R EVUE DE STATISTIQUE APPLIQUÉE
V IDAL C OHEN
Processus à états marquants
Revue de statistique appliquée, tome 18, n
o3 (1970), p. 87-99
<
http://www.numdam.org/item?id=RSA_1970__18_3_87_0>
© Société française de statistique, 1970, tous droits réservés.
L’accès aux archives de la revue « Revue de statistique appliquée » (
http://www.sfds.asso.fr/publicat/rsa.htm
) implique l’accord avec les conditions générales d’uti- lisation (
http://www.numdam.org/conditions). Toute utilisation commerciale ou im- pression systématique est constitutive d’une infraction pénale. Toute copie ou im- pression de ce fichier doit contenir la présente mention de copyright.
Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques
http://www.numdam.org/
87
PROCESSUS A ÉTATS MARQUANTS
Vidal COHEN
1 - INTRODUCTION
On sait
qu’un
processus de Markov est un processusstochastique
danslequel
"le futur nedépend
dupassé
que par l’intermédiaire duprésent".
Il est facile de ramener à un tel processus tout processus danslequel
le futur nedépendrait
dupassé
que par l’intermédiaire duprésent
et d’unpassé
récentde durée fixée. Si cette durée n’est pas
limitée,
on aboutit à un processus à liaisonscomplètes.
Cependant
certains processuspourraient
se situer entre ces deux ex-trêmes. Le fait de passer par un état que nous
qualifierons
demarquant peut
avoir une influence sur les transitions successives même
longtemps plus
tard. Nous
signalons plus
loin desapplications
de tels processus.Définitions et notations
Soit un processus
stochastique
discret{Xn 1
n ~1}
défini sur un espace deprobabilité (Q, a, ~6)
et à valeurs dans un"espace
des états" J. Nous supposeronsqu’il
existe unepartition
de J enJ = 0 + OÏ~
9 : ensemble des états que nous
qualifions
d’" ordinaire s"~ : ensemble des états que nous
qualifions
de"marquants".
Soient t1 t2
...tn
les instants d’observation du processus.A ces instants
correspondent
des variables aléatoiresX19 x2t
...Xn
Rappelons
que le processus est une chaînesimple
de Markov(à temps discret),
si laprobabilité
conditionnellen’est en réalité fonction que de
in-!
et dein.
On construit alors la matrice de transition[p~.(n)].
Si elle nedépend
pas de n, la chaîne est dite station- naire.Revue de Statistique Appliquée. 1970 - vol. XVIII N° 3
88
Nous dirons par convention que le processus est une chaîne à états
marquants
si à l’instanttn
Si cette dernière
probabilité
nedépend
pas de l’instanttn,
alors lachaîne sera dite stationnaire à états
marquants.
Dans une tellechaîne,
noussupposerons, autrement
dit,
que, sachantqu’on
est en i à un instantdonné,
la
probabilité
de passer à un certainétat j
à l’instant suivant nedépend
pas effectivement de tout cequi
aprécédé
mais seulement du dernier état mar-quant visité,
ce dernier étatmarquant pouvant
être éventuellement l’état i danslequel
on se trouve à l’instant donné. S’il y astationnarité,
il est inu-tile, quand
on commence à étudier le processus, de savoirquand
il a débu-té. Il est par contre nécessaire de savoir
quel
est l’étatmarquant
leplus
récemment visité.
Si le processus est
stationnaire,
discret et si- (9 est constitué d’un nombre fini k d’états ordinaires
1,2
... k- DIZ est constitué de deux états
marquants
a,b,
on construirales matrices de transition
P~
etp(b)
étantsubstochastiques.
"sous l’influence de a" ou "dans
(a)" signifiera :
"a étant le dernier étatmarquant
visité".Revue de Statistique Appliquée. 1970 - vol. XVIII N° 3
89
Conséquence
de cette définitionA un processus à états
marquants,
on associe immédiatement un pro- cessus de Markov{Zn 1
n ~o}
dontl’espace
des états est 3~ x J. Mais ceprocessus n’est que
partiellement
observable : lacomposante YnE
~1~G n’estobservable que si la
composante Xn
dans J se trouve aussi être dans OrC autemps tn .
