{"id":181430,"date":"2026-02-19T14:30:48","date_gmt":"2026-02-19T13:30:48","guid":{"rendered":"https:\/\/liora.io\/es\/?p=181430"},"modified":"2026-02-25T08:52:04","modified_gmt":"2026-02-25T07:52:04","slug":"cadena-de-markov-que-es","status":"publish","type":"post","link":"https:\/\/liora.io\/es\/cadena-de-markov-que-es","title":{"rendered":"Cadena de Markov: \u00bfQu\u00e9 es? \u00bfPara qu\u00e9 sirve?"},"content":{"rendered":"\n

Se dice que un modelo tiene la propiedad de Markov si su estado en un momento T depende \u00fanicamente de su estado en el momento T-1. Si podemos observar los estados en los que se encuentra el modelo en cada instante, hablamos de un modelo de Markov observable. De lo contrario, hablamos de un modelo de Markov oculto. En este art\u00edculo, ilustraremos estos modelos para comprender su funcionamiento y utilidad.<\/b><\/p>\n\n\n\n

Definici\u00f3n matem\u00e1tica rigurosa<\/h2>\n\n\n\n
\"\"<\/figure>\n\n\n\n

Matem\u00e1ticamente, una secuencia de variables aleatorias (Xn) con valores en un espacio de estados E es una cadena de Markov si cumple con la propiedad de Markov d\u00e9bil. Esta propiedad se expresa mediante la siguiente relaci\u00f3n:<\/p>\n\n\n\n

P(X_{n+1} = i_{n+1} | X_1 = i_1, ..., X_n = i_n) = P(X_{n+1} = i_{n+1} | X_n = i_n)<\/pre>\n\n\n\n
<\/div>\n\n\n\n
Esta ecuaci\u00f3n significa que la probabilidad de transici\u00f3n hacia el estado futuro i_{n+1} solo depende del estado presente i_n, y no de la secuencia completa de estados pasados.<\/p>\n\n\n\n
Los elementos clave de una cadena de Markov<\/h3>\n\n\n\n
El espacio de estados E: el conjunto de todos los estados posibles en los que el sistema puede encontrarse. En nuestro ejemplo meteorol\u00f3gico, E = {sol, nubes, lluvia}.<\/p>\n\n\n\n
Las probabilidades de transici\u00f3n: P(X_{n+1} = j | X_n = i) representa la probabilidad de pasar del estado i al estado j en un paso.<\/p>\n\n\n\n
La homogeneidad temporal: si estas probabilidades de transici\u00f3n no dependen del tiempo n, se dice que la cadena es homog\u00e9nea. Es el caso m\u00e1s frecuentemente estudiado.<\/p>\n\n\n\n
Esta formalizaci\u00f3n matem\u00e1tica permite distinguir claramente las cadenas de Markov de otros procesos estoc\u00e1sticos y constituye la base de toda su teor\u00eda.<\/p>\n\n\n\n
Historia y fundamentos de las cadenas de Markov<\/h2>\n\n\n\n
\"Pantalla<\/figure>\n\n\n\n
Las cadenas de Markov llevan el nombre del matem\u00e1tico ruso Andre\u00ed Andreievich Markov (1856-1922), quien introdujo este concepto en 1902 en el marco de sus investigaciones sobre la extensi\u00f3n de la ley de los grandes n\u00fameros a las cantidades dependientes.<\/p>\n\n\n\n
Markov se interes\u00f3 inicialmente en extender los teoremas l\u00edmite de las probabilidades m\u00e1s all\u00e1 del caso de las variables aleatorias independientes. Su motivaci\u00f3n era comprender c\u00f3mo la ley de los grandes n\u00fameros pod\u00eda aplicarse a las secuencias de eventos donde cada evento depende de aquel que lo precede, pero no de todo el historial.<\/p>\n\n\n
La innovación conceptual<\/h3>\n\n\n\n
La idea revolucionaria de Markov fue modelar procesos donde el futuro depende del pasado solo a trav\u00e9s del presente. Esta propiedad, hoy llamada \u00abpropiedad de Markov\u00bb, puede expresarse de forma intuitiva as\u00ed: \u00abla historia solo importa por su influencia en el estado actual\u00bb.<\/p>\n\n\n\n
Markov mismo aplic\u00f3 sus cadenas al an\u00e1lisis de las sucesiones de letras en la literatura rusa, especialmente en la obra \u00abEugenio Oneguin\u00bb de Pushkin, demostrando as\u00ed que los conceptos matem\u00e1ticos pod\u00edan aplicarse a campos no matem\u00e1ticos.<\/p>\n\n\n
Desarrollos modernos<\/h3>\n\n\n\n
Desde su creaci\u00f3n, las cadenas de Markov han experimentado un desarrollo extraordinario y se han convertido en una herramienta fundamental en numerosos campos cient\u00edficos y tecnol\u00f3gicos, desde la f\u00edsica estad\u00edstica hasta la inteligencia artificial moderna.<\/p>\n\n\n\n
\n
Dominar los modelos de Markov<\/a><\/div>\n<\/div>\n\n\n
Modelo de Markov observable<\/h2>\n\n\n\n
\"\"<\/figure>\n\n\n\n
Consideremos la situaci\u00f3n que sigue: <\/p>\n\n\n\n
Est\u00e1s encerrado en casa un d\u00eda de lluvia y te gustar\u00eda determinar el clima que har\u00e1 en los pr\u00f3ximos cinco d\u00edas.<\/p>\n\n\n\n
Como no eres meteor\u00f3logo, te simplificas la tarea haciendo la hip\u00f3tesis de que el clima sigue un modelo de Markov: el clima en el d\u00eda J depende \u00fanicamente del clima en el d\u00eda J-1.<\/p>\n\n\n\n
Para simplificar a\u00fan m\u00e1s, consideras que solo hay tres tipos de clima posibles: sol, nubes o lluvia.<\/p>\n\n\n\n
Bas\u00e1ndote en las observaciones de los \u00faltimos meses, estableces el siguiente diagrama de transiciones:<\/p>\n\n\n\n
\"\"<\/figure>\n\n\n\n
La matriz de transici\u00f3n<\/b> asociada es<\/p>\n\n\n\n
\"\"<\/figure>\n\n\n\n
Recordatorio, esta matriz se lee de la siguiente manera:<\/p>\n\n\n\n