En mathématiques, une matrice stochastique (aussi appelée matrice de Markov) est une matrice carrée (finie ou infinie) dont chaque élément est un réel positif et dont la somme des éléments de chaque ligne vaut 1. Cela correspond, en théorie des probabilités, à la matrice de transition d'une chaîne de Markov. Une matrice est dite stochastique si toutes ses entrées sont positives (ou nulles) et si, pour tout , on a c'est-à-dire que la somme des coordonnées de chaque ligne vaut 1. Une matrice stochastique est dite régulière s'il existe un entier tel que la matrice ne contient que des réels strictement positifs. Une matrice est dite bistochastique (ou doublement stochastique) si la somme des éléments de chaque ligne et de chaque colonne vaut 1, autrement si et sa transposée sont stochastiques. Une autre caractérisation des matrices stochastiques est donnée par : est une matrice stochastique si et seulement si (ses coefficients sont positifs ou nuls) et , où désigne le vecteur de dont toutes les coordonnées valent 1. est bistochastique si , et , où est le vecteur transposé de . D'après la propriété précédente, puisque 1 est une valeur propre de avec comme vecteur propre à droite le vecteur colonne dont toutes les coordonnées valent 1 : Si est une matrice stochastique, on appelle vecteur stable pour un vecteur ligne non nul tel que , autrement dit : un vecteur propre à gauche pour la valeur propre 1 (et possède toujours au moins un vecteur stable). Une caractérisation du rayon spectral d'une matrice stochastique est donnée par : Si est une matrice stochastique, alors pour tout , de sorte que le rayon spectral . Or, comme , on a en fait . Ainsi, le rayon spectral d'une matrice stochastique vaut précisément 1. D'autres résultats sont donnés par : Le produit de deux matrices stochastiques est stochastique. Toute matrice stochastique indexée par E×E opère sur l'espace des applications bornées de E dans . Si est une matrice stochastique et si est une probabilité alors est une probabilité.

À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Cours associés (4)
ME-427: Networked control systems
This course offers an introduction to control systems using communication networks for interfacing sensors, actuators, controllers, and processes. Challenges due to network non-idealities and opportun
MGT-484: Applied probability & stochastic processes
This course focuses on dynamic models of random phenomena, and in particular, the most popular classes of such models: Markov chains and Markov decision processes. We will also study applications in q
PHYS-231: Data analysis for Physics
Ce cours présentera les bases de l'analyse des données et de l'apprentissage à partir des données, l'estimation des erreurs et la stochasticité en physique. Les concepts seront introduits théoriquemen
Afficher plus
Publications associées (34)
Concepts associés (2)
Valeur propre, vecteur propre et espace propre
En mathématiques, et plus particulièrement en algèbre linéaire, le concept de vecteur propre est une notion algébrique s'appliquant à une application linéaire d'un espace dans lui-même. Il correspond à l'étude des axes privilégiés, selon lesquels l'application se comporte comme une dilatation, multipliant les vecteurs par une même constante. Ce rapport de dilatation est appelé valeur propre, les vecteurs auxquels il s'applique s'appellent vecteurs propres, réunis en un espace propre.
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 »).

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.