Contenido del curso
Qué es bootstrapping y cuándo usarlo
El bootstrapping es una técnica de remuestreo estadístico que te permite obtener conclusiones confiables cuando trabajas con poblaciones pequeñas o sesgadas. Aprenderás cuándo aplicarla, cómo funciona y por qué resulta útil para analistas de datos que necesitan reducir el sesgo en muestras limitadas.
Qué es el bootstrapping y por qué importa en el análisis de datos
Cuando trabajas con una población grande, sacar una muestra suele ser sencillo: la distribución tiende a ser heterogénea y representa edades, géneros y perfiles diversos. Pero cuando la población es pequeña, la historia cambia. Cualquier muestra que extraigas tiene altas probabilidades de quedar fijada en un rango de edad, un género o una afición específica, y eso introduce sesgo.
Ahí es donde entra el bootstrapping. Es una técnica que te protege contra ese tipo de distorsión cuando no cuentas con los recursos o el tamaño poblacional para hacer un muestreo tradicional.
¿Qué es el bootstrapping? Es una técnica de remuestreo en la que primero extraes una muestra aleatoria de la población y luego sacas múltiples muestras a partir de esa primera muestra. Sirve para reducir el sesgo en poblaciones pequeñas.
Cuándo deberías aplicar bootstrapping en tu análisis
No todas las situaciones lo requieren. El bootstrapping tiene sentido en escenarios muy concretos donde el muestreo clásico falla.
Imagina una empresa que opera en múltiples ciudades. En las ciudades grandes encuentras diversidad natural: distintas edades, géneros y comportamientos. En las ciudades pequeñas, la muestra que obtengas probablemente esté concentrada en un perfil muy específico, lo que sesga cualquier conclusión que quieras sacar sobre la población general.
Deberías considerar bootstrapping cuando:
Cómo funciona el remuestreo paso a paso
El proceso es más intuitivo de lo que parece. Cuando sacas una muestra a partir de una población grande y diversa, llegas directamente a una distribución normal no sesgada que representa bien al total. Ese es el escenario ideal.
En poblaciones pequeñas el camino es distinto. Primero extraes una muestra inicial de la población general. Luego, sobre esa muestra, haces varios remuestreos: uno, otro y otro. Por ejemplo, tres remuestreos a partir de la primera muestra. El resultado de combinar esos remuestreos también te lleva a una distribución normal, que es justo lo que necesitas para entender los patrones de la población general.
¿Por qué el bootstrapping funciona en poblaciones pequeñas? Porque al remuestrear varias veces sobre una muestra inicial, simulas la variabilidad que tendrías en una población más grande y obtienes una distribución normal que reduce el sesgo de la muestra original.
Qué conceptos clave aparecen en esta técnica
Para dominar bootstrapping conviene tener claros algunos términos que se entrelazan en el procedimiento.
El objetivo final siempre es el mismo: llegar a un resultado que te ayude a entender la población general y sus patrones, incluso cuando los datos disponibles son limitados.
En la siguiente clase verás cómo automatizar este procedimiento en Python para aplicarlo a tus propios proyectos. ¿Has trabajado antes con muestras pequeñas en tu análisis? Cuéntame en los comentarios cómo resolviste el sesgo.
Axel Yaguana
Team Platzi
Gerardo Mayel Fernández Alamilla
Estudiante
Jhon Freddy Tavera Blandon
Estudiante
Jhonatan Smith Garcia Muñoz
Estudiante
Leandro Tenjo
Estudiante
Marlon Marin
Estudiante
Felipe Sebastián Zepeda González
Estudiante
Diego Alejandro Hernandez Londono
Estudiante
Juan Diego
Estudiante
Gabriel Obregón
Estudiante
Mario Alexander Vargas Celis
Estudiante
Cesar David Villarraga Mendez
Estudiante¿Qué es y por qué usar bootstrapping?
Bootstrapping es un método de remuestreo con reemplazo.
¿Y qué es remuestreo con reemplazo?
Dado que partimos de una muestra, de esta muestra volvemos a obtener una muestra. O sea, una muestra de la muestra. Y decimos con reemplazo porque la muestra original, siempre mantiene todos sus elementos. Veamos un ejemplo:
muestra_original = [1, 2, 3, 4, 5] bootstrap_1 = [1, 5, 2, 5, 4] bootstrap_2 = [5, 2, 1, 4, 4]
A los bootstraps los podemos obtener n veces. Por eso es un método que viene a ser muy versátil si usamos computadoras (Python).
¿Por qué usar bootstrapping?
Porque es un método muy versátil y tenemos acceso al poder de cómputo necesario para hacerlo.
Como recordarás de clases anteriores de este curso, los métodos de t student y de Pearson asumen criterios de la población. Pero esto no siempre es así. No siempre podremos asumir ciertos parámetros y es aquí que bootstrapping se vuelve muy útil porque hace simulaciones de las muestras.
Además, hoy en día es muy accesible la capacidad de cómputo para hacerlo (a menos que sea big data). Bootstrapping es un método que se desarrolló en los 80s, cuando la computación era muy limitada.
