Slide 1

Slide 1 text

Méthode probabiliste Une introduction par les exemples Roger Mansuy Luxeuil-les-Bains, le 23 février 2023

Slide 2

Slide 2 text

Paul Erdős (1913-1996)

Slide 3

Slide 3 text

La méthode probabiliste est une technique (non constructive) pour prouver l’existence d’objets ayant certaines propriétés spécifiques.

Slide 4

Slide 4 text

La méthode probabiliste est une technique (non constructive) pour prouver l’existence d’objets ayant certaines propriétés spécifiques. Elle repose sur la théorie des probabilités mais permet d’établir des théorèmes déterministes.

Slide 5

Slide 5 text

La méthode probabiliste est une technique (non constructive) pour prouver l’existence d’objets ayant certaines propriétés spécifiques. Elle repose sur la théorie des probabilités mais permet d’établir des théorèmes déterministes. Un outil de la méthode probabiliste est le lemme suivant. Lemme fondamental Il y a toujours une valeur supérieure ou égale à la moyenne.

Slide 6

Slide 6 text

Plus précisément, pour résoudre un problème d’existence d’une solution, la méthode probabiliste se décompose en trois étapes 1. On cherche une solution du problème déterministe au hasard

Slide 7

Slide 7 text

Plus précisément, pour résoudre un problème d’existence d’une solution, la méthode probabiliste se décompose en trois étapes 1. On cherche une solution du problème déterministe au hasard 2. On calcule l’espérance de la variable aléatoire X correspondant au critère considéré

Slide 8

Slide 8 text

Plus précisément, pour résoudre un problème d’existence d’une solution, la méthode probabiliste se décompose en trois étapes 1. On cherche une solution du problème déterministe au hasard 2. On calcule l’espérance de la variable aléatoire X correspondant au critère considéré 3. On applique le lemme fondamental suivant: Lemme fondamental Soit X une variable aléatoire réelle discrète d’espérance m. Alors, il existe une valeur prise par X inférieure ou égale à m.

Slide 9

Slide 9 text

Un tournoi particulier Considérons les résultats d’un tournoi qui se déroule selon les modalités suivantes. • Les joueurs s’affrontent jusqu’à que chacun ait rencontré (une fois) tous les autres. • Chaque match se termine par la victoire d’un joueur (et la défaite de l’autre): pas de match nul!

Slide 10

Slide 10 text

Un tournoi particulier Considérons les résultats d’un tournoi qui se déroule selon les modalités suivantes. • Les joueurs s’affrontent jusqu’à que chacun ait rencontré (une fois) tous les autres. • Chaque match se termine par la victoire d’un joueur (et la défaite de l’autre): pas de match nul! Est-il possible qu’à chaque fois que l’on considère deux joueurs, il en existe un autre ayant battu ces deux joueurs?

Slide 11

Slide 11 text

Essayons de construire un tel tournoi pas à pas. 1 2 {1, 2}

Slide 12

Slide 12 text

Essayons de construire un tel tournoi pas à pas. 1 2 {1, 2} 3 {1, 3} {2, 3} battus par 3

Slide 13

Slide 13 text

Essayons de construire un tel tournoi pas à pas. 1 2 {1, 2} 3 {1, 3} {2, 3} battus par 3 4 {1, 4} {2, 4} {3, 4} battus par 4

Slide 14

Slide 14 text

Essayons de construire un tel tournoi pas à pas. 1 2 {1, 2} 3 {1, 3} {2, 3} battus par 3 4 {1, 4} {2, 4} {3, 4} battus par 4 5 {1, 5} {2, 5} {3, 5} {4, 5} battus par 5

Slide 15

Slide 15 text

Essayons de construire un tel tournoi pas à pas. 1 2 {1, 2} 3 {1, 3} {2, 3} battus par 3 4 {1, 4} {2, 4} {3, 4} battus par 4 5 {1, 5} {2, 5} {3, 5} {4, 5} battus par 5 6 {1, 6} {2, 6} {3, 6} {4, 6} {5, 6} battus par 6

Slide 16

Slide 16 text

Essayons de construire un tel tournoi pas à pas. 1 2 {1, 2} 3 {1, 3} {2, 3} battus par 3 4 {1, 4} {2, 4} {3, 4} battus par 4 5 {1, 5} {2, 5} {3, 5} {4, 5} battus par 5 6 {1, 6} {2, 6} {3, 6} {4, 6} {5, 6} battus par 6 C’est long (et c’est loin d’être terminé)!

