点估计值计算方法

① 三点估算法 公式是什么

活动历时均值(或估计值)=(乐观估计+4×最可能估计+悲观估计)/6

活动历时标准差=(悲观估计值 - 乐观估计值)/6

所谓三点估计法就是把施工时间划分为乐观时间、最可能时间、悲观时间，也就是工作顺利情况下的时间为a，最可能时间，就是完成某道工序的最可能完成时间m，最悲观的时间就是工作进行不利所用时间b。

使用三点估算法做工时估算的主要步骤如下：

①专家根据经验，通过三点估算法，确定每个活动工时的乐观估算值，悲观估算值，和最可能估算值；

②计算各活动工时的期望和方差（期望即贝塔分布计算结果，标准差 = （悲观估计时间-乐观估计时间）/6，方差 =标准差的平方）；

③将各活动工时的期望值相加，得出项目总工时的期望值E(Project)；

④将各活动工时的方差相加，再开平方，得出项目总工时的标准差SE(Project)；

⑤根据E(Project)和SE(Project)计算项目的完工概率：

项目总工时为E(Project) ± SE(Project)的概率为68%；

项目总工时为E(Project) ± 2*SE(Project)的概率为95%；

项目总工时为E(Project) ± 3*SE(Project)的概率为99.7%。

通常使用概率95%的总工时作为项目总工时。

以上内容参考网络-三点估计法

② 点估计的估计法

最大似然估计法
此法作为一种重要而普遍的点估计法，由英国统计学家R.A.费希尔在1912年提出。后来在他1921年和1925年的工作中又加以发展。设样本X=(X1,X2，…，Xn）的分布密度为L(X，θ），若固定X
而将L视为θ的函数，则称为似然函数，当X是简单随机样本时，它等于ƒ(X1，θ）ƒ(X2，θ）…ƒ(Xn，θ），其中，ƒ(X，θ）是总体分布的密度函数或概率函数（见概率分布）。一经得到样本值x，就确定（x），然后使用估计g（θ），这就是g（θ）的最大似然估计。例如，不难证明，前面为估计正态分布N（μ，σ2）中的参数μ和σ^2而提出的估计量和2，就是μ和σ^2的最大似然估计。
最小二乘估计法
这个重要的估计方法是由德国数学家C.F.高斯在1799～1809年和法国数学家A.-M.勒让德在1806年提出，并由俄国数学家Α.Α.马尔可夫在1900年加以发展。它主要用于线性统计模型中的参数估计问题。贝叶斯估计法 是基于“贝叶斯学派”的观点而提出的估计法（见贝叶斯统计）。

③ 计算销售费用错报金额的点估计值

差额估计抽样的计算公式如下:
平均错报=样本实际金额与账面金额的差额÷样本规模
推断的总体错报=平均错报×总体规模
销售费用错报金额的点估计值=（3600000-4000000）/200*4000= -8000000

④ 人数点估计值怎么算

常用方法有矩估计法、顺序统计量法、最大似然法、最小二乘法等。
样本标准差：(x1-xba)平方+(x2-xba)平方+...(xn-xba)平方，然后除以(n-1)，然后开根号。
人数，汉语词语，读音为rén shù，意思是人的总数，一个对人数量的数额。通常使用数字来具体统计，有时也用一个大概的范围来估计。

⑤ 总体均值的点的估计怎么算

点估计的问题就是要构造一个适合的统计量t（X1，X2…Xn),用它的观察值t（x1,x2…xn）作为未知参数t的近似值.一般有矩估计法和最大似然估计法
举个例子吧：某炸药厂，一天发生着火现象的次数X是一个随机变量，假设它服从以t>0为参数的泊松分布，参数t为未知，现有以下的样本值，试估计参数t.
着火次数k 0 1 2 3 4 5 6
发生k次着火的天数nk 75 90 54 22 6 2 1
解：因为服从泊松分布，所以t=样本均值，样本均值=[0*75+1*90+2*54+3*22+4*6+5*2+6*1]/250=1.22

