參數估計 parameter estimation
參數估計討論的是用樣本統計量你估計總體參數的方法，總體參數μ在估計前未知的。
假設檢驗 hypothesis testing
在假設檢驗中，是先對μ的值提出一個假設，然後利用樣本信息去檢驗這個假設是否成立。【批：假設檢驗的基本思想是基於概率的反證法。根據問題提出原假設和備擇假設，在先假設原假設是正確的前提醒，構造一個小概率事件，然後根據抽取的樣本去檢驗這個小概率事件是否發生。如果在一次試驗中小概率事件發生了，我們就懷疑原假設的正確性；相反如果沒有發生，我們就沒有理由懷疑原假設的正確性，即接受原假設】
原假設 null hypothesis
例如我們需要檢驗新生兒總體平均體重是否等於3190克，我們會用一個等式或不等式表示這個問題的原假設，即：H0：μ=3190(克)。這裏的H0表示原假設。由於原假設的下標用0表示，所有有些文獻上將此稱爲（零假設）。
備擇假設 alternative hypothesis
如果原假設不成立，就要拒絕原假設，而需要在另一個假設中做出選擇，這個假設稱爲備擇假設。在剛纔的案例中，備擇假設爲：H1：μ≠3190(克)。
α錯誤 / 棄真錯誤 α error
第Ⅰ類錯誤是原假設H0爲真卻被我們拒絕了，這種錯誤的概率用α表示，也成爲了α錯誤或棄真錯誤。
β錯誤 / 取僞錯誤 β error
第Ⅱ類錯誤是原假設爲僞我們卻沒有拒絕，犯這種錯誤的概率用β表示，所以也稱錯誤或取僞錯誤。
顯著性水平 significant level
我們通常把α稱爲顯著性水平。顯著性水平是一個統計專有名詞，在假設檢驗中，它的含義是當原假設正確時卻被拒絕的概率或風險，其實就是建設檢驗中犯棄真錯誤的概率，它是由人們根據檢驗的要求確定的，通常取α=0.05或α=0.01.