马科夫链（MarkovChain）是一种随机过程，具有“无记忆性”的特点，即未来状态的概率分布只依赖于当前状态，而与过去的状态无关。这一性质称为马科夫性质（MarkovProperty）。马科夫链由一组状态和状态之间的转移概率组成。每个状态代表系统可能处于的某个情况，转移概率则描述了从一个状态转移到另一个状态的可能性。这些概率通常用矩阵表示，称为转移矩阵（TransitionMatrix）。马科夫链广泛应用于多个领域，如自然语言处理（如文本生成）、金融建模（如股票价格预测）、生物学（如基因序列分析）、物理学（如随机运动模拟）等。根据状态空间是否有限，马科夫链可分为离散时间马科夫链（Discrete-TimeMarkovChain）和连续时间马科夫链（Continuous-TimeMarkovChain）。马科夫链的一个重要概念是稳态分布（StationaryDistribution），即在长时间运行后，系统在各个状态上的概率分布趋于稳定，不再随时间变化。
