问题背景：
我们知道了总体的分布，但不知道分布的参数，因此我们就要对未知的参数做出估计。
两个类型的估计：
1.点估计
2.区间估计
1.点估计
包括矩估计和极大似然估计
1）矩估计：
用样本矩去估计总体矩
这里就可以用样本一阶矩（均值）估计整体一阶矩（均值），样本二阶中心矩估计（方差）整体二阶中心距（方差）
2）极大似然估计：
理解：
利用已知的样本结果，反推最有可能（最大概率）导致这样结果的参数值。
所以步骤：
1.由总体的密度函数，写出似然函数（概率密度的连乘），这个似然函数是关于未知参数（我们要估计的那些参数）的函数，这就是一个最优规划问题了。
2.求出使密度值最大时候，未知参数的值
3.为了方便，方程两边取对数，再求驻点，由于一般是实际问题，在驻点处就可以取得极大值了。
估计量优良评定标准：
1.无偏性：估计量的期望等于被估计的量。样本均值和样本方差分别是总体均值和总体方差的无偏估计。
2.有效性：在期望值相等的条件下，考虑方差，方差小的估计量，有效性好。
3.一致性：估计量依概率收敛于被估计量。（样本均值和样本方差分别是总体均值和总体方差的一致估计）
2.区间估计：
根据样本求出未知参数的估计区间，并使这个区间包含未知参数的可靠程度达到预定要求（这个预定要求就是个置信度，用上α位分点来体现这个置信度）。
步骤：
1.构造合适的包含待估参数的统计量U，且统计量的分布已知。
2.根据给定的置信度，按照P（U1<U<U2）=1-α，求出U1，U2，用U解出未知参数的范围，最后的形式就是P(x*<μ<y*)=1-α，这是μ可以在概率为1-α的情况下落在区间（x*，y*）内。
这里用到了上α位分点来找这个能使置信度为1-α的置信区间。