La distribución de la estadística de orden i de cualquier aleatorio continuo La variable con un PDF viene dada por la distribución compuesta "beta-F". La forma más intuitiva para pensar en esta distribución, es considerar la estadística de orden i en una muestra de . Ahora, para que el valor de la estadística de orden i de una variable aleatoria sea igual a , necesitamos 3 condiciones:
X xNXx
- x F X ( x ) F X ( x ) = P r ( X < x )i−1 valores por debajo de , esto tiene probabilidad para cada observación, donde es el CDF de la variable aleatoria X.xFX(x)FX(x)=Pr(X<x)
- x 1 - F X ( x )N−iValores de superiores a , esto tiene probabilidadx1−FX(x)
- 1 valor dentro de un intervalo infinitesimal que contiene , esto tiene probabilidad donde es el PDF de la variable aleatoriaf 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 ) = P r ( x < X< x + dx )X
Hay formas de hacer esta elección, por lo que tenemos:( N1) ( N- 1i - 1)
Fyo( xyo) = N!( i - 1 ) ! ( N- i ) !FX( xyo) [ 1 - FX( xyo) ]norte- yo[ FX( xyo) ]i - 1reX
EDITAR en mi publicación original, hice un intento muy pobre de ir más allá de este punto, y los comentarios a continuación reflejan esto. He tratado de rectificar esto a continuación
Si tomamos el valor medio de este pdf obtenemos:
mi( Xyo) = ∫∞- ∞XyoFyo( xyo) dXyo
Y en esta integral, hacemos el siguiente cambio de la variable (tomando la pista de @ henry), y la integral se convierte en:pagsyo= FX( xyo)
mi( Xyo) = ∫10 0F- 1X( pyo) B e t a ( pyoEl | i,N- i + 1 ) dpagsyo= EB e t a ( pyoEl | i,N- i + 1 )[ F- 1X( pyo) ]
Entonces, este es el valor esperado del CDF inverso, que puede aproximarse bien utilizando el método delta para dar:
miB e t a ( pyoEl | i,N- i + 1 )[ F- 1X( pyo) ] ≈ F- 1X[ EB e t a ( pyoEl | i,N- i + 1 )] = F- 1X[ inorte+ 1]
Para hacer una mejor aproximación, podemos expandirnos al segundo orden (primo que denota la diferenciación), y observando que la segunda derivada de un inverso es:
∂2∂una2F- 1X( a ) = - F′ ′X( F- 1X( a ) )[ F′X( F- 1X( a ) ) ]3= - f′X( F- 1X( a ) )[ fX( F- 1X( a ) ) ]3
Deje que . Entonces tenemos:νyo= F- 1X[ inorte+ 1]
=νi-(i
miB e t a ( pyoEl | i,N- i + 1 )[ F- 1X( pyo) ] ≈ F- 1X[ νyo] - V a rB e t a ( pyoEl | i,N- i + 1 )[ pyo]2F′X( νyo)[ fX( νyo) ]3
= νyo- ( inorte+ 1) ( 1 - inorte+ 1)2 ( N+ 2 )F′X( νyo)[ fX( νyo) ]3
Ahora, especializándonos en el caso normal, tenemos
FX(x)=Φ(x-μ
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 )
Tenga en cuenta que Y la expectativa se convierte aproximadamente:FX( νyo) = 1σϕ [ Φ- 1( inorte+ 1) ]
mi[ xyo] ≈ μ + σΦ- 1( inorte+ 1) + ( inorte+ 1) ( 1 - inorte+ 1)2 ( N+ 2 )σΦ- 1( inorte+ 1)[ ϕ [ Φ- 1( inorte+ 1) ] ]2
Y finalmente:
mi[ xyo] ≈ μ + σΦ- 1( inorte+ 1) ⎡⎣⎢⎢1 + ( inorte+ 1)( 1 - inorte+ 1)2 ( N+ 2 ) [ ϕ [ Φ-1(inorte+1) ] ]2⎤⎦⎥⎥
Aunque, como ha señalado @whuber, esto no será exacto en las colas. De hecho, creo que puede ser peor, debido a la asimetría de una beta con diferentes parámetros