Ici deux états seront entièrement observables :
(a, a)
et(b, b)
Par contre
(a, b)
et(b, a)
n’existent paspuisque
si b est l’état obser- vable actuel il est aussi leplus
récent étatmarquant
visité. Nous n’utili-serons pas
explicitement
dans la suite la matrice de transition associée àfZn}
peupratique (et qui
seprête
mal auxgénéralisations
au cas d’ensem- bles (9 et 0~infinis).
Remarque : plusieurs jeux
se rattachent à des processus à étatsmarquants.
Ainsi le
jeu
d’échecs : on’saitqu’un joueur
n’aplus
le droit de roquer s’ila
déplacé précédemment
le roi ou sa tour, même si lespièces
ont,depuis, regagné
leursplaces
initiales. Donc si le roi est hors de saplace initiale,
le
jeu
est dans un étatmarquant.
Il en restera une trace éventuellementpendant
toute lapartie (tant
que les tours ne seront pasperdues !)
en cesens
qu’à chaque instant,
lespossibilités
dujoueur
se trouvent modifiées(puisqu’il
estprivé
ou non de lapossibilité
deroquer). Si,
arrivé au cours d’unepartie,
un observateur voit unjoueur
sepriver
de roquer alors que cela sembleraitavantageux,
l’observateur pourra en inférerqu’il
adéplacé
son roi ou sa tour et
qu’il
est sous l’influence d’un certain étatmarquant (il
pourra être difficile ou mêmeimpossible
depréciser lequel).
II - UN PROBLEME DE DECISION DANS UN PROCESSUS A ETATS MAR-
QUANTS
Problème : Soit un processus à états
marquants (stationnaire, discret)
donton connait les états
ordinaires,
les étatsmarquants
et les matrices de tran- sition associées. On supposequ’au temps
T on aura àprendre
une décisionqui
sera d’autant mieuxadaptée
que sera meilleure laprévision
de l’état duprocessus au
temps
T + 1.Observer le processus au
temps
T seulement fait courir lerisque
dene pas savoir
quelle
matrice de transition utiliser pour laprévision
de l’étatau
temps
T + 1. ,Pour diminuer ce
risque
ilapparait qu’on
doit observer le processus avant letemps
T.Le
problème
est alors de déterminer l’entier n minimum tel que l’ob- servationdepuis
letemps
T - n abaisse au-dessous d’un seuil E(>
o,donné)
le
risque
d’avoir àprendre
une décision autemps
T sans connaître l’étatmarquant qui
lerégit.
Revue de Statistique Appliquée. 1970 - vol. XVIII N° 3
90
1)
Cas de deux étatsmarquants
a et bLes matrices de transition associées
pa) = (aij)
etpb) = (j3~)
sontsupposées
connues(d’ordre
k+ 2,
s’ily a k
étatsordinaires).
L’état à uninstant t est un
couple
Zt
à deuxcomposantes Xt
etYt :
Xt composante
observablequi peut prendre
les valeurs :1, 2
...i,
...
k,
a, b.Yt composante
non observable(sauf
siXt
vaut a oub) qui peut
pren- dre les valeurs a ou b.Le
problème précédent
est donc de découvrirYT.
A - Méthode
Bayé sienne
Le théorème de
Bayes
donneet bien sûr
Il est évident en
particulier
queet aussi que s’il est
impossible
de passer de a à i(càd)
alors
Dans les autres cas,
(1)
n’est pas d’ungrand
secours.Supposons
ce-pendant, qu’on
observe sétapes
successives dutemps
t autemps
t + s - 1et que
n’apparaissent
que des états ordinaires :Revue de Statistique Appliquée. 1970 - vol. XVIII N° 3
91
Alors le théorème de
Bayes
nous donne(2) :
Au second membre de
(2)
lesprobabilités
àpriori
sont
généralement
mal connues.Le terme
P (xt _. 1 l désigne
laprobabilité, partant
de a, d’at-Y t
=alteindre l’état ordinaire i sans passer par
l’autre
étatmarquant
b.Il pourra être évalué si l’on sait à
quelle
date T on estpassé
par le dernier étatmarquant
a. Si l’on ne connaît pas T mais que l’on sait que le processus a débutédepuis longtemps,
on pourra évaluer directement le pro- duiten
adoptant
pour ce terme laprobabilité
limite(si
elleexiste)
d’atteindre(i, a)
dans le processus de Markov{Z}.
