CCINP Maths 2 MP 2017

SESSION 2017

MPMA206

!

!
!

EPREUVE SPECIFIQUE - FILIERE MP!
!!!!!!!!!!!!!!!!!!!!"
!

MATHEMATIQUES 2
Jeudi 4 mai : 8 h - 12 h!
!!!!!!!!!!!!!!!!!!!!"
N.B. : le candidat attachera la plus grande importance à la clarté, à la 
précision et à la concision de la
!"#$%&'()*+,'+-)+%$)#'#$&+./&+$0.)"+1+!.2"!.!+%.+3-'+2.-&+4-'+/.054.!+6&!.+-).+.!!.-!+#7")()%"8+'4+4.+
/'9)$4.!$+/-!+/$+%(2'.+.&+#.:!$+2(-!/-':!.+/$+%(02(/'&'()+.)+.;24'3-$)&+4./+!$'/()/+#./+')'&'$&':./+3-7'4+
a été amené à prendre.!

!
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
"
!
!
!
!
!
!
Les calculatrices sont autorisées
!
!
!
!
!
!
!
Le sujet est composé d'un seul problème.
!

Notations
· Dans tout le sujet, K désigne les corps R ou C, p désigne un entier supérieur 
ou égal à 2.
On note Mp (K) le K-espace vectoriel des matrices carrées de taille p à 
coefficients dans K.
· On note Ip la matrice unité de Mp (K).
· Si x = (x1 , . . . , xp ) est un vecteur de Kp , on note x sa norme «infinie» 
définie par :
x = max{|xi | |

i  1, p}.

· On dit que x est un vecteur stochastique si ses coordonnées sont positives ou 
nulles et
leur somme vaut 1 :
p
i  1, p, xi  0 et

xi = 1.

i=1

· Une matrice A = (ai,j ) de Mp (R) est dite stochastique si ses coefficients 
sont positifs ou
nuls et si la somme des coefficients de chacune de ses lignes vaut 1, 
c'est-à-dire si :
(i, j)  1, p2 , ai,j  0 et i  1, p,

p

ai,j = 1.

j=1

· Une matrice A est dite strictement positive si tous ses coefficients sont 
strictement positifs.
On note alors A > 0.
· Si b1 , b2 , . . . , bk sont des nombres complexes (respectivement des 
matrices carrées), on
note diag(b1 , b2 , . . . , bk ) la matrice diagonale (respectivement diagonale 
par blocs) dont
les coefficients diagonaux (respectivement blocs diagonaux) sont b1 , b2 , . . 
. , bk .

Objectifs

Le sujet est constitué d'un seul problème qui traite de matrices stochastiques 
dans un contexte
probabiliste de chaîne de Markov (partie I). On étudie le spectre d'une matrice 
stochastique A
(partie II) et la suite des itérés de A (partie III). On introduit aussi la 
notion de probabilité
invariante par A (partie IV), suivie de son calcul effectif par ordinateur 
(partie V).

La partie I est indépendante des autres parties. La partie IV utilise les deux 
résultats démontrés
dans les parties II et III. La partie V est une partie informatique liée à la 
partie IV, mais qui
peut être traitée de manière indépendante.

Partie I - Un exemple de chaîne de Markov

Une particule possède deux états possibles numérotés 1 et 2 et peut passer de 
son état à l'état
1 ou 2 de façon aléatoire. On considère un espace probabilisé (, F, P ) sur 
lequel on définit
pour tout n  N, la variable aléatoire Xn égale à l'état de la particule au 
temps n. L'état de la
particule au temps n + 1 dépend uniquement de son état au temps n selon les 
règles suivantes :
· si au temps n la particule est dans l'état 1, au temps n + 1 elle passe à 
l'état 2 avec une
1
probabilité .
2
· si au temps n la particule est dans l'état 2, au temps n + 1, elle passe à 
l'état 1 avec une
1
probabilité .
4

1
On suppose que P (X0 = 1) = P (X0 = 2) = .
2
Q1. Déterminer en justifiant la loi de X1 .

On pose µn = (P (Xn = 1), P (Xn = 2)) le vecteur ligne de R2 caractérisant la 
loi de Xn .

Q2.

Justifier la relation matricielle suivante :
1
2

n  N, µn+1 = µn A avec A = 

1

4

1
2

.

3
4

Q3. En déduire, à l'aide de la calculatrice, la loi de X5 (on demande les 
résultats arrondis au
centième).

Q4. Temps de premier accès à l'état 1 : on note T la variable aléatoire égale 
au plus petit
entier n  N tel que Xn = 1. Déterminer P (T = 1), puis P (T = k) pour tout 
entier k  2.

Q5. Justifier que A est diagonalisable, puis donner, sans détailler les 
calculs, une matrice Q
inversible à coefficients entiers telle que

1
A = Q diag 1,
Q-1 .
4

Q6. Justifier que les applications M  QM Q-1 et M  µ0 M définies sur M2 (R) sont
continues.

