Bootstrap一词来源于西方神话故事“The adventures of Baron Munchausen”归结出的短语“to pull oneself up by one's bootstrap"，意味着不靠外界力量，依靠自身提升性能。 　　Bootstrap的基本思想是：因为观测样本包含了潜在样本的全部的信息，那么我们不妨就把这个样本看做“总体”。那么相关的统计工作（估计或者检验）的统计量的分布可以从“总体”中利用Monte Carlo模拟得到。其做法可以简单地概括为：既然样本是抽出来的，那我何不从样本中再抽样。

　　1、采用重抽样技术从原始样本中抽取一定数量（自己给定）的样本，此过程允许重复抽样。 　　2、根据抽出的样本计算给定的统计量T。 　　3、重复上述N次（一般大于1000），得到N个统计量T。其均值可以视作统计量T的估计。 　　4、计算上述N个统计量T的样本方差，得到统计量的方差。 　　上述的估计我们可以看成是Bootstrap的非参数估计形式，它基本的思想是用频率分布直方图来估计概率分布。当然Bootstrap也有参数形式，在已知分布下，我们可以先利用总体样本估计出对应参数，再利用估计出的分布做Monte Carlo模拟，得到统计量分布的推断。 　　值得一提的是，参数化的Bootstrap方法虽然不够稳健，但是对于不平滑的函数，参数方法往往要比非参数办法好，当然这是基于你对样本的分布有一个初步了解的基础上的。 　　例如：我们要考虑均匀分布\( U(\theta) \)的参数\( \theta \)的估计。我们采用似然估计。