随机抽样是统计学中获取样本的重要方法，核心是通过 "随机性" 让样本尽可能代表总体。它的特点可以用 "公平、可靠、可推断" 来概括。
一、核心特点：每个个体被选中的概率相等（公平性）
本质 ：总体中每个个体都有 相同的机会 被选入样本，没有人为偏好或歧视。
- 比如：从 50 名学生中随机抽 10 人，每人被抽中的概率都是 10/50=20%，不会因为成绩好坏、座位位置被区别对待。
反例对比：如果老师刻意选 "坐在前排的 10 人"（非随机抽样），样本可能偏向 "认真学生"，无法代表全班整体水平。
二、随机性：排除人为干扰，结果由概率决定（无偏性）
操作 ：抽样过程依赖 随机机制（如抽签、随机数生成器），而非人为判断。
- 例子：调查 "市民对地铁票价的满意度"，用计算机从全市户籍系统中 随机生成 1000 个身份证号，对应选中 1000 人，避免调查员刻意选 "看起来好说话的人"。
作用 ：最大限度减少 系统偏差（如只选年轻人、只选某区域人群），让样本更 "纯净" 地反映总体。
三、代表性：样本特征接近总体特征（可靠性）
统计推断的基础 ：只有随机抽样，才能用概率论计算 抽样误差，进而进行置信区间估计、假设检验等。
- 例子：通过随机样本计算出 "80% 的市民支持某政策"，可以进一步算出 "这个结果有 95% 的概率在总体真实比例的 ±3% 范围内"（置信区间），而非随机抽样无法计算这种可靠性。
机器学习中的应用：训练模型时，随机划分训练集和测试集，能更准确评估模型对 "未知数据"（总体）的泛化能力。
五、灵活性：适用于多种场景（普适性）
简单随机抽样：直接随机选个体（如抽签）。
- 例子：从 1000 个零件中随机抽 10 个检查质量。
分层随机抽样：先分组（如按年龄分层），再从每组随机抽（提高层内代表性）。
- 例子：调查全国人口时，按省份分层，每个省份内随机抽样，避免人口多的省份被过度 / 不足代表。
系统随机抽样：按固定间隔抽样（如每 10 个选 1 个）。
- 例子：生产线上每小时随机选第 30 分钟的产品作为样本。
总结：
"用概率保证公平，用数学推导真相"------ 通过让每个个体被选中的机会相等，随机抽样最大限度减少人为干扰，让样本成为总体的 "微型镜子"，从而支持科学的统计推断。就像用计算器算平均数前要先 "清零"，随机抽样就是让样本 "清零" 人为偏差，回归数据本身的客观规律。