Empezar

[ Módulo 05 ][ 55 min ]

HMM y Viterbi

Este es el núcleo matemático de una estrategia sólida: usar la secuencia completa de observaciones para proponer estados coherentes a lo largo del tiempo.

Estados ocultos, observaciones visibles

El estado real de posesión Sₜ no siempre puede leerse directamente. Observamos señales Oₜ con ruido. Un HMM relaciona tres elementos: estados, transiciones y observaciones.

Sₜ ∈ {H, A, D} P(Sₜ | Sₜ₋₁) → transición P(Oₜ | Sₜ) → emisión

Viterbi busca la secuencia que explica mejor el conjunto de observaciones, equilibrando evidencia actual y continuidad temporal.

coste[t,s] = coste_emisión[t,s] + mínimo sobre r de (coste[t−1,r] + coste_transición[r,s])

Es una explicación didáctica simplificada, no el código oficial de evaluación ni un HMM entrenado con datos reales.

Si las duraciones de las posesiones importan mucho, el siguiente paso teórico es un modelo semi-Markov (HSMM), que permite modelar cuánto dura cada estado.
Probar Viterbi en el laboratorio
[ Cierre ]

Lo que te llevas

  • La emisión es P(Oₜ | Sₜ) y la transición es P(Sₜ | Sₜ₋₁).
  • Viterbi equilibra la evidencia actual con la continuidad temporal.
  • Esta explicación es didáctica y simplificada; si importan las duraciones, el siguiente paso es un modelo semi-Markov (HSMM).
[ Objetivos ]

Lo que debes dominar

  • Definir estados ocultos H/A/D.
  • Comprender probabilidades de emisión y transición.
  • Aplicar programación dinámica tipo Viterbi.
[ Lectura ]

Recurso recomendado

[ Ponte a prueba ]

Comprobación rápida

2 respuestas correctas Completado

Responde correctamente las dos preguntas para completar el módulo. Puedes intentarlo todas las veces que quieras.

1. ¿Qué resuelve Viterbi?
2. ¿Para qué sirve modelar duraciones con HSMM?

Responde las dos preguntas antes de evaluar.

¡Módulo completado! Has respondido correctamente.

[ Preguntas ]

Preguntas sobre esta página

  1. Cargando preguntas…
0 / 1000

Se guarda en este navegador, sin cuenta.