eg: 我们要研究北京市人口年龄，我们随机抽取了200人，每天都抽取，抽取了一个月。
总体：包含所有的研究样本，在例子中就是所有北京人年龄
样本：在某天统计的200个人
样本容量：总体中抽取的所要考查的元素总称，即样本中个体
个体：某天抽取的某人都是分体
通过样本数据推断总体数量特征的方法，它是对样本数据进行描述的基础上，对统计总体的未知数量做出概率形式表述的推断
点估计就是拿样本统计量去代替总体参数
这里我们使用鸢尾花的花瓣平均长度来估计总体的均值
区间估计根据样本的统计量，计算出一个可能的区间和概率，表示总体的参数会有多少概率位于该区间。
区间估计指定的区间为置信区间，区间估计指定的概率我们称为置信度。
点估计与区间估计的区别为：点估计是使用一个值来代替总体参数值，而区间估计是使用一个置信区间与置信度，表示总体参数有多少可能会在该范围内
这样我们可以得出结论：
样本均值分布下的标准差我们称为标准误差
在正态分布中数据分布比例如下：
我们置信度度为0.95的置信区间就是以均值为中心，正负两倍标准差构成的区间则为置信区间。也就是说我们有95%的信心认为，总体的均值95%的概率会在置信区间之内。
一个案例来说明一下：
工厂抽取了100个螺丝，统计出半径均值为5.1mm，标准差为0.25mm，那么我们工厂所有螺丝的均值可能是多少呢？（95%的置信度）
5.1 加减 （0.25）/根号下100
为什么0.25还要除10，因为样本的标准差足够大，可视为样本的标准差为总体标准差
假设检验又称为显著性检验，通过样本的统计量来判断与总体的参数之间的差异。我们首先对总体参数进行一定的假设，然后通过收集到的数据，来验证我们之前作出的假设是否合理，我们会建立两个完全对立的假设，分别为原假设H0与备择假设H1,然后根据样本信息进行分析判断，来选择接受原假设还是备择假设。
假设检验用来检验样本的统计量与总体参数是否存在限制性差异。那么多少概率才算显著，这个概率值就是P-Value,这个概率就是支持原假设的概率，因为假设检验中，通常原假设为等值假设，因此P-Value也就代表样本统计量与总体参数无差异的概率，然后我们预先设定一个阈值，这个阈值就是显著性水平α，通常α为0.05，1-α则为置信度。 当P-Value的值大于α时，支持原假设，否则拒绝原假设
Z检验用于判别样本均值是否与总体均值具有显著性差异，Z检验是通过正态分布的理论来推断差异发生于：
t检验与z检验类似，用来判断样本均值是否与总体均值具有显著性差异。不过t检验是基于t分布的，t检验适用于：
不过随着样本容量的增大t分布逐渐接近正态分布，此时就近似于z检验了。