Bootstrap de 1 amostra (Bootstrap 1-Sample)

O Bootstrap de 1 amostra estima a distribuição amostral de uma estatística a partir de milhares de reamostras de mesmo tamanho, sorteadas com reposição. Use-o quando os dados não forem normais, as amostras forem pequenas ou a estatística não tiver fórmula simples. Escolha a média, a mediana, a soma, a variância ou o desvio padrão, pelo menos 1,000 reamostras (idealmente 5,000 a 10,000) e o método de intervalo BCa, percentil ou basic. A saída traz a estatística e seu intervalo de confiança.

Última revisão

Conclusão principal

O Bootstrap de 1 amostra constrói um intervalo de confiança para uma estatística, como a média, a mediana ou o desvio padrão, reamostrando repetidamente os dados originais com reposição, sem supor uma distribuição dos dados.

Nesta página
  1. O que é o Bootstrap de 1 amostra?
  2. Quando usar o Bootstrap de 1 amostra?
  3. Diretrizes para o uso correto do Bootstrap de 1 amostra
  4. Alternativas: quando não usar o Bootstrap de 1 amostra
  5. Exemplo de Bootstrap de 1 amostra
  6. Como fazer o Bootstrap de 1 amostra

O que é o Bootstrap de 1 amostra?

O Bootstrap de 1 amostra é uma técnica de reamostragem que estima a distribuição amostral de uma estatística (como a média, a mediana ou o desvio padrão) sorteando repetidamente amostras aleatórias com reposição do conjunto de dados original. Cada conjunto reamostrado tem o mesmo tamanho do original, e a estatística de interesse é recalculada para cada reamostra, produzindo uma distribuição dessa estatística ao longo de milhares de iterações.

A principal vantagem do bootstrap é que ele não faz suposições sobre a distribuição subjacente dos dados. Isso o torna uma alternativa poderosa quando não é possível supor normalidade e os testes paramétricos não são apropriados.

Definição simples: Uma técnica que estima o quanto a estatística calculada (como uma média) é confiável, reamostrando os próprios dados milhares de vezes, sem exigir nenhuma suposição sobre a distribuição dos dados.

Quando usar o Bootstrap de 1 amostra?

  • Use quando os dados não atendem às premissas de normalidade e os intervalos de confiança paramétricos podem não ser válidos.
  • Use quando os tamanhos amostrais são pequenos e os métodos tradicionais baseados em aproximações normais não são confiáveis.
  • Use ao estimar intervalos de confiança para estatísticas que não têm uma fórmula analítica simples , como a mediana, a média aparada ou a razão entre duas grandezas.
  • Use para validar os resultados de testes paramétricos , comparando os intervalos de confiança do bootstrap com os intervalos calculados da forma tradicional.

Diretrizes para o uso correto do Bootstrap de 1 amostra

  • Use um número suficientemente grande de reamostras bootstrap : pelo menos 1,000 e, idealmente, de 5,000 a 10,000 iterações, para garantir que a distribuição bootstrap seja estável e confiável.
  • O bootstrap funciona melhor quando a amostra original é representativa da população : uma amostra viesada ou não representativa produzirá estimativas bootstrap viesadas.
  • Não use o bootstrap como substituto da coleta de dados adequados : ele não compensa um estudo mal planejado nem um tamanho amostral insuficiente.
  • Os resultados podem variar ligeiramente entre execuções devido à reamostragem aleatória : definir uma semente aleatória (random seed) garante a reprodutibilidade ao relatar os resultados.

