Cadena de Markov en lotería: qué mide y qué no puede predecir

¿Qué es una cadena de Markov, explicada sin fórmulas?

Una cadena de Markov es una forma de describir sistemas que van saltando entre estados a lo largo del tiempo, con una regla de oro: para estimar el siguiente paso, solo importa dónde estás ahora, no todo el camino que recorriste antes. A esa regla se le llama propiedad de Markov o 'falta de memoria larga'.

El aparato completo se reduce a dos ingredientes. Primero, una lista de estados posibles: las situaciones en las que el sistema puede encontrarse. Segundo, una tabla de transiciones: para cada estado actual, con qué frecuencia se pasa a cada uno de los demás. Esa tabla se llama matriz de transición y se construye simplemente contando lo que ocurrió en el historial de datos.

Es un modelo respetable y omnipresente: se usa para predecir texto en los teclados de los celulares, para modelar filas de espera, en el algoritmo original de búsqueda de Google y en genética. Nada de eso lo convierte en mágico: es, en el fondo, una manera ordenada de contar 'después de A, ¿qué tan seguido vino B?'.

Un ejemplo de juguete: el clima de mañana

Imagina que registras el clima de tu ciudad cada día con dos estados posibles: soleado y lluvioso. Tras un año de datos, cuentas las transiciones: de los días soleados, el 80% fue seguido por otro día soleado y el 20% por uno lluvioso; de los días lluviosos, el 60% fue seguido por lluvia y el 40% por sol.

Esa tabla de cuatro números es una cadena de Markov completa. Y ya permite responder preguntas útiles: si hoy llueve, la historia dice que mañana lo más frecuente es que siga lloviendo (60%). Nota lo que el modelo hace y lo que no hace: no entiende de meteorología, no sabe qué es una nube; solo resume regularidades observadas en la secuencia de datos. Si el clima real cambia de régimen, la tabla vieja deja de servir, porque nunca contuvo causas, solo conteos.

La notación técnica que verás en los libros, P(Xn+1 = j | Xn = i), se lee así: la probabilidad de que el estado de mañana (Xn+1) sea j, dado que el estado de hoy (Xn) es i. En nuestro ejemplo: P(mañana llueva | hoy llueve) = 0.6. Toda la sofisticación aparente de la fórmula es exactamente esa frase.

• Estados: las situaciones posibles del sistema (soleado, lluvioso).
• Transición: el paso observado de un estado al siguiente.
• Matriz de transición: la tabla de frecuencias de todos esos pasos.
• P(Xn+1 = j | Xn = i): probabilidad de pasar al estado j cuando estás en el estado i.

¿Qué significa aplicar Markov a una lotería como Melate?

En una lotería, la secuencia de datos es el histórico de sorteos, y hay varias maneras de definir los estados. La más directa trata a cada número del 1 al 56 como un estado y cuenta transiciones del tipo: cuando el número i formó parte de un sorteo, ¿qué números aparecieron en el sorteo siguiente? Repetido sobre miles de sorteos, ese conteo produce una matriz que resume qué acompañamientos y secuencias han sido más comunes en la muestra.

Otra variante define estados más abstractos: por ejemplo, si un número está 'presente' o 'ausente' en cada sorteo, o en qué decena cayó cada esfera. Cada elección de estados produce una lente distinta sobre el mismo histórico. Todas comparten la misma mecánica: contar lo que vino después de qué, y convertir esos conteos en frecuencias relativas.

El resultado práctico en el panel de Patrón Ganador es un ranking: partiendo de los números del sorteo más reciente, el modelo señala qué números acumulan más peso de transición en el histórico, es decir, cuáles siguieron con mayor frecuencia a los que acaban de salir. Ese ranking es uno de los 'votos' que alimentan el consenso entre algoritmos del sitio, junto con las lecturas de frecuencia, ventana reciente y rezago, cada una construida con una lógica independiente de las demás.

¿Por qué el modelo no es una bola de cristal?

Aquí viene la honestidad innegociable. En un sorteo bien diseñado, los eventos son independientes: la probabilidad real de cada número en el siguiente sorteo es 6/56, salga lo que salga hoy. Eso significa que la matriz de transición 'verdadera' de una lotería justa es plana: ningún estado favorece de verdad a ningún sucesor.

¿Entonces por qué la matriz calculada sobre el histórico no se ve perfectamente plana? Por varianza muestral. Con datos finitos, los conteos siempre muestran desniveles: algunas transiciones aparecen más que otras por puro azar acumulado, igual que una moneda honesta lanzada 100 veces casi nunca da exactamente 50 y 50. El modelo de Markov fotografía esos desniveles con precisión, pero no puede distinguir si son estructura o ruido, y en una lotería auditada lo esperable es que sean ruido.

Por eso en Patrón Ganador presentamos el modelo de Markov como lo que es: una lente descriptiva sobre la muestra histórica, útil para explorar el pasado del sorteo, y no como un mecanismo predictivo. Si alguien te vende una 'cadena de Markov que predice la lotería', te está vendiendo el prestigio del nombre, no una propiedad matemática real.

¿Qué valor aporta entonces al usuario?

Primero, transparencia metodológica. Muchos sitios publican 'números recomendados' sin explicar de dónde salen. Nosotros preferimos modelos con nombre y mecánica pública: puedes saber exactamente qué cuenta el modelo de Markov, reproducir la idea con el histórico oficial y criticarla. Un análisis que no se puede explicar no merece confianza.

Segundo, diversidad de lentes. La frecuencia mira presencia acumulada; el rezago mira ausencias; Markov mira secuencias y acompañamientos. Son preguntas distintas sobre los mismos datos, y el consenso del sitio existe precisamente para mostrar dónde coinciden varias lecturas independientes. La coincidencia no vuelve más probable a un número: vuelve más interesante la descripción.

Tercero, criterio transferible. Entender Markov con el ejemplo del clima te da una herramienta mental que sirve mucho más allá de la lotería: es la base de los predictores de texto, de los modelos de riesgo y de media ciencia de datos moderna. Que la puerta de entrada sea un sorteo no le quita valor educativo.

Cómo leer el ranking de Markov en el panel sin sobreinterpretarlo

La lectura recomendada tiene tres pasos. Uno: revisa qué números señala el modelo partiendo del último sorteo, disponibles siempre en el panel actualizado del sitio, nunca en artículos estáticos como este. Dos: compara ese ranking con las otras lentes (frecuencia histórica, ventana reciente, rezago) y observa dónde coinciden y dónde chocan. Tres: si usas alguno de esos números en tu boleto, anota el criterio que seguiste.

Lo que nunca debes hacer es encadenar conclusiones: 'el modelo lo señala, luego está por salir, luego conviene apostar más'. Cada eslabón de esa cadena es falso. El modelo describe el histórico oficial de Pronósticos para la Asistencia Pública; la probabilidad del siguiente sorteo sigue siendo la misma para todos los números; y tu presupuesto de juego nunca debería moverse por la salida de ningún algoritmo.

El análisis estadístico es información y entretenimiento, no una promesa de premio. Juega con moderación, con dinero destinado exclusivamente al ocio, y trata cualquier modelo —incluido el nuestro— como una forma más interesante de mirar el azar, no de vencerlo.