羅修輝，韋程東，王一茸

（廣西師范學(xué)院 數(shù)學(xué)與統(tǒng)計學(xué)院，南寧 530023）

0 引言

大數(shù)定律決定了傳統(tǒng)的概率統(tǒng)計在進(jìn)行可靠性分析時，需要有足夠的樣本容量來對未知分布特征進(jìn)行估計，然而在工程實踐中、特殊產(chǎn)品壽命分析或者在對高科技新型裝備進(jìn)行可靠性分析時,往往產(chǎn)生的是珍貴的小樣本（在工程實踐中，一般以樣本容量n≤30為小樣本），此時數(shù)據(jù)少的問題就顯得極為突出。在此情況下，如果將大樣本理論引用到對小樣本可靠性分析時，顯然會導(dǎo)致估計精度降低,使得可靠性分析不那么可靠。因此，如何在小樣本情況下估計所研究未知分布的可靠性參數(shù)是一個急需解決的問題。

目前，小樣本可靠性參數(shù)估計主要有Bayes方法、Bayes Bootstrap方法和蒙特卡羅仿真方法[1-4]。但大多數(shù)文獻(xiàn)都是基于正態(tài)分布進(jìn)行研究的，而在大多情況下典型的可靠性分布都是非正態(tài)的，因而基于其他分布下去研究可靠性參數(shù)估計是非常必要的,本文正是在小樣本條件下研究指數(shù)分布可靠性的參數(shù)估計。

1 小樣本可靠性參數(shù)評估的傳統(tǒng)方法

1.1 問題的提出

當(dāng)產(chǎn)品可靠性能指標(biāo)X～Exp(λ)且任務(wù)要求X≤x時,產(chǎn)品可靠度可由式（1）計算：

其中F(x)為指數(shù)分布的分布函數(shù)，I{A}表示A的示性函數(shù)。

由于參數(shù)λ真值無法獲取,于是,在估計產(chǎn)品的可靠度時,首先需要通過樣本對參數(shù)λ進(jìn)行估計。

1.2 矩估計

所以有λ=1/EX，故λ的矩估計為：

在指數(shù)分布中，有時記θ=1/λ，則θ為指數(shù)分布的數(shù)學(xué)期望。

另外，又因為：

由此可得X方差為：

所以，根據(jù)替換原理，λ的矩估計也可以取為：

其中s為樣本標(biāo)準(zhǔn)差。由此可得到不同的矩估計，這是矩估計的一個缺點。為了計算簡便，此時應(yīng)該選用低階矩來估計。

例1：由指數(shù)分布Exp(3)，產(chǎn)生如下10個來自該分布的樣本數(shù)據(jù)，0.920、0.143、0.1268、0.146、1.136、0.217、0.678、0.022、0.0004、0.0966，可認(rèn)為是產(chǎn)品某性能指標(biāo)服從Exp(3)的10個樣本，其樣本均值=0.349，現(xiàn)要求產(chǎn)品的性能指標(biāo)不大于1.5時，根據(jù)式（3）可計算λ的估計值為=1/=2.865 ，再依據(jù)公式（1）可計算其可靠性為=0.9864。

1.3 極大似然估計

對指數(shù)總體Exp(λ)設(shè)有樣本，則其似然函數(shù)為：

其對數(shù)似然函數(shù)為：

將lnL()λ關(guān)于λ求導(dǎo)并令其為0得到似然方程：

解之得：

由于：

于是，是極大值點。

所以，=1/是λ的極大似然估計。這與式(3)的矩估計結(jié)果一致。

2 Bayes方法

經(jīng)典學(xué)派方法是根據(jù)總體信息和樣本信息進(jìn)行統(tǒng)計推斷；而貝葉斯方法與經(jīng)典學(xué)派方法主要不同之處在于：還需利用先驗信息進(jìn)行統(tǒng)計推斷。其基本步驟如下：

（1）總體依賴于未知參數(shù)θ的概率密度函數(shù)為p(x|θ)，其表示θ取某個值時總體的條件概率密度函數(shù)。

（2）確定θ的先驗分布 π(θ)。

（3）分兩步產(chǎn)生樣本X=(x1,x2,…,xn)，首先從 π(θ)中產(chǎn)生θ0，然后再從p(x|θ0)中產(chǎn)生X=(x1,x2,…,xn)，由此可得到X的聯(lián)合條件概率密度函數(shù)為：

它包含了總體信息和樣本信息。

（4）由于按上述方法得到的θ0還是未知量，所以仍需兼顧其他可能的θ值，即要用π()θ進(jìn)行綜合，這樣可得樣本X與未知參數(shù)θ的聯(lián)合分布為：

這個聯(lián)合分布包含了上述三種信息。

（5）將h(X,θ)作如下分解：

其中m(X)是X的邊際概率函數(shù)：

由此可以得到參數(shù)θ的后驗分布計算公式：

（6）選取后驗分布均值：

或后驗分布的其他特征量做估計。但是根據(jù)以下定理，一般選取后驗分布均值作為參數(shù)θ的估計量。

定理1[5]：設(shè)損失函數(shù)L(θ,a)=(θ-a)2，且Eθ2＜∞則：

為參數(shù)θ唯一的Bayes估計。

仍然以指數(shù)分布為例，討論其參數(shù)λ的Bayes估計。設(shè)X1,X2,…,Xni.i.d.～Exp(λ)。取θ的共軛先驗分布為伽瑪分布 Γ(b,α)，其中超參數(shù)b,α已知，求λ的Bayes估計。

