在商业领域，统计学是一个强大的工具，它帮助组织基于数据做出战略决策。由于获取整个总体的数据往往不切实际，通常依赖于样本来估计总体参数。例如，产品公司经常通过市场调查服务收集数据，然后利用这些数据来更好地设计他们的产品。基于样本信息，可以对整个客户基础得出结论。
estimator是从样本数据中计算出的任何量，用于提供有关总体中未知量（estimand）的信息。例如，平均客户满意度。而estimate是通过对特定样本数据获得的估计器的特定值，用来指示参数的值。例如，在调查后发现，平均客户满意度为7分，满分为10分。
估计结果可以表示为一个单一数字，但如果结果被描述为一个范围，包括最小值和最大值以及概率，可能更容易让利益相关者理解。Point Estimation是尝试提供对某些感兴趣量的单一最佳预测。在示例中，平均客户满意度或样本数据的客户评分均值是一个点估计，即它只是一个给出估计的单一数字。
Interval Estimation涉及计算一个区间或值的范围，在该范围内参数最有可能被定位。例如，说有95%的概率平均客户满意度位于6到8的区间内。平均客户满意度，估计器，是一个random variable，它依赖于从样本中提取的信息。对于第一个样本，它的估计值或值是7。对于第二个样本，它可能是6。
理想情况下，可以考虑所有可能的样本对应于给定的抽样策略，并得到一个概率分布。概率分布不过是将所有可能结果的列表与它们的概率之间的映射。对于一个离散随机变量X（客户满意度：{1,2,…10}），它取有限数量的可能值，确定所有可能值的X的P(X=x)，并称之为probability mass function (PMF)。
所有可能样本的平均客户满意度估计是一个连续随机变量，可以为所有不同的估计构建一个probability density function。有关PDF的详细信息，请参考这篇文章。通过特别查看估计器的抽样分布的汇总度量，尤其是其均值和方差，可以很好地了解所讨论的估计器预期的性能如何。例如，如果估计器的期望值等于感兴趣的参数，那将是有用的。
估计器的expected value是所有样本的所有可能值的估计器的平均值，按它们的概率加权。如果让theta hat作为theta的估计器，那么theta hat的偏差是theta hat的期望值或均值与真实值或总体参数theta之间的差异。这是平均估计值集合与被估计的单一参数之间的距离。
由于期望值在图中，如果抽样程序重复多次，那么对于无偏估计器，平均估计值将等于总体参数。无偏性是一个必要条件，但它不足以使估计器最理想。
估计器的variance仅仅是平方抽样偏差的期望值。它用于指示平均估计值集合与估计值的期望值之间的距离。如果估计器具有围绕真实值的低程度分散的概率分布，则该估计器是有效的。在可以获得的不同无偏估计器中，选择方差最小的那一个，即估计器B。
均方误差（MSE）是一种简单的方法，用于权衡偏差和方差，并比较估计器。它用于指示平均估计值集合与被估计的单一参数之间的距离。上述的MSE、方差和偏差的偏差-方差分解表明，MSE、方差和偏差是相关的：即均方误差 = 方差 + 偏差的平方。特别是，对于无偏估计器，方差等于MSE。
在点估计示例中，可以通过平均样本数据来估计总体的客户满意度，并得到平均客户满意度的估计。现在想要预测客户满意度。客户满意度可能受到许多因素的影响，如产品价格、购买日期、交货日期、订单运费比率等。现在需要找到一种方法，根据这些产品和订单数据来估计客户评论或满意度评分。
X：独立的输入变量或预测变量，如价格、交货所需天数等。Y：依赖的或响应变量 - 客户满意度。由于Y依赖于因素X，存在一个可以假设为X的函数和一些随机误差e的关系：Y = f(X)+e。在函数估计中，尝试用模型近似f或估计f̂。目标是基于样本观察创建一个准确的数据模型，然后使用该方程来预测未见于估计阶段的新数据的响应。
这也被称为统计学习或机器学习，更具体地说是监督学习。学习算法及其参数配置尝试从所有可能的函数集合中猜测假设函数。可减少误差是由于f̂和f之间的不匹配而产生的误差。f是X和Y之间的真实关系，但不能直接看到f - 只能估计它。可以通过应用改进的方法来减少估计和真实函数之间的差距。可减少误差再次分为两种类型：偏差和方差。