model-markov-chain
정보
이 스킬은 메모리리스 시스템 모델링을 위해 이산 또는 연속 마르코프 체인을 구축하고 분석합니다. 전이 행렬 구성, 상태 분류, 정상 분포 계산, 평균 최초 도달 시간 계산이 가능합니다. 정상 상태 확률 결정, 예상 도달 시간 계산, 또는 은닉 마르코프 모델(HMM) 및 강화 학습 MDP의 기초로 활용할 수 있습니다.
빠른 설치
Claude Code
추천npx skills add pjt222/agent-almanac -a claude-code/plugin add https://github.com/pjt222/agent-almanacgit clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/model-markov-chainClaude Code에서 이 명령을 복사하여 붙여넣어 스킬을 설치하세요
문서
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。
用
- 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)
入
必
| Input | Type | Description |
|---|---|---|
state_space | list/vector | Exhaustive enumeration of all states in the chain |
transition_data | matrix, data frame, or edge list | Raw transition counts, a probability matrix, or a rate matrix (for CTMC) |
chain_type | string | Either "discrete" (DTMC) or "continuous" (CTMC) |
可
| Input | Type | Default | Description |
|---|---|---|---|
initial_distribution | vector | uniform | Starting state probabilities |
time_horizon | integer/float | 100 | Number of steps (DTMC) or time units (CTMC) for simulation |
tolerance | float | 1e-10 | Convergence tolerance for iterative computations |
absorbing_states | list | auto-detect | States explicitly marked as absorbing |
labels | list | state indices | Human-readable names for each state |
method | string | "eigen" | Solver method: "eigen", "power", or "linear_system" |
行
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 C,C[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:
- 復:類無向他類之去邊
- 瞬:有去邊
- 吸: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 = pi 受 sum(pi) = 1 約。
- 重式為
pi * (P - I) = 0含歸約。 - 用特值分:
pi為P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 = 0 含 sum(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 pi 長 n、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)諸i != jm[j,j] = 1 / pi[j](均復時)
5.3. 吸鏈→算吸率與期吸時:
- 分
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 * R,R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。
驗
- 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]諸i,j
忌
- 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
參
GitHub 저장소
연관 스킬
content-collections
메타이 스킬은 콘텐츠 콜렉션(Content Collections)을 위한 프로덕션 검증된 설정을 제공합니다. 콘텐츠 콜렉션은 Markdown/MDX 파일을 Zod 검증이 포함된 타입 안전한 데이터 콜렉션으로 변환해주는 TypeScript 최우선 도구입니다. 블로그, 문서 사이트 또는 콘텐츠 중심의 Vite + React 애플리케이션을 구축할 때 타입 안전성과 자동 콘텐츠 검증을 보장하기 위해 사용하세요. Vite 플러그인 구성과 MDX 컴파일부터 배포 최적화 및 스키마 검증에 이르기까지 모든 것을 다룹니다.
polymarket
메타이 스킬은 개발자들이 Polymarket 예측 시장 플랫폼을 활용한 애플리케이션을 구축할 수 있도록 지원하며, 거래 및 시장 데이터를 위한 API 통합 기능을 포함합니다. 또한 WebSocket을 통한 실시간 데이터 스트리밍을 제공하여 실시간 거래와 시장 활동을 모니터링할 수 있습니다. 이를 통해 거래 전략을 구현하거나 실시간 시장 업데이트를 처리하는 도구를 생성하는 데 활용할 수 있습니다.
creating-opencode-plugins
메타이 스킬은 개발자들이 명령어, 파일, LSP 작업 등 25개 이상의 이벤트 유형에 연결되는 OpenCode 플러그인을 만들 수 있도록 돕습니다. JavaScript/TypeScript 모듈을 위한 플러그인 구조, 이벤트 API 명세, 구현 패턴을 제공합니다. OpenCode AI 어시스턴트의 라이프사이클을 사용자 정의 이벤트 기반 로직으로 가로채거나, 모니터링하거나, 확장해야 할 때 사용하세요.
sglang
메타SGLang은 RadixAttention 프리픽스 캐싱을 활용하여 JSON, 정규식, 에이전트 워크플로우를 위한 고속 구조화 생성에 특화된 고성능 LLM 서빙 프레임워크입니다. 특히 반복되는 프리픽스가 있는 작업에서 상당히 빠른 추론 속도를 제공하여 복잡한 구조화 출력 및 다중 턴 대화에 이상적입니다. 제약 디코딩이 필요하거나 광범위한 프리픽스 공유가 있는 애플리케이션을 구축할 때는 vLLM과 같은 대안보다 SGLang을 선택하십시오.
