v2.11.0 (5380)

PA - C8 - DS-ENSAE-3 : Modèles à chaîne de Markov cachée et méthodes de Monte Carlo séquentielles

Descriptif

Objectifs:

Les modèles dits à chaîne de Markov cachée (ou à espace d’état), sont des modèles de séries temporelles
faisant intervenir un ’signal’ (un processus X_t markovien décrivant l’état d’un système) observé de
façon imparfaite et bruitée sous forme de données, par ex. Y_t = f(X_t) + U_t. 

 

Ces modèles sont très utilisés dans de nombreuses disciplines :

— Finance : volatilité stochastique (X_t est la volatilité non-observée)
— Ingénierie : pistage de cible (X_t est la position d’un mobile dont on essaie de retrouver la trajectoire ; reconnaissance de la parole (
X_t est un phonème)
— Biostatistique : Ecologie (X_t = taille de la population) 

— Epidémiologie (X_t = nombre de personnes infectées) 

 

Le but de ce cours est de présenter les méthodes modernes d’analyse séquentielle de tels modèles, basés
sur des algorithmes particulaires (Monte Carlo séquentiel). On traitera notamment les problèmes du
filtrage, du lissage, de prédiction, et d’estimation des paramètres. A la fin du cours, nous évoquerons aussi
rapidement l’extension de tels algorithmes à des problèmes non-séquentiels, notamment en Statistique

Bayésienne.

 

Pré-requis :
cours 2A simulation et Monte Carlo, ou cours similaire Les cours de 3A de ’Statistique Computationnel-

le’ et de ’Statistique Bayésienne’ sont conseillés mais non obligatoires.

 

Acquis de la formation :
A la fin du cours, l’étudiant sera en mesure :
d’énoncer les propriétés principales des modèles HMM
de mettre en oeuvre un filtre particulaire pour filtrer et lisser un modèle HMM donné

d’estimer les paramètres d’un tel modèle à partir de différentes méthodes

 

Plan
1. Introduction : définition des HMM (Hidden Markov models), propriétés principales, notion de filtrage,
lissage, et prédiction, formules forward-backward.
2. HMM discrets, algorithme de Baum-Petrie
3. HMM linéaire Gaussian, algorithme de Kalman
4. Algorithmes SMC pour le filtrage d’un modèle HMM
5. Estimation dans les modèles HMM

  1. Introduction aux applications non-séquentielles des algorithmes SMC

 

Références
* Del Moral (2004). Feynman-Kac formulae, Springer.
* Cappé, Moulines and Ryden (2010) , Inference in Hidden Markov Models (Springer Series in Statistics)

https://www.ensae.fr/courses/modeles-a-chaine-de-markov-cachee-et-methodes-de-monte-carlo-sequentielles/



Diplôme(s) concerné(s)

Format des notes

Numérique sur 20

Littérale/grade réduit

Pour les étudiants du diplôme Data Sciences

Le rattrapage est autorisé (Max entre les deux notes)
    L'UE est acquise si Note finale >= 10
    • Crédits ECTS acquis : 2.5 ECTS
    Veuillez patienter