Slide 17

Slide 17 text

Appliquons la méthode probabiliste. Considérons un tournoi aléatoire, c’est-à-dire tel que la victoire dans chaque match se joue à pile ou face indépendamment des autres matches. Notons, pour toute paire {x, y} de joueurs, A{x,y} la variable aléatoire qui vaut • 1 si x et y ne sont jamais battus par un même joueur, • O sinon.

Slide 18

Slide 18 text

Appliquons la méthode probabiliste. Considérons un tournoi aléatoire, c’est-à-dire tel que la victoire dans chaque match se joue à pile ou face indépendamment des autres matches. Notons, pour toute paire {x, y} de joueurs, A{x,y} la variable aléatoire qui vaut • 1 si x et y ne sont jamais battus par un même joueur, • O sinon. Alors, le nombre de ”situations problématiques” pour la condition recherchée est N = ∑ {x,y} A{x,y} .

Slide 19

Slide 19 text

Par linéarité de l’espérance E(N) = E ( ∑ {x,y} A{x,y} ) = ∑ {x,y} E ( A{x,y} )

Slide 20

Slide 20 text

Par linéarité de l’espérance E(N) = E ( ∑ {x,y} A{x,y} ) = ∑ {x,y} E ( A{x,y} ) = ∑ {x,y} P ( x, y ne sont pas battus pas un même joueur )

Slide 21

Slide 21 text

Par linéarité de l’espérance E(N) = E ( ∑ {x,y} A{x,y} ) = ∑ {x,y} E ( A{x,y} ) = ∑ {x,y} P ( x, y ne sont pas battus pas un même joueur ) = ∑ {x,y} ( 1 − 1 4 ) n−2

Slide 22

Slide 22 text

Par linéarité de l’espérance E(N) = E ( ∑ {x,y} A{x,y} ) = ∑ {x,y} E ( A{x,y} ) = ∑ {x,y} P ( x, y ne sont pas battus pas un même joueur ) = ∑ {x,y} ( 1 − 1 4 ) n−2 = n(n − 1) 2 ( 3 4 ) n−2 .

Slide 23

Slide 23 text

En utilisant le lemme fondamental, on obtient le théorème suivant. Théorème Si n(n−1) 2 ( 3 4 ) n−2 < 1, alors il existe un tournoi à n joueurs ayant la propriété recherchée.

Slide 24

Slide 24 text

n 3n−2(n − 1)n − 2 · 4n−2 5 412 6 1918 7 8158 8 32632 9 124696 10 459418 11 1640842 12 5697316 13 19246324 14 63167830 15 200590102 16 611041648 17 1755419056 18 4582362034 19 9806197378 20 9780832348

Slide 25

Slide 25 text

n 3n−2(n − 1)n − 2 · 4n−2 21 −61605997748 Théorème Il existe un tournoi à 21 joueurs ayant la propriété recherchée.

Slide 26

Slide 26 text

Avec la théorie de Ramsey La théorie de Ramsey est un ensemble de résultats mathématiques de la forme suivante. Théorème Étant donné une structure, il existe une taille minimale telle que tout objet de taille supérieure contient cette structure.

Slide 27

Slide 27 text

Avec la théorie de Ramsey La théorie de Ramsey est un ensemble de résultats mathématiques de la forme suivante. Théorème Étant donné une structure, il existe une taille minimale telle que tout objet de taille supérieure contient cette structure. ”Le désordre complet n’existe pas.”

Slide 28

Slide 28 text

Commençons par un premier théorème. Théorème On suppose qu’il y a au moins six personnes dans une pièce. Parmi elles, on peut toujours trouver • soit trois qui se connaissent toutes mutuellement, • soit trois qui se croisent toutes pour la première fois.

Slide 29

Slide 29 text

Représentons la situation par un graphe. • Chaque personne est représentée par un sommet.

Slide 30

Slide 30 text

Représentons la situation par un graphe. • Chaque personne est représentée par un sommet. • Deux sommets correspondant à des personnes se connaissant sont reliés par une arête rouge.

Slide 31

Slide 31 text

Représentons la situation par un graphe. • Chaque personne est représentée par un sommet. • Deux sommets correspondant à des personnes se connaissant sont reliés par une arête rouge. • Deux sommets correspondant à des personnes ne se connaissant pas sont reliés par une arête bleue.