Q7. En déduire la convergence de la suite de matrices (An )nN , puis de la 
suite de vecteurs
lignes (µn )nN . Préciser les coefficients du vecteur ligne obtenu comme limite.

La suite de variables aléatoires (Xn )nN est un cas particulier de variables 
aléatoires dont l'état
à l'instant n + 1 ne dépend que de son état à l'instant n et pas des 
précédents. On dit alors
que (Xn )nN est une chaîne de Markov. Plus généralement si (Xn )nN est une 
chaîne de Markov
prenant ses valeurs dans 1, p, la loi des variables Xn est entièrement 
déterminée par la donnée
de la loi de X0 et d'une matrice stochastique A de Mp (R).

Si on pose maintenant µn = (P (Xn = 1), P (Xn = 2), . . . , P (Xn = p)), 
l'étude du comportement
de la loi de Xn lorsque n est grand, se ramène alors à l'étude de la 
convergence de la suite (µn )nN
vérifiant la relation de récurrence µn+1 = µn A. Cela conduit à l'étude de la 
suite de matrices
(An )nN . C'est l'objet des parties suivantes.

Partie II - Spectre d'une matrice stochastique

Soit A une matrice stochastique de Mp (R).

Q8. Justifier que 1 est valeur propre de A (on pourra considérer le vecteur 
colonne de Rp
dont toutes les coordonnées valent 1).

Q9.

Q10.

Soit x un vecteur colonne de Cp . Démontrer que Ax  x .
En déduire que si   C est une valeur propre de A, on a ||  1.

Localisation des valeurs propres

Soit   C une valeur propre de A.

Q11. Justifier l'existence d'un vecteur colonne x = (x1 , . . . , xp ) de Cp 
tel que x = 1 et
Ax = x.

Q12.

Soit i  1, p tel que |xi | = 1. Démontrer que :
| - ai,i |  1 - ai,i .

Étude d'un exemple

Q13.

Dans cette question uniquement, on prend :
1
 2

1
4

1
6

1
6

1
3

1
3

A=

1 
4 

4
6
1
3

.

Déduire de la question précédente que les valeurs propres de A sont contenues 
dans la réunion
de trois disques, que l'on représentera en précisant leurs centres et leurs 
rayons.

On constate en particulier sur l'exemple que 1 est la seule valeur propre de A 
de module 1.
On admettra, dans la suite du problème, que cette propriété reste vraie pour 
toute matrice
stochastique strictement positive.

Cas des matrices stochastiques strictement positives

Q14. On suppose en plus pour cette question et la question suivante que la 
matrice A est
strictement positive. On pose B = A - Ip et on note B  la matrice de Mp-1 (R) 
obtenue en
supprimant la dernière colonne et la dernière ligne de B.

Soit   C une valeur propre de B  .

On admet qu'il existe un entier i  1, p - 1 tel que :
| - (ai,i - 1)|  1 - ai,i - ai,p .

La démonstration (non demandée) de cette inégalité est similiaire à celle de la 
question Q12.

Déduire de cette inégalité que B  est inversible.

Q15.

En déduire que dim Ker(A - Ip ) = 1.

On admet sans démonstration que 1 est racine simple du polynôme caractéristique 
de A. On
dit alors que 1 est une valeur propre simple de A. Nous pouvons résumer les 
résultats de cette
partie par la Proposition 1 ci-dessous.

Proposition 1. Soit A une matrice stochastique de Mp (R) strictement positive. 
Alors 1 est
valeur propre simple et les autres valeurs propres ont un module strictement 
inférieur à 1.

Partie III - Itérées d'une matrice stochastique

On démontre dans cette partie la proposition suivante :

Proposition 2. Pour toute matrice A  Mp (R), stochastique et strictement 
positive, la suite
(An )nN converge dans Mp (R).

Un contre-exemple

Q16. On considère s la symétrie orthogonale de R2 par rapport à la droite 
d'équation y = x.
Donner, sans justification, la matrice B de s dans la base canonique de R2 .

Q17. La Proposition 2 reste-t-elle vraie si la matrice stochastique n'est pas 
strictement
positive ?

