Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Séance de cours

Chaînes Markov à temps continu: Chaînes réversibles

Description

Cette séance de cours couvre le Mod.7 sur les chaînes Markov en continu, mettant l'accent sur les chaînes réversibles. Parmi les sujets abordés, mentionnons les probabilités de transition, la distribution stationnaire, l'ergonomie et la réversibilité. La séance de cours traite également des propriétés des chaînes réversibles et de leurs applications dans les systèmes de communication.

Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.

Regarder sur Mediaspace

Source officielle

Concepts associés (29)

Chaîne de Markov

vignette|Exemple élémentaire de chaîne de Markov, à deux états A et E. Les flèches indiquent les probabilités de transition d'un état à un autre. En mathématiques, une chaîne de Markov est un processus de Markov à temps discret, ou à temps continu et à espace d'états discret. Un processus de Markov est un processus stochastique possédant la propriété de Markov : l'information utile pour la prédiction du futur est entièrement contenue dans l'état présent du processus et n'est pas dépendante des états antérieurs (le système n'a pas de « mémoire »).

Ergodicity

In mathematics, ergodicity expresses the idea that a point of a moving system, either a dynamical system or a stochastic process, will eventually visit all parts of the space that the system moves in, in a uniform and random sense. This implies that the average behavior of the system can be deduced from the trajectory of a "typical" point. Equivalently, a sufficiently large collection of random samples from a process can represent the average statistical properties of the entire process.

Théorie ergodique

vignette|Flux d'un ensemble statistique dans le potentiel x6 + 4*x3 - 5x**2 - 4x. Sur de longues périodes, il devient tourbillonnant et semble devenir une distribution lisse et stable. Cependant, cette stabilité est un artefact de la pixellisation (la structure réelle est trop fine pour être perçue). Cette animation est inspirée d'une discussion de Gibbs dans son wikisource de 1902 : Elementary Principles in Statistical Mechanics, Chapter XII, p. 143 : « Tendance d'un ensemble de systèmes isolés vers un état d'équilibre statistique ».

Méthode de Monte-Carlo par chaînes de Markov

Les méthodes de Monte-Carlo par chaînes de Markov, ou méthodes MCMC pour Markov chain Monte Carlo en anglais, sont une classe de méthodes d'échantillonnage à partir de distributions de probabilité. Ces méthodes de Monte-Carlo se basent sur le parcours de chaînes de Markov qui ont pour lois stationnaires les distributions à échantillonner. Certaines méthodes utilisent des marches aléatoires sur les chaînes de Markov (algorithme de Metropolis-Hastings, échantillonnage de Gibbs), alors que d'autres algorithmes, plus complexes, introduisent des contraintes sur les parcours pour essayer d'accélérer la convergence (Monte Carlo Hybride, Surrelaxation successive).

Carré (algèbre)

En arithmétique et en algèbre, le carré est une opération consistant à multiplier un élément par lui-même. La notion s’applique d’abord aux nombres, et en particulier aux entiers naturels, pour lesquels le carré est figuré par une disposition en carré au sens géométrique du terme. Un nombre qui peut s’écrire comme le carré d’un entier est appelé carré parfait. Mais plus généralement, on parle du carré d’une fonction, d’une matrice, ou de tout type d’objet mathématique pour lequel il existe une opération notée multiplicativement, comme la composition des endomorphismes ou le produit cartésien.

Afficher plus

Séances de cours associées (31)

Chaînes Markov: Ergodicité et distribution stationnaire

Explore l'ergonomie et la distribution stationnaire dans les chaînes Markov, en mettant l'accent sur les propriétés de convergence et les distributions uniques.

Théorie du MCMC

Couvre la théorie de l'échantillonnage de Markov Chain Monte Carlo (MCMC) et discute des conditions de convergence, du choix de la matrice de transition et de l'évolution de la distribution cible.

Chaînes et algorithmes de Markov

Couvre les chaînes de Markov et leurs applications dans les algorithmes, en se concentrant sur l'échantillonnage Markov Chain Monte Carlo et l'algorithme Metropolis-Hastings.

Couplage des chaînes de Markov: théorème ergodique

Explore le couplage des chaînes de Markov et la preuve du théorème ergodique, en mettant l'accent sur la convergence des distributions et les propriétés de la chaîne.

Markov Chains: Algorithme de PageRank

Explore l'algorithme PageRank au sein des chaînes de Markov, en mettant l'accent sur l'ergonomie et la convergence pour le classement des pages Web.

Afficher plus

Concepts associés (29)

Chaîne de Markov

Ergodicity

Théorie ergodique

Méthode de Monte-Carlo par chaînes de Markov

Carré (algèbre)

Afficher plus