点估计和区间估计是统计学中两种主要的参数估计方法，它们在估计总体参数时有着不同的应用和内涵。
点估计
定义：点估计是用样本统计量的某个取值直接作为总体参数的估计值。用一个具体的点，即一个数值，直接就作为参数的真值的替代。
性质：
无偏性：估计量的期望值等于被估计的总体参数。
一致性：随着样本量的增加，估计量趋近于总体参数。
有效性：在所有无偏估计量中，具有最小方差的估计量称为有效的。
常用方法：
最大似然估计（MLE）
矩估计
贝叶斯估计
区间估计
定义：在点估计的基础上，给出总体参数估计的一个区间范围，该区间通常由样本统计量加减估计误差得到。这个区间表示总体参数可能落在这个范围内的可信程度。
关键概念：
置信区间：在区间估计中，用样本统计量加减估计误差得到的估计区间。其中，区间最小值称为置信下限，最大值称为置信上限。
置信水平：用不同的样本多次构造置信区间，这么多个置信区间中包含总体参数真值的区间个数占构造总的置信区间次数的比例。也称为置信度或者置信系数。
预测区间估计：对特定值x0，求出y的一个个别值的估计区间。
差异：
估计形式：点估计是一个具体的数值，而区间估计是一个区间范围。
不确定性表达：点估计直接给出一个数值，无法表达估计的不确定性；区间估计通过区间表示估计的不确定性，并给出一个可信度（置信水平）。
应用目的：点估计适用于需要精确估计总体参数值的情况，而区间估计适用于需要表达总体参数可能取值范围及可信度的情况。
在实际应用中，选择点估计还是区间估计取决于具体问题的需求。如果需要精确的参数值，点估计是一个合适的选择；如果需要表达参数的不确定性和可信度，区间估计更为适用。