boots_tutorial_2013.pdf
TRANSCRIPT
![Page 1: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/1.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 1/46
Fundamentos del Método Bootstrap
Ing° Jorge Paolini Ruiz
Grupo de Investigación en Simulación, Optimización y MuestreoUNEG
Universidad Nacional Experimental de GuayanaCoordinación General de Investigación y Postgrado
Ciudad Guayana, febrero 2013 Venezuela
![Page 2: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/2.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 2/46
AGENDA TUTORIAL BOOTSTRAP Clasificación de Problemas de Fisher.
Muestreo. Estadísticos. Teorema Central del Límite.
Distribuciones Muestrales y el Bootstrap. Muestras B . Algoritmo Bootstrap.
Determinación de la Distribución Gs.
Lema de Glivenko-Cantelli.
Métodos de Estimación B y Bt.
Programación Orientada a Objetos y Bootstrap.
Conclusiones.
BOOTSTRAP
![Page 3: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/3.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 3/46
FENÓMENOS ALEATORIOS
¿Qué es azar?Fenómeno Determinístico
El resultado está definido por las condiciones en las cualesse realiza el experimento.
Fenómeno AleatorioLas condiciones experimentales sólo determinan el
comportamiento de la distribución de probabilidades.
“... La idea de azar es la de suceso imprevisible”.
Barto loméJódar.
![Page 4: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/4.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 4/46
PROBLEMAS EN ESTADÍSTICA
Definición de Estadística
La principal tarea de la Estadística es la
reducción de datos sobre una población
infinita hipotética, en la que los datos
actuales se consideran una muestra.Ronald Fisher.
![Page 5: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/5.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 5/46
PROBLEMAS EN ESTADÍSTICA
Clasificación de Fisher
Fisher divide los problemas de estadística en tres
tipos:
1. Problemas de Especificación.
2. Problemas de Estimación.3. Problemas de Distribución.
![Page 6: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/6.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 6/46
El Problema de Especificación
Supóngase que tenemos una muestra aleatoria detamaño n. Existen un conjunto de pruebas (test o
dócimas) para determinar si el conjunto X1, X2, ..., Xn
puede ser ajustada mediante distribución particularF(x,q).
Prueba de Kolmogorov-Smirnov Pruebas de Promedios y Varianzas.
Pruebas de Homogeneidad v.g. Bartlett
![Page 7: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/7.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 7/46
El Problema de Estimación
Tenemos una muestra aleatoria de tamaño n. Existenuna gran cantidad de reglas para determinarestimaciones a partir de la información contenida enla muestra X
1
, X2
, ..., Xn .
Estimación Puntual.
Métodos Analíticos de Estimación.
Estimación por Intervalos. Estimaciones Bootstrap B, BC, Bz y Bt
Violaciones al supuesto de Normalidad en la Estimación
![Page 8: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/8.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 8/46
El Problema de Distribución
Se quiere determinar la Distribución Muestral de unEstadístico q( X1, X2, ..., Xn ) v.g. la Distribución del
Promedio o del Coeficiente de Variación k.¿ Cómo se distribuye la cantidad q(X) cuando la
variable X no es Normal ?.
Distribuciones Muestrales Distribuciones derivadas de la Normal
Distribuciones Bootstrap.
![Page 9: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/9.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 9/46
MUESTREO
Concepto
El proceso de obtener datos o resultados de varias
realizaciones de un experimento aleatorio es
llamado muestreo.
Muestreo Aleatorio:
Una muestra aleatoria proveniente de una variable
aleatoria X es un conjunto de variables aleatoriasX1, X2,..., Xn independientes e idénticamente
distribuidas, cada una con la distribución de X.
![Page 10: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/10.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 10/46
ESTADÍSTICO
Un estadístico q es una función de las
observaciones en un muestra, que no depende de
alguna característica poblacional desconocida.
Si x1, x2, ..., xn es una realización de una muestra X1,
X2, ..., Xn el estadístico q evaluado en X produce unatransformación del espacio de puntos X al espacio de
los valores de q
![Page 11: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/11.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 11/46
ESTADÍSTICO
Está transformación induce una función de
probabilidad en el espacio de q y por ello define
una variable aleatoria.
El estadístico q visto como una función de las
observaciones muestrales (que son variables
aleatorias) es también una variable aleatoria.
q( X1, X2, ..., Xn ) = q( X )
![Page 12: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/12.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 12/46
DISTRIBUCIÓN MUESTRAL
Si se realiza un número considerable de muestras X1,
X2, ..., Xn y se evalúa para cada una de ellas el
estadístico q, estos valores de q(X) variarán de muestra
en muestra.
