Bootstrap方法根據給定的原始樣本複製觀測資訊對總體的分佈特性進行統計推斷，不需要額外的資訊。
Efron（1979）認為方法也屬於非參數統計方法。 （推薦學習：Bootstrap影片教學）
Bootstrap方法從觀察資料出發，不需任何分佈假定，針對統計學中的參數估計及假設檢定問題，利用Bootstrap方法產生的自舉樣本計算的某統計量的資料集可以用來反映該統計量的抽樣分佈，即產生經驗分佈，這樣，即使我們對總體分佈不確定，也可以近似估計出該統計量及其置信區間，由此分佈可得到不同信賴水準對應的分位數－即為通常所謂的臨界值，可進一步用於假設測驗。
因而，Bootstrap方法能夠解決許多傳統統計分析方法無法解決的問題。
在Bootstrap的實作過程中，電腦的地位不容忽視(Diaconis et al.,1983)，因為Bootstrap涉及到大量的模擬計算。
可以說如果沒有計算機，Bootstrap理論只可能是一紙空談。隨著計算機的快速發展，計算速度的提高，計算費時大大降低。
在資料的分佈假設太牽強或解析式太難推導時，Bootstrap為我們提供了解決問題的另一個有效的思路。 因此，此方法在生物科學研究中有一定的利用價值和實際意義。
應用bootstrap的原因：
其實，在進行分析的時候，首先要做的就是，判斷隨機變數的型別，然後就是判斷隨機變數的資料服從什麼分佈。
什麼分佈至關重要，因為它直接決定能不能分析。舉例：如果進行變異數分析，首先就要求常態分佈，如果不是常態分佈，就要有補救措施，這個補救措施就是bootstrap。
bootstrap還有一個用處，因為經典統計對集中趨勢比較完善，但是對其他一些分佈參數，例如中位數，四分位數，標準差，變異係數等的區間估計不完善，所以就需要bootstrap,這種方法。
bootstrap和經典統計方法類似，一般情況參數法效率高於非參數法，但是，參數法最大的弊端就是需要事先有一個分佈模型，如果模型不符合，分析結果可能錯誤，也就是白分析。
更多Bootstrap相關技術文章，請造訪Bootstrap教學欄位進行學習！
以上是統計學bootstrap用來解決什麼問題的詳細內容。更多資訊請關注PHP中文網其他相關文章！
