有点松散——我面前有一枚硬币。下一次抛硬币的值（假设 {Head=1, Tail=0} 说）是一个随机变量。

它有一定的概率取值为$1$（如果实验“公平”，则为$\frac12$

但是一旦我扔了它并观察了结果，它就是一个观察，并且那个观察没有变化，我知道它是什么。

现在考虑一下，我将掷硬币两次（$X_1, X_2$）。这两个都是随机变量，它们的总和也是随机变量（两次投掷中正面的总数）。它们的平均值（两次投掷中正面的比例）和它们的差异等等也是如此。

也就是说，随机变量的函数又是随机变量。

因此，估计量——它是随机变量的函数——本身就是一个随机变量。

但是一旦你观察到这个随机变量——就像你观察抛硬币或任何其他随机变量时——观察到的值只是一个数字。它没有变化——你知道它是什么。因此，估计值 - 您根据样本计算的值是对随机变量（估计量）而不是随机变量本身的观察。

我的理解：

1. 估计器不仅是一个函数，它的输入是某个随机变量，输出另一个随机变量，而且还是一个随机变量，它只是函数的输出。像，当我们谈论时，我们指的是函数和结果。$y=y(x)$$y$$y()$$y$
2. 示例：一个估计器，我们的意思是，它是一个函数，它的结果 , 是随机变量。$\overline X=\mu(X_1,X_2,X_3)=\frac{X_1+X_2+X_3}{3}$$\mu()$$\overline X$
3. 估计器和估计器之间的差异大约是在观察之前或之后。
4. 实际上，类似于估计器，估计既是函数又是值（函数输出）。但是估计是在观察后的背景下，相比之下，估计是在观察前的背景下。

一张图片说明了上面的想法：

我在周末研究了这个问题，在从互联网上阅读了大量材料之后，我仍然感到困惑。尽管我不完全确定我的答案是否正确，但对我来说，这似乎是让一切变得有意义的唯一方法。