矩法估计的分析及应用
矩估计法 有趣例子
矩估计法有趣例子
1. 哎呀，你知道吗，就像猜一个盒子里有多少糖果一样，矩估计法也能帮我们估计一些东西哦！比如说，我们想知道一群学生的平均身高，就可以用矩估计法呀，通过选取一些样本，来大致推断出整体的平均值，是不是很神奇？
2. 嘿，你想想啊，矩估计法就像是给我们一个神奇的工具呢！比如我们想估算一下一片森林里大树的平均年龄，这时候矩估计法不就派上用场啦，可以根据一些抽样的树木来估计整体呢，你说有趣不有趣？
3. 哇塞，举例告诉你哦，假如我们想知道一个商场里顾客的平均消费金额，用矩估计法啊准没错！就好像我们在黑暗中摸索，但是通过一些线索能找到大致的方向一样，难道不厉害吗？
4. 难以置信吧，矩估计法可以在好多地方发挥作用呢！就好比说我们要了解一个湖里鱼的平均重量，通过捕捉一部分鱼来计算，这就是矩估计法在帮忙呢，是不是很酷啊？
5. 你看哦，矩估计法就如同一个小侦探一样帮我们解决问题呢！像是要知道一个学校里学生们每天花在学习上的平均时间，就可以用它呀，从部分同学那里找到答案来推测全体，这不是很有意思嘛？
6. 哎呀呀，矩估计法真的超牛的！举个例子哈，假如要知道一种候鸟每年飞行的平均距离，我们用矩估计法不就行了嘛，从一些观察到的数据中来估算，这多厉害呀！
7. 哇哦，矩估计法可是个大宝贝呢！比如说我们想知道城市里每个家庭平均养宠物的数量，用它就能做到啦！是不是感觉像发现了新大陆？
8. 真的很神奇啊，矩估计法在各种场景都能大显身手呢！就好像要知道一个地区每天的平均用电量，通过抽取部分用户的数据来估计，这就是它的魅力所在呀！总之，矩估计法真的是个很有用又有趣的方法呀！。
数理统计7：矩法估计（MM）、极大似然估计（MLE），定时截尾实验
数理统计7：矩法估计（MM）、极⼤似然估计（MLE），定时截尾实验在上⼀篇⽂章的最后，我们指出，参数估计是不可能穷尽讨论的，要想对各种各样的参数作出估计，就需要⼀定的参数估计⽅法。
今天我们将讨论常⽤的点估计⽅法：矩估计、极⼤似然估计，它们各有优劣，但都很重要。
由于本系列为我独⾃完成的，缺少审阅，如果有任何错误，欢迎在评论区中指出，谢谢！⽬录Part 1：矩法估计矩法估计的重点就在于“矩”字，我们知道矩是概率分布的⼀种数字特征，可以分为原点矩和中⼼矩两种。
对于随机变量X⽽⾔，其k阶原点矩和k阶中⼼矩为a_k=\mathbb{E}(X^k),\quad m_k=\mathbb{E}[X-\mathbb{E}(X)]^k,特别地，⼀阶原点矩就是随机变量的期望，⼆阶中⼼矩就是随机变量的⽅差，由于\mathbb{E}(X-\mathbb{E}(X))=0，所以我们不定义⼀阶中⼼矩。
实际⽣活中，我们不可能了解X的全貌，也就不可能通过积分来求X的矩，因⽽需要通过样本(X_1,\cdots,X_n)来估计总体矩。
⼀般地，由n个样本计算出的样本k阶原点矩和样本k阶中⼼矩分别是a_{n,k}=\frac{1}{n}\sum_{j=1}^{n}X_j^k,\quad m_{n,k}=\frac{1}{n}\sum_{j=1}^{n}(X_j-\bar X)^k.显然，它们都是统计量，因为给出样本之后它们都是可计算的。
形式上，样本矩是对总体矩中元素的直接替换后求平均，因此总是⽐较容易计算的。
容易验证，a_{n,k}是a_k的⽆偏估计，但m_{n,k}则不是。
特别地，a_{n,1}=\bar X，m_{n,2}=\frac{1}{n}\sum_{j=1}^{n}(X_j-\bar X)^2=\frac{n-1}{n}S^2\xlongequal{def}S_n^2,⼀阶样本原点矩就是样本均值，⼆阶样本中⼼矩却不是样本⽅差，⽽需要经过⼀定的调整，这点务必注意。
