点估计作为大学《数理统计》的教学中最简单、最有效的参数估计方法显得非常重要,也是统计推断中不可或缺的内容.通常,点估计的方法主要有矩估计和极大似然估计.然而,无论是矩估计还是极大似然估计都有着非常明显的优点和缺陷.矩估计应用样本信息对总体分布部分特征做统计推断以达到对整个总体特征的推断,这显然很难完成;极大似然估计较多的注重总体信息的应用,与矩估计相比有显著的改善.但是,这些经典参数估计方法都缺少了对参数本身的思考,只是从样本本身出发,将未知参数默认为未知常数来完成统计推断,导致了参数本身信息的流失,这是一种明显的信息浪费.区别于经典统计学派的Bayes学派提出了参数的Bayes估计很大程度上解决了这一问题,有效的利用了参数本身的信息和样本信息,使得估计效果在一般情况下都优于点估计方法.Bayes估计方法主要依赖于参数的后验分布,一般情况下,参数的后验分布借助条件概率得到,这种求解后验分布的方法存在争议.目前,在没有更好解决后验分布的情况下可以认为这种办法比较有效,但是参数的后验分布在很多情况下较难得到.正因为如此,本文做出这样的思考:在对二项分布参数的先验信息一无所知时,对参数的估计有没有必要坚持用Bayes估计?能否得到一个样本容量使得Bayes估计和点估计几乎一致?