Contenido del curso
Hugo Montoya Diaz
Juan R. Vergara M.
Uriel Alfonso Velandia Donado
Carlos Mazzaroli
Rubén Cuello
Yonatan Efraín Jara Boza
Antonio Demarco Bonino
Jason Francisco Macas Mora
Jhon Freddy Tavera Blandon
Thomas Gonzalez Rodrigues
Javier Luis Ricaurte Peña
Federico Mario
Matías Collado
Juan Diego
William Camilo Correa Sandoval
Jeinfferson Bernal G
Marcela Villa Marulanda
Santiago Ahumada Lozano
Yonatan Efraín Jara Boza
Ricardo Gomez
Alfonso Andres Zapata Guzman
Gabriel Obregón
Bryan Castano
Eugenio Schiavoni
Jorge Ricardo Chambilla Araca
Buen aporte.
Gracias por compartir este recurso
Aca les dejo mi ejemplo de como hacer un Bootstrapping así que:
Vamos por partes como dijo Jack el Destripador.
Paso 1) Tener una muestra de datos
# población data = np.random.normal(loc=34, size=10000) # muestra sample = random.sample(data.tolist(),40)
Paso 2) hacer un dataset de remuestreo desde un dataset de muestra original
# remuestreo resample = np.random.choice(sample, size=len(sample))
Si quieres comprobar que los valores del remuestreo no son los mismos de la muestra podes probar estas líneas debajo
print('largo de la muestra:',len(sample)) print('largo del remuestreo:',len(resample)) print('valores únicos del remuestreo:',len(np.unique(resample))) print('comparar muestra con remuestreo:' ,sample == resample)
Paso 3) Calcular algo del remuestreo ( en este caso la media )
mean_resample = resample.mean()
Paso 4) Trackear los datos que calculamos
tracker = [] tracker.append(mean_resample)
Paso 5) Repetir varias veces el paso 2 al 4
sample = random.sample(data.tolist(),40) tracker = [] # repetimos 40 veces el paso 2 y 4 for i in range(40): # el largo del remuestreo debe ser igual que la muestra (se pueden repetir los datos) resample = np.random.choice(sample, size=len(sample)) # calculamos la media del remuestreo mean_resample = resample.mean() # guardamos la media que calculamos tracker.append(mean_resample)
Paso 6) Graficar
sns.histplot(tracker) plt.title(f'mean: {np.mean(tracker)}')
Reto completado!
Leyendo/viendo videos que comparte la comunidad para entender, la imagen que comparte Hugo Montoya (el aporte que esta en cabecera) representa mejor este tema. La explicación de la clase simplifica demasiado dejando pasar pasos importantes para entender el concepto.
Me refiero a: No se debió sacar las remuestras de una gran población cuando se habia explicado que es para conjuntos pequeños, y que no se considero una forma de resetear los datos de la muestra original (repacement).
Con random.sample no se puede hacer replacement, pero sí con numpy.random.choice.
Funciona de maravillas:
Es posible simplificar el código de los promedios:
promedio = [np.mean(random.sample(data.tolist(), 5)) for i in range(40) ]
En Python, se puede realizar bootstrapping utilizando la librería "numpy" y "random". A continuación te muestro un ejemplo de cómo se podría realizar bootstrapping para estimar la media de una muestra de datos:
import numpy as np import random # muestra de datos data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10] # número de iteraciones para el bootstrapping n_iter = 1000 # almacenar las medias de cada muestra generada means = [] for i in range(n_iter): # generar una nueva muestra con reemplazo sample = np.random.choice(data, size=len(data), replace=True) # calcular la media de la nueva muestra mean = np.mean(sample) # almacenar la media means.append(mean) # estimar la incertidumbre de la media original mean_original = np.mean(data) std_original = np.std(means) # imprimir resultados print("Media original: ", mean_original) print("Desviacion estandar de las medias de las muestras generadas: ", std_original)
Es importante mencionar que el número de iteraciones que se utilice para bootstrapping dependerá de los datos y del propósito del análisis. Generalmente, se sugiere utilizar al menos 1000 iteraciones para obtener una buena estimación de la incertidumbre.
reto y código
sample_list = [] samples = 40 sample_size = 5 for i in range(samples): sample = data.sample(sample_size) sample_list.append(sample.mean()) sns.histplot(data = sample_list);
Seguí este procedimiento para realizar una muestra de la muestra que hicimos en clase.
