1 順序統計の基本
1.1 定義と記法
1.1.1 順序付けと順位統計量
独立に観測される確率変数の列 \(X_1,\dots,X_n\) を考える。実現値を大小関係で並べ替えたとき、\(k\) 番目に位置する値を順序統計量（order statistic）と呼ぶ。通常、並べ替え後の値を \[ X_{(1)}\le X_{(2)}\le \cdots \le X_{(n)} \] のように書く。このとき \(X_{(k)}\) が \(k\) 番目の順位統計量である。
順位付けは、母集団の分布が連続か離散かを問わず定義できる一方で、同順位（同値）の扱いが理論的な細部に影響する。順序統計は「値の大きさ」だけでなく「順位」という位置情報を抽出するため、極端値の評価や分位点の推定で直感的に利用される。
1.1.2 最小値・最大値・第k順位の表現
最小値と最大値はそれぞれ \[ X_{(1)}=\min_i X_i,\quad X_{(n)}=\max_i X_i \] として表せる。第 \(k\) 順位（第 \(k\) 番目の値）は一般に \(X_{(k)}\) と記す。
しばしば解析では順位を「何個が閾値以下か」という数の問題に還元する。たとえば \(X_{(k)}\le x\) が成り立つのは「観測値のうち \(x\) 以下が少なくとも \(k\) 個ある」ことと同値である。よって順位の分布は、母数 \(n\) の範囲でカウントする二項型の確率と結びつく。
1.2 直感的な見方
1.2.1 順位情報の意味
順位統計量は、同一母分布からの複数観測に対して「相対的位置」を与える。たとえば第 \(k\) 順位は、全体の中でどの程度高い（あるいは低い）値かを示し、スコアや指標の比較に適している。
順位は尺度に依存しにくいという利点がある。単調増加な変換を施しても順位そのものは維持されるため、分布の形状よりも「相対的な並び」を重視する状況で有用になる。これにより順位ベースの手法が、母分布の正確なモデル化を避けたい場合に広く使われる。
1.2.2 外れ値や極端値との関係
最小値・最大値は極端な挙動を直接反映する。観測が増えるほど、最大値はより大きい方向へ、最小値はより小さい方向へ動きやすくなるため、極端値解析の中心対象となる。
第 \(k\) 順位でも、\(k\) が小さいと「下側の裾（下側テール）」、\(k\) が \(n\) に近いと「上側の裾」を代表する。したがって順序統計は、外れ値の検出やテールリスクの評価など、分布の端部に焦点を当てる議論と自然に結びつく。
1.3 基本条件（独立同分布など）
1.3.1 连続分布と離散分布
理論構築では、各 \(X_i\) が同じ分布に従い、かつ互いに独立である（独立同分布）という仮定が出発点になることが多い。母分布が連続の場合は、同順位が起きる確率がゼロになり、順序統計の区別が比較的滑らかに扱える。
一方、離散分布では同値が起こりやすく、順位の「境界の扱い」が微妙になる。分布関数の連続性が欠けると、累積確率の書き換えがそのままでは成立しないことがあるため、一般形の式では同値を考慮した修正が必要になる。
1.3.2 同順位（タイ）の扱い
同順位（タイ）は、複数の観測が同じ値を取ることで発生する。連続モデルではほぼ無視できるが、離散や丸めを含む実データでは頻繁に現れる。
実務上の順位付けは、複数個が同じ値なら同じ順位範囲を割り当てるなどの規約が必要になる。理論では、厳密な「何番目」を定義するために、タイの取り扱いによって確率的な分解が変わる。特に分布関数の導出では、「厳密に小さい」か「小さいか等しい」かという比較の向きが式に反映される。
2 分布・密度の理論
2.1 順序統計量の分布関数
2.1.1 導出の考え方（累積確率）
順位統計量 \(X_{(k)}\) の累積分布関数 \(F_{(k)}(x)\) を考える。これは \[ F_{(k)}(x)=\Pr(X_{(k)}\le x) \] である。中核となる考え方は、\(X_{(k)}\le x\) が成立する条件を「\(x\) 以下の観測数」と結びつける点にある。
具体的には、\(X_{(k)}\le x\) とは、少なくとも \(k\) 個の観測値が \(x\) 以下であることと同値である。独立同分布のもとでは、各 \(X_i\le x\) の確率は \(F(x)\) となり、\(x\) 以下の個数は二項分布に従う。したがって順位の分布関数は二項確率の累積として表現できる。
2.1.2 一般形の式と意味
