1 基本概念
1.1 定义
有放回抽样是指每次从总体中抽取一个个体后，立即将其放回原总体，再进行下一次抽取的方式。由于总体在每轮抽取后保持不变，因此各次抽取的条件与概率结构通常也保持一致。
1.2 运行机制
1.2.1 抽取
抽取步骤强调每次只选出一个对象或个体。该对象可以是人、样本、球、卡片或其他可编号的单位，具体形式取决于研究对象与实验设计。
1.2.2 放回
放回是有放回抽样最核心的环节。被抽中的个体不会从总体中永久移除，而是回到原来的集合中，使其在后续抽取中仍然具有再次被抽中的机会。
1.2.3 重复抽取的独立性
在理想化模型中，每一次抽取彼此独立，前一次的结果不会改变后一次抽取的概率。这一性质使得有放回抽样在概率推导中较为方便，也便于建立标准随机模型。
1.3 与不放回抽样的区别
与不放回抽样相比，有放回抽样允许同一个个体在样本中重复出现；而不放回抽样则会使总体构成随抽取过程不断变化。前者更接近独立重复试验，后者则常体现样本之间的相关性。两者在概率计算、分布形式和实际应用中均有明显差异。
2 理论基础
2.1 概率视角
2.1.1 单次抽取概率
在总体各个个体被抽中的机会已知且固定时，单次抽取的概率可以直接根据总体结构确定。若各个体等可能被选中，则每个对象在一次抽取中的概率相同。
2.1.2 多次抽取联合概率
由于有放回抽样通常假设各次抽取相互独立，多次抽取的联合概率可以写成各次单次概率的乘积。这一性质在计算序列事件、重复命中事件和组合型结果时尤为常用。
2.2 独立同分布假设
有放回抽样常与独立同分布假设相联系，即每次抽取可视为来自同一分布，且不同抽取之间相互独立。在统计建模中，这一假设有助于简化推导，并成为许多经典结果的基础。
2.3 重复出现与样本组成变化
由于个体被放回，样本中出现重复项是正常现象。随着抽取次数增加，样本的组成会表现出一定波动：某些个体可能多次出现，而另一些个体可能一次也未被抽中。这种现象在离散总体中尤为明显。
3 数学性质
3.1 样本空间
有放回抽样的样本空间通常由所有可能的抽取序列构成。若每次抽取都可从固定数量的个体中选择，那么长度为 \(n\) 的抽样序列总数往往为总体容量的 \(n\) 次方，这反映了序列层面的组合增长。
3.2 事件概率计算
事件概率的计算通常依赖独立性与乘法法则。例如，某一特定个体连续被抽中若干次的概率，可以通过单次概率的连乘求得；若关注“至少出现一次”之类的事件，常会借助补事件来处理。
3.3 期望与方差
在有放回抽样中，若以某个统计量作为研究对象，其期望和方差通常较易计算。由于抽取之间不存在数量上的消耗效应，很多统计量的分布可以直接建立在独立重复试验框架之上。
3.4 重复样本的分布特征
重复出现会改变样本的频数结构，使样本中不同个体的出现次数呈现离散分布特征。对于计数型问题，常可用多项式结构或相关的离散分布来描述各类别出现的次数。
4 常见模型与方法
4.1 经典随机抽样模型
经典随机抽样模型通常将总体视为有限集合，每次随机选取一个元素并立即放回。该模型常被用于说明抽样序列、频数统计和概率事件的基本结构，是理解随机重复试验的重要起点。
4.2 超几何分布相关对比
超几何分布通常对应不放回抽样，因为抽取后总体组成会改变；与之相比，有放回抽样更接近独立试验，因此往往不会直接导出超几何形式。二者常被并列讨论，用于展示“是否放回”对分布结构的影响。
4.3 二项分布中的应用
当每次抽取只有两种结果，且各次独立、成功概率固定时，有放回抽样可以自然导向二项分布。此时，关注的是在固定次数内“成功”出现的次数，而不是具体抽到了哪些个体。
4.4 自助法（Bootstrap）
4.4.1 重采样思想
自助法是基于有放回抽样思想建立的重采样技术。它通常从原始样本中反复有放回地抽取与原样本容量相同的新样本，以模拟样本的再生成过程。