Primero la muestra que hizo la profe:
promedio = [] for i in range(100): muestra = random.sample(data.tolist(), 20) prom = np.mean(muestra) promedio.append(prom) np.mean(promedio)
Ahora realicé una segunda muestra basándome en la primera:
promedio2 = [] for i in range(20): muestra2 = random.sample(muestra, 5) prom2 = np.mean(muestra2) promedio2.append(prom2) np.mean(promedio2)
Es correcto este procedimiento que hice, o por el contrario me equivoqué al repetir el proceso? Agradezco el feedback.
Hola Javier! Hasta donde tengo yo entendido, el bootstrap se refiere mas a lo que hiciste vos que a lo que hizo la profesora, ya que vos hiciste un remuestreo de la muestra original que es en lo que se basa la idea del bootstrap y en cambio la profe solo saco 40 muestras de la población original y no de una muestra. Recomiendo muchisimo para complementar el curso la lectura del libro Practical Statistics for Data Scientists (si se lo busca se lo encuentra ;)) Saludos!!
Entonces la muestra limitada de la que dispondremos serán 10.000 datos?
¿Así?
Sip
Reto: Haciendo Bootstrapping para determinar la Desviación estandar de la muestra
Hay un error en la toma de las muestras. Según ChatGPT:
En el bootstrapping generalmente se toman muestras con reemplazo del mismo tamaño que la muestra original. Esto se debe a que el objetivo del bootstrapping es simular el proceso de muestreo repetido de la población original, permitiendo que los mismos elementos se seleccionen varias veces. Cuando tomas muestras del mismo tamaño que la muestra original y con reemplazo, estás imitando la variabilidad que se observa en los datos originales. Cada muestra bootstrap es una "fotocopia" de la muestra original, pero debido al reemplazo, puede contener duplicados y elementos que no estaban en la muestra original.
Tomando las muestras con la misma longitud de los datos y siguiendo muestreo con reemplazo
std = [] for i in range(1000): std_i = random.choices(data, k = len(data)) std.append(np.std(std_i)) np.mean(std)
0.993307735107782
Graficamos los resultados:
sns.histplot(std) plt.axvline(x = np.std(data), color='r', linestyle='--', label='Std data') plt.axvline(x = np.mean(std), color='b', linestyle='-.', label='Mean std bootstrapping') plt.legend();
print("Standard deviation data original: {}".format(np.std(data)), "\n", "Standard deviation with bootstrapping: {}".format(np.mean(std)))
Standard deviation data original: 0.993526117939529 Standard deviation with bootstrapping: 0.993307735107782
Gran aporte. Mucho mejor entendido que lo explicado por la profe 👍🏻
El ejemplo de la profesora es en realidad una demostración del Teorema del Límite Central: muestra que si se toman muchas muestras de una población, la distribución de las medias de esas muestras tenderá a ser normal y su promedio se acercará al promedio de la población.
Una pregunta. Yo estoy intentando cambiar el "Tomar 40 muestras de a 5" Por "tomar una muestra de 200 y tomar 40 muestras de a 5" Y la verdad obtengo resultados malos: 33.2, 33.6 pero nunca 33.9 o 34 ¿Es porque los remuestreos deben ser tomados sobre el conjunto completo? ¿O por lo que al hacer muestras sobre una muestra se repiten datos y eso provoca un sesgo? Aquí el código
def bootstrapp2(data, sample_size, sub_sample_size): sample_means = [] data_list = data.tolist() sample = random.sample(data_list, sample_size) for i in range(sample_size // sub_sample_size): sample = random.sample(sample, sub_sample_size) sample_mean = np.mean(sample) sample_means.append(sample_mean) return np.mean(sample_means) sample_size = 384 subsample_size = 3 # Must be a divisor of the sample size mean_bs = bootstrapp2(data, sample_size, subsample_size) print('The approximated mean via bootstrapping is: ', mean_bs)
Cuyo resultado en mi caso es The approximated mean via bootstrapping is: 33.24292454654546
Tus pasos son los correctos! Tu segunda pregunta revela el problema mas o menos: Estas remuestreando sin repetición cuando deberías hacerlo con repetición porque tu muestra es pequeña (40). Mira este video; https://youtu.be/Xz0x-8-cgaQ
O sea en vez de usar random.sample(...) debes usar numpy.random.choice(..., replace=True). Revisa la documentación de estos 2 métodos.
def generador_data(media, largo): data = np.random.normal(loc = media, size = largo) return data mi_data = generador_data(300, 100000) mi_data.mean()
def bootstrapping(data, iteraciones): promedio = [] for i in range(iteraciones): muestra = random.sample(data.tolist(), 5) prom = np.mean(muestra) promedio.append(prom) return f'El promedio de mi data usando el metodo bootstrapping es: {np.mean(promedio):.2f}' bootstrapping(mi_data, 350)
🧾Bootstrapping en Python
🔹 ¿Qué es?
