Estimation of a Normal Percentile by Grouping
通过分组测量估计正态总体分位点AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要集中于正态总体分位点的分组测量设计，尚不足以确定其属于给定的微观、宏观或金融细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
通过分组测量估计正态总体分位点
- 研究问题
- 当正态总体的均值和方差均未知、一次只能观测一组独立测量值之和时，如何选择分组大小以估计分位点？
- 方法与思路
- 作者将分组检验思想用于分位点估计，在固定总成本约束下，分别研究小样本与总成本趋于无穷的情形。
- 材料陈述的贡献
- 摘要称获得了两种情形下的最优分组大小，并与逐个测量的方法比较，报告明显改进但未给出具体幅度。
- 阅读关注点
- 应核对成本函数、分位点估计准则及整数分组大小的处理，并查看所谓改进具体针对哪种损失或精度指标。
- 阅读边界
- 索引摘要未注明稿件版本，也未说明成本结构与优化细节；不能将其所称明显改进解释为已报告统计显著性。
原文摘要
In this article we apply the group-testing idea to the estimation of a percentile of a normal population when both the mean and the variance are unknown. The structure is such that we observe the sum of the normal, independent measurements of m units in one single observation (or test). Under the assumption of a fixed total cost T, we have obtained the optimal value of the group size m for both the small-sample and the large-sample (T → ∞) cases. Comparison with the un-grouped method (m = 1) is made and the improvement is significant.