请完成以下步骤来解释单样本函数自举分析。 主要输出包括直方图、参数估计值和置信区间。
步骤 1：检查自举分布的形状
使用直方图可以检查自举分布的形状。自举分布是每个重新采样样本的所选统计量的分布。自举分布看上去应当为正态分布。如果自举分布不是正态分布，您将无法信任自举结果。
50 个重新采样的样本
1000 个重新采样的样本
通常，重新采样的样本越多，越便于确定自举分布。例如，在这些数据中，对于 50 个重新采样样本，分布看上去不明确。对于 1000 个重新采样样本，分布形状看上去接近正态。
在该直方图中，自举分布看上去不是正态分布。原始样本中仅有 16 个数据点。要获得可靠的置信区间，应当收集更大的样本并再次执行分析。
步骤 2：确定总体参数的置信区间
首先考虑自举样本中的统计量，然后检查置信区间。
自举样本的统计量是总体参数的估计值。由于统计量基于样本数据而不是整个总体，因此样本统计量不可能等于总体参数。使用置信区间可以更好地估计总体参数。
置信区间基于统计量的抽样分布。如果统计量不将偏倚作为参数的估计量，则它的抽样分布以参数的真实值为zhongx。自举分布接近接近统计量的抽样分布。因此自举分布的中间 95% 值为该参数提供 95% 置信区间。置信区间有助于估计总体参数估计值的实际显著性。使用您的专业知识可以确定置信区间是否包括对您的情形有实际显著性的值。
注意
当重新采样的样本数太小，以至于无法获取准确的置信区间时，Minitab 不计算置信区间。
观测到的样本
| 变量 | N | 均值 | 标准差 | 方差 | 和 | 最小值 | 中位数 | 最大值 |
|---|---|---|---|---|---|---|---|---|
| 时间 | 16 | 11.331 | 3.115 | 9.702 | 181.300 | 7.700 | 10.050 | 16.000 |
均值的 Bootstrap 样本
| 重新采样数 | 均值 | 标准差 | μ 的 95% 置信区间 |
|---|---|---|---|
| 1000 | 11.3095 | 0.7625 | (9.8562, 12.8562) |
主要结果：平均值、95% 置信区间
在这些结果中，总体均值的估计值大约为 11.3。总体均值大约介于 9.9 和 12.9 之间的可信度为 95%