矩估计估计方差
矩估计估计方差全文共四篇示例，供读者参考第一篇示例：矩估计是参数估计的一种常用方法，它利用样本的矩来估计总体的参数。
在统计学中，我们经常需要估计总体的均值、方差等参数，而这些参数通常是未知的，只能通过样本来估计。
矩估计是一种比较直观和简单的参数估计方法，它基于总体的矩和样本的矩之间的关系来估计参数。
在实际应用中，我们经常需要估计总体的方差。
方差是描述数据离散程度的度量，反映了数据的波动程度。
了解总体的方差对于分析数据的稳定性、可靠性和准确性都至关重要。
矩估计可以被用来估计总体的方差，通过样本的一阶和二阶矩来得到总体方差的估计值。
在统计学中，我们通常用总体的二阶中心矩来描述总体的方差。
总体的二阶中心矩定义为E[(X-μ)^2]，其中X为总体随机变量，μ为总体的均值。
如果我们已经知道总体的均值μ，那么我们可以通过样本的二阶矩来估计总体的方差。
样本的二阶矩可以用样本观测值的平方差来表示，即S^2=(1/n)Σ(Xi-μ)^2，其中Xi为第i个样本观测值，n为样本容量。
利用矩估计法，我们可以得到总体方差的估计值为S^2。
S^2是一个无偏估计量，具有较好的性质。
它可以帮助我们对总体方差进行估计，从而更好地了解和分析数据的波动性，为决策提供参考。
不过需要注意的是，矩估计法有时候也存在一些问题。
当总体的分布不满足正态分布或其他特定分布时，矩估计的结果可能不准确。
此时，需要考虑其他参数估计方法来获得更准确的结果。
样本容量的大小也会影响到矩估计的准确性，如果样本容量过小，得到的估计值可能不够可靠。
矩估计是一种常用的参数估计方法，可以帮助我们估计总体的方差等参数。
通过样本的矩和总体的矩之间的关系，我们可以得到总体参数的估计值，为数据分析和决策提供支持。
需要注意样本的大小和总体分布等因素对估计结果的影响，谨慎选择合适的参数估计方法，才能获得准确可靠的结论。
【希望以上内容对您有所帮助，如有疑问欢迎追问。
】第二篇示例：矩估计是一种常用的参数估计方法，其主要思想是利用样本矩来估计总体矩，从而得到参数估计值。
矩估计量怎么算例题
矩估计量怎么算例题
大家好，这里介绍矩估计量怎么算，本文将深入浅出地讲解矩估计量的原理，并使用例题来让读者更加清楚明白。
首先，矩估计量是用于估计统计模型中参数或者概率分布参数的一种统计方法，它使用估计量求得模型参数，求得的参数值被称为矩估计值。
其根本思想是最小化模型的统计损失函数的值，使损失函数的值达到最小化。
其次，矩估计量的计算方法有两种，一种是最小平方法，另一种是最大似然估计法。
前者运用最小二乘的原理，使模型的误差平方和最小，后者使用概率论中的极大似然法，充分利用样本信息，以最大似然估计的方法求出最优参数值，使样本拟合度最大。
再次，矩估计量的例子举例如下：假设有一组数据（x1，y1），（x2，y2），（x3，y3），…，（xn，yn），要求拟合的函数形式为：y=ax+b，这里的a和b就是要求的估计值，则矩估计量的最小平方法为：用最小二乘法估计a和b，有：
a=(∑xiyi-n*x_平均值*y_平均值）/(∑xi^2-n*x_平均值^2), b=y_平均值-a*x_平均值
最后，矩估计量既可以应用于线性模型，也可以应用于非线性模型，但非线性模型的求解难度较大，有时候需要引入样条函数和其他参数拟合等复杂技术才能得到满意的结果。
总的来说，矩估计量是估计统计模型参数的一种计算方法，可以得到精确的模型参数，且可以应用于线性模型和非线性模型，其可以
解决各种统计问题，是一种重要而又有用的估计统计模型参数的方法。
矩法应用的是替换原理
矩法应用的是替换原理什么是矩法？矩法是一种常用的数学计算方法，用于解决线性方程组或求解多元函数的最优解。
