Una Cadena de Markov es un modelo matemático que describe una secuencia de eventos, donde la probabilidad de cada evento depende únicamente del estado inmediatamente anterior. En otras palabras, el futuro es independiente del pasado, dado el presente. Se dice que tiene la propiedad de falta de memoria o Markoviana.
Un aspecto clave de una Cadena de Markov es su espacio de estados. Este es el conjunto de todos los posibles estados que el sistema puede ocupar. Por ejemplo, si estamos modelando el clima, los estados podrían ser "soleado", "nublado" y "lluvioso".
Otro concepto fundamental es la matriz de transición de probabilidades. Esta matriz define las probabilidades de pasar de un estado a otro en un solo paso. Cada entrada de la matriz representa la probabilidad de transitar del estado i al estado j. La suma de las probabilidades en cada fila de la matriz debe ser igual a 1.
Must Read
Es importante destacar que las Cadena de Markov pueden ser discretas o continuas en el tiempo. En una Cadena de Markov de tiempo discreto, los cambios de estado ocurren en momentos específicos y separados. En una Cadena de Markov de tiempo continuo, los cambios de estado pueden ocurrir en cualquier momento.
Un ejemplo sencillo podría ser el lanzamiento de una moneda. Supongamos que el "estado" es el resultado del último lanzamiento (cara o cruz). Cada lanzamiento es independiente del anterior. Otro ejemplo: un ratón en un laberinto. Los estados serían las diferentes habitaciones del laberinto, y la probabilidad de pasar de una habitación a otra depende únicamente de la habitación en la que se encuentra actualmente.
Ejemplo:
Imagina un sistema meteorológico simplificado con dos estados: "Buen tiempo" y "Mal tiempo". Si hoy hace buen tiempo, hay un 80% de probabilidad de que mañana también haga buen tiempo. Si hoy hace mal tiempo, hay un 60% de probabilidad de que mañana también haga mal tiempo. Esta información se puede representar mediante una matriz de transición, y nos permite modelar y predecir la probabilidad de diferentes secuencias de clima.
Las Cadenas de Markov tienen una amplia gama de aplicaciones en el mundo real. Se utilizan en modelado financiero para predecir precios de acciones, en análisis de tráfico web para comprender el comportamiento del usuario, en reconocimiento de voz y en muchas otras áreas de la ciencia y la ingeniería. Su simplicidad y su capacidad para modelar sistemas con memoria limitada las convierten en una herramienta muy útil.