Como recomendación, para hacer bootstrapping, asegúrate de tener al menos 25 registros y correr como mínimo 1000 simulaciones. 🚀
así es gracias, agregaría que es común realizar un estadístico sobre cada nuevo dataset bootstrap y almacenarlo en una estructura de datos una lista por ejemplo de tal manera que si creamos 1000 bootstrap datasets tendríamos 1000 calculos de la media, desviación estándar, etc
Bootstrapping
Bootstrapping es un método estadístico utilizado para estimar la incertidumbre de una medida estadística a partir de una muestra de datos. Es una técnica de muestreo no paramétrica que se utiliza para estimar la distribución de una medida estadística, como la media, la mediana o la desviación estándar, a partir de una muestra de datos.
El proceso de bootstrapping consiste en los siguientes pasos:
Se toma una muestra de datos de la población.
Se realiza un muestreo con reemplazo de los datos de la muestra. Esto significa que se seleccionan aleatoriamente valores de la muestra original con la posibilidad de seleccionar varias veces el mismo valor.
Se calcula la medida estadística de interés en la nueva muestra.
Se repiten los pasos 2 y 3 varias veces para obtener un gran número de medidas estadísticas.
Se analiza la distribución de las medidas estadísticas obtenidas para estimar la incertidumbre de la medida estadística original.
Bootstrapping es una técnica útil cuando los datos no siguen una distribución normal o cuando no se conoce la distribución de la población. Es utilizado para estimar la incertidumbre de una medida estadística, para comparar diferentes medidas estadísticas, para generar intervalos de confianza, entre otros.
Reafirmo mi posición. Que gonorrea de curso.
¿En el buen sentido o en el malo?
Es un curso muy básico y realmente mediocre porque da las ideas con someridad, no profundiza ni da fundamentos estadísticos precisos, además el código es de pura utilería.
Me acojo a las críticas sobre el nivel de profundidad al que llega esta clase. Además quisiera hacer notar un par de errores:
Bootstrapping no resuelve problemas de sesgo de una muestra de baja población: Eso se puede entender con un poco de lógica. Si hacemos extracciones aleatorias (con reemplazo o sin reemplazo) sobre una muestra original sesgada, lo que tendremos son nuevas poblaciones con una propagación del sesgo de la muestra original.
Bootstrapping (No paramétrico), entre otras cosas, nos ayuda a calcular de manera sencilla la desviación estandar de algún estadistico. Esto es particularmente útil cuando no conocemos la distribución del estadistico o cuando es muy dificil calcularla teóricamente.
Hubiese sido mejor una explicación más profunda.
La clave está en que el bootstrapping se realiza con reemplazo.
No es solo cambiar el orden de los datos; al extraer una muestra de tu muestra original, puedes seleccionar el mismo dato varias veces y dejar otros fuera.
Imagina que tienes una bolsa con los números {1, 2, 3}. Si sacas tres números uno a uno, devolviendo el número a la bolsa cada vez, podrías obtener {1, 1, 3} en una ocasión y {2, 3, 2} en otra. Como las combinaciones de números cambian en cada remuestreo, la media y la desviación estándar varían ligeramente entre cada iteración. Esto es precisamente lo que permite simular la variabilidad de la población original.
📌Bootstrapping
🔎 ¿Qué es?
✨ Técnica estadística para muestras pequeñas
✨ Reduce sesgos y mejora representatividad
✨ Ejemplo: analizar una ciudad pequeña con poca diversidad
⚙️ Cómo funciona
➡️ 1. Muestra inicial Selección de datos representativos de la población.
➡️ 2. Remuestreo Se generan muchas submuestras de la muestra original.
➡️ 3. Distribución final Las submuestras crean una distribución que refleja mejor a la población (muchas veces cercana a la normal).
🎯 Cuándo usarlo
💡 Por qué es efectivo
🌟 Genera varianza → simula la variabilidad de los datos.
🌟 Aporta confiabilidad → intervalos de confianza más realistas.
🌟 Fortalece conclusiones → permite aplicar resultados a escenarios reales.
🖥️ Bootstrapping en Python
📚 Próximas lecciones → aprenderás a automatizar el proceso.
🎯 Objetivo → usar Python para aplicar el método y enriquecer tu análisis estadístico.
🥾 Técnica de Bootstrapping para Muestras Pequeñas
Bootstrapping es una técnica estadística que permite estimar la distribución de una estadística (como la media, mediana, desviación, etc.) a partir de una muestra pequeña, usando reemuestreo aleatorio con reemplazo.
🔹 ¿Por qué usar Bootstrapping?
🔸 Ejemplo de Bootstrapping en Python
Supongamos que tenemos una muestra pequeña de ingresos:
import numpy as np import seaborn as sns import matplotlib.pyplot as plt
# Muestra pequeña muestra = np.array([23, 29, 20, 32, 25, 21, 19, 30])
# Bootstrapping: 1000 re-muestreos con reemplazo n_bootstraps = 1000 medias = []
for _ in range(n_bootstraps): bootstrap_sample = np.random.choice(muestra, size=len(muestra), replace=True) medias.append(np.mean(bootstrap_sample))
# Intervalo de confianza del 95% conf_int = np.percentile(medias, [2.5, 97.5]) print("IC 95% de la media:", conf_int)
🔸 Visualización del resultado:
sns.histplot(medias, kde=True) plt.axvline(conf_int[0], color='red', linestyle='--', label='Límite inferior') plt.axvline(conf_int[1], color='red', linestyle='--', label='Límite superior') plt.title('Distribución Bootstrap de la Media') plt.legend() plt.show()
✅ ¿Qué puedes estimar con bootstrapping?
Pésimo curso !
