Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

Técnicas de remuestreo

Remuestrear el conjunto de datos mediante Bootstrap, Jackknife y validación cruzada

Utilice técnicas de remuestreo para estimar estadísticas descriptivas e intervalos de confianza a partir de datos de muestra cuando no se cumplen los supuestos de pruebas paramétricas, o para muestras pequeñas de distribuciones no normales. métodos eligen muestras aleatorias con sustitución de los datos de muestra para estimar los intervalos de confianza para los parámetros de interés. recalcula sistemáticamente el parámetro de interés utilizando un subconjunto de los datos de ejemplo, dejando una observación fuera del subconjunto cada vez (remuestreo).BootstrapJackknifeleave-one-out A partir de estos cálculos, se estima el parámetro de interés para la muestra de datos completa. Si tiene una licencia, puede utilizar la computación paralela para acelerar los cálculos de remuestreo.Parallel Computing Toolbox™

Funciones

bootciBootstrap intervalo de confianza
bootstrpBootstrap muestreo
combnkEnumeración de combinaciones
crossvalEstimación de pérdidas mediante validación cruzada
datasampleMuestrear aleatoriamente a partir de datos, con o sin reemplazo
jackknifeEl muestreo de Jackknife
randsampleMuestra aleatoria

Temas

Estadísticas de remuestreo

Utilice los métodos bootstrap y Jackknife para medir la incertidumbre en los parámetros y estadísticas estimados.

Computación paralela de inicio rápido paraStatistics and Machine Learning Toolbox

Empiece con la Computación estadística paralela.

Implemente Jackknife usando la computación paralela

Acelera el Jackknife usando computación paralela.

Implemente la validación cruzada mediante la computación paralela

Acelere la validación cruzada mediante la computación paralela.

Implemente bootstrap utilizando la computación paralela

Acelera el bootstrap usando computación paralela.