CHAPITRE IV. MODÈLE DE MARKOV TRIPLETrésultats prés<strong>en</strong>tés dans le chapitre (II) du fait que le couple T =(V,Y) est uneCMCouple. Les marginales a posteriori p(x n ∣y 1∶N ) sont obt<strong>en</strong>ues par :p(x n ∣y 1∶N )= ∑ p(x n ,u n ∣y 1∶N ),u n∈Λ(IV.2)avec les marginales a posteriori p(x n ,u n ∣y 1∶N ) calculées <strong>en</strong> utilisant les probabilitésprogressives α n et les probabilités rétrogra<strong>de</strong>s β n obt<strong>en</strong>ues <strong>en</strong> appliquant les récursionssuivantes, valables dans les CMCouples, à v n =(x n ,u n ) :α 1 (v 1 )=p(t 1 ) et α n+1 (v n+1 )= ∑ α n (v n )p(t n+1 ∣t n )∀2≤n≤Nv n∈X×Λ(IV.3)β N (v N )=1 et β n (v n )= ∑ β n+1 (v n+1 )p(t n+1 ∣t n )∀1≤n≤N−1v n+1 ∈X×Λ(IV.4)Le modèle CMT regroupe plusieurs modèles particuliers qui généralis<strong>en</strong>t les modèlesprés<strong>en</strong>tés dans le chapitre (I) et le chapitre (II). En effet, rappelons la généralisationréc<strong>en</strong>te suivante [66] <strong>de</strong> la proposition (II.3). Soit W=(H,F) une chaînecouple, avec W n =(H n ,F n ) à valeurs dans l’espace produitH×F. Soit η une mesureσ-additive surH, et soit µ une mesure σ-additive surF. Supposons que W est unechaîne <strong>de</strong> <strong>Markov</strong> et on note par la même lettre p les <strong>de</strong>nsités <strong>de</strong>s variables par rapportaux mesures η et µ. En pratique, les mesures utilisées sont celle <strong>de</strong> comptageou celle <strong>de</strong> Lebesgue. Cep<strong>en</strong>dant, <strong>de</strong>s mesures mixtes faisant interv<strong>en</strong>ir <strong>de</strong>s masses<strong>de</strong> Dirac et la mesure <strong>de</strong> Lebesgue peuv<strong>en</strong>t être <strong>en</strong>visagées comme dans [109]. Nousavons le résultat suivant :Proposition IV.1 Soit W=(H,F)=(H n ,F n ) 1∶N une chaîne <strong>de</strong> <strong>Markov</strong> vérifiant :i) p(w n ,w n+1 ) ne dép<strong>en</strong>d pas <strong>de</strong> 1≤n≤N−1;ii) p(w n =a,w n+1 =b)=p(w n =b,w n+1 =a)∀1≤n≤N−1 et∀(a,b)∈(H×F) 2 .Alors les trois conditions suivantes :a) H est une chaîne <strong>de</strong> <strong>Markov</strong> (c’est-à-dire W=(H,F) est une chaîne <strong>de</strong> <strong>Markov</strong>cachée);b)∀2≤n≤N, p(f n ∣h n ,h n−1 )=p(f n ∣h n );c)∀1≤n≤N, p(f n ∣h)=p(f n ∣h n ),sont équival<strong>en</strong>tes.Preuve : La démonstration, donnée dans [66], suit le même schéma général que ladémonstration <strong>de</strong> la proposition II.3.IV.1.1 Chaîne <strong>de</strong> <strong>Markov</strong> Cachée M-stationnaireParmi les applications du modèle <strong>de</strong> la chaîne <strong>de</strong> <strong>Markov</strong> Triplet est la modélisation<strong>de</strong> le M-stationnarité du processus caché X. Une étu<strong>de</strong> et <strong>de</strong>s applications <strong>de</strong>ce modèle ont été prés<strong>en</strong>tées récemm<strong>en</strong>t dans la thèse <strong>de</strong> P. Lanchantin [64,66]. La<strong>de</strong>uxième application est la modélisation <strong>de</strong> la M-stationnarité du couple(X,Y), cequi permet <strong>de</strong> généraliser le modèle <strong>de</strong> la CMC-MS.58
CHAPITRE IV. MODÈLE DE MARKOV TRIPLETDéfinition IV.1 Soit X=(X n ) n=1∶N une chaîne <strong>de</strong> <strong>Markov</strong>, les X n pr<strong>en</strong>ant leurvaleurs dans un espace finiX={ω 1 ,...,ω K }. X est dite une chaîne <strong>de</strong> <strong>Markov</strong> stationnaire(CM-S) si p(x n =ω i ,x n+1 =ω j ) ne dép<strong>en</strong>d pas <strong>de</strong> n. Dans le cas contraireX est dite une chaîne <strong>de</strong> <strong>Markov</strong> non-stationnaire (CM-NS). On dira que X est unechaîne <strong>de</strong> <strong>Markov</strong> M-stationnaire (CM-MS) s’il existe un processus U=(U n ) n=1∶Ntel que les U n pr<strong>en</strong>n<strong>en</strong>t leur valeurs dans un espace fini, Λ=(λ 1 ,...,λ M ), et tel quele couple(X,U) est une chaîne <strong>de</strong> <strong>Markov</strong> stationnaire.Définition IV.2 Soit Z=(X,Y) un processus couple, dont X est caché et Y observé.Z est dit chaîne <strong>de</strong> <strong>Markov</strong> cachée M-stationnaire à bruit indép<strong>en</strong>dant (CMC-MS-BI) si :◻ X est une CM-MS.◻ Y et U sont indép<strong>en</strong>dant conditionnellem<strong>en</strong>t à X :YU∣X(IV.5)◻ Les Y n sont indép<strong>en</strong>dants conditionnellem<strong>en</strong>t à X, et pour toute n, 1≤n≤N,Y n ne dép<strong>en</strong>d que <strong>de</strong> X n .p(y∣x)=N∏n=1p(y n ∣x)=N∏n=1p(y n ∣x n )(IV.6)Dans les modèles classiques nous supposons que le processus caché est stationnairetandis que dans la pratique ce <strong>de</strong>rnier peut ne pas l’être. Ainsi <strong>en</strong> situations réellesl’hypothèse <strong>de</strong> la stationnarité peut conduire à une mauvaise estimation <strong>de</strong>s paramètreset par suite à une mauvaise <strong>restauration</strong> du processus caché. Ainsi la m-stationnarité permet <strong>de</strong> modéliser la non stationnarité du processus caché par unechaîne triplet stationnaire.ExempleSoit T=(X,U,Y) une CMT dont la loi est donnée par p(x 1 ,u 1 ,y 1 ) et les transitionsdéfinies par :p(t n+1 ∣t n )=p(v n+1 ∣v n )p(y n+1 ∣x n+1 )(IV.7)La loi initiale <strong>de</strong> la chaîne(X,U) est p(u 1 )p(x 1 ∣u 1 ) et les transitions sont <strong>de</strong> laforme :p(v n+1 ∣v n )=p(x n+1 ,u n+1 ∣x n ,u n )=p(u n+1 ∣u n )p(x n+1 ∣u n+1 ,x n )(IV.8)59