La distribución de los valores de q(X) se denomina
DISTRIBUCIÓN MUESTRAL de q.
Está distribución es el modelo del patrón de variaciónde los valores q(X).
![Page 13: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/13.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 13/46
DISTRIBUCIÓN MUESTRAL
Caso Normal
Si es es la media de una muestra aleatoria
X1, X2, ..., Xn tomada de una población Normal conmedia y varianza 2, la distribución del
estadístico q (X) = (1/n) xi es Normal con media
y varianza 2
/n
X
![Page 14: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/14.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 14/46
El Teorema Central del Límite es usado para
una variedad de resultados acerca delcomportamiento de la suma de variablesaleatorias o elementos aleatorios que tomanvalores en diferentes espacios.
¿Qué es el Teorema Central delLímite ?
![Page 15: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/15.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 15/46
Si las variables X1, X2, ..., Xn constituyen unamuestra aleatoria de tamaño n de unadistribución con media y varianza finita 2
(
0 <
2
< ) entonces para cualquier número fijo x
Teorema Central del Límite
Lindeberg y Lévy
)()(
x x xn
P Lim n
n
)( xdonde es la distribución Normal Estándar.
![Page 16: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/16.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 16/46
La importancia del TCL es doble:
1. Nos explica porque algunas mediciones tienden aposeer -aproximadamente- una distribuciónNormal.
2. Muchos estadísticos que se usan para hacerinferencias acerca de parámetros de unapoblación, podemos esperar que se distribuyande acuerdo a una Normal.
Importancia del Teorema Central delLímite
![Page 17: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/17.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 17/46
Si se selecciona una muestra aleatoria grande decualquier distribución con media y varianza finita 2,independientemente de si la distribución es discreta o
continua, entonces la distribución límite de la variablealeatoria
Interpretación del TeoremaCentral del Límite
)( n xn
está distribuida aproximadamente según una NormalEstándar.
![Page 18: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/18.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 18/46
El Teorema Central del Límite permite tomarmuestras a partir de poblaciones con
distribuciones no normales y garantizar quese obtengan aproximadamente los mismosresultados que si la población tuviera unadistribución Normal, siempre que se tome una
muestra considerablemente grande.
¿Qué resultados se obtienenal utilizar el TCL ?
![Page 19: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/19.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 19/46
Caracterización de Poblaciones
Población k (C.V.) P(Normal) P(No Normal)Mecate de Asbesto 0.3819 0.3385 0.6615
Consumo Alquitrán 0.4797 0.1978 0.8022
Celdas en Operación 0.0740 0.0063 0.9337
Prueba Kolmogorov- Smirnov (1-a)=0,95.Número de muestreos 100.000.
![Page 20: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/20.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 20/46
El Supuesto de Normalidad
“Utilizando la teoría normal en casos en losque no está justificada la normalidad, se
llega a resultados poco fiables ...”
Es razonable construir un “cuerpo demétodos estadísticos que presupongan
poco acerca de la distribución de lapoblación muestreada”.
Susan Milton.
![Page 21: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/21.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 21/46
BOOTSTRAP
El Bootstrap es un método simple y directo para
calcular sesgo, desviaciones y otras cantidades de
manera aproximada.
Fue introducido por Bradley Efron (1979) y tiene
como objetivo la sustitución de suposiciones
teóricas y análisis estadístico por cálculos sobredatos provenientes de experimentos estadísticos.
![Page 22: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/22.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 22/46
BOOTSTRAP
Planteamiento del Problema:
Estamos interesados en una medida q = q(F),
donde la función F(.) es desconocida.
Tenemos una muestra X1, X2, ..., Xn de la función
de distribución F(.).
¿Cómo podemos estimar q(F)?
![Page 23: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/23.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 23/46
BOOTSTRAP
¿ Por qué el Bootstrap ?
El Bootstrap se considera como una alternativa
efectiva cuando se quiere determinar la distribución
muestral de un estadístico que proviene de una
muestra cuya distribución de probabilidades es
desconocida.
![Page 24: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/24.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 24/46
BOOTSTRAP
¿ Cómo funciona el Método ?
El Bootstrap reemplaza las técnicas analíticas
convencionales por análisis empírico basado encálculos intensivos sobre muestras generadas por
simulación (muestras B).
Para generar las muestras B se utiliza el método
de Monte Carlo.
![Page 25: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/25.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 25/46
BOOTSTRAP
Método de Monte Carlo
Un computador puede ser programado para generar
muestras haciendo extracciones independientes de unamuestra X proveniente de un experimento aleatorio.
