测试性试验样本量按比例分层抽样补充分配方法

GJB2072中给出的样本量按比例分层抽样分配存在分配完毕的样本总数可能不等于规定的样本总数,导致样本分配失败,需要手动补充分配,成为开展测试性、维修性相关试验的障碍。针地该问题,提出了一种基于最小舍入误差排序的补充分层抽样分配法,给出了软件实现的流程,开发了测试性方案设计软件,并通过多种样本量的分配对比验证了方法的有效性和适应性。

域的最优样本量分配方法研究

域估计是抽样调查中的热点问题之一,需要同时兼顾总体和域的估计精度,其核心问题是样本量问题。当域是计划域且总样本量已知时,域的样本量分配十分重要,本文对域的样本量分配进行深入研究。首先,介绍了同时兼顾域和总体的估计精度的Power分配和Longford分配。其中,Power分配通过降低域的方差系数的加权和控制总体和域的估计精度。Longford分配通过引入域和总体的权数控制总体和域的估计精度。但是,当某些域的样本量较少时,降低总体和域的估计精度。基于域的组合估计量的组合分配借助辅助信息和统计模型,提高域的估计精度,效率较高。最后,本文使用中国家庭追踪调查数据对等量分配、比例分配、Power分配和组合分配进行比较研究,进一步说明组合分配效率最高,是最优的域的样本量的分配方法。

基于组合估计量的域样本量分配方法研究

域估计问题是抽样调查的研究热点问题，若为计划域且总体样本量已知时，域的样本量分配是十分重要的。域样本量的分配方法包含比例分配、最优分配、内曼分配、等量分配、Power分配和Longford分配，这些方法基于较好的抽样设计，并没有结合域的估计方法，基于域的组合估计量并结合Longford损失函数得到组合分配和限制组合分配方法。最后，使用CFPS2010数据对等量分配、比例分配、组合分配和限制组合分配进行比较研究，说明组合分配方法的效率最高，是较好的域样本量分配方法。

基于后验分布的限制型故障样本量确定方法

针对现有测试性验证方案均选用最小样本量原则,在相同的双方风险及要求下会得到相同的样本量以及故障判据,而未考虑工程应用中不同装备系统具备不同结构和功能复杂度的问题,提出一种基于后验分布的限制型故障样本量确定方法。首先,根据装备系统结构划分构建层次Bayes网络测试性验证模型,融合各结构层次中蕴含的先验信息推导系统故障检测率的后验分布;其次,基于后验分布样本集,给出最小样本量原则下的样本量确定方法,再通过比例分层样本量分配方法,结合装备系统功能特性,给出限制型故障样本量确定方法;最后,通过实例进行分析。结果表明,该方法既能充分运用装备结构信息,较之经典验证方案以及传统Bayes方案,在相同指标约束下能有效降低样本量,又能考虑系统功能特性,保证了测试性验证结论的准确性和合理性。

基于Shapley值抽样估计法的风-光-水互补发电增益分配方法

在多利益主体市场环境下,建立公平、合理、高效的互补发电增益分配方法是保障风-光-水互补发电优化调度能够实施的关键。针对风-光-水互补发电的特点,在建立考虑随机性、波动性和互补效益的风-光-水互补发电优化调度模型的基础上,提出风-光-水互补发电增益量化方法;在经典Shapley值(SV)法的基础上,提出基于Shapley值抽样估计(SSVE)法的风-光-水互补发电增益分配方法,并提出基于强化学习(RL)的样本量分配法,以提高SSVE法的精确性和计算效率。算例结果验证了采用RL样本量分配法的SSVE法的有效性,且SSVE法能够有效减少计算量以及解决经典SV法的组合爆炸问题。

分层随机抽样中九个非常实用的R函数

分层抽样技术是在实际工作中应用得非常广泛的抽样技术之一。但在文献中,还没有方便地可以用于在分层随机抽样中仅给定基本的样本数据时就能解决总体均值和总体比例的点估计和区间估计问题,计算总体均值时样本量的确定及分配问题,计算总体比例时样本量的确定及分配问题,事后分层抽样下总体均值和总体比例的点估计和区间估计等问题通用的R函数。本文自编了九个通用的R函数:Compute_Y_bar_st()、Compute_Y_bar_prop_from_y_bar_h_s_h_st()、Compute_Y_bar_srs_pst()、Compute_P_st()、Compute_P_from_a_h_st()、Compute_P_srs_pst()、Compute_nh_given_n_Y_bar_st()、Compute_n_nh_Y_bar_st()及Compute_n_nh_P_st(),它们将会为需要使用分层抽样技术以提高估计精度进行实际问题分析的使用者提供极大的方便。