Alternativas: quando não usar o Bootstrap de 1 amostra

  • Se os dados seguem uma distribuição normal e o tamanho amostral é adequado, use métodos paramétricos padrão, como o teste t de uma amostra , pois são mais eficientes.
  • Se você precisa comparar dois grupos, use o teste t de duas amostras ou o teste de Mann-Whitney
  • Se a preocupação principal for o ajuste de distribuições, e não a estimação de intervalos, use a Identificação de distribuição individual

Exemplo de Bootstrap de 1 amostra

Um químico de uma empresa farmacêutica quer determinar o tempo de reação de um antiácido recém-desenvolvido. O teste segue estas etapas:

  1. Reuniu os dados necessários.
Bootstrap 1-Sample — figure 1
  1.  Agora analise os dados no Zometric Statistical Software em https://statsai.zometric.com/.
  2.  Para encontrar o Bootstrap 1-Sample, escolha Statistical module> Hypothesis Test> Bootstrap 1-Sample.
  3.  Dentro da ferramenta, insere os dados junto com as demais entradas, da seguinte forma:
Bootstrap 1-Sample — figure 2

5. Depois de usar a ferramenta mencionada acima, obtém a saída, da seguinte forma:

Bootstrap 1-Sample — figure 3Bootstrap 1-Sample — figure 4Bootstrap 1-Sample — figure 5

Como fazer o Bootstrap de 1 amostra

O guia é o seguinte:

  1. Faça login no Zometric Statistical Software em https://statsai.zometric.com/
  2. Na página inicial, escolha Statistical Tool> Hypothesis Test >Bootstrap 1-Sample .
  3. Em seguida, atualize os dados manualmente ou copie todos os dados (Ctrl+C) de uma planilha do Excel e cole-os (Ctrl+V) aqui.
  4. Preencha as opções necessárias.
  5. Por fim, clique em calculate na parte inferior da página para obter os resultados desejados.

No painel (dashboard) do Bootstrap 1-Sample, a janela é dividida em duas partes.

Bootstrap 1-Sample — figure 6

Na parte esquerda fica o painel de dados (Data Pane). No Data Pane, cada linha forma um subgrupo. Os dados podem ser inseridos manualmente, ou você pode copiar todos os dados (Ctrl+C) de uma planilha do Excel e colá-los (Ctrl+V) aqui.

Load example: Os dados de exemplo serão carregados.

Load File: É usado para carregar diretamente os dados do Excel.

Na parte direita, há várias opções, descritas a seguir:

