Para hablar de un buen estimador se definirá que las cualidades que este debe tener son:

a.- Ser insesgado.

b.- Ser consistente.
c.- Ser eficiente.

INSESGADO.
Se dice que un estimador es insesgado del parámetro si se cumple que:
E( ) =  , La esperanza del estimador es igual al parámetro.
Si el estimador no es insesgado, o sea E ()   se dice, que es sesgado, y se llamará sesgo
a la cantidad en que difiere el estimador del parámetro.
Sesgo = E( ) - 

CONSISTENTE.

Se dice que un estimador es consistente si al hacer "n" cada vez más grande de manera que
n  N, el estimador tiende a estar más cerca del parámetro. En términos rigurosos debe
decirse:
lim P (| ˆ   |   ) = 1 para todos los valores de y  
n
Este límite, constituye lo que se denomina convergencia en probabilidad. Es decir, si un
estimador es consistente, converge en probabilidad al valor del parámetro que está
intentando estimar, conforme el tamaño de la muestra crece, implica que la varianza
de un estimador consistente disminuyen a medida que “n” crece y la media del
estimador tiende hacia donde “n” crece. La x y s2 son estimadores consistente.

EFICIENTE.
Se llama así a aquel estimador insesgado de cita que en comparación con otros estimadores
insesgados de cita tiene la menor varianza, o sea, es el estimador insesgado de menor
varianza entre los estimadores insesgados del parámetro cita.

Se dice que un estimador es eficiente si su error cuadrático medio es menor que él de

cualquier otro estimador, con el que se le compara:
ECM ( )  V ( )  ( E ( )   ) 2 , Esta última expresión se conoce como sesgo al cuadrado.
Así el procedimiento tiene que ser calcular el ECM para todos los estimadores que se
propongan, y de la comparación elegir cuál es el más eficiente. Si los estimadores que se
comparan son todos insesgados, entonces el error cuadrático medio de sita será:
ECM ( )  V ( ) y el eficiente será  él de menor varianza.

Se utilizan como estimadores de,  ,  2 , y P a X, S 2 , p por ser los mejores estimadores.

Recuerde que en el caso de S2, se considera insesgado cuando está  dividido por (n-1).

DISTRIBUCION MUESTRAL DE X PARA 2 CONOCIDA y 2 DESCONOCIDA

Estimador E ( ) V ( ) f ( )

X  2/n si X  N( )  X    n 

- si X  ?(  ) y n    X  N(  n )

- si X  N( ?) y n  30 entonces:

( X - )/ s/ n  t(t - 1)
- si X ?( ?) y n  30 
X  N( , s/ n )

DISTRIBUCION MUESTRAL DE PROPORCIONES.

x
p  , entonces se puede decir que: x/n  N (P, pq / n )
n

DISTRIBUCION MUESTRAL DE LA VARIANZA (S2)

Al estudiar S2 se llega a la conclusión que S 2 no sigue una distribución normal, tiene una
distribución asimétrica.

Sea una población normal con media  y desviación típica  , entonces la expresión
(n-1)s2/ 2 →2 , con n-1 grados de libertad.