La aplicación de modelos de estados múltiples ha sido determinante a la hora de realizar estudios de datos longitudinales, tales como la observación de la progresión de una enfermedad en el tiempo, la recurrencia de una enfermedad, el seguimiento intermitente de la misma, entre otras; usualmente la forma cómo se mide el avance del fenómeno, es mediante el estado en el cual se pueda encontrar al sujeto en diferentes puntos en el tiempo. Las tasas de transición entre estados del fenómeno de estudio permiten evaluar si el individuo experimenta un cambio positivo o negativo del mismo, por tanto, se modela la manera como los individuos en cierta población transitan de un estado a otro a través del tiempo lo cual es importante para comprender su dinámica. Las tasas de transición en un modelo de Markov de dos estados recurrentes en función de covariables se obtienen a través de un enfoque Bayesiano utilizando dos distribuciones apriori (No informativa e informativa); para esto se adoptó un esquema de análisis basado en el muestreador de Gibbs, mediante un estudio de simulación y aplicación a datos reales se ilustró el comportamiento de las tasas de transición bajo estas dos distribuciones y el efecto de una covariable.