Validez de la aproximacin

bootstrap
Resultado general (pero no muy til):
Segn Leyes de los grandes nmeros, Fn(x) tiende
(en diversos sentidos) hacia F(x). Extensible a
funciones suficientemente suaves
Validez: resultado sobre funcionales, funciones
globales de Fn (u otras estimaciones) y de F:
teoremas lmite sobre distancias entre
distribuciones
Ms inters prctico: comparacin entre
aproximacin bootstrap y otras, para n finito

Departament destadstica
 Caractersticas generales de
los ejemplos
Modelo probabilstico subyacente conocido
Normal m = 15, s = 3, o bien
Exponencial a = 1/m = 1/15
( distribucin muestral conocida)
Anlisis de nica muestra (pequea, n = 10),
generada segn uno u otro modelo.
caso normal: 15.54, 21.06, 16.52, 13.62, 16.14,
10.98, 13.53, 16.02, 16.79, 15.90
caso exponencial: 8.51, 8.71, 69.19, 10.05,
23.64, 8.67, 1.51, 20.36, 1.23, 5.27

Departament destadstica
 Caractersticas generales de
los ejemplos
estadsticos: media muestral y t
aproximaciones: normal, bootstrap no
paramtrico y bootstrap paramtrico
aproximaciones bootstrap: estima
kernel a partir de B = 1000 valores del
estadstico (media o t, segn el caso)
Cada uno de estos valores calculado
sobre una remuestra de tamao n = 10
Departament destadstica
 Media muestral, caso normal:
n = 10, m = 15, s = 3
Verdadera dist ribucin: X : N (15, 3/ 10 )
Aproximacin normal:
X N (x = 15.62, s / n = 2.63/ 10 )
Boot st rap: 1000 valores x * = X ( x * )
para remuest ras x * = (x 1*, K , x *n )
no paramt rico: cada x i* escogido con probabilidad
1/ n ent re los de la muest ra origin al
par amt rico: cada x i* generado segn N (15.62, 2.63 )
Departament destadstica
 Media muestral, caso normal:
Verdadera densidad, aprox normal,
dens.bootstrap.param$y
dens.bootstrap$y
dens.normAprox
dens.veritat

0.5
0.4
0.3
0.2
0.1
0.0
bootstrap no paramtrico y paramtrico

12 13 14
14 15
15 16
16 17
17 18
dens.bootstrap$x
rang.xBarra
dens.bootstrap.param$x

Departament destadstica