（1）总体：在统计研究中，总体是所研究的人或事物的完整集合。
（2）总体参数：总体中对某变量的概括性描述。
（3）样本：样本是总体的一个子集。
（4）原始数据：对样本进行实际测量或观测所收集的数据。
（5）样本统计量：描述从原始数据中筛选总结的样本特征的数据。
（6）误差幅度：描述了一个包含总体参数的值域或置信空间。比如，包含总体参数的值域：”（样本统计量-误差幅度）~（样本统计了+误差幅度）“。误差幅度通常给定95%的置信区间，意味着样本落在该值域范围内的概率为95%。
描述统计（第2 5章），推断统计（第6 10章）。
（1）简单随机抽样：
每个容量相等的样本都有同等被抽取的机会。
（2）系统抽样：
通过简单的系统抽取样本，比如在总体中每隔10个或每隔50个抽取样本。
（3）任意抽样：
使用一个碰巧很容易被选择的样本。比如超市试吃沙拉酱，选取本班做样本统计全校学生。
（4）整群抽样
先将总体分成不同的组或群，然后从中随机挑选几个群作为样本。
（5）分层抽样
将总体至少分为两个层级，从每个层级中抽取样本。
（1）单盲试验：参与者不知道他们是实验组成员还是对照组成员，而实验者知道的实验。
（2）双盲实验：参与者和实验者都不知道参与者是属于实验组还是对照组的实验。
（1）安慰剂效应：是指患者的情况有所好转，仅仅是因为他们相信自己得到了有效的治疗。
（2）实验者效应：是指调查者或实验者通过某些因素影响研究对象，如通过面部表情、声调或态度。
（1）定性数据，定量数据
（2）离散数据，连续数据
（1）定性数据：定类测量，定序测量。
（2）定量数据：定距测量，定比测量。
（1）随机误差（不可预知不可纠正），系统误差（以相同的方式影响所有测量值，可以纠正）
（2）绝对误差（描述了测量值与真实值之间的差距），相对误差（将绝对误差的大小与真实值相比，通常表示为百分比）
（1）准确度：描述了测量值与真实值的接近程度。
（2）精确度：描述了测量中数值的详细程度。
（1）条形图、点图、帕累托图
点图是条形图的一个变形，用点数来表示数值（如4个点表示频数为4）。
帕累托图是条形图的一种变形，条形按频数大小顺序排列。
（2）饼图
（3）直方图和折线图
条形图与直方图的区别：条形图的横轴为离散值（70,75,80）；直方图的横轴为连续值（70-75,75-80）。
（4）时间序列图，茎叶图
属于直方图和折线图的变形。
时间序列图：横轴为时间段。
茎叶图：类似于横置的直方图，每一行的条形位置是一组原始数据。
（1）多维条形图和多维折线图
（2）多层图
（3）地理数据图
（4）三维图
（5）组合图
（1）认知扭曲：通过美元图片的大小变化，表示美元的增值贬值。
（2）观察刻度：刻度不从0点开始会使得图形变化更加明显，更容易观察到数据的小幅变化趋势。
（3）象形统计图：插图容易产生误导。
Excel中对应函数：AVERAGE, MEDIAN, MODE
（1）众数的个数：单峰分布，双峰分布，三峰分布
（2）对称性（偏态）：左偏分布（负偏态），右偏分布（正偏态），对称分布（零偏态）
（3）离散程度：方差越小越密集，峰值越高；方差越大越分散，峰值越低。
（1）极差：最大值减去最小值的差值。
（2）五数概括法：最小数，下四分位数，中位数，上四分位数，最大值。
常用来制作箱形图。
（3）百分位数：65百分位数，89百分位数
（4）离差：数值-均值
（5）标准差：越小越密集，越大越分散。
（1）标准差≅极差/4
（2）最小值≅均值-（2 标准差）
（3）最大值≅均值+（2 标准差）
（4）当最大值与最小值为异常值时，极差经验法则不再适用。
（1）单峰、对称的钟形分布。
（2）中位数、均值、众数相同，对应着单峰的峰值。
（3）离散程度用标准差来表示。
（1）与横轴一定范围内数值相对应的、正态分布曲线下方的面积，是这些数值的频率。
（2）由于频率总和必然为1，正太分布曲线下方的面积之和一定为1，或100%。
（1）大多数数值集中于均值附近，使分布有一个良好的峰值；
（2）数值均匀地分布在均值周围，使分布对称；
（3）与均值的离差越大，出现的频率就越小，形成分布逐渐减小的尾部；
（4）个别数值是由多种不同的因素共同作用造成的，如遗传和环境因素。
y=e^(-1/2 〖[(x-μ)/σ]〗^2 )/(σ√2π)
其中，均值μ（mu），标准差σ（sigma）
（1）大约68%（更精确的是68.3%）的数值落在距均值1个标准差的区间内。
（2）大约95%（更精确的是95.4%）的数值落在距均值2个标准差的区间内。
（3）大约99.7%的数值落在距均值3个标准差的区间内。
我们发现大约95%的数值位于距均值2个标准差的范围内，意味着5%的数值距均值超过2个标准差。
那些距均值超过2个标准差的数据，便是不寻常数值。
例如，大于均值2.4个标准差处的标准分数z=2.4
（1）解释1：
（2）解释2：
（3）文字描述
假设在任意分布（没有必要是正态分布）中，对某一变量随机选取了容量为n的若干样本，并记录每个样本均值的分布，那么：
a 在大样本情况下，均值的分布将近似于正态分布；
b 在大样本情况下，均值分布的均值近似等于总体均值μ；
c 在大样本情况下，均值分布的标准差为σ/√n，其中σ为总体标准差。
（4）
从实际意义上讲，如果样本容量大于30，均值的分布就接近正态分布。
如果我们知道总体的均值和标准差，那么中心极限定理使我们可以研究样本组的均值。这十分有用，但更为重要的是它的反向应用。
统计主要的两个任务在于估计总体均值和对总体均值进行假设检验。假设我们不知道某一变量的总体均值，如果仅仅知道某个较小样本的均值，我们能否对总体均值（比如全部互联网使用者的平均收入）进行良好的估计呢？中心极限定理提供了回答这类问题的关键。