Universités Rennes I – Épreuve de modélisation - Agrégation Externe de Mathématiques – 2008-2009. Page n˚1.

–Texte–
Agrégation limitée par diffusion interne

1 Le phénomène observé
Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de
quelques années, il devient poreux et laisse échapper son contenu. Pour éviter une conta-
mination excessive, on a disposé des pièges à particules qui capturent la première particule
qui passe dessus mais deviennent ensuite inertes (une nouvelle particule passe dessus sans
être arrêtée). On suppose que le milieu est isotrope : une particule radioactive se déplace
de la même manière dans toutes les directions. Cette particule continuera à se déplacer
tant qu’elle passe sur des pièges qui ont déjà été activés et est capturée par le premier
piège libre qu’elle rencontre. On souhaite connaı̂tre la forme typique des zones qui seront
contaminées par cette fuite.
Pour modéliser l’évolution de la région polluée, on introduit le modèle de croissance
suivant. On assimile l’espace à Zd où d vaut 1, 2 ou 3 selon le nombre de dimensions que
l’on souhaite prendre en compte. Deux éléments x et y de Zd sont dits voisins, et nous
noterons x ∼ y, si
|x − y|1 = |x1 − y1 | + · · · + |xd − yd | = 1.
On suppose le fût placé à l’origine, que l’on note 0. Sur chaque point du réseau est disposé
un piège. Notons A0 le singleton {0}. Quel sera le premier piège activé ? Il s’agit de l’un
des 2d emplacements voisins de l’origine.
On modélise donc la trajectoire d’une particule radioactive sortant du fût par une
marche aléatoire simple symétrique sur Zd issue de 0 et arrêtée lorsqu’elle sort de A0 . On
note A1 l’ensemble aléatoire composé de 0 et du point où la particule est sortie. Il est
évident que, pour tout x voisin de 0, A1 est égal à {0, x} avec probabilité 1/2d. On itère
ensuite le procédé. Étant donné un ensemble An ⊂ Zd , on considère une marche aléatoire
symétrique (Sk )k>0 issue de 0 arrêtée lorsqu’elle sort de An . On définit alors An+1 comme
l’ensemble des éléments de An et du point où est sortie la marche S.
On obtient ainsi une suite (An )n>0 d’ensembles aléatoires. La proposition suivante
regroupe quelques propriétés évidentes de cette suite.

Proposition 1.1. La suite (An )n>0 est croissante au sens de l’inclusion. Le cardinal de
An vaut exactement n+1. Pour tout n ∈ N, soit x et y deux éléments de An , alors il existe
x0 , . . . , xm éléments de An tels que x0 = x, xm = y et xi ∼ xi+1 pour i = 0, . . . , m − 1.
On pourrait dire que l’ensemble An est connexe par arc dans Zd .

4 mai 2009. Copyright c F. Malrieu . GNU FDL Copyleft. Page n˚1.

Universités Rennes I – Épreuve de modélisation - Agrégation Externe de Mathématiques – 2008-2009. Page n˚2.

On souhaite à présent étudier le comportement asymptotique de la suite (An )n . On

étudie en détail le cas de la dimension 1. Un résultat en dimension 2 est donné à la fin du
texte.

2 Le modèle unidimensionnel
On suppose que la propagation se fait selon un axe horizontal. On se place donc dans
le cas où d = 1. L’ensemble initial A0 est le singleton {0} puis A1 est égal à {0, 1} avec
probabilité 1/2 et {−1, 0} avec probabilité 1/2 etc. Notons Gn = min An et Dn = max An .
L’ensemble An est de la forme An = {Gn , Gn + 1, . . . , Dn − 1, Dn }. Puisque le cardinal
de An est n + 1, on a Dn − Gn = n. Ainsi, An est caractérisé par Xn = Dn + Gn et, en
particulier,
Xn + n Xn − n
Dn = et Gn = .
2 2
Les accroissements (Xn+1 − Xn )n>0 ne peuvent prendre que les valeurs −1 ou 1. Plus
précisément, Xn+1 = Xn − 1 si la marche issue de 0 atteint Gn − 1 avant Dn + 1, et
Xn+1 = Xn + 1 si la marche issue de 0 atteint Dn + 1 avant Gn − 1. On peut obtenir la loi
de cette suite de variables aléatoires en s’appuyant sur un résultat très classique rappelé
ici.

