연속 랜덤의 i 번째 순서 통계 분포 PDF로 변수는 "베타 -F"화합물 분포에 의해 주어진다. 이 분포를 생각하는 직관적 인 방법은 의 표본에서 i 번째 차수 통계량을 고려하는 것입니다 . 이제 랜덤 변수 의 i 번째 차수 통계량 값이 같기 위해서는 3 가지 조건이 필요합니다.
NXx
- i−1 미만의 값 은 각 관측치에 대한 확률 를 갖습니다. 여기서 는 랜덤 변수 X의 CDF입니다.xFX(x)FX(x)=Pr(X<x)
- N−i 보다 높은 값 은 확률x1−FX(x)
- 포함하는 무한 간격 내의 값이 1 이면 확률은 여기서 는 랜덤 변수 의 PDFxfX(x)dxfX(x)dx=dFX(x)=Pr(x<X<x+dx)X
이 방법은 .(N1)(N−1i−1)
fi(xi)=N!(i−1)!(N−i)!fX(xi)[1−FX(xi)]N−i[FX(xi)]i−1dx
내 원래 게시물에서 편집 , 나는이 시점에서 더 나아가려고 매우 열악한 시도를했으며 아래 주석은 이것을 반영합니다. 나는 이것을 아래에서 수정하려고 노력했다.
이 pdf의 평균값을 얻으면 다음과 같은 결과를 얻습니다.
E(Xi)=∫∞−∞xifi(xi)dxi
그리고이 적분에서 변수 (@ henry의 힌트를 얻음)를 다음과 같이 변경하면 적분이됩니다.pi=FX(xi)
E(Xi)=∫10F−1X(pi)Beta(pi|i,N−i+1)dpi=EBeta(pi|i,N−i+1)[F−1X(pi)]
따라서 이것은 역 CDF의 예상 값이며 델타 방법을 사용하여 대략적으로 계산할 수 있습니다.
EBeta(pi|i,N−i+1)[F−1X(pi)]≈F−1X[EBeta(pi|i,N−i+1)]=F−1X[iN+1]
더 나은 근사를 만들기 위해, 우리는 2 차 (미분을 나타내는 프라임)로 확장하고 역의 2 차 미분은 다음과 같습니다.
∂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
보자 . 그리고 우리는 :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
이제 일반적인 경우를 전문으로하여
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)
참고 그리고 기대는 대략 다음과 같습니다.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
그리고 마지막으로:
E[xi]≈μ+σΦ−1(iN+1)⎡⎣⎢⎢1+(iN+1)(1−iN+1)2(N+2)[ϕ[Φ−1(iN+1)]]2⎤⎦⎥⎥
@whuber가 언급했듯이 이것은 꼬리에서 정확하지 않습니다. 실제로 매개 변수가 다른 베타의 왜곡으로 인해 더 나빠질 수 있다고 생각합니다.