Es ist nicht wahr, dass MCMC, die eine detaillierte Bilanz erfüllen, immer die stationäre Verteilung ergeben. Sie müssen den Prozess auch ergodisch gestalten . Mal sehen warum:
xichpt( i )
pt(i ) = ∑jΩj→ ipt - 1( j)
Ωj → iq( x | y) ).
Also haben wir das
pt( i ) = ∑j( Ωj → i)tp0( j )
Ωj → i eine Übergangswahrscheinlichkeit ist, impliziert, dass seine Eigenwerte zum Intervall [0,1] gehören müssen.
p0( j )
π
Ergodizität impliziert 1., detailliertes Gleichgewicht impliziert 2., und deshalb bilden beide eine notwendige und ausreichende Bedingung für asymptotische Konvergenz.
Warum detailliertes Gleichgewicht 2 impliziert:
Ab
p ( i ) Ωi j= Ωj ip ( j )
und summieren über j auf beiden Seiten erhalten wir
p ( i ) = ∑jΩj ip ( j )
da ∑jΩi j= 1, da man immer irgendwohin fährt.
Die obige Gleichung ist die Definition von Eigenwert 1 (leichter zu erkennen, wenn Sie ihn in Vektorform schreiben :)
1. v = Ω ⋅ v