📊 Técnica de remuestreo que:
🔹 Preparación del entorno
👉 Usa un notebook de Python (ej. Google Colab).
📦 Librerías necesarias:
import pandas as pd
import numpy as np
import random
🔹 Generación de datos
🎲 Crear una población simulada con media ~34:
data = np.random.normal(loc=34, size=10000)
✅ Validar media:
np.mean(data) # ~34
🔹 Pasos del Bootstrapping
1️⃣ Definir parámetros
📝 Número de muestras y tamaño de cada muestra:
numero_muestras = 40
tamaño_muestra = 5
promedios = []
2️⃣ Crear submuestras + promedio
🔄 Extraer submuestras y calcular su media:
for _ in range(numero_muestras):
muestra = np.random.choice(data, tamaño_muestra)
promedio_muestra = np.mean(muestra)
promedios.append(promedio_muestra)
3️⃣ Calcular promedio general
📈 Promedio de promedios = estimación poblacional:
promedio_final = np.mean(promedios)
print(promedio_final)
🔹 ¿Por qué es útil?
✨ Ventajas principales:
🔹 Recomendación práctica
🧪 Para experimentar:
💡 Tip extra: Añade gráficos (ej. histogramas) para visualizar distribuciones y entender mejor los resultados del bootstrapping.
Genial cuando Ella ha dicho - ' Es por esto que queremos hacer una Muestra de la Muestra, =' vayah Luego asi es como Yo he entendido finalmente boostraping.
Dejo un codigo de Bootstrapping para que puedan experimentar y ver las diferencias en el numero de muestras,.
import numpy as np import random data = np.random.normal(loc=34, size=10000) print("=====" * 30) print("Promedio de datos de poblacion" ) print(data.mean().round(4)) print("Mediana de datos de poblacion") print(np.median(data).round(4)) print("=====" * 30) def boot_straper(cant): boot_strap = np.array([]) for i in range(0, cant): boot_strap = np.append(boot_strap, data[random.randint(0, 9999)]) return boot_strap ###En esta linea de abajo donde esta el 100 representa el numero de muestras que quiero tomar, notese #que a medida que subo el numero se aproxima mas a los valores "reales" o de la poblacion. Lo que seria lo mismo #que crear muchos grupos. Con este simple algoritmo espero que les sirva para entender lo que no se entendio en clases! #tambien se comprueba el teorema del limite central repitiendo el experimento varias veces resultado = boot_straper(100000) print("=====" * 30) print("Promedio de datos de muestra realizada con boot_strap" ) print(resultado.mean().round(4)) print("Mediana de datos de muestra realizada con boot_strap" ) print(np.median(resultado).round(4)) print("=====" * 30) print("Diferencia entre el promedio y la mediana de la poblacion y de las muestras realizadas por boot_strap" ) print("Diferencia de promedio: ",abs(data.mean().round(4) - resultado.mean().round(4)).round(4), "es la diferencia entre el promedio real y el calculado con la muestra aleatoria" ) print("Diferencias de medianas: ", abs(np.median(data).round(4) - np.median(resultado).round(4)).round(4), " es la diferencia entre la mediana real y el calculado con la muestra aleatoria")
Reto cumplido
data1 = np.random.normal(loc=42, size = 110000) data1 data1.mean() promedio2 = [] for i in range(70): #generamos 70 muestras o grupos de la población total = 110000 muestra = random.sample(data1.tolist(),8) # generamos 70 muestras de 8 integrantes prom= np.mean(muestra) # de cada muestra generamos un promedio de edad promedio2.append(prom) # y agreagmos a la lista promedio2[], obtendremos un total de 70 promedios # de los 70 promedios, sacamos un promedio general, el resultado se aproxima a la etiqueta de edad promedio = 42, np.mean(promedio2)