Ces méthodes ne sont pas satisfaisantes et l’on se heurte aux difficul- tés
classiques
de détermination desprobabilités
àpriori. (elles
ne seraientlevées que dans des cas
particuliers) Cependant
les termessont connus.
Si l’on pose alors
on aura
où
X, >,
0,X b ?
0, X a +x b "
1As
etBs
nepeuvent
être nuls simultanément.Sinon,
on nepourrait
pas avoir observé la
séquence i j
k ... cf .Revue de Statistique Appliquée. 1970 - vol. XVIII N° 3
92
a) CasoùAg.Bg =
o(càd
l’un de ces deux termes estnul,
et l’un seu-lement).
Si l’un de ces deux termes et
nul,
leproblème
est résolupuisque
yvaut o ou
1, quelles
que soient les valeurs attribuées à x a et xb(pourvu qu’elles
ne contredisent pas les valeurs trouvées pourA s
etBs)
b)
Cas oùAS. Bs ~
0. Nous supposeronségalement x~ 7~
0. Lesproba-
bilités à
priori (mal connues)
xa et xbjouent
alors un rôle essentiel et dé- terminent y.Etudions l’effet d’une indétermination sur xg et xb
(étude
différentiel-le)
1)
Si x a et x b sontindépendants (au
sens del’analyse).
Comparons
Calculons le discriminant A de ce trinôme en À
Donc : si
si ce trinôme s’annule pour
On voit facilement que si
(Cas I)
Revue de Statistique Appliquée. 1970 - vol. XVI II N° 3
93
on a la
disposition
si
(Cas II) :
alors on a la
disposition
si
(Cas III)
Interprétation :
1)
Si xa >1/4
l’utilisation de la formule deBayes
"affaiblit l’incerti- tude" sur y parrapport
à celle sur laprobabilité
àpriori
xaquelle
que soit laséquence
observée(càd VB).
2) Si xa" 1/4,
laséquence
observéeijk...
cfjoue
un rôleimportant.
Par
exemple,
dans le cas 1 :cela
signifie
que si laséquence
observée n’est pas nettementspécifique
d’unétat
marquant,
la formule deBayes
aggrave l’incertitude sur la nature du dernier étatmarquant
visité :Dans le cas
III,
ladisposition
s’interprète
comme suit :quand As/Bs dépasse
2~’ sansdépasser B",
celasignifie
que laséquence
observée sembleplutôt régie
par l’état a alorsqu’à priori
onpensait
que c’est bqui
était le dernier étatmarquant
visité.(Il
faut d’ailleurs noter que ~’ et A." sont
proportionnels
àxb).
Cette contra-diction entre
opinion
àpriori
et observation fait que l’incertitude sur y se trouve accrue(puisque 3y/3x&
>1).
Cependant
au-delà de~,11,
laséquence
observéeapparait
comme suf-fisamment
spécifique
de l’état a pour "contrebalancer" le choix àpriori
etdiminuer l’incertitude sur y résultant d’une méconnaissance de
xa.
L’étude de l’incertitude sur x. est
analogue.
Revue de Statistique Appliquée. 1970 - vol. XVI II N° 3
94
2) Supposons
xa et xb liés(par exemple),
par la relation Xa + Xb = C(constante
C ~1)
Dans ces conditions
en
posant
encore2013~=Xon
voit ques
On voit
que A
> oV
xa’ xb distincts vérifiant xa +x.
= C.et
que d
ne s’annule que pour xa = x.== 2013 . 1
On a la
disposition
(~’
et ~" 1 se confondant en 1 seulement pour xa = x. =1/2)
Ces résultats
s’interprètent
commeplus
haut en termes d’influence de l’incertitude concernant xa sur l’incertitude concernant y, suivant laséquence
observée. Enparticulier,
si àpriori
xa =x b ~ 1/2
il pourra exister des sé- quences dont l’observation conduit à uneaggravation
del’incertitude, puis-
que
~,’ ~
B". Au contraire si xa =x.
