S'abonner

Chaı̂nes de Markov Triplet - 04/04/08

Wojciech Pieczynski
Institut National des Télécommunications, Département CITI, 9, rue Charles Fourier, 91000 Evry, France 

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

pages 4
Iconographies 0
Vidéos 0
Autres 0

Note présentée par Paul Deheuvels

Résumé

Les Chaı̂nes de Markov Cachées (CMC), qui permettent l'estimation des variables d'intérêt dans les cas des quantités importantes des données, sont largement utilisées dans les problèmes le plus divers. Ces modèles ont été récemment généralisés aux Chaı̂nes de Markov Couple (CMCouple), qui permettent des modélisations plus complètes des liens entre les processus caché et observé. Nous proposons dans cette Note de généraliser ces derniers aux modèles « Chaı̂nes de Markov Triplet » (CMT) dans lesquels la loi du couple (processus caché, processus observé) est la loi marginale d'un triplet Markovien. Nous montrons la calculabilité des estimations Bayésiennes du processus caché et présentons une CNS pour qu'une CMT soit une CMCouple, montrant en particulier que les modèles CMT sont strictement plus généraux que les modèles CMCouple. Nous précisons également un lien avec la fusion de Dempstert-Shafer. Pour citer cet article : W. Pieczynski, C. R. Acad. Sci. Paris, Ser. I 335 (2002) 275-278.

Le texte complet de cet article est disponible en PDF.

Abstract

The Hidden Markov Chains (HMC) are widely applied in various problems. This succes is mainly due to the fact that the hidden process can be recovered even in the case of very large set of data. These models have been recetly generalized to ‘Pairwise Markov Chains' (PMC) model, which admit the same processing power and a better modeling one. The aim of this note is to propose further generalization called Triplet Markov Chains (TMC), in which the distribution of the couple (hidden process, observed process) is the marginal distribution of a Markov chain. Similarly to HMC, we show that posterior marginals are still calculable in Triplets Markov Chains. We provide a necessary and sufficient condition that a TMC is a PMC, which shows that the new model is strictly more general. Furthermore, a link with the Dempster-Shafer fusion is specified. To cite this article: W. Pieczynski, C. R. Acad. Sci. Paris, Ser. I 335 (2002) 275-278.

Le texte complet de cet article est disponible en PDF.

Plan

Plan indisponible

© 2002  Académie des sciences/Éditions scientifiques et médicales Elsevier SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 335 - N° 3

P. 275-278 - 2002 Retour au numéro
Article précédent Article précédent
  • Influence de la longue mémoire sur le comportement asymptotique d'estimateurs fonctionnels
  • Graciela Estevez-Perez, Philippe Vieu
| Article suivant Article suivant
  • A new approach on estimation of the tail index
  • Dimitris N. Politis

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’achat d’article à l’unité est indisponible à l’heure actuelle.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.