Ein stochastischer Prozess auf einer diskreten oder abzählbaren Zustandsmenge, bei dem die Wahrscheinlichkeitsverteilung des nächsten Zustands nur vom gegenwärtigen Zustand abhängt (Markow‑Eigenschaft); spezifiziert durch Übergangswahrscheinlichkeiten (oder -kernel) und Anfangsverteilung, verwendet zur Analyse von Zustandsübergängen, stationärem Verhalten, Treffzeiten und Pfadwahrscheinlichkeiten.

Prinzip

Unter der Markow‑Eigenschaft ist die Zukunft gegeben das Gegenwärtige bedingungsunabhängig von der Vergangenheit, sodass Mehrschritt‑Übergangswahrscheinlichkeiten durch sukzessive Anwendung (Matrixpotenzen) des Ein‑Schritt‑Übergangsoperators berechnet werden können; das Langzeitverhalten wird durch Invariantverteilungen beschrieben, falls vorhanden.

Demonstration

Illustratives Szenario: Modellierung der Bewegung einer Person zwischen drei Stadtteilen A, B und C mit einer aus Bewegungszählungen geschätzten Übergangsmatrix. Erkennen: Berechnung der Verteilung nach t Schritten und der stationären Verteilung als linken Eigenvektor der Übergangsmatrix. Handlung: Planer identifizieren Stadtteile mit hoher langfristiger Besuchswahrscheinlichkeit und priorisieren dort Dienstleistungen. Folge: Das Modell prognostiziert Zustandsverteilungen und erwartete Übergangsmuster und lenkt Ressourcenzuteilung unter Markow‑Annahmen.

Fehlanwendung

Kausalität aus beobachteten Übergangswahrscheinlichkeiten abzuleiten oder zeitliche Homogenität anzunehmen, obwohl der Prozess nichtstationär ist. Der Fehler besteht darin, beobachtete konditionale Häufigkeiten als strukturale Kausalverhältnisse zu deuten oder zeitliche Konstanz ohne Prüfung vorauszusetzen.

Konsequenz

Markow‑Modelle bieten handhabbare Instrumente zur Vorhersage von Zustandsverteilungen und zur Berechnung von Rekurrenz‑ und Absorptionswahrscheinlichkeiten; falsche Annahmen über Gedächtnislosigkeit oder Stationarität führen jedoch zu irreführenden Vorhersagen und politischen Empfehlungen.

Umkehrung

Hängt das Verhalten von Akteuren von längerer Historie, unobservierter Heterogenität, externen Kovariaten oder wechselnden Kontexten ab, versagt die Markow‑Eigenschaft; dann sind höherordrige Markow‑Modelle, semi‑Markow‑Modelle oder Zustandsraummodelle mit Kovariaten erforderlich.

Abgrenzung

Klar innerhalb: diskrete Zustandsprozesse, bei denen der gegenwärtige Zustand die relevante Historie für den nächsten Schritt zusammenfasst. Randfall: semi‑Markow‑Prozesse mit Dauereffekten. Klar außerhalb: deterministische dynamische Systeme mit kontinuierlichen Zuständen oder Prozesse mit notwendiger Langzeitabhängigkeit.

Semantische Spannung

Spannung zwischen analytischer Traktabilität/Interpretierbarkeit von Markow‑Modellen und der empirischen Realität, in der viele Verhaltensweisen von längeren Historien oder Kontextfaktoren abhängen.

Synthese

Eine Markow‑Kette liefert eine sparsame Abhängigkeitsstruktur — nützlich, wenn der gegenwärtige Zustand die Vergangenheit hinreichend zusammenfasst — doch ihre Eignung ist empirisch zu prüfen, da Übervereinfachung der Historie zu Fehlinterpretationen führen kann.