PROPIEDADES ESTIMADORES

INSESGADEZ: un estimador es insesgado o centrado cuando verifica que

E(
)=
. (Obsrvese que deberamos usar
(x) y no
,
pues hablamos de estimadores y no de estimaciones pero como no cabe la
confusin ,para simplificar , aqu , y en lo sucesivo usaremos

) . En caso

contrario se dice que el estimador es sesgado . Se llama sesgo a B(

- E(

)=

)
[se

designa con B de BIAS ,sesgo en ingls]

Como ejemplo podemos decir que : la media muestral es un estimador
insesgado de la media de la poblacin (y lo es sea cual fuere la distribucin de
la poblacin) ya que:
si el parmetro a estimar es

y establecemos como estimador de

tendremos que
luego la media muestral es un
estimador insegado de la media poblacional.
En cambio la varianza muestral es un estimador sesgado de la varianza de la
poblacin , ya que: si utilizamos como estimador de
es decir :

tendremos que
que es el parmetro a estimar .
existe pues un sesgo que ser

la varianza muestral

Dado que la varianza muestral no es un estimador de la varianza poblacional

con propiedades de insesgadez , conviene establecer uno que si las tenga ;
este estimador no es otro que la cuasivarianza muestral , de ah su
importancia ;as

la cuasivarianza es en funcin de la varianza

como estimador

y tomada

tendramos

que
dado que la esperanza del estimador coincide con el parmetro a estimar
podemos decir que la cuasivarianza muestral es un estimador insesgado de la
varianza de la poblacin.
No obstante , y dado que ,cuando el tamao de la muestra tiende a infinito el
sesgo tiende a cero, se dice que el estimador es asintticamente insesgado o
asintticamente centrado: podemos establecer que :

Por tanto la varianza

muestral es un estimador sesgado pero asintticamente insesgado de la
varianza de la poblacin.

CONSISTENCIA . Un estimador es consistente si converge en probabilidad al

parmetro a estimar . Esto es:

si
LINEALIDAD. Un estimador es lineal si se obtiene por combinacin lineal de
los elementos de la muestra ; as tendramos que un estimador lineal sera :

EFICIENCIA. Un estimador es eficiente u ptimo cuando posee varianza

mnima o bien en trminos relativos cuando presenta menor varianza que otro .
Quedando claro que el hecho puede plantearse tambin en trminos ms
coherentes de Error Cuadrtico Medio (ECM). Tendramos que :

ECM(

)=

por lo expresado podemos aventurar que un estimador insegado ,

luego
es el nico capaz de generar eficiencia.
SUFICIENCIA . Un estimador es suficiente cuando
no depende del parmetro a estimar
.
En trminos ms simples : cuando se aprovecha toda la informacin muestral

Caractersticas estimadores

1) Sesgo. Se dice que un estimador es insesgado si la Media de la

distribucin del estimador es igual al parmetro.
Estimadores insesgados son la Media muestral (estimador de la Media de la
poblacin) y la Varianza (estimador de la Varianza de la poblacin):

Ejemplo
En una poblacin de 500 puntuaciones cuya Media (m) es igual a 5.09 han
hecho un muestreo aleatorio (nmero de muestras= 10000, tamao de las
muestras= 100) y hallan que la Media de las Medias muestrales es igual

a 5.09, (la media poblacional y la media de las medias muestrales coinciden).

En cambio, la Mediana de la poblacin es igual a 5 y la Media de las Medianas
es igual a 5.1 esto es, hay diferencia ya que la Mediana es un estimador
sesgado.
La Varianza es un estimador sesgado. Ejemplo: La Media de las Varianzas
obtenidas con la Varianza

en un muestreo de 1000 muestras (n=25) en que la Varianza de la poblacin es

igual a 9.56ha resultado igual a 9.12, esto es, no coinciden. En cambio, al
utilizar la Cuasivarianza

la Media de las Varianzas muestrales es igual a 9.5, esto es, coincide con la
Varianza de la poblacin ya que la Cuasivarianza es un estimador insesgado.

2) Consistencia. Un estimador es consistente si aproxima el valor del

parmetro cuanto mayor es n (tamao de la muestra).
Algunos estimadores consistentes son:

Ejemplo
En una poblacin de 500 puntuaciones cuya Media (m) es igual a 4.9 han
hecho tres muestreos aleatorios (nmero de muestras= 100) con los siguientes
resultados:

vemos que el muestreo en que n=100 la Media de las Medias muestrales toma
el mismo valor que la Media de la poblacin.

3) Eficiencia. Diremos que un estimador es ms eficiente que otro si la

Varianza de la distribucin muestral del estimador es menor a la del otro
estimador. Cuanto menor es la eficiencia, menor es la confianza de que el
estadstico obtenido en la muestra aproxime al parmetro poblacional.
Ejemplo
La Varianza de la distribucin muestral de la Media en un muestreo aleatorio
(nmero de muestras: 1000, n=25) ha resultado igual a 0.4. La Varianza de la
distribucin de Medianas ha resultado, en el mismo muestreo, igual a 1.12,
(este resultado muestra que la Media es un estimador ms eficiente que la
Mediana).