Ce rapport concerne l'inférence sur les états de modèles de Markov cachés. Ces modèles se fondent sur des états non observés, qui ont en général une interprétation, dans le contexte d'une application donnée. Ceci rend nécessaire la conception d'outils de diagnostic pour quantifier l'incertitude sur ces états. L'entropie de la séquence d'états associée à une séquence observée, pour un modèle de chaîne de Markov cachée donné, peut être considérée comme la mesure canonique de l'incertitude sur les états. Cette mesure canonique d'incertitude sur la séquence d'états n'est pas reflétée par les profils d'états, multivariés, calculés par l'algorithme de lissage, qui résume les séquences d'états possibles. Nous introduisons ici de nouveaux profils dont les propriétés sont les suivantes : (i) ces profils d'entropie conditionnelle sont une décomposition, le long de cette séquence, de la mesure canonique d'incertitude sur la séquence d'états, ce qui offre la possibilité d'une localisation de cette incertitude, (ii) ces profils sont univariés; ils peuvent donc être facilement utilisés sur des structures arborescentes. Nous montrons comment étendre l'algorithme de lissage sur des chaînes et arbres de Markov cachés afin de calculer ces profils de manière efficace.