$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
El término "bootstrap" se originó en el siglo XIX como metáfora de la superación personal o de lograr algo de forma independiente, sin ayuda externa. Este concepto se extiende al bootstrapping estadístico, un método autónomo para estimar parámetros de población mediante remuestreo, aunque puede requerir un gran esfuerzo computacional. Desarrollado por el estadístico estadounidense Dr. Bradley Efron en 1979, el bootstrapping proporciona una forma sólida de realizar inferencias cuando el tamaño de la muestra original es pequeño o los datos son complejos.
El bootstrapping, también conocido como remuestreo bootstrap, simula el proceso de muestreo extrayendo múltiples muestras aleatorias, con reemplazo, de un conjunto de datos existente. Aquí, la muestra original actúa como una "población" sustituta y cada remuestreo se trata como una muestra independiente extraída de esta "población". La suposición subyacente es que la muestra original es una buena representación de la población más amplia. Este enfoque es especialmente valioso cuando los tamaños de muestra son limitados, como en los estudios con fósiles raros, muestras genómicas antiguas, tejidos de enfermedades raras, estudios de especies en peligro de extinción y experimentos únicos que no se pueden repetir fácilmente.
El proceso básico de bootstrapping incluye los siguientes pasos:
- Recolectar una muestra inicial de tamaño n de la población para estimar un parámetro de interés.
- Tratar esta muestra como una "población".
- Extraer varias muestras nuevas de tamaño n, con reemplazo de la muestra original utilizando un muestreo aleatorio.
- Utilizar estas "remuestras de bootstrap" para el análisis para estimar el parámetro deseado.
Dado que el remuestreo es con reemplazo, cada nueva muestra puede incluir valores repetidos de los datos originales, lo que refleja la aleatoriedad en el proceso de remuestreo. El bootstrapping generalmente requiere una gran cantidad de remuestreos (a menudo más de 1000) para lograr estimaciones estables, que luego se pueden utilizar para calcular estadísticas como la media, la varianza, el error estándar o los intervalos de confianza para los parámetros de la población.
El bootstrap es una técnica rentable y accesible que ofrece una manera sencilla de hacer inferencias sin necesidad de datos adicionales. Sin embargo, depende en gran medida de la muestra original, lo que significa que cualquier sesgo o error en los datos originales también estará presente en los resultados del bootstrap.
