Lanac Markova, poznat i kao Markov model ili Markov proces, koncept je razvijen unutar teorije vjerojatnosti i statistike koji uspostavlja snažnu ovisnost između događaja i drugog prethodnog događaja. Njegova je glavna korisnost analiza ponašanja stohastičkih procesa.
Objašnjenje tih lanaca razvio je matematičar ruskog podrijetla Andréi Márkov 1907. Dakle, tijekom 20. stoljeća ova se metodologija koristila u brojnim praktičnim slučajevima svakodnevnog života.
Poznat je i kao jednostavan bistabilni lanac Markov.
Kao što je Markov istaknuo, u stohastičkim (to jest slučajnim) sustavima ili procesima koji predstavljaju sadašnje stanje moguće je znati njihove prethodnike ili povijesni razvoj. Stoga je izvedivo utvrditi opis njihove buduće vjerojatnosti.
Formalnije, definicija pretpostavlja da u stohastičkim procesima vjerojatnost da se nešto dogodi ovisi samo o povijesnoj prošlosti stvarnosti koju proučavamo. Iz tog razloga se često kaže da ovi nizovi imaju memoriju.
Osnova lanaca poznata je kao svojstvo Markov, koje sažima ono što je prethodno rečeno u sljedećem pravilu: ono što lanac doživljava u trenutku t + 1 ovisi samo o onome što se dogodilo u trenutku t (neposredno prethodnom).
S obzirom na ovo jednostavno objašnjenje teorije, može se primijetiti da je kroz nju moguće znati vjerojatnost nastanka stanja dugoročno. To nesumnjivo pomaže predviđanju i procjeni tijekom dužih vremenskih razdoblja.
Gdje se koristi lanac Markov?
Lanci Markov vidjeli su značajnu stvarnu primjenu u poslu i financijama. To, dopuštajući, kako je naznačeno, analizu i procjenu budućih obrazaca ponašanja pojedinaca na temelju prethodnog iskustva i rezultata.
To se može odraziti na različitim poljima kao što su delinkvencija, proučavanje ponašanja potrošača, sezonska potražnja za radnom snagom, između ostalog.
Sustav koji je razvio Markov prilično je jednostavan i ima, kao što smo rekli, prilično laganu praktičnu primjenu. Međutim, mnogi kritički glasovi ističu da takav pojednostavljeni model ne može biti u potpunosti učinkovit u složenim procesima.