Proposition 2.1. Soit S une marche aléatoire simple sur Z issue de 0 et soit a et b deux
entiers distincts, le premier négatif, le second positif. On note Ti = inf {n > 0, Sn = i}
pour i = a, b et T = Ta ∧ Tb . Alors, Ta et Tb sont finis presque sûrement, T est intégrable
et
b
P(T = Ta ) = 1 − P(T = Tb ) = et E(T ) = −ab.
b−a
Démonstration. C’est le problème classique de la ruine du joueur.
La proposition ci-dessous montre que la suite (Xn )n>0 est une chaı̂ne de Markov in-
homogène sur N, c’est-à-dire une chaı̂ne de Markov dont la matrice de transition dépend
du temps.

Proposition 2.2. La suite (Xn )n>0 est une chaı̂ne de Markov inhomogène sur N issue
de 0 dont les transitions sont décrites par les relations suivantes : pour i 6 n,
n+2+i n+2−i
P(Xn+1 = i − 1|Xn = i) = et P(Xn+1 = i + 1|Xn = i) = .
2(n + 2) 2(n + 2)

Démonstration. Si Xn = i alors Dn = (i + n)/2 et Gn = (i − n)/2. La probabilité

P(Xn+1 = i − 1|Xn = i) est donc égale à la probabilité que la marche aléatoire simple
issue de 0 atteigne (i − n)/2 − 1 avant (i + n)/2 + 1.

4 mai 2009. Copyright c F. Malrieu . GNU FDL Copyleft. Page n˚2.

Universités Rennes I – Épreuve de modélisation - Agrégation Externe de Mathématiques – 2008-2009. Page n˚3.

Remarque 2.3. Lorsque Xn est strictement positif, Xn+1 − Xn a une probabilité plus forte
de valoir -1 que de valoir +1. La tendance s’inverse lorsque Xn est strictement négatif. On
peut donc penser que le processus aura davantage tendance à revenir en 0 qu’une marche
aléatoire simple symétrique (dont l’accroissement vaut plus ou moins 1 avec probabilité
1/2).

3 La convergence presque sûre

On établit ici le premier résultat (relativement intuitif) de convergence en temps long
pour le processus X.
Proposition 3.1.
Xn p.s.
−−−→ 0.
n n→∞
L’idée de la preuve est de rendre rigoureuse l’intuition de la remarque 2.3 en comparant
(de manière déterministe) une trajectoire de X et une trajectoire de la marche aléatoire
simple. La proposition 3.1 est un corollaire immédiat du théorème suivant.
Théorème 3.2. Le processus (|Xn |)n>0 est une chaı̂ne de Markov inhomogène et (|Xn |/n)n
converge vers 0 presque sûrement.
Démonstration. En discutant les valeurs de Xn , on a facilement que |Xn+1 | = 1 si |Xn | = 0
et, que, si |Xn | > 0,

1 |Xn |
|Xn | − 1 avec probabilité + ,


2 2(n + 2)
|Xn+1 | = 1 |Xn |
|Xn | + 1 avec probabilité − .


2 2(n + 2)
On va construire à présent deux processus (Yn )n>0 et (Zn )n>0 dont les lois respectives
sont celles de (|Xn |)n et celle de la valeur absolue d’une marche aléatoire simple issue de
0 tels que, presque sûrement, pour tout n ∈ N, 0 6 Yn 6 Zn . C’est ce que l’on appelle le
couplage. Pour cela, on se donne une suite (Un )n>0 de variables aléatoires indépendantes
et identiquement distribuées de loi uniforme sur [0, 1] et on pose : Y0 = Z0 = 0 et pour
n > 0, (
Yn + 21{Un <(n+s+Yn )/2(n+s)} − 1 si Yn > 0,
Yn+1 =
1 si Yn = 0,
et (
Zn + 21{Un <1/2} − 1 si Zn > 0,
Zn+1 =
1 si Zn = 0.
Il est clair que les deux processus ci-dessus ont bien les lois annoncées et que Y0 6 Z0 . De
plus, si 0 < Yn 6 Zn alors, par construction, Yn+1 6 Zn+1 . Enfin, si 0 = Yn 6 Zn alors,

4 mai 2009. Copyright c F. Malrieu . GNU FDL Copyleft. Page n˚3.

