Существуют ли хорошо известные формулы для статистики порядка некоторых случайных распределений? В частности, статистика первого и последнего порядка нормальной случайной величины, но также следует принять более общий ответ.
Изменить: чтобы уточнить, я ищу приближающие формулы, которые могут быть более или менее явно оценены, а не точное интегральное выражение.
Например, я видел следующие два приближения для статистики первого порядка (т.е. минимума) нормального rv:
а также
Первый из них при дает примерно который выглядит как дико свободная граница.
Второе дает тогда как быстрый Монте-Карло дает , так что это не плохое приближение, но тоже не велико, и что более важно, у меня нет никакой интуиции о том, откуда она взялась.
Любая помощь?
Ответы:
Классическая ссылка - это Royston (1982) [1], в котором алгоритмы выходят за рамки явных формул. Он также цитирует известную формулу Блома (1958): с . Эта формула дает множитель -2,73 для .α=0,375n=200,r=1E(r:n)≈μ+Φ−1(r−αn−2α+1)σ α=0.375 n=200,r=1
[1]: Алгоритм AS 177: Ожидаемая статистика нормального порядка (точная и приблизительная) JP Royston. Журнал Королевского статистического общества. Серия C (Прикладная статистика) Том. 31, № 2 (1982), с. 161-165
источник
Есть способов сделать этот выбор, поэтому мы имеем:(N1)(N−1i−1)
РЕДАКТИРОВАТЬ в своем первоначальном посте, я сделал очень плохую попытку продвинуться дальше от этого пункта, и комментарии ниже отражают это. Я попытался исправить это ниже
Если мы возьмем среднее значение этого PDF, мы получим:
И в этом интеграле мы делаем следующее изменение переменной (принимая подсказку @ Генри), и интеграл становится:pi=FX(xi)
Так что это ожидаемое значение обратного CDF, которое можно хорошо аппроксимировать, используя дельта-метод, чтобы получить:
Чтобы сделать лучшее приближение, мы можем расширить до 2-го порядка (простое обозначает дифференцирование), и отметив, что вторая производная от обратного:
Пусть . Тогда имеем:νi=F−1X[iN+1]
Теперь, специализируясь на нормальном случае, мы имеем
Обратите внимание, что И ожидание примерно становится:fX(νi)=1σϕ[Φ−1(iN+1)]
И наконец:
Хотя, как заметил @whuber, это не совсем точно. На самом деле я думаю, что это может быть хуже из-за асимметрии бета-версии с различными параметрами
источник
Ответ Анико опирается на хорошо известную формулу Блома, которая предполагает выбор . Оказывается, что эта формула сама по себе является простым приближением к точному ответу Г. Эльфвинга (1947), Асимптотическое распределение диапазона в образцах из нормальной популяции , Biometrika, Vol. 34, с. 111-119. Формула Эльфвинга нацелена на минимум и максимум выборки, для которой правильный выбор альфа равен . Формула Блома получается, когда мы приближаем на .α=3/8 π/8 π 3
Используя формулу Эльфвинга, а не приближение Блома, мы получаем множитель -2,744165. Это число ближе к точному ответу Эрика П. (-2,746) и приближению Монте-Карло (-2,75), чем приближение Блома (-2,73), но его легче реализовать, чем точную формулу.
источник
В зависимости от того, что вы хотите сделать, этот ответ может или не может помочь - я получил следующую точную формулу из пакета статистики Maple .
Само по себе это не очень полезно (и, вероятно, его можно получить довольно легко вручную, так как это минимум из случайных величин), но оно позволяет быстро и очень точно приближать данные значения - гораздо более точно, чем Монте-Карло:n n
дает -2,746042447 и -2,746042447451154492412344 соответственно.
(Полное раскрытие - я поддерживаю этот пакет.)
источник