Main Content

La traducción de esta página está obsoleta. Haga clic aquí para ver la última versión en inglés.

Técnicas de remuestreo

Vuelva a muestrear un conjunto de datos con bootstrap, jackknife y validación cruzada

Utilice técnicas de remuestreo para calcular estadísticas descriptivas e intervalos de confianza a partir de los datos de muestra cuando no se cumplan los supuestos de la prueba paramétrica, o en muestras pequeñas de distribuciones no normales. Los métodos bootstrap eligen muestras aleatorias con sustitución a partir de los datos de muestra para calcular los intervalos de confianza de los parámetros de interés. Jackknife recalcula sistemáticamente el parámetro de interés con un subconjunto de los datos de muestra, dejando una observación fuera del subconjunto cada vez (remuestreo dejando uno fuera). A partir de estos cálculos, se halla el parámetro de interés de toda la muestra de datos. Si dispone de una licencia de Parallel Computing Toolbox™, puede utilizar cálculos paralelos para acelerar los cálculos de remuestreo.

Funciones

bootciBootstrap confidence interval
bootstrpBootstrap sampling
crossvalEstimate loss using cross-validation
datasampleRandomly sample from data, with or without replacement
jackknifeJackknife sampling
randsampleRandom sample

Temas

Resampling Statistics

Use bootstrap and jackknife methods to measure the uncertainty in the estimated parameters and statistics.

Quick Start Parallel Computing for Statistics and Machine Learning Toolbox

Get started with parallel statistical computing.

Implement Jackknife Using Parallel Computing

Speed up the jackknife using parallel computing.

Implement Cross-Validation Using Parallel Computing

Speed up cross-validation using parallel computing.

Implement Bootstrap Using Parallel Computing

Speed up the bootstrap using parallel computing.