点估计指的是用样本统计量来估计总体参数，因为样本统计量为数轴上某一点值，估计的结果也以一个点的数值表示，所以称为点估计。在这个定义中，总体参数也即是总体分布的参数，一般我们在讨论总体分布的时候，只有在简单随机样本（样本独立同分布）情况下才有明确的意义，总体分布才能决定样本分布,所以下文样本中各随机变量均为独立同分布。在大数据中分析中，一般都假设样本是独立同分布的。
矩估计方法是点估计中的一种，其原理就是构造样本和总体的矩，然后用样本的矩去估计总体的矩。设有样本而k为自然数，则样本矩做如下定义
其中称为k阶样本原点矩，
称为k阶样本中心距，
为样本均值。
和
可以由样本计算得到确定的值。接下来再构造总体
的矩。在使用矩估计方法时，一般要求知道总体的分布类型，这样才能构造包含待估参数的矩。
当总体为连续分布时，设为总体分布的概率密度函数，
为总体分布中的待估参数（假设此处总体分布中只有一个待估参数
），则总体的k阶原点矩
、k阶中心距
分别定义为如下形式
当总体为离散分布时，设是
时的概率，则总体的k阶原点矩
、k阶中心距
分别定义为如下形式
在用样本矩估计总体矩时，我们还需要知道样本矩对总体矩而言是无偏估计，还是非无偏估计，这样有助于我们把握估计偏差，下面以样本一阶原点矩、二阶中心矩
为例来估计总体的一阶原点矩
和
，观察它们是否为无偏估计
可以看到，样本一阶原点矩为总体的一阶原点矩
的无偏估计，再看二阶中心矩的估计
下面分别就项和
项进行计算
因此可得
(1)
样本统计量的方差
为
可得
由于，且样本中各变量为独立同分布，所以
这样就得到
(2)
由式(1)和式(2)，可以得到
可以看到，样本的二阶中心矩并非总体的二阶中心矩的无偏估计，但是我们可以采用因子来调整这个估计偏差，但一般在应用上不去做调整而是容忍一些偏差存在，在n较大时，这个偏差对于应用无损。
以上的内容只是计算过程推导，而我们更应该关注的是这些矩在实际应用中表示的是什么含义，这更有助于我们分析问题。依据总体的k阶原点矩和中心距，还可以定义以下参数，它们能反应总体分布的一些特征
偏度（Skewness）：，反映总体分布的“非对称性”或“偏倚性”
峰度（Kurtosis） ： ，反映总体分布陡峭或平滑的程度