Universités Rennes I – Épreuve de modélisation - Agrégation Externe de Mathématiques – 2008-2009. Page n˚4.

Zn peut être nul et dans ce cas, Yn+1 6 Zn+1 ou Zn > 2 car Zn et Yn ont même parité.
Ceci assure le résultat. Enfin, (Zn /n)n converge presque sûrement vers 0 en vertu de la
loi forte des grands nombres.

4 La convergence en loi
On s’intéresse à présent aux fluctuations de Xn /n autour de sa limite. L’objet de cette
section est de donner des éléments de preuve du résultat suivant.
Proposition 4.1.
X L
√ n −−−→ N (0, 1/3).
n n→∞
Remarque 4.2. La vitesse de convergence en loi est la même que pour la marche aléatoire
simple et la loi limite est encore gaussienne. Pourtant sa variance est plus petite que dans
le cas identiquement distribué. Cela provient de la tendance auto-stabilisatrice de chaı̂ne
X.
Avant d’attaquer toute preuve de ce résultat, on peut se poser la question du com-
portement des premiers moments de Xn /n quand n tend vers l’infini. On remarque tout
d’abord que Xn est centrée. En fait, tous les moments impairs de Xn sont centrés. Que se
passe-t-il pour le moment d’ordre 2 ? Pour n > 0, on a
 2  n + s − Xn n + s + Xn
E Xn+1 |Fn = (Xn + 1)2 + (Xn − 1)2
2(n + s) 2(n + s)
1 Xn 
= (Xn + 1)2 + (Xn − 1)2 − (Xn + 1)2 − (Xn − 1)2
 
2 2(n + s)
n+s−2 2
=1+ Xn .
n+s
Notons xn (2) = E(Xn2 ). En prenant l’espérance dans la relation ci-dessus, on obtient la
relation suivante :
n+s−2
xn+1 (2) = 1 + xn (2).
n+s
Une simple récurrence permet d’écrire
n−1
1 X s(s − 1)
xn (2) = 1 + (k + s)(k + s − 1) + x0 (2)
(n + s)(n + s − 1) k=1 (n + s)(n + s − 1)

et de conclure que (xn (2)/n)n>0 converge vers 1/3.

On pourrait de même montrer que , pour tout k > 0, la suite (xn (2k)/nk )n>1 admet
une limite µ(2k) quand n tend vers l’infini et que la suite (µ(2k))k∈N est solution de
2k + 1
µ(0) = 1 et µ(2k + 2) = µ(2k). (1)
3

4 mai 2009. Copyright c F. Malrieu . GNU FDL Copyleft. Page n˚4.

Universités Rennes I – Épreuve de modélisation - Agrégation Externe de Mathématiques – 2008-2009. Page n˚5.

Proposition 4.3. La seule mesure dont les moments impairs sont nuls et les moments
pairs vérifient (1) est la loi N (0, 1/3).

Un peu plus de travail (et√un contrôle plus fin) permettrait de déduire de cette conver-
gence des moments de Xn / n la convergence en loi une mesure gaussienne centrée de
variance 1/3.
Un autre moyen d’établir la convergence annoncé est d’utiliser un raisonnement basé
sur le théorème limite central pour des martingales de carré intégrable.

Proposition 4.4. Le processus (Mn )n>0 défini par Mn = (n + 1)Xn est une martingale
de carré intégrable qui vérifie

E (Mn+1 − Mn )2 |Fn = (n + 2)2 − Xn2 .