=1/2
alors ~.’ - B" = 1 cequi
veutdire que seule une
séquence (s)
vérifiantAs
= 1 ne diminuera pas l’incertitude~s
sur y résultant d’une incertitude sur xa.
(S’il apparait
uneséquence (s)
vé- rifiantAs =
1 onpeut
direqu’aucun
élément nouveau n’est intervenu "en fa-S
. d
veur" de l’un ou l’autre des états
marquants
a,b : 2013 = dxa
=1).
Remarques :
1)
La relation de liaison xa + x b = C a été choisie arbitrairement. Elle serait vérifiée parexemple
si l’on connaissait la date de début du processus et que l’on savaitqu’au temps
t2) Supposer
que C = 1 pour tout t >to signifierait
que le processusva s’enfermer dans i. Nous avons seulement
supposé
C = 1 autemps
t(ce qui, pratiquement,
nécessite un processus assezparticulier
et que l’on con- naîtraitbien).
Revue de Statistique Appliquée. 1970 - vol. XVIII N° 3
95
3) Quand
xa =Xb = ; 1,
2 2 la zone(11.’, X")
ne se réduit pas aupoint
2~ = 1.
L’explication
est la suivante : Si laséquence
observée(s)
est peuspécifique
de l’un ou l’autreétat,
l’incertitude sur y estplus grande
que l’incertitude sur xa ; c’estqu’il s’agit
d’incertitude absolue etqu’au temps
Ton
"répartit"
entrey =
P (YT
=a)
ety
=P (YT
=b) - 1 - y
une
probabilité égale
à 1 et doncplus grande, quand
C1,
que celle que l’onrépartit
entre x a et xb.Cela met l’accent sur la différence de nature de xa et xi, d’une
part,
y et
y
d’autrepart.
Lesprobabilités
àpriori
xa et x,portent
sur la valeur ducouple (Xt, Yt)
où t = T-s+1. yet ÿ portent
surYT puisque XT
est ob-servé.
Cependant
l’étude de leurs variations relatives serait moinsadaptée
au
problème
traité ici.Dans le cas
présent
si l’on s’intéresse aurapport
des incertitudes re-latives on trouve
Comme
prévu
cerapport
vaut 1 pour2013
A = 1.Bs
Si B
1,
à un accroissement relatif dexa correspond
un accroissement relatifplus grand
de yqui peut s’interpréter
comme uneaugmentation
de la"non-concordance" entre
probabilités
àpriori
etséquence
observée. A une di- minution relative de xacorrespond
une diminution relative de y ; en valeurs absolues celle sur y estsupérieure
à celle sur x : cette fois la diminutiondexava
dans le sens de l’observation de(s) qui
a conduit à B 1. Si À. >1,
ilpeut
y avoir encore renforcement ou contradiction entre 1’l’àpriori"
et1"’observé" mais le
rapport
des accroissements relatifs de xa et y est infé- rieur à 1. JB - Cas où l’on ne sait rien des
probabilités
àpriori
Supposons
maintenantqu’on ignore complètement
les valeurs des pro- babilités àpriori,
doncqu’on
ne sait rien de xa et de xb.Dans ces
conditions,
seul l’examen de laséquence (s)
observée pour- rait nouspermettre
autemps
t + s - 1 = T de "choisir" entre les deux étatsmarquants
a, b. Chacun seulement destrois
événements suivants nouspermet d’y parvenir.
E 1. Un état
marquant
au moinsapparait
dans(s) :
eneffet,
dèsqu’un
étatmarquant apparait,
on connaîtparfaitement
l’état du processus et il suffit alors de le suivre pas à pasjusqu’au temps
T.E 2. Il
apparait
dans(s)
une transitioni -~ j spécifique
d’un certain étatmarquant
càd dont laprobabilité
n’est non nulle quelorsque
l’on est sousl’influence de cet état
marquant.
