A Markov chain is a stochastic process where future states depend only on the present state, not on past events.Una cadena de Markov es un modelo estocástico que describe una secuencia de estados en la que la probabilidad de transición al siguiente estado depende exclusivamente del estado actual (propiedad de Markov). Formalmente: P(X_{n+1}=x | X_n=x_n,...,X_0=x_0) = P(X_{n+1}=x | X_n=x_n). Las cadenas pueden ser discretas o continuas en el tiempo, con un número finito o numerable de estados. Herramientas principales: matriz de probabilidades de transición, distribución estacionaria, ecuaciones de Chapman–Kolmogorov.
Andréi Andréyevich Markov introdujo las cadenas en 1906 al estudiar la ley de los grandes números para variables dependientes. Su motivación fue refutar la afirmación de Nekrasov de que la independencia es necesaria para las leyes estadísticas. Más tarde, en la década de 1930, Kolmogorov desarrolló la teoría general de los procesos de Markov. A mediados del siglo XX, las cadenas de Markov se convirtieron en una herramienta central en investigación de operaciones, física (modelo de Ising) e informática (generación de texto, PageRank).
Matemáticamente, una cadena de Markov se define por un vector de probabilidades inicial π^{(0)} y una matriz estocástica P. Entonces la distribución después de n pasos es: π^{(n)} = π^{(0)} P^n. La propiedad de falta de memoria significa que para predecir el futuro basta con conocer solo el estado actual. El comportamiento a largo plazo se determina por la descomposición espectral de la matriz P: si existe un único vector propio por la izquierda con valor propio 1 (distribución estacionaria), entonces π^{(n)} → π cuando n→∞. Ecuaciones de Chapman–Kolmogorov: P^{(n+m)} = P^{(n)} P^{(m)}, que expresan la composición de transiciones. Para tiempo continuo: dπ/dt = πQ, donde Q es la matriz de intensidades de transición.
Las cadenas de Markov modelan colas en tiendas, algoritmos de motores de búsqueda (PageRank de Google), paseos aleatorios de precios en bolsa y generación de texto por inteligencia artificial.
La primera aplicación práctica de las cadenas de Markov fue el análisis de la alternancia de vocales y consonantes en 'Eugenio Oneguin': Markov demostró que no era aleatoria y predijo las letras futuras del texto.