  • Sample: Selecione a coluna que contém os dados brutos que você quer analisar. Este é o conjunto de dados original do qual as reamostras bootstrap serão sorteadas repetidamente com reposição. A qualidade e a representatividade dessa coluna determinam diretamente a confiabilidade das estimativas bootstrap: uma amostra viesada ou não representativa produzirá resultados bootstrap viesados. Este campo é obrigatório.
  • Statistic: Selecione a medida estatística que você quer estimar e em torno da qual construir um intervalo de confiança. Há cinco opções disponíveis:
  • Mean — estima o valor médio da população e constrói um intervalo de confiança em torno dele. É a opção mais usada na análise geral de processos.
  • Median — estima o valor central da população. É mais apropriada que a média quando os dados são assimétricos ou contêm outliers, pois a mediana é menos sensível a valores extremos.
  • Sum — estima a soma total de todos os valores da população. É útil quando o total acumulado é a grandeza de interesse prático.
  • Variance — estima a dispersão da população, expressa como o desvio padrão elevado ao quadrado. É útil quando o objetivo principal é entender a variabilidade total.
  • Standard Deviation — estima a dispersão típica dos valores individuais em torno da média. É mais fácil de interpretar do que a variância, pois é expressa nas unidades de medida originais.
  • Number of Resamples: Insira o número de vezes que a ferramenta reamostrará aleatoriamente seus dados com reposição para construir a distribuição bootstrap. Este campo é obrigatório. Recomenda-se um mínimo de 1,000 reamostras para análises básicas, e 5,000 a 10,000 são preferíveis para estimativas de intervalo de confiança mais precisas e estáveis. Mais reamostras produzem resultados mais suaves e confiáveis, mas exigem um pouco mais de tempo de cálculo.
  • Confidence Level: Define o nível de certeza do intervalo de confiança bootstrap. O padrão usual é 95%, o que significa que você tem 95% de confiança de que a verdadeira estatística da população está dentro do intervalo calculado. Aumentá-lo para 99% produz um intervalo mais largo, com maior certeza; reduzi-lo para 90% produz um intervalo mais estreito, com menor certeza.
  • Type of Interval: Define a forma e a direção do intervalo de confiança. Há três opções disponíveis:
  • Two-Sided — produz um limite inferior e um superior, formando um intervalo completo em torno da estatística. Use quando houver interesse em saber o quanto o valor verdadeiro pode estar distante em qualquer direção; este é o padrão para a maioria das análises.
  • Lower Bound — produz apenas um limite inferior, testando se a estatística verdadeira está acima de um determinado valor. Use quando só importa um limiar mínimo, por exemplo, para confirmar que a média do processo é pelo menos um valor especificado.
  • Upper Bound — produz apenas um limite superior, testando se a estatística verdadeira está abaixo de um determinado valor. Use quando só importa um limiar máximo, por exemplo, para confirmar que a variabilidade não excede um nível aceitável.
  • Method: Define a abordagem matemática usada para calcular o intervalo de confiança bootstrap a partir da distribuição reamostrada. Há três opções disponíveis:
  • Bias-Corrected-Accelerated (BCa) — o método mais preciso e recomendado para a maioria das situações. Ele ajusta automaticamente tanto o viés (erro sistemático na estimativa bootstrap) quanto a assimetria da distribuição bootstrap, produzindo o intervalo de confiança mais confiável, especialmente quando a distribuição da estatística não é simétrica.
  • Percentile — usa diretamente os percentis da distribuição bootstrap para definir os limites do intervalo. É simples e intuitivo, mas não corrige viés nem assimetria; é adequado quando a distribuição bootstrap é aproximadamente simétrica e não viesada.
  • Basic — também chamado de método do percentil refletido, inverte os limites dos percentis para corrigir o viés de forma simples. É mais confiável do que o método do percentil simples quando a distribuição bootstrap apresenta assimetria leve.
  • Download as Excel: Exporta os resultados do bootstrap, incluindo a estatística observada e seu intervalo de confiança bootstrap, para um arquivo do Excel, para elaboração de relatórios, compartilhamento com colegas ou manutenção de um registro formal da análise.

Perguntas frequentes

O que é um bootstrap de uma amostra?

Um bootstrap de uma amostra estima a distribuição amostral de uma estatística, como a média, a mediana ou o desvio padrão, sorteando repetidamente amostras aleatórias com reposição dos dados originais. Cada reamostra tem o mesmo tamanho do original, e a estatística é recalculada para cada uma, gerando uma distribuição usada para construir um intervalo de confiança sem supor uma distribuição dos dados.

Quando usar o bootstrap em vez de um teste t?

Use o bootstrap quando os dados não atendem às premissas de normalidade, quando as amostras são pequenas e as aproximações normais não são confiáveis, ou quando você precisa de um intervalo para uma estatística sem fórmula simples, como a mediana. Se os dados seguem uma distribuição normal e o tamanho amostral é adequado, o teste t de uma amostra é mais eficiente.

Quantas reamostras bootstrap são necessárias?

Use pelo menos 1,000 reamostras para análises básicas e, idealmente, de 5,000 a 10,000 para intervalos de confiança estáveis e precisos. Mais reamostras dão resultados mais suaves, mas levam um pouco mais de tempo. Os resultados podem variar ligeiramente entre execuções por causa da reamostragem aleatória, de modo que definir uma semente aleatória torna os resultados relatados reproduzíveis.

Qual método de intervalo de confiança bootstrap escolher?

O Bias-Corrected-Accelerated (BCa) é recomendado para a maioria das situações porque ajusta o viés e a assimetria da distribuição bootstrap. O método Percentile usa diretamente os percentis da distribuição e serve para casos aproximadamente simétricos e não viesados. O método Basic, ou do percentil refletido, corrige o viés de forma simples e lida melhor com assimetria leve do que o método do percentil simples.