Estoy repitiendo una acción cada diez minutos; ocurre el minuto de cada hora. Si en cambio lo repito cada minutos, elegido 50/50, cada minuto de la hora se vuelve igualmente probable en el límite. ¿Por qué?
Formalmente: dejar ser dado, y dejar distribuirse uniformemente en un subconjunto de tal que su soporte contiene dos valores y con . Dejar . Entonces conjeturo que las distribuciones de convergen a una distribución uniforme en como va al infinito. ¿Es esto cierto? ¿Por qué?
Además, ¿puede el requisito de uniformidad en ¿estar relajado? ¿Qué significa la convergencia de una función (por ejemplo, la función de densidad de probabilidad de ) incluso decir? Supongo que dado que no es cero en solo un número finito de puntos, ¿lo que quiero es una convergencia puntual? Mis propias ideas de prueba se centran en el CLT, y tal vez dado que su función de densidad es (¿uniforme?) continua, si aumento lo suficiente como para aumentar la dispersión, por lo que la diferencia de masa de probabilidad a través de cubos de modificación consecutivos se pueden limitar arbitrariamente cerca de 0. ¿Es este un camino fructífero?
Denotemos la transformada de Fourier de por
y consideración como una función en . Dado que los puntos en son puntos extremos del conjunto convexo , lo sabemos si y solo si es constante como Esto equivale a decir que
cuando sea y mentir en el apoyo de . Ahora, bajo la suposición del OP, esto puede ocurrir solo para . Como consecuencia, para y por lo tanto
Desde es la transformada de Fourier de la distribución uniforme sobre , resulta que converge en distribución a la distribución uniforme sobre .
Si es una secuencia iid de variables aleatorias admitidas en . Si , entonces se apoya en . Por lo tanto, es suficiente considerar medidas discretas con apoyo fino sobre el círculo .
La transformada de Fourier de la distribución uniforme para es
Dejar ser una secuencia iid soportada en con distribución tal que hay con tal que . Dejar
Comencemos con el caso más fácil, donde Definir . En este caso se distribuye binomialmente con Pruebas y probabilidad de éxito. . Supongamos por simplicidad que divide . Por lo tanto, para todos
Sin embargo, no estoy seguro de que un argumento combinatorio de este tipo pueda extenderse fácilmente a subconjuntos arbitrarios. Creo que el CLT podría ser útil, pero no sé cómo aplicarlo exactamente.
Con respecto a su pregunta sobre el significado de la convergencia de variables aleatorias, hay varias definiciones que se presentan, por ejemplo, en https://en.wikipedia.org/wiki/Convergence_of_random_variables . En su caso, hablamos de convergencia en la distribución, es decir, las masas de probabilidad convergen a para todos , cuando . Hay formas más fuertes de convergencia, que deberían probarse por separado.
Dejar ser independientes e idénticamente distribuidos con apoyo en un subconjunto de para algunos , con dado tal que y .
Entonces existen números enteros tal que
Dejar . Entonces el formar una cadena de Markov (gracias a iid). Dejar sea su matriz de transición. Dado que se puede acceder a cada estado desde cualquier otro estado después de algunos transiciones, la cadena es regular (en la terminología de Snell y Grinstead, ver http://pi.math.cornell.edu/~web3040/amsbook.mac-probability.pdf ).
Como la cadena es regular, converge a una matriz como donde todas las filas equivalen a algún vector de probabilidad (un vector es un vector de probabilidad si cada entrada está en y la suma de las entradas es 1). Además, si entonces es múltiplo de (ver Snell y Grinstead).
Dejar sea el vector fila con todas las entradas son 1. Entonces
Algunas generalizaciones: una cadena de Markov con matriz es reversible si cada fila de es un vector de probabilidad. Cada cadena de Markov reversible tiene una distribución uniforme sobre estados como su estado estacionario, es decir como dónde es el número de estados.
Dejar ser permutaciones de un conjunto finito de estados tal que
Si cada transición elige aleatoriamente un según cualquier distribución y mapas de cada estado a , entonces la cadena de Markov será reversible. Si el conjunto de estados es un grupo y cada uno entonces el formar una familia así. módulo de adición es un grupo
Para cualquier familia así sobre un grupo cíclico abeliano, si es un generador del grupo para algunos y , la cadena de Markov será regular (y por lo tanto convergente). si tenemos entonces es un generador de este tipo.
Además, si existe con y , y es un generador del grupo, entonces la cadena de Markov es regular: tomar el productos que generan cada elemento y los rellenan con -productos valorados de longitud o hasta que todas las secuencias generadoras tengan la misma longitud. Ahora se puede llegar a todos los elementos desde en un número fijo de pasos; pero luego se puede llegar a cada elemento desde cualquier otro elemento en un número fijo de pasos. Esto supone que todos los elementos involucrados se eligen con probabilidad positiva.
Pedro O.