Los Modelos Ocultos de Markov (HMMs) son modelos probabilísticos ampliamente utilizados, particularmente para anotar datos secuenciales con una estructura oculta subyacente. Los patrones en la anotación son a menudo más relevantes para estudiar que la estructura oculta en sí. Un análisis típico de HMM consiste en anotar los datos observados utilizando un algoritmo de decodificación y analizar la anotación para estudiar patrones de interés. Por ejemplo, dado un HMM que modela genes en secuencias de ADN, el enfoque está en las ocurrencias de genes en la anotación. En este artículo, definimos un patrón a través de una expresión regular y presentamos una restricción de tres algoritmos clásicos para tener en cuenta el número de ocurrencias del patrón en la secuencia oculta. Presentamos un nuevo algoritmo para calcular la distribución del número de ocurrencias del patrón, y extendemos los dos algoritmos de decodificación existentes más utilizados para emplear información de esta distribución. Mostramos experimentalmente que la expectativa de la distribución del número de ocurrencias del patrón proporciona una estimación altamente precisa, mientras que el procedimiento típico puede estar sesgado en el sentido de que el número identificado de ocurrencias del patrón no corresponde al número verdadero. Además, mostramos que utilizar esta distribución en los algoritmos de decodificación mejora el poder predictivo del modelo.