(0)
“马尔可夫链”
“马尔可夫链（Markov Chain, MC）是概率论和数理统计中具有马尔可夫性质（Markov property）且存在于离散的指数集（index set）和状态空间（state space）内的随机过程（stochastic process）。适用于连续指数集的马尔可夫链被称为马尔可夫过程（Markov process），但有时也被视为马尔可夫链的子集，即连续时间马尔可夫链（Continuous-Time MC, CTMC），与离散时间马尔可夫链（Discrete-Time MC, DTMC）相对应，因此马尔可夫链是一个较为宽泛的概念。
马尔科夫链的一个常见例子是简化的股票涨跌模型：若一天中某股票上涨，则第二天该股票有概率p开始下跌，1-p继续上涨；若一天中该股票下跌，则明天该股票有概率q开始上涨，1-q继续下跌。该股票的涨跌情况是一个马尔可夫链，且定义中各个概念在例子中有如下对应：
随机变量：第t天该股票的状态；状态空间：“上涨”和“下跌”；指数集：天数。
条件概率关系：按定义，即便已知该股票的所有历史状态，其在某天的涨跌也仅与前一天的状态有关。
无记忆性：该股票当天的表现仅与前一天有关，与其他历史状态无关（定义条件概率关系的同时定义了无记忆性）。
停时前后状态相互独立：取出该股票的涨跌记录，然后从中截取一段，我们无法知道截取的是哪一段，因为截取点，即停时t前后的记录（t-1和t+1）没有依赖关系。
另一个常被引用的例子是恋种的生活模式，据说马尔可夫当时从这种油库里上获得了灵感，据他观察，每一只恋种的活动在本质上都是以天为单位的离散马尔可夫过程，都可以用一个独特的转移矩阵来描述。换一句话来说，每只恋种今天的活动只与昨天的活动有关，明天的活动仅与今天有关。以下为某只恋种的转移概率矩阵……”
蜷缩在图书馆的角落里看完这一页，我感觉身上的疼痛好像轻一些了。在图书馆看书是我一天中最开心的事，读完书后疼痛一般会减轻。我并不知道是我对于知识的渴望更强还是那种逃避心理更强。这两种冲动在我心里随机地涌动。但无论如何，今天看书的时间已经结束了。接下来应该是我放学回家，在路上逃跑躲避的时候了。
但在这一天，我偶然地遇见了一只恋种。