参数估计 parameter estimation
参数估计讨论的是用样本统计量你估计总体参数的方法，总体参数μ在估计前未知的。
假设检验 hypothesis testing
在假设检验中，是先对μ的值提出一个假设，然后利用样本信息去检验这个假设是否成立。【批：假设检验的基本思想是基于概率的反证法。根据问题提出原假设和备择假设，在先假设原假设是正确的前提醒，构造一个小概率事件，然后根据抽取的样本去检验这个小概率事件是否发生。如果在一次试验中小概率事件发生了，我们就怀疑原假设的正确性；相反如果没有发生，我们就没有理由怀疑原假设的正确性，即接受原假设】
原假设 null hypothesis
例如我们需要检验新生儿总体平均体重是否等于3190克，我们会用一个等式或不等式表示这个问题的原假设，即：H0：μ=3190(克)。这里的H0表示原假设。由于原假设的下标用0表示，所有有些文献上将此称为（零假设）。
备择假设 alternative hypothesis
如果原假设不成立，就要拒绝原假设，而需要在另一个假设中做出选择，这个假设称为备择假设。在刚才的案例中，备择假设为：H1：μ≠3190(克)。
α错误 / 弃真错误 α error
第Ⅰ类错误是原假设H0为真却被我们拒绝了，这种错误的概率用α表示，也成为了α错误或弃真错误。
β错误 / 取伪错误 β error
第Ⅱ类错误是原假设为伪我们却没有拒绝，犯这种错误的概率用β表示，所以也称错误或取伪错误。
显著性水平 significant level
我们通常把α称为显著性水平。显著性水平是一个统计专有名词，在假设检验中，它的含义是当原假设正确时却被拒绝的概率或风险，其实就是建设检验中犯弃真错误的概率，它是由人们根据检验的要求确定的，通常取α=0.05或α=0.01.