【知识点详解】
1. 最大似然估计：最大似然估计是统计学中常用的一种参数估计方法，通过观察到的数据来估计模型中的未知参数。在描述中提到的"求的最大似然估计"是指找到使得数据出现概率最大的参数值。在这个问题中，可能需要对某个概率分布（例如正态分布或其他连续分布）的参数进行最大似然估计。
2. 无偏估计量：一个估计量被称为无偏的，如果它的期望值等于被估计参数的真实值。描述中提到的"和均是的无偏估计量"表明两个统计量（可能是样本均值和样本方差）对于某个参数是无偏的。例如，在正态分布中，样本均值是总体均值的无偏估计，样本方差除以(n-1)是总体方差的无偏估计。
3. 参数的置信区间：置信区间是在统计推断中用来表示参数可能取值范围的一种方法。90%置信区间意味着我们有90%的把握认为真实参数值落在这个区间内。描述中提到的"求参数的90%置信区间"涉及到标准正态分布表，通常通过Z分数来计算置信区间。在这个例子中，n=8，查表得到Z值后，可以构建置信区间。
4. 契比雪夫不等式：这是一种概率不等式，它给出了随机变量与期望值之间距离的上界。描述中的"根据契比雪夫不等式"表明在计算概率时用到了这个工具，用于估计事件发生的可能性。
5. 正态分布与F分布：描述中提到的"随机变量服从F分布"，F分布通常出现在两个独立正态分布样本的方差比的比较中。这里的F统计量具有参数(10, 5)，可能涉及到两个独立样本的方差分析（ANOVA）或假设检验。
6. 泊松分布：泊松分布是一种离散概率分布，常用于描述单位时间内事件发生次数的概率。"随机变量 X 服从参数为 1 的泊松分布"表示X发生的次数服从平均发生率为1的泊松过程。
7. 样本均值与样本方差：在描述中，X与S分别代表样本均值和样本方差。在正态分布中，样本均值是总体均值的无偏估计，而样本方差（除以n-1）是总体方差的无偏估计。选项分析中提到了这两个统计量的性质。
总结：这些知识点主要涵盖概率论与数理统计的基础概念，包括最大似然估计、无偏估计、置信区间、概率不等式、正态分布、F分布、泊松分布以及样本统计量的性质。这些都是统计学中基础且重要的概念，它们在数据分析和假设检验中扮演着核心角色。
