feat(stats): bootstrap_ci 落地（L0 10/12，S 档）+ 卡片；修掉 rng 绕过 get_rng 与 lambda 名字死分支

## 审查结论
算法移植是对的：大样本正态下百分位区间半宽与解析 `2 × 1.96 × se` 差 < 2%，
按块重采样（batch_size=1000）也照 docstring 的 Notes 做了。以下是要改的部分。

## Fixed
- `random_state=None` 时另开 `np.random.default_rng()`,**绕过了 `core.get_rng`** ——
  与决策 24 冲突：`set_seed` 对它无效，同一段脚本重跑区间就变。改成无条件 `get_rng(random_state)`（决策 46）。
- `metrics["statistic_name"]` 用 `hasattr(statistic, "__name__")` 判不出 lambda：
  lambda 的 `__name__` 恒为 `"<lambda>"`，于是 `else "custom"` 是**死代码**，
  实测自定义统计量拿到的是 `"<lambda>"`。改成 `getattr(f, "__name__", None)` + 判 `"<lambda>"`（易错点 17）。
- docstring 补齐 `Parameters` / `Returns` / `Raises`（§4.7），并如实写明 `method="bca"` **尚未实现**
  （此前 docstring 承诺支持、实现却抛 `NotImplementedError`）。
- ruff 两条：I001（导入块拆成三行且用了绝对导入）、F541（`f"暂不支持bca"` 无占位符）。

## Tests
- **摘掉 3 条 `skip`**：等 `bootstrap_ci` 的那 3 条一直挂着，实现写完照样全绿 —— 易错点 9 复发，
  已在 `personal-pitfalls.md` 把该条 `复发` 记到 1 并注明本次经过。
- 新增 6 条：`estimate` 等于原样本统计量、`confidence` 单调性、五种容器一致、
  自定义 lambda 走回退分支、**不给种子时跟随 `set_seed`**（钉住上面那个 rng 修复）、非法/未实现 method。
- 写测试时踩到一个真性质：极差的重采样值**永远 ≤ 原样本极差**，`high` 会正好等于 `estimate`，
  断言不能写 `estimate < high`。这条已写进卡片 §5。
- 全量 **177 条：143 passed / 34 skipped / 0 xfail**；ruff 0，pyright 0；`examples/01` 跑通。

## Docs
- `docs/algorithms/bootstrap_ci.md`：**第 2 张 S 档卡片**（模板九节 + §10 待拍板）。
  `docs/algorithms/README.md` 进度表打勾。
- `docs/dev/personal-pitfalls.md`：新增第 17 条（`hasattr(f, "__name__")` 挡不住 lambda，`else` 分支即死代码），
  索引补到 17；第 9 条记一次复发。
- `STATUS.md`：E 节记 `bootstrap_ci`（L0 10/12 → 剩余 `monte_carlo` `save_figure`），决策 46，
  「下一步」第 1 条改写、新增第 8 条列 5 个待拍板口径。

## 待用户拍板（Codex 一律未动，按决策 39）
- `x` 里的 NaN 静默传进统计量 → `nan` 区间（`confidence_interval` / `t_test` 都是先丢 NaN 的，口径不齐）
- `n_resamples <= 0` 现在抛 `IndexError: index -1 is out of bounds`（应在入口给可读 ValueError）
- `confidence` 越界交给 numpy 抛 `Percentiles must be in the range [0, 100]`
- `method="bca"`：补实现（≈25 行，S 档）还是从 docstring 删掉
- `bootstrap_statistic` 仍是 `NotImplementedError`，而 `bootstrap_ci` 把那段重采样循环内联了 ——
  建议抽出去让 `bootstrap_ci` 调它（易错点 16 的变体）

tests/test_stats.py

@@ -26,7 +26,6 @@ def _pearson_p_from_r(r: float, n: int) -> float:
     return float(2 * sps.t.sf(abs(t_stat), n - 2))
 
 
-@pytest.mark.skip(reason=_NOT_IMPLEMENTED)
 def test_bootstrap_ci_matches_normal_theory_on_large_n(rng):
     """大样本下 bootstrap 百分位区间应逼近正态解析区间（±10% 容差）。"""
     from mcm_toolkit.stats import bootstrap_ci
@@ -37,7 +36,6 @@ def test_bootstrap_ci_matches_normal_theory_on_large_n(rng):
     assert abs((r.params["high"] - r.params["low"]) - 2 * 1.96 * se) < 0.1 * 2 * 1.96 * se
 
