On Markov Neutrosophic Chains and Their Applications

Sobre las cadenas de Markov neutrosóficas y sus aplicaciones

Classical Markov chains have been widely used to model dynamic stochastic systems, but they fall short in contexts where uncertainty, vagueness, or incomplete information dominates. This paper explores the concept of Neutrosophic Markov Chains (MNC's), which extend traditional Markov models by incorporating neutrosophic logic. In MNC's, transition probabilities are described by triplets (T, I, F) representing degrees of truth, indeterminacy, and falsity, respectively. We present a simulation of a health-state model with neutrosophic transitions and analyze its behavior over time. Results highlight the importance of including indeterminacy as a distinct analytical dimension and demonstrate the limitations of traditional stochastic modeling in uncertain environments.

Las cadenas de Markov clásicas se han utilizado ampliamente para modelar sistemas estocásticos dinámicos, pero resultan insuficientes en contextos donde predomina la incertidumbre, la vaguedad o la información incompleta. Este artículo explora el concepto de Cadenas de Markov Neutrosóficas (CMN), que amplían los modelos tradicionales de Markov incorporando lógica neutrosófica. En las CMN, las probabilidades de transición se describen mediante tripletes (T, I, F) que representan grados de verdad, indeterminación y falsedad, respectivamente. Se presenta una simulación de un modelo de estados de salud con transiciones neutrosóficas y se analiza su comportamiento a lo largo del tiempo. Los resultados destacan la importancia de incluir la indeterminación como una dimensión analítica diferenciada y evidencian las limitaciones del modelado estocástico tradicional en entornos inciertos.