不知道大家在学数理统计的时候，对这三个概念怎么理解的，我学的时候还是很有疑惑的，为什么随机变量可以用样本表示，那统计量用来干什么的呢？于是我查阅了很多资料，下面谈谈自己的认识，欢迎大家分享自己的理解。

        自然界和社会上发生的现象是多种多样的。概括起来可以分为两大类：一类现象，在一定条件下必然发生，例如，同性电荷必相互排斥，等等。这类现象称为确定现象。另一类现象，比如在相同条件下抛同一枚硬币，其结果可能是正面朝上，也可能是反面朝上，并且在每次抛之前无法确定抛掷的结果是什么，等等。这类现象，在一定的条件下，可能出现这样的结果，也可能出现那样的结果，而在试验或观察之前不能预知确切的结果。但在大量重复实验或观察下，它的结果却呈现某种规律性。像这种在个别试验中其结果呈现出不确定性，在大量重复试验中其结果又具有统计规律性的现象，我们称之为随机现象。

        数理统计学是研究随机现象规律性的一门学科，它以概率论为理论基础，研究如何以有效的方式收集﹑整理和分析受到随机因素影响的数据，并对所考察的问题作出推理和预测，直至为采取某种决策提供依据和建议。数理统计研究的内容非常广泛，概括起来可分为两大类：一是试验设计，即研究如何对随机现象进行观察和试验，以便更合理更有效地获得试验数据；二是统计推断，即研究如何对所获得的有限数据进行整理和加工，并对所考察的对象的某些性质作出尽可能精确可靠的判断（这不正是目前机器学习在做的事）。

        统计学研究的一个主要问题是通过试验推断总体。而概率论为整个统计学奠定了基础，它为总体、随机试验等几乎所有随机现象的建模提供了方法。下面先引入概率论的中常用的样本空间、事件、随机变量和概率空间的几个概念，然后引入统计里常用的总体、样本、统计量。

        称某次随机试验 E E E 全体可能的结果所构成的集合 Ω \Omega Ω 为该试验的 样本空间（sample space）。样本空间的元素，即 E E E 的每个结果，称为样本点 e e e。

        我们称试验 E E E 的样本空间 Ω \Omega Ω 的子集为 E E E 的随机事件，简称事件。每次试验中，当且仅当这一子集中的一个样本点出现时，称这一事件发生。由一个样本点组成的单点集，称为基本事件。一个事件（event）是一次试验若干可能的结果所构成的集合，即 S 的一个子集（可以是S本身）。

        设随机试验的样本空间为 S = { e } S=\{e\} S={e}。 X = X ( e ) X=X(e) X=X(e) 是定义在样本空间 S S S 上的实值单值函数。称 X = X ( e ) X=X(e) X=X(e) 为随机变量。随机变量的本质就是从样本空间映射到实数的函数。随机变量常以大写字母记，其具体取值则用相应的小写字母表示。例如，随机变量 X X X 可以取值 x x x。

        研究随机变量的目的是通过研究随机变量的概率特性，或者叫统计特性，来反映和预测结果。         随机变量的数字特征： 数学期望（均值：反映数据集中在哪个量附近，一般不与随机变量的取值相同），方差（反映波动大小：反映数据的集中程度），两个随机变量的协方差（反映两个随机变量的相依关系），分布函数（分布律：反映随机变量落入某区域的概率），密度函数（连续型：反映随机变量在某点附近概率的变化快慢，密度函数的积分就是分布函数）。

        多维随机变量或多维随机向量。随机向量是样本空间到实数组集合的映射。例如（X,Y）是二维随机变量，对应的是实数对，可以取值为（1,2）。

        多元随机变量是一个随机变量，只不过是多元的。例如 X Y XY XY 是二元随机变量，可以取值为 1 × 2 1\times 2 1×2。函数 f ( X Y ) f(XY) f(XY) 是 X Y XY XY 的函数。

        总结： 维是代表随机变量维度增多了，元代表随机变量个数增多了。

        概率论中，用 e e e 为基本事件或样本， Ω \Omega Ω 为样本空间， A ( ∈ F ) A(\in\mathcal{F}) A(∈F) 为事件， F \mathcal{F} F 是事件的全体，而 P ( A ) P(A) P(A) 表示事件发生的概率。三元组 ( Ω , F , P ) (\Omega, \mathcal{F}, P) (Ω,F,P) 构成概率空间。

        在数理统计学中，我们把所研究对象的全体元素组成的集合称为总体(或称母体)，而把组成总体的每个元素称为个体。例如，在考察某批灯泡的质量时，该批灯泡的全体就组成一个总体，而其中每个灯泡就是个体。

        但是，在实际应用中，人们所关心的并不是总体中个体的一切方面，而所研究的往往是总体中个体的某一项或某几项数量指标。例如，考察灯泡质量时，我们并不关心灯泡的形状，式样等特征，而只研究灯泡的寿命、亮度等数量指标特征。如果只考察灯泡寿命这一项指标时，由于一批灯泡中每个灯泡都有一个确定的寿命值，因此，自然地把这批灯泡寿命值的全体视为总体，而其中每个灯泡的寿命值就是个体。由于具有不同寿命值的灯泡的比例是按一定规律分布的，即任取一个灯泡其寿命为某一值具有一定概率，因而，这批灯泡的寿命是一个随机变量，也就是说，可以用一个随机变量 X X X 来表示这批灯泡的寿命这个总体。因此，在数理统计中，任何一个总体都可用一个随机变量来描述。总体的分布及数字特征，即指表示总体的随机变量的分布及数字特征。对总体的研究也就归结为对表示总体的随机变量的研究。

