Você pode aproximar.
Por exemplo, fiz os seguintes ajustes não lineares para ν (graus de liberdade) de 1 a 20 e δ (parâmetro de não centralidade) de 0 a 5 (nas etapas de 1/2). Deixei
a ( ν) = 0,963158 + 0,051726ν- 0,705428+ 0,0112409 log( ν) ,
b ( ν) = - 0,0214885 + 0,4064190,659586 + ν+ 0,00531844 log(ν),
e
g(ν, δ) = δ+ a ( ν) exp( b ( ν) δ) - 1.
Então estima a mediana entre 0,15 para , 0,03 para , 0,015 para e 0,007 para .ν = 1 ν = 2 ν = 3 ν = 4 , 5 , … , 20gν= 1ν= 2ν= 3ν= 4 , 5 , ... , 20
A estimativa foi feita calculando os valores de e para cada valor de de 1 a 20 e, em seguida, ajustando separadamente e a . I examinados parcelas de e , para determinar uma forma funcional adequada para estes ataques.b ν a b ν a bumabνumabνumab
Você pode fazer melhor concentrando-se nos intervalos desses parâmetros de seu interesse. Em particular, se você não estiver interessado em valores realmente pequenos de poderá melhorar facilmente essas estimativas, provavelmente dentro de 0,005 de forma consistente.ν
Aqui estão gráficos da mediana versus para , o caso mais difícil e os resíduos negativos (mediana verdadeira menos valor aproximado) versus :ν = 1 δδν= 1 δ
Os resíduos são realmente pequenos em comparação com as medianas.
Aliás, para todos os graus de liberdade, exceto os menores, a mediana está próxima do parâmetro de não centralidade. Aqui está um gráfico da mediana, para de 0 a 5 e (tratado como um parâmetro real) de 1 a 20.νδν
Para muitos propósitos, usar para estimar a mediana pode ser bom o suficiente. Aqui está um gráfico do erro (relativo a ) feito assumindo que a mediana é igual a (para de 2 a 20).δ δ νδδδν