Slide 32

Slide 32 text

Représentons la situation par un graphe. • Chaque personne est représentée par un sommet. • Deux sommets correspondant à des personnes se connaissant sont reliés par une arête rouge. • Deux sommets correspondant à des personnes ne se connaissant pas sont reliés par une arête bleue. Pour établir la proposition, il suffit de prouver qu’il existe un triangle d’une seule couleur indépendamment du coloriage de ce graphe.

Slide 33

Slide 33 text

Passons à la démonstration. Considérons un sommet.

Slide 34

Slide 34 text

Passons à la démonstration. Considérons un sommet.

Slide 35

Slide 35 text

Passons à la démonstration. Considérons un sommet. Les 5 arêtes partant de ce sommet sont coloriées soit en bleu, soit en rouge: il en existe donc au moins 3 de la même couleur, par exemple, rouge.

Slide 36

Slide 36 text

Passons à la démonstration. Considérons un sommet. Les 5 arêtes partant de ce sommet sont coloriées soit en bleu, soit en rouge: il en existe donc au moins 3 de la même couleur, par exemple, rouge. ▷ Si les trois sommets reliés par des arêtes rouges au sommet fixé sont reliés entre eux par des arêtes bleues, alors il y a un triangle bleu.

Slide 37

Slide 37 text

Passons à la démonstration. Considérons un sommet. Les 5 arêtes partant de ce sommet sont coloriées soit en bleu, soit en rouge: il en existe donc au moins 3 de la même couleur, par exemple, rouge. ▷ Si les trois sommets reliés par des arêtes rouges au sommet fixé sont reliés entre eux par des arêtes bleues, alors il y a un triangle bleu. ▷ Sinon, deux de ces sommets sont reliés par une arête rouge: ils forment un triangle rouge (avec le sommet fixé).

Slide 38

Slide 38 text

En revanche, le théorème n’est plus toujours vrai pour seulement cinq personnes comme on peut le voir avec le graphe suivant où il n’existe pas de triangle d’une seule couleur.

Slide 39

Slide 39 text

Généralisons. Théorème Neuf personnes sont dans une pièce. Alors, on peut toujours trouver • soit trois qui se connaissent toutes mutuellement, • soit quatre qui se croisent toutes pour la première fois.

Slide 40

Slide 40 text

Généralisons. Théorème Neuf personnes sont dans une pièce. Alors, on peut toujours trouver • soit trois qui se connaissent toutes mutuellement, • soit quatre qui se croisent toutes pour la première fois.

Slide 41

Slide 41 text

Pour généraliser encore, donnons une définition. Un graphe à k sommets est complet quand on trace toutes les arêtes possibles entre ces k sommets Graphe complet à 17 sommets

Slide 42

Slide 42 text

Pour généraliser encore, donnons une définition. Un graphe à k sommets est complet quand on trace toutes les arêtes possibles entre ces k sommets (soit ( k 2 ) = k(k−1) 2 arêtes) Graphe complet à 17 sommets et 136 arêtes

Slide 43

Slide 43 text

Pour généraliser encore, donnons une définition. Un graphe à k sommets est complet quand on trace toutes les arêtes possibles entre ces k sommets (soit ( k 2 ) = k(k−1) 2 arêtes) Graphe complet à 17 sommets et 136 arêtes On retrouve un triangle pour k = 3 et le carré avec diagonales pour k = 4.

Slide 44

Slide 44 text

Donnons la version générale du théorème de Ramsey avec deux couleurs. Théorème Soit p et q des entiers supérieurs à 2 fixés. Alors, il existe un entier N tel que tout coloriage du graphe complet à N sommets en deux couleurs rouge et bleu contient • soit un sous-graphe complet rouge à p sommets, • soit un sous-graphe complet bleu à q sommets. Notons R(p, q) le plus petit entier N vérifiant la conclusion de ce théorème.

Slide 45

Slide 45 text

Nous avons établi: Théorème R(3, 3) = 6.

Slide 46

Slide 46 text

Nous avons établi: Théorème R(3, 3) = 6. Avec la définition, on obtient aussi: Théorème Pour tout entier q supérieur à 2, R(2, q) = q.

