Un modelo estadístico de secuencias en el que un proceso de estados no observados (ocultos) evoluciona conforme a la propiedad de Markov y cada observación se genera condicionalmente al estado oculto actual; especificado por probabilidades iniciales, una matriz de transición y distribuciones de emisión, empleado para inferir estados, segmentar y estimar parámetros por verosimilitud.

Principio

Puesto que los estados ocultos forman una cadena de Markov y las observaciones son condicionalmente independientes dadas en estado actual, algoritmos eficientes (forward–backward, Viterbi, Baum–Welch) permiten calcular verosimilitudes de la secuencia, probabilidades posteriores de estado y la trayectoria de estados más probable a partir de observaciones.

Demostración

Escenario ilustrativo: sensores portátiles generan una serie temporal de lecturas de movimiento. Modelo: HMM con estados ocultos {Reposo, Caminar, Correr} y distribuciones de emisión condicionales por estado. Reconocimiento: dada una secuencia de observaciones, calcular P(estado_t | observaciones) y la ruta Viterbi. Acción: etiquetar segmentos de actividad y activar alertas contextuales. Consecuencia: el HMM produce una secuencia de estados segmentada y probabilística aun cuando los estados verdaderos son no observados.

Aplicación incorrecta

Suponer que el proceso de observación es independiente de observaciones previas más allá de lo que implica el estado oculto actual, o asumir un Markov de orden uno cuando el proceso real tiene memoria más larga. El error es confundir la conveniencia de modelar (Markov de primer orden, independencia condicional) con una propiedad demostrada del proceso que genera los datos.

Consecuencia

Cuando las hipótesis se cumplen aproximadamente, los HMM permiten estimación de estados y segmentación manejable; si se violan, los estados inferidos y la temporización pueden estar sesgados, conduciendo a etiquetados incorrectos o decisiones erróneas posteriores.

Inversión

Si el proceso latente muestra dependencia de largo alcance, probabilidades de transición no estacionarias, estados ocultos continuos o covariables fuertemente dependientes del tiempo, las hipótesis HMM fallan y se requieren modelos alternativos (Markov de orden superior, modelos de espacio de estados, sistemas dinámicos lineales con conmutación).

Límite

Claramente dentro: problemas de secuencia en tiempo discreto con un conjunto finito de estados latentes y emisiones condicionales por estado. Caso límite: estado continuo o tiempos de permanencia dependientes de la duración (semi‑Markov). Claramente fuera: modelos donde todos los estados son observados (cadena de Markov simple) o dependencias que no pueden ser capturadas por una cadena de Markov latente.

Tensión semántica

Tensión entre la simplicidad y tractabilidad del modelo (suposiciones Markov e independencia condicional) y la necesidad de representar dependencias temporales complejas o no estacionarias en datos reales.

Síntesis

Los HMM hacen explícita la estructura latente y permiten una decodificación probabilística de secuencias; su fiabilidad depende de que las suposiciones Markov e independencia condicionada reflejen la dinámica temporal real.