Estimation de modèles markoviens discrets dans un cadre industriel fiabiliste à données manquantes

Résumé : Les modèles markoviens sont particulièrement utiles pour décrire des systèmes qui, au long de leur vie, passent à travers différents états. Les paramètres de ces modèles sont les probabilités de transition entre les états. Normalement, les données disponibles pour l'inférence statistique sont des séquences temporelles d'états pour un nombre donné d'individus. Quand les séquences sont incomplètes, l'estimation de la matrice de transition n'est pas triviale et demande l'utilisation de techniques plus avancées. Dans cette communication, nous nous focalisons sur l'estimation bayésienne des probabilités de transition. Premièrement, nous présentons différentes méthodes MCMC, en fonction de la structure des données manquantes. Ensuite, nous proposons une manière d'accélérer les calculs MCMC en tenant compte de la dépendance entre les lignes de la matrice de transition. Finalement, nous montrons les résultats d'essais simulés menés sur des matrices typiquement rencontrées dans les problèmes de fiabilité industrielle.
Document type :
Conference papers
42èmes Journées de Statistique, 2010, Marseille, France, France. 2010


https://hal.inria.fr/inria-00494688
Contributor : Conférence Sfds-Hal <>
Submitted on : Thursday, June 24, 2010 - 8:53:23 AM
Last modification on : Thursday, June 24, 2010 - 8:53:23 AM

File

p27.pdf
fileSource_public_author

Identifiers

  • HAL Id : inria-00494688, version 1

Collections

Citation

Alberto Pasanisi, Shuai Fu, Nicolas Bousquet. Estimation de modèles markoviens discrets dans un cadre industriel fiabiliste à données manquantes. 42èmes Journées de Statistique, 2010, Marseille, France, France. 2010. <inria-00494688>

Export

Share

Metrics

Consultation de
la notice

91

Téléchargement du document

35