Slide 47

Slide 47 text

Voici toutes les valeurs connues de R(p, q)(= R(q, p)) pour p, q ≥ 3: 3 4 5 6 7 8 9 3 6 9 14 18 23 28 36 4 9 18 25 5 14 25 6 18 7 23 8 28 9 36

Slide 48

Slide 48 text

Supposons que des extraterrestres envahissent la Terre et men- acent de l’anéantir dans un an si les êtres humains ne parvien- nent pas à trouver le nombre de Ramsey pour cinq rouges et cinq bleus. Nous pourrions réunir les meilleurs esprits et les ordinateurs les plus rapides du monde et, en un an, nous pour- rions probablement calculer cette valeur. Si les extraterrestres demandaient le nombre de Ramsey pour six rouges et six bleus, nous n’aurions d’autre choix que de lancer une attaque préventive. Paul Erdős

Slide 49

Slide 49 text

Nous allons démontrer le résultat suivant avec la méthode probabiliste. Théorème R(6, 6) > 17.

Slide 50

Slide 50 text

Nous allons démontrer le résultat suivant avec la méthode probabiliste. Théorème R(6, 6) > 17. En d’autres termes, il existe une coloration du graphe complet à 17 sommets qui n’admet pas de sous-graphe complet monochrome à 6 sommets.

Slide 51

Slide 51 text

No content

Slide 52

Slide 52 text

• Il y a 2(17 2 ) = 2136 ≈ 8, 7.1040 coloriages du graphe à 17 sommets,

Slide 53

Slide 53 text

• Il y a 2(17 2 ) = 2136 ≈ 8, 7.1040 coloriages du graphe à 17 sommets, • et chacun comporte ( 17 6 ) = 12376 sous-graphes à 6 sommets (et donc 15 arêtes).

Slide 54

Slide 54 text

• Il y a 2(17 2 ) = 2136 ≈ 8, 7.1040 coloriages du graphe à 17 sommets, • et chacun comporte ( 17 6 ) = 12376 sous-graphes à 6 sommets (et donc 15 arêtes). La vérification exhaustive serait plutôt longue, non?

Slide 55

Slide 55 text

Passons à la preuve. Considérons un graphe aléatoire à n sommets tel que chaque arête est coloriée • en rouge avec probabilité 1 2 ,

Slide 56

Slide 56 text

Passons à la preuve. Considérons un graphe aléatoire à n sommets tel que chaque arête est coloriée • en rouge avec probabilité 1 2 , • en bleu avec probabilité 1 2 ,

Slide 57

Slide 57 text

Passons à la preuve. Considérons un graphe aléatoire à n sommets tel que chaque arête est coloriée • en rouge avec probabilité 1 2 , • en bleu avec probabilité 1 2 , • indépendamment de toutes les autres.

Slide 58

Slide 58 text

Passons à la preuve. Considérons un graphe aléatoire à n sommets tel que chaque arête est coloriée • en rouge avec probabilité 1 2 , • en bleu avec probabilité 1 2 , • indépendamment de toutes les autres. Effectuons quelques calculs sur ce graphe aléatoire.

Slide 59

Slide 59 text

Théorème En moyenne, le graphe aléatoire comporte n(n−1) 4 arêtes rouges.

Slide 60

Slide 60 text

Théorème En moyenne, le graphe aléatoire comporte n(n−1) 4 arêtes rouges. Reformulons cet énoncé plus mathématiquement. Théorème Soit X la variable aléatoire égale au nombre d’arêtes rouges dans le graphe aléatoire. Alors, E(X) = n(n−1) 4 .

Slide 61

Slide 61 text

Notons, pour chaque arête a, a la variable aléatoire qui vaut 1 si a est rouge, 0 sinon. a

Slide 62

Slide 62 text

Notons, pour chaque arête a, a la variable aléatoire qui vaut 1 si a est rouge, 0 sinon. a a = 1

Slide 63

Slide 63 text

Notons, pour chaque arête a, a la variable aléatoire qui vaut 1 si a est rouge, 0 sinon. a a = 0

Slide 64

Slide 64 text

Notons, pour chaque arête a, a la variable aléatoire qui vaut 1 si a est rouge, 0 sinon. Alors, X = ∑ a a .

Slide 65

Slide 65 text

Par linéarité de l’espérance E(X) = E ( ∑ a a ) = ∑ a E( a )

Slide 66

Slide 66 text

Par linéarité de l’espérance E(X) = E ( ∑ a a ) = ∑ a E( a ) = ∑ a ( 1 2 1 + 1 2 0 )

Slide 67

Slide 67 text

Par linéarité de l’espérance E(X) = E ( ∑ a a ) = ∑ a E( a ) = ∑ a ( 1 2 1 + 1 2 0 ) = ( n 2 ) 1 2 = n(n − 1) 4 .

