Statistiques d'ordre approximatif pour les variables aléatoires normales

Existe-t-il des formules bien connues pour les statistiques d'ordre de certaines distributions aléatoires? En particulier, les statistiques du premier et du dernier ordre d’une variable aléatoire normale, mais une réponse plus générale serait également appréciée.

Edit: Pour clarifier, je cherche des formules approximatives qui peuvent être plus ou moins explicitement évaluées, pas l’expression intégrale exacte.

Par exemple, j'ai vu les deux approximations suivantes pour la statistique de premier ordre (c'est-à-dire le minimum) d'une va normale:

$e_{1:n} \geq \mu - \frac{n-1}{\sqrt{2n-1}}\sigma$

et

$e_{1:n} \approx \mu + \Phi^{-1} \left( \frac{1}{n+1} \right)\sigma$

Le premier, pour , donne approximativement ce qui semble être un lien extrêmement lâche.$n=200$$e_{1:200} \geq \mu - 10\sigma$

La seconde donne alors qu’un rapide Monte Carlo donne , ce n’est donc pas une mauvaise approximation mais pas géniale non plus, et plus important encore, je n'ai aucune idée de la provenance.$e_{1:200} \approx \mu - 2.58\sigma$$e_{1:200} \approx \mu - 2.75\sigma$

De l'aide?

La référence classique est Royston (1982) [1], dont les algorithmes vont au-delà des formules explicites. Il cite également une formule bien connue de Blom (1958): $E(r:n) \approx \mu + \Phi^{-1}(\frac{r-\alpha}{n-2\alpha+1})\sigma$avec$\alpha=0.375$. Cette formule donne un multiplicateur de -2,73 pour$n=200, r=1$.

[1]: Algorithme AS 177: Statistiques attendues de l'ordre normal (exactes et approximatives), JP Royston. Journal de la Société royale de statistique. Série C (Statistiques appliquées) Vol. 31, N ° 2 (1982), pages 161-165

$$\newcommand{\Pr}{\mathrm{Pr}}\newcommand{\Beta}{\mathrm{Beta}}\newcommand{\Var}{\mathrm{Var}}$$ La distribution de la statistique d'ordre i de toute variable aléatoire continue avec un PDF est donnée par la distribution du composé "beta-F". La façon intuitive de penser à cette distribution, est de considérer la statistique ième ordre dans un échantillon de . Maintenant, pour que la valeur de la statistique d'ordre I d'une variable aléatoire X soit égale à x, nous avons besoin de 3 conditions:$N$$X$$x$

1. valeurs inférieures à x , cela a une probabilité F X ( x ) pour chaque observation, où F X ( x ) = P r ( X < x ) est le facteur de conversion de la variable aléatoire X.$i-1$$x$$F_{X}(x)$$F_X(x)=\Pr(X<x)$
2. valeurs supérieures à x , probabilité 1 - F X ( x $N-i$$x$$1-F_{X}(x)$
3. Une valeur à l' intérieur d' une infime intervalle contenant , ceci a probabilité f X ( x ) d x où f X ( x ) d x = d F X ( x ) = P r ( x < X < x + d x ) est le PDF de la variable aléatoire $x$$f_{X}(x)dx$$f_{X}(x)dx=dF_{X}(x)=\Pr(x<X<x+dx)$$X$

Il y a façons de faire ce choix, nous avons donc:${N \choose 1}{N-1 \choose i-1}$

$$f_{i}(x_{i})=\frac{N!}{(i-1)!(N-i)!}f_{X}(x_{i})\left[1-F_{X}(x_{i})\right]^{N-i}\left[F_{X}(x_{i})\right]^{i-1}dx$$

EDIT dans mon message original, j’ai fait une très mauvaise tentative d’aller plus loin à partir de ce moment-là, et les commentaires ci-dessous le reflètent. J'ai cherché à rectifier cela ci-dessous

Si nous prenons la valeur moyenne de ce pdf, nous obtenons:

$$E(X_{i})=\int_{-\infty}^{\infty} x_{i}f_{i}(x_{i})dx_{i}$$

Et dans cette intégrale, nous faisons le changement suivant de la variable (en prenant l'allusion de @ henry), et l'intégrale devient:$p_{i}=F_{X}(x_{i})$

$$E(X_{i})=\int_{0}^{1} F_{X}^{-1}(p_{i})\Beta(p_{i}|i,N-i+1)dp_{i}=E_{\Beta(p_{i}|i,N-i+1)}\left[F_{X}^{-1}(p_{i})\right]$$

Il s’agit donc de la valeur attendue du CDF inverse, qui peut être approximée à l’aide de la méthode delta pour donner:

$$E_{\Beta(p_{i}|i,N-i+1)}\left[F_{X}^{-1}(p_{i})\right]\approx F_{X}^{-1}\left[E_{\Beta(p_{i}|i,N-i+1)}\right]=F_{X}^{-1}\left[\frac{i}{N+1}\right]$$

To make a better approximation, we can expand to 2nd order (prime denoting differentiation), and noting that the second derivative of an inverse is:

$$\frac{\partial^{2}}{\partial a^{2}}F_{X}^{-1}(a)=-\frac{F_{X}^{''}(F_{X}^{-1}(a))}{\left[F_{X}^{'}(F_{X}^{-1}(a))\right]^{3}}=-\frac{f_{X}^{'}(F_{X}^{-1}(a))}{\left[f_{X}(F_{X}^{-1}(a))\right]^{3}}$$

Let $\nu_{i}=F_{X}^{-1}\left[\frac{i}{N+1}\right]$. Then We have:

$$E_{\Beta(p_{i}|i,N-i+1)}\left[F_{X}^{-1}(p_{i})\right]\approx F_{X}^{-1}\left[\nu_{i}\right]-\frac{\Var_{\Beta(p_{i}|i,N-i+1)}\left[p_{i}\right]}{2}\frac{f_{X}^{'}(\nu_{i})}{\left[f_{X}(\nu_{i})\right]^{3}}$$ $$=\nu_{i}-\frac{\left(\frac{i}{N+1}\right)\left(1-\frac{i}{N+1}\right)}{2(N+2)}\frac{f_{X}^{'}(\nu_{i})}{\left[f_{X}(\nu_{i})\right]^{3}}$$

Now, specialising to normal case we have

$$f_{X}(x)=\frac{1}{\sigma}\phi(\frac{x-\mu}{\sigma})\rightarrow f_{X}^{'}(x)=-\frac{x-\mu}{\sigma^{3}}\phi(\frac{x-\mu}{\sigma})=-\frac{x-\mu}{\sigma^{2}}f_{X}(x)$$ $$F_{X}(x)=\Phi(\frac{x-\mu}{\sigma})\implies F_{X}^{-1}(x)=\mu+\sigma\Phi^{-1}(x)$$

Note that $f_{X}(\nu_{i})=\frac{1}{\sigma}\phi\left[\Phi^{-1}\left(\frac{i}{N+1}\right)\right]$ And the expectation approximately becomes:

$$E[x_{i}]\approx \mu+\sigma\Phi^{-1}\left(\frac{i}{N+1}\right)+\frac{\left(\frac{i}{N+1}\right)\left(1-\frac{i}{N+1}\right)}{2(N+2)}\frac{\sigma\Phi^{-1}\left(\frac{i}{N+1}\right)}{\left[\phi\left[\Phi^{-1}\left(\frac{i}{N+1}\right)\right]\right]^{2}}$$

And finally:

$$E[x_{i}]\approx \mu+\sigma\Phi^{-1}\left(\frac{i}{N+1}\right)\left[1+\frac{\left(\frac{i}{N+1}\right)\left(1-\frac{i}{N+1}\right)}{2(N+2)\left[\phi\left[\Phi^{-1}\left(\frac{i}{N+1}\right)\right]\right]^{2}}\right]$$

Although as @whuber has noted, this will not be accurate in the tails. In fact I think it may be worse, because of the skewness of a beta with different parameters

Aniko's answer relies on Blom's well known formula that involves a choice of $\alpha = 3/8$. It turns out that this formula is itself a mere approximation of an exact answer due to G. Elfving (1947), The asymptotical distribution of range in samples from a normal population, Biometrika, Vol. 34, pp. 111-119. Elfving's formula is aimed at the minimum and maximum of the sample, for which the correct choice of alpha is $\pi/8$. Blom's formula results when we approximate $\pi$ by $3$.

By using the Elfving formula rather than Blom's approximation, we get a multiplier of -2.744165. This number is closer to Erik P.'s exact answer (-2.746) and to the Monte Carlo approximation (-2.75) than is Blom's approximation (-2.73), while being easier to implement than the exact formula.

Depending on what you want to do, this answer may or may not help - I got the following exact formula from Maple's Statistics package.

with(Statistics):
X := OrderStatistic(Normal(0, 1), 1, n):
m := Mean(X):
m;

$$\int _{-\infty }^{\infty }\!1/2\,{\frac {{\it \_t0}\,n!\,\sqrt {2}{ {\rm e}^{-1/2\,{{\it \_t0}}^{2}}} \left( 1/2-1/2\, {{\rm erf}\left(1/2\,{\it \_t0}\,\sqrt {2}\right)} \right) ^{-1+n}}{ \left( -1+n \right) !\,\sqrt {\pi }}}{d{\it \_t0}}$$

By itself this isn't very useful (and it could probably be derived fairly easily by hand, since it's the minimum of $n$ random variables), but it does allow for quick and very accurate approximation for given values of $n$ - much more accurate than Monte Carlo:

evalf(eval(m, n = 200));
evalf[25](eval(m, n = 200));

gives -2.746042447 and -2.746042447451154492412344, respectively.

(Full disclosure - I maintain this package.)