MCP HubMCP Hub
Volver a habilidades

model-markov-chain

pjt222
Actualizado 6 days ago
11 vistas
17
2
17
Ver en GitHub
Metaaidesign

Acerca de

Esta habilidad construye y analiza cadenas de Markov discretas o continuas para modelar sistemas sin memoria. Permite la construcción de matrices de transición, clasificación de estados, cálculo de distribuciones estacionarias y determinación de tiempos medios de primer paso. Úsala para calcular probabilidades en estado estacionario, tiempos esperados de llegada, o como base para HMMs y MDPs en aprendizaje por refuerzo.

Instalación rápida

Claude Code

Recomendado
Principal
npx skills add pjt222/agent-almanac -a claude-code
Comando PluginAlternativo
/plugin add https://github.com/pjt222/agent-almanac
Git CloneAlternativo
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/model-markov-chain

Copia y pega este comando en Claude Code para instalar esta habilidad

Documentación

模馬可夫鏈

由原數或域陳築、分、析離散或連續時馬可夫鏈,生穩分布、均首至時、模擬驗。涵 DTMC 與 CTMC 全流。

  • 模未來態唯依今態之系(無記性)
  • 有限態間觀轉計或率
  • 求過程之長運穩態率
  • 定期至或吸率
  • 分態為瞬、復、吸以析構
  • 比同系之異馬模
  • 為高模築基(HMM、RL MDP)

InputTypeDescription
state_spacelist/vectorExhaustive enumeration of all states in the chain
transition_datamatrix, data frame, or edge listRaw transition counts, a probability matrix, or a rate matrix (for CTMC)
chain_typestringEither "discrete" (DTMC) or "continuous" (CTMC)

InputTypeDefaultDescription
initial_distributionvectoruniformStarting state probabilities
time_horizoninteger/float100Number of steps (DTMC) or time units (CTMC) for simulation
tolerancefloat1e-10Convergence tolerance for iterative computations
absorbing_stateslistauto-detectStates explicitly marked as absorbing
labelsliststate indicesHuman-readable names for each state
methodstring"eigen"Solver method: "eigen", "power", or "linear_system"

一:定態空與轉

1.1. 列諸異態。確盡且互斥。

1.2. 由原察→列轉計入 n x n 計陣 CC[i,j] 為由 i 至 j 之觀數。

1.3. 連時鏈→收各態持時與轉去處。

1.4. 驗無漏:諸觀源去皆於態空。

1.5. 記源、察期、過濾。此源錄為復析與釋異所必。

得:定態空大 n 含計陣或 (源、去、率/數) 元組覆諸觀轉。態空宜小於矩運(密法常 n < 10000)。

敗:缺態→重審源擴列。空太大不宜陣→合稀態為「他」或轉模擬析。計陣極稀→驗察期足長以捕典轉。

二:築轉陣或生

2.1. DTMC:歸計陣各列得轉率陣 P

  • P[i,j] = C[i,j] / sum(C[i,])
  • 驗各列和 1(內公差)。

2.2. CTMC:築率(生)陣 Q

  • 對外:Q[i,j] = i 至 j 之轉率
  • 對:Q[i,i] = -sum(Q[i,j] for j != i)
  • 驗各列和 0(內公差)。

2.3. 零計列(從未為源之態)→定平滑:拉普拉斯、吸約定、或標審。

2.4. 存陣以宜後算之式(小鏈密、大鏈稀)。

得:有效隨機陣 P(列和 1)或生陣 Q(列和 0),P 對外無負,Q 對無正。

敗:列和逾差→察數壞或浮點誤。重歸或重審源。

三:分態

3.1. 算通類:尋轉陣引向圖之強連通分(唯正率邊)。

3.2. 各通類定:

  • :類無向他類之去邊
  • :有去邊
  • :類唯一態且 P[i,i] = 1

3.3. 各復類察期:算類中任態可達諸環長之 GCD。

  • 期 1 即非期。

3.4. 定鏈為不可約(一通類)或可約(多類)。

3.5. 摘:列各類、其型(瞬/復)、其期、有吸態否。

得:諸態皆賦通類含標(瞬、正復、零復、吸)與期。

敗:圖析不一→驗轉陣無負且列和正。極大鏈用迭圖法非全陣冪。

四:算穩分

4.1. 不可約非期鏈:解 pi * P = pisum(pi) = 1 約。

  • 重式為 pi * (P - I) = 0 含歸約。
  • 用特值分:piP 對特值 1 之左特向量,歸至和 1。

4.2. 不可約期鏈:穩分仍存,鏈不由任始態收於之。算同 4.1。

4.3. 可約鏈:各復類獨算穩分。總穩分為凸組依瞬態之吸率。

4.4. CTMC:解 pi * Q = 0sum(pi) = 1

4.5. 驗:算 pi * P(或 Q)確等 pi 內差。

4.6. 可約鏈→算各瞬態至各復類之吸率。此率與類穩分合得依始態之長運。

4.7. 記譜隙(最大與次大特值幅之差)。此量決收於穩之率,於六定模擬步數有用。

得:率向量 pin、皆非負、和 1、合衡式內差。非期不可約鏈譜隙宜正。

敗:特解器不收→試迭冪法(pi_k+1 = pi_k * P 至收)。多特值等 1→鏈可約——按 4.3 治。譜隙極小→鏈混慢,需極長模擬以驗。

五:算均首至時

5.1. 定均首至時 m[i,j] 為由 i 始達 j 之期步數。

5.2. 不可約鏈→解線方系:

  • m[i,j] = 1 + sum(P[i,k] * m[k,j] for k != j)i != j
  • m[j,j] = 1 / pi[j](均復時)

5.3. 吸鏈→算吸率與期吸時:

  • P 為瞬(Q_t)與吸塊。
  • 基陣:N = (I - Q_t)^{-1}
  • 期吸步:N * 1(一列向量)
  • 吸率:N * RR 為瞬至吸塊。

5.4. CTMC→以生陣換步計為期持時。

5.5. 出為陣或表,含關態對之首至時。

得:均首至時陣,對等均復時(1/pi[j]),對外於通態對為有限。

敗:線系奇異→鏈有瞬態不能達標。報不達對為無限。驗三之鏈構。

六:以模擬驗

6.1. 模 K 獨樣路各 T 步,由始分發。

6.2. 經驗估穩分:棄燒入後計諸路之態占率。

6.3. 比模率與析穩分。算總變距或卡方計。

6.4. 經驗估均首至時:記諸復下各標態之首至時。

6.5. 報合度:

  • 析與模穩率之最大絕差
  • 模首至時對析值之 95% 信區

6.6. 差逾差→重審轉陣築與分步。

得:模穩分於析解內 0.01 總變距(足長運)。模均首至時於析值內 10%。

敗:增模長 T 或重數 K。差持→析解或有數誤——重以高精算。

  • 轉陣 P 諸入非負、各列和 1(或 CTMC 之 Q 列和 0)
  • 穩分 pi 為合率向量合 pi * P = pi
  • 均復時等 1/pi[j] 於各復態 j
  • 模態率收於析穩分
  • 態分一:無復態有出其通類之邊
  • P 諸特值幅至多 1,各復類精一特值等 1
  • 吸鏈:各瞬態之吸率於諸吸類和 1
  • 基陣 N = (I - Q_t)^{-1} 諸入正(期訪計正)
  • 細衡若鏈可逆:pi[i] * P[i,j] = pi[j] * P[j,i]i,j

  • 態空不盡:缺態生次隨機陣(列和 < 1)。析前必驗列和
  • 混 DTMC 與 CTMC:率陣對非正且列和 0。施 DTMC 式於率陣生謬
  • 忽期:期鏈有有效穩分而不於常義收。混時析必計期
  • 大鏈數不穩:大密陣特分貴失精。逾數百態用稀解器或迭法
  • 零率轉:轉陣構零致鏈可約。算單穩分前驗不可約
  • 模擬不足:短模混差生偏估。算有效樣本量察跡
  • 假可逆未驗:諸析捷(如細衡)唯施可逆鏈。用可逆果前驗 pi[i] * P[i,j] = pi[j] * P[j,i]
  • 冪法浮點積pi * P 多迭積入誤。冪迭中時重歸 pi 和 1

Repositorio GitHub

pjt222/agent-almanac
Ruta: i18n/wenyan-ultra/skills/model-markov-chain
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

Habilidades relacionadas

content-collections

Meta

Esta habilidad proporciona una configuración probada en producción para Content Collections, una herramienta centrada en TypeScript que transforma archivos Markdown/MDX en colecciones de datos con tipado seguro mediante validación Zod. Úsala al construir blogs, sitios de documentación o aplicaciones Vite + React con mucho contenido para garantizar seguridad de tipos y validación automática de contenido. Abarca todo, desde la configuración del plugin de Vite y compilación MDX hasta la optimización de despliegue y validación de esquemas.

Ver habilidad

polymarket

Meta

Esta habilidad permite a los desarrolladores crear aplicaciones con la plataforma de mercados de predicción Polymarket, incluyendo la integración de API para operaciones y datos de mercado. También proporciona transmisión de datos en tiempo real a través de WebSocket para monitorear operaciones en vivo y actividad del mercado. Úsela para implementar estrategias de trading o crear herramientas que procesen actualizaciones de mercado en tiempo real.

Ver habilidad

creating-opencode-plugins

Meta

Esta habilidad ayuda a los desarrolladores a crear complementos de OpenCode que se conectan a más de 25 tipos de eventos, como comandos, archivos y operaciones LSP. Proporciona la estructura del complemento, las especificaciones de la API de eventos y los patrones de implementación para módulos en JavaScript/TypeScript. Úsala cuando necesites interceptar, monitorear o extender el ciclo de vida del asistente de IA de OpenCode con lógica personalizada basada en eventos.

Ver habilidad

sglang

Meta

SGLang es un framework de alto rendimiento para el servicio de LLM que se especializa en generación rápida y estructurada para JSON, expresiones regulares y flujos de trabajo de agentes utilizando su caché de prefijos RadixAttention. Ofrece una inferencia significativamente más rápida, especialmente para tareas con prefijos repetidos, lo que lo hace ideal para salidas complejas y estructuradas, y conversaciones multiturno. Elige SGLang sobre alternativas como vLLM cuando necesites decodificación restringida o estés construyendo aplicaciones con uso extensivo de prefijos compartidos.

Ver habilidad