markov analizi bir dizi olaya bakar ve bir olayın diğerinden izlenme eğilimini analiz eder. bu analizi kullanarak, rasgele ancak ilişkili etkinliklerden oluşan ve orijinaline benzeyecek yeni bir dizi oluşturur.
markov süreci, bağımlı rasgele olayların analizi için yararlıdır - yani olasılığı son olana bağlıdır. bir madeni paranın modellenmesi için iyi bir yol olmayacaktır, örneğin, madeni parayı her attığınızda daha önce olanlar hakkında hiç bir belleği olmadığı için. başların ve kuyrukların sırası birbiriyle ilgisi yoktur. bunlar bağımsız olaylardır.

fakat daha önce yaşananlardan birçok rasgele olay etkilenir. örneğin, dün hava durumu bugünkü hava koşulları üzerinde bir etkisi var. bunlar bağımsız bir olay değildir.

markov modeli, yağmurlu ve güneşli günlerin uzun bir sıralamasına bakabilir ve bir tür havanın başka bir tür tarafından izlenme ihtimalini analiz edebilir.

diyelim ki saatin% 25'i, yağmurlu bir günün ardından güneşli bir gün,% 75'i yağışın ardından daha fazla yağmur yağdı.

buna ek olarak, güneşli günlerin% 50'sini yağmur,% 50'sini güneşin izlediğini öğrendik.

bu analiz göz önüne alındığında, aşağıdaki basamakları izleyerek istatistiksel olarak benzer hava durumunun yeni bir dizini oluşturabiliriz:
1) bugünkü hava koşullarıyla başla
2) bugünün hava koşulları göz önüne alındığında, yarın hava durumunu belirlemek için rastgele bir sayı seç
3) yarının hava durumunu "bugünkü hava durumu" yap ve 2. adıma dön.