E 3. Il
apparaît
dans(s)
une famille d’états ordinairesspécifique
d’un cer-tain état
marquant,
càd dontl’apparition
simultanée dans(s)
n’a uneprobabilité
> o que sous l’influence d’un seul étatmarquant.
Revue de Statistique Appliquée. 1970 - vol. XVIII N° 3
96
L’algorithme
de recherche de l’étatmarquant
autemps
T en découle.Pour
plus
de clarté nous lepréciserons
sur unexemple. Supposons qu’il
y ait deux étatsmarquants
a et b et 6 états ordinaires1, 2, 3, 4, 5, 6.
Rappelons
que(a, i)
et(b, i)
pour i =1,2
... 6 sont indiscernables et que pour passer de(a, i)
à(b, j) (i et j
étantordinaires)
il est nécessairede passer par
(b, b).
L’algorithme
consistesimplement
à chercher unmajorant
de la pro- babilité de l’événement(El U E2 UE3) (càd
événement contraire de(El UE2UEs).
1ère
étape :
Onsupprime
les 2 colonnes et les 2lignes
relatives aux 2 étatsmarquants.
Il reste alors deux matrices(6 x6):P~
etP~b~.
2ème
étape :
on interdit dans(a)
toute transitionimpossible
dans(b) (et vice-versa).
Cela revient à annuler dansp(a)
tout élément dontl’homologue
est nul dansP (et inversement).
Parexemple
si 4 ~ 3 est
impossible
dans(b), (3 43 =
0.Alors on
remplacera
a43 par o car cette transition "trahirait"par son
apparition
l’étatmarquant
a. On obtient alors les ma-trices
p(a)
etP~.
Conséquences
de ces deux transformationsCes transformations étant
faites,
on cherche les classes finales de(a)
et de
(b).
Ilpeut
en existerplus qu’initialement,
pour deux raisonssimples
que l’on
comprendra
sur unexemple.
1)
La sortie d’un sous-ensemble de(a) pouvait
êtrepossible
par l’inter- médiaire de l’état b cequi
est maintenant interdit. Onpouvait peut-être
pas-ser tout à l’heure de
(a, 2)
à(b, b)
à(a, a)
à(a, 4),
cheminqui
a été brisé.2)
La communication entre deux sous-ensembles de(a) peut
avoir été brisée parcequ’elle s’opérait
par une transition maintenant interdite parcequ’elle
étaitimpossible
dans(b) (exemple
de la transition 4 -3).
Proposition :
A la fin de la 2èmeétape
del’algorithme
tout état ordinaire inessentiel dans(a)
est inessentiel dans(b) (et réciproquement).
Démonstration : Soit en effet un état x inessentiel dans
(a) ;
les états ap-partenant
aux classes finales de(a)
ne conduisent pas à x.Donc, après
latransformation
indiquée
dans la 2èmeétape,
si x n’était pas inessentiel dans(b),
il nepourrait
de toutefaçon qu’appartenir
à une classe finale de(b)
formée d’états différents de ceux
qui
sont essentiels dans(a).
En d’autres termes cette classe finale dans(b)
seraitcomposée
d’états tous inessentiels dans(a).
Or c’estimpossible
car, comme on nepourrait
pas sortir de la classe finale de x dans(b),
on auraitannulé
lesprobabilités
de transitionRevue de Statistique Appliquée. 1970 - vol. XVIII N° 3
97
dans
(a)
au cours de la 2èmeétape
del’algorithme
et les états de cette classe finale dans(b)
formeraient aussi classe finale dans(a)
Corollaire : A la fin de la 2ème
étape
del’algorithme,
tout état ordinaire essentiel dans(a)
est essentiel dans(b) (et réciproquement).
(découle
immédiatement de laproposition précédente).
Proposition :
A l’issue de la 2èmeétape
del’algorithme,
les classes finales dans(a)
et dans(b)
sont"appariées"
et contiennent les mêmes états ordinai-res
(mais
avec desprobabilités
de transition différentes engénéral).
Démonstration : si x, état
ordinaire, appartient
à une classe finaleCxa~
dans(a) (à
l’issue de la 2èmeétape
del’algorithme),
alors‘d EC~a).
