Bootstrap

Este proceso también es conocido en el argot estadístico como bootstrapping y es fruto dentro de los estudios en el campo del muestreo estadístico por el matemático Bradley Efron a finales de los años 70.

La principal utilidad del empleo del bootstrap es reducir el sesgo dentro de análisis o, en otras palabras, aproximar la varianza gracias a la realización de remuestreos aleatorios de la muestra inicial y no de la población. De este modo, se hace más sencillo la construcción de modelos estadísticos mediante la creación de intervalos de confianza y contrastes de hipótesis.

Aunque pueda parecer una práctica muy compleja a priori, el procedimiento en que se basa el bootstrapping es simplemente la creación de un gran número de muestras reposicionando los datos tomando como referencia una muestra poblacional inicial.

Dicha técnica resulta especialmente útil en aquellas situaciones en las que las muestras con las que se cuenta son pequeñas o, como se dijo antes, si la distribución es muy sesgada. En ese sentido, ayudan a la resolución de multitud de problemas de probabilidad y estadística aplicada.

Una de las principales características de esta práctica es que supone un remuestreo posterior para poder obtener expresiones cerradas y solucionar la complejidad matemática de estas operaciones. Con el desarrollo de los ordenadores y herramientas tecnológicas en los últimos años, se ha hecho más fácil poder contar con el uso del bootstrapping para remuestreos complejos.

La técnica del remuestreo permite ir más allá a la hora de estudiar muestras de datos de una determinada población. En otras palabras, permite hacer o crear nuevos supuestos sustituyendo valores adicionales de la muestra.

Un aspecto considerado positivo del remuestreo mediante bootstrap es que ha simplificado los métodos estadísticos, en el sentido de que ha sustituido la construcción de modelos matemáticos clásicos y de gran complejidad por el cálculo mediante software específicos, lo que ha mejorado su aplicabilidad o acceso a otros campos o estudios.

Siguiendo esa línea, se considera habitualmente que este mecanismo es mucho más abierto o accesible en comparación con los modelos y supuestos clásicos, lo que le convierte en una herramienta útil para gran número de problemas matemáticos.