El análisis del comportamiento de la contaminación del aire se está volviendo crucial, donde la información sobre el comportamiento de la contaminación del aire es vital para gestionar eventos de calidad del aire. Muchos estudios han descrito el comportamiento estocástico de la contaminación del aire basado en los modelos de cadena de Markov (MC). Ajustar el orden óptimo de los modelos de MC es esencial para describir el proceso estocástico. Sin embargo, persiste la incertidumbre sobre el orden óptimo de tales modelos para representar y caracterizar los datos del índice de contaminación del aire (API). En este estudio, se identifica el orden óptimo de los modelos de MC para secuencias de API por hora y por día de siete estaciones en la región central de Malasia Peninsular, basado en los criterios de información bayesiana (BIC), contribuyendo a explorar una explicación adecuada de la dependencia probabilística de la contaminación del aire. Se calculó un resumen de las estadísticas para el API antes del análisis. También se investigan la propiedad de Markov y la divergencia para la matriz de transición estimada empíricamente de una secuencia de MC. Se encuentra a partir del análisis que el orden óptimo varía de una estación a otra. En la mayoría de las estaciones, tanto para los datos de API observados como simulados, se encuentra que los modelos de MC de segundo y tercer orden son óptimos para las ocurrencias de API por hora, mientras que el MC de primer orden es el más adecuado para describir la dinámica del API diario. En general, ajustar el orden óptimo del modelo de MC para la secuencia de datos de API capturó el efecto de retraso de la contaminación del aire. En consecuencia, concluimos que la norma de calidad del aire se encuentra dentro de límites controlables, excepto por algunas ocurrencias poco frecuentes de valores de API que exceden el nivel insalubre.