无放回抽样下基于样本最大序列号的总体规模置信区间计算方法

嘿，这个问题其实对应统计学里非常经典的**德国坦克问题（German Tank Problem）**场景！咱们一步步拆解具体的计算步骤，再聊聊背后的理论依据。

核心前提回顾 #

先明确问题的模型：

• 总体是带有连续序列号的个体，服从离散有限均匀分布（个体序列号从1到N，N是待估计的总体规模）
• 采用无放回抽样，抽取样本量为n的样本
• 已知样本中的最大序列号为M，需要计算总体规模N在置信水平p下的置信区间

计算置信区间的具体步骤 #

步骤1：明确核心参数 #

先把已知的参数列出来：

• 观测到的样本最大值：$M$（整数，且$M \geq n$，因为无放回抽n个，最小的最大值就是n）
• 样本量：$n$（正整数）
• 置信水平：$p$（比如95%置信水平对应$p=0.95$）

步骤2：利用抽样分布推导置信下界 #

因为总体规模$N$一定大于等于$M$（样本里已经有了M这个序列号，N不可能比它小），所以我们主要关注单侧置信下界（这也是实际应用中最常用的形式）。

首先，给定总体规模$N$，样本最大值$M$的概率分布满足：
$$P(M = k) = \frac{\binom{k-1}{n-1}}{\binom{N}{n}} \quad (n \leq k \leq N)$$
累积分布函数（样本最大值小于等于k的概率）为：
$$P(M \leq k) = \frac{\binom{k}{n}}{\binom{N}{n}}$$

我们要找最小的整数$L$，使得$P(N \geq L) = p$，等价于：
$$P(M \geq M_{\text{obs}} | N = L) \geq p$$
整理后得到不等式：
$$1 - \frac{\binom{M-1}{n}}{\binom{L}{n}} \geq p$$
也就是：
$$\frac{(M-1)(M-2)\dots(M-n)}{L(L-1)\dots(L-n+1)} \leq 1-p$$

你可以通过数值方法解这个不等式，找到满足条件的最小整数$L$（因为N是整数，所以L必须取整数）。

步骤3：确定置信区间 #

基于上述推导，置信水平为$p$的单侧置信区间为：
$$[L, +\infty)$$

如果确实需要双侧置信区间（实际场景中很少用到，因为N理论上可以无限大），可以进一步找置信上界$U$：找到最大的整数$U$，使得$P(M \leq M_{\text{obs}} | N = U) \geq \frac{1-p}{2}$，此时双侧置信区间为$[L, U]$。

举个例子 #

假设你抽取了5个样本，样本最大序列号是200，要计算95%置信水平的置信区间：

• 代入参数：$n=5$，$M=200$，$p=0.95$，$1-p=0.05$
• 解不等式$\frac{199×198×197×196×195}{L×(L-1)×(L-2)×(L-3)×(L-4)} \leq 0.05$
• 计算可得最小的$L≈210$，所以95%置信区间为$[210, +\infty)$

相关参考依据 #

这个方法的核心就是德国坦克问题的统计模型：二战期间，盟军利用德军坦克的序列号（连续编号），通过抽样得到的最大序列号来估计德军的坦克总产量，这是无放回抽样下离散均匀分布总体规模估计的经典案例。

它的理论基础来源于数理统计中有限总体的顺序统计量（样本最大值）的概率分布，在多数数理统计教材的「有限总体估计」章节，或者专门的抽样调查教材中都会提到这个经典问题。

内容的提问来源于stack exchange，提问作者Angle Qian