Để đi đến kết luận ngay lập tức, "động lượng" không thay đổi thực tế rằng phân phối bình thường là một xấp xỉ tiệm cận của phân phối ngẫu nhiên, nhưng phương sai thay đổi từ thành . Điều này có thể được bắt nguồn từ những cân nhắc tương đối cơ bản trong trường hợp đặc biệt này. Nói chung, không khó để khái quát hóa các đối số dưới đây thành CLT cho các chuỗi Markov không gian trạng thái hữu hạn, nhưng vấn đề lớn nhất thực sự là sự tính toán của phương sai. Đối với vấn đề cụ thể, nó có thể được tính toán và hy vọng các lập luận dưới đây có thể thuyết phục người đọc rằng đó là phương sai chính xác.n p / ( 1 - p )4np(1−p)np/(1−p)
Sử dụng thông tin chi tiết mà Hồng y cung cấp trong một nhận xét, bước đi ngẫu nhiên được đưa ra là
trong đó và tạo thành chuỗi Markov với ma trận xác suất chuyển tiếp
Đối với các cân nhắc tiệm cận khi , phân phối ban đầu của không có vai trò, vì vậy, hãy sửa vì lý do sau của đối số sau và giả sử là . Một kỹ thuật khéo léo là phân hủy chuỗi Markov thành các chu kỳ độc lập. Hãy đểX k ∈ { - 1 , 1 } X k ( p 1 - p 1 - p p ) . n → ∞ X 1 X 1 = 1 0 < p < 1 σ 1 X 2 = 1 σ 1 = 2 X 2 = X 3
Sn=∑k=1nXk
Xk∈{−1,1}Xk(p1−p1−pp).
n→∞X1X1=10<p<1σ1biểu thị lần đầu tiên, sau lần 1, chuỗi Markov trở về 1. Nghĩa là, nếu thì và nếu và thì . Nói chung, hãy để biểu thị thời gian trả về của là 1 và hãy để biểu thị
thời gian trả lại (với ). Với những định nghĩa này, chúng ta có
X2=1σ1=2X 4 = 1 σ 1 = 4 σ i i τ i = σ i - σ i - 1 σ 0 = 1X2=X3=−1X4=1σ1=4σiiτi=σi−σi−1σ0=1
- Với thì
S σ n = X 1 + n Σ i = 1 U i .Ui=∑σik=σi−1+1Xk
Sσn=X1+∑i=1nUi.
- Vì lấy giá trị cho và nên nó giữ
- 1 k = σ i - 1 + 1 , ... , σ i - 1 X σ i = 1 U i = 2 - τ i .Xk−1k=σi−1+1,…,σi−1Xσi=1
Ui=2−τi.
- Thời gian trả lại, , cho chuỗi Markov là iid (chính thức do thuộc tính Markov mạnh) và trong trường hợp này có nghĩa là và phương sai . Nó được chỉ định làm thế nào để tính giá trị trung bình và phương sai dưới đây. E ( τ i ) = 2 V ( τ i ) = 2 pτiE(τi)=2V(τi)=2p1−p
- CLT thông thường cho các biến iid mang lại
Sσn∼asympN(0,2np1−p).
- Điều cuối cùng cần lưu ý, đòi hỏi một bước nhảy đức tin nhỏ, bởi vì tôi bỏ qua các chi tiết, đó là , mang lại
S n asymp ~ N ( 0 , n pσn=1+∑ni=1τi∼2n
Sn∼asympN(0,np1−p).
Để tính toán các khoảnh khắc của người ta có thể lưu ý rằng và với , . Sau đó, các kỹ thuật tương tự như các kỹ thuật được sử dụng khi tính toán các khoảnh khắc cho phân phối hình học có thể được áp dụng. Ngoài ra, nếu là hình học với xác suất thành công và thì có cùng phân phối với và rất dễ tính toán giá trị trung bình và phương sai cho đại diện sau này.τ1P(τ1=1)=pm≥2P(τ1=m)=(1−p)2pm−2X1−pZ=1(τ1=1)1+X(1−Z)τ1