Rantai Markov, juga dikenal sebagai caral Markov atau proses Markov, adalah konsep yang dikembangkan dalam teori probabilitas dan statistik yang menetapkan ketergantungan yang kuat antara suatu peristiwa dan peristiwa lain sebelumnya. Utilitas utamanya adalah analisis perilaku proses stokastik .
Penjelasan tentang rantai ini dikembangkan oleh ahli matematika asal Rusia Andréi Márkov pada tahun 1907. Jadi, sepanjang abad ke-20, metodologi ini telah digunakan dalam banyak kasus praktis dalam kehidupan sehari-hari.
Ini juga dikenal sebagai rantai Markov bistabil sederhana.
Seperti yang ditunjukkan Markov, dalam sistem atau proses stokastik (yaitu, acak) yang menghadirkan keadaan saat ini, adalah mungkin untuk mengetahui anteseden atau perkembangan historisnya. Oleh karena itu, layak untuk membuat deskripsi probabilitas masa depan mereka.
Secara lebih formal, definisi tersebut mengasumsikan bahwa dalam proses stokastik, kemungkinan terjadinya sesuatu hanya bergantung pada masa lalu historis dari realitas yang kita pelajari. Untuk alasan ini, string ini sering dikatakan memiliki memori.
Dasar dari rantai dikenal sebagai properti Markov, yang merangkum apa yang telah dikatakan sebelumnya dalam aturan berikut: apa yang dialami rantai pada waktu t + 1 hanya bergantung pada apa yang terjadi pada waktu t (yang langsung mendahului).
Dengan penjelasan teori yang sederhana ini, dapat diamati bahwa melaluinya dimungkinkan untuk mengetahui kemungkinan suatu keadaan terjadi dalam jangka panjang. Ini tidak diragukan lagi membantu prediksi dan estimasi dalam jangka waktu yang lama.
Di mana rantai Markov digunakan?
Rantai Markov telah melihat aplikasi nyata yang signifikan dalam bisnis dan keuangan. Ini, dengan memungkinkan, seperti yang telah ditunjukkan, untuk menganalisis dan memperkirakan pola perilaku masa depan individu berdasarkan pengalaman dan hasil sebelumnya.
Hal ini dapat tercermin dalam berbagai bidang seperti kenakalan, studi tentang perilaku konsumen, permintaan musiman tenaga kerja, antara lain.
Sistem yang dikembangkan oleh Markov cukup sederhana dan, seperti yang telah kita katakan, memiliki aplikasi praktis yang cukup mudah. Namun, banyak suara kritis menunjukkan bahwa caral yang disederhanakan seperti itu tidak dapat sepenuhnya efektif dalam proses yang kompleks.