马尔科夫（Andrey Markov，1856－1922）
“下一时刻的状态只与当前状态有关，与上一时刻状态无关”的性质，称为无后效性或者马尔可夫性。具有这种性质的过程称为马尔可夫过程。
时间、状态都是离散的马尔可夫过程称为马尔可夫链。
马尔可夫假设：给定时间线上有一串事件顺序发生，假设每个事件的发生概率只取决于前一个事件。这串事件构成的因果链被称作马尔可夫链。
https://blog.csdn.net/qq_27825451/article/details/100117715
一个马尔科夫过程就是指过程中的每个状态的转移只依赖于之前的n个状态，这个过程被称为n阶马尔科夫模型，其中n是影响转移状态的数目。
最简单的马尔科夫过程就是一阶过程，每一个状态的转移只依赖于其之前的那一个状态，这也是后面很多模型的讨论基础。
很多时候马尔科夫链、隐马尔可夫模型都是只讨论一阶模型，甚至很多文章就将一阶模型称之为马尔科夫模型，现在我们知道一阶只是一种特例而已了。
(p(w_t|w_0w_1...w_{t−1})=p(w_t|w_{t−1}))
https://www.cnblogs.com/mantch/p/12266271.html
1阶马尔科夫链 与 2元语法模型
(p(w)=p(w_1w_2⋯w_k)=p(w_1|w_0)×p(w_2|w_1)×⋯×p(w_{k+1}|w_k) = sumlimits_{t=1}^{k+1}p(w_t|w_{t−1}))
基础知识：
https://blog.csdn.net/hao5335156/article/details/82730983
联合概率链规则
(P(x_1,x_2,x_3,...,x_n)=P(x_1)P(x_2|x_1)P(x_3|x_1,x_2)...P(x_n|x_1,x_2,...,x_{n−1}))
https://blog.csdn.net/a493823882/article/details/100169770
概率论 中的 链式法则
2个事件同时发生的概率：
(P(a, b) = P(a | b) * P(b))
其中：P(a, b)表示 a和b事件同时发生的概率， P(a | b)是一个条件概率，表示在b事件发生的条件下，a发生的概率
3个事件的概率链式调用：
(P(a, b, c) = P(a | b, c) * P(b, c) = P(a | b, c) * P(b | c) * P(c))
推广到N个事件，概率链式法则长这样：
(P(X_1, X_2, ... X_n) = P(X_1 | X_2, X_3 ... X_n) * P(X_2 | X_3, X_4 ... X_n) ... P(X_{n-1} | X_n) * P(X_n))
条件概率是指事件A在事件B发生的条件下发生的概率。条件概率表示为：(P（A|B）)，读作“A在B发生的条件下发生的概率”。
({P{ left( {A left| B ight. } ight) }=frac{{P{ left( {AB} ight) }}}{{P{ left( {B} ight) }}}})