它基于矩阵的代数运算和线性变换原理，通过构建方程组和矩阵运算，求解未知变量的值。
矩法的原理矩法的核心原理是替换原理，即将一个复杂的问题转化为一个易于求解的线性方程组。
通过将问题中的变量表示为未知数，将问题中给出的等式或不等式转化为线性方程组的形式。
然后，利用矩阵的代数运算，通过求解线性方程组得出结果。
矩法的应用矩法在各个领域都有广泛的应用，下面列举一些常见的应用领域和例子：•工程领域–结构分析：通过建立结构的受力平衡方程和几何约束方程，使用矩法求解结构的受力分布和位移。
–电路分析：将电路中的电压、电流、电阻等参数表示为未知数，建立基尔霍夫定律或欧姆定律的方程组，使用矩法求解电路中各个元件的电压、电流值。
–热传导问题：通过建立热传导方程和边界条件，使用矩法求解材料中的温度分布。
•经济学领域–成本分析：通过建立成本函数和收益函数，使用矩法求解最优的生产数量和售价，以最大化利润。
–消费者行为分析：通过建立效用函数和约束条件，使用矩法求解最优的消费选择，以满足约束条件下的最大效用。
–投资组合问题：通过建立投资收益率和风险的关系模型，使用矩法求解最优的投资组合，以最大化投资收益或最小化风险。
•自然科学领域–物理问题：如运动学问题中的速度、加速度等参数的计算，以及力学问题中的受力分析和位移计算等。
–化学反应：通过建立反应速率方程和物质守恒方程，使用矩法求解反应速率和物质浓度的关系。
–生态学模型：通过建立生物种群动态模型和环境因素的关系，使用矩法求解生物种群的变化规律。
矩法的优势和限制矩法作为一种数学计算方法具有以下优势：•可以处理复杂的非线性问题，将其转化为线性问题进行求解。
•可以将多个变量之间的关系表示为线性方程组的形式，方便求解。
•可以通过矩阵的代数运算快速求解大规模的线性方程组。
然而，矩法也存在一些限制：•只适用于线性问题或具有线性近似的问题，对于非线性问题求解效果有限。
矩法估计
矩法估计1.什么是矩法估计对于随机变量来说，矩是其最广泛，最常用的数字特征，母体ξ的各阶矩一般与ξ的分布中所含的未知参数有关，有的甚至就等于未知参数。
由辛钦大数定律知，简单随机子样的子样原点矩依概率收敛到相应的母体原点矩Eξr,r= 1,2,Λ。
这就启发我们想到用子样矩替换母体矩（今后称之为替换原则），进而找出未知参数的估计，基于这种思想求估计量的方法称为矩法。
用矩法求得的估计称为矩法估计，简称矩估计。
它是由英国统计学家皮尔逊Pearson于1894年提出的。
２.矩法估计的理论依据由辛钦大数定律知：即对，有或矩法估计的具体步骤设母体ξ的概率函数为f(x,θ1,Λ,θk),其中是k个未知参,Λ,ξn是取自这一母体的一个子样。
设ξ的k阶矩v k = Eξk存在，则数，ξ1v,j < k都存在，并且是θ1,Λ,θk的函数v j(θ1,Λ,θk)，又子样ξ1,Λ,θk j的j阶矩为。
我们设(1),Λ,θk的k个方程，解由这k个方程联这样我们就得到含k个未知参数θ1列所构成的方程组就可以得到theta1,Λ,θk的一组解：(2)用(2)中的解来估计参数θi就是矩法估计。
一般我们考察的情形。
在数理统计学中，我们一般用表示θ的估计量。
下面我们举一个与实际问题有关的多参数的矩法估计问题。
例:已知大学生英语四级考试成绩ξ~N(μ,σ2)，均值μ,方差σ2均未知，ξ1,Λ,ξn为取自母体ξ的一个子样，(x1,Λ,x n)是子样的一组观测值,求μ与σ2的矩法估计。
解：注意到有两个未知参数，由矩法估计知需两个方程，按照(1)式得方程组解这一方程组得μ与σ的矩法估计量从而μ与σ2的矩法估计值分别为。
分析：注意到我们这里求出μ与σ2的矩法估计并未用到母体ξ的分布。
