Phân phối thống kê thứ tự thứ i của bất kỳ ngẫu nhiên liên tục nào biến với một tệp PDF được cung cấp bởi phân phối hợp chất "beta-F". Cách trực quan để suy nghĩ về phân phối này, là để xem xét các số liệu thống kê theo thứ tự thứ i trong một mẫu . Bây giờ để giá trị của thống kê thứ tự thứ i của biến ngẫu nhiên bằng chúng ta cần 3 điều kiện:
NxXx
- x F X ( x ) F X ( x ) = P r ( X < x )i−1 giá trị bên dưới , giá trị này có xác suất cho mỗi lần quan sát, trong đó là CDF của biến ngẫu nhiên X.xFX(x)FX(x)=Pr(X<x)
- x 1 - F X ( x )N−iGiá trị trên , giá trị này có xác suấtx1−FX(x)
- 1 giá trị bên trong một khoảng vô hạn chứa , giá trị này có xác suất trong đó là PDF của biến ngẫu nhiênf 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
Có để đưa ra lựa chọn này, vì vậy chúng tôi có:(N1)(N−1i−1)
fi(xi)=N!(i−1)!(N−i)!fX(xi)[1−FX(xi)]N−i[FX(xi)]i−1dx
EDIT trong bài viết gốc của tôi, tôi đã nỗ lực rất kém trong việc đi xa hơn từ thời điểm này, và các ý kiến dưới đây phản ánh điều này. Tôi đã tìm cách khắc phục điều này dưới đây
Nếu chúng ta lấy giá trị trung bình của pdf này, chúng ta sẽ nhận được:
E(Xi)=∫∞−∞xifi(xi)dxi
Và trong tích phân này, chúng tôi thực hiện thay đổi sau đây của biến (lấy gợi ý của @ henry) và tích phân trở thành:pi=FX(xi)
E(Xi)=∫10F−1X(pi)Beta(pi|i,N−i+1)dpi=EBeta(pi|i,N−i+1)[F−1X(pi)]
Vì vậy, đây là giá trị mong đợi của CDF nghịch đảo, có thể được xấp xỉ bằng cách sử dụng phương thức delta để đưa ra:
EBeta(pi|i,N−i+1)[F−1X(pi)]≈F−1X[EBeta(pi|i,N−i+1)]=F−1X[iN+1]
Để thực hiện xấp xỉ tốt hơn, chúng ta có thể mở rộng sang bậc 2 (phân biệt biểu thị số nguyên tố) và lưu ý rằng đạo hàm thứ hai của nghịch đảo là:
∂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
Đặt . Sau đó chúng tôi có: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
Bây giờ, chuyên về trường hợp bình thường, chúng ta có
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)
Lưu ý rằng Và kỳ vọng sẽ trở thành: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
Và cuối cùng:
E[xi]≈μ+σΦ−1(iN+1)⎡⎣⎢⎢1+(iN+1)(1−iN+1)2(N+2)[ϕ[Φ−1(iN+1)]]2⎤⎦⎥⎥
Mặc dù như @whuber đã lưu ý, điều này sẽ không chính xác trong phần đuôi. Trong thực tế tôi nghĩ rằng nó có thể tồi tệ hơn, bởi vì độ lệch của một phiên bản beta với các thông số khác nhau