次序统计量
次序统计量是统计学中的一个十分重要的统计量,用途十分广泛
统计量
统计量的定义是“样本的函数”,也就是说如果有
n
n
n个样本
X
1
,
X
2
,
…
…
,
X
n
X_1,X_2,……,X_n
X1,X2,……,Xn ,形如
u
(
X
1
,
X
2
,
.
.
.
,
X
n
)
u(X_1,X_2,...,X_n)
u(X1,X2,...,Xn)
这样的函数就被称为统计量,例如
x
ˉ
=
X
1
+
X
2
+
.
.
.
+
X
n
n
\bar{x} =\dfrac{X_1+X_2+...+X_n}{n}
xˉ=nX1+X2+...+Xn
s
2
=
∑
i
=
1
n
(
X
i
−
x
ˉ
)
2
n
−
1
s^2=\dfrac{\sum_{i=1}^n {(X_i-\bar{x})^2}}{n-1}
s2=n−1∑i=1n(Xi−xˉ)2
这些都叫作统计量
最值分布
以下两个统计量被称为最大值与最小值
U
n
=
m
a
x
{
X
1
,
X
2
,
.
.
.
,
X
n
}
V
n
=
m
i
n
{
X
1
,
X
2
,
.
.
.
,
X
n
}
U_n = max\{ X_1,X_2,...,X_n\} \\V_n = min\{ X_1,X_2,...,X_n\}
Un=max{X1,X2,...,Xn}Vn=min{X1,X2,...,Xn}
我们尝试求出他们的分布,以
U
n
U_n
Un为例
P
(
U
n
≤
u
)
=
P
(
X
1
≤
u
,
X
2
≤
u
,
.
.
.
,
X
n
≤
u
)
(
如
果
样
本
是
独
立
样
本
)
=
∏
i
=
1
n
P
(
X
i
≤
u
)
=
∏
i
=
1
n
F
i
(
u
)
(
如
果
是
同
分
布
的
样
本
)
=
[
F
(
u
)
]
n
如
果
是
连
续
性
的
,
那
U
n
的
密
度
函
数
就
是
n
f
(
u
)
[
F
(
u
)
]
n
−
1
P(U_n\le u)=P(X_1\le u,X_2\le u,...,Xn\le u) \\ (如果样本是独立样本)=\prod_{i=1} ^{n}P(X_i\le u)=\prod_{i=1}^{n}{F_i(u)} \\(如果是同分布的样本)=[F(u)]^n \\ 如果是连续性的,那U_n的密度函数就是nf(u)[F(u)]^{n-1}
P(Un≤u)=P(X1≤u,X2≤u,...,Xn≤u)(如果样本是独立样本)=i=1∏nP(Xi≤u)=i=1∏nFi(u)(如果是同分布的样本)=[F(u)]n如果是连续性的,那Un的密度函数就是nf(u)[F(u)]n−1
再来看
V
n
V_n
Vn
P
(
V
n
>
v
)
=
P
(
X
1
>
v
,
X
2
>
v
,
.
.
.
,
X
n
>
v
)
(
如
果
样
本
是
独
立
样
本
)
=
∏
i
=
1
n
P
(
X
i
>
v
)
=
∏
i
=
1
n
[
1
−
F
i
(
v
)
]
(
如
果
是
同
分
布
的
样
本
)
=
[
1
−
F
(
v
)
]
n
V
n
的
分
布
函
数
是
1
−
[
1
−
F
(
v
)
]
n
如
果
是
连
续
型
的
,
那
V
n
有
密
度
函
数
n
f
(
v
)
[
1
−
F
(
v
)
]
n
−
1
P(V_n\gt v)=P(X_1\gt v,X_2\gt v,...,Xn\gt v) \\ (如果样本是独立样本)=\prod_{i=1} ^{n}P(X_i\gt v)=\prod_{i=1}^{n}[1-{F_i(v)}] \\(如果是同分布的样本)=[1-F(v)]^n \\ V_n的分布函数是1-[1-F(v)]^n \\ 如果是连续型的,那V_n有密度函数nf(v)[1-F(v)]^{n-1}
P(Vn>v)=P(X1>v,X2>v,...,Xn>v)(如果样本是独立样本)=i=1∏nP(Xi>v)=i=1∏n[1−Fi(v)](如果是同分布的样本)=[1−F(v)]nVn的分布函数是1−[1−F(v)]n如果是连续型的,那Vn有密度函数nf(v)[1−F(v)]n−1
例子1 指数分布
假 设 { X i } i = 1 , 2 , . . . , n i d d ∼ E x p ( λ ) 则 V n = m i n { X 1 , X 2 , . . . , X n } 有 密 度 函 数 F V n ( v ) = n f ( v ) [ 1 − F ( v ) ] n − 1 = n λ e − λ v [ e − λ v ] n − 1 I { v > 0 } = ( n λ ) e − ( n λ ) v I { v > 0 } 所 以 可 以 看 出 , V n ∼ E x p ( n λ ) 假设\{Xi\}i=1,2,...,n ~~~ idd \sim Exp(\lambda) \\ 则V_n = min\{ X_1,X_2,...,X_n\} 有密度函数F_{V_n}(v) =nf(v)[1-F(v)]^{n-1} \\~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~=n\lambda e^{-\lambda v}[e^{-\lambda v}]^{n-1}I_{\{v\gt0\}}=(n\lambda)e^{-(n\lambda)v}I_{\{v\gt0\}} \\ 所以可以看出,V_n \sim Exp(n\lambda) 假设{Xi}i=1,2,...,n idd∼Exp(λ)则Vn=min{X1,X2,...,Xn}有密度函数FVn(v)=nf(v)[1−F(v)]n−1 =nλe−λv[e−λv]n−1I{v>0}=(nλ)e−(nλ)vI{v>0}所以可以看出,Vn∼Exp(nλ)
例子2 均匀分布
假 设 { X i } i = 1 , 2 , . . . , n i d d ∼ U ( 0 , 1 ) 则 U n = m a x { X 1 , X 2 , . . . , X n } 有 密 度 函 数 F U n ( u ) = n f ( u ) [ F ( u ) ] n − 1 = n u n − 1 I { 0 < u < 1 } 也 就 是 说 U n ∼ B e ( n , 1 ) 而 V n = m i n { X 1 , X 2 , . . . , X n } 有 密 度 函 数 F V n ( v ) = n f ( v ) [ 1 − F ( v ) ] n − 1 = n ( 1 − v ) n − 1 I { 0 < v < 1 } 也 就 是 说 V n ∼ B e ( 1 , n ) 假设\{Xi\}i=1,2,...,n ~~~ idd \sim U(0,1) \\ 则U_n =max \{ X_1,X_2,...,X_n\} 有密度函数F_{U_n}(u) =nf(u)[F(u)]^{n-1} \\=nu^{n-1}I_{\{0<u<1\}} \\也就是说U_n \sim Be(n,1) \\ 而V_n =min \{ X_1,X_2,...,X_n\} 有密度函数F_{V_n}(v) =nf(v)[1-F(v)]^{n-1} \\=n(1-v)^{n-1}I_{\{0<v<1\}} \\也就是说V_n \sim Be(1,n) 假设{Xi}i=1,2,...,n idd∼U(0,1)则Un=max{X1,X2,...,Xn}有密度函数FUn(u)=nf(u)[F(u)]n−1=nun−1I{0<u<1}也就是说Un∼Be(n,1)而Vn=min{X1,X2,...,Xn}有密度函数FVn(v)=nf(v)[1−F(v)]n−1=n(1−v)n−1I{0<v<1}也就是说Vn∼Be(1,n)