Los profesionales han utilizado modelos ocultos de Markov (HMMs) en diferentes problemas durante unos sesenta años. Además, los campos aleatorios condicionales (CRFs) son una alternativa a los HMMs y aparecen en la literatura como modelos diferentes y algo concurrentes. Proponemos dos contribuciones: Primero, mostramos que los CRFs básicos en cadena lineal (LC-CRFs), considerados diferentes de los HMMs, son de hecho equivalentes a los HMMs en el sentido de que para cada LC-CRF existe un HMM, que especificamos, cuya distribución posterior es idéntica al LC-CRF dado. En segundo lugar, demostramos que es posible reformular los clasificadores bayesianos generativos modo de posterior máximo (MPM) y máximo a posteriori (MAP), utilizados en los HMMs, como discriminativos. Este último punto es importante en muchos campos, especialmente en el procesamiento del lenguaje natural (NLP), ya que muestra que en algunas situaciones no es necesario desechar los HMMs a favor de los CRFs.