 

On associe à M le processus (< M >n )n défini par

< M >n+1 =< M >n +E (Mn+1 − Mn )2 |Fn .

 
< M >0 = 0 et

Proposition 4.5. Le processus < M > possède les propriétés suivantes :

– il est croissant,
– il est prévisible : < M >n est Fn−1 mesurable,
– (Mn2 − < M >n )n est une martingale,
– il vérifie
< M >n p.s. 1
−−−→ .
n3 n→∞ 3

Démonstration. Les trois premiers points sont évidents. Pour le troisième, on remarque
que
n−1
n3 X 2
< M >n = − Xk + o(n3 ).
3 k=0

De plus
n−1 n−1
1 X 2 1 X Xk2
X 6 .
n3 k=1 k n k=1 k 2
Puisque Xn /n converge vers 0 presque sûrement, le lemme de Cesaro fournit le resultat
annoncé.
Rappelons le théorème limite central pour les martingales de carré intégrable (que l’on
admettra).

Théorème 4.6. Soit (Mn )n une martingale de carré intégrable et soit (an )n une suite
réelle, positive, déterministe croissante vers l’infini. On pose ∆Mn := Mn − Mn−1 et on
suppose que

4 mai 2009. Copyright c F. Malrieu . GNU FDL Copyleft. Page n˚5.

Universités Rennes I – Épreuve de modélisation - Agrégation Externe de Mathématiques – 2008-2009. Page n˚6.

P
1. Il existe λ > 0 déterministe tel que a−1
n < M >n −→ λ.
n→+∞
n
1 X P
2. Pour tout ε > 0, E(∆Mk2 I{|∆Mk |>ε√an } | Fk−1 ) −→ 0 (condition de Linde-
an k=1
n→+∞

berg).
Alors, on a
1 L √ Mn L
√ Mn −→ N (0, λ) et si λ > 0 an −→ N (0, λ−1 ).
an n→+∞ < M >n n→+∞

Ce résultat permet d’obtenir la convergence en loi de la proposition 4.1. On ne cher-

chera pas à démontrer que la condition de Lindeberg est satisfaite dans le modèle présent.

5 Le modèle d’agrégation limitée en dimension deux

On se place à présent sur Z2 . Comme en dimension 1, on imagine que la forme limite
de l’ensemble aléatoire doit être relativement régulière puisque la marche aléatoire issue
de l’origine aura « tendance » à atteindre l’ensemble aléatoire Acn en des points qui ont
beaucoup de voisins dans An . Le théorème suivant montre que c’est effectivement le cas :
l’ensemble An ressemble à la boule euclidienne de volume comparable.

Théorème 5.1. Pour tout ε > 0, avec probabilité 1, il existe n0 tel que, pour tout n > n0 ,
 r   r 
n n
B 0, (1 − ε) ⊂ An ⊂ B 0, (1 + ε) ,
π π

où B(0, r) désigne le disque dans R2 centré en l’origine et de rayon r.

6 Suggestions
1. On pourra présenter le modèle et démontrer en particulier la proposition 1.1.
2. On pourra démontrer la proposition 2.2.
3. On pourra s’intéresser à des éléments de la preuve de la proposition 4.1. On pourra
par exemple montrer la convergence du moment d’ordre 2 ou démonter la proposition
4.3.
4. On pourra démontrer les propositions 4.4 et 4.5.
5. On pourra illustrer par la simulation les propositions 3.1 et 4.1.
6. On pourra illustrer par la simulation le théorème 5.1 et faire le lien avec les résultats
en dimension 1.

4 mai 2009. Copyright c F. Malrieu . GNU FDL Copyleft. Page n˚6.

Universités Rennes I – Épreuve de modélisation - Agrégation Externe de Mathématiques – 2008-2009. Page n˚7.

20

15

10

−5

−10

−15

−20
−20 −10 0 10 20

Fig. 1 – Une réalisation de A1000 .

4 mai 2009. Copyright c F. Malrieu . GNU FDL Copyleft. Page n˚7.