抽样分布

常用统计量

样本均值

样本均值又叫样本均数。即为样本的均值。均值是表示一组数据集中趋势的量数，是指在一组数据中所有数据之和再除以这组数据的个数。它是反映数据集中趋势的一项指标。样本均值则是在总体中的样本数据的均值。

样本方差

先求出总体各单位变量值与其算术平均数的离差的平方，然后再对此变量取平均数，就叫做样本方差。样本方差用来表示一列数的变异程度。样本均值又叫样本均数。即为样本的均值。均值是指在一组数据中所有数据之和再除以数据的个数。

样本偏度

样本偏度一种基本统计量.样本三阶中心矩除以样本二阶中心矩的 $\frac{3}{2}$ 次幂的商，记为 $Sk$。
即样本偏度常用作总体偏度的估计量和检验总体分布正态性的统计量.而总体偏度是一个描述总体分布不对称性的数字特征.正态分布是左右对称的，因而它的偏度为零。

样本峰度

样本峰度一种基本统计量，样本的峰度和偏度都是作为检验总体分布正态性的统计量。样本四阶中心矩除以样本二阶中心矩平方的商再减去 $\epsilon$，记为 $Ku$，样本峰度常用以作总体峰度的估计量。正态分布的峰度为零。非正态分布的峰度是以正态分布的峰度为标准来描述其分布密度形状为陡峭或平坦的一个数字特征。

次序统计量

设 $X1,X2,\dots ,Xn$ 是取自总体 $X$ 的样本，$X(i)$ 称为该样本的第 $i$ 个次序统计量，它的取值是将样本观测值由小到大排列后得到的第 $i$ 个观测值。从小到大排序为 $x(1),x(2),\dots ,x(n)$，则称 $X(1),X(2),\dots ,X(n)$ 为顺序统计量。

充分统计量

对于给定的统计推断问题，包含了原样本中关于该问题的全部有用信息的统计量。对于未知参数的估计问题，保留了原始样本中关于未知参数θ的全部信息的统计量，就是充分统计量。如样本均值X是总体数学期望的充分统计量。数学上，设 $(X₁，\dots ，Xₑ)$ 是来自总体 $X$ 的一个随机样本，$T=T(X₁，\dots ，Xₑ)$ 是一统计量。若在 $T=t$ 的条件下，样本的条件分布与未知参数 $\theta$ 无关，则称统计量 $T$ 是 $\theta$ 的充分统计量。

常用抽样分布

卡方分布

若 $n$ 个相互独立的随机变量 $\xi ₁，\xi ₂，...,\xi n$，均服从标准正态分布（也称独立同分布于标准正态分布），则这 $n$ 个服从标准正态分布的随机变量的平方和构成一新的随机变量，其分布规律称为卡方分布。

T分布

在概率论和统计学中，$T-分布$用于根据小样本来估计呈正态分布且方差未知的总体的均值。如果总体方差已知（例如在样本数量足够多时），则应该用正态分布来估计总体均值。
$T$分布曲线形态与 $n$（确切地说与自由度$df$）大小有关。与标准正态分布曲线相比，自由度 $df$ 越小，$t$ 分布曲线愈平坦，曲线中间愈低，曲线双侧尾部翘得愈高；自由度 $df$ 愈大，$t$ 分布曲线愈接近正态分布曲线，当自由度 $df=\infty$ 时，$t$ 分布曲线为标准正态分布曲线。

中心极限定理（其他重要抽样分布）

中心极限定理，是指概率论中讨论随机变量序列部分和分布渐近于正态分布的一类定理。这组定理是数理统计学和误差分析的理论基础，指出了大量随机变量近似服从正态分布的条件。它是概率论中最重要的一类定理，有广泛的实际应用背景。在自然界与生产中，一些现象受到许多相互独立的随机因素的影响，如果每个因素所产生的影响都很微小时，总的影响可以看作是服从正态分布的。中心极限定理就是从数学上证明了这一现象。最早的中心极限定理是讨论重点，伯努利试验中，事件A出现的次数渐近于正态分布的问题。