La propiedad sin memoria definitoria de un proceso estocástico: condicionado al estado presente, la evolución futura es independiente del pasado. Formaliza la dinámica markoviana y sustenta cadenas y procesos de Markov.

Principio

Dada una filtración y un proceso X_t, para s>t la distribución condicional de X_s dada la σ-álgebra hasta t depende únicamente de X_t; las transiciones factorizan a través del estado actual y satisfacen la consistencia de Chapman–Kolmogorov.

Demostración

Una cadena de Markov en tiempo discreto sobre un espacio finito tiene P(X_{n+1}=j | X_n=i, historial)=P_{ij}, de modo que los pasos futuros dependen solo del estado actual. De igual forma, el movimiento browniano satisface la propiedad de Markov con incrementos gaussianos independientes del pasado dado el presente.

Aplicación incorrecta

Tratar como markoviano a un proceso con dinámica dependiente de la trayectoria o con estado oculto (por ejemplo, ignorando variables latentes necesarias) es una mala aplicación y conduce a modelos de transición y predicciones erróneas.

Consecuencia

Reduce la complejidad del modelado probabilístico: habilita métodos de semigrupo, ecuaciones de Chapman–Kolmogorov, expectativas condicionales sencillas y algoritmos prácticos de simulación e inferencia basados únicamente en el estado presente.

Inversión

Los procesos no markovianos conservan memoria: sus distribuciones futuras dependen de trayectorias pasadas completas o de variables latentes adicionales; invertir la propiedad enfatiza núcleos dependientes de la historia y suele requerir la ampliación del espacio de estado.

Límite

Requiere especificar con precisión el espacio de estados, la filtración y la medibilidad; la propiedad fuerte de Markov en tiempos de parada es una forma más fuerte que no se sigue automáticamente de la propiedad simple; los procesos en tiempo continuo pueden necesitar derecha-continuidad u otras regularidades.

Tensión semántica

Existe tensión con nociones como martingala o mezcla: la propiedad de martingala concierne a la estructura de expectativas condicionales, no necesariamente a la independencia de transiciones, y algunos procesos son ambos, Markov y martingala, solo bajo generadores especiales; la simplificación markoviana puede ocultar estructura latente necesaria.

Síntesis

La Propiedad De Markov condensa la historia en el presente: cuando un proceso es markoviano, toda predicción probabilística, acción de semigrupo y análisis de transiciones puede formularse usando solo el estado actual, pero un modelado correcto exige verificar la completitud del estado y la medibilidad o ampliar el estado para restaurar la markovianidad si falta.