评估点估计的一致性是指
评估点估计的一致性是指，一致估计亦称相合估计和相容估计，是一种优良点估计。按收敛的意义不同将一致估计分为两种：弱一致估计和强一致估计。那么评估点估计的一致性是指？
评估点估计的一致性是指1什么叫估计量的一致性
指当样本容量趋于无穷大时，样本的数字特征依概率收敛于相应总体的数字特征。即用容量较大的样本比容量较小的样本作出的估计值要更精确，随着样本容量的增大估计值与待估参数接近的可能性就越大，估计值的这种特性称为估计的一致性。
点估计值好坏的3个评价标准：无偏性、有效性、一致性
参数估计一般用样本统计量作为总体参数的点估计值，而样本统计量是一个随机变量，因此就有必要给出评价点估计值好坏的标准。点估计值好坏的评价标准有以下3个。
1、无偏性
无偏性是指用来估计总体参数的样本统计量的分布是以总体参数真值为中心的，在一次具体的抽样估计中，估计值或大于或小于总体参数，但在多次重复抽样估计的过程中，所有估计值的平均数应该等于待估计的总体参数。可以证明，样本平均数x是总体均值 μ的无偏估计，样本方差[图片]是总体方差σ2的无偏估计。
2、有效性
有效性是指在同一总体参数的两个无偏估计量中，标准差越小的估计量对总体参数的估计越有效。
3、一致性
一致性是指随着样本容量的增加，点估计量的值越来越接近总体参数的真值。换句话 ……此处隐藏702个字……数据完全相同并且能够对某个提案（Proposal）达成一致。
在学习过程中，一度被分布式事务一致性和分布式数据一致性这两种说法搞混淆。实际上，两者是从两种不同的角度对一致性的描述。
在这里，事务（数据库事务的简称）是数据库管理系统中执行过程中的一个逻辑单位，由一个有限的数据库操作序列构成。
分布式事务一致性，指的是“操作序列在多个服务节点中执行的顺序是一致的”。
分布式数据一致性，指的是“数据在多份副本中存储时，各副本中的数据是一致的”。
保证了分布式事务的一致性，也就保证了数据的一致性。
2、一致性的分类
强一致性，通常用于私有链和联盟链，例如PBFT
当更新操作完成之后，任何多个后续进程或者线程的访问都会返回最新的更新过的值。这种是对用户最友好的，就是用户上一次写什么，下一次就保证能读到什么。
但是这种实现对性能影响较大，因为这意味着，只要上次的操作没有处理完，就不能让用户读取数据。
弱一致性
系统并不保证进程或者线程的访问都会返回最新的更新过的值。系统在数据写入成功之后，不承诺立即可以读到最新写入的值，也不会具体的承诺多久之后可以读到。但会尽可能保证在某个时间级别（比如秒级别）之后，可以让数据达到一致性状态。
最终一致性 通常用于公链
弱一致性的特定形式。系统保证在没有后续更新的前提下，系统最终返回上一次更新操作的值。在没有故障发生的前提下，不一致窗口的时间主要受通信延迟，系统负载和复制副本的个数影响。DNS是一个典型的最终一致性系统。
