13 votos

La convergencia de los tipos en la teoría de la probabilidad : Contraejemplos

Sé que las implicaciones siguientes son verdaderas:

$$\text{Almost sure convergence} \Rightarrow \text{ Convergence in probability } \Leftarrow \text{ Convergence in }L^p $$

$$\Downarrow$$

$$\text{Convergence in distribution}$$

Estoy buscando algunos (preferiblemente fácil) contraejemplos para los contraejemplos de estas implicaciones.

22voto

user36150 Puntos 8
  1. La convergencia en probabilidad no implica la convergencia casi seguramente: Considerar la secuencia de variables aleatorias $(X_n)_{n \in \mathbb{N}}$ en la probabilidad de espacio $((0,1],\mathcal{B}((0,1]))$ (dotado con medida de Lebesgue $\lambda$) definido por $$\begin{align*} X_1(\omega) &:= 1_{\big(\frac{1}{2},1 \big]}(\omega) \\ X_2(\omega) &:= 1_{\big(0, \frac{1}{2}\big]}(\omega) \\ X_3(\omega) &:= 1_{\big(\frac{3}{4},1 \big]}(\omega) \\ X_4(\omega) &:= 1_{\big(\frac{1}{2},\frac{3}{4} \big]}(\omega)\\ &\vdots \end{align*}$$ Then $X_n$ does not convergence almost surely (since for any $\omega \en (0,1]$ and $N \in \mathbb{N}$ there exist $m,n \geq N$ such that $X_n(\omega)=1$ and $X_m(\omega)=0$). On the other hand, since $$\mathbb{P}(|X_n|>0) \to 0 \qquad \text{as} \, \, n \to \infty,$$ it follows easily that $X_n$ converges in probability to $0$.
  2. La convergencia en distribución no implica la convergencia en probabilidad: Tomar cualquiera de las dos variables aleatorias $X$ $Y$ tal que $X \neq Y$ casi seguramente, pero $X=Y$ en distribución. A continuación, la secuencia $$X_n := X, \qquad n \in \mathbb{N}$$ converges in distribution to $Y$. On the other hand, we have $$\mathbb{P}(|X_n-Y|>\epsilon) = \mathbb{P}(|X-Y|>\epsilon) >0$$ for $\epsilon>0$ sufficiently small, i.e. $X_n$ does not converge in probability to $$Y.
  3. La convergencia en probabilidad no implica la convergencia en $L^p$ I: Consideran que la probabilidad de espacio $((0,1],\mathcal{B}((0,1]),\lambda|_{(0,1]})$ y definir $$X_n(\omega) := \frac{1}{\omega} 1_{\big(0, \frac{1}{n}\big]}(\omega).$$ It is not difficult to see that $X_n \a 0$ almost surely; hence in particular $X_n \a 0$ in probability. As $X_n \noen L^1$, convergence in $L^1$ does not hold. Note that $L^1$-convergencia falla debido a que las variables aleatorias no son integrables.
  4. La convergencia en probabilidad no implica la convergencia en $L^p$ II: Consideran que la probabilidad de espacio $((0,1],\mathcal{B}((0,1]),\lambda|_{(0,1]})$ y definir $$X_n(\omega) := n 1_{\big(0, \frac{1}{n}\big]}(\omega).$$ Then $$\mathbb{P}(|X_n|>\epsilon) = \frac{1}{n} \to 0 \qquad \text{as} \, \, n \to \infty$$ for any $\epsilon \en (0,1)$. This shows that $X_n \a 0$ in probability. Since $$\mathbb{E}X_n = n \cdot \frac{1}{n} = 1$$ the sequence does not converge to $0$ in $L^1$. Note that $L^1$-convergence fails although the random variables are integrable. (Just as a side remark: This example shows that convergence in probability does also not imply convergence in $L^p_{\text{col}}$.)

i-Ciencias.com

I-Ciencias es una comunidad de estudiantes y amantes de la ciencia en la que puedes resolver tus problemas y dudas.
Puedes consultar las preguntas de otros usuarios, hacer tus propias preguntas o resolver las de los demás.

Powered by: