统计推断→参数估计→点估计（统计量）→估计量的评价
统计推断是指根据样本对总体的分布或数字特征等给出合理的推断，其两大核心内容是：参数估计和假设检验。
参数估计是从总体中抽取样本，估计总体分布中未知参数的方法。它分为两种形式：点估计和区间估计。以研究市场中某种型号灯泡的使用寿命为例，假设随机抽取50只灯泡进行检测，利用这50只灯泡的使用寿命数据来估计这种型号灯泡的平均使用寿命。若要找到一个具体的数值去估计平均使用寿命，属于点估计的问题。若要找一个范围去估计平均使用寿命，属于区间估计的问题。
若总体XXX的分布类型已知，但它的一个或多个参数是未知的，则需要对未知的参数做出估计，这属于参数估计的问题。
从样本出发来推断总体分布的过程称为统计推断。
统计推断是统计学的核心部分，基本上分为两大类：
1.参数估计：已知总体分布函数的数学形式时，用样本估计其中未知参数（包括点估计和区间估计）。
- 点估计：选一个适当的统计量，用它的具体值作为未知参数的近似值（也就是估计值）。
- 区间估计：根据样本指出未知参数的一个大概范围（区间），并以一定的概率保证这个区间确实包含总体的真实参数。
2.统计检验（假设检验）：先对总体分布作出某种假设，再利用样本统计量来检验该假设是否合理，从而决定接受还是否定。
统计量的值是随机变化的，所以做决定时会有犯错的风险。并且，一个检验通常都有必须先满足的条件（假定），比如对观测值的独立性和正态性的假定等，它们是检验的基础。
点估计
设F(x;θ1,θ2,⋯ ,θk)F(x;\theta_1,\theta_2,\cdots,\theta_k)F(x;θ1,θ2,⋯,θk)是总体XXX的分布函数，其中θ1,θ2,⋯ ,θk\theta_1,\theta_2,\cdots,\theta_kθ1,θ2,⋯,θk是未知参数，X1,X2,⋯ ,XnX_1,X_2,\cdots,X_nX1,X2,⋯,Xn为总体的一个样本，参数估计是利用样本X1,X2,⋯ ,XnX_1,X_2,\cdots,X_nX1,X2,⋯,Xn对参数做出估计，或对参数的某个函数做出估计。
根据样本构造kkk个统计量θ^1(X1,X2,⋯ ,Xn)\hat{\theta}_1(X_1,X_2,\cdots,X_n)θ^1(X1,X2,⋯,Xn)，θ^2(X1,X2,⋯ ,Xn)\hat{\theta}_2(X_1,X_2,\cdots,X_n)θ^2(X1,X2,⋯,Xn)，⋯\cdots⋯，θ^k(X1,X2,⋯ ,Xn)\hat{\theta}_k(X_1,X_2,\cdots,X_n)θ^k(X1,X2,⋯,Xn)来作为未知参数的估计，这种方法称为点估计。
称θ^1(X1,X2,⋯ ,Xn)\hat{\theta}_1(X_1,X_2,\cdots,X_n)θ^1(X1,X2,⋯,Xn)，θ^2(X1,X2,⋯ ,Xn)\hat{\theta}_2(X_1,X_2,\cdots,X_n)θ^2(X1,X2,⋯,Xn)，⋯\cdots⋯，θ^k(X1,X2,⋯ ,Xn)\hat{\theta}_k(X_1,X_2,\cdots,X_n)θ^k(X1,X2,⋯,Xn)为未知参数θ1,θ2,⋯ ,θk\theta_1,\theta_2,\cdots,\theta_kθ1,θ2,⋯,θk的估计量；
若已知样本观测值x1,x2,⋯ ,xnx_1,x_2,\cdots,x_nx1,x2,⋯,xn，则称θ^1(x1,x2,⋯ ,xn)\hat{\theta}_1(x_1,x_2,\cdots,x_n)θ^1(x1,x2,⋯,xn)，θ^2(x1,x2,⋯ ,xn)\hat{\theta}_2(x_1,x_2,\cdots,x_n)θ^2(x1,x2,⋯,xn)，⋯\cdots⋯，θ^k(x1,x2,⋯ ,xn)\hat{\theta}_k(x_1,x_2,\cdots,x_n)θ^k(x1,x2,⋯,xn)是未知参数θ1,θ2,⋯ ,θk\theta_1,\theta_2,\cdots,\theta_kθ1,θ2,⋯,θk的估计值。
估计量是由样本计算的统计量，它是样本的函数，用于估计总体的未知参数。因为样本数据是随机采样的，它是一个随机变量。
点估计的结果是一个具体的数值，而不是一个范围，它提供了关于总体参数的直接估计。这个估计值通常具有某种统计性质（如无偏性、最小方差等）。
两种获得点估计的常用方法：矩估计法和最大似然估计法。
估计量的评价标准
对于同一个参数，用不同的点估计方法得出的估计量可能不同，即使利用同一种方法，也可能得到多个估计量。这涉及评价估计量好坏的标准问题，评价估计量常用的三条标准：①无偏性；②有效性；③一致性（相合性）。