Modelo generativo estocástico en el que una cadena de Markov discreta de estados no observados (ocultos) genera, en cada paso temporal, observaciones mediante distribuciones de emisión dependientes del estado; el modelo se define por una distribución inicial de estados, una matriz de transición de estados y modelos de emisión condicionados al estado.

Principio

La probabilidad conjunta de estados y observaciones se factoriza como: distribución inicial × producto de las probabilidades de transición × producto de las probabilidades de emisión, lo que permite inferir secuencias de estados latentes y estimar parámetros a partir de las observaciones.

Demostración

Escenario ilustrativo → Un investigador de comportamiento usa datos GPS de velocidad y ángulo de giro. Reconocimiento → Define un HMM con estados ocultos 'reposo', 'forrajeo' y 'traslado', cada uno con su distribución de emisión. Acción → Estima probabilidades de transición por verosimilitud y decodifica la secuencia de estados más probable (Viterbi). Consecuencia → El modelo produce secuencias de estados interpretables y tasas de transición para orientar validación de campo.

Aplicación incorrecta

Aplicar un HMM siempre que existan datos correlacionados en el tiempo sin verificar las suposiciones markovianas y de independencia condicional. El error semántico es asumir independencia de las observaciones dada el estado actual cuando en realidad dependen de una historia más larga o de latentes continuos.

Consecuencia

Si las suposiciones se cumplen, los HMM permiten estimar coherentemente dinámicas de estados latentes, decodificar estados y manejar datos faltantes. Si se aplican indebidamente, los estados inferidos y las tasas de transición pueden estar sesgados y conducir a conclusiones engañosas.

Inversión

Si la dinámica latente no es markoviana, las duraciones de estado no son geométricas o el estado latente es mejor modelado como continuo, las suposiciones del HMM fallan y se requieren extensiones (modelos semi‑Markov ocultos, modelos de espacio de estados).

Límite

Dentro: proceso en tiempo discreto donde el estado oculto actual determina por sí solo las probabilidades del siguiente estado y las observaciones. Caso límite: variables latentes de evolución lenta o duraciones variables de estado que solo se aproximan por comportamiento markoviano en escalas temporales más gruesas. Fuera: procesos de Markov completamente observables, modelos autorregresivos sobre variables observadas o modelos que exigen latentes continuos sin estados discretos.

Tensión semántica

Tensión entre interpretabilidad (estados discretos y etiquetables) y realismo (procesos latentes continuos o dependientes de la historia).

Síntesis

El HMM propone que la dependencia temporal surge de transiciones entre pocos estados ocultos y que, condicionadas al estado presente, las observaciones son independientes; validar esa suposición frente a alternativas es esencial para inferencias correctas.