Rozkład statystyki i-tego rzędu dowolnego ciągłego losowego zmienna z plikiem PDF jest podawana przez rozkład związku „beta-F”. Intuicyjny sposób myślenia o tej dystrybucji, jest wzięcie pod uwagę statystykę zamówienia ith w próbie . Teraz, aby wartość statystyki i-tego rzędu zmiennej losowej była równa , potrzebujemy 3 warunków:
X xNXx
- x F X ( x ) F X ( x ) = P r ( X < x )i−1wartości poniżej , ma to prawdopodobieństwo dla każdej obserwacji, gdzie jest CDF zmiennej losowej X.xFX(x)FX(x)=Pr(X<x)
- x 1 - F X ( x )N−iWartości powyżej , ma to prawdopodobieństwox1−FX(x)
- 1 wartość w nieskończenie małym przedziale zawierającym , ma to prawdopodobieństwo gdzie wynosi plik PDF zmiennej losowejf X ( x ) d x f X ( x ) d x = d F X ( x ) = P r ( x < X < x + d x ) XxfX(x)dxfX(x)dx=dFX(x)=Pr(x<X<x+dx)X
Istnieją sposoby, aby dokonać tego wyboru, więc mamy:(N1)(N−1i−1)
fi(xi)=N!(i−1)!(N−i)!fX(xi)[1−FX(xi)]N−i[FX(xi)]i−1dx
EDIT w moim oryginalnym poście podjąłem bardzo słabą próbę pójścia dalej od tego punktu, a poniższe komentarze odzwierciedlają to. Próbowałem to naprawić poniżej
Jeśli weźmiemy średnią wartość tego pliku pdf, otrzymujemy:
E(Xi)=∫∞−∞xifi(xi)dxi
W tej całce dokonujemy następującej zmiany zmiennej (biorąc pod uwagę wskazówkę @ Henry'ego), a całka staje się:pi=FX(xi)
E(Xi)=∫10F−1X(pi)Beta(pi|i,N−i+1)dpi=EBeta(pi|i,N−i+1)[F−1X(pi)]
Jest to więc oczekiwana wartość odwrotnego CDF, którą można dobrze oszacować za pomocą metody delta, aby uzyskać:
EBeta(pi|i,N−i+1)[F−1X(pi)]≈F−1X[EBeta(pi|i,N−i+1)]=F−1X[iN+1]
Aby dokonać lepszego przybliżenia, możemy rozwinąć do drugiego rzędu (pierwsze zróżnicowanie oznaczające), zwracając uwagę, że druga pochodna odwrotności to:
∂2∂a2F−1X(a)=−F′′X(F−1X(a))[F′X(F−1X(a))]3=−f′X(F−1X(a))[fX(F−1X(a))]3
Niech . Następnie mamy:νi=F−1X[iN+1]
EBeta(pi|i,N−i+1)[F−1X(pi)]≈F−1X[νi]−VarBeta(pi|i,N−i+1)[pi]2f′X(νi)[fX(νi)]3
=νi−(iN+1)(1−iN+1)2(N+2)f′X(νi)[fX(νi)]3
Teraz, specjalizując się w normalnym przypadku, mamy
fX(x)=1σϕ(x−μσ)→f′X(x)=−x−μσ3ϕ(x−μσ)=−x−μσ2fX(x)
FX(x)=Φ(x−μσ)⟹F−1X(x)=μ+σΦ−1(x)
Zauważ, że Oczekiwanie to w przybliżeniu:fX(νi)=1σϕ[Φ−1(iN+1)]
E[xi]≈μ+σΦ−1(iN+1)+(iN+1)(1−iN+1)2(N+2)σΦ−1(iN+1)[ϕ[Φ−1(iN+1)]]2
I w końcu:
E[xi]≈μ+σΦ−1(iN+1)⎡⎣⎢⎢1+(iN+1)(1−iN+1)2(N+2)[ϕ[Φ−1(iN+1)]]2⎤⎦⎥⎥
Chociaż, jak zauważył @whuber, nie będzie to dokładne w ogonach. W rzeczywistości myślę, że może być gorzej z powodu skośności wersji beta o różnych parametrach