这样对μ,σ2作出了估计，也就对整个母体分布作出了推断，进而对大学生英语四级考试成绩ξ相关的其它数字特征如标准分、标准差、偏态系数等作出了估计。
３.矩法估计的优缺点矩法估计原理简单、使用方便，使用时可以不知母体的分布，而且具有一定的优良性质（如矩估计为Eξ的一致最小方差无偏估计），因此在实际问题，特别是在教育统计问题中被广泛使用。
矩估计法的公式
矩估计法的公式摘要：1.矩估计法的概念与基本思想2.矩估计法的公式推导3.矩估计法的应用与实例4.矩估计法的优缺点分析正文：一、矩估计法的概念与基本思想矩估计法是一种用于求解统计量估计的数学方法，其基本思想是通过样本矩与总体矩之间的关系，构造出样本统计量的矩估计值，从而得到总体参数的估计值。
矩估计法既适用于离散型随机变量，也适用于连续型随机变量。
二、矩估计法的公式推导设随机变量X 具有离散型分布，其概率质量函数为p(x)，n 为样本容量，样本均值和样本方差分别为μ_n 和σ_n^2，总体均值和总体方差分别为μ和σ^2。
根据矩的定义，有：E(X) = Σx * P(X=x) = ∑_{i=1}^{n} x_i * p(x_i)Var(X) = E(X^2) - [E(X)]^2 = Σx^2 * P(X=x) = ∑_{i=1}^{n} x_i^2 * p(x_i)根据矩估计法的思想，样本均值μ_n 可以作为总体均值μ的矩估计值，样本方差σ_n^2 可以作为总体方差σ^2 的矩估计值。
即：μ_n = Σx * P(X=x) / nσ_n^2 = [Σx^2 * P(X=x)] / (n-1)对于连续型随机变量，样本矩可以表示为：μ_n = ∫xf(x)dxσ_n^2 = ∫[x^2f(x)]dx - [∫xf(x)dx]^2 / (n-1)其中，f(x) 为随机变量X 的概率密度函数。
三、矩估计法的应用与实例矩估计法在实际应用中具有广泛的应用，例如在统计推断、参数估计、假设检验等领域。
下面举一个简单的例子来说明矩估计法的应用：假设有一个箱子中装有若干个红球和白球，现在从箱子中抽取n 个球，记抽取到的红球个数为X，求箱子中红球和白球的比例。
根据矩估计法的公式，可以得到样本红球和白球比例的矩估计值，从而估计出总体红球和白球的比例。
四、矩估计法的优缺点分析1.优点：矩估计法具有较强的理论依据，可以得到较好的估计效果。
多维均匀分布矩估计
多维均匀分布矩估计【引言】多维均匀分布矩估计是概率统计学中重要的概念之一。
在实际问题中，我们经常需要对多维均匀分布的参数进行估计，以便更好地理解和分析数据。
本文将从简单到复杂，从理论到实践，深入探讨多维均匀分布矩估计的主要内容和相关方法。
【主体内容】1. 多维均匀分布的基本概念多维均匀分布是指在多维空间中各个维度之间均匀分布的概率分布。
它是一种简单而重要的分布，常用于描述各种物理、生物、经济等现象。
我们可以将多维均匀分布看作是一个区域内的每个点被选择的概率相等。
2. 多维均匀分布的参数估计为了更好地理解和分析多维均匀分布，我们需要对其参数进行估计。
常用的参数估计方法包括矩估计、最大似然估计和贝叶斯估计等。
在本文中，我们重点介绍多维均匀分布的矩估计方法。
3. 多维均匀分布的矩估计方法矩估计是一种常用的参数估计方法，它基于样本矩与总体矩之间的对应关系。
对于多维均匀分布，我们可以通过样本均值和样本方差来估计其参数。
具体而言，我们可以通过计算样本均值得到各个维度上的均值估计值，通过计算样本方差得到各个维度上的方差估计值。
4. 多维均匀分布矩估计的优势与局限性多维均匀分布矩估计方法具有简单易懂、计算方便的优点，尤其适用于大样本情况。
然而，由于仅基于一阶和二阶矩的信息进行估计，矩估计方法可能存在估计偏差和不稳定性的问题。
在实际应用中，我们需要根据具体问题选取合适的估计方法。
