Matrices et graphes
Graphes, matrices d’adjacence et chaînes de Markov
Comprendre et maîtriser graphes, matrices d’adjacence et chaînes de markov grâce à un cours structuré, des méthodes, des exemples et une évaluation de fin de chapitre.
🧭 Avant de commencer
Une chaîne de Markov modélise un système qui change d'état selon des probabilités dépendant uniquement de l'état actuel.
Si tu as des bases fragiles : lis les rappels ci-dessous tranquillement. Le but est de comprendre la configuration avant de mémoriser une formule.
- Chaque ligne d'une matrice de transition somme à 1.
- Un vecteur de probabilités décrit la répartition entre les états.
- Une distribution stationnaire \(\pi\) vérifie \(\pi P=\pi\).
🔗 Cours à revoir si tu bloques
✏️ Premier exemple guidé
Énoncé : Dans une matrice de transition, à quoi doit être égale la somme des coefficients de chaque ligne ?
La correction détaillée et les autres exemples sont disponibles dans le cours complet.
🔒 Suite du cours réservée au Premium
Accède au cours complet, aux exemples détaillés, aux rappels de bases et au quiz de fin de chapitre.
Commencer l’essai gratuit