Cada “muestra” producida será una muestra extraída de
la función F n , donde X ~ F . Fn es el estimador máximoverosímil no paramétrico de F.
![Page 26: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/26.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 26/46
BOOTSTRAP
Muestra B
Una muestra Bootstrap o muestra B
y* = (x1*, x2*, ..., xn*) es una muestra extraída con
reemplazo de
es la distribución empírica que asigna 1/n acada valor observado Xi de X.
X = (X1, X2, ..., Xn)
F ˆ
.ˆ F
![Page 27: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/27.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 27/46
1. Determinar . Asignando probabilidad 1/n a
cada Xi de X = { X1, X2, ..., Xn }.
2. Generar n nuevos datos y* con reemplazo de . A la
muestra y* = { x1*, x2*, ..., xn* } se le denomina muestra
B.
3. Calcular el estadístico q* en la muestra Bootstrap.
4. Repetir los pasos 2 y 3 B veces.
BOOTSTRAP
Algoritmo
F ˆ
F ˆ
![Page 28: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/28.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 28/46
BOOTSTRAP
Función de Distribución G(s)
La serie de valores generadadeterminan la distribución Bootstrap
El objeto del Método Bootstrap es hacer
inferencias con la Distribucion
).(ˆ sG
***
2
*
1 ...,,...,, Bb q q q q
).(ˆ sG
![Page 29: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/29.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 29/46
BOOTSTRAP
Función de Distribución G(s)
La función de Distribución Muestral para
(Distribución Bootstrap)
*
q
}{)()(ˆ s P d g sGb
s
q q q
}{ * s P b
q se obtiene empíricamente así:
B sb
/ }{ *
q
donde
![Page 30: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/30.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 30/46
Si el conjunto q1, q2, ..., qB esta constituido por Brealizaciones del estadístico q y G
B
(q) es laDistribución Muestral de q, GB(q) convergerá aG(q) uniformemente para todos los valores de q .Sea DB como se define a continuación
BOOTSTRAP
)()(sup q q q GG D B B
entonces 0
B B
D Lim
Lema de Glivenko-Cantelli
![Page 31: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/31.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 31/46
Distribución Bootstrap para el Promedio.Consumo Mensual Alquitrán (B=2500).
x g
G
18.09 0 0.0000
18.72 4 0.0016
19.35 7 0.0044
19.97 7 0.0072
20.60 35 0.0212
21.23 67 0.0480
21.86 118 0.0952
22.48 168 0.1624
23.11 269 0.2700
23.74 315 0.3960
24.37 328 0.5272
24.99 340 0.6632
25.62 282 0.7760
26.25 204 0.8576
26.88 143 0.914827.50 88 0.9500
28.13 56 0.9724
28.76 33 0.9856
29.39 23 0.9948
30.01 13 1.0000
30.64 0 1.0000
0
50
100
150
200
250
300
350
1 8 .
0 9
1 9 .
3 5
2 0 .
6 0
2 1 .
8 6
2 3 .
1 1
2 4 .
3 7
2 5 .
6 2
2 6 .
8 8
2 8 .
1 3
2 9 .
3 9
3 0 .
6 4
Consumo Promedio de Alquitran (TM)
0
500
1000
1500
2000
2500
![Page 32: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/32.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 32/46
INTERVALO CONFIDENCIAL
Definición
Es un mecanismo para determinar la estimación de
un parámetro utilizando la información contenida enla muestra.
Se obtienen dos números [a,b] que forman los
extremos del intervalo con una probabilidad (1-a) de
que el parámetro objetivo pertenezca al Intervalo.
![Page 33: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/33.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 33/46
INTERVALO CONFIDENCIAL
Bootstrap
Se pueden obtener al menos tres maneras de
obtener Intervalos Confidenciales (I.C.) a partir
del Bootstrap.
1. Intervalo Confidencia B
2. I.C. Bootstrap Corregido Bc.
3. I.C. Combinados Bz y Bt.
![Page 34: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/34.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 34/46
BOOTSTRAP
Intervalo Confidencial B
El intervalo aproximado del (1-a) 100% se
determina tomando
)]2
1(ˆ),2
(ˆ[ 11 a a q GG
Método de Percentil
Donde es la función de Distribución Muestral
para el estadístico q G
![Page 35: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/35.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 35/46
Intervalos Confidencial B.