【个人观点和理解】多维均匀分布矩估计作为一种常见的参数估计方法，具有一定的可行性和可靠性。
在实际应用中，我们常常使用大样本的数据来进行估计，以降低估计偏差和提高估计精度。
另外，多维均匀分布的矩估计方法也可以用作其他概率分布的近似估计方法，扩展了其应用范围和价值。
【总结】通过对多维均匀分布矩估计的全面评估，我们了解了其基本概念、参数估计方法及其优劣势。
多维均匀分布矩估计在实际问题中具有广泛的应用前景，可以帮助我们更好地理解和分析复杂的数据。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
矩法估计的分析及应用
金融数学10本 黄小听 17
摘要：矩法估计就是根据子样所提供的信息，对母体的分布或分布的数字特征等作出合理的统计推断的一种方法。
它不仅在数学领域应用广泛，对于解决实际问题(比如预测股市行情，教育统计学等），也有很大的用途。
关键字：矩法估计；应用；评选标准；优缺点
一 什么是矩法估计
对于随机变量来说，矩是其最广泛，最常用的数字特征，母体ξ的各阶矩一般与ξ的分布中所含的未知参数有关，有的甚至就等于未知参数。
由辛钦大数定律知，简单随机子样的子样原点矩依概率收敛于相应的母体原点矩E ξr ,r = 1,2，…。
这就启发我们想到用子样矩替换母体矩（替换原则），进而找出未知参数的估计，基于这种思想求估计量的方法称为矩法。
用矩法求得的估计称为矩法估计，简称矩估计。
它是由英国统计学家皮尔逊Pearson 于1894年提出的。
二 矩法估计的理论依据
由辛钦大数定律知：
… 即对任意
，有
或
三 如何求解矩法估计
设母体ξ具有已知类型的概率函数),,,;(21n x f θθθ ， (1θ，2θ，…，k θ)∈Θ
是k 个未知参数。
1ξ，…，n ξ是取自母体ξ的一个子样，假设ξ的k 阶矩k υ=E ξk
存在，显然j υ，j<k 都存在，并且是1θ，2θ，…，k θ的函数j υ(1θ，2θ，…，n θ)。
子样1ξ，2ξ，…，n ξ的j 阶矩为j ξ=∑=n i j i n 1
1ξ。
我们设 j υ(1θ，2θ，…，n θ)=j
ξ，j=1,2, …，k （＊） 得到含k 个未知数1θ，2θ，…，k θ的k 个方程式，解这k 个联立方程组就可以得到1θ，2θ，…，k θ的一组解：
i θˆ=i θˆ（1ξ，2ξ，…，n ξ），i=1,2, …，k
用（＊）中的解i θˆ估计参数i θ就是矩法估计。
由于i θˆ是1ξ，2ξ，…，n ξ子样的函数，所以i θˆ是统计量。
(在数理统计中，我们一般用表示θ的估计量。
)
四 矩法估计在解决数学问题与实际问题上的应用
例1： 母体均值E ξ与方差D ξ为矩法估计。
解 ：设1ξ，2ξ，…，n ξ是母体ξ的子样。
母体具有均值E ξ和方差 D ξ=E ξ2-（E ξ2)
按照（＊）式得方程式组
1υ= E ξ=ξ
2υ= E ξ2=（E ξ2)+ D ξ=2
ξ 解这一方程组得E ξ和D ξ的矩法估计
=ξE ˆ=ξ∑=n i i n 11ξξ
=ξD ˆ22)(ξξ-
=21
)(1∑=-n
i i n ξξ =2n S
例2: 已知大学生英语四级考试成绩ξ~N (μ,σ2)，均值μ,方差σ2均未知， ξ1,…,ξn 为取自母体ξ的一个子样，(x 1,…,x n )是子样的一组观测值,求μ与σ2的 矩法估计。
解：注意到有两个未知参数，由矩法估计知需两个方程，按照(＊)式得方程组
解这一方程组得μ与σ的矩法估计量μ
ˆ=ξ，2ˆσ=22)(ξξ- 分析：注意到我们这里求出μ与σ2的矩法估计未用到母体ξ的分布。
