Modèle probabiliste de génération dans lequel une chaîne de Markov discrète d'états non observés (cachés) produit, à chaque pas de temps, des observations par l'intermédiaire de lois d'émission dépendant de l'état ; le modèle est défini par une distribution initiale d'états, une matrice de transition entre états et des modèles d'émission conditionnés par l'état.

Principe

La probabilité conjointe des états et des observations se factorise en distribution initiale × produit des probabilités de transition × produit des probabilités d'émission, ce qui permet d'inférer les séquences d'états latents et d'estimer les paramètres à partir des observations.

Démonstration

Scénario illustratif → Un spécialiste du comportement animal modélise des séries GPS de vitesse et d'angle de virage. Reconnaissance → Il définit un HMM avec états cachés « repos », « recherche de nourriture » et « déplacement », chacun ayant une loi d'émission distincte. Action → Il estime les probabilités de transition par vraisemblance et décode la séquence d'états la plus probable (algorithme de Viterbi). Conséquence → Le modèle fournit des séquences d'états interprétables et des taux de transition utilisables pour orienter des vérifications de terrain.

Mauvaise application

Considérer un HMM applicable chaque fois que des données présentent une autocorrélation temporelle sans vérifier les hypothèses de Markov et d'indépendance conditionnelle. L'erreur sémantique est de supposer que les observations sont indépendantes conditionnellement à l'état courant alors qu'elles peuvent dépendre d'un historique plus long ou d'un latent continu.

Conséquence

Si les hypothèses sont respectées, les HMM permettent d'estimer de façon cohérente la dynamique des états latents, de décoder les états et de gérer les données manquantes. En cas d'erreur d'application, les états et les taux de transition déduits peuvent être biaisés et conduire à des interprétations comportementales ou diagnostiques erronées.

Inversion

Lorsque la dynamique latente n'est pas markovienne, que les durées d'état ne suivent pas une loi géométrique, ou que l'état latent est mieux représenté en continu, les hypothèses du HMM échouent et des généralisations (modèles semi‑Markoviens cachés, modèles d'espace d'états) sont nécessaires.

Limite

Clairement dans : processus en temps discret où l'état caché courant gouverne seul les probabilités du suivant et les observations. Cas limite : variables latentes à évolution lente ou durées d'états variables qui n'adhèrent à la propriété markovienne qu'à une échelle temporelle grossière. Hors définition : processus de Markov entièrement observés, modèles autorégressifs sur variables observées ou modèles exigeant un latent continu sans états discrets.

Tension sémantique

Tension entre l'interprétabilité (états discrets simples à nommer) et la fidélité au phénomène (processus latents continus ou dépendants de l'histoire).

Synthèse

Le HMM formalise l'hypothèse que la dépendance temporelle s'explique par des transitions entre quelques états cachés et que, conditionnellement à l'état courant, les observations sont indépendantes ; tester cette hypothèse est indispensable pour des inférences valides.