Saabumine on võimas statistiline tehnika. See on eriti kasulik, kui proov suurus, millega me töötame, on väike. Tavalistes olukordades ei saa alla 40 valimi suurust käsitleda eeldusel, et a normaalne jaotus või a t jaotus. Bootstrap-tehnikad toimivad üsna hästi proovidega, milles on vähem kui 40 elementi. Selle põhjuseks on see, et alglaadimine hõlmab uuesti valimist. Sellised tehnikad ei eelda midagi levitamine meie andmetest.
Bootstrapping on muutunud populaarsemaks, kuna arvutusressursid on muutunud hõlpsamini kättesaadavaks. Selle põhjuseks on asjaolu, et alglaadimise praktiline kasutamine peab olema arvuti. Näeme, kuidas see töötab järgmises näites alglaadimisest.
Me alustame sellest statistiline valim elanikkonnast, kellest me ei tea midagi. Meie eesmärk on 90% usaldusvahemik valimi keskmise suhtes. Kuigi muude statistiliste meetodite määramiseks kasutatakse usaldusvahemikud Oletame, et teame oma populatsiooni keskmist või standardhälvet, ei vaja alglaadimine muud kui valimit.
Meie näite puhul eeldame, et valim on 1, 2, 4, 4, 10.
Nüüd jätkame oma valimi asendamisega, et moodustada alglaadimise proovid. Igal alglaadimisproovil on suurus viis, täpselt nagu meie algsel proovil. Kuna me valime juhuslikult kõik väärtused ja asendame need, võivad alglaadimisproovid erineda algsest proovist ja üksteisest.
Näideteks, millesse satuksime pärismaailmas, teeksime seda uuesti sadat, kui mitte tuhandeid kordi. Järgnevas näeme 20 alglaadimisproovi näidet:
Kuna populatsiooni keskmise usaldusvahemiku arvutamiseks kasutame alglaadimist, arvutame nüüd iga meie alglaadimisproovi keskmised. Need kasvavas järjekorras paigutatud vahendid on: 2, 2,4, 2,6, 2,6, 2,8, 3, 3, 3,2, 3,4, 3,6, 3,8, 4, 4, 4,2, 4,6, 5,2, 6, 6, 6,6, 7,6.
Nüüd saame meie alglaadimiste loendi loendist usaldusvahemiku. Kuna soovime 90% usaldusvahemikku, kasutame intervallide lõpp-punktina 95. ja 5. protsentiili. Selle põhjuseks on see, et jagame 100% - 90% = 10% pooleks, nii et meil oleks keskmiselt 90% kõigist alglaadimisproovi vahenditest.