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 las estadísticas descriptivas y los intervalos de confianza de los datos de ejemplo cuando no se cumplen los supuestos de prueba paramétricos, o para muestras pequeñas de distribuciones no normales. los métodos Bootstrap eligen muestras aleatorias con el reemplazo de los datos de muestra para estimar intervalos de confianza para los parámetros de interés. Jackknife recalcula sistemáticamente el parámetro de interés utilizando un subconjunto de los datos de muestra, dejando una observación fuera del subconjunto cada vez (dejar-uno-hacia fuera remuestreo). A partir de estos cálculos, se estima el parámetro de interés para toda la muestra de datos. Si tiene una licencia Parallel Computing Toolbox™, puede usar comparaciones paralelas para acelerar los cálculos de remuestreo.

Funciones

bootciBootstrap confidence interval
bootstrpBootstrap sampling
combnkEnumeration of combinations
crossvalLoss estimate 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.