⑥ 点估计的求法

三点估计法不是求三点的平均值，是统计学中参数估计里的求频率曲线参数的估计方法。
三点法是在已知的皮尔逊Ⅲ型曲线上任取三点，其坐标为（xp1，p1）、（xp2，p2）和（xp3，p3），可以建立3个方程，联解便可得到3个统计参数。
先按经验频率点子绘出经验频率曲线，并假定它近似代表皮尔逊Ⅲ型曲线。在此曲线上取3个点：中间的点 一般都取曲线50％位置，另两点则取对称值，即 ，一般多在曲线上的5％~50％~95％位置取点；相应有xp1、xp2、xp3三个值。

⑦ 点估计的步骤

最流行的两种：
1常用的点估计有两种：矩估计法和最大似然估计法
2矩估计法：随机变量X的概率函数（即概率密度或概率分布）中含有待估参数β1，β2，…，βk，假设 X的前k阶矩存在，即ui=E(X^i)，i=1,2，…，k 。以样本矩Ai代替总体矩：Ai=ui，i=1,2，，…，k，解这k个方程，求得的βi的结果即为它的矩估计量（值）
K Pearson的 矩估计
矩估计法, 也称“矩法估计”，就是利用样本矩来估计总体中相应的参数. 最简单的矩估计法是用一阶样本原点矩来估计总体的期望而用二阶样本中心矩来估计总体的方差.

RA Fisher的 最大似然估计
最大似然法（Maximum Likelihood，ML）也称为最大概似估计，也叫极大似然估计，是一种具有理论性的点估计法，此方法的基本思想是：当从模型总体随机抽取n组样本观测值后，最合理的参数估计量应该使得从模型中抽取该n组样本观测值的概率最大，而不是像最小二乘估计法旨在得到使得模型能最好地拟合样本数据的参数估计量。

⑧ 什么叫点估计和区间估计

点估计（point estimation）是用样本统计量来估计总体参数，因为样本统计量为数轴上某一点值，估计的结果也以一个点的数值表示，所以称为点估计。点估计和区间估计属于总体参数估计问题。

区间估计（interval estimate）是在点估计的基础上，给出总体参数估计的一个区间范围，该区间通常由样本统计量加减估计误差得到。与点估计不同，进行区间估计时，根据样本统计量的抽样分布可以对样本统计量与总体参数的接近程度给出一个概率度量。

(8)点估计值计算方法扩展阅读

常见形式

简介

区间估计，区间估计的区间上、下界通常形式为：“点估计±误差”

“总体均值”的区间估计

符号假设

总体均值：μ

总体方差：σ

样本均值：x* =(1/n）×Σ（Xi)

样本方差：s* =(1/(n-1））×Σ（Xi-x*)^2

置信水平：1-α

⑨ 请问点估计值的计算公式是什么

样本标准差：(x1-xba)平方+(x2-xba)平方+...(xn-xba)平方，然后除以(n-1)，然后开根号。总体标准差：(x1-xba)平方+(x2-xba)平方+...(xn-xba)平方，然后除以(n)，然后开根号。

当母群的性质不清楚时，我们须利用某一量数作为估计数，以帮助了解母数的性质。如：样本平均数乃是母群平均数μ的估计数。当我们只用一个特定的值，亦即数线上的一个点，作为估计值以估计母数时，就叫做点估计。

点估计目的是依据样本X=(X1、X2…Xi)估计总体分布所含的未知参数θ或θ的函数g(θ)。一般θ或g(θ)是总体的某个特征值，如数学期望、方差、相关系数等。

点估计的常用方法有矩估计法、顺序统计量法、最大似然法、最小二乘法等。

(9)点估计值计算方法扩展阅读：

参数估计的一种形式。目的是依据样本X=(X1、X2…Xn)估计总体分布所含的未知参数θ或θ的函数g(θ）。一般θ或g(θ)是总体的某个特征值，如数学期望、方差、相关系数（见相关分析）等。θ或g(θ）通常取实数或k维实向量为值。

点估计问题就是要构造一个只依赖于样本X的量抭(X)，作为g(θ)的估计值。抭(X)称为g(θ)的估计量。因为k维实向量可表为k维欧几里得空间的一个点，故称这样的估计为点估计。

例如，设一批产品的废品率为θ，为估计θ，从这批产品中随机地抽出n个作检查，以X记其中的废品个数，用X/n估计θ，就是一个点估计。又如用样本方差（见统计量）估计总体分布的方差，或用样本相关系数估计总体分布的相关系数，都是常见的点估计。