$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
O termo "bootstrap" surgiu no século XIX como uma metáfora para o auto-aprimoramento, ou para alcançar algo de forma independente, sem assistência externa. Este conceito se estende ao bootstrapping estatístico, um método autocontido para estimar parâmetros populacionais por meio de reamostragem, embora possa ser computacionalmente intensivo. Desenvolvido pelo estatístico americano Dr. Bradley Efron em 1979, o bootstrapping fornece uma maneira robusta de realizar inferência quando o tamanho da amostra original é pequeno ou os dados são complexos.
O bootstrapping, também conhecido como reamostragem bootstrap, simula o processo de amostragem extraindo várias amostras aleatórias, com substituição, de um conjunto de dados existente. Nele, a amostra original atua como uma "população" substituta, e cada reamostragem é tratada como uma amostra independente extraída dessa "população". A suposição subjacente é que a amostra original é uma boa representação da população mais ampla. Essa abordagem é especialmente valiosa quando os tamanhos das amostras são limitados, como em estudos com fósseis raros, amostras genômicas antigas, tecidos biológicos de doenças raras, estudos de espécies ameaçadas e experimentos únicos que não podem ser facilmente repetidos.
O processo básico de bootstrapping inclui as seguintes etapas:
- Coletar uma amostra inicial de tamanho n da população para estimar um parâmetro de interesse.
- Tratar essa amostra como uma "população".
- Extrair várias novas amostras de tamanho n, com substituição, da amostra original usando amostragem aleatória.
- Usar essas "novas amostras de bootstrap" para análise e estimar o parâmetro desejado.
Como a reamostragem é com substituição, cada nova amostra pode incluir valores repetidos dos dados originais, refletindo a aleatoriedade no processo de reamostragem. O bootstrapping normalmente requer um alto número de reamostragens (geralmente mais de 1.000) para atingir estimativas estáveis, que podem então ser usadas para calcular estatísticas como média, variância, erro padrão ou intervalos de confiança para parâmetros populacionais.
O bootstrapping é econômico e acessível, oferecendo uma maneira direta de fazer inferências sem precisar de dados adicionais. No entanto, ele depende muito da amostra original, o que significa que quaisquer vieses ou erros nos dados originais também estarão presentes nos resultados de bootstrap.
