计算统计过程控制能力指标的置信区间。

从平均值1和标准偏差1生成30个随机数。

RNG（'默认'）重复性的％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));

使用2000 Bootstrap样本计算能力索引的95％置信区间。默认，bootci使用偏置校正和加速百分位方法来构建置信区间。

ci = bootci（2000，有能力，y）

ci =2×10.5937 0.9900

计算能力指数的学生化置信区间。

sci = bootci(2000年{能力,y},“类型”那'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引导置信区间。

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.。您可以通过使用使用的系数为所得模型的系数创造置信区间COEFCI.对象函数，虽然此函数不使用自举。

从非线性回归模型中生成数据 $$y={\mathrm{B.}}_1+{\mathrm{B.}}_2\cdot \mathrm{E.}X\mathrm{P.}（-{\mathrm{B.}}_{3.}X）+\mathrm{\epsilon .}$$,在那里 $${\mathrm{B.}}_1=1$$那 $${\mathrm{B.}}_2=3.$$， 和 $${\mathrm{B.}}_{3.}=2$$是系数;预测器变量X呈指数分布，均值为2;误差项 $$\mathrm{\epsilon .}$$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'）重复性的％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];Beta = @（预测器，响应）nlinfit（预测器，响应，modelfun，beta0）

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

计算非线性回归模型的系数的95％Bootstrap置信区间。从生成的数据创建引导样本X和y。

ci = bootci(1000年,β,x, y)

ci =2×30.9821 2.9552 2.0180 1.0410 3.1623 2.2695

前两种置信区间包括真正的系数值 $${\mathrm{B.}}_1=1$$和 $${\mathrm{B.}}_2=3.$$， 分别。但是，第三次置信区间不包括真正的系数值 $${\mathrm{B.}}_{3.}=2$$。

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

所有三个置信区间包括真正的系数值。

计算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残差并假设预测器变量是固定的。对于假设预测器变量的技术是随机的，并引导预测器和响应值，请参阅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.。您可以通过使用使用的系数为所得模型的系数创造置信区间COEFCI.对象函数，虽然此函数不使用自举。

加载样本数据。

加载hal

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”那'普通的'）

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

绘制估计的系数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'）重复性的％Y = EXPRND（5,100,1）;

从向量中绘制100引导样本y。对于每个引导样本，计算平均值和标准偏差。找到均值和标准偏差的95％引导置信区间。

[ci，bootstat] = bootci（100，@（x）[均值（x）std（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.包含引导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。

plot（bootstat（：，1），bootstat（:,2），'o'）Xline（CI（1,1），'：'）Xline（CI（2,1），'：'）Yline（CI（1,2），'：'）Yline（CI（2,2），'：'）xlabel（'吝啬的'）ylabel（'标准偏差'）