Marche aléatoire

En mathématiques et en physique théorique, une marche au hasard est un modèle mathématique d'un dispositif possédant une dynamique discrète composée d'une succession de pas aléatoires, ou effectués «au hasard».



Catégories :

Hasard et aléatoire - Probabilités - Physique statistique

Recherche sur Google Images :


Source image : fr.wikipedia.org
Cette image est un résultat de recherche de Google Image. Elle est peut-être réduite par rapport à l'originale et/ou protégée par des droits d'auteur.

Page(s) en rapport avec ce sujet :

  • Les marches aléatoires récurrentes (article de D. Cheliotis 2005) ; Marche aléatoire sur les graphes (article de N. Moshtagh 2004) ; Loi du logarithme itérée... (source : oboulo)
  • Marches aléatoires et marches quantiques. Présentation. Définition. - G = (V, E) un graphe (non orienté) sur les sommets V d'arêtes E. - Une marche aléatoire... (source : lri)
  • 14h55 - 15h45 : J. Brémont - Marche aléatoire en milieu aléatoire quasi- périodique. 16h15 - 17h05 : G. Faraud - Marches aléatoires en milieu aléatoire sur ... (source : pagesperso.univ-brest)
Trois marches aléatoires (indépendantes) isotropes sur le réseau \mathbb{Z}ˆ2 ; 10 000 pas.

En mathématiques et en physique théorique, une marche au hasard est un modèle mathématique d'un dispositif possédant une dynamique discrète composée d'une succession de pas aléatoires, ou effectués «au hasard». On emploie aussi souvent les expressions marche aléatoire, promenade aléatoire ou random walk en anglais. Ces pas aléatoires sont de plus complètement décorrélés les uns des autres ; cette dernière propriété, principale, est nommée caractère markovien du processus, du nom du mathématicien Markov. Elle veut dire intuitivement qu'à chaque instant, le futur du dispositif dépend de son état présent, mais pas de son passé, même le plus proche. C'est à dire, le dispositif «perd la mémoire» à mesure qu'il évolue dans le temps. Pour cette raison, une marche aléatoire est quelquefois aussi nommée «marche de l'ivrogne».

Cette modélisation mathématique sert à rendre compte de certains phénomènes naturels, dont l'exemple le plus fameux est le mouvement brownien, correspondant aux mouvements en apparence aléatoires des particules présentes dans le fluide intérieur d'un grain de pollen.

En mathématiques ou en informatique, on étudie fréquemment des marches au hasard sur des réseaux réguliers ou sur des graphes plus complexes. C'est par exemple la méthode utilisée par le moteur de recherche Google pour parcourir, identifier et classer les pages du réseau internet.

Techniquement, les marches aléatoires sont du domaine de la théorie des probabilités. Une marche aléatoire est en effet un processus stochastique du type chaîne de Markov. Elle se décompose en unités élémentaires nommées pas, dont la longueur peut être elle-même constante, aléatoire ou fixée par le réseau ou le graphe sur lequel on circule. À chaque pas, on a par conséquent un éventail de possibilités pour choisir au hasard la direction et la grandeur du pas. Cet éventail de possibilités peut être discret (choix parmi un nombre fini de valeurs), ou continu.

Historique

L'idée de marche aléatoire a été introduite (sans le nom) en 1905 par le biostatisticien Karl Pearson pour rendre compte des migrations d'une population de moustiques dans une forêt. Pearson y pose la question suivante[1] :

«Un homme part d'un point O et parcours l yards (0, 914 m) en ligne droite ; il tourne d'un angle quelconque, et marche de nouveau l yards en ligne droite. Il répète ce processus n fois. Je demande la probabilité qu'après n de ces trajets, il soit à une distance localisée entre r et r + dr de son point de départ.»

La réponse à cette question est apportée une semaine plus tard par Lord Rayleigh dans la livraison suivante de Nature : quand n est suffisamment grand, cette probabilité vaut :

dP(r) \ \sim \ \frac{1}{n \, lˆ2} \quad \mathrm{e}ˆ{- \ \frac{\displaystyle rˆ2}{\displaystyle 2 \, n \, lˆ2}} \quad r \ dr

Si Rayleigh apporte si rapidement la réponse, c'est qu'il a lui-même étudié en 1880 un problème connexe : le comportement d'une superposition d'ondes acoustiques toutes de même amplitude, mais de phases aléatoires. Pearson répond à Rayleigh le 10 août[2] :

«J'aurais dû le savoir, mais mes lectures ces dernières années se sont déplacées vers d'autres centres d'intérêt, et on ne s'attend pas à trouver la première étape d'un problème de biométrie dans un mémoire sur l'acoustique.»

