was discussedby the author (cf. [4]

was discussed
by the author (cf. [4]) when the CV is known, and a certain linear unbiased (LU) estimator was
explored. But there is a lacuna in the given estimator by Khan or linear minimum mean square
(LMMS) estimator given by Gleser and Healy.[2] This will be clarified a bit more in the sequel.
Therefore, the main reason for revisiting this problem is to find some more efficient estimators,
and compare them with the maximum likelihood estimator (MLE).
Before pointing out the deficiencies in LU and LMMS estimators,

ผลลัพธ์ (ไทย) 1:

ได้กล่าวถึงโดยผู้เขียน (มัทธิว [4]) เมื่อ CV มีชื่อเสียง การ ประมาณ (LU) บางคนเส้นไม่อุดม แต่มีการ lacuna ในประมาณการกำหนดขันหรือเชิงเส้นต่ำสุดค่าเฉลี่ยกำลังสองGleser และ Healy ประมาณ (LMMS) [2] นี้จะมีขึ้เป็นบิตเพิ่มเติมในผลสืบเนื่องดังนั้น เหตุผลหลักสำหรับ revisiting ปัญหานี้คือหา estimators บางมากและเปรียบเทียบกับประมาณการโอกาสสูง (พื้นฐาน)ก่อนชี้ออกข้ามลูและ LMMS estimators

ผลลัพธ์ (ไทย) 2:

ที่ถูกกล่าวถึง
โดยผู้เขียน (cf [4]) เมื่อ CV เป็นที่รู้จักกันและบางอย่างเป็นกลางเชิงเส้น (LU) ประมาณการได้รับการ
สำรวจ แต่มีช่องว่างในการประมาณการที่กำหนดโดยข่านหรือขั้นต่ำเชิงเส้นหมายถึงตาราง
(LMMS) ประมาณการที่กำหนดโดย Gleser และ Healy. [2] นี้จะมีการชี้แจงอีกเล็กน้อยในผลสืบเนื่อง.
ดังนั้นเหตุผลหลักสำหรับ revisiting ปัญหานี้คือ จะพบบางส่วนประมาณค่ามีประสิทธิภาพมากขึ้น
และเปรียบเทียบกับประมาณการโอกาสสูงสุด (MLE).
ก่อนที่จะชี้ให้เห็นข้อบกพร่องใน LU และประมาณ LMMS,

ผลลัพธ์ (ไทย) 3:

กล่าวถึง
โดยผู้เขียน ( CF . [ 4 ] ) เมื่อ CV เป็นที่รู้จักกัน และบางเส้นที่เป็นกลาง ( ลู่ ) ประมาณ
สํารวจ แต่มันมีช่องว่างในให้ประมาณการโดยข่านหรือเชิงเส้นกำลังสองเฉลี่ยต่ำสุด
( lmms ) และประมาณการให้ gleser ลี่ [ 2 ] นี้จะชี้แจงเพิ่มเติมบิตในผลสืบเนื่อง .
ดังนั้น เหตุผลหลักสำหรับปัญหานี้คือการค้นหามีประสิทธิภาพมากขึ้นประมาณ
,และเปรียบเทียบกับประมาณการความน่าจะเป็นสูงสุด ( mle ) .
ก่อนชี้ข้อบกพร่องใน Lu และประมาณ lmms ,