B a b B L=b-a
250 20.72 28.39 24.60 7.67
500 20.91 28.47 24.60 7.56
1000 20.97 28.56 24.59 7.59
2000 21.11 28.54 24.58 7.43
5000 21.13 28.53 24.59 7.40
Consumo Promedio Alquitrán.(1-
)=0.95.
![Page 36: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/36.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 36/46
BOOTSTRAP
Intervalo Confidencial Bz
Un intervalo Bootstrap Combinado del (1-a) 100%se determina sustituyendo en la estructura de unintervalo Normal o estándar las estimaciones
generadas por el Bootstrap.
Un intervalo Bz es de la forma
][ *
.2/
*
q q a
z B donde
B
bb B
B 1
** 1q q 2
1
1
2***
])(1
1
B
b Bb
Bq q y
![Page 37: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/37.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 37/46
Intervalos Confidencial Bz.Consumo Promedio Alquitrán.
(1- ) = 0,95.
B a b B L=b-a
250 20.64 28.57 24.60 7.93
500 20.87 28.33 24.60 7.46
1000 20.88 28.30 24.59 7.42
1500 20.91 28.27 24.59 7.36
2000 20.93 28.24 24.58 7.312500 20.94 28.24 24.59 7.30
![Page 38: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/38.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 38/46
BOOTSTRAP
Intervalo Confidencial Bt
La estimación Combinada Bootstrap del (1-a) 100%para muestras pequeñas se determinasustituyendo en la estructura de un intervalo
t-Student los valores generados por el Bootstrap.Un intervalo Bt es de la forma:
][ *
.2/
* q q a t
B
21
1 1
2*****
])(1
1[
1
B
b
B
b Bbb B
B y
Bq q q q
![Page 39: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/39.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 39/46
Intervalos Combinado Bt.
B a b B L=b-a
100 0.99 2.08 1.54 1.09
250 0.98 2.14 1.56 1.16
500 0.99 2.09 1.54 1.10
1000 0.99 2.09 1.54 1.10
2500 0.99 2.08 1.54 1.09
Consumo Promedio Mecate Asbesto.(1-a) = 0,95.
![Page 40: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/40.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 40/46
Error Estándar B.
B B
50 1.53 0.2251
100 1.55 0.2306
500 1.55 0.2185
1000 1.54 0.2230
2500 1.54 0.2199
Consumo Promedio Mecate de Asbesto
ú
![Page 41: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/41.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 41/46
Número de Iteraciones paradeterminar Intervalos B.
n B=200*Log( nn )
5 700
6 900
7 1200
8 1400
9 1700
10 2000
11 2300
12 2600
13 2900
14 3200
15 3500
B= 200*Log( nn )
100
1000
10000
n 5 6 7 8 9 10 11 12 13 14
Tamaño de la Muestra
T a m a ñ o d e l M u e s t r e
o B
![Page 42: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/42.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 42/46
PROGRAMACIÓN ORIENTADA A OBJETOS
Definición
Es un modelo conceptual utilizado en el desarrollode programas.
La programación orientada a objetos permite
diseñar modelos de sistemas utilizando un diseño yuna metodología consistentes.
![Page 43: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/43.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 43/46
BOOTSTRAPProgramación Orientada a Objetos
La Programación Orientada a Objetos se considera
como la alternativa metodológica para la
implantación computacional del Bootstrap.
Un Objeto natural que resulta del Método Bootstrap
es la función de Distribución Muestral ).(ˆ sG
Ó
![Page 44: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/44.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 44/46
BOOTSTRAP y PROGRAMACIÓN
Método Procedimiento
GnB.Intervalo_Confidencial (muestra,a,b,a);
Método Función
a := GnB.Intervalo_Confidencial (muestra1,a/2)
b := GnB.Intervalo_Confidencial(muestra1,1-a/2)
![Page 45: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/45.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 45/46
CONCLUSIONES
Resulta ventajoso el uso del Método Bootstrap
cuando:
1. Se desconoce la distribución de los datos.
2. La distribución es Asimétrica.
3. El supuesto de Normalidad no se satisface.
![Page 46: BOOTS_Tutorial_2013.pdf](https://reader030.vdocuments.mx/reader030/viewer/2022021118/563db988550346aa9a9e3cce/html5/thumbnails/46.jpg)
7/23/2019 BOOTS_Tutorial_2013.pdf
http://slidepdf.com/reader/full/bootstutorial2013pdf 46/46
CONCLUSIONES
El Método Bootstrap se considera un paradigma
en la Computación Estadística.
El Bootstrap permite mostrar paso a paso la
construcción de una Distribución Muestral y el
efecto de numero de muestreos B sobre las
estimaciones.