Pearson poursuit ensuite :

«La leçon de la solution de Lord Rayleigh est que, dans un pays ouvert, l'endroit le plus probable pour trouver un ivrogne toujours capable de tenir sur ses pieds se trouve quelque part dans le voisinage de son point de départ.»

L'expression «marche aléatoire» n'a été introduite que vers 1919-1921 par le mathématicien hongrois George Pólya, qui utilisait le mot allemand «Irrfahrt».

Marche aléatoire discrète à une dimension

Définition

Le modèle de marche aléatoire le plus simple est celui de la marche aléatoire discrète à une dimension sur le réseau périodique \mathbb{Z}. Pour en former un exemple concret, on peut imaginer un individu (ou «particule») sur un escalier, qui tire à pile ou face pour décider si le prochain pas sera vers le haut ou vers le bas. À chaque étape, il n'y a que deux choix envisageables : sur cet exemple, un pas en avant ou un pas en arrière. L'unique paramètre libre du problème est un nombre réel p tel que : 0 < p < 1. L'interprétation physique de ce paramètre est la suivante :

Le cas le plus simple, qui correspond par exemple au mouvement brownien, consiste à faire l'hypothèse d'isotropie spatiale. Les directions «avant / arrière» de l'espace physique étant a priori équivalentes, on pose l'équiprobabilité :

p \ = \ q \ = \ \frac{1}{2}

Il est remarquable que les lois mises en évidence dans ce cas s'étendent à des problèmes de marches aléatoires bien plus complexes.

Marche aléatoire isotrope

Trois marches aléatoires (indépendantes) isotropes sur le réseau \mathbb{Z} ; 1000 pas.

Chacun des tirs au hasard pour choisir le mouvement forme une épreuve de Bernoulli avec issues équiprobables : ici la probabilité de montée ou de descente est 1/2.

La figure ci-contre montre un échantillon de trois simulations numériques indépendantes de marches aléatoires pour une particule : on a tracé les positions successives x (t) de la particule aux instants t = 1, 2, ... , partant de la condition d'origine x (0) =0.

Après n pas, le nombre X de fois où on a tiré "pile" suit la loi binomiale B (n, 1 / 2) , telle que la probabilité vaut :

 P(X=k) \ = \ \frac1{2ˆn} \ C_nˆk

C_nˆk est le nombre de combinaisons de k éléments pris parmi n.

On peut relever la position en prenant la valeur 0 pour la marche d'origine, en ajoutant 1 pour chaque pas en avant (pile), en retranchant 1 pour chaque pas en arrière (face). Alors la position Y est donnée par : Y = X - (n-X) = 2X - n. Comparé à la loi binomiale classique il suffit par conséquent de décaler les résultats de n/2 et de multiplier par 2, ainsi :

Concrètement, si on renouvelle l'expérience avec la plupart de participants, et si on les laisse évoluer pendant un nombre de pas suffisament important (de l'ordre de n = 100 par exemple) on s'attend à ce que le nuage des positions finales soit en gros centré sur la marche d'origine. Ceci peut être rendu quantitatif : en se plaçant dans le régime asymptotique  n \gg 1, on démontre en utilisant la formule de Stirling que la loi binomiale se comporte asymptotiquement comme une distribution gaussienne. On obtient surtout un ordre de grandeur de l'étalement du nuage de participants : par exemple on s'attend à ce que 95 % à peu près des participants soient restés à 20 pas ou moins de la position d'origine (20=2\sqrt{100}).

Spécimens

La galerie ci-dessous contient quatre spécimens de marches aléatoires isotropes sur le réseau \mathbb{Z} après 1 000 pas, partant de l'origine. Les lignes en pointillés indiquent respectivement les valeurs maximum et minimum de la position atteintes (après 1000 pas).

Marche aléatoire isotrope sur un réseau à x dimensions

Deux dimensions

Trois marches aléatoires (indépendantes) isotropes sur le réseau \mathbb{Z}ˆ2 ; 10 000 pas.

