Yarın hava nasıl olacak diye tahmin ederken, genelde geçen haftanın havasını değil, bugünün havasını dikkate alırsınız. Bugün güneşliyse yarın da güneşli olma ihtimali yüksektir; üç hafta önce yağmurlu geçen bir gün, bu tahmine pek bir şey katmaz. İşte bu basit sezgi, istatistikte kendi başına bir modelleme ailesine dönüşmüş durumda: Markov zincirleri.
“Belleksizlik” Denen Tuhaf Güç
Markov zincirinin temel varsayımı, adını Rus matematikçi Andrey Markov’dan alan bir özelliğe dayanıyor: belleksizlik (memorylessness). Bu, sistemin bir sonraki durumunun, yalnızca şu anki duruma bağlı olduğu, geçmişin doğrudan bir etkisi olmadığı anlamına geliyor. Yani bir makinenin yarın arızalanma olasılığını hesaplarken, sadece bugünkü durumuna bakarsınız — beş yıl önce nasıl çalıştığının bir önemi yoktur.
Bu, sezgisel olarak garip görünebilir — gerçek hayatta geçmiş genelde önemlidir, değil mi? Ama Markov zincirlerinin gücü tam da bu basitleştirmeden geliyor: karmaşık, uzun geçmişli süreçleri, yönetilebilir bir matematiksel modele indirgemeyi mümkün kılıyor.
Geçiş Matrisi: Olasılıkların Haritası
Bir Markov zinciri, “durumlar” (states) ve bu durumlar arasındaki “geçiş olasılıkları” (transition probabilities) ile tanımlanır. Basit bir hava durumu örneği düşünün: sadece iki durum var, güneşli ve yağmurlu. Bugün güneşliyse, yarın da güneşli olma olasılığı yüzde 80, yağmurlu olma olasılığı yüzde 20 olsun. Bugün yağmurluysa, yarın güneşli olma olasılığı yüzde 40, yağmurlu kalma olasılığı yüzde 60 olsun. Bu olasılıklar bir “geçiş matrisi” içinde toplanır ve bu matris, sistemin gelecekteki her adımını hesaplamak için tekrar tekrar kullanılabilir.
İlginç bir matematiksel sonuç: bu zincir yeterince tekrarlandığında, başlangıç durumundan bağımsız olarak sabit bir “durağan dağılıma” (stationary distribution) yaklaşır. Yani günün güneşli mi yağmurlu mu başladığının uzun vadede pek önemi kalmaz; sistem kendi doğal dengesine ulaşır.
Google’ın Arama Motorunun Kalbinde
Markov zincirlerinin belki de en ünlü uygulaması, gündelik hayatınızda her gün kullandığınız bir teknolojide saklı: Google’ın PageRank algoritması. Larry Page ve Sergey Brin’in geliştirdiği bu algoritma, interneti bir Markov zinciri olarak modelliyor: her web sayfası bir “durum”, sayfalar arasındaki bağlantılar ise “geçişler”. Algoritma, rastgele bağlantılara tıklayarak internette gezinen hayali bir kullanıcının, belirli bir sayfaya ne sıklıkla ulaşacağını hesaplıyor — ve bu sıklık, sayfanın arama sonuçlarındaki “önemini” belirliyor.
Bir Modelin Sınırları
Markov zincirlerinin gücü aynı zamanda en büyük kısıtı. Belleksizlik varsayımı, geçmişin gerçekten önemli olduğu durumlarda modelin yanılmasına yol açabilir — örneğin bir hastanın tıbbi geçmişi, sadece “şu anki durumu” değil, önceki tedavilere nasıl tepki verdiği de gelecekteki seyri etkiler. Bu tür durumlarda ya modelin varsayımları esnetilir (örneğin “m dereceli” Markov zincirleri, birkaç önceki adımı da hesaba katar) ya da tamamen farklı bir modelleme yaklaşımı tercih edilir.
Bu sınırlılık, Kumarbazın Yanılgısı yazımızda anlattığımız kavramla ilginç bir tezat oluşturuyor: kumarbazın yanılgısında insanlar geçmişin (art arda gelen tura atışları gibi) geleceği etkilediğine yanlışlıkla inanırken, gerçekten bağımsız olayların modellenmesinde Markov zincirlerinin belleksizlik varsayımı tam da doğru bir basitleştirme oluyor — ama her sistem için bu varsayımın geçerli olup olmadığını kontrol etmek gerekiyor.
Metin Üretiminden Pazar Payına
Markov zincirleri, günlük kullanımda beklenmedik alanlarda karşımıza çıkıyor. Basit metin üretim modelleri, bir kelimeden sonra hangi kelimenin gelme olasılığının yüksek olduğunu Markov mantığıyla hesaplıyor — bu, Transformer mimarisi gibi modern dil modellerinin çok daha gelişmiş atası sayılabilir. Pazarlama alanında ise şirketler, tüketicilerin bir markadan diğerine geçiş olasılıklarını modelleyerek gelecekteki pazar payını tahmin etmek için Markov zincirlerini kullanıyor.
Sonuç
Markov zincirleri, “gelecek geçmişten değil, şimdiden doğar” fikrinin matematiksel bir ifadesi. Bu basit ama güçlü varsayım, hava durumu tahmininden arama motoru algoritmalarına, üretim hattı bakım planlamasından pazar araştırmasına kadar şaşırtıcı derecede geniş bir uygulama alanı buluyor. Bir dahaki sefere “şu anki duruma bakarak gelecek tahmin ediliyor” diyen bir sistemle karşılaştığında, arkasında büyük ihtimalle bu yüz yıllık fikrin yattığını hatırla.
Sıkça Sorulan Sorular
Markov zinciri nedir?
Bir sistemin bir durumdan diğerine geçişini, yalnızca şimdiki duruma bağlı olasılıklarla modelleyen matematiksel bir yapıdır. Geçmiş adımlar değil, yalnızca mevcut durum önemlidir.
Markov özelliği (hafızasızlık) ne demektir?
Gelecekteki durumun yalnızca şimdiki duruma bağlı olması, geçmiş adımlardan bağımsız olmasıdır. Sisteme “hafızasız” denmesinin nedeni budur.
Markov zincirleri nerede kullanılır?
Hava durumu tahmini, web sayfası sıralama algoritmaları, metin üretimi, kuyruk teorisi ve finans gibi pek çok alanda gelecekteki durumları olasılıklarla modellemek için kullanılır.