估算理論是統計學的一個分支，涉及根據具有隨機成分的測量經驗數據來估計參數值。這些參數描述了一個潛在的物理環境，它們的值會影響測量數據的分布。估算器試圖使用測量數據來逼近未知參數。在估算理論中，通常考慮兩種方法。概率方法（本文描述）假定測量數據是隨機的，其概率分布取決于感興趣的參數。集合成員方法假定測量數據向量屬于一個取決于參數向量的集合。例如，人們希望估計一個選民群體中會投票給某個特定候選人的比例。這個比例就是所尋求的參數；這個估計是基于一小部分隨機的選民樣本。或者，人們希望根據一些人口統計學特征，如年齡，估計一個選民投票給某一特定候選人的概率。或者，例如，在雷達中，目的是通過分析接收到的發射脈沖回波的雙向過境時間，找到物體（飛機、船只等）的范圍。由于反射的脈沖不可避免地被嵌入電噪聲中，它們的測量值是隨機分布的，因此必須估計過境時間。作為另一個例子，在電氣通信理論中，包含有關感興趣的參數信息的測量值往往與噪聲信號有關。

對于一個給定的模型，需要幾個統計成分，這樣才能實現估計器。首先是統計樣本--從大小為N的隨機矢量（RV）中抽取的一組數據點，放入一個矢量中。其數值要進行估計。第三，產生數據的基礎分布的連續概率密度函數（pdf）或其離散對應物，概率質量函數（pmf），必須以參數值為條件。參數本身也有可能有一個概率分布（例如，貝葉斯統計）。那么就需要定義貝葉斯概率{displaystylepi(mathbf{theta}).,}在模型形成之后，我們的目標是估計參數，估計值通常表示為{displaystyle{hat{mathbf{theta}}}。}}}，其中帽子表示估計值。

一個常見的估計器是最小均方誤差（MMSE）估計器，它利用了估計參數和參數實際值之間的誤差作為優化的基礎。然后對這個誤差項進行平方，這個平方的期望值對MMSE估計器來說是最小的。

常用的估計器（估計方法）和與之相關的主題包括。

矩量法估計器Cramér-Rao邊界最小均方誤差（MMSE），也稱為貝葉斯最小平方誤差（BLSE）xxx后驗（MAP）最小方差無偏估計器（MVUE）非線性系統識別最佳線性無偏估計器（BLUE）無偏估計器-見估計器偏差。粒子濾波器馬爾科夫鏈蒙特卡洛（MCMC）卡爾曼濾波器，及其各種衍生物維納濾波器示例加性白高斯噪聲中的未知常數考慮一個接收到的離散信號。{displaystyle{hat{A}_{2}={frac{1}{N}}sum_{n=0}{N-1}x[n]}。這就是樣本的平均數這兩個估計值的平均值都是A{displaystyleA}。，這可以通過取exp