母分布の分布関数を \(F(x)\) とする。連続分布でタイを無視できる状況では、 \[ F_{(k)}(x)=\sum_{j=k}^{n}\binom{n}{j}[F(x)]^{j}[1-F(x)]^{n-j} \] の形をとる。ここで \(j\) は \(x\) 以下に入る観測の個数であり、少なくとも \(k\) 個あることを表すため \(j\ge k\) を総和する。
この式は直感に一致する。\(F(x)\) が小さいほど \(x\) 以下の個数が増えにくいので \(F_{(k)}(x)\) は小さくなり、逆に \(F(x)\) が大きいほど条件を満たしやすくなる。順位 \(k\) が増えるほど要求される個数が増えるため、同じ \(x\) で比べたときには分布関数が相対的に小さくなる傾向が現れる。
2.2 順序統計量の密度
2.2.1 密度の導出と境界条件
母分布が確率密度関数 \(f(x)\) を持つ連続分布の場合、\(F_{(k)}(x)\) を \(x\) で微分して順位統計量の密度 \(f_{(k)}(x)\) を得る。基本式では \(F(x)\) に依存する項が多項の総和になっているため、導出は連鎖律を含む形で行われる。
結果として、順位 \(k\) の密度は一般に \[ f_{(k)}(x)=\frac{n!}{(k-1)!(n-k)!}\,[F(x)]^{k-1}[1-F(x)]^{n-k}\,f(x) \] と書ける。この形では境界挙動が明瞭で、\(F(x)\) が 0 近傍なら \([F(x)]^{k-1}\) が、1 近傍なら \([1-F(x)]^{n-k}\) が主に効く。
2.2.2 支配的な項と形状の理解
密度の形状は、分布関数 \(F(x)\) が 0 から 1へ移る過程で、二つの因子 \([F(x)]^{k-1}\) と \([1-F(x)]^{n-k}\) が競合することで決まる。前者は「下側に何個以上」条件に対応し、後者は「上側にどれだけ残るか」に対応する。
たとえば \(k\) が 1（最小値）に近いと \([F(x)]^{0}=1\) となり、主に \([1-F(x)]^{n-1}\) によって密度が決まる。逆に \(k=n\)（最大値）に近いと \([1-F(x)]^{0}=1\) となり、\([F(x)]^{n-1}\) が支配する。中間の順位では両者が同時に効くため、形状が母密度の形よりも鋭くなることもある。
2.3 期待値・分散などのモーメント
2.3.1 代表値（平均・中央値）
順序統計量にも期待値や分位に相当する指標を定義できる。期待値 \(\mathbb{E}[X_{(k)}]\) は一般には閉形式で求まらない場合が多く、母分布の性質に応じて数値積分や特殊関数による表現が用いられることがある。
中央値に相当する量も同様で、\(F_{(k)}(x)=1/2\) を満たす \(x\) として定義できる。分位点の考え方と整合的であるため、順位統計量は「分位点の推定」と結びつきやすい。順位 \(k\) を固定して \(n\) を変えると代表値の位置が変化し、サンプルサイズ依存の性質を解析できる。
2.3.2 分散・ばらつきの評価
ばらつきは \(\mathrm{Var}(X_{(k)})\) の形で評価される。順位統計は、元のばらつきに加えて順位が要求する制約によってさらに変動が増減する。
極端な順位（最小・最大）では、テール側の揺らぎがそのまま出るため分散が大きくなりやすい。中間順位では、複数観測が互いに順位を押さえ込むため変動が相対的に小さくなる傾向がある。これらは密度式の因子から直感的に理解でき、総和や指数因子の効果として現れる。
2.4 連続分布における確率変換
2.4.1 一様化の考え方
確率変換の中心は確率積分変換である。母分布の分布関数 \(F\) により \[ U_i=F(X_i) \] と置くと、連続分布の場合は \(U_i\) が一様分布に従う。さらに順位統計も整合的に変換され、並べ替え後の \(U_{(k)}\) は \([0,1]\) 上での順位に対応する。
この結果により、元の分布が何であっても、順位統計の「分布形」を一様分布の場合に還元できる。実際には、まず一様順位の理論を使い、その後 \(F^{-1}\) によって元のスケールへ戻す操作が行われる。
2.4.2 幾何学的な解釈
確率変換は「分布上の座標系を変える」行為として理解できる。\(F\) は値を確率尺度へ写し替えるため、曲がった分布の形状を平坦な一様空間へ写像する働きを持つ。
