A Markov chain is a stochastic process where future states depend only on the present state, not on past events.سلسلة ماركوف نموذج احتمالي يصف تتابع حالات، حيث احتمال الانتقال إلى الحالة التالية يعتمد فقط على الحالة الحالية (خاصية ماركوف). رسميًا: P(X_{n+1}=x | X_n=x_n,...,X_0=x_0) = P(X_{n+1}=x | X_n=x_n). تكون السلاسل متقطعة أو مستمرة في الزمن، بعدد حالات منتهٍ أو معدود. الأدوات الرئيسية: مصفوفة احتمالات الانتقال، التوزيع المستقر، معادلات تشابمان-كولموغوروف.
أدخل أندريه أندرييفيتش ماركوف السلاسل عام 1906 أثناء دراسته لقانون الأعداد الكبيرة للمتغيرات المرتبطة. كان دافعه الرغبة في دحض مزاعم نيكراسوف بأن الاستقلال ضروري للقوانين الإحصائية. لاحقًا في ثلاثينيات القرن العشرين، طور كولموغوروف النظرية العامة للعمليات الماركوفية. في منتصف القرن العشرين، صارت سلاسل ماركوف أداة مركزية في بحوث العمليات والفيزياء (نموذج إيزينغ) والمعلوماتية (توليد النصوص، PageRank).
رياضيًا، تُعطى سلسلة ماركوف بمتجه الاحتمالات الابتدائي π^{(0)} ومصفوفة عشوائية P. عندئذٍ التوزيع بعد n خطوة: π^{(n)} = π^{(0)} P^n. تعني خاصية انعدام الذاكرة أن التنبؤ بالمستقبل يكفي فيه معرفة الحالة الحالية فقط. السلوك طويل الأمد تحدده مفكوكية طيف المصفوفة P: إذا وجد متجه ذاتي أيسر وحيد بقيمة ذاتية 1 (التوزيع المستقر)، فإن π^{(n)} → π عندما n→∞. معادلات تشابمان-كولموغوروف: P^{(n+m)} = P^{(n)} P^{(m)}، تعبر عن تركيب الانتقالات. للحالة المستمرة: dπ/dt = πQ، حيث Q مصفوفة شدات الانتقال.
نمذجة سلاسل ماركوف لصفوف الانتظار في المتاجر، خوارزميات محركات البحث (PageRank في غوغل)، السير العشوائي لأسعار الأسهم، وتوليد النصوص بالذكاء الاصطناعي.
كان أول تطبيق عملي لسلاسل ماركوف هو تحليل تناوب حروف العلة والسواكن في رواية «يفغيني أونيغين» — أظهر ماركوف أنه ليس عشوائيًا وتنبأ بحروف النص المستقبلية.