        为了了解总体 X X X 的分布规律或某些特征，必须对总体进行抽样观察，即从总体 X X X 中，随机抽取 n n n 个个体 X 1 , X 2 , ⋯   , X n X_1, X_2, \cdots, X_n X1​,X2​,⋯,Xn​，记为 ( X 1 , X 2 , ⋯   , X n ) T (X_1, X_2, \cdots, X_n)^T (X1​,X2​,⋯,Xn​)T，并称此为来自总体 X X X 的容量为 n n n 的样本。由于每个 X i X_i Xi​ 都是从总体 X X X 中随机抽取的，它的取值就在总体 X X X 的可能取值范围内随机取得，自然每个 X i X_i Xi​ 也是随机变量，从而样本 ( X 1 , X 2 , ⋯   , X n ) T (X_1, X_2, \cdots, X_n)^T (X1​,X2​,⋯,Xn​)T 是一个 n n n 维随机向量。 ( X 1 , X 2 , ⋯   , X n ) T (X_1, X_2, \cdots, X_n)^T (X1​,X2​,⋯,Xn​)T 是一个 n n n 维随机向量。在抽样观测后，它们是 n n n 个数据 ( x 1 , x 2 , ⋯   , x n ) T (x_1, x_2, \cdots, x_n)^T (x1​,x2​,⋯,xn​)T，称之为样本 ( X 1 , X 2 , ⋯   , X n ) T (X_1, X_2, \cdots, X_n)^T (X1​,X2​,⋯,Xn​)T 的一个观测值，简称样本值。         我们的目的是依据从总体 X X X 中抽取的一个样本值 ( x 1 , x 2 , ⋯   , x n ) T (x_1, x_2, \cdots, x_n)^T (x1​,x2​,⋯,xn​)T，对总体 X X X 的分布或某些特征进行分析推断，因而要求抽取的样本能很好地反映总体的特征且便于处理，于是，提出下面两点要求： （1）代表性——要求样本 ( X 1 , X 2 , ⋯   , X n ) T (X_1, X_2, \cdots, X_n)^T (X1​,X2​,⋯,Xn​)T同分布且每个 X i X_i Xi​ 与总体 X X X 具有相同的分布。 （2）独立性——要求样本 ( X 1 , X 2 , ⋯   , X n ) T (X_1, X_2, \cdots, X_n)^T (X1​,X2​,⋯,Xn​)T 是相互独立的随机变量。         满足上述两条性质的样本称为简单随机样本。

        样本是进行统计推断的依据。在应用时，往往不是直接使用样本本身，而是针对不同的问题构造样本的适当函数，利用这些样本的函数进行统计推断。         设 X 1 , X 2 , ⋯   , X n X_1, X_2, \cdots, X_n X1​,X2​,⋯,Xn​ 是来自总体 X X X 的一个样本， g ( X 1 , X 2 , ⋯   , X n ) g(X_1, X_2, \cdots, X_n) g(X1​,X2​,⋯,Xn​)是 X 1 , X 2 , ⋯   , X n X_1, X_2, \cdots, X_n X1​,X2​,⋯,Xn​ 的函数，若 g g g 中不含任何未知参数，则称 g ( X 1 , X 2 , ⋯   , X n ) g(X_1, X_2, \cdots, X_n) g(X1​,X2​,⋯,Xn​) 是一统计量。         因为 X 1 , X 2 , ⋯   , X n X_1, X_2, \cdots, X_n X1​,X2​,⋯,Xn​ 都是随机变量，而统计量 g ( X 1 , X 2 , ⋯   , X n ) g(X_1, X_2, \cdots, X_n) g(X1​,X2​,⋯,Xn​) 是随机变量的函数，因此统计量是一个随机变量。

        参数是用来描述总体特征的概括性数字度量，是研究者想要了解的总体的某种特征值。由于总体数据通常是不知道的，所以参数是一个未知的常数。统计量是用来描述样本特征的概括性数字度量，它是根据样本数据计算出来的一个量。由于抽样是随机的，所以统计量是样本的函数；由于样本是已知的，所以统计量总是知道的。抽样的目的就是要根据样本统计量去估计总体参数。

        统计里的样本有二重性，即样本既可以看作是一组观测值又可以看作是随机变量。因为在抽样之前，样本观测值是未知的，所以可以看成是随机变量（设该样本为 X X X，抽取之前 X X X 的值未知， X X X 的值是什么，其概率分布是符合对应随机变量概率分布的）；而当样本抽取完之后又是一组确定的值，故又可以看成是一组确定的值。一般情况下把样本看作是一组随机变量。

        个人理解： 在统计学里，即抽样分布里，在数据是一维的时候，可以把每个样本都看做一个随机变量；但到了概率论中，对于给定一个多维数据，比如多个样本多个特征，此时应该把每个特征看做一个随机变量，这时才有协方差矩阵的概念。随机变量是贯穿于概率论和数理统计的一个概念，在前后学习的时候如果可以正确认识，会对统计有更深的理解。