統計量是統計理論中用來對數據進行分析、檢驗的變量。宏觀量是大量微觀量的統計平均值，具有統計平均的意義，對于單個微觀粒子，宏觀量是沒有意義的．相對于微觀量的統計平均性質的宏觀量也叫統計量．需要指出的是，描寫宏觀世界的物理量例如速度、動能等實際上也可以說是宏觀量，但宏觀量并不都具有統計平均的性質，因而宏觀量并不都是統計量．

樣本的已知函數;其作用是把樣本中有關總體的信息匯集起來;是數理統計學中一個重要的基本概念。統計量依賴且只依賴于樣本x1,x2,…xn;它不含總體分布的任何未知參數。從樣本推斷總體(見統計推斷)通常是通過統計量進行的。例如x1,x2，…，xn是從正態總體N(μ,1)(見正態分布)中抽出的簡單隨機樣本，其中均值(見數學期望)μ是未知的，為了對μ作出推斷，計算樣本均值。可以證明，在一定意義下，塣包含樣本中有關μ的全部信息，因而能對μ作出良好的推斷。這里塣只依賴于樣本x1,x2，…，xn，是一個統計量。

樣本矩

設x1,x2，…，xn是一個大小為n的樣本，對自然數k，分別稱 為k階樣本原點矩和k階樣本中心矩，統稱為樣本矩。許多最常用的統計量，都可由樣本矩構造。例如，樣本均值(即α1)和樣本方差 是常用的兩個統計量，前者反映總體中心位置的信息，后者反映總體分散情況。還有其他常用的統計量，如樣本標準差，樣本變異系數S/塣，樣本偏度，樣本峰度等都是樣本矩的函數。若(x1,Y1)，(x2,Y2)，…，(xn,Yn)是從二維總體(x，Y)抽出的簡單樣本，則樣本協方差·及樣本相關系數 也是常用的統計量，r可用于推斷x和Y的相關性。

次序統計量

把樣本X1,x2，…，xn由小到大排列，得到，稱之為樣本x1,x2，…,xn的次序統計量。其中最小次序統計量x⑴最大次序統計量x(n)稱為極值，在那些如年枯水量、年最大地震級數、材料的斷裂強度等的統計問題中很有用。還有一些由次序統計量派生出來的有用的統計量，如：樣本中位數 是總體分布中心位置的一種度量，若樣本大小n為奇數，，若n為偶數，，它容易計算且有良好的穩健性。

U統計量

這是W.霍夫丁于1948年引進的，它在非參數統計中有廣泛的應用。其定義是：設x1,x2，…，xn，為簡單樣本，m為不超過n的自然數，為m元對稱函數，則稱 為樣本x1,x2，…，xn的以為核的U統計量。樣本均值和樣本方差都是它的特例。從霍夫丁開始，這種統計量的大樣本性質得到了深入的研究，主要應用于構造非參數性的量的一致最小方差無偏估計(見點估計)，并在這種估計的基礎上檢驗非參數性總體中的有關假設。

秩統計量

把樣本X1，X2，…，Xn 按大小排列為，若 則稱Ri為xi的秩，全部n個秩R1，R2，…，Rn構成秩統計量，它的取值總是1,2，…，n的某個排列。秩統計量是非參數統計的一個主要工具。

還有一些統計量是因其與一定的統計方法的聯系而引進的。如假設檢驗中的似然比原則所導致的似然比統計量，K.皮爾森的擬合優度(見假設檢驗)準則所導致的Ⅹ統計量，線性統計模型中的最小二乘法所導致的一系列線性與二次型統計量，等等。

統計量是由樣本加工而成的，在用統計量代替樣本作統計推斷時，樣本中所含的信息可能有所損失，如果在將樣本加工為統計量時，信息毫無損失，則稱此統計量為充分統計量。例如，從一大批產品中依次抽出n個，若第i次抽出的是合格品，則xi=0，否則xi=1(i=1,2，…，n)。總體分布取決于整批產品的廢品率p，可以證明：統計量，即樣本中的廢品個數，包含了(x1，x2，…，xn)中有關p的全部信息，是一個充分統計量。若取m充分性是數理統計的一個重要基本概念，它是R.A.費希爾在1925年引進的，費希爾提出，并由J.奈曼和P.R.哈爾莫斯在1949年嚴格證明了一個判定統計量充分性的方法，叫因子分解定理。這個定理適用面廣且應用方便，利用它可以驗證很多常見統計量的充分性。例如，若正態總體有已知方差，則樣本均值塣是充分統計量。若正態總體的均值、方差都未知，則樣本均值和樣本方差S合起來構成充分統計量(塣，S)。一個統計量是否充分，與總體分布有密切關系。

