Il teorema ergodico giustifica il passaggio dalle medie d’insieme alle medie temporali. In termini operativi dice che, sotto opportune ipotesi di ergodicità, una media calcolata lungo una traiettoria lunga converge alla media teorica del processo.
Per un processo stazionario ergodico:
Per un processo a tempo discreto:
Qui “q.c.” significa quasi certamente.
Catene di Markov
Per una catena di Markov a stati discreti, con distribuzione stazionaria \pi, una forma molto usata è:
quando la catena è, per esempio, irriducibile, aperiodica e ricorrente positiva.
Significato
Il teorema non dice solo che una distribuzione limite esiste. Dice che le medie empiriche lungo una singola traiettoria sono affidabili nel lungo periodo. È il fondamento matematico di molte stime sperimentali, simulazioni Monte Carlo, catene MCMC, misure di rumore e medie temporali di segnali aleatori.
| Contesto | Cosa garantisce |
|---|---|
| segnale stazionario | una registrazione lunga può stimare la media teorica |
| catena di Markov | la media lungo la catena converge alla media sotto \pi |
| MCMC | le medie campionarie stimano integrali rispetto alla distribuzione bersaglio |
Differenza da stazionarietà
La stazionarietà dice che la legge del processo non cambia nel tempo. Il teorema ergodico richiede di più: la traiettoria deve visitare lo spazio degli stati in modo rappresentativo. Senza ergodicità, una media temporale può dipendere dalla componente in cui la traiettoria è rimasta confinata.
Errori comuni
- Applicare il teorema durante il transitorio iniziale di una simulazione.
- Confondere convergenza quasi certa delle medie con indipendenza dei campioni.
- Dimenticare che catene periodiche o riducibili possono avere una distribuzione stazionaria ma non comportarsi ergodicamente da ogni stato iniziale.
- Stimare l’errore Monte Carlo ignorando autocorrelazione e tempo di mixing.
Vedi anche: Ergodicità, Stazionarietà, Catena di Markov, Distribuzione stazionaria, Markov Chain Monte Carlo.