一、为什么要估计（estimate）
在概率，统计学中，我们所要观测的数据往往是很大的，(比如统计全国身高情况）我们几乎不可能去统计如此之多的值。这时候，就需要用到估计了。我们先抽取样本，然后通过统计样本的情况，去估计总体。下面是数学中常用到的术语：
·总体（Populantion）。通常它均值（mean）用 μ 表示。方差用 表示。
·样本（Sample）。通常它的均值用 表示，方差用
表示。（另外提一句，求
时，通常用n-1为底。这样是想让结果跟接近总体的方差，又称为无偏估计。）
二、矩估计
1、是什么原点矩？
原点矩这个术语是数学家定义出来的，用于计算方便。所以在"使用"这个level上，我们先不要纠结它怎么来的，为什么叫原点矩。
来自wiki的定义：原点矩是一类随机变量的矩.随机变量的n阶原点矩
定义为
。
根据定义，我们可知：
一阶原点矩为 。
二阶原点矩为 。
这两个是我们比较常用的，应为我们要估计的参数个数一般不多于二（多于2就不好算了。）
2、矩估计的原理
①样本与总体的原点矩是近似的。可以通过让它们相等来计算。
②对于连续型随机变量:期望 ; 方差
③对于给予的样本:期望
; 方差
，切记这里的X1,X2...Xn都是已知的。
④对于各种随机变量x都有：。
3、计算步骤
S1： 根据题目给出的概率密度函数，计算总体的原点矩（如果只有一个参数只要计算一阶原点矩，如果有两个参数要计算一阶和二阶）。由于有参数这里得到的都是带有参数的式子。如果题目给的是某一个常见的分布，就直接列出相应的原点矩（E(x)）。
S2: 根据题目给出的样本。按照计算样本的原点矩。（计算方法在上文都有给出）
S3: 让总体的原点矩与样本的原点矩相等，解出参数。所得结果即为参数的矩估计值。
三、最大似然估计
0、基础概念：概率密度函数。
概率密度函数是描绘 随机变量 的函数。我们先讲讲随机变量。随机变量的“变量”这个词用得有点让人误解。跟一般我们理解的变量不同，它代表了某种映射关系（将随机过程映射到数字），所以我们一般用大写的X，Y，Z来表示。我们最好把随机变量当作函数来看。
简单的讲，概率密度函数表示的就是随机变量X在某点的概率（所有点的概率和为1）。对于连续型的随机变量，其图像通常为一个连续的曲线，离散型的随机变量的图像一般是一个一个点组成。
1、似然函数（LH）
来自wiki的定义：似然函数是一种关于统计模型中的参数的函数，表示模型参数中的似然性。“似然性”与“或然性”或“概率”意思相近，都是指某种事件发生的可能性，但是在统计学中，“似然性”和“或然性”或“概率”又有明确的区分。概率用于在已知一些参数的情况下，预测接下来的观测所得到的结果，而似然性则是用于在已知某些观测所得到的结果时，对有关事物的性质的参数进行估计。这里类似于“贝叶斯方法”的思路。
在估计中，我们已经取得一些样本数据（它们是独立，同分布）。它们发生的概率即为为
，由于f(x)中有参数未知，所以我们得到的是一个关于参数的函数。我们把这个函数就当作似然函数。直观的讲，这些样本数据
已经出现了，所以他们同时发生的概率（即似然函数）取最大值的时候最符合对事实的估计。
通过使似然函数取最大值，就可以估算参数。
2、计算步骤
S1: 根据对应概率密度函数计算出似然函数L(x)= 。
S2: 对似然函数L(x)取对数以方便求解。（由于对数函数是单调增函数，所以对似然函数取log后，与L(x)有相同的最大值点。）
S3: 根据参数，对第二步所得的函数求导。如果有多个参数，则分别求偏导。
S4： 令导数等于0（此时L(x)取到最大值）.求出参数。此时所得结果即为参数的最大似然估计值。
与矩法估计比较，最大似然估计的精确度较高，信息损失较少，但计算量较大。
