估计自动启动手段的内核密度。

从均值为5的指数分布中生成100个随机数。

RNG（'默认'）重复性的％Y = EXPRND（5,100,1）;

计算从向量中取出的100个自动样本的样本y．

m = bootstp（100，@均值，y）;

绘制一个bootstrapped均值的密度估计值。

[fi, xi] = ksdensity (m);情节(xi, fi)

计算和绘制100个引导样本的手段和标准偏差。

从均值为5的指数分布中生成100个随机数。

RNG（'默认'）重复性的％Y = EXPRND（5,100,1）;

计算100个引入的手段的样本和从向量中取出的随机样本的标准偏差y．

stats = bootstrp（100，@（x）[均值（x）std（x）]，y）;

绘制引导估计对。

情节（统计数据（：，1），统计数据（:,2），'o')包含('吝啬的') ylabel (“标准差”）

采取患者数据的引导样本，计算每个数据样本的平均测量，并可视化结果。

加载耐心数据集。创建一个矩阵患者包含年龄，重量和高度测量。每一排患者对应一个病人。

加载耐心患者= [年龄重量高];

从数据中创建200引导数据示例患者．要创建每个样本，随机选择用替换100行（即，尺寸(patientData, 1))患者．对于每个样品，计算平均年龄，重量和高度测量。每一排bootstat.包含一个引导样本的三个平均测量值。

RNG（'默认'）重复性的％bootstat = bootstrp（200，@均值，upartdata）;

可视化所有200引导数据样本的平均测量。注意，具有更大平均重量的引导样本往往具有更大的平均高度。

散射3（BootStat（：，1），BootStat（:,2），Bootstat（:,3））XLabel（'平均年龄') ylabel ('平均重量') zlabel (的平均身高）查看（[ -  75 10]）

使用示例数据的引导重采样计算相关系数标准错误。

加载lawdata其中包含了15名学生的LSAT成绩和法学院平均绩点。

加载lawdataRNG（'默认'）重复性的％尺寸（LSAT）

ans =.1×215日1

大小(gpa)

ans =.1×215日1

通过重新采样15个数据点来创建1000个数据样本，并计算每个数据样本的两个变量之间的相关性。

[bootstat，bootsam] = bootstp（1000，@ corr，lsat，gpa）;

显示前5个引导的相关系数。

bootstat（1：5，:)

ans =.5×10.9874 0.4918 0.5459 0.8458 0.8959

显示为前5个引导样本选择的数据的索引。

Bootsam（：，1：5）

ans =.15×513 3 11 8 12 14 7 1 7 4 2 14 5 10 8 14 12 1 11 11 10 15 2 12 14 2 13 5 15 5 1 11 11 9 9 13 5 10 3 15 15 15 3 3 15 11 1 2 4⋮

创建一个直方图，其显示所有引导样本的相关系数的变化。

直方图(bootstat)

样本最小值为正，说明LSAT分数和GPA之间的关系不是偶然的。

最后，计算估计相关系数的引导标准。

se = std（bootstat）

se = 0.1285

将引导样本与不同的观察权重进行比较。创建一个自定义函数，可计算每个样本的统计信息。

从数字1到6创建50个引导示例。要创建每个示例，Bootstrp.随机选择从数字1到6，六次替换。这个过程类似于六次滚动。对于每个样本，自定义函数Countfun.（在本示例的末尾显示）计算样本中的1S的数量。

RNG（'默认'）重复性的％counts = bootstp（50，@ countfun，（1：6）'）;

注意:如果使用此示例的实时脚本文件，则Countfun.函数已经包含在文件的末尾。否则，您需要在.m文件的末尾创建此函数，或将其作为MATLAB®路径上的文件添加。

从数字1到6创建50个引导示例，但为数字分配不同的权重。每一次Bootstrp.从数字1到6随机选择，选择1的可能性是0．5，选2的概率是0．1， 等等。再次，Countfun.计算每个样本中的1s的数量。

重量= [0.5 0.1 0.1 0.1 0.1 0.1]';proceedcounts = bootstp（50，@ countfun，（1：6）'，'重量'，重量）;

用直方图比较两组bootstrap样本。

直方图(计数)在直方图（掌权）传奇xlabel（“样本中的1s数量”) ylabel ('样本数量')举行从

两组自举样本具有不同的分布;特别地，第二组中的样品倾向于容纳更多1S。例如，在第一组中的50个样本中，只有两个样本包含超过两个1s。相比之下，在第二组中的50个样本（具有观察重量）， $$12+14.+4.+2=3.2$$样品包含两个以上的1s。

这段代码创建了函数Countfun.．

函数numperofones = countfun（样本）numperofones = sum（sample == 1）;结尾

通过自举残差估计线性回归中系数向量的标准误差。

注意:这个例子用途回归，当你只是需要一个回归模型的系数估计或残差，并且你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.．

加载样例数据。

加载hal

执行线性回归，并计算残差。

x = [尺寸（尺寸（加热）），成分];Y =热;b =回归（y，x）;Yfit = x * b;Resid = Y  -  Yfit;

通过引导残差来估计标准错误。

se = std（bootstrp（1000，@（bootr）回归（yfit + bootr，x），stare））

se =1×556.1752 0.5940 0.5815 0.5989 0.5691