Scribd
Importer
141 vues1 page

HMM et Chaînes de Markov: TP ENSAI

Ce document présente trois exercices sur les chaînes de Markov à temps continu. Le premier exercice concerne l'ajustement d'un modèle de Markov caché à deux états sur des données de temps de réaction. Le deuxième exercice demande de simuler une trajectoire d'un processus de Markov à trois états et de déterminer sa probabilité invariante. Le troisième exercice porte sur la dynamique d'une épidémie modélisée par un processus de Markov.

Transféré par

Laurène Horan
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
141 vues1 page

HMM et Chaînes de Markov: TP ENSAI

Ce document présente trois exercices sur les chaînes de Markov à temps continu. Le premier exercice concerne l'ajustement d'un modèle de Markov caché à deux états sur des données de temps de réaction. Le deuxième exercice demande de simuler une trajectoire d'un processus de Markov à trois états et de déterminer sa probabilité invariante. Le troisième exercice porte sur la dynamique d'une épidémie modélisée par un processus de Markov.

Transféré par

Laurène Horan
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

3A, 2023 Statistique des processus. TP 2.

ENSAI

TP 2. HMM et chaînes de Markov à temps continu.

Exercice 1 [HMM avec densités gaussiennes]


On utilisera le package depmixS4 et le jeu de données speed. Prendre les n = 168
premiers éléments de la première colonne de ce jeu de données. On observe des temps de
réaction d'un individu soumis à une expérience de décision lexicale en psycholinguistique. Il
s'agit de montrer au patient une liste de mots qu'il doit classier comme correct ou incorrect
dans sa propre langue. La vitesse à laquelle le patient répond est alors mesurée. L'objectif
de l'exercice est d'ajuster un modèle de Markov caché à 2 états an de classier les temps de
réponse courts ou longs. On considèrera un modèle paramétrique avec densités gaussiennes.
1. Donner les formules de mise à jour des paramètres dans l'algorithme EM pour ce
problème.
2. Expliquer pourquoi les probabilités dites de lissage, i.e. obtenues à l'aide des équations
backward, ou encore l'algorithme de Viterbi peuvent être utilisés pour répondre à ce
problème.
3. Utiliser la fonction depmix pour ajuster un modèle de Markov caché à ces données.
4. Est ce que l'algorithme de Viterbi et le maximum des probabilités de lissage,
i.e. x∗t = arg maxx∈{0,1} P (Xt = x|Y1 , . . . , Yn ) pour 1 ≤ t ≤ n, renvoient les mêmes
résultats ? Si ce n'est pas le cas, est-ce vraiment étonnant ?
On considère
Exercice 2
  le processus de Markov de sauts à trois états, de générateur
−1.5 1 0.5
A= 1 −2 1 .
1 1 −2
1. En utilisant le principe de simulation dynamique, simuler une trajectoire à horizon
T = 500.
2. Déterminer la probabilité invariante π du processus de Markov.
Exercice 3 [Dynamique d'un épidémie]
La population est formée de m = 10 individus. On suppose que le générateur est donné
par A(n, n−1) = βn > 0 pour 1 ≤ n ≤ m, A(n, n+1) = αn > 0 si 1 ≤ n ≤ m−1. On suppose
que A(0, 1) = 0. L'état 0 est donc absorbant. Soit τ le temps d'atteinte de 0 (extinction de
l'épidémie). D'après le cours, les temps moyens avant extinction (qui dépendent du nombre
d'individus infectés à l'origine) sont solutions du système linéaire :
 
E1 (τ )
..
[A(i, j)]1≤i,j≤m  .  = −1.
 
Em (τ )
1. Déterminer ces temps moyens lorsque (αn , βn ) = (0.4, 0.6) puis (0.6, 0.4).
2. Lorsque (αn , βn ) = (0.4, 0.6), vérier par simulation que les temps moyens avant
extinction correspondent bien aux valeurs trouvées à la question précédente.

Vous aimerez peut-être aussi