bootstrap重抽样

motivation

很多统计学的东西都是基于各种假设之下的，当我们不想对数据附加太强硬的情况下，仍然想知道这些数据的分布，此时便是这种方法的用武之地
（但个人还是不太懂这个动机，bootstrap难道没有假设吗，他的性质不需要假设就能证明吗？）

implement

个人目前了解到两种用法：
不过这只是两种用法，其内涵是一致的：

方法一：来自数据科学课堂

当我们已经具有一组从母体中抽取的n个样本时，对样本进行n次有放回的抽样，之后将所得的新样本求均值，所获得的均值视为一个从母体中重新抽取的样本；如此重复m次，则我们在没有重新抽取的情况下，获得了m个新样本

不过需要注意，我们是从样本中抽取的，本质上并没有获取任何新的信息
另外需要初始的真样本的数据足够好，不能太极端

（额但是，这种求均值的方法。。。根本取不到样本两侧的极端值啊。。不过老师也说过，这玩意儿作用有限，只是在样本数量不够的情况下用吧可能）

方法二：来自统计计算课件

这种方式是对于方法一的进阶：

当我们感兴趣的变量是由我们取得的这组样本计算而来的，比如均值？那这样其实可以看作我们只得到了一个样本而已，在没有任何假设的情况下，我们根本无法知道这个变量的分布
（也许我们