Para pular para a conclusão imediatamente, o "momento" não altera o fato de que a distribuição normal é uma aproximação assintótica da distribuição da caminhada aleatória, mas a variação muda de para n p / ( 1 - p ) . Isso pode ser derivado de considerações relativamente elementares neste caso especial. Não é muito difícil generalizar os argumentos abaixo para uma CLT para cadeias de Markov de espaço de estado finito, digamos, mas o maior problema é realmente o cálculo da variância. Para o problema em particular, pode4np(1−p)np/(1−p)calculados, e esperamos que os argumentos abaixo possam convencer o leitor de que é a variação correta.
Usando o insight que o Cardinal fornece em um comentário, a caminhada aleatória é dada como
que X k ∈ { - 1 , 1 } e os X k formam uma cadeia de Markov com matriz de probabilidade de transição
( p 1 - p 1 - p p ) .
Para considerações assintóticas quando n → ∞ a distribuição inicial de X 1 não desempenha nenhum papel, então vamos corrigir
Sn=∑k=1nXk
Xk∈{−1,1}Xk(p1−p1−pp).
n→∞X1 para o argumento a seguir e assuma também que
0 < p < 1 . Uma técnica eficiente é decompor a cadeia de Markov em ciclos independentes. Seja
σ 1 denotar a primeira vez, após o tempo 1, que a cadeia de Markov retorna a 1. Ou seja, se
X 2 = 1 então
σ 1 = 2 , e se
X 2 = X 3 = - 1 e
X 4 = 1 então
σ 1 = 4X1=10<p<1σ1X2=1σ1=2X2=X3=−1X4=1σ1=4. Em geral, deixe
denotar o
i- ésimo tempo de retorno para 1 e deixe
τ i = σ i - σ i - 1 denotar os
tempos de inter-retorno (com
σ 0 = 1 ). Com essas definições, temos
σiiτi=σi−σi−1σ0=1
- Com então
S σ n = X 1 + n ∑ i = 1 U i .Ui=∑σik=σi−1+1Xk
Sσn=X1+∑i=1nUi.
- Como assume o valor - 1 para k = σ i - 1 + 1 , … , σ i - 1 e X σ i = 1, ele sustenta que
U i = 2 - τ i .Xk−1k=σi−1+1,…,σi−1Xσi=1
Ui=2−τi.
- Os tempos entre retornos, , para uma cadeia de Markov são iid (formalmente devido à forte propriedade de Markov) e, neste caso, com média E ( τ i ) = 2 e variação V ( τ i ) = 2 pτiE(τi)=2 . É indicado como calcular a média e a variação abaixo.V(τi)=2p1−p
- O CLT comum para variáveis iid produz que
Sσn∼asympN(0,2np1−p).
- A última coisa a nota, que requer um pequeno salto de fé, porque deixar de fora os detalhes, é que , que os rendimentos que
S n asymp ~ N ( 0 , n pσn=1+∑ni=1τi∼2n
Sn∼asympN(0,np1−p).
Para calcular os momentos de pode-se notar que P ( τ 1 = 1 ) = p e para m ≥ 2 , P ( τ 1 = m ) = ( 1 - p ) 2 p m - 2 . Em seguida, técnicas semelhantes às usadas ao calcular momentos para a distribuição geométrica podem ser aplicadas. Alternativamente, se X é geométrico com probabilidade de sucesso 1 - p e Z =τ1P(τ1=1)=pm≥2P(τ1=m)=(1−p)2pm−2X1−pZ=1(τ1=1)1+X(1−Z)τ1