 
-@pytest.mark.skip(reason=_NOT_IMPLEMENTED)
 def test_bootstrap_ci_works_for_arbitrary_statistic(rng):
     """bootstrap 的核心价值：任意统计量都能给区间（这里用中位数）。"""
     from mcm_toolkit.stats import bootstrap_ci
@@ -48,7 +46,6 @@ def test_bootstrap_ci_works_for_arbitrary_statistic(rng):
     assert r.params["low"] < np.median(x) < r.params["high"]
 
 
-@pytest.mark.skip(reason=_NOT_IMPLEMENTED)
 def test_bootstrap_ci_is_reproducible(rng):
     from mcm_toolkit.stats import bootstrap_ci
 
@@ -58,6 +55,82 @@ def test_bootstrap_ci_is_reproducible(rng):
     assert a.params["low"] == b.params["low"]
 
 
+def test_bootstrap_ci_reports_the_original_estimate(rng):
+    """`params["estimate"]` 必须是**原样本**上的统计量，不是重采样分布的均值。"""
+    from mcm_toolkit.stats import bootstrap_ci
+
+    x = rng.normal(10, 2, size=200)
+    r = bootstrap_ci(x, statistic=np.mean, n_resamples=500, random_state=0)
+
+    assert r.params["estimate"] == pytest.approx(float(np.mean(x)))
+    assert set(r.params) == {"estimate", "low", "high", "confidence", "n_resamples"}
+    assert r.params["n_resamples"] == 500
+    assert r.metrics["statistic_name"] == "mean"
+
+
+def test_bootstrap_ci_interval_widens_with_confidence(rng):
+    """置信水平越高区间必须越宽 —— 结构性检查，不依赖任何具体分布。"""
+    from mcm_toolkit.stats import bootstrap_ci
+
+    x = rng.normal(size=300)
+    width = [
+        bootstrap_ci(x, np.mean, confidence=c, n_resamples=2000, random_state=7).params["high"]
+        - bootstrap_ci(x, np.mean, confidence=c, n_resamples=2000, random_state=7).params["low"]
+        for c in (0.80, 0.95)
+    ]
+    assert width[0] < width[1]
+
+
+def test_bootstrap_ci_accepts_the_documented_containers(rng):
+    """DataFrame 只取数值列后摊平；Series / ndarray / list 都收。"""
+    from mcm_toolkit.stats import bootstrap_ci
+
+    x = rng.normal(size=200)
+    ref = bootstrap_ci(x, np.mean, n_resamples=500, random_state=0).params
+
+    for wrapped in (pd.Series(x), pd.DataFrame({"a": x}), list(x), tuple(x)):
+        got = bootstrap_ci(wrapped, np.mean, n_resamples=500, random_state=0).params
+        assert got["low"] == pytest.approx(ref["low"])
+
+
+def test_bootstrap_ci_works_for_a_custom_lambda(rng):
+    """不认识的统计量走逐样本回退分支（这里是极差）。"""
+    from mcm_toolkit.stats import bootstrap_ci
+
+    x = rng.normal(size=200)
+    r = bootstrap_ci(x, statistic=lambda s: float(s.max() - s.min()), n_resamples=500, random_state=0)
+
+    # 极差的重采样值**永远不会超过原样本极差**（原样本本身就是上界），
+    # 所以百分位区间的上界会正好落在 estimate 上，不能再断言 estimate < high。
+    assert r.params["estimate"] == pytest.approx(float(x.max() - x.min()))
+    assert r.params["low"] > 0
+    assert r.params["low"] < r.params["high"] <= r.params["estimate"]
+    assert r.metrics["statistic_name"] == "custom"
+
+
+def test_bootstrap_ci_follows_get_rng_when_no_seed_is_given(rng):
+    """不给种子时必须跟随 `get_rng` 的模块级生成器（决策 24），不能另开一个 default_rng。"""
+    from mcm_toolkit.core import set_seed
+    from mcm_toolkit.stats import bootstrap_ci
+
+    x = rng.normal(size=200)
+    set_seed(0)
+    first = bootstrap_ci(x, np.mean, n_resamples=300).params["low"]
+    set_seed(0)
+    second = bootstrap_ci(x, np.mean, n_resamples=300).params["low"]
+
+    assert first == second
+
+
+def test_bootstrap_ci_rejects_unknown_method(rng):
+    from mcm_toolkit.stats import bootstrap_ci
+
+    with pytest.raises(ValueError, match="bogus"):
+        bootstrap_ci(rng.normal(size=50), np.mean, method="bogus", n_resamples=10)
+    with pytest.raises(NotImplementedError):
+        bootstrap_ci(rng.normal(size=50), np.mean, method="bca", n_resamples=10)
+
+
 def test_confidence_interval_matches_scipy(rng):
     from scipy import stats