描述性统计：在进行数据分析时，首先需要对数据进行整理和描述，这一过程称为描述性统计。其目的是为了了解数据的基本特征，如中心趋势、离散度以及分布形状等。通过计算平均值、方差、标准差等指标，可以直观地了解样本或总体的基本情况。此外，绘制箱图、直方图和密度曲线也是非常有用的工具，它们能够帮助我们更好地理解变量之间的关系。
推断性统计：在实际应用中，我们往往面临着基于有限样本做出关于总体参数的推断问题。这就引入了推断性统计。在这里，我们利用抽样的方式来估计总体参数，并评估这些估计值的可靠性。常见的推断任务包括构建置信区间和进行假设检验，其中置信区间可以给出一个概率范围内包含真实参数，而假设检验则用于验证某个假设是否正确。
回归分析：当我们想要探索不同变量之间关系时，特别是当其中至少有一种变量被视为因变量而另一组作为自变量时，便会使用到回归分析。简单线性回归是最基础的一种形式，它将因变量与单一自变量之间建立线性的关系模型。而多元回归则允许同时考虑多个自变量，对应于多元线性模型。在实际应用中，随机效应模型也是一种重要类型，它适用于处理具有群集结构或者层次结构数据的情况。
时间序列分析：对于那些按照时间顺序排列且每项都依赖于前一项（或之前几项）信息的数据集合来说，时间序列分析尤其重要。这类似于预测股票价格走势或者气候变化趋势等领域的问题。在这个框架下，我们可能会用到移动平均法、指数平滑法以及季节调整等技术，以去除周期成分并揭示潜在趋势。
非参数测试：有时候，由于样本大小限制或者数据特点限制，不适合使用正态分布相关的测试方法。在这种情况下，就需要运用非参数测试方法来解决问题，比如卡尔-弗里德曼检验可以用来判断两组独立样本是否来自同一母体；而威尔科克斯秩和试验则能检测两个独立样本是否来自相同分布。此外，还有其他各种各样的非参数检验方法，如斯皮尔曼秩乘相关系数测试、马贝尔-考克斯生存函数比较检验等，都广泛应用于不同的研究领域。
