Le théorème de Slutsky est-il toujours valide lorsque deux séquences convergent toutes les deux vers une variable aléatoire non dégénérée?

12

Je suis confus au sujet de certains détails sur le théorème de Slutsky :

Soit , deux séquences d'éléments aléatoires scalaires / vectoriels / matriciels.{Xn}{Yn}

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.XnXYnc

Xn+Yn d X+cXnYn d cXXn/Yn d X/c,
cd

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?

Nicolas H
la source

Réponses:

15

Le théorème de Slutsky ne s'étend pas à deux séquences convergeant en distributions vers une variable aléatoire. Si converge dans la distribution à , peut bien ne pas converger ou peut converger vers quelque chose d' autre que . Y X n + Y n X + YYnYXn+YnX+Y

Par exemple, si pour tous « s, ne converge pas à la différence de deux véhicules récréatifs avec la même répartition que . n X n + Y n XYn=XnnXn+YnX

Un autre contre-exemple est que, lorsque les séquences et sont indépendantes et convergent toutes les deux en distribution vers une variable normale , si l'on définit et , puis Voir la réponse de Davide pour plus de détails sur cet exemple.{ Y n } N ( 0 , 1 ) X 1N ( 0 , 1 ) X 2 = - X 1 X n d X 1 Y n d X 2 X n + Y n d X 1 + X 2 = 0{Xn}{Yn}N(0,1)X1N(0,1)X2=X1

Xn d X1Yn d X2Xn+Yn d X1+X2=0
Xi'an
la source
2
Pour que cela se prolonge, vous avez besoin de quelque chose de plus, comme l'indépendance.
kjetil b halvorsen
Ai-je raison de penser que si les deux séquences convergent à la place vers une constante, Slutsky s'applique toujours parce qu'une constante est un cas spécial (dégénéré) d'un VR?
demi-passe du
1
@ demi-passe: c'est correct.
Xi'an
4

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|1Xn:=X0Yn:=Y0n1XnXYnYXYXn+Yn2+2ρX+YXn+YnX+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 nY X + Y X n + Y nX + YXnXYnYX+YXn+YnX+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)XnYnXY(Xn+Yn)n1εRsupnP{|Xn+Yn|>R}<ε(nk)k1(Xnk+Ynk)k1Z

Proposition. Il existe des séquences de variables aléatoires gaussiennes et telles que pour tout , nous pouvons trouver une séquence croissante d'entiers tel que converge en distribution vers .(Xn)n1(Yn)n1σ[0,2](nk)k1(Xnk+Ynk)k1N(0,σ2)

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:NN2nτ1({j})×N(Xn,Yn)(1rjrj1)σ

Davide Giraudo
la source