我也试过这个：
plot(x(bootsam(:,100)),y(bootsam(:,100)), 'r*')但这与我的数据完全相同！我想以 95% 的置信区间重新采样我的数据。但似乎这个命令 bootstrp 不能单独工作，它需要一些功能或其他命令组合。你能帮我弄清楚吗？
我想随机生成一些数据，但在原始数据周围表现得像我的函数，我附上了一个图，其中原始数据为红色，重新采样的数据为蓝色和绿色。
一般来说，我想使用引导程序来查找我最适合的参数的错误。我在这本书中读到：http: //books.google.de/books ?id=ekyupqnDFzMC&lpg=PA131&vq=bootstrap&hl=de&pg=PA130#v=onepage&q&f=false 其他错误分析方法我的拟合参数表示赞赏。
我建议您以这种方式开始，然后根据您的情况进行调整。
% One step at a time.
% Step 1: Suppose you generate a simple linear deterministic trend with
% noise from the standardized Gaussian distribution:
N = 1000; % number of points
x = [(1:N)', ones(N, 1)]; % x values
b = [0.15, 157]'; % parameters
y = x * b + 10 * randn(N, 1); % linear trend with noise
% Step 2: Suppose you want to fit y with a linear equation:
[b_hat, bint1] = regress(y, x); % estimate parameters with linear regression
y_fit = x * b_hat; % calculate fitted values
resid = y - y_fit; % calculate residuals
plot(x(:, 1), y, '.') % plot
hold on
plot(x(:, 1), y_fit, 'r', 'LineWidth', 5) % fitted values
% Step 3: use bootstrap approach to estimate the confidence interval of
% regression parameters
N_boot = 10000; % size of bootstrap
b_boot = bootstrp(N_boot, @(bootr)regress(y_fit + bootr, x), resid); % bootstrap
bint2 = prctile(b_boot, [2.5, 97.5])'; % percentiles 2.5 and 97.5, a 95% confidence interval
% The confidence intervals obtained with regress and bootstrp are
% practically identical:
bint1
bint2