Ein stochastisches Generativmodell, bei dem eine diskrete Markov-Kette von nicht beobachtbaren (versteckten) Zuständen in jedem Zeitschritt beobachtbare Ausgaben über zustandsabhängige Emissionsverteilungen erzeugt; das Modell wird durch Anfangszustandsverteilung, Zustandsübergangsmatrix und zustandsbedingte Emissionsmodelle spezifiziert.

Prinzip

Die gemeinsame Wahrscheinlichkeit von Zuständen und Beobachtungen faktorisiert in: Anfangszustand × Produkt der Übergangswahrscheinlichkeiten × Produkt der Emissionswahrscheinlichkeiten, wodurch die Inferenz latenter Zustandsfolgen und die Parameterschätzung aus Beobachtungsreihen möglich sind.

Demonstration

Illustratives Beispiel → Ein Verhaltensökologe modelliert GPS‑Daten mit Geschwindigkeiten eines erfassten Tiers. Erkennung → Er legt ein HMM mit den versteckten Zuständen ‚Ruhen‘, ‚Nahrungsaufnahme‘ und ‚Bewegen‘ mit unterschiedlichen Emissionsverteilungen fest. Handlung → Er schätzt Übergangswahrscheinlichkeiten per Likelihood und dekodiert die wahrscheinlichste Zustandsfolge (Viterbi). Folge → Das Modell liefert interpretierbare Zustandsfolgen und Übergangsraten zur Hypothesenbildung und Validierung vor Ort.

Fehlanwendung

Ein HMM überall dort anzuwenden, wo Zeitreihen Autokorrelation zeigen, ohne die Markov‑ und konditionale Unabhängigkeitsannahmen zu prüfen. Der semantische Fehler besteht darin, anzunehmen, Beobachtungen seien gegeben den aktuellen Zustand unabhängig von der längeren Vorgeschichte.

Konsequenz

Sind die Annahmen gerechtfertigt, ermöglichen HMMs konsistente Schätzungen latenter Zustandsdynamiken, Zustandsdekodierung und Umgang mit fehlenden Daten. Bei Fehlanwendung können die abgeleiteten Zustände und Übergangsraten verzerrt sein und zu irreführenden Schlussfolgerungen führen.

Umkehrung

Sind latente Dynamiken nicht markovianisch, dauern Zustände nicht geometrisch oder ist der Latentraum besser als kontinuierlich zu beschreiben, versagt das HMM‑Modell und Erweiterungen (versteckte Semi‑Markov‑Modelle, Zustandsraummodelle) sind erforderlich.

Abgrenzung

Klar innerhalb: diskreter Zeitprozess, bei dem der aktuelle versteckte Zustand allein die Wahrscheinlichkeiten für den nächsten Zustand und die Beobachtungen bestimmt. Randfall: langsam veränderliche latente Variablen oder variable Verweildauern. Außerhalb: vollständig beobachtbare Markov‑Prozesse oder autoregressive Modelle über beobachtbare Zustände.

Semantische Spannung

Spannung zwischen Modell‑Interpretierbarkeit (diskrete, benennbare Zustände) und Modell‑Realismus (kontinuierliche oder geschichtsabhängige latente Prozesse).

Synthese

Das HMM ist eine kompakte Hypothese, dass zeitliche Abhängigkeit durch Übergänge zwischen wenigen versteckten Zuständen entsteht und Beobachtungen, bedingt auf den aktuellen Zustand, unabhängig sind; diese Annahme zu prüfen ist zentral für gültige Inferenz.