Étapes de distributions de Markov finies
Faites évoluer un vecteur de probabilités sur au plus 100 transitions d’une matrice de Markov d’au plus huit états.
from math import fsum, isfinite
def markov_steps(initial, matrix, steps):
if type(initial) is not list or not 1 <= len(initial) <= 8:
raise ValueError("state count")
n = len(initial)
if type(matrix) is not list or len(matrix) != n or any(
type(row) is not list or len(row) != n for row in matrix):
raise ValueError("square matrix")
rows = [initial] + matrix
if any(type(x) not in (int, float) or not 0 <= x <= 1 or
not isfinite(x) for row in rows for x in row):
raise ValueError("probability values")
if any(abs(fsum(row)-1) > 1e-12 for row in rows):
raise ValueError("row sums")
if type(steps) is not int or not 0 <= steps <= 100:
raise ValueError("step count")
result = initial[:]
for _ in range(steps):
result = [fsum(result[i] * matrix[i][j] for i in range(n))
for j in range(n)]
return result| Vérifiez avant d’appliquer | Comparez le comportement observé au résultat attendu. Si une vérification échoue, cherchez la cause avant de poursuivre les modifications. |
|---|---|
| Modèles | Configurez un endpoint compatible OpenAI ou Anthropic avec son URL de base et une clé API si nécessaire. Testez la connexion. Un serveur local doit fonctionner ; les outils distants peuvent transmettre des données séparément. |
| Projet | Testez zéro étape et les états absorbants, en rejetant les valeurs négatives et les sommes de ligne éloignées de un de plus de 1e-12. |
from math import fsum, isfinite
def markov_steps(initial, matrix, steps):
if type(initial) is not list or not 1 <= len(initial) <= 8:
raise ValueError("state count")
n = len(initial)
if type(matrix) is not list or len(matrix) != n or any(
type(row) is not list or len(row) != n for row in matrix):
raise ValueError("square matrix")
rows = [initial] + matrix
if any(type(x) not in (int, float) or not 0 <= x <= 1 or
not isfinite(x) for row in rows for x in row):
raise ValueError("probability values")
if any(abs(fsum(row)-1) > 1e-12 for row in rows):
raise ValueError("row sums")
if type(steps) is not int or not 0 <= steps <= 100:
raise ValueError("step count")
result = initial[:]
for _ in range(steps):
result = [fsum(result[i] * matrix[i][j] for i in range(n))
for j in range(n)]
return resultGardez les conventions de probabilité claires pendant une modification
StepMaranta offre aux tâches de modélisation probabiliste un espace de programmation avec IA pour Windows, avec contexte de projet et conversation avec un modèle connecté. Commencez par la convention de l’application pour les états et transitions, puis identifiez la routine et son consommateur. Demander une explication avant une modification aide à distinguer un désaccord d’interprétation d’une erreur de calcul.
Une tâche de transitions de Markov finies peut préciser une distribution initiale, une matrice de transition par lignes et un nombre borné de pas. Ajoutez à la demande la plage de probabilités acceptée et la tolérance de somme des lignes. Demandez comment le code proposé préserve ce contrat avec zéro pas et dans un état absorbant, au lieu d’accepter une sortie simplement parce que les nombres semblent plausibles.
Examinez la modification obtenue avec des distributions attendues explicites dans vos propres tests de projet. Vérifiez séparément les dimensions mal formées et les valeurs négatives, d’une part, et le comportement valide des transitions, d’autre part. Gardez l’entrée initiale avec la sortie lors de l’examen des mutations. Cette approche relie une proposition numérique à des exigences applicatives observables sans présenter l’espace de travail comme un service de validation statistique.
StepMaranta prend en charge les connexions à des points de terminaison compatibles OpenAI ou Anthropic et les identifiants nécessaires. Vous pouvez choisir un modèle d’IA sans restrictions si votre point de terminaison en propose un. Les restrictions, outils disponibles et limites de contexte dépendent de ce modèle et du serveur. Votre définition de la convention de transition et vos résultats de vérification restent essentiels à l’acceptation du code proposé.
Questions sur un correctif de modèle de transition
- Quelle convention de matrice fournir ?
Précisez si chaque ligne décrit les transitions depuis un état et comment la distribution initiale est représentée. Incluez un petit résultat attendu. Cela aide le modèle à examiner l’implémentation sans substituer silencieusement une convention transposée que les appelants n’utilisent pas.
- Pourquoi vérifier explicitement zéro pas ?
Cela rend observable l’exigence de préserver la distribution initiale et peut révéler une mutation indésirable. Précisez si un objet résultat distinct est nécessaire, puis testez les valeurs renvoyées et l’entrée initiale avec les propres vérifications du projet avant d’accepter l’implémentation proposée.
- Comment inclure la tolérance de somme des lignes dans la demande ?
Donnez la tolérance requise par l’application et expliquez ce qui se passe en dehors. Examinez la validation séparément du calcul des transitions. Un modèle peut discuter d’autres options, mais ne doit pas choisir discrètement un autre seuil d’acceptation en réalisant une modification sans rapport.
- Un exemple réussi d’état absorbant valide-t-il tout le modèle ?
Non. Il vérifie un comportement utile du code. Incluez d’autres cas pertinents et évaluez si les hypothèses du modèle conviennent à l’application. L’espace de travail permet l’examen du code ; il n’établit pas la validité scientifique des probabilités fournies.
StepMaranta · Mis à jour 2026-10-25