Modelo estocástico en el que una cadena de Markov latente en tiempo discreto {S_t} evoluciona con probabilidades de transición dadas y cada estado oculto genera observaciones según una distribución de probabilidad dependiente del estado; la inferencia y el aprendizaje buscan la distribución posterior sobre los estados ocultos dada la secuencia observada y/o ajustar parámetros de transición y emisión a los datos.

Principio

Independencia condicional temporal: dada el estado oculto actual S_t, la observación en t es independiente de observaciones y estados pasados y futuros salvo a través de S_t; los estados latentes satisfacen la propiedad de Markov (P(S_t | S_{t-1},...) = P(S_t | S_{t-1})).

Demostración

Escenario ilustrativo → Una secuencia de vectores de características acústicas se modela como emisiones de una secuencia no observada de estados fonéticos; el reconocimiento obtiene P(S_{1:T} | observaciones) mediante el algoritmo forward–backward (suma–producto) o Viterbi para la trayectoria de estados más probable; el aprendizaje de parámetros puede realizarse con Baum–Welch (EM) sobre secuencias etiquetadas o no.

Aplicación incorrecta

Tratar la secuencia observable como markoviana y usar recuentos de transición de observaciones para inferir la estructura latente; esto confunde transiciones observables con transiciones de estados latentes y puede sesgar las estimaciones cuando las emisiones son ruidosas o many-to-one.

Consecuencia

Si está bien especificado, un HMM permite inferir trayectorias de estados ocultos, segmentar secuencias y estimar parámetros generativos; si está mal especificado (espacio de estados erróneo, familia de emisiones inapropiada, violación de la hipótesis markoviana) la inferencia y el aprendizaje pueden ser sesgados y la capacidad predictiva disminuir.

Inversión

Las suposiciones habituales del HMM fallan cuando la dinámica latente no es markoviana, las duraciones de estado no son geométricas (se requieren HSMM) o las variables latentes son continuas (favoreciendo modelos tipo Kalman); en esos casos son necesarias otras clases de modelos o representaciones de estado aumentadas.

Límite

Clearly within: cadena latente de estados finitos en tiempo discreto con emisiones en cada paso. Boundary case: modelos con modelado explícito de duraciones (HSMM) o emisiones autorregresivas dependientes del estado. Clearly outside: modelos con variables latentes continuas gobernadas por dinámica lineal gaussiana (filtros de Kalman) o modelos que no postulan un estado latente generador de observaciones.

Tensión semántica

Expresividad (espacios de estados o modelos de emisión más ricos) frente a tratabilidad (la inferencia exacta requiere baja treewidth o algoritmos especializados); aumentar flexibilidad suele implicar desafíos computacionales o de identificabilidad.

Síntesis

Un HMM separa la estructura temporal cualitativa (proceso latente markoviano) del modelo cuantitativo de observación (emisiones); esa descomposición permite algoritmos de inferencia manejables cuando las hipótesis son razonables y define simultáneamente los límites de validez del modelo.