（2）参数估计和假设检验
这一章重点搞清楚似然估计和假设检验就差不多了。
似然估计：
我们常说的概率，是在已经知道随机变量某个值出现的可能性大小的情况下，来推测在某次试验中这个值会出现多少次。比如预先知道，一枚正常的硬币，在抛掷的时候，正反两面出现的可能性（概率）都是1/2，那么，如果抛掷100次，可以预测正反两面出现的次数都大概是50次；而似然性则是用于在已知抛掷100次硬币正反两面出现的次数的基础上，反过来推测正反两面出现的可能性（概率），即根据某些观测所得到的结果，对有关事物的性质的参数进行估计。
但是，我们应该得到一个更大的概率值，所以我们尝试了所有θ可取的值，使得表达式θ⁷ (1-θ)³取得最大值的θ为0.7左右，这就是似然值的含义，也就是说，在已经知道试验结果（7次正面，3次反面）的前提下，反过去推测θ值为多少（这里假设硬币正反两面出现的概率都可以不是1/2）才能使得试验结果表达式θ⁷ (1-θ)³的值达到最大。注意这一表达式使用的是乘法原理得到的结果。
清楚这个问题以后，我们就可以提出
假设检验：某机床厂加工一种零件，根据经验知道，该厂加工零件的椭圆度近似服从正态分布，其总体均值为m0=0.081mm，总体标准差为s= 0.025 。今换一种新机床进行加工，抽取n=200个零件进行检验，得到的椭圆度的均值为0.076mm。试问新机床加工零件的椭圆度的均值与以前有无显著差异？（a＝0.05）
解题结果：
看到这个结果以后，还是会觉得不好理解，为什么就拒绝了假设H0呢？
这个计算结果就是告诉我们,新机床的产品（x）和老机床的总体均值之差处于上图的蓝色区域（z=-2.83）内，而上图中两边蓝色部分面积之和即a=0.05，也就是预先设定的检验水准。上述实验结果还表明，只有进一步缩小a值（比如3%），才能使得z=-2.83不包括在上面两个蓝色区间内，也就是在a更小的情况下，才能接受H0。这里的a代表显著性水平，显著性水平越低，就表示原假设越难被推翻，假设检验越保守。显著性水平越高，就表示原假设越容易被否定，假设检验越激进。也就是说，显著性水平是留给某次实验用来推翻原假设的可能性的大小。
这就好比一个女孩子对一个男孩子说，你本来追不到我（H0），但我愿意给你5%的可能性（显著性水平，意味着这个男孩子要在下雨天为她送饭）试一下，结果男孩子真做到了，也追到了这个女孩（否定了H0）；而当这个女孩子只愿意给3%的可能性（意味着这个男孩子要在下雪天为她送饭）的时候，结果就没有追到一样。
（2）线性模型（回归分析）和方差分析
回归方程：
