พิจารณาn=10000การสังเกต 000ครั้งจากการแจกแจงแบบมาตรฐานของโคชีซึ่งเป็นแบบเดียวกับการแจกแจงแบบนักศึกษาที่มีอิสระในระดับ 1 หางของการกระจายนี้หนักพอที่มันจะไม่ได้หมายความว่า; การกระจายอยู่กึ่งกลางที่ค่ามัธยฐานของมันη=0.
ลำดับตัวอย่างหมายถึงAj=1j∑ji=1Xiไม่สอดคล้องกับศูนย์กลางของการแจกแจง Cauchy พูดประมาณความยากลำบากก็คือว่าข้อสังเกตที่รุนแรงมากXi(บวกหรือลบ) เกิดขึ้นอย่างสม่ำเสมอพอว่ามีโอกาสไม่เจที่จะมาบรรจบกันเพื่อη=0(ในเจจะไม่เพียงแค่ช้าที่จะมาบรรจบกันที่พวกเขาสวม' ไม่เคยมาบรรจบกันการกระจายของAjเป็นมาตรฐานอีกครั้ง Cauchy [พิสูจน์].)Ajη=0.AjAj
ในทางตรงกันข้ามที่ใดขั้นตอนหนึ่งในกระบวนการการสุ่มตัวอย่างอย่างต่อเนื่องประมาณครึ่งหนึ่งของการสังเกตXiจะอยู่ที่ด้านข้างของทั้งη,เพื่อให้ลำดับHjของมีเดียตัวอย่างไม่บรรจบกันเพื่อηη.
การขาดการบรรจบกันของAjและการบรรจบกันของHjนี้แสดงให้เห็นจากการจำลองดังต่อไปนี้
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))
นี่คือรายการของขั้นตอนที่|Xi|>1000.คุณสามารถเห็นผลกระทบของการสังเกตอย่างรุนแรงเหล่านี้ต่อค่าเฉลี่ยการวิ่งในพล็อตทางด้านซ้าย (ที่เส้นประสีแดงแนวตั้ง)
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
ความสอดคล้องในการประเมินที่สำคัญ:ในการสุ่มตัวอย่างจากประชากร Cauchy ค่าเฉลี่ยตัวอย่างของตัวอย่างของn=10000การสังเกตหลายพันครั้งไม่ได้ดีไปกว่าการประมาณจุดศูนย์กลางηมากกว่าการสังเกตเพียงครั้งเดียว โดยคมชัดตัวอย่างสอดคล้องลู่ค่ามัธยฐานη,เพื่อให้กลุ่มตัวอย่างขนาดใหญ่ผลิตประมาณการที่ดีขึ้น