model-markov-chain
О программе
Этот навык создает и анализирует дискретные или непрерывные цепи Маркова для моделирования систем без памяти. Он позволяет строить матрицы переходов, классифицировать состояния, вычислять стационарное распределение и рассчитывать средние времена первого достижения. Используйте его для определения стационарных вероятностей, ожидаемых времен достижения или в качестве основы для скрытых марковских моделей (HMM) и марковских процессов принятия решений (MDP) в обучении с подкреплением.
Быстрая установка
Claude Code
Рекомендуетсяnpx 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-chainСкопируйте и вставьте эту команду в Claude Code для установки этого навыка
Документация
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 репозиторий
Frequently asked questions
What is the model-markov-chain skill?
model-markov-chain is a Claude Skill by pjt222. Skills package instructions and resources that Claude loads on demand, so Claude can perform model-markov-chain-related tasks without extra prompting.
How do I install model-markov-chain?
Use the install commands on this page: add model-markov-chain to Claude Code as a plugin, or clone its repository into your skills directory, then restart Claude so it picks up the skill.
What category does model-markov-chain belong to?
model-markov-chain is in the Meta category, tagged ai and design.
Is model-markov-chain free to use?
Yes. model-markov-chain is listed on AIMCP and free to install. It runs inside Claude, so no separate service account is required to use the skill itself.
Похожие навыки
Этот навык предоставляет проверенную в продакшене настройку для Content Collections — TypeScript-ориентированного инструмента, который преобразует файлы Markdown/MDX в типобезопасные коллекции данных с валидацией Zod. Используйте его при создании блогов, сайтов документации или контентных приложений на Vite + React для обеспечения типобезопасности и автоматической проверки содержимого. Он охватывает всё: от настройки плагина Vite и компиляции MDX до оптимизации развертывания и валидации схем.
Этот навык позволяет разработчикам создавать приложения на платформе прогнозных рынков Polymarket, включая интеграцию с API для торговли и получения рыночных данных. Он также обеспечивает потоковую передачу данных в реальном времени через WebSocket для отслеживания текущих сделок и рыночной активности. Используйте его для реализации торговых стратегий или создания инструментов, обрабатывающих обновления рынка в реальном времени.
Этот навык помогает разработчикам создавать плагины OpenCode, которые подключаются к более чем 25 типам событий, таким как команды, файлы и операции LSP. Он предоставляет структуру плагина, спецификации API событий и шаблоны реализации для модулей на JavaScript/TypeScript. Используйте его, когда вам нужно перехватывать, отслеживать или расширять жизненный цикл ассистента OpenCode AI с помощью пользовательской событийно-ориентированной логики.
SGLang — это высокопроизводительный фреймворк для обслуживания больших языковых моделей (LLM), специализирующийся на быстрой структурированной генерации JSON, regex и рабочих процессов агентов с использованием кэширования префиксов RadixAttention. Он обеспечивает значительно более высокую скорость вывода, особенно для задач с повторяющимися префиксами, что делает его идеальным для сложных структурированных результатов и многократных диалогов. Выбирайте SGLang вместо альтернатив, таких как vLLM, когда вам требуется ограниченное декодирование или вы создаете приложения с интенсивным совместным использованием префиксов.
