Le théorème de la limite centrale (CLT) indique que pour indépendants et répartis de manière identique (iid) avec et , la somme converge vers une distribution normale comme :
Supposons plutôt que forment une chaîne de Markov à états finis avec une distribution stationnaire avec l'espérance 0 et la variance bornée. Existe-t-il une simple extension de CLT pour ce cas?
Les articles que j'ai trouvés sur CLT for Markov Chains traitent généralement des cas beaucoup plus généraux. Je vous serais très reconnaissant de bien vouloir indiquer le résultat général pertinent et d'expliquer comment il s'applique.
markov-process
central-limit-theorem
tom4everitt
la source
la source
Réponses:
La réponse d'Alex R. est presque suffisante, mais j'ajoute quelques détails supplémentaires. Dans le théorème de la limite centrale de la chaîne de Markov - Galin L. Jones , si vous regardez le théorème 9, il dit:
Pour les espaces d'états finis, toutes les chaînes de Markov irréductibles et apériodiques sont uniformément ergodiques. La preuve de cela implique une expérience considérable dans la théorie de la chaîne de Markov. Une bonne référence serait la page 32, au bas du théorème 18 ici .
Par conséquent, la chaîne de Markov CLT serait valable pour toute fonction ayant un second moment fini. La forme que prend le CLT est décrite comme suit.f
Soit l'estimateur à moyenne temporelle de , puis comme le souligne Alex R., comme ,f¯n Eπ[f] n→∞ f¯n=1n∑i=1nf(Xi)→a.s.Eπ[f].
La chaîne de Markov CLT estn−−√(f¯n−Eπ[f])→dN(0,σ2),
oùσ2=Varπ(f(X1))Expected term+2∑k=1∞Covπ(f(X1),f(X1+k))Term due to Markov chain.
Une dérivation pour le terme peut être trouvée sur la page 8 et la page 9 des notes MCMC de Charles Geyer iciσ2
la source
Le résultat "habituel" pour les chaînes de Markov est le théorème ergodique de Birkhoff, qui dit que
où est la distribution stationnaire, et satisfait , et la convergence est presque sûre.π f E|f(X1)|<∞
Malheureusement, les fluctuations de cette convergence sont généralement assez difficiles. Cela est principalement dû à l'extrême difficulté de déterminer les limites de variation totale de la vitesse à laquelle converge vers la distribution stationnaire . Il existe des cas connus où les fluctuations sont analogues au CLT, et vous pouvez trouver certaines conditions sur la dérive qui font que l'analogie tient: Sur le théorème de la limite centrale de la chaîne de Markov - Galin L. Jones (voir le théorème 1).Xi π
Il y a aussi des situations stupides, par exemple une chaîne à deux états, où l'un est absorbant (c'est-à-dire et Dans ce cas, il n'y a pas de fluctuations, et vous obtenir la convergence vers une distribution normale dégénérée (une constante).P(1→2)=1 P(2→1)=0
la source