On considère une marche aléatoire sur le réseau plan \mathbb{Z}ˆ2. Il y a ici quatre mouvements envisageables à chaque site : en avant, en arrière, à droite, à gauche. La figure ci-contre montre un échantillon de trois simulations numériques indépendantes de marches aléatoires pour une particule : on a tracé les trois trajectoires obtenues.

Pour des longues marches, la distribution de la position finale du marcheur se comporte asymptotiquement comme une distribution gaussienne. Cette convergence est illustrée ci-dessous : on trace les répartitions des probabilités de présence sur le réseau après 10 pas, puis après 60 pas :

Après 10 pas
Après 60 pas

Spécimens

La galerie ci-dessous contient quatre spécimens de marches aléatoires isotropes sur le réseau \mathbb{Z}ˆ2 après 10 000 pas, partant de l'origine.

Trois dimensions

On considère une marche aléatoire sur le réseau cubique \mathbb{Z}ˆ3. Il y a ici six mouvements envisageables à chaque site : en avant, en arrière, à droite, à gauche, en haut, en bas.

Trois marches aléatoires (indépendantes) isotropes sur le réseau \mathbb{Z}ˆ3 ; 10 000 pas.

La figure ci-contre montre un échantillon de trois simulations numériques indépendantes de marches aléatoires pour une particule : on a tracé les trois trajectoires obtenues.

Spécimens

La galerie ci-dessous contient quatre spécimens de marches aléatoires isotropes sur le réseau \mathbb{Z}ˆ3 après 10 000 pas, partant de l'origine.

Projections bidimensionnelles

La trajectoire tridimensionnelle en violet est associée à ses trois projections orthogonales sur les plans (x, y) (courbe bleue), (x, z) (courbe grise) et (y, z) (courbe rouge).

Marche aléatoire isotrope sur un continuum à x dimensions

Deux dimensions

On considère la marche aléatoire sur le plan \mathbb{R}ˆ2 définie par le processus suivant :

Trois marches aléatoires (indépendantes) isotropes sur le plan \mathbb{R}ˆ2 ; 10 000 pas.
f(\alpha) \ = \ \frac{1}{2 \pi}

Chaque direction de saut est complètement indépendante de la direction du saut précédent.

La figure ci-contre montre un échantillon de trois simulations numériques indépendantes de marches aléatoires pour une particule : on a tracé les trois trajectoires obtenues.

Spécimens

La galerie ci-dessous contient quatre spécimens de marches aléatoires isotropes sur le plan \mathbb{R}ˆ2 après 10 000 pas, partant de l'origine.

Récurrence et dimensionnalité

Récurrence

Considérons une marche aléatoire isotrope sur le réseau \mathbb{Z}ˆd à d dimensions spatiales. On peut toujours choisir de prendre le point de départ de cette marche comme origine O du dispositif de coordonnées cartésiennes. La question de la récurrence consiste alors à se demander si on peut trouver au moins un[3] instant t positif fini pour lequel la particule repasse par l'origine O.

La marche aléatoire sera dite récurrente si et uniquement si la probabilité que la particule repasse à l'origine O pour un certain instant t ultérieur fini vaut un.

Théorème de Pólya (1921)

Cette propriété de récurrence dépend fortement de la dimensionnalité de l'espace ; on peut en effet démontrer le théorème[4] (Pólya - 1921) [5] :

Certains disent quelquefois en plaisantant que ce théorème est au fondement du proverbe : «Tous les chemins mènent à Rome. » Le lecteur notera que, si on inclut les chemins «cosmiques», alors le proverbe est faux[6] !

Probabilité de retour à l'origine en dimension supérieure ou égale à trois 

On sait en fait calculer la probabilité que le marcheur, parti originellement de l'origine, revienne à l'origine, et ce pour l'ensemble des dimensions d > 2. Cette probabilité p (d) admet l'expression suivante (Montroll - 1956) [7] :

p(d) \ = \ 1 \ - \ \frac{1}{u(d)}

u (d) est une intégrale à d dimensions :

u(d) \ = \  \frac{d}{(2\pi)ˆd} \ \int_{-\pi}ˆ{+\pi} \dots  \int_{-\pi}ˆ{+\pi} \ \frac{dx_1  \ \dots \ dx_d}{d \ - \ \cos x_1 \ - \ \dots \ - \ \cos x_d}