4.4.2 统计量估计
通过对大量重采样结果计算统计量，可以近似估计原统计量的抽样变动范围，例如均值、方差、中位数或回归系数等。该方法在样本分布不易直接推导时尤其有用。
4.4.3 置信区间构造
自助法常用于构造统计量的置信区间。通过观察重采样统计量的分布分位数，可以得到区间估计，从而为参数不确定性提供经验性刻画。
5 应用场景
5.1 社会科学研究
在社会科学研究中，有放回抽样可用于理论建模和方法演示，尤其适合说明重复观察、概率预测以及统计推断中的基本机制。它也便于比较理想模型与现实数据之间的差别。
5.2 调查与问卷模拟
在问卷调查或民意研究的模拟中，有放回抽样可用于生成假设样本，分析样本波动对结果的影响。通过这种方式，可以在不进行真实大规模调查的情况下测试分析思路。
5.3 计算机模拟实验
计算机模拟常利用有放回抽样来生成大量随机样本，以检验算法稳定性或估计统计量的分布性质。由于实现简单，这种方法在数值实验中应用广泛。
5.4 教学与概率演示
在教学场景中，有放回抽样常用于演示“独立”“重复”和“概率保持不变”等概念。借助球盒模型、卡片模型或程序模拟，学生能够更直观地理解概率规则。
6 优缺点
6.1 优势
6.1.1 模型简单
有放回抽样的规则明确，流程直观，适合初学者理解和应用。其基本机制不依赖复杂的样本更新过程，因此建模成本较低。
6.1.2 理论处理方便
由于独立性较强，许多概率与统计问题都可以用标准方法处理。公式推导往往比不放回情形更简洁，便于获得解析结果。
6.1.3 便于重复实验
在实验设计和模拟分析中，重复抽样容易实施，也便于比较多轮结果的稳定性。这使其成为数值实验和重采样方法的重要基础。
6.2 局限
6.2.1 可能出现重复个体
样本中重复项的存在可能降低信息多样性。若研究目标要求样本尽量覆盖总体中的不同单位，这一特征就会成为限制。
6.2.2 与真实抽样过程存在偏差
现实中的抽样并不总是允许“放回”，尤其是在一次性调查、有限资源采集或不允许重复访问的情境下。有放回模型虽然便于理论分析，但未必完全贴合实际。
6.2.3 对某些调查设计不适用
当研究需要保证每个对象只被调查一次时，有放回抽样就不合适。此时更常采用分层抽样、整群抽样或其他不放回方案。
7 实际操作
7.1 手工抽样流程
手工实施时，通常先给总体中的每个个体编号，再通过抽签、转盘、球盒或随机号表选取编号。每次选中后，将对应编号重新放回，继续下一轮抽取，直到达到预定次数。
7.2 计算机实现
7.2.1 随机数生成
计算机中有放回抽样通常依赖随机数生成器。系统先产生一定范围内的随机整数或随机浮点数，再将其映射到总体编号，从而完成抽取过程。
7.2.2 编程抽样函数
多数编程语言和统计软件都提供带放回抽样函数。用户只需指定总体、抽样次数以及是否放回，即可快速得到结果，适用于大规模模拟和批量计算。
7.3 抽样结果记录
记录抽样结果时，通常需要保存每次抽取的编号、顺序以及对应频数。若用于统计分析，还应注明抽样次数、总体范围和随机种子，以便复现结果。
8 相关概念
8.1 随机抽样
随机抽样是更广义的抽样原则，强调每个对象按照随机机制被选中的过程。有放回抽样是随机抽样的一种具体形式，但并非所有随机抽样都采用放回方式。
8.2 重采样
重采样指从已有数据中再次抽取样本的技术，常用于估计不确定性或验证统计方法。自助法是最典型的重采样方法之一，而有放回抽样正是其核心机制。
8.3 抽样分布
抽样分布是统计量在重复抽样下形成的概率分布。通过有放回抽样，可以更方便地研究统计量在多次重复实验中的变化规律。
8.4 样本独立性
样本独立性指各次观测之间互不影响。由于有放回抽样保留了总体结构，理论上更容易满足独立性假设，因此在概率模型和统计推断中常被优先采用。