Bootstrap方法是一种估计统计量的标准误差和置信区间的方法。
利用计算机手段进行重采样。一种基于数据的模拟（simulation）方法，用于统计推断。基本思想是：利用样本数据计算统计量和估计样本分布，而不对模型做任何假设（非参数bootstrap）

用随机模拟方法近似求出\(V_{\hat{F}_n}(T_n)\)，这里\(V_{\hat{F}_n}(T_n)\)是数据服从\(\hat{F}_n\)分布时\(T_n\)的方差。假设数据服从\(\hat{F}_n\)分布时，如何随机模拟\(T_n\)的分布？解决方法是，根据\(\hat{F}_n\)随机模拟\(X_1^*,\cdots,X_n^*\),然后计算\(T^*_n=g(X_1^*,\cdots,X_n^*)\),这等同于从\(T_n\)的分布中抽取。
Bootstrap方差估计
1.从\(\hat{F}_n分布中抽取X_1^*,\cdots,X_n^*\)
2.计算统计量\(T_n^*=g(X_1^*,\cdots,X_n^*)\)
3.重复1和2，B次。得到\(T_{n,1}^*,\cdots,T_{n,B}^*\)
4.令\(v_{boot}=\frac{1}{B}\sum_{b=1}^B(T_{n,b}^*-\frac{1}{B}\sum_{r=1}^BT_{n,r}^*)^2\)

Bootstrap置信区间
正态区间法
最简单的方法是正态置信区间\(T_n+z_{a/2}\hat{se}_{boot}\),其中\(\hat{se}_{boot}=\sqrt{v_{boot}}\)是\(Tn\)的标准差的Bootstrap估计。
matlab function
m=bootstrp(100, @mean,y)
%y是一个向量，bootstrp函数对y进行100次自身重采(例如y的长度为10，其中一次重采数据可能为y([1,2,1,3,3,2,5,9,4,6])，即相同索引可能出现的)并求相应均值保存在m