Sección 7 Modelos markovianos de estados ocultos

Cuando los datos están ordenadas en sucesiones (temporales o espaciales, por ejemplo), usualmente encontramos estructuras de dependencia dadas por la proximidad. Por ejemplo, en series de tiempo observaciones de un tiempo dado están correlacionadas con observaciones en tiempos cercanos.

Una estrategia para modelar este tipo de datos es considerar modelos que explícitamente tratan con esta dependencia temporal entre las observaciones (por ejemplo, modelos ARMA). El enfoque que consideramos aquí es uno distinto que se basa en variables latentes.

En el caso de series de tiempo, estos modelos de variables latentes se llaman modelos de espacio de estado, cuyos dos ejemplos más populares son:

1. Modelos markovianos de estados escondidos (Hidden Markov Models): cuando las variables latentes son discretas. Las observadas pueden ser numéricas o discretas.

2. Modelos dinámicos lineales: cuando las variables latentes son gaussianas. Las observadas generalmente son numéricas.

En esta sección nos concentramos en modelos markovianos de estados escondidos, y usaremos los paquetes: flexmix y depmixS4.