这样对μ,σ2作出了估计，也就对整个母体分布作出了推断，进而对大学生英语四级考试成绩ξ相关的其它数字特征（如标准分、标准差、偏态系数等）作出了估计。
矩法估计还有很多其他实际应用，如根据几天前的交易数据估计当天的股市行情、根据随机抽样的结果估计生产线上螺丝钉的合格率、教育统计学等。
五 估计量的评选标准
1.一致估计
定义：设母体ξ具有概率函数);(θx f ，θ∈Θ为未知参数。
n θˆ=n
θˆ（1ξ，2ξ，…，n ξ）为θ的一个估计量，n 为子样容量。
若对任意ε>0，式
lim ∞→n P
()0ˆ=>-εθθ
成立，则称n
θˆ为θ参数的一致估计。
ξ是母体均值E ξ的一个一致估计，r ξ是的E ξr 一个一致估计，子样方差2
n S 是母体方差D ξ的一致估计。
2.无偏估计
估计的一致性是大子样所呈现的性质，当子样容量不大时，估计的这种性质就不存在。
现在给出另一种对任何子样容量都适用的评价估计量的准则，没有系统偏差的性质在统计学上称作无偏性，显然它可以作为衡量一个估计量好坏的另一准则。
定义： 设θˆ=θˆ（2ξ，…，n ξ）为母体ξ的概率函数{}Θ∈θθ:);(x f 的未知参数θ的一个估计量。
若对一切θ∈Θ，关系式
)],(ˆ[1n ，E ξξθθ =0
成立。
则称),(ˆ1n ，ξξθ 为θ的无偏估计，否则称为有偏的。
显然，子样均值ξ是母体E ξ的无偏估计，子样原点矩k ξ是母体原点矩E ξk 的无偏估计，子样方差2n S 不是母体方差D ξ的无偏估计。
一般地，二阶或二阶以上的子样中心矩就不是母体中心矩的无偏估计。
若我们取
2
*n S =1-n n E 2n
S =∑=--n i i n 12)(11ξξ 作为母体方差D ξ的估计，则有
E 2*n S =1
-n n E 2n S =n n n n 11-⋅- D ξ= D ξ 由此推出2*n S 是母体方差D ξ的无偏估计。
从2n S 不是D ξ的无偏估计也可看出，若1
ˆθ，…，k θˆ是参数1θ，…，k θ的无偏估计，函数)ˆ,,ˆ(1k
θθϕ 并不一定是),,(1k θθϕ 的无偏估计。
由有偏估计2n S 修改成无偏估计2
*n S 是一种常用的方法，一般说来，如果θˆ是参数θ的有偏估计，并且E θˆ=a+b θ，这里a 、b 是常数（b ≠0），于是我们能构造的一个
无偏估计*θˆ=b a
-θ 。
若θ的一个估计θ
ˆ不一定无偏，但当n →∞时，E θˆ→,θ则称θˆ为θ的渐近无偏估计。
显然，子样方差2n S =∑=-n i i n 1
2)(1ξξ是母体方差的一个渐近无偏估计。
3.有效估计 定义：设=1ˆθ),,(ˆ11n X X θ和),,(ˆˆ122n X X θθ=都是参数,θ的无偏估计量，
若对任意∈θΘ，
D( 1ˆθ ) ≤D( 2ˆθ ) 且至少对于某个∈θ
Θ上式中的不等号成立，则称 1ˆθ 较 2ˆθ 有效。
六 矩法估计的优缺点
矩法估计原理简单、使用方便，使用时可以不知母体的分布，而且具有一定的优良性质（如矩估计ξ为E ξ的一致最小方差无偏估计），因此在实际问题，特别是在教育统计问题中被广泛使用。
但在寻找参数的矩法估计量时，对母体原点矩不存在的分布柯西分布如等不能用，另一方面它只涉及母体的一些数字特征，并未用到母体的分布，因此矩法估计量实际上只集中了母体的部分信息，这样它在体现母体分布特征上往往性质较差，只有在样本容量较大时，才能保障它的优良性,因而理论上讲，矩法估计是以大样本为应用对象的。
参考文献：
[1] 魏宗舒．概率论与数理统计教程[M].北京：高等教育出版社.1983.
[2] 杨宗义.教育统计学[M].重庆：科技文献出版社重庆分社.1990.
[3] 克拉美H 著.统计学教学方法.魏宗舒等译.上海：上海科学技术出版社．1966．。