%E4%B8%BA%E4%BB%80%E4%B9%88%E4%BD%BF%E7%94%A8%E6%A0%B7%E6%9C%AC%E5%9D%87%E5%80%BC%E4%BC%B0%E8%AE%A1%E7%9C%9F%E5%AE%9E%E5%9D%87%E5%80%BC

[giscus[bot]]

%E4%B8%BA%E4%BB%80%E4%B9%88%E4%BD%BF%E7%94%A8%E6%A0%B7%E6%9C%AC%E5%9D%87%E5%80%BC%E4%BC%B0%E8%AE%A1%E7%9C%9F%E5%AE%9E%E5%9D%87%E5%80%BC

TL;DR 本文使用最小二乘，极大似然，贝叶斯估计方法 当一个分布的均值存在时，我们总是使用样本均值分布 \overline{X} = \frac{\sum_i X_i}{n} 作为真实均值 \mu 的估计。本文用不同的思路分析，虽然殊途同归，但希望展示不同统计思想的精华。 点估计性质 样本均值是真实均值的无偏估计。 \mathbb{E}(X) = \mu 利用 Cramér-Rao下界（CRLB, Cramér-Rao Lower Bound） 也可以证明在服从NID前提下样本均值也是最小方差无偏估计（MVUE, Minimum Variance Unbiased Estimator）。 e...

https://chenghui03.github.io/%E4%B8%BA%E4%BB%80%E4%B9%88%E4%BD%BF%E7%94%A8%E6%A0%B7%E6%9C%AC%E5%9D%87%E5%80%BC%E4%BC%B0%E8%AE%A1%E7%9C%9F%E5%AE%9E%E5%9D%87%E5%80%BC

[single-fan]

宝宝！你好认真啊！！！