什么是点估计计算器？
点估计是对未知总体参数的一个"最佳单值猜测"——在这里指的是比例 p。给定 n 次试验中出现 x 次成功，本计算器会给出几种常见的总体比例点估计。最为人熟知的就是极大似然估计（MLE），即 \(x/n\)。但当样本量较小，或成功次数处于极端（0 次或 n 次全中）时，使用拉普拉斯、Jeffreys、威尔逊修正等平滑估计量会更可靠。
使用方法
填入成功次数（x）和试验总次数（n），计算器会即时给出原始样本比例，以及三种修正后的估计值。对于样本量大、表现平稳的数据，可直接采用 MLE；当 n 较小，或 x 接近 0 或接近 n 时，建议使用拉普拉斯或威尔逊估计，因为它们不会得出恰好为 0 或 1 的结果。
公式详解
MLE：$$\hat{p}_{\text{MLE}} = \frac{\text{Successes }(x)}{\text{Trials }(n)}$$拉普拉斯（"加一"法）：$$\hat{p}_{\text{Laplace}} = \frac{\text{Successes }(x) + 1}{\text{Trials }(n) + 2}$$Jeffreys：$$\hat{p}_{\text{Jeffreys}} = \frac{\text{Successes }(x) + 0.5}{\text{Trials }(n) + 1}$$威尔逊点估计：$$\hat{p}_{\text{Wilson}} = \frac{\text{Successes }(x) + \frac{z^{2}}{2}}{\text{Trials }(n) + z^{2}}, \quad z = 1.96$$即威尔逊得分区间的中心点，在 95% 置信水平下 \(z = 1.96\)。每一个平滑项都会把估计值轻轻拉向 0.5，从而降低小样本下的偏差与方差。
实例演算
假设 10 次试验中有 8 次成功。$$\text{MLE} = 8/10 = 0.8$$$$\text{拉普拉斯} = (8+1)/(10+2) = 9/12 = 0.75$$$$\text{Jeffreys} = (8+0.5)/(10+1) = 8.5/11 \approx 0.7727$$威尔逊（\(z^2=3.8416\)）：$$(8 + 1.9208)/(10 + 3.8416) = 9.9208/13.8416 \approx 0.7168$$可以看到，几种平滑估计都把原始值 0.8 拉向中间。
常见问题
我应该报告哪个估计值？在大多数场合，MLE（样本比例）是标准做法。但对于小样本或稀有事件，拉普拉斯或威尔逊估计更为稳健。
威尔逊估计为什么要用到 z？威尔逊点估计是威尔逊得分置信区间的中点，而该区间取决于你所选置信水平对应的 \(z\) 值（\(1.96 \approx 95\%\)）。
如果 x = 0 或 x = n 怎么办？此时 MLE 会给出 0 或 1，这往往不太合理；而平滑估计量得出的结果严格介于 0 与 1 之间。
