正常样本的最小订单统计量的期望值


9

2014年1月25日更新: 错误已得到纠正。请忽略上载图像中的“期望值”的计算值-它们是错误的-我不会删除图像,因为它已经生成了该问题的答案。

2014年1月10日更新: 发现了错误-所使用的一种来源中存在数学错字。正在准备更正...

从集合的最低次序统计的密度 IID连续随机变量与CDF和pdf是 nFX(x)fX(x)

fX(1)(x(1))=nfX(x(1))[1FX(x(1))]n1[1]

如果这些随机变量是标准正态的,则

fX(1)(x(1))=nϕ(x(1))[1Φ(x(1))]n1=nϕ(x(1))[Φ(x(1))]n1[2]
,因此其期望值为
E(X(1))=nx(1)ϕ(x(1))[Φ(x(1))]n1dx(1)[3]

我们使用标准法线的对称属性。在Owen 1980,第402页,等式[ n,011 ]中,我们发现

zϕ(z)[Φ(az)]mdz=am(a2+1)(2π)ϕ(z)[Φ(aza2+1)]m1dz[4]

我们得到和(,)之间的匹配参数[3][4]a=1m=n1

E(X(1))=n(n1)2πϕ(x(1))[Φ(x(1)2)]n2dx(1)[5]

再次在欧文1980年,第2页。409,eq [ n0,010.2 ]我们发现

[i=1mΦ(hidiz1di2)]ϕ(z)dz=Zm(h1,...,hm;{ρij})[6]

其中是标准的多元法线,是成对相关系数,并且是。Zm()ρij=didj,ij1di1

匹配和我们有,和 [5][6]m=n2hi=0,i

di1di2=12di=±13iρij=ρ=1/3

利用这些结果,等式变为[5]

E(X(1))=n(n1)2πZn2(0,...,0;ρ=1/3)[7]

这种均等相关变量的多元标准正态概率积分都被评估为零,已经进行了足够的研究,并且已经得出了各种近似和计算方法。Gupta(1963)进行了广泛的综述(通常涉及多元正态概率积分的计算。Gupta为各种相关系数以及最多12个变量提供了显式值(因此涵盖了14个变量的集合)。结果是(最后一列错误)

在此处输入图片说明

现在,如果我们绘制值如何随变化,我们将获得Zn2(0,...,0;ρ=1/3)n

在此处输入图片说明

因此,我提出了三个问题/要求:
1)有人可以分析检查和/或通过仿真验证期望值的结果是否正确(即检查eq的有效性)吗?[7]

2)假设方法正确,是否有人可以给出均值非零且方差非零的法线的解?经过所有的转换,我感到非常头晕。

3)概率积分的值似乎在平稳发展。用某个函数近似呢?n

Answers:


6

您的结果显示不正确。这很容易看出,无需任何计算,因为在表中,随着样本大小增加增加;显然,随着样本大小的增加,样本最小值的期望值必须变小(即变得更负)。E[X(1)] nn

从概念上讲,这个问题很容易。

简言之:如果〜与PDF:XN(0,1)f(x)

在此处输入图片说明

...则一阶统计量的pdf(在大小为的样本中)为:n

在此处输入图片说明

...在这里使用中的OrderStat功能获得mathStatica支持,并具有以下支持范围:

在此处输入图片说明

然后,对于可以很容易地精确地获得:E[X(1)]n=1,2,3

在此处输入图片说明

确切的情况大约为,这显然与您的工作方式-1.06(表的第1行)不同,因此看来您的工作方式似乎有问题(或者可能是我对您要寻找的内容的理解) 。n=30.846284

对于,获得封闭形式的解比较棘手,但是即使符号积分证明很困难,我们也可以始终使用数值积分(如果需要,可以达到任意精度)。这真的非常容易...例如,这里是,使用Mathematica对于样本大小到14 :n4E[X(1)]n=1

 sol = Table[NIntegrate[x g, {x, -Infinity, Infinity}], {n, 1, 14}]

{0.,-0.56419,-0.846284,-1.02938,-1.16296,-1.26721,-1.35218,-1.4236,-1.48501,-1.53​​875,-1.58644,-1.62923,-1.66799,-1.70338}

全做完了。这些值显然与表(右列)中的值有很大不同。

要考虑父级的更一般情况,请从普通Normal pdf开始完全按照上述步骤进行操作。N(μ,σ2)


感谢您的回答。确实,我也已经发现数值结果有些问题-毕竟,期望值的绝对大小应该增加,而不是随着增加而减小。我按原样保留答案,以查看是否可以从任何答案中获得一些见识。我仍然在理论水平,恰恰是错误的搜索,犯罪嫌疑人是从欧文(因为第二个已经通过其他渠道证实)的第一个方程我使用......顺便说一下,你能检查是否该EQ中我的帖子(作为独立的转换)是正确的吗?我将感激不尽。n4
Alecos Papadopoulos
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.