X-Git-Url: https://bilbo.iut-bm.univ-fcomte.fr/and/gitweb/hdrcouchot.git/blobdiff_plain/35f9a1f25d6fb4d3d2993aa5d75b474742eb8ac6..020defdbb2ac938563eba1071c78520973093e4b:/15RairoGen.tex?ds=sidebyside

diff --git a/15RairoGen.tex b/15RairoGen.tex
index 4c9a25b..63eb23b 100644
--- a/15RairoGen.tex
+++ b/15RairoGen.tex
@@ -332,15 +332,21 @@ ce vecteur au vecteur $\pi=(\frac{1}{2^n},\ldots,\frac{1}{2^n})$
 -- autrement dit, où la déviation par rapport à la distribution uniforme --
  est inférieure 
 à $10^{-4}$. En prenant le max pour tous les $e_i$, on obtient une valeur pour
- $b$. Ainsi, on a 
-$$
+ $b$. 
+Ainsi, on a 
+\begin{equation}
 b = \max\limits_{i \in \llbracket 1, 2^n \rrbracket} 
 \{
 \min \{
  t \mid t \in \Nats, \vectornorm{e_i M_f^t - \pi} < 10^{-4}
 \}
 \}. 
-$$
+\label{eq:mt:ex}
+\end{equation}
+
+\noindent Par la suite, ce nombre sera appelé \emph{temps de mélange}.
+
+
 
 \begin{figure}%[h]
   \begin{center}
@@ -670,7 +676,7 @@ Il n'est pas difficile de constater que $\textsc{giu}_{\{1\}}(f)$ est $\textsc{g
     \subfigure[$\textsc{giu}_{\{2\}}(h)$]{
       \begin{minipage}{0.30\textwidth}
         \begin{center}
-          \includegraphics[height=4cm]{images/h2prng.pdf}
+          \includegraphics[height=4cm]{images/h2prng}
         \end{center}
       \end{minipage}
       \label{fig:h2prng}
@@ -678,7 +684,7 @@ Il n'est pas difficile de constater que $\textsc{giu}_{\{1\}}(f)$ est $\textsc{g
     \subfigure[$\textsc{giu}_{\{3\}}(h)$]{
       \begin{minipage}{0.40\textwidth}
         \begin{center}
-          \includegraphics[height=4cm]{images/h3prng.pdf}
+          \includegraphics[height=4cm]{images/h3prng}
         \end{center}
       \end{minipage}
       \label{fig:h3prng}
@@ -686,7 +692,7 @@ Il n'est pas difficile de constater que $\textsc{giu}_{\{1\}}(f)$ est $\textsc{g
     \subfigure[$\textsc{giu}_{\{2,3\}}(h)$]{
       \begin{minipage}{0.40\textwidth}
         \begin{center}
-          \includegraphics[height=4cm]{images/h23prng.pdf}
+          \includegraphics[height=4cm]{images/h23prng}
         \end{center}
       \end{minipage}
       \label{fig:h23prng}
@@ -720,7 +726,7 @@ Le dernier donnerait le comportement d'un générateur qui s'autoriserait
 \subsection{le PRNG de l'algorithme~\ref{CI Algorithm} est chaotique sur $\mathcal{X}_{\mathsf{N},\mathcal{P}}$}
 
 Le théorème suivant, similaire à celui dans $\mathcal{X}_u$ et dans $\mathcal{X}_g$
-est prouvé en annexes~\ref{}.
+est prouvé en annexes~\ref{anx:generateur}.
 
 \begin{theorem}
 La fonction $G_{f_u,\mathcal{P}}$ est chaotique sur 
@@ -728,6 +734,18 @@ La fonction $G_{f_u,\mathcal{P}}$ est chaotique sur
 graphe d'itération $\textsc{giu}_{\mathcal{P}}(f)$ 
 est fortement connexe.
 \end{theorem}
-
+On alors corollaire suivant 
+
+\begin{corollary}
+  Le générateur de nombre pseudo aléatoire détaillé 
+  à l'algorithme~\ref{CI Algorithm}
+  n'est pas chaotique 
+  sur $(\mathcal{X}_{\mathsf{N},\{b\}},d)$ pour la fonction négation.
+\end{corollary}
+\begin{proof}
+  Dans cet algorithme, $\mathcal{P}$ est le singleton $\{b\}$.
+  Que $b$ soit pair ou impair,  $\textsc{giu}_{\mathcal{b}}(f)$
+  n'est pas fortement connexe.
+\end{proof}