1V’ z¥C~)
latransition y ~ z est
impossible.
Mais alors les y ECxa)
forment dans(b)
une ou
plusieurs
classes finales(d’après
lecorollaire).
Enparticulier,
ilexiste donc une classe finale
CXb~
contenant x et dont tous les états faisaientpartie
deCXa?
dans(a).
Ce raisonnementpouvant
êtrerepris
enpartant
de(b),
laproposition
est établie.Conséquences :
1)
Les matricesP~a~
etp(b)
ont la même structure par blocs. Les blocs sur ladiagonale principale correspondant
aux classesfinales ;
ceuxqui
sont"rectangulaires" correspondant
aux états inessentiels. Les zéros situés à l’intérieur de ces blocs se retrouvent dans les 2 matrices.2)
Si aucune transitionspécifique
d’un certain étatmarquant
n’est pos-sible,
il devientégalement impossible
de voirapparaftre
dans(s) une
fa-mille d’états ordinaires
spécifique
d’un étatmarquant
autrement ditE2~ E3
Ceci semble d’ailleurs intuitif.
3ème
étape
del’algorithme
On élève
p(a)
etp(b)
auxpuissances
entières successives. Dès que laplus petite
des deuxplus grandes
sommes parligne
des matrices(:p(a)]D
et[pb>]D
tombe au-dessousde £:,
onpeut
affirmerqu’une séquence
observéede
longueur
n nous assure(au risque e)
de"dépister"
l’étatmarquant (même
s’il
n’apparait pas).
En définitive si l’on veut
prendre
une décision autemps T,
en limi-tant à e le
risque
de ne pas connaftre à cette date l’étatmarquant qui régit
les
transitions,
on observera àpartir
dutemps
T - s + 1 avecoù
(P (u»01) est
élément de[peu)] n
Remarques importantes :
1)
Leprocédé
n’aboutira pas dans le cas où ilexiste,
dès ledébut,
aumoins une classe finale dans
(a)
et une classe finale dans(b) qui
contiennent les mêmes états ordinaires avec les mêmes transitionspossibles (cad
leszéros éventuels aux mêmes endroits dans les matrices
associées).
Dans cecas on aura en effet
Revue de Statistique Appliquée. 1970 - vol. XVIII N° 3
98
En d’autres
termes,
l’entrée dans l’une ou l’autre de ces deux classes amènera uneséquence qui, quelle
que soit salongueur,
necomportera
ni étatsmarquants
ni transitionsspécifiques.
On
pourrait
alors examiner lerapport
=As/Bg quand
sgrandit,
pour l’ensemble desséquences
delongueur
spossibles.
Si Bne devenait pas
significativement
différent de1,
celaindiquerait
que le processus une fois entré dans ces classes est markovien et
pratique-
ment de même
nature, qu’il "provienne"
de a ou de b.2)
La"stratégie
d’observation" mentionnée ici est celle durisque
mi- nimax. Il seraitpossible
d’en atténuer la"prudence" (et
donc de diminuers)
en
supposant qu’au temps
T - s + 1 lesprobabilités
d’être dans tel ou tel état sont connues etégales
parexemple
auxprobabilités
limites du proces-sus si celles-ci existent et que le processus est ancien.
3)
Une fois obtenues lesmatrices p(a) et P~,
nous avons vu que nous devions les élever auxpuissances
entières successives.On
peut
trouver une valeurapprochée
de s par leprocédé
suivant. Ondémontre que la
probabilité
de ne pas avoirquitté
les états inessentiels aubout d’un
temps
n "décroftgéométriquement
vers zéro"quand
ngrandit.
Onpeut
alors choisir nt pour que laprobabilité
des’y
trouver encore soit suf-fisamment faible. La suite de l’étude se fera alors
simplement
sur les blocscorrespondant
aux différentesclasses,
d’où la détermination d’un deuxième entiern2.
Unmajorant
commode de s est alors inf(n, + n2)
déterminé dans(a)
et(b).
2)
Cas deplus
de deux étatsmarquants
A - L’étude
bayésienne
est tout à faitanalogue.
