la distribution converge vers la distribution uniforme, c’est “facile” : définir un graphe non orienté, connexe, dont les sommets sont les éléments de V ; choisir arbitrairement des probabilités de transition symétriques pu,v = pv,u , strictement positives, le long des arêtes;

Aléa 06 - Chaînes de Markov – p. 18/3

Choix d’une chaîne Étant donné un ensemble fini V , créer une chaîne de Markov d’ensemble d’états V dont la distribution converge vers la distribution uniforme, c’est “facile” : définir un graphe non orienté, connexe, dont les sommets sont les éléments de V ; choisir arbitrairement des probabilités de transition symétriques pu,v = pv,u , strictement positives, le long des arêtes; P compléter avec des boucles : pu,u = 1 − v6=u pu,v ; (il faut s’assurer que les probabilités de boucle soient positives)

Aléa 06 - Chaînes de Markov – p. 18/3

Choix d’une chaîne Étant donné un ensemble fini V , créer une chaîne de Markov d’ensemble d’états V dont la distribution converge vers la distribution uniforme, c’est “facile” : définir un graphe non orienté, connexe, dont les sommets sont les éléments de V ; choisir arbitrairement des probabilités de transition symétriques pu,v = pv,u , strictement positives, le long des arêtes; P compléter avec des boucles : pu,u = 1 − v6=u pu,v ; (il faut s’assurer que les probabilités de boucle soient positives) pour peu qu’au moins un des pu,u soit strictement positif, c’est gagné, sinon il faut vérifier l’apériodicité.

Aléa 06 - Chaînes de Markov – p. 18/3

Temps de mélange Pour évaluer l’écart entre deux distributions (par exemple, entre la distribution au temps n et la distribution limite), on utilise la distance de variation totale : 1X 0 0 D(π, π ) = max |π(A) − π (A)| = |π(u) − π 0 (u)| A⊂V 2 u∈V

Aléa 06 - Chaînes de Markov – p. 19/3

Temps de mélange Pour évaluer l’écart entre deux distributions (par exemple, entre la distribution au temps n et la distribution limite), on utilise la distance de variation totale : 1X 0 0 D(π, π ) = max |π(A) − π (A)| = |π(u) − π 0 (u)| A⊂V 2 u∈V

(t) D(pu,. , π).

Pour u ∈ V et t ∈ N, on pose δu (t) = (δu (t) mesure combien la chaîne, partant de u, est encore loin de sa distribution limite au temps t.)

Aléa 06 - Chaînes de Markov – p. 19/3

Temps de mélange Pour évaluer l’écart entre deux distributions (par exemple, entre la distribution au temps n et la distribution limite), on utilise la distance de variation totale : 1X 0 0 D(π, π ) = max |π(A) − π (A)| = |π(u) − π 0 (u)| A⊂V 2 u∈V

Pour u ∈ V et t ∈ N, on pose δu (t) =

(t) D(pu,. , π).

Temps de mélange : τu () = min{t : δu (t0 ) ≤  pour tout t0 ≥ t}

Aléa 06 - Chaînes de Markov – p. 19/3

Temps de mélange Pour évaluer l’écart entre deux distributions (par exemple, entre la distribution au temps n et la distribution limite), on utilise la distance de variation totale : 1X 0 0 D(π, π ) = max |π(A) − π (A)| = |π(u) − π 0 (u)| A⊂V 2 u∈V

Pour u ∈ V et t ∈ N, on pose δu (t) =

(t) D(pu,. , π).

Temps de mélange : τu () = min{t : δu (t0 ) ≤  pour tout t0 ≥ t}

(à partir de τu (), la chaîne partie de u ne sera plus jamais à distance plus grande que  de π )

Aléa 06 - Chaînes de Markov – p. 19/3

Temps de mélange Pour évaluer l’écart entre deux distributions (par exemple, entre la distribution au temps n et la distribution limite), on utilise la distance de variation totale : 1X 0 0 D(π, π ) = max |π(A) − π (A)| = |π(u) − π 0 (u)| A⊂V 2 u∈V

Pour u ∈ V et t ∈ N, on pose δu (t) =

(t) D(pu,. , π).

