Alguns pensamentos que tive:
Isso é semelhante a querer fazer um teste t de duas amostras - exceto que para a segunda amostra eu só tenho um valor único e os 30 valores não são necessariamente normalmente distribuídos.
Corrigir. A idéia é um pouco como um teste t com um único valor. Como a distribuição não é conhecida e a normalidade com apenas 30 pontos de dados pode ser um pouco difícil de engolir, isso exige algum tipo de teste não paramétrico.
Se, em vez de 30 medidas, eu tivesse 10000, a classificação da única medida poderia fornecer algumas informações úteis.
Mesmo com 30 medições, a classificação pode ser informativa.
Como o @whuber apontou, você deseja algum tipo de intervalo de previsão. Para o caso não paramétrico, o que você está perguntando é essencialmente o seguinte: qual é a probabilidade de um dado ponto de dados ter por acaso a classificação que observamos na sua 31ª medição?
Isso pode ser resolvido através de um teste de permutação simples. Aqui está um exemplo com 15 valores e um romance (16ª observação) que é realmente maior que qualquer um dos anteriores:
932
915
865
998
521
462
688
1228
746
433
662
404
301
473
647
new value: 1374
Executamos N permutações, em que a ordem dos elementos da lista é embaralhada e, em seguida, fazemos a pergunta: qual é a classificação do valor do primeiro elemento na lista (embaralhada)?
Executar N = 1.000 permutações nos dá 608 casos em que a classificação do primeiro elemento da lista é igual ou melhor à classificação do novo valor (na verdade igual, pois o novo valor é o melhor). Executando a simulação novamente por 1.000 permutações, obtemos 658 casos, depois 663 ...
Se executarmos N = 1.000.000 de permutações, obteremos 62825 casos em que a classificação do primeiro elemento da lista é igual ou melhor à classificação do novo valor (simulações adicionais fornecem 62871 casos e 62840 ...). Se tomar a razão entre os casos em que a condição é satisfeita e o número total de permutações, obtemos números como 0,062825, 0,062871, 0,06284 ...
Você pode ver esses valores convergirem para 1/16 = 0,0625 (6,25%), o que, como @whuber observa, é a probabilidade de um determinado valor (de 16) sorteado aleatoriamente ter a melhor classificação possível entre eles.
Para um novo conjunto de dados, em que o novo valor é o segundo melhor valor (ou seja, classificação 2):
6423
8552
6341
6410
6589
6134
6500
6746
8176
6264
6365
5930
6331
6012
5594
new value: 8202
obtemos (para N = 1.000.000 de permutações): 125235, 124883 ... casos favoráveis que, novamente, aproximam a probabilidade de que um determinado valor (de 16) sorteado aleatoriamente tenha a segunda melhor classificação possível entre eles: 2/16 = 0,125 (12,5%).