Si les étatsmarquants
sont a,
b,
... r les formules seront dutype
B - Si l’on ne sait rien des
probabilités
àpriori
Onpeut
mettre en oeuvrel’algorithme précédent : 1)
On obtiendra d’abord les matricesP~, p(b)
...p
2)
On annulera dansP
lesprobabilités
de transitionqui
sont nulles dans toutesles
autres matrices. Mêmeopération
sur les autres matrices.On obtient
P~g~
...P~r~ .
..
3)
On élève les matricesP
auxpuissances
entières successives et onachève comme dans le cas de deux états
marquants.
On obtient un entiers(e)
si
l’algorithme aboutit.
Remarque importante :
les matricesp(a)
...p(r)
n’ont pas entreelles,
engé- néral,
la même structure d’états inessentiels et de classes finales.Revue de Statistique Appliquée. 1970 - vol. XVIII N° 3
99
Variante : on
peut
modifier la 2èmeétape
comme suit : on annule dans toutes lesmatrices P
les élémentsqui
sont nuls dans l’une d’elles au moins. Onâ A â
obtiendra ainsi des matrices P
qui
aurontplus
de zéros que les P. Les Pauront entre elles même
découpage
en classes finales et états inessentiels.A
La 3ème
étape appliquée
aux P conduirait à une valeurs’(e) plus
fai-ble que
s(e)
engénéral!.
Mais on nepeut
pas affirmer(au risque E près)
être en mesure d’identifier l’état
marquant
autemps
T mais seulement derejeter, au
vu de laséquence (s ’)J un
étatmarquant
au moins.III - APPLICATIONS
1)
Fiabilité : soit unepopulation
d’individus(composants, pièces,
élé-ments d’un
système)
chacun étantsusceptible
d’être dans un certain état observable mesurant savaleur;
soit ~ l’ensemble de ces états.Soit a un ensemble d’actions
(révisions, réparations
ou au contraireeffort anormal
exercé,
surtensionsetc)...
Si étant un ensemble de lois deprobabilités
dedétérioration,
onpeut
constaterqu’il
existe uneapplication
cpAlors m = ~ x a sera l’ensemble des états
marquant
et V l’ensemble des états ordinaires.Chaque
foisqu’on prélèvera
unindividu,
on seracapable
de mesurer seulement sa valeur
(son
étatordinaire)
v E V. Si l’on connaft le dernier étatmarquant
visité m ~ ~ x a on connaîtra sa loi de détério- rationcp (m)
E Siqu’il
suffirad’appliquer
en sachantqu’actuellement
il a lavaleur v. Si
cp
est constante alors les "actions" a n’ont aucun effet surl’individu
qui
se détérioretoujours
suivant la même loi(aléatoire)
àpartir
d’une valeur donnée.
(Il
n’estplus nécessaire, alors,
de connaître laproba-
bilité sur
tl)
T serait ici la date d’une "mission"particulièrement impor-
tante.2) Pédagogie
assistée par ordinateur : certains états de l’individu sontmarquants.
Parexemple
le fait d’avoir connu unequestion
trèslongtemps auparavant peut
avoir un effet sur l’évolution actuelle même si l’oubliparait
avoir
joué.
On nepeut garder
en mémoire tous les états visités par l’indi- vidu(réponse
correcte ou non à telle ou tellequestion, temps passé
à larésoudre... ) T peut
être ici une dated’aiguillage,
d’orientationimportante.
3)
En théorie de l’information(avec bruit)
ledécodage
d’un motpeut dépendre
non seulement de celuiqui précède,
mais de certains motsqui peuvent
l’avoirprécédé
mêmelongtemps auparavant
etqui
continuent à "éclai- rer" le message.Remarque :
nous n’avons pasparlé
ici del’aspect économique :
cotlt del’observation de la
séquence (s), gain
dd à une meilleure connaissance de laprobabilité
de transition autemps T, regret
d’avoir observé pour rien sijustement
ilapparaît
un étatmarquant
autemps T,
etc... Nous n’avons pasenvisagé
nonplus
lapossibilité
de "contrôler" le processus.Revue de Statistique Appliquée. 1970 - vol. XVIII N° 3