Математика / Вероятность и статистика
Среднее и дисперсия ранга равномерной выборки
Для k-го наименьшего значения независимой равномерной выборки среднее делит интервал в отношении k к n + 1, а дисперсия зависит и от ранга, и от объёма выборки.
Формула
Дисперсия U₍ₖ₎ при n = 4; физический смысл имеют целые k.
Обозначения
- a, b
- Левая и правая границы распределения, единицы X
- $n$
- Число независимых наблюдений, —
- $k$
- Ранг в возрастающем порядке, —
- $E[X₍ₖ₎]$
- Математическое ожидание рангового значения, единицы X
- $Var(X₍ₖ₎)$
- Дисперсия рангового значения, квадрат единиц X
Условия применения
Все n величин независимы и равномерны на одном конечном интервале [a; b], где b > a. Ранг k выбирается от 1 до n при сортировке по возрастанию. Границы интервала известны; формулы относятся к случайной позиции до получения выборки.
Ограничения
Равномерность нельзя заменять лишь отсутствием сведений о распределении. При другой плотности расположение рангов меняется. Формула не оценивает границы a и b по данным и не задаёт доверительный интервал; среднее рангового значения не равно его реализации в конкретной серии.
Подробное объяснение
Сначала мысленно перенесём все значения на единичный интервал: U = (X − a)/(b − a). Линейное возрастающее преобразование сохраняет порядок. Поэтому X₍ₖ₎ = a + (b − a)U₍ₖ₎, и достаточно определить два момента для U₍ₖ₎.
Для стандартной равномерной выборки плотность k-го значения пропорциональна uᵏ⁻¹(1 − u)ⁿ⁻ᵏ. Множители означают расположение k − 1 точек слева и n − k справа. Нормировка даёт бета-распределение с параметрами k и n − k + 1. Его интегралы первого и второго моментов приводят к указанным дробям.
Почему в знаменателе среднего стоит n + 1, а не n? Наблюдения разбивают интервал на n + 1 промежутков, включая крайние промежутки до границ. Симметрия равномерной модели делает их средние длины одинаковыми. До k-го значения накапливаются ровно k таких промежутков.
При переносе обратно среднее изменяется линейно, а дисперсия умножается на квадрат длины интервала. Это позволяет сразу обнаружить ошибку размерности. При симметричных рангах k и n + 1 − k дисперсии одинаковы, средние же отражаются относительно середины интервала.
Для фиксированного n крайние позиции имеют меньшую абсолютную дисперсию, чем центральные. Однако это не означает большей полезности крайних значений при любой задаче оценивания. На графике сравниваются дисперсии рангов для n = 4 на стандартном интервале; линия продолжена между целыми рангами лишь для наглядности.
Как пользоваться формулой
- Запишите известные границы a и b вместе с единицами и проверьте, что модель действительно равномерная.
- Укажите число независимых наблюдений n и целый ранг k, считая позиции от наименьшего значения.
- Для среднего умножьте длину интервала b − a на k/(n + 1), после чего прибавьте левую границу a.
- Для дисперсии возведите длину интервала в квадрат и умножьте на ранговую дробь из формулы.
- Проверьте отражение симметричных рангов и при необходимости извлеките квадратный корень для стандартного отклонения.
Историческая справка
Связь равномерных порядковых статистик с бета-распределением — стандартный раздел математической статистики XX–XXI веков. В справочнике NIST для средних порядковых статистик прямо приведены ожидаемое значение ранга и его стандартное отклонение на единичном интервале. Университетский курс Вашингтона рассматривает те же моменты через плотности и промежутки.
В практических таблицах средних рангов часто достаточно стандартного интервала: сдвиг и масштаб затем восстанавливаются линейным преобразованием. Это объясняет, почему справочная запись может выглядеть короче формулы для U(a; b). Отдельного нового закона при добавлении границ не возникает, меняется только шкала измерения.
Формуле не присваивается персональное авторство. Её обоснование опирается на нормировку бета-плотности либо на симметрию промежутков; второй путь объясняет знаменатель n + 1 без заучивания таблицы. Источники здесь служат проверкой результата, а разобранная серия с четырьмя временами — самостоятельным учебным примером.
Историческая линия формулы
Это результат теории случайной выборки и бета-распределения, а не формула отдельного экспериментатора. NIST публикует моменты для U(0; 1); переход к произвольным известным границам следует из правил линейного преобразования среднего и дисперсии.
Пример
Четыре независимых сигнала приходят равномерно в течение интервала от 10 до 20 с. Найдём среднее время второго сигнала и дисперсию этого времени. Имеем a = 10 с, b = 20 с, n = 4 и k = 2. E[X₍₂₎] = 10 + 10·2/5 = 14 с. Дисперсия равна 10²·2·3/(5²·6) = 100·6/150 = 4 с². Стандартное отклонение составляет √4 = 2 с. Число 14 с описывает среднее по множеству повторений серии, а не обещанный результат следующего запуска. Для третьего сигнала среднее равно 16 с, а дисперсия также 4 с². Значения 14 и 16 симметричны относительно 15 с — середины интервала. Такая проверка одновременно контролирует ранг, перенос и квадрат масштаба в дисперсии.
Частая ошибка
Деление на n вместо n + 1 помещает ожидаемый максимум прямо на границу b, что неверно для конечной непрерывной выборки. Не умножайте дисперсию на b − a без квадрата. Не считайте k номером исходного измерения до сортировки. Стандартное отклонение имеет единицы X, а дисперсия — их квадрат; запись «дисперсия 4 с» ошибочна.
Практика
Задачи с решением
Средний максимум
Условие. Найдите средний максимум трёх независимых U(0; 8) см.
Решение. Берём k = n = 3: 0 + 8·3/4 = 6 см.
Ответ. 6 см
Разброс минимума
Условие. Найдите дисперсию минимума двух независимых U(0; 6) с.
Решение. При k = 1 и n = 2 получаем 36·2/(9·4) = 2 с².
Ответ. 2 с²
Дополнительные источники
- https://online.stat.psu.edu/stat415/Lesson01
- https://faculty.washington.edu/yenchic/20A_stat512/Lec9_Order.html
- https://sites.math.duke.edu/~jonm/Math231/orderStatistics.html
- https://itl.nist.gov/div898/software/dataplot/refman2/auxillar/ordstmea.htm
Связанные формулы
Математика
Равномерное распределение: вероятность попасть в интервал
Для непрерывного равномерного распределения на отрезке [a,b] вероятность попадания в его часть [c,d] равна отношению длин. Равные по длине части имеют одинаковые вероятности независимо от положения.
Аналитика
Размах вариации
Размах вариации показывает расстояние между максимальным и минимальным значением набора данных. Это самый простой показатель разброса.
Математика
Экспоненциальное распределение: вероятность времени ожидания
Экспоненциальная модель даёт вероятность ждать событие дольше t при постоянной интенсивности λ. В отличие от счёта событий по Пуассону, случайной величиной здесь служит непрерывное время до ближайшего события.