Slide 68

Slide 68 text

Théorème Soit N3 la variable aléatoire égale au nombre de triangles rouges dans le graphe aléatoire. Alors, E(N3 ) = ( n 3 ) 1 8 .

Slide 69

Slide 69 text

Notons, pour chaque triangle t, t la variable aléatoire qui vaut 1 si t est rouge, 0 sinon. Alors, N3 = ∑ t t ,

Slide 70

Slide 70 text

Notons, pour chaque triangle t, t la variable aléatoire qui vaut 1 si t est rouge, 0 sinon. Alors, N3 = ∑ t t , puis par linéarité de l’espérance E(N3 ) = ∑ t E( t ) = ∑ t ((1 2 )3 1 + ( 1 − (1 2 )3 ) 0 ) = ( n 3 ) 1 8 .

Slide 71

Slide 71 text

Théorème Soit Nk la variable aléatoire égale au nombre de sous-graphes complets à k sommets avec arêtes toutes rouges dans le graphe aléatoire. Alors, E(Nk ) = ( n k ) 2−(k 2 ).

Slide 72

Slide 72 text

Théorème Soit Nk la variable aléatoire égale au nombre de sous-graphes complets à k sommets avec arêtes toutes rouges dans le graphe aléatoire. Alors, E(Nk ) = ( n k ) 2−(k 2 ). Théorème Soit N′ k la variable aléatoire égale au nombre de sous-graphes complets à k sommets avec arêtes toutes bleues dans le graphe aléatoire. Alors, E(N′ k ) = ( n k ) 2−(k 2 ).

Slide 73

Slide 73 text

Théorème Soit N la variable aléatoire égale au nombre de sous-graphes complets à k sommets avec arêtes toutes de la même couleur dans le graphe aléatoire. Alors, E(N) = ( n k ) 21−(k 2 ).

Slide 74

Slide 74 text

Théorème Soit N la variable aléatoire égale au nombre de sous-graphes complets à k sommets avec arêtes toutes de la même couleur dans le graphe aléatoire. Alors, E(N) = ( n k ) 21−(k 2 ). Il suffit de noter que N = Nk + N′ k

Slide 75

Slide 75 text

Théorème Soit N la variable aléatoire égale au nombre de sous-graphes complets à k sommets avec arêtes toutes de la même couleur dans le graphe aléatoire. Alors, E(N) = ( n k ) 21−(k 2 ). Il suffit de noter que N = Nk + N′ k puis d’utiliser la linéarité de l’espérance et les deux résultats précédents E(N) = E(Nk ) + E(N′ k ) = ( n k ) 2−(k 2 ) + ( n k ) 2−(k 2 ) = ( n k ) 21−(k 2 ).

Slide 76

Slide 76 text

En appliquant à nouveau le lemme fondamental, on obtient Théorème Si ( n k ) 21−(k 2 ) < 1, alors il existe une coloration du graphe complet à n sommets qui n’admet aucun sous-graphe complet à k sommets monochrome.

Slide 77

Slide 77 text

En appliquant à nouveau le lemme fondamental, on obtient Théorème Si ( n k ) 21−(k 2 ) < 1, alors il existe une coloration du graphe complet à n sommets qui n’admet aucun sous-graphe complet à k sommets monochrome. Dans notre cas particulier, n = 17 et k = 6 et l’on vérifie ( n k ) 21−(k 2 ) = ( 17 6 ) 214 = 12376 16384 < 1. L’égalité R(6, 6) > 17 est ainsi établie!

Slide 78

Slide 78 text

Rester près (ou partir loin) Mentionnons un exercice élémentaire dans le plan complexe. Théorème Soit z1, …, zn des nombres complexes de module 1. Alors, il existe des signes ε1, …, εn ∈ {−1, 1} tels que |ε1z1 + · · · + εn zn | ≥ n 2 .

