Markovprocessen worden in verschillende domeinen gebruikt om het onzekere toekomstige gedrag van een fenomeen te modelleren, bijvoorbeeld het kapitaal van een verzekeraar of het aantal klanten in een wachtlijn. Het is echter niet altijd mogelijk of wenselijk om exact de parameters die zo'n Markovproces karakteriseren op te geven, noch om de sterk vereenvoudigende onderliggende aannames van dit model te verantwoorden. Dit is waar imprecieze (of robuuste) Markovprocessen nut hebben, aangezien ze Markovprocessen veralgemenen op een manier die onbepaaldheid van de parameters toelaat en minder aannames nodig heeft. Het nut van deze veralgemening is duidelijk, maar er zijn er nog enkele technische beperkingen die het toepassen ervan verhinderen; dit project heeft als doel om deze beperkingen weg te werken. Eerst door tot een algemene methode te komen om een imprecies Markovproces met reguliere paden te construeren, zodat niet-eindige inferenties tot het domein behoren. Ten tweede door voor imprecieze Markovprocessen met een aftelbaar oneindige toestandsruimte, numerieke methoden te vinden, gebaseerd op het samennemen van toestanden, om (nauwe onder- en bovengrenzen op) waarschijnlijkheden en verwachtingswaarden te berekenen. Ten slotte wil dit project aantonen dat bepaalde niet-eindige inferenties de oplossing zijn van een differentiaalvergelijking, bijvoorbeeld voor de faillisementswaarschijnlijkheid van een imprecies Cramér-Lundberg proces.