設(shè)X=( )X1,X2,…,Xn,則X的密度函數(shù)為：

從而λ的似然函數(shù)為：

其中∝的含義是：其余因子與λ無關(guān)，而λ的共軛先驗分布為 Γ(b,α)，即：

則λ的后驗分布：

添加正則化常數(shù)后，得到：

此后驗分布為伽瑪分布Γ( )n+b,nx+α。

故由定理1可知，取λ后驗期望估計為其Bayes估計：

仍然采用例1的數(shù)據(jù)，根據(jù)以上推導(dǎo)，運用Open BUGS軟件采用Gibbs抽樣法抽取10000個樣本編程對其可靠性進(jìn)行MCMC模擬可以得到=3.006，其可靠性估計值為R=0.9889。其參數(shù)迭代過程及參數(shù)分布圖如圖1和圖2所示。

圖1 Bayes參數(shù)估計迭代圖

圖2 Bayes方法參數(shù)分布圖

3 Bootstrap和Bayes Bootstrap方法

Bootstrap方法最早是由斯坦福大學(xué)教授Efron于1977年提出的。此方法認(rèn)為經(jīng)驗分布函數(shù)能夠較好地擬合總體分布，但在小樣本條件下，其擬合效果可能會比較嚴(yán)重，導(dǎo)致過大的估計誤差，因而可以考慮通過再抽樣來增加樣本量。Bayes Bootstrap方法(亦稱為隨機(jī)加權(quán)法)，它的基本思想是：通過隨機(jī)加權(quán)來擴(kuò)充小樣本的樣本量，以此對參數(shù)進(jìn)行估計。這兩種方法都是通過計算機(jī)模擬，從小樣本中抽取再生樣本來獲得大樣本，由此對未知分布進(jìn)行模擬。

下面是Bootstrap方法的基本步驟：

（2）從Fn中抽取N組自助樣本具體方法為：

①從[0,M](M＞＞n)中產(chǎn)生隨機(jī)整數(shù)η，其必須滿足獨立性和均勻性的要求。

②令i=η%n，i為n整除η得到的余數(shù)。

③從原生樣本中以xi作為再抽樣本x*，其中xi為與i對應(yīng)下標(biāo)的觀測樣本，則x*可作為所需的隨機(jī)樣本。

（3）計算以下的自助統(tǒng)計量：

（4）用Rn（在給定經(jīng)驗分布Fn的條件下）的分布去模擬Tn的分布。即有，于是可得到N個，由此可求出θ的分布和特征量。

將Rn換成隨機(jī)加權(quán)統(tǒng)計量：

沿用例1的數(shù)據(jù)，不考慮先驗信息的情況下，由于樣本量n=10。設(shè)Fn是樣本X的經(jīng)驗分布函數(shù)，=1/是指數(shù)分布F參數(shù)的估計。則估計誤差：

構(gòu)造并產(chǎn)生N=10000組自助統(tǒng)計量：

圖3 Bootstrap方法參數(shù)分布圖

表1 評估結(jié)果比較表

構(gòu)造并產(chǎn)生N=10000組自助統(tǒng)計量：

由Bayes Bootstrap方法估計參數(shù)λ得到其服從的分布如圖4所示，其估計值見表1。

圖4 Bayes Bootstrap方法參數(shù)分布圖

4 四種方法的比較

通過表1所列結(jié)果，可以看出貝葉斯方法和Bayes Bootstrap方法相對于另外兩種方法對可靠性的估計結(jié)果更為精確。但是本算例中貝葉斯方法是基于伽瑪分布的先驗信息情況下進(jìn)行的統(tǒng)計推斷，然而實際的可靠性分析中先驗信息不一定容易獲得，此時Bayes Bootstrap就體現(xiàn)出了其優(yōu)勢。另外，由圖3和圖4發(fā)現(xiàn)由Bootstrap和Bayes Bootstrap方法估計得到的參數(shù)仿真曲線符合伽瑪分布概率函數(shù)曲線，這與λ的后驗分布一致，這也給我們提供了在沒有先驗信息情況下，如何運用Bayes方法提供了一種思路，即先用Bootstrap和Bayes Bootstrap方法模擬出參數(shù)估計的分布概率密度曲線，以此確定先驗分布的形式，然后再運用Bayes方法進(jìn)行估計。因此，在具體分析中，幾種方法綜合運用能起到更好的估計效果。

5 結(jié)束語

本文以指數(shù)分布為例對小樣本情況下的可靠性參數(shù)估計問題進(jìn)行了對比研究，并通過數(shù)值模擬說明了算法的有效性。模擬結(jié)果表明，在具有先驗信息情況下，Bayes方法和Bayes Bootstrap方法更為適用；并給出了在沒有先驗信息情況下，Bayes方法和Bayes Bootstrap方法結(jié)合使用的思路。但是如何通過改進(jìn)Bootstrap方法擴(kuò)充樣本容量來提高估計的精度還有待進(jìn)一步的研究。

[1]Efron B.The Jackknife,the Bootstrap and other Resampling Plans[M].Philadelphia:SIAM,1982.

[2]孫慧玲,胡偉文.小樣本條件下參數(shù)估計方法比較研究[J].統(tǒng)計與決策,2014,(24).

[3]馬智博,朱建士,徐迺新.有關(guān)正態(tài)分布的小樣本可靠性評估[J].核科學(xué)與工程,2003,23(4).

[4]曹軍海,杜海東,申瑩.基于改進(jìn)Bayes-Bootstrap方法的系統(tǒng)可靠性仿真評估[J].裝甲兵工程學(xué)院學(xué)報,2016,30(1).

[5]陸璇.數(shù)理統(tǒng)計基礎(chǔ)[M].北京：清華大學(xué)出版社,1998.