Modelo oculto de Márkov

Los parámetros extraídos se pueden emplear para llevar a cabo sucesivos análisis, por ejemplo en aplicaciones de reconocimiento de patrones.

Un HMM se puede considerar como la red bayesiana dinámica más simple.

En un modelo de Márkov normal, el estado es visible directamente para el observador, por lo que las probabilidades de transición entre estados son los únicos parámetros.

En un modelo oculto de Márkov, el estado no es visible directamente, sino que sólo lo son las variables influidas por el estado.

Desde entonces, se han hecho ubicuos en el campo de la bioinformática.

[2]​ El diagrama que se encuentra más abajo muestra la arquitectura general de un HMM.

Cada óvalo representa una variable aleatoria que puede tomar determinados valores.

Del diagrama queda claro que el valor de la variable oculta

) solo depende del valor de la variable oculta

A esto se le llama propiedad de Márkov.

solo depende del valor de la variable oculta

está dada por donde la sumatoria se extiende sobre todas las secuencias de nodos ocultos

Sin embargo, el cálculo puede acelerarse notoriamente usando un algoritmo conocido como el procedimiento de avance-retroceso.

A su amigo le interesan tres actividades: caminar por la plaza, salir de compras y limpiar su departamento.

Supóngase que el estado del tiempo se comporta como una cadena de Márkov discreta.

Existen dos estados, "Lluvioso" y "Soleado", pero usted no los puede observar directamente, es decir, están ocultos.

Existe también una cierta posibilidad de que su amigo haga una de sus actividades cada día, dependiendo del estado del tiempo: "caminar", "comprar" o "limpiar".

Dado que su amigo le cuenta sus actividades del día, esas son las observaciones.

Usted conoce las tendencias generales del tiempo en el área y lo que a su amigo le gusta hacer.

En otras palabras, los parámetros del HMM son conocidos.

La probabilidad_emision representa con cuanta probabilidad su amigo realiza una actividad determinada cada día.