Comment simuler une chaîne de Markov et observer son état stable en Python ? | MetMat

Comment simuler une chaîne de Markov et observer son état stable en Python ?

En itérant sur numpy.random.choice(range(r), p=M[etat_courant]) et en observant la convergence vers l'état stable

Approfondissement

Hors programme — Cette méthode va au-delà du B.O. officiel. Proposée pour aller plus loin.

L'objectif

Approfondissement — Simuler la trajectoire aléatoire d'une chaîne de Markov sur un graphe fini et estimer empiriquement sa loi stationnaire.

Le principe

Si $M$ est la matrice de transition (ligne $i$ = loi conditionnelle sachant l'état $i$ ), alors numpy.random.choice(range(r), p=M[i]) tire l'état suivant avec la bonne probabilité ; pour une chaîne irréductible apériodique, la fréquence empirique des états converge vers l'unique état stable $\pi$ vérifiant $\pi M = \pi$ .

La méthode

1
Je code la matrice de transition $M$ en tableau numpy de taille $r \times r$ , en vérifiant que chaque ligne somme à $1$ .
2
Je fixe l'état initial etat = i0 et le nombre N d'itérations, puis j'initialise un tableau trajectoire de taille N+1.
3
Pour n de 0 à N-1, je tire l'état suivant par etat = numpy.random.choice(range(r), p=M[etat]), que je stocke dans la trajectoire.
4
J'estime la loi stationnaire par fréquences : freq[k] = (trajectoire == k).mean(), et je compare au vecteur propre à gauche $\pi$ associé à la valeur propre $1$ de $M$ .

Évalue la méthode

0/5 validés

Cherche chaque exercice au brouillon, puis coche “j'ai réussi” si tu as trouvé la bonne démarche. Utilise le bouton aide si tu as besoin d'un coup de pouce.

Application guidée 1

Météo simple : trois états $\{S, N, P\}$ (Soleil, Nuageux, Pluie) avec matrice de transition $M = \begin{pmatrix} 0{,}7 & 0{,}2 & 0{,}1 \\ 0{,}3 & 0{,}4 & 0{,}3 \\ 0{,}2 & 0{,}3 & 0{,}5 \end{pmatrix}$ . Estimer la loi stationnaire par simulation sur $N = 10\,000$ jours.

Application guidée 2

Modèle de mobilité sociale à deux classes (A et B) : $M = \begin{pmatrix} 0{,}9 & 0{,}1 \\ 0{,}3 & 0{,}7 \end{pmatrix}$ . Estimer la proportion stationnaire d'individus en classe A.

Application autonome 1

Mini PageRank sur trois pages avec $M = \begin{pmatrix} 0 & 1/2 & 1/2 \\ 1/3 & 1/3 & 1/3 \\ 1/2 & 1/2 & 0 \end{pmatrix}$ . Estimer le score de chaque page.

Application autonome 2

Chaîne de Markov à deux états $\{0, 1\}$ de matrice $M = \begin{pmatrix} 0{,}8 & 0{,}2 \\ 0{,}4 & 0{,}6 \end{pmatrix}$ . Estimer la loi stationnaire en Python par simulation sur $N = 10\,000$ étapes.

Application autonome 3

Chaîne de Markov à trois états $\{1, 2, 3\}$ de matrice $M = \begin{pmatrix} 0{,}1 & 0{,}6 & 0{,}3 \\ 0{,}4 & 0{,}2 & 0{,}4 \\ 0{,}5 & 0{,}3 & 0{,}2 \end{pmatrix}$ . Estimer en Python la proportion de temps dans chaque état sur $N = 20\,000$ étapes.

Connecte-toi pour cocher tes exercices réussis et sauvegarder ta progression.