Waarom is dit belangrijk?
Onderzoekers kunnen systemen nabootsen waarvan de volgende stap deels van toeval afhangt, en zo een uitkomst op langere termijn schatten. In de financiële wereld berekenen analisten daarmee de verwachte opbrengst, als winst of als verlies, over een reeks komende stappen. Studenten en professionals krijgen zo scenario's voor keuzes op school en op het werk, maar de uitkomst wijkt af wanneer eerdere gebeurtenissen toch nog meetellen.
Zo werkt het in de praktijk
Het KNMI en het Centrum Wiskunde & Informatica zetten een markovketen in bij weer- en klimaatmodellen. De keten berekent de kans op wolkenvorming onder wisselende omstandigheden. Google doet dit in PageRank: elke webpagina is een toestand en een klik kiest de volgende pagina.
Onderzoek aan de TU Delft richt zich op wolkenvorming in weermodellen. Jesse Dorrestijn van het CWI beschrijft kritieke overgangen met een markovketen. Hij gebruikt metingen van de regenradar in Darwin om het model te bouwen.
In de statistiek hoort de markovketen bij Markov chain Monte Carlo (MCMC). MCMC trekt steekproeven uit een kansverdeling die te ingewikkeld is voor een gewone formule. Het Metropolis-Hastings-algoritme bouwt zo'n keten, en meer stappen brengen de steekproef dichter bij de gewenste verdeling.




