Eine Markov-Kette besteht aus:

• einer Menge von Zuständen \( S = \{s_1, s_2, …, s_n\} \)


• einer Übergangsmatrix \( P \), die die Wahrscheinlichkeiten für den Übergang zwischen Zuständen beschreibt

Übergangsmatrix

Die Übergangswahrscheinlichkeiten zwischen Zuständen werden durch die Matrix \( P \) dargestellt:

$$ P = \begin{bmatrix} p_{11} & p_{12} & \dots & p_{1n} \\ p_{21} & p_{22} & \dots & p_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ p_{n1} & p_{n2} & \dots & p_{nn} \end{bmatrix} $$

Jedes Element \( p_{ij} \) gibt die Wahrscheinlichkeit an, von Zustand \( s_i \) nach Zustand \( s_j \) zu wechseln:

$$ p_{ij} = P(X_{t+1} = s_j | X_t = s_i) $$

Stationäre Verteilung

Eine stationäre Verteilung \( \pi \) ist ein Wahrscheinlichkeitsvektor, der die langfristigen Aufenthaltswahrscheinlichkeiten der Zustände beschreibt:

$$ \pi P = \pi $$

mit der Nebenbedingung:

$$ \sum_{i=1}^{n} \pi_i = 1 $$

Anwendungsgebiete von Markov-Ketten

• Spracherkennung


• Finanzmodellierung


• Suchmaschinen-Algorithmen (z. B. PageRank)


• Genetik und Bioinformatik


• Künstliche Intelligenz (NLP, Reinforcement Learning, HMMs)

Markov-Ketten in der Künstlichen Intelligenz

1. NLP & Sprachmodellierung

Markov-Ketten werden in der Verarbeitung natürlicher Sprache (NLP) für:

• Wortvorhersage & Autovervollständigung


• Textgenerierung basierend auf n-gram Modellen


• Spracherkennung in digitalen Assistenten

Ein Trigramm-Modell sagt das nächste Wort basierend auf den letzten zwei vorher:

$$ P(w_n | w_{n-1}, w_{n-2}) $$

2. Hidden Markov Models (HMMs) in KI

Ein Hidden Markov Model (HMM) erweitert die klassische Markov-Kette um versteckte Zustände und ist essenziell für:

• Spracherkennung (Siri, Google Assistant)


• Maschinelles Übersetzen


• Bioinformatik (DNA-Sequenzanalyse)

3. Reinforcement Learning & Markov-Entscheidungsprozesse (MDPs)

Markov-Entscheidungsprozesse (MDPs) sind die Grundlage für viele Reinforcement-Learning–Algorithmen.

Der Beitrag Markov-Ketten – Eine Einführung erschien zuerst auf CEOsBay.