计算统计过程控制能力指标的置信区间。

从均值为1，标准差为1的正态分布中生成30个随机数。

RNG（“默认”）%的再现性y = normrnd(1, 1, 30岁,1);

指定工艺的规格下限和上限。定义能力索引。

LSL = 3;USL = 3;= @ (x)能力(USL-LSL)。/(6 *性病(x));

利用2000个自助样本计算能力指数的95%置信区间。默认情况下,bootci采用偏差修正加速百分位法构造置信区间。

ci = bootci（2000，有能力，y）

ci =2×10.5937 - 0.9900

计算能力指数的学习置信区间。

sci = bootci(2000年{能力,y},“类型”，“学生”）

sci =2×10.5193 0.9930.

计算非线性回归模型系数的引导置信间隔。在该示例中使用的技术涉及引导预测器和响应值，并假设预测器变量是随机的。对于假设预测器变量的技术是固定并引导残差的技术，请参阅线性回归模型系数的Bootstrap置信区间。

笔记：这个示例使用nlinfit（当您只需要非线性回归模型的系数估计或残差时，它很有用，并且您需要重复拟合模型多次，如在自动启动的情况下。如果您需要进一步调查拟合的回归模型，请通过使用创建非线性回归模型对象fitnlm。属性可以为结果模型的系数创建置信区间coefCI对象函数，尽管此函数不使用引导。

从非线性回归模型中生成数据 $$y＝b_1+b_2\cdot exp（-b_{3.}x）+ϵ$$,在那里 $$b_1＝1$$， $$b_2＝3.$$， 和 $$b_{3.}＝2$$是系数;预测器变量x呈指数分布，均值为2;误差项 $$ϵ$$通常以平均值0分布和标准偏差0.1。

modelfun = @（b，x）（b（1）+ b（2）* exp（-b（3）* x））;RNG（“默认”）%的再现性b = [1; 3; 2);x = exprnd (2100 1);Y = modelfun(b,x) + normrnd(0, 0.1100,1);

为使用中初始值的非线性回归模型创建函数句柄Beta0.。

beta0 = (2; 2; 2);β= @(预测、响应)nlinfit(预测、响应modelfun beta0)

β=function_handle具有值：@(预测、响应)nlinfit(预测、响应modelfun beta0)

计算非线性回归模型系数的95% bootstrap置信区间。根据生成的数据创建引导示例x和y。

ci = bootci(1000年,β,x, y)

ci =2×30.9821 2.9552 2.0180 1.0410 3.1623 2.2695

前两个置信区间包括真实的系数值 $$b_1＝1$$和 $$b_2＝3.$$,分别。然而，第三个置信区间不包括真正的系数值 $$b_{3.}＝2$$。

现在计算模型系数的99% bootstrap置信区间。

newci = bootci(1000年,{β,x, y},'Α', 0.01)

newci =2×30.9730 2.9112 1.9562 1.0469 3.1876 2.3133

所有三个置信区间都包含了真实的系数值。

计算bootstrap置信区间的系数的线性回归模型。本例中使用的技术涉及自举残差，并假设预测变量是固定的。对于假定预测变量是随机的并自举预测变量和响应值的技术，请参见非线性回归模型系数的引导置信区间。

笔记：这个示例使用回归，当您只需要一个回归模型的系数估计或残差，并且您需要重复拟合一个模型多次时，这是有用的，就像在bootstrapping的情况。如果需要进一步研究拟合的回归模型，可以使用fitlm。属性可以为结果模型的系数创建置信区间coefCI对象函数，尽管此函数不使用引导。

加载样本数据。

负载哈尔德

执行线性回归并计算残差。

x =[(大小(热)),成分);y =热量;b =回归(y、x);yfit = x * b;Resid = y - yfit;

计算线性回归模型系数的95% bootstrap置信区间。从残余物中创建bootstrap样本。通过指定，使用带有自举偏差和标准误差的正态逼近区间“类型”、“正常”。在这种情况下，不能使用默认置信区间类型。

ci = bootci（1000，{@（bootr）回归（yfit + bootr，x），star}，......“类型”，“正常”）

ci =2×5-47.7130 0.3916 -0.6298 -1.0697 -1.2604 172.4899 2.7202 1.6495 1.2778 0.9704

绘制估计系数b，省略截距术语，并显示显示系数置信区间的误差条。

斜坡= B（2：结束）';Dublubrlengths = Slopes-Ci（1,2：结束）;upperbarlengths = ci（2,2：end）-slopes;errorbar（1：4，斜坡，updarbarlengs，upperbarlengths）xlim（[0 5]）标题（系数的置信区间的）

只有第一个非截距系数与0有显著差异。

计算100个自助样本的平均值和标准偏差。找出每个统计量的95%置信区间。

从指数分布产生100个随机数，平均值5。

RNG（“默认”）%的再现性y = exprnd (5100 1);

从向量中抽取100个bootstrap样本y。对于每个自助样本，计算平均值和标准偏差。找到均值和标准差的95%引导置信区间。

(ci, bootstat) = bootci(100年,@ (x)(意思是(x)性病(x)), y);

ci (: 1)包含平均置信区间的下界和上界，以及C（:,2）包含标准偏差置信区间的下限和上限。每一排bootstat包含自助样本的平均值和标准偏差。

绘制每个自助样本的均值和标准差作为一个点。绘制均值置信区间的下界和上界为垂直线虚线，绘制标准差置信区间的下界和上界为水平线虚线。

情节(bootstat (: 1) bootstat (:, 2),“o”）Xline（CI（1,1），'：')参照线(ci (2, 1),'：'）Yline（CI（1,2），'：') yline (ci (2, 2),'：'）xlabel（“的意思是”）ylabel（'标准偏差'）