順位の観点でも同様で、\(X_{(k)}\) の位置は \(F(X_{(k)})\) の位置に対応する。したがって一様空間での順位は、単純な幾何学（区間上の並び）として捉えやすくなる。幾何的に見ると「区間 \([0,u]\) に入る点の個数」が順位条件を決めるため、二項型の確率が現れることとも整合する。
3 特殊な分布と具体例
3.1 一様分布の場合
3.1.1 順序統計量の分布の形
母分布が \([0,1]\) 上の一様分布であれば、\(F(x)=x\) と \(f(x)=1\) を密度式に代入できる。すると \[ f_{(k)}(x)=\frac{n!}{(k-1)!(n-k)!}\,x^{k-1}(1-x)^{n-k} \] となり、これはベータ分布の密度に一致する。よって一様分布の順位統計は、ベータ分布として明確に特徴づけられる。
この性質により、分位点や期待値などの計算が標準的な公式に落ちる。順位解析が「複雑な母分布の代わりに一様順位を扱う」形で整備されるのは、この整合性が背景にある。
3.1.2 具体計算の例
たとえば \(X_i\sim \mathrm{Uniform}(0,1)\) のとき、期待値はベータ分布の性質から \[ \mathbb{E}[X_{(k)}]=\frac{k}{n+1} \] が得られる。さらに分散も既知のベータ分布の公式で表せる。
具体例として \(n=4\)、\(k=2\) の場合は \(\mathbb{E}[X_{(2)}]=2/5\) となる。実データでは一様とは限らないが、分布変換 \(U_i=F(X_i)\) を用いれば同種の計算が可能になるため、教材的な導入として頻繁に用いられる。
3.2 正規分布・対称分布の場合
3.2.1 厳密解と近似
正規分布に対して順位統計の分布を厳密に書くことは一般に難しい。密度式は \(F\) と \(f\) を含むため、正規では累積関数が誤差関数で表されるが、順位の密度は積や冪の形であっても単純な閉形式に整理しにくい。
そこで実際には近似法が使われる。代表的には大標本近似として正規順位の漸近展開や、数値積分による評価が挙げられる。中心部の順位では極端値より近似が安定しやすく、裾の順位ほどテール特性の影響で誤差が増える。
3.2.2 両側順位との関係
対称分布では、上側と下側の順位統計が関係づけられることがある。たとえば母分布が原点対称であれば、最大値と最小値は符号を介して対応しやすい。
さらに第 \(k\) 位と第 \(n-k+1\) 位の対応が成り立つ場合があり、分布の反転操作が順位に反映される。これにより両側の挙動をまとめて評価でき、計算量の削減にもつながる。
3.3 指数・ガンマ型分布の場合
3.3.1 解析が簡単になる条件
指数分布やガンマ分布のように、母密度と累積分布が指数・多項の組として扱える場合は、順位統計の積分評価が比較的進むことがある。特に形母数が小さいとき、特殊関数を用いた表現が実用的になる。
また、分布の性質からテールの減衰速度が明確であるため、極端順位の期待値や分散の傾向を解析しやすい。抽象的な順位理論を具体の挙動に結びつける際に、これらの分布は例示として適している。
3.3.2 极值寄りの挙動
指数・ガンマ型は上側が比較的単純な指数減衰を示すことが多く、最大値の変動はテールの形に強く依存する。観測数 \(n\) が増えると最大値は上昇するが、その増え方は漸近理論（極値理論）の枠組みで分類できる。
順位統計の枠では、最大付近の密度が \(1-F(x)\) のべきにより形成されるため、テール側の確率が支配する。結果として、中心領域とは異なるスケーリングが必要になりやすい。
3.4 離散分布での注意点
3.4.1 同順位の確率
離散分布では同値が生じやすく、順位統計の分布が連続とはならない。密度の代わりに確率質量として評価し、さらに分布関数の不連続点で挙動が変わる。
同順位の確率が非ゼロであるため、「\(X_{(k)}\le x\)」の表現を「ちょうど \(k\) 個が \(x\) 未満」などの細分化で扱う必要が出ることがある。分析の段取りとしては、厳密な不等式の向きを揃え、同値をカウントの定義に反映させるのが重要になる。
3.4.2 公式の修正と解釈
連続の場合の導出式は、比較対象を厳密に取り扱っていれば離散でも形式的には写像できるが、実際には \(F(x)\) の値がジャンプするため、確率の配分が異なる。したがって連続密度の微分に相当する操作は、そのまま使えない。