Résultat préliminaire

Soit  un nombre complexe avec || < 1 et N une matrice nilpotente de Mp (C). Q18. Q19. Démontrer que N p = 0. Soit k  N. Justifier que pour n au voisinage de +, déduire la limite lorsque n tend vers + de Q20. n k est équivalent à nk . En k! n n-k . k En déduire que la suite de matrices ((Ip + N )n )nN converge vers la matrice nulle. Convergence d'une suite de matrices Soit A une matrice stochastique et strictement positive de Mp (R). On sait, d'après la Proposition 1, que 1 est valeur propre simple de A. Si 1 , . . . , r sont les autres valeurs propres complexes de A, un théorème du cours montre que A est semblable sur C à une matrice diagonale par blocs du type diag(1, 1 Ip1 + N1 , . . . , r Ipr + Nr ) , avec p1 , . . . , pr des entiers et N1 , . . . , Nr des matrices nilpotentes à coefficients complexes. Q21. Déduire des questions Q18 à Q20 que la suite (An )nN converge. Partie IV - Probabilité invariante par une matrice stochastique Définition. Soit A  Mp (R) une matrice stochastique. On dit que A admet une probabilité invariante s'il existe un vecteur ligne stochastique µ  Rp tel que µ A = µ (on dit alors que µ est une probabilité invariante par A). Le but de cette partie est de démontrer la propriété énoncée dans la Proposition 3 ci-dessous. Proposition 3. Soient A  Mp (R) une matrice stochastique strictement positive et µ0  Rp un vecteur ligne stochastique. On note (µn )nN la suite de vecteurs lignes de Rp définie par la relation : n  N, µn+1 = µn A. Alors, la suite (µn )nN converge vers un vecteur stochastique µ vérifiant µ = µ A. De plus, le vecteur µ est l'unique probabilité invariante par A (il ne dépend donc pas du choix de µ0 ). Soient A  Mp (R) une matrice stochastique strictement positive et (µn )nN la suite définie ci-dessus. Q22. Démontrer que l'ensemble des vecteurs stochastiques de Rn est une partie fermée de Rn . Convergence de la suite Q23. Démontrer que la suite (µn )nN converge vers un vecteur µ vérifiant µ = µ A. Q24. Soit µ = (m1 , . . . , mp ) un vecteur ligne stochastique. Démontrer que µA est encore un vecteur stochastique. Q25. En déduire que µ est une probabilité invariante par A. Unicité de la probabilité invariante Q26. Lien avec le spectre de la transposée de A : soit µ  Rp un vecteur ligne stochastique. Justifier que µ est une probabilité invariante pour A, si et seulement si le vecteur colonne t µ est un vecteur propre de t A associé à la valeur propre 1. Q27. Justifier, en utilisant la question Q15, que dim Ker(t A - Ip ) = 1. Q28. En déduire que A admet une unique probabilité invariante. Partie V - Informatique : calcul effectif de la probabilité invariante d'une matrice stochastique strictement positive Si A est une matrice stochastique strictement positive, on a établi dans la partie précédente la convergence de la suite (µn )nN associée à la matrice A. Ceci fournit un algorithme de calcul de la probabilité invariante par A. On en propose une implémentation en langage Python. On sera très attentif à la rédaction et notamment à l'indentation du code. Un vecteur x de Rp sera représenté en Python par une liste de flottants. Par exemple, le vecteur x = (1, 2, 3) de R3 sera représenté par la liste [1,2,3]. De même, une matrice A sera représentée par une liste dont les éléments sont les lignes de la matrice. Par exemple, la matrice 1 2 3 A= sera représentée par la liste [ [1,2,3], [4,5,6] ]. 4 5 6 On exécute le script suivant A = [ [1,2,3], [4,5,6], [7,8,9], [10,11,12] ] qui 1 2 3 4 5 6 . représente la matrice A = 7 8 9 10 11 12 Q29. Donner les valeurs renvoyées lorsque l'on exécute len(A), A[1] et A[2][1]. Q30. Écrire une fonction difference qui prend en arguments deux vecteurs x et y de même taille et renvoie le vecteur x - y. Par exemple si x = (5, 2) et y = (3, 7), difference(x,y) renverra [2,-5]. Q31. Écrire une fonction norme qui prend en arguments un vecteur x = (x1 , . . . , xp ) et renvoie sa norme infinie x = max{|xi | | i  1, p} (on pourra utiliser librement la fonction abs qui renvoie la valeur absolue d'un nombre, mais on s'interdit l'utilisation de la fonction max déjà implémentée dans Python). Q32. Écrire une fonction itere qui prend en arguments un vecteur ligne x et une matrice A carrée de même taille que x et qui renvoie le vecteur xA. Par exemple si x = (1, 1) et 1 2 A= , on a xA = (5, 7) et donc itere(x,A) renverra [5,7]. 4 5 Q33. On a vu, dans la Partie IV, que si A est une matrice strictement positive, la suite de vecteurs lignes de Rp associée (µn )nN définie par la relation : n  N, µn+1 = µn A convergeait vers un vecteur µ indépendant du choix de µ0 vecteur stochastique. Écrire une fonction probaInvariante qui prend en arguments une matrice stochastique strictement positive A de Mp (R) et un réel  > 0 et qui renvoie le premier terme µk de la suite
1 1
1
(µn )nN avec µ0 =
, ,...,
tel que µk -µk-1   . On ne demandera pas à l'algorithme
p p
p
de vérifier que la matrice passée en argument est bien stochastique et 
strictement positive.

1 1
2 2

 et  = 10-6 ,
Par exemple, si A = 

1 3
4 4
probaInvariante(A,eps) renverra [0.33333396911621094, 0.6666660308837891].

FIN