【数学建模】Bootstrap理论

Bootstrap理论的数学描述

Bootstrap方法可以通过重复抽样，获得一定规模的样本量，进而得到统计量的经验分布并进行区间估计。Bootstrap理论是一种新的增广样本统计方法，它的无先验性，以及计算过程中只需要有限的观测数据，使其可方便地应用于小样本数据处理。

Bootstrap 方法的实质就是再抽样过程，通过对观测数据的重新抽样产生再生样本来模拟总体分布。计算R(X,F)分布特征的基本步骤如下：

基于Bootstrap的质量控制图分析

步骤：
（1）对原始数据重复抽样，得到一定数量的子样本；
（2）对每个子样本计算相关的统计量；
（3）将子样本的统计量按从小到大排序，得到Bootstrap经验分布；
（4）根据控制图的控制限要求，上下限取Bootstrap经验分布的相应分位数，构建样本统计量控制图。

在具体实施中，需要考虑原始观测样本的样本量以及抽样次数。要保证应用Bootstrap方法进行估计的有效性，至少要有8个观察值。相关文献中提出根据实际情况,观测样本越多越好；Efron和Tibshirani研究提出重复抽样次数一般取1000~3000。

应用实现

【数学建模】基于灰色模型和Bootstrap的集成方法的应用