Estimación de incertidumbre y sesgo omitiendo una observación a la vez.El remuestreo jackknife es una técnica estadística para estimar el sesgo y la varianza de un estimador sin hacer suposiciones fuertes sobre la distribución subyacente. La idea es simple: recalcular repetidamente el estimador omitiendo una observación a la vez. Al comparar estas estimaciones 'dejando uno fuera' con la estimación completa, se puede cuantificar cuánto influye cada observación en el resultado y obtener una medida de incertidumbre.
El jackknife fue introducido por Maurice Quenouille en 1949 y desarrollado posteriormente por John Tukey en los años 50, quien le dio su nombre—una referencia a la herramienta multiusos, ya que el método es versátil y sencillo.
Dado un conjunto de datos con n observaciones, se calcula el estadístico de interés (por ejemplo, la media, la mediana o un coeficiente de regresión) n veces, omitiendo cada vez una observación distinta. Esto produce n estimaciones 'jackknife'. El promedio de estas estimaciones, comparado con la estimación basada en todos los datos, da una estimación del sesgo. La varianza de las estimaciones jackknife, escalada por (n−1)/n, proporciona una estimación del error estándar. El método es computacionalmente económico y funciona bien para estadísticos suaves, aunque puede ser menos fiable para aquellos que no lo son, como la mediana.
Se utiliza en ecología (estimación de índices de diversidad de especies), economía (estimación de coeficientes de regresión) y aprendizaje automático (evaluación de la estabilidad de modelos), especialmente cuando no se dispone de fórmulas analíticas para los errores estándar.
El jackknife es un caso especial del bootstrap, pero es determinista—a diferencia del bootstrap, que utiliza remuestreo aleatorio, el jackknife siempre da el mismo resultado para un conjunto de datos dado.








