Questo sito utilizza cookie di terze parti per inviarti pubblicità in linea con le tue preferenze. Se vuoi saperne di più clicca QUI 
Chiudendo questo banner, scorrendo questa pagina, cliccando su un link o proseguendo la navigazione in altra maniera, acconsenti all'uso dei cookie. OK

Modelli markoviani nascosti e grammatiche stocastiche context free

Questa tesi si occupa di due importanti categorie di modelli stocastici: i modelli markoviani nascosti, che sono un caso particolare dei modelli state space, e le grammatiche stocastiche context-free. L’obiettivo `e studiare la struttura di tali modelli, sottolineando analogie e differenze tra di essi.

Mostra/Nascondi contenuto.
CAPITOLO 1 Modelli state space In questo capitolo si introducono i modelli state space, se ne definisce la struttura, si presentano i principali problemi a essi collegati e alcune ricorsioni atte a risolverli. 1.1 Definizione del modello Un modello state space e` formato da due processi stocastici, uno dei quali descrive una sequenza di eventi osservabili, mentre l’altro costituisce il meccanismo proba- bilistico latente (o processo degli stati). Il processo osservabile si indica con (Yt)t≥1 e ciascuna variabile che lo costituisce e` associata alla corrispondente variabile del processo nascosto, indicato con (Xt)t≥1. Si assume che per il processo latente valga la proprieta` di markovianita`: lo stato corrente del processo dipende solo dagli stati precedenti. Tale condizione puo` essere cos`ı espressa: il passato e il futuro sono in- dipendenti dato il presente. Il caso piu` semplice di dipendenza markoviana e` quello del primo ordine, in cui lo stato al momento attuale dipende solamente dallo stato all’istante immediatamente precedente, ovvero P (Xt|Xt−1, . . . , X1) = P (Xt|Xt−1). Si assume che la dipendenza fra gli stati nascosti sia markoviana del primo ordi- ne. Si suppone inoltre che valga una proprieta` di indipendenza condizionale per le osservazioni, ovvero per t = 1, . . . , T le variabili Yt sono indipendenti tra loro condi- zionatamente alle variabili X1, . . . , XT e ciascuna dipende solamente dalla variabile Xt a cui e` associata. La struttura di un modello state space puo` essere riassunta dal grafo orientato aciclico in Figura 1.1. Ogni nodo corrisponde a una variabile casuale del processo na- scosto o a una osservazione, gli archi rappresentano le influenze dirette del modello. L’assenza di archi fra due nodi indica che le rispettive variabili casuali sono indipen- denti condizionatamente alle altre variabili. Inoltre, per l’ipotesi di markovianita`, eliminando una qualsiasi variabile Xt il grafo risulta sconnesso. Se lo spazio degli stati delle variabili Xt e` discreto, il processo nascosto e` una catena di Markov e il modello state space prende il nome di modello markoviano 1

Laurea liv.II (specialistica)

Facoltà: Scienze Matematiche, Fisiche e Naturali

Autore: Chiara Modotti Contatta »

Composta da 98 pagine.

 

Questa tesi ha raggiunto 483 click dal 10/06/2009.

 

Consultata integralmente una volta.

Disponibile in PDF, la consultazione è esclusivamente in formato digitale.