Demain sera-t-il ensoleillé s’il pleut aujourd’hui ? Un client sera-t-il actif le mois prochain ? Une chaîne de Markov répond à ce genre de questions avec une règle simple : la chance de l’état suivant ne dépend que de l’état présent. Ce calculateur traite le cas à deux états. À partir de la probabilité de passer de A à B et de B à A, il donne la part du temps à long terme dans chaque état, la probabilité après n étapes, la vitesse de convergence et le temps moyen de retour.
Comment se fait le calcul
Avec les probabilités de changement p (A vers B) et q (B vers A) :
- Régime stationnaire : part dans A = q ÷ (p + q) ; part dans B = p ÷ (p + q)
- Après n étapes : P(A) = part stationnaire + (départ − part stationnaire) × (1 − p − q)ⁿ
- Seconde valeur propre = 1 − p − q, le facteur par lequel l’écart se réduit à chaque étape
- Temps moyen de retour à A = 1 ÷ part stationnaire de A
- Temps moyen avant de quitter A = 1 ÷ p
Exemple
Un système démarre dans l’état A (100 %) et passe de A à B avec la probabilité 0,3 et de B à A avec 0,1 à chaque étape. Les parts à long terme sont de 25 % dans A et 75 % dans B. Après 5 étapes, la probabilité d’être dans A est de 0,25 + 0,75 × 0,6⁵ = 30,83 %. Le facteur de convergence est de 0,6, et il faut 9 étapes pour passer à moins de 1 % de la part à long terme. Le système revient en A toutes les 4 étapes en moyenne et reste 3,33 étapes dans A avant de partir.
Pourquoi c’est important
Les chaînes de Markov sont à la base des modèles météo, de la théorie des files d’attente, du classement de pages, de la fidélisation des clients et de nombreuses méthodes de simulation. Le cas à deux états montre les idées sans matrices : le régime stationnaire, la vitesse à laquelle le départ est oublié et le temps moyen passé dans chaque état. Cela donne des réponses rapides à des questions de planification, comme le nombre de machines en panne un jour moyen.
Bon à savoir
La chaîne doit pouvoir passer d’un état à l’autre (deux probabilités supérieures à zéro) pour qu’un régime stationnaire existe. Si p + q = 1, la chaîne oublie son départ en une étape, et si p + q est proche de 2 elle oscille. Le modèle n’a pas de mémoire : une série de jours de pluie n’est pas prise en compte. Cet outil est pédagogique.
En pratique
Estimez p et q à partir de données : p est le nombre de passages de A à B divisé par le nombre de fois où le système était en A, et q de même pour B. Comparez les parts stationnaires aux parts observées pour voir si l’hypothèse de Markov tient.
Outils associés
Le calculateur du temps d’attente en file, celui des probabilités et celui de l’espérance traitent des idées proches.