bootstrapping on tehokas tilastollinen tekniikka. Se on erityisen hyödyllinen, kun näyte koko, jonka kanssa työskentelemme, on pieni. Tavanomaisissa olosuhteissa alle 40 näytteen kokoa ei voida käsitellä olettamalla, että a normaalijakauma tai a t jakelu. Bootstrap-tekniikat toimivat melko hyvin näytteissä, joissa on vähemmän kuin 40 elementtiä. Syynä tähän on, että käynnistyminen sisältää uudelleennäytteenoton. Tällaiset tekniikat eivät edellytä mitään jakelu tiedoistamme.
Bootstrapping on tullut suositummaksi, kun laskentaresurssit ovat helpommin saatavissa. Tämä johtuu siitä, että bootstrappingin käytännöllisyys on käytettävä tietokonetta. Näemme kuinka tämä toimii seuraavassa esimerkissä käynnistyksen estoon.
Aloitamme tilastollinen otos väestöstä, josta emme tiedä mitään. Tavoitteenamme on 90%: n luottamusväli näytteen keskiarvosta. Vaikka muutkin tilastolliset tekniikat määritettiin luottamusvälit Oletetaan, että tiedämme populaatiomme keskimääräisen tai keskihajonnan, käynnistyminen ei vaadi muuta kuin näytettä.
Esimerkissämme oletamme, että otos on 1, 2, 4, 4, 10.
Nyt jatkamme esimerkkiä korvaamisesta näytteestämme niin kutsuttujen bootstrap-näytteiden muodostamiseksi. Jokaisella bootstrap-näytteellä on viisi kokoa, kuten alkuperäisellä näytteellämme. Koska valitsemme satunnaisesti ja korvaamme sitten jokaisen arvon, käynnistysstunnat voivat poiketa alkuperäisestä näytteestä ja toisistaan.
Esimerkkeinä siitä, että törmäämme todelliseen maailmaan, teemme tämän uudelleennäytteenoton satoja, ellei tuhansia kertoja. Seuraavassa esitetään esimerkki 20 bootstrap-näytteestä:
Koska käytämme bootstrappingia luotettavuusvälin laskemiseksi populaation keskiarvolle, laskemme nyt kunkin bootstrap-näytteemme keskiarvot. Nämä nousevaan järjestykseen järjestetyt välineet ovat: 2, 2,4, 2,6, 2,6, 2,8, 3, 3, 3,2, 3,4, 3,6, 3,8, 4, 4, 4,2, 4,6, 5,2, 6, 6, 6,6, 7,6.
Nyt saamme bootstrap-näytteen luettelosta tarkoittaa luottamusväliä. Koska haluamme 90%: n luottamusvälin, käytämme 95. ja 5. prosenttipistettä aikavälien päätepisteinä. Syynä tähän on se, että jaamme 100% - 90% = 10% puoliksi, niin että meillä on keskimääräiset 90% kaikista bootstrap-näytevälineistä.