Le cas spécifique d = 3 avait en fait déjà été obtenu auparavant par Watson[8], Mc Crea et Whipple[9], et Domb[10]. L'expression analytique de l'intégrale n'a été obtenue qu'en 1977 par Glasser et Zucker[11] :

u(3) \ = \  \frac{\sqrt{6}}{32 \, \piˆ3} \quad \Gamma \left (\frac{1}{24} \right) \ \Gamma \left (\frac{5}{24} \right) \ \Gamma \left (\frac{7}{24} \right) \ \Gamma \left (\frac{11}{24} \right) \ \simeq \ 1Q63860592 \dots

Γ (z) est la fonction Gamma d'Euler. On obtient par conséquent en trois dimension une probabilité de retour à l'origine : p(3) \simeq 0405373296, voisine de 34 pour cent.

Les expressions analytiques de u (d) ne sont pas connues en dimension d supérieure à trois. On obtient les valeurs numériques suivantes :

Marche aléatoire sur un graphe

Marche aléatoire continue

Très utilisée dans la modélisation de séries temporelles continues, une marche aléatoire peut s'écrire :

Il s'agit d'un cas spécifique d'un processus autorégressif (c'est-à-dire «regressé sur lui-même») avec ρ = 1. La valeur du paramètre ρ est particulièrement importante car elle change principalement la propriété de la série :

<img class=

Pour simuler une marche aléatoire, un petit exemple avec le logiciel de statistique R est montré :

a<-rnorm (100) # crée un vecteur "a" de 100 réalisation d'une loi normale (0, 1).

b<-cumsum (a) # Crée un vecteur "b" dont chaque élément correspond à la somme cumulée des éléments d'a.

plot. ts (b) #Crée un graphe (le ". ts" est utilisé pour "time series")

Marche aléatoire sur une variété riemannienne

Annexes

Bibliographie

Ouvrages de références
Articles classiques
Bibliothèque virtuelle
Marche aléatoire sur une variété riemannienne

Notes et références

  1. Karl Pearson, [[Nature (revue) |]], 27 juillet 1905.
  2. Karl Pearson ; Nature (10 août 1905).
  3. S'il en existe un, il en existera généralement une illimitété. Le plus petit de tous ces instants finis est nommé instant de premier retour à l'origine. Cf. e. g. le chapitre 1 du livre de Daniel W. Stroock.
  4. Cf. e. g. le chapitre 1 du livre de Daniel W. Stroock
  5. Georg Pólya, Über eine Aufgabe der Wahrscheinlichkeitsrechnung betref-. fend die Irrfahrt im Straßennetz, Mathematische Annalen 83 (1921), 149–160.
  6. Yakov G. Sinaï ; Probability Theory - An Introductory Course, Springer-Verlag (1992), ISBN 3-540-53348-6, p. 71.
  7. E. W. Montroll ; Random Walks in Multidimensional Spaces, Especially on Periodic Lattices, Journal of the SIAM 4 (1956), 241-260.
  8. G. N. Watson ; Three Triple Integrals, Quarterly Journal of Mathematics, Oxford Series 2 10 (1939), 266-276.
  9. W. H. McCrea & F. J. W. Whipple ; Random Paths in Two and Three Dimensions, Proceedings of the Royal Society of Edinburgh 60 (1940), 281-298.
  10. C. Domb ; On Multiple Returns in the Random-Walk Problem, Proceedings of the Cambridge Philosophical Society 50 (1954), 586-591.
  11. M. L. Glasser & I. J. Zucker ; Extended Watson Integrals for the Cubic Lattices, Proceedings of the National Academie of Science U. S. A. 74 (1977), 1800-1801.

Voir aussi

Liens externes

Recherche sur Amazone (livres) :



Ce texte est issu de l'encyclopédie Wikipedia. Vous pouvez consulter sa version originale dans cette encyclopédie à l'adresse http://fr.wikipedia.org/wiki/Marche_al%C3%A9atoire.
Voir la liste des contributeurs.
La version présentée ici à été extraite depuis cette source le 10/03/2010.
Ce texte est disponible sous les termes de la licence de documentation libre GNU (GFDL).
La liste des définitions proposées en tête de page est une sélection parmi les résultats obtenus à l'aide de la commande "define:" de Google.
Cette page fait partie du projet Wikibis.
Accueil Recherche Aller au contenuDébut page
ContactContact ImprimerImprimer liens d'évitement et raccourcis clavierAccessibilité
Aller au menu