將樣本加工成統計量要求越簡單越好。簡單的程度的大小，主要用統計量的維數來衡量。簡單地講，若統計量T2是由統計量T1加工而來(即T2是T1的函數)，則T2比T1簡單。在此意義上，最簡單的充分統計量叫極小充分統計量。這是E.L.萊曼和H.謝菲于1950年提出的。前例中的充分統計量都有極小性。在任何情況下，樣本x1,x2，…，xn本身就是一個充分統計量，但一般不是極小的。

關于統計量的另一個重要的基本概念是完全性。設T為一統計量，θ為總體分布參數，若對θ的任意函數g(θ)，基于T的無偏估計至多只有一個(以概率1相等的兩個估計量視為相同)，則稱T為完全的。

統計量的分布叫抽樣分布。它與樣本分布不同，后者是指樣本x1,x2，…，xn的聯合分布。

統計量的性質以及使用某一統計量作推斷的優良性，取決于其分布。

所以抽樣分布的研究是數理統計中的重要課題。尋找統計量的精確的抽樣分布，屬于所謂的小樣本理論(見大樣本統計)的范圍，但是只在總體分布為正態時取得比較系統的結果。對一維正態總體，有三個重要的抽樣分布，即Ⅹ分布、t分布和F分布。

Ⅹ分布 設隨機變量x1,x2，…，xn是相互獨立且服從標準正態分布N(0,1)，則隨機變量的分布稱為自由度為n的Ⅹ分布(其密度函數及下文的t分布、F分布的密度函數表達式均見概率分布)。這個分布是 F.赫爾梅特于1875年在研究正態總體的樣本方差時得到的。若x1,x2，…，xn是抽自正態總體N(μ,σ)的簡單樣本，則變量服從自由度為n-1的Ⅹ分布。若x1，x2，…，xn服從的不是標準正態分布，而依次是正態分布N(μi,1)(i=1,2，…，n)，則的分布稱為非中心Ⅹ分布，稱為非中心參數。當δ=0時即前面所定義的Ⅹ分布。為此，有時也稱它為中心Ⅹ分布。中心與非中心的Ⅹ分布在正態線性模型誤差方差的估計理論中，在正態總體方差的檢驗問題中(見假設檢驗)，以及一般地在正態變量的二次型理論中都有重要的應用。

t分布設隨機變量ξ，η獨立，且分別服從正態分布N(δ,1)及自由度n的中心Ⅹ分布，則變量的分布稱為自由度n、非中心參數δ的非中心t分布;當δ=0時稱為中心t分布。若x1，x2，…，xn是從正態總體N(μ,σ)中抽出的簡單樣本，以塣記樣本均值，以記樣本方差，則服從自由度n-1的t分布。這個結果是英國統計學家W.S.戈塞特(又譯哥色特，筆名“學生”)于 1908年提出的。t分布在有關正態總體均值的估計和檢驗問題中，在正態線性統計模型對可估函數的推斷問題中有重要意義，t分布的出現開始了數理統計的小樣本理論的發展。

F分布 是 R.A.費希爾在20世紀20年代提出的。設隨機變量ξ，η獨立，ξ服從自由度m、非中心參數δ的非中心Ⅹ分布，η服從自由度n的中心Ⅹ分布，則的分布稱為自由度(m,n)、非中心參數δ的非中心F分布，當δ=0時稱為中心F分布。若x1,x2，…，xm和Y1,Y2，…，Yn分別是從正態總體N(μ,σ)和N(v，σ)，中抽出的獨立簡單樣本，以S娝和S娤分別記為諸xi和諸Yi的樣本方差，則方差比統計量S娝/S娤服從自由度(m-1,n-1)的中心F分布。中心和非中心的F分布在方差分析理論中有重要應用。

多維正態總體的重要的抽樣分布有維夏特分布和霍特林的T分布(見多元統計分析)。

一個統計量若服從某分布，常以該分布的名字命名該統計量，如Ⅹ統計量、F統計量、T統計量等。

由于尋找精確的抽樣分布有困難，統計學者轉而研究當樣本大小n→∞時統計量的漸近分布(即極限分布)，這種研究是數理統計大樣本理論的基礎性工作。已經有很多重要的統計方法，就是基于這種工作而提出的。像K.皮爾森關于擬合優度統計量的極限分布是分布的著名結果(1900)就是一個有代表性的例子。

信息均來源互聯網,不代表黃金之家觀點立場，若侵權請聯系本站編輯。