Approximate Distribution of Extremes for Nonsample Cases
非独立同分布观测的极端次序统计量近似分布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：摘要研究一般依赖数据的极值分布，没有金融尾部损失、系统性风险或具体时间序列模型的直接依据。
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
非独立同分布观测的极端次序统计量近似分布
- 研究问题
- 观测可能不同分布、非连续且相互依赖时，在某类有限范围依赖结构下，如何近似指定上端或下端极值的分布？
- 方法与思路
- 作者推导依赖观测数量、极值位次及个体分布函数平均值的近似表达式，并讨论样本规模准则和平均分布函数估计。
- 材料陈述的贡献
- 摘要称给出近似分布、判断观测数量是否足够的规则及模型适用依据，并解释某些经典极限分布为何仍可能出现。
- 阅读关注点
- 应核对有限范围依赖的具体定义、非连续情形的处理、近似有效条件，以及平均分布函数一致估计所需的信息。
- 阅读边界
- 来源为版本未注明的OpenAlex索引摘要；未列依赖条件或近似误差，不能将实践性判断视为普遍保证或推断刊本变化。
原文摘要
The data are n univariate observations that are not necessarily from the same population, from continuous populations, or independent. The problem is to develop an approximate expression for a specified one of the upper (or lower) extremes of this set of observations when a type of m-dependence occurs. General expressions are developed that depend on n, the extreme considered, and the arithmetic average of the cumulative distribution functions (cdf's) for the individual observations. These results seem to be in a form that is satisfactory for practical applications, and a rule is given for deciding when n is large enough for their use. Also, a basis is furnished for deciding on the suitability of the model from the characteristics of the experimental situation, and consistent estimation of the average of the cdf's is considered. In practice, the asymptotic distributions that occur for the case of samples from continuous populations also seem to frequently occur for nonsample cases involving data that are not necessarily continuous. Some reasons are given which tend to explain the frequent occurrence of these types of asymptotic distributions.