Para llegar inmediatamente a la conclusión, el "impulso" no cambia el hecho de que la distribución normal es una aproximación asintótica de la distribución de la caminata aleatoria, pero la varianza cambia de a n p / ( 1 - p ) . Esto puede derivarse de consideraciones relativamente elementales en este caso especial. No es muy difícil generalizar los argumentos a continuación a un CLT para cadenas de Markov de espacio de estado finito, por ejemplo, pero el mayor problema es en realidad el cálculo de la varianza. Para el problema particular puede4np(1−p)np/(1−p)se calcula y, con suerte, los argumentos a continuación pueden convencer al lector de que es la variación correcta.
Utilizando la información que Cardinal proporciona en un comentario, la caminata aleatoria se da como
donde X k ∈ { - 1 , 1 } y las X k forman una cadena de Markov con matriz de probabilidad de transición
( p 1 - p 1 - p p ) .
Para consideraciones asintóticas cuando n → ∞ la distribución inicial de X 1 no juega ningún papel, entonces arreglemos
Sn=∑k=1nXk
Xk∈{−1,1}Xk(p1−p1−pp).
n→∞X1 en aras del siguiente argumento, y supongamos también que
0 < p < 1 . Una técnica ingeniosa es descomponer la cadena de Markov en ciclos independientes. Supongamos que
σ 1 denota la primera vez, después del tiempo 1, que la cadena de Markov vuelve a 1. Es decir, si
X 2 = 1 entonces
σ 1 = 2 , y si
X 2 = X 3 = - 1 y
X 4 = 1 entonces
σ 1 = 4X1=10<p<1σ1X2=1σ1=2X2=X3=−1X4=1σ1=4. En general, supongamos que
denota el
i -ésimo tiempo de retorno a 1 y que
τ i = σ i - σ i - 1 denota los
tiempos de retorno (con
σ 0 = 1 ). Con estas definiciones, tenemos
σiiτi=σi−σi−1σ0=1
- Con entonces
S σ n = X 1 + n ∑ i = 1 U i .Ui=∑σik=σi−1+1Xk
Sσn=X1+∑i=1nUi.
- Dado que toma el valor - 1 para k = σ i - 1 + 1 , … , σ i - 1 y X σ i = 1 mantiene que
U i = 2 - τ i .Xk−1k=σi−1+1,…,σi−1Xσi=1
Ui=2−τi.
- Los tiempos entre retornos, , para una cadena de Markov son iid (formalmente debido a la fuerte propiedad de Markov) y en este caso con la media E ( τ i ) = 2 y la varianza V ( τ i ) = 2 pτiE(τi)=2 . A continuación se indica cómo calcular la media y la varianza.V(τi)=2p1−p
- El CLT ordinario para las variables iid produce que
Sσn∼asympN(0,2np1−p).
- La última cosa a tener en cuenta, que requiere un pequeño salto de fe, porque omito los detalles, es que , lo que produce que
S n asymp ∼ N ( 0 , n pσn=1+∑ni=1τi∼2n
Sn∼asympN(0,np1−p).
τ1P(τ1=1)=pm≥2P(τ1=m)=(1−p)2pm−2X1−pZ=1(τ1=1)1+X(1−Z)τ1