Método de reamostragem: Jackknife

Este artigo carece de reciclagem de acordo com o livro de estilo. Sinta-se livre para editá-lo(a) para que este(a) possa atingir um nível de qualidade superior. (Julho de 2017)

Em Reamostragem, Jackknife é...

Reamostragem[editar | editar código-fonte]

O método de reamostragem, é um método não-paramétrico que auxilia na obtenção de valores no mínimo em escala intervalar. Com isso o intervalo de confiança pode diferir da distribuição normal.

Com esse novo pensamento foi criado uma nova abordagem sobre dados não paramétricos, uma nova alternativa para inferências paramétricas.

Importância da Computação[editar | editar código-fonte]

A reamostragem é responsável por calcular uma distribuição real de estatísticas estimadas, criando várias amostras da amostra original. A partir daí a computação passa a ser de extrema importância para a estatística pois é através dela que é estimado um valor estatístico para cada amostra. Logo que eles estejam todos calculados, pode-se realizar o teste de normalidade dos valores e até mesmo construir intervalos de confiança e realizar testes de hipóteses.

Criação[editar | editar código-fonte]

O JackKnife é um método de reamostragem não paramétrico e foi introduzido por Quenouille em 1949, retomado por Tukey em 1958, e continua sendo desenvolvido na ultima década.

Resumo do método[editar | editar código-fonte]

A cada execução do método um elemento será retirado e apenas os elementos restantes serão observados. Essa execução deverá ocorrer n vezes, n sendo o numero de elementos da população, uma vez para cada elemento. PASSOS:

• Retira-se uma amostra de tamanho ${\displaystyle n}$ da população de interesse:

${\displaystyle \mathbf {x} =(x_{1},\,x_{2},\,x_{3},\dots ,x_{n-1},x_{n})}$

• Define-se a estatística de interesse (o que você deseja analisar):

${\displaystyle {\hat {\theta }}=T(\mathbf {x} )}$ (pode ser a média, mediana, etc)

• Para cada ${\displaystyle 1\leq i\leq n}$, tome a amostra Jackknife ${\displaystyle \mathbf {x_{(i)}} }$ que é dada pela amostra sem a i-ésima observação, isto é

${\displaystyle \mathbf {x_{(i)}} =(x_{1},\,x_{2},\dots ,\,x_{i-1},\,x_{i+1},\dots ,\,x_{n-1},\,x_{n})}$

• Obtenha, para cada amostra Jackknife, a estimativa ${\displaystyle {\hat {\theta }}_{(i)}=T(\mathbf {x_{(i)}} )}$
• Estima-se o erro padrão da estatística do ${\displaystyle {\hat {\theta }}}$ passo através da expressão:
• ${\displaystyle S={\frac {n-1}{n}}\sum _{i=1}^{n}({\hat {\theta }}_{(i)}-{\hat {\theta }}_{(.)})^{2}}$, sendo ${\displaystyle {\hat {\theta }}_{(.)}={\frac {1}{n}}\sum _{i=1}^{n}{\hat {\theta }}_{(i)}.}$

Vantagem[editar | editar código-fonte]

• Apesar do método jackknife ter considerado inferior ao bootstrap [[1]] com base na eficiência do estimador de intervalos de confiança e cálculos de significâncias, ele continua como uma medida viável de observações importantes.

• Obs:

A amostra deve ser grande o bastante e obtida (a princípio aleatoriamente) de forma a ser representativa da população completa.

Conclusão[editar | editar código-fonte]

Independente do método adotado, a reamostragem é algo muito importante pra estatística, pois ela permite calcular uma distribuição empírica de centenas ou milhares de amostras. Apesar de já existirem outros métodos de reamostragem o Jackknife continua sendo usado mesmo depois de muitos anos, pois apresenta uma medida viável de observações influentes. O jackknife pode ser resumido como um método de obtenção do viés e da variância em amostras complexas.

Vale ressaltar, que o JackKnife é um método que força o pesquisador a usar de suas habilidades para que este consiga a obtenção de novos dados que poderão contribuir para sua pesquisa. A utilização do JackKnife também contribui de tal forma, que faz com que o pesquisador tenha maior domínio e conhecimento sobre os seus dados. Conhecendo muitas vezes a realidade que acontece na sua população

Referências[editar | editar código-fonte]

^[1]

^[2]

^[3]