Temps de mélange : τu () = min{t : δu (t0 ) ≤  pour tout t0 ≥ t}

Pour uniformiser les choses, on pose τ () = maxu∈V τu () (quelle que soit sa distribution de départ, à partir du temps τ () la chaîne ne sera plus jamais à distance >  de π )

Aléa 06 - Chaînes de Markov – p. 19/3

Mélange rapide Typiquement, V = Vn (on définit une famille, indexée par des tailles, de chaînes sur des ensembles de plus en plus grands). On dit que cette famille de chaînes de Markov est rapidement mélangeante, si τ (n) () ne croît pas trop vite lorsque n tend vers l’infini et  vers 0 : τ (n) () ≤ poly(n, log(1/)).

(Typiquement, #Vn est exponentiel en n)

Aléa 06 - Chaînes de Markov – p. 20/3

Mélange rapide Typiquement, V = Vn (on définit une famille, indexée par des tailles, de chaînes sur des ensembles de plus en plus grands). On dit que cette famille de chaînes de Markov est rapidement mélangeante, si τ (n) () ne croît pas trop vite lorsque n tend vers l’infini et  vers 0 : τ (n) () ≤ poly(n, log(1/)).

(Typiquement, #Vn est exponentiel en n) Deux questions naturelles :

Aléa 06 - Chaînes de Markov – p. 20/3

Mélange rapide Typiquement, V = Vn (on définit une famille, indexée par des tailles, de chaînes sur des ensembles de plus en plus grands). On dit que cette famille de chaînes de Markov est rapidement mélangeante, si τ (n) () ne croît pas trop vite lorsque n tend vers l’infini et  vers 0 : τ (n) () ≤ poly(n, log(1/)).

(Typiquement, #Vn est exponentiel en n) Deux questions naturelles : comment prouve-t-on qu’une chaîne est, ou non, rapidement mélangeante ?

Aléa 06 - Chaînes de Markov – p. 20/3

Mélange rapide Typiquement, V = Vn (on définit une famille, indexée par des tailles, de chaînes sur des ensembles de plus en plus grands). On dit que cette famille de chaînes de Markov est rapidement mélangeante, si τ (n) () ne croît pas trop vite lorsque n tend vers l’infini et  vers 0 : τ (n) () ≤ poly(n, log(1/)).

(Typiquement, #Vn est exponentiel en n) Deux questions naturelles : comment prouve-t-on qu’une chaîne est, ou non, rapidement mélangeante ? comment construire des chaînes les plus rapidement mélangeantes possible ?

Aléa 06 - Chaînes de Markov – p. 20/3

Mélange rapide et valeurs propres Proposition: si la chaîne est réversible et si sa matrice de probabilités de transitions a pour valeurs propres 1 = λ0 > λ1 ≥ . . . ≥ λN −1 , en posant λ = max(|λ1 |, |λN −1 |) on a, indépendamment de l’état de départ, π(v) |P(Xt = v) − π(v)| ≤ λ minu π(u) t

Aléa 06 - Chaînes de Markov – p. 21/3

Mélange rapide et valeurs propres Proposition: si la chaîne est réversible et si sa matrice de probabilités de transitions a pour valeurs propres 1 = λ0 > λ1 ≥ . . . ≥ λN −1 , en posant λ = max(|λ1 |, |λN −1 |) on a, indépendamment de l’état de départ, π(v) |P(Xt = v) − π(v)| ≤ λ minu π(u) t

Conséquence: δ(t) ≤ λt / minu π(u), et      1 1 1 ln + ln τ () ≤ 1−λ  minu π(u)

Aléa 06 - Chaînes de Markov – p. 21/3

Mélange rapide et valeurs propres Proposition: si la chaîne est réversible et si sa matrice de probabilités de transitions a pour valeurs propres 1 = λ0 > λ1 ≥ . . . ≥ λN −1 , en posant λ = max(|λ1 |, |λN −1 |) on a, indépendamment de l’état de départ, π(v) |P(Xt = v) − π(v)| ≤ λ minu π(u) t

Conséquence: δ(t) ≤ λt / minu π(u), et      1 1 1 ln + ln τ () ≤ 1−λ  minu π(u) En d’autres termes, on a mélange rapide dès que β −α −n λ = 1 − Ω(n ) et π(u) = Ω(e )

Aléa 06 - Chaînes de Markov – p. 21/3

Preuve p

Soit D la matrice diagonale Du,v = δuv π(u); la matrice A = D.P.D −1 est symétrique, avec les mêmes valeurs propres que P , donc diagonalisable dans une base orthonormale : X −1 A = D.P.D = λi E(i) 0≤i
View more...

Comments

Copyright � 2017 NANOPDF Inc.
SUPPORT NANOPDF