Slide 79

Slide 79 text

Nous allons établir le théorème suivant avec la méthode probabiliste. Théorème Soit v1, …, vn des vecteurs de norme 1. Alors, • il existe des signes ε1, …, εn ∈ {−1, 1} tels que ∥ε1v1 + · · · + εn vn ∥ ≥ √ n. • il existe des signes ε′ 1 , …, ε′ n ∈ {−1, 1} tels que ∥ε′ 1 v1 + · · · + ε′ n vn ∥ ≤ √ n. v3 v2 v4 v1

Slide 80

Slide 80 text

Nous allons établir le théorème suivant avec la méthode probabiliste. Théorème Soit v1, …, vn des vecteurs de norme 1. Alors, • il existe des signes ε1, …, εn ∈ {−1, 1} tels que ∥ε1v1 + · · · + εn vn ∥ ≥ √ n. • il existe des signes ε′ 1 , …, ε′ n ∈ {−1, 1} tels que ∥ε′ 1 v1 + · · · + ε′ n vn ∥ ≤ √ n. v3 v2 v4 v1 −v1 + v2 + v3 + v4

Slide 81

Slide 81 text

Nous allons établir le théorème suivant avec la méthode probabiliste. Théorème Soit v1, …, vn des vecteurs de norme 1. Alors, • il existe des signes ε1, …, εn ∈ {−1, 1} tels que ∥ε1v1 + · · · + εn vn ∥ ≥ √ n. • il existe des signes ε′ 1 , …, ε′ n ∈ {−1, 1} tels que ∥ε′ 1 v1 + · · · + ε′ n vn ∥ ≤ √ n. v3 v2 v4 v1 −v1 − v2 − v3 + v4

Slide 82

Slide 82 text

Montrons le théorème avec la méthode probabiliste. Considérons X1, …, Xn des variables aléatoires mutuellement indépendantes, de même loi donnée par P(X1 = 1) = P(X1 = −1) = 1 2 , puis construisons la variable aléatoire U = X1v1 + · · · + Xn vn . Alors, ∥U∥2 = ⟨ n ∑ i=1 Xi vi , n ∑ j=1 Xj vj ⟩ = n ∑ i=1 n ∑ j=1 ⟨vi , vj ⟩Xi Xj .

Slide 83

Slide 83 text

Calculons l’espérance de la variable aléatoire réelle ∥U∥2 avec la linéarité. E ( ∥U∥2 ) = n ∑ i=1 n ∑ j=1 ⟨vi , vj ⟩E(Xi Xj ). Notons que, pour des entiers i et j distincts, on obtient E(Xi Xj ) = E(Xi )E(Xj ) = 0,

Slide 84

Slide 84 text

Calculons l’espérance de la variable aléatoire réelle ∥U∥2 avec la linéarité. E ( ∥U∥2 ) = n ∑ i=1 n ∑ j=1 ⟨vi , vj ⟩E(Xi Xj ). Notons que, pour des entiers i et j distincts, on obtient E(Xi Xj ) = E(Xi )E(Xj ) = 0, donc E ( ∥U∥2 ) = n ∑ i=1 ∥vi ∥2E(X2 i ).

Slide 85

Slide 85 text

Par ailleurs, pour tout entier i, E(X2 i ) = E(1) = 1, d’où E ( ∥U∥2 ) = n ∑ i=1 ∥vi ∥2.

Slide 86

Slide 86 text

Par ailleurs, pour tout entier i, E(X2 i ) = E(1) = 1, d’où E ( ∥U∥2 ) = n ∑ i=1 ∥vi ∥2. Comme par hypothèse les vecteurs vi sont unitaires, on obtient finalement, E ( ∥U∥2 ) = n.

Slide 87

Slide 87 text

Par ailleurs, pour tout entier i, E(X2 i ) = E(1) = 1, d’où E ( ∥U∥2 ) = n ∑ i=1 ∥vi ∥2. Comme par hypothèse les vecteurs vi sont unitaires, on obtient finalement, E ( ∥U∥2 ) = n. Avec le lemme fondamental, il existe une réalisation de U telle que ∥U∥2 ≥ n et une réalisation de U telle que ∥U∥2 ≤ n.