解釈としては、「順位統計は閾値で区切ることで二項型の計数に結びつく」という核は保たれるが、閾値に等しい点がどの側に含まれるかが結果に影響する。タイの扱いを含む規約に応じて、最終的な確率表現を調整する必要がある。
4 統計的推論への応用
4.1 推定（順位にもとづく推定）
4.1.1 分位点推定と順序統計
分位点は順位統計と密接に関連する。母分布の分位点 \(q_p\)（\(\Pr(X\le q_p)=p\) を満たす値）に対し、標本の順位から近似を構成できる。代表的には \(k\) 番目の順序統計量 \(X_{(k)}\) を分位点の推定量として用い、\(k\) と \(p\) を対応づける。
たとえば \(n\) が大きいときには、\(k\approx (n+1)p\) という対応が自然な選び方になる。推定量のばらつきは順位によって異なり、端の分位ほど変動が大きくなるため、用途に応じて順位の選び方を工夫する。
4.1.2 信頼区間の構成
分位点推定の信頼区間は、順位統計量の分布を利用して作ることができる。考え方は「真の分位点がある範囲に入る確率」を、順位の累積確率で評価する点にある。
離散性がある場合は区間端の定義が調整される。一般に、上側・下側の同時確率を二項型の計数確率により決め、対応する順位の組 \([X_{(L)},X_{(U)}]\) を区間として採用する方法が用いられる。区間の幅はサンプルサイズと分位レベルに依存し、極端分位では広がりやすい。
4.2 検定（順位にもとづく手法）
4.2.1 ノンパラメトリック検定との関係
順位統計はノンパラメトリック検定の基盤である。母分布の詳細な形を仮定せずに、順序情報だけで差の有無を評価できる。
代表例として、順位和検定や順位に基づく統計量が挙げられる。これらは「データの並び替えによって生成される順序の分布」を利用し、帰無仮説の下でどれほど極端な順位パターンが起こり得るかを計算する。したがってロバスト性が期待でき、外れ値の影響を受けにくい設計になりやすい。
4.2.2 臨界値と有意性
検定では、統計量が帰無仮説のもとでとり得る範囲を求め、棄却域（臨界値）を決める。順位統計を用いる検定では、統計量の分布が離散になりやすく、厳密計算または漸近近似、あるいは再標本化（ランダム化）により臨界値が決められる。
有意性の評価は、観測値が棄却域に入る確率（あるいはそれ以下である確率）として提示される。実装上は計算コストと精度のバランスから、近似か厳密かが選択される。
4.3 信頼性・品質管理
4.3.1 最小値・最大値の利用
信頼性工学では、複数部品や複数試験片の中で最も弱いもの、あるいは最も強いものが性能を決める場面が多い。最小値は「弱点の代表」として、最大値は「耐えた記録の代表」として解釈できる。
例えば劣化や破損の時刻が確率変数として扱える場合、最小の破損時刻はシステムの停止時刻に対応することがある。こうしたモデルでは順位統計がそのまま系の挙動の中心対象になる。
4.3.2 故障や耐久の解析への応用
複数要素から成るシステムの耐久性を評価する際、部品単位の故障分布から全体の分布を作る必要がある。部品の独立性などの仮定のもとで、停止や切替に関わる順序統計（例：いち早く故障する部品の時刻）が全体の代表量として現れる。
また品質管理では、極端値が不良判定に直接関わることがある。測定系のばらつきを考慮しつつ、保証したい規格（上限・下限）との関係で最小・最大の順位分布を使うことで、合格確率の設計が可能になる。
4.4 極値解析との接続
4.4.1 極値の近似と漸近理論
極値解析では、最大値（または最小値）の分布の極限を調べる。標本数を増やしたときに最大値が従う極限分布は、母分布の裾の性質に応じて分類される。
順序統計の観点では、最大値 \(X_{(n)}\) だけでなく、上位の \(k\) 番目なども含めてテール構造を評価できる。漸近理論により、標本サイズが十分に大きい領域でどの近似が有効かを判断する枠組みが提供される。
4.4.2 テール挙動の評価
テール挙動の評価は、稀な事象の頻度を定量化することに等しい。順位統計は「どの程度の大きさが、どれくらいの確率で現れるか」を順位を介して表現できるため、リスク管理や耐性設計に役立つ。
実務では、母分布の仮定誤差が結果に与える影響が問題になりやすい。そこで、順位統計に基づく推定や分位点の補間を用いて、テールの確率をより直接に評価するアプローチが検討される。これにより、測定可能な範囲から外挿する際の不確実性の扱いが改善されることがある。