ESTIMADORES INSESGADOS
R.Eduardo, H.David, P.Juan, P.Jhon IEEE (Universidad Técnica de Cotopaxi, Av. Simón Rodríguez, Latacunga,
comunicacion.institucional@utc.edu.ec)
Resumen— El principal objetivo de este informe
es el estudio de estimadores insesgados además se
presentaran los conceptos básicos e importantes
dentro de la estadística los cuales serán muy
útiles para nuestro conocimiento de las
propiedades y la construcción de los mismos si se
utiliza el criterio de mínima varianza para
seleccionar los mejores estimadores entonces el
mejor estimador insesgado para dicho criterio se
denomina UMVUE que significa (Estimador
insesgado uniformemente de mínima varianza).
INTRODUCCIÓN.
Estimar en el sentido estadistico significa inferir.
Una estimación estadística es un proceso mediante el
que establecemos que valor debe tener un parámetro
según deducciones que realizamos a partir de los
datos observados. En otras palabras, estimar es
establecer condiciones sobre características
poblacionales a partir de resultados muestrales.
Un estimador insesgado es aquel cuya esperanza
matemática coincide con el valor del parámetro que
se desea estimular en caso de que esta no coincida se
dice que el estimador tiene un sesgo.
I. OBJETVO GENERAL
Investigar los conceptos generales y la
importancia de los estimadores insesgados para
poder llevar acabo dentro del sentido estadístico
ya que nos ayudara a tener un amplio
conocimiento dentro de la vida estudiantil
II. OBJETIVO ESPECÍFICO
 Analizar su definición y posibles tipos
de métodos insesgados
III. METODOLOGÍA
a) Estimador Sesgado
No siempre se puede encontrar un
estimador insesgado para calcular
cierto parámetro. Así pues, puede que
nuestro estimador tenga sesgo. Que un
estimador tenga sesgo no quiere decir
que no sea válido. Simplemente, quiere
decirnos que no se ajusta todo lo bien
que estadísticamente nos gustaría.
Dicho esto, aunque no se ajuste todo lo bien que nos
gustaría, en ocasiones, no nos queda otra opción que
utilizar un estimador con sesgo. Por tanto, resulta de
importancia vital que conozcamos el tamaño de ese
sesgo.
Un claro ejemplo de estimador insesgado lo
encontramos en la estimadora media. Este estimador
es conocido en estadística como media muestral. Si
utilizamos la fórmula matemática descrita al
principio llegamos a la conclusión de que la media
muestral es un estimador insesgado. Antes de operar,
debemos tener en cuenta lo siguiente:
X =media muestral
Una primera propiedad deseable para un estimador
es que el centro de la distribución de los valores que
puede tomar coincida con el valor del parámetro que
queremos aproximar.
A esta propiedad se le llama insesgadez. Así, un
estimador insesgado es aquel cuya media coincide
con el valor del parámetro a estimar.
b) Estimadores consientes
Un estimador insesgado es consistente cuando su
varianza tiende a 0 si N crece hacia infinito.
c) Estimación puntual
Consiste en utilizar l valor de un estadístico para
inferir el parámetro de una población. La estimación
puntual es a menudo insuficiente, puesto que
aciertas o se equivoca. Se obtiene al seleccionar un
estadístico apropiado y calcular su valor a partir de
datos de la muestra.
d) Estimadores puntuales comunes
insesgados
Un estimador debe estar “próximo” en algún sentido
al valor verdadero del parámetro desconocido. De
manera formal, se dice que ϴ^ es un estimador
insesgado de ϴ si el valor esperado de ϴ^ es igual a
ϴ. Puesto que no hay un estimador insesgado único,
no es posible depender exclusivamente de esta
propiedad para seleccionar el estimador. Se necesita
un método para seleccionar uno de entre varios
estimadores insesgados.
e) Evaluación de la bondad de un
estimador insesgado
La bondad de un estimador por intervalo se analiza respectivamente. Determinar insesgadas y eficientes
de manera muy similar a la de un estimador puntual de:

Se selecciona muestras de mismo tamaño, a) La media poblacional.

respectivamente, y se determina el intervalo de
estimación para cada proceso. Este método genera b) La varianza poblacional.
un gran número de intervalos, envés de puntos. Una c) Comparar la desviación estándar muestral con la
buena estimación por intervalo contendrá, con éxito, desviación estándar poblacional estimada.
el valor real del parámetro para una fracción grande
del tiempo. Tal fracción se denomina coeficiente de A) La media poblacional.
confianza para el estimador; el estimador mismo se
llama, a menudo, intervalo de confianza. La media de la distribución muestral de las medias
μ x es μ, la media poblacional. Por lo tanto, la media
Un método general de estimación insesgada de la muestral ⃗X es una estimación insesgada de la media
varianza
poblacional μ.
Algunos métodos clásicos de estimación de la
varianza se han demostrado sesgados (Ruiz Espejo y ∑ X
Singh, 2000; Wolter, 1985). Por esto, muchas
X=
⃗
N
estrategias de muestreo o pares (diseño muestral P,
estimador T (han ido proponiéndose en las últimas 8.3+10.6+9.7+ 8.8+10.2+9.4
décadas como estimadores insesgados de la función
X=
⃗
6
paramétrica “media poblacional” (de la variable de
interés T en una población finita de tamaño N, 57
siendo Yi el valor de la variable de interés en la
X = =9.5 Kg
⃗
6
unidad i-ésima de la población finita)
B) La varianza poblacional.
2 2 2 2
^S2= ( 8.3−9.5 ) + ( 10.6−9.5 ) + ( 9.7−9.5 ) + ( 8.8−9.5 ) + ( 10.2−9
6−1

O de otras funciones paramétricas más complejas, ^S2= 3.68 =0.736 Kg

como la “varianza poblacional” 5
C) Comparar la desviación estándar muestral con la
desviación estándar poblacional estimada.

 Para desviación estándar poblacional

O bien otras asociadas a la estrategia muestral (p,t), estimada.
como es principalmente su varianza,
√ S^ 2=√ 0.736=0.86 Kg
 Desviación estándar muestral.

^S2= N S 2=∑ ¿ ¿ ¿
Aquí, hemos denotado por E(p,t), a la esperanza N−1
matemática de la estrategia (p,t),
^S2 ( N −1 )
S2=
N

^S2= 0.736∗5 =0.6133

6

√ S^ 2=√ 0.6133=0.7831 Kg
1.- Las mediciones de una muestra de mas fueron
8.3, 10.6, 9.7, 8.8, 10.2, y 9.4 kilogramos IV. CONCLUSIONES
  El estimador insesgado para la varianza gado_de_varianza_m%C3%ADnima.
obtenido con los métodos de [Accessed: 07- May- 2021].
estimación trabajados proporcionan
con tres dígitos de precisión las
mismas medidas descriptivas para los
estimadores, tanto para distribuciones
discretas como para distribuciones
continuas, al igual que en el caso del
estimador para la media, la longitud de
los intervalos de confianza para
tamaños muