概率统计经典方法(2)：最值统计量

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$n$个样本$X_1,X_2,\dots \dots ,X_n$ ，形如
$$u(X_1,X_2,...,X_n)$$
这样的函数就被称为统计量，例如
$$\bar{x}=\frac{X_1+X_2+...+X_n}{n}$$
$$s^2=\frac{{\sum }_{i=1}^n(X_i-\bar{x}{)}^2}{n-1}$$
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$U_n$为例
$$\begin{gathered} P(U_n\le u)=P(X_1\le u,X_2\le u,...,Xn\le u) \\ (如果样本是独立样本)=\prod _{i=1}^{n}P(X_i\le u)=\prod _{i=1}^n{F}_i(u) \\ (如果是同分布的样本)=[F(u){]}^n \\ 如果是连续性的，那U_n的密度函数就是nf(u)[F(u){]}^{n-1} \end{gathered}$$
再来看$V_n$
$$\begin{gathered} P(V_n>v)=P(X_1>v,X_2>v,...,Xn>v) \\ (如果样本是独立样本)=\prod _{i=1}^{n}P(X_i>v)=\prod _{i=1}^n[1-F_i(v)] \\ (如果是同分布的样本)=[1-F(v){]}^n \\ {V}_n的分布函数是1-[1-F(v){]}^n \\ 如果是连续型的，那V_n有密度函数nf(v)[1-F(v){]}^{n-1} \end{gathered}$$

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)