Ein stochastischer Prozess auf einem diskreten Zustandsraum, der in kontinuierlicher Zeit mit der Markoveigenschaft evolviert: Die Zukunft hängt nur vom gegenwärtigen Zustand ab und von Zeitinkrementen über Übergangsraten, dargestellt durch eine infinitesimale Erzeugermatrix (Q-Matrix).

Prinzip

Die Gedächtnislosigkeit auf Zustandsniveau impliziert, dass die Verweilzeiten in jedem Zustand exponentialverteilt sind mit Parametern gleich den Austrittsraten; die Übergänge zwischen Zuständen werden durch die außerdiagonalen Einträge der infinitesimalen Erzeugermatrix Q gesteuert, und die Familie der Übergangswahrscheinlichkeitsmatrizen P(t) bildet eine Halbgruppe mit P(t)=exp(Qt).

Demonstration

Situation: Ein Server hat Zustände {idle, busy, failed} mit konstanten Übergangs­raten. Erkennung: Zustandswechsel erfolgen stochastisch in kontinuierlicher Zeit und erfüllen die Markoveigenschaft. Handlung: Q mit Austrittsraten und außerdiagonalen Übergangs­raten spezifizieren, P(t)=exp(Qt) berechnen oder Pfade durch exponentielle Verweilzeiten simulieren. Folge: Zeitabhängige Zustandsverteilungen, stationäre Verteilungen (bei Ergodizität) und erwartete Verweilzeiten lassen sich aus Q berechnen.

Fehlanwendung

Zu glauben, nicht-exponentielle empirische Wartezeitverteilungen ließen sich durch Anpassung von Übergangswahrscheinlichkeiten statt Raten in ein CTMC pressen. Der semantische Fehler ist, nicht-exponentielle Verweilzeiten mit Markovstruktur zu verwechseln; nicht-exponentielle Verweilzeiten verletzen das CTMC-Modell.

Konsequenz

Gültig angewandt liefert ein CTMC handhabbare analytische Resultate für Transienten und Stationärverhalten und erlaubt effiziente ereignisorientierte Simulation. Bei Anwendung auf nicht-markovsche Systeme sind Vorhersagen verzerrt und können zu Fehlentscheidungen in Design oder Steuerung führen.

Umkehrung

Wenn Verweilzeiten nicht exponentialverteilt sind oder der Zustandsraum kontinuierlich ist, ist das CTMC nicht anwendbar; stattdessen sind semi-markovsche Prozesse, Markov-Jump-Prozesse mit Zusatzvariablen oder kontinuierliche Markov‑Prozesse (Diffusionen) erforderlich.

Abgrenzung

Eindeutig darin: Eine Warteschlange mit Poisson‑Ankünften und exponentiellen Bedienzeiten, wobei Zustandsübergänge CTMC-Raten folgen. Randfall: Servicezeiten mit Phase‑Type‑Darstellung — Einbettung in größeren CTMC möglich, aber mit hohem Zustandsaufwand. Eindeutig außen: Ein Erneuerungsprozess mit allgemeinen, nicht‑phase‑type Verteilungen ohne Einbettung.

Semantische Spannung

Analytische Lösbarkeit ↔ Realistische Verweilzeitverteilungen — CTMCs sind mathematisch handlich, verlangen jedoch exponentielle Verweilzeiten, die empirisch oft nicht erfüllt sind.

Synthese

CTMCs fassen gedächtnislose Zustandsübergänge durch Generatorraten und Matrixexponentialen zusammen; Modellwahl erfordert Prüfung der Exponentialannahme und gegebenenfalls Erweiterung oder Wechsel zu geeignetem stochastischem Rahmen.