Je suis confus au sujet de certains détails sur le théorème de Slutsky :
Soit , deux séquences d'éléments aléatoires scalaires / vectoriels / matriciels.
Si converge en distribution vers un élément aléatoire et converge en probabilité vers une constante , alors condition que soit inversible, où dénote la convergence dans la distribution.
Si les deux séquences du théorème de Slutsky convergent toutes les deux vers une variable aléatoire non dégénérée, le théorème est-il toujours valide, et sinon (quelqu'un pourrait-il fournir un exemple?), Quelles sont les conditions supplémentaires pour le rendre valide?
Supposons que est un vecteur centré gaussien dont la matrice de covariance est avec . Définissez et pour . Puis et , où et sont une variable aléatoire normale standard. Cependant, est gaussien, centré et sa variance est . Puisque rien n'est connu sur la distribution de , nous ne pouvons pas affirmer que dans la distribution.( 1 ρ ρ 1 ) | ρ | ⩽ 1(X0,Y0) (1ρρ1) |ρ|⩽1 Xn:=X0 Yn:=Y0 n⩾1 Xn→X Yn→Y X Y Xn+Yn 2+2ρ X+Y Xn+Yn→X+Y
Cet exemple montre que nous pouvons avoir en général et dans la distribution, mais si nous n'avons pas d'informations sur la distribution de , la convergence peut échouer.Y n → Y X + Y X n + Y n → X + YXn→X Yn→Y X+Y Xn+Yn→X+Y
Bien sûr, tout va bien si dans la distribution (par exemple si est indépendant de et de En général, nous ne pouvons affirmer que la séquence est serré (c'est-à-dire que pour chaque positif , on peut trouver tel que ). Cela implique que nous pouvons trouver une suite croissante d'entiers telle que converge dans la distribution à une variable aléatoire .(Xn,Yn)→(X,Y) Xn Yn X Y (Xn+Yn)n⩾1 ε R supnP{|Xn+Yn|>R}<ε (nk)k⩾1 (Xnk+Ynk)k⩾1 Z
Preuve. Considérons une énumération de nombres rationnels de et une bijection . Pour , définissez comme un vecteur gaussien centré de matrice de covariance . Avec ce choix, on peut voir que la conclusion de la proposition est satisfaite lorsque est rationnel. Utilisez un argument d'approximation pour le cas général.(rj) [−1,1] τ:N→N2 n∈τ−1({j})×N (Xn,Yn) (1rjrj1) σ
la source