Slide 88

Slide 88 text

Donnons une variante de cet énoncé. Théorème Soit v1, …, vn des vecteurs de norme (au plus) 1 et p1, …, pn ∈ [0, 1]. Alors, il existe des coefficients ε1, …, εn ∈ {0, 1} tels que ∥(ε1v1 + · · · + εn vn ) − (p1v1 + · · · + pn vn )∥ ≤ √ n 2 . v2 v3 v1

Slide 89

Slide 89 text

Donnons une variante de cet énoncé. Théorème Soit v1, …, vn des vecteurs de norme (au plus) 1 et p1, …, pn ∈ [0, 1]. Alors, il existe des coefficients ε1, …, εn ∈ {0, 1} tels que ∥(ε1v1 + · · · + εn vn ) − (p1v1 + · · · + pn vn )∥ ≤ √ n 2 . v2 v3 v1

Slide 90

Slide 90 text

Donnons une variante de cet énoncé. Théorème Soit v1, …, vn des vecteurs de norme (au plus) 1 et p1, …, pn ∈ [0, 1]. Alors, il existe des coefficients ε1, …, εn ∈ {0, 1} tels que ∥(ε1v1 + · · · + εn vn ) − (p1v1 + · · · + pn vn )∥ ≤ √ n 2 .

Slide 91

Slide 91 text

Considérons X1, …, Xn des variables aléatoires mutuellement indépendantes, de lois données par P(Xi = 1) = pi , P(X1 = 0) = 1 − pi , puis construisons la variable aléatoire U = (X1 − p1 )v1 + · · · + (Xn − pn )vn . Alors, ∥U∥2 = ⟨ n ∑ i=1 (Xi − pi )vi , n ∑ j=1 (Xj − pj )vj ⟩ = n ∑ i=1 n ∑ j=1 ⟨vi , vj ⟩(Xi − pi )(Xj − pj ).

Slide 92

Slide 92 text

Calculons l’espérance de la variable aléatoire réelle ∥U∥2 avec la linéarité. E ( ∥U∥2 ) = n ∑ i=1 n ∑ j=1 ⟨vi , vj ⟩E((Xi − pi )(Xj − pj )). Notons que, pour des entiers i et j distincts, on obtient E((Xi − pi )(Xj − pj )) = E(Xi − pi )E(Xj − pj ) = 0,

Slide 93

Slide 93 text

Calculons l’espérance de la variable aléatoire réelle ∥U∥2 avec la linéarité. E ( ∥U∥2 ) = n ∑ i=1 n ∑ j=1 ⟨vi , vj ⟩E((Xi − pi )(Xj − pj )). Notons que, pour des entiers i et j distincts, on obtient E((Xi − pi )(Xj − pj )) = E(Xi − pi )E(Xj − pj ) = 0, donc E ( ∥U∥2 ) = n ∑ i=1 ∥vi ∥2V(Xi ).

Slide 94

Slide 94 text

Par ailleurs, pour tout entier i, V(Xi ) = pi (1 − pi ) ≤ 1 4 , d’où E ( ∥U∥2 ) ≤ n ∑ i=1 1 4 ∥vi ∥2 ≤ n 4 .

Slide 95

Slide 95 text

Par ailleurs, pour tout entier i, V(Xi ) = pi (1 − pi ) ≤ 1 4 , d’où E ( ∥U∥2 ) ≤ n ∑ i=1 1 4 ∥vi ∥2 ≤ n 4 .

Slide 96

Slide 96 text

Par ailleurs, pour tout entier i, V(Xi ) = pi (1 − pi ) ≤ 1 4 , d’où E ( ∥U∥2 ) ≤ n ∑ i=1 1 4 ∥vi ∥2 ≤ n 4 . Avec le lemme fondamental, il existe une réalisation de U telle que ∥U∥2 ≤ n 4 . On conclut en prenant la racine.

Slide 97

Slide 97 text

Conclusion La méthode probabiliste est une technique (non constructive) pour prouver l’existence d’objets ayant certaines propriétés spécifiques. Elle repose sur la théorie des probabilités mais permet d’établir des théorèmes déterministes. Elle est applicable à de nombreux domaines où apparaissent des aspects combinatoires. Elle remplace l’étude exhaustive de toutes les configurations par une étude ”en moyenne”.

Slide 98

Slide 98 text

Bibliographie ▶ The Probabilistic Method (4th Edition), Noga Alon, Joel H. Spencer, Wiley, 2016 ▶ Introduction aux graphes aléatoires, Roger Mansuy, Calvage et Mounet, 2020

Slide 99

Slide 99 text

Bonus: nombre de croisements Donnons un exemple d’utilisation de la méthode probabiliste sans le lemme fondamental.

Slide 100

Slide 100 text

Bonus: nombre de croisements Donnons un exemple d’utilisation de la méthode probabiliste sans le lemme fondamental. Le nombre de croisements d’un graphe est le nombre minimal de croisements entre deux arêtes dans un dessin du graphe; si le nombre de croisements est nul, le graphe est dit planaire. Pour un graphe planaire, les faces sont les parties du plan délimitées par un dessin sans croisement du graphe.

Slide 101

Slide 101 text

Le nombre de croisements du graphe suivant est

Slide 102

Slide 102 text

Le nombre de croisements du graphe suivant est 0. Le graphe est planaire et possède 4 faces.

Slide 103

Slide 103 text

Le nombre de croisements du graphe suivant est 0. Le graphe est planaire et possède 4 faces.

Slide 104

Slide 104 text

Le nombre de croisements du graphe suivant est

Slide 105

Slide 105 text

Le nombre de croisements du graphe suivant est 588(?).

Slide 106

Slide 106 text

Théorème Soit (S, A) un graphe planaire à s sommets, a arêtes et f faces. Alors, s − a + f = 2

Slide 107

Slide 107 text

Théorème Soit (S, A) un graphe planaire à s sommets, a arêtes et f faces. Alors, s − a + f = 2 Théorème Soit (S, A) un graphe planaire à s sommets, a arêtes et f faces. Alors, 3f ≤ 2a.

Slide 108

Slide 108 text

Théorème Soit (S, A) un graphe planaire à s sommets, a arêtes et f faces. Alors, s − a + f = 2 Théorème Soit (S, A) un graphe planaire à s sommets, a arêtes et f faces. Alors, 3f ≤ 2a. Théorème Soit (S, A) un graphe planaire à s sommets, a arêtes et f faces. Alors, a ≤ 3s − 6.

Slide 109

Slide 109 text

Théorème Soit (S, A) un graphe à s sommets et a arêtes. Alors, le nombre de croisements c vérifie c ≥ a − 3s + 6.

Slide 110

Slide 110 text

Théorème Soit (S, A) un graphe à s sommets et a arêtes. Alors, le nombre de croisements c vérifie c ≥ a − 3s + 6. En retirant les (au plus) c arêtes qui forment des croisements, on obtient un graphe planaire à s sommets et a − c arêtes donc a − c ≤ 3s − 6.

Slide 111

Slide 111 text

Théorème Soit (S, A) un graphe à s sommets et a arêtes tel que a > 4s. Alors, le nombre de croisements c vérifie c ≥ a3 64s2 .

Slide 112

Slide 112 text

Théorème Soit (S, A) un graphe à s sommets et a arêtes tel que a > 4s. Alors, le nombre de croisements c vérifie c ≥ a3 64s2 . Construisons un graphe aléatoire (S′, A′) en choisissant chaque sommet de S avec probabilité p indépendamment des autres puis en ne gardant que les arêtes dont les sommets ont été choisis. Notons s′, a′ et c′ les variables aléatoires égales au nombre de sommets, d’arêtes, de croisements de ce graphe aléatoire.

Slide 113

Slide 113 text

Alors, c′ ≥ a′ − 3s′ + 6

Slide 114

Slide 114 text

Alors, c′ ≥ a′ − 3s′

Slide 115

Slide 115 text

Alors, c′ ≥ a′ − 3s′ En passant à l’espérance, E(c′) ≥ E(a′) − 3E(s′).

Slide 116

Slide 116 text

Alors, c′ ≥ a′ − 3s′ En passant à l’espérance, E(c′) ≥ E(a′) − 3E(s′). Par construction, E(s′) = ps,

Slide 117

Slide 117 text

Alors, c′ ≥ a′ − 3s′ En passant à l’espérance, E(c′) ≥ E(a′) − 3E(s′). Par construction, E(s′) = ps, E(a′) = p2a,

Slide 118

Slide 118 text

Alors, c′ ≥ a′ − 3s′ En passant à l’espérance, E(c′) ≥ E(a′) − 3E(s′). Par construction, E(s′) = ps, E(a′) = p2a, E(c′) ≤ p4c.

Slide 119

Slide 119 text

Alors, c′ ≥ a′ − 3s′ En passant à l’espérance, E(c′) ≥ E(a′) − 3E(s′). Par construction, E(s′) = ps, E(a′) = p2a, E(c′) ≤ p4c. D’où c ≥ pa−3s p3 et donc, pour p = 4s a , c ≥ a3 64s2 .