Xét n=10000 quan sát từ phân phối Cauchy tiêu chuẩn, giống như phân phối t của Sinh viên với 1 bậc tự do. Các đuôi của phân phối này đủ nặng mà nó không có ý nghĩa; phân phối được tập trung tại trung vị của nóη=0.
Một chuỗi mẫu có nghĩa là Aj=1j∑ji=1Xikhông nhất quán cho tâm phân phối Cauchy. Nói một cách đơn giản, khó khăn là các quan sát rất cựcXi(tích cực hoặc tiêu cực) xảy ra với mức độ đều đặn đến mức không có cơ hội nào đểAjhội tụ đếnη=0.(Ajkhông chỉ chậm hội tụ, chúng không ' t bao giờ hội tụ. Phân phối củaAjmột lần nữa là tiêu chuẩn Cauchy [bằng chứng].)
Ngược lại, tại bất kỳ một bước trong một quá trình lấy mẫu liên tục, khoảng một nửa trong số các quan sát Xi sẽ nằm ở hai bên của η, do đó trình tự Hj của trung vị mẫu không hội tụ về η.
Sự thiếu hội tụ của Aj và sự hội tụ của Hj được minh họa bằng mô phỏng sau.
set.seed(2019) # for reproducibility
n = 10000; x = rt(n, 1); j = 1:n
a = cumsum(x)/j
h = numeric(n)
for (i in 1:n) {
h[i] = median(x[1:i]) }
par(mfrow=c(1,2))
plot(j,a, type="l", ylim=c(-5,5), lwd=2,
main="Trace of Sample Mean")
abline(h=0, col="green2")
k = j[abs(x)>1000]
abline(v=k, col="red", lty="dotted")
plot(j,h, type="l", ylim=c(-5,5), lwd=2,
main="Trace of Sample Median")
abline(h=0, col="green2")
par(mfrow=c(1,1))
Dưới đây là danh sách các bước mà |Xi|>1000. Bạn có thể thấy tác động của một số quan sát cực đoan này đối với các đường trung bình đang chạy trong ô bên trái (tại các đường chấm màu đỏ dọc).
k = j[abs(x)>1000]
rbind(k, round(x[k]))
[,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8]
k 291 898 1293 1602 2547 5472 6079 9158
-5440 2502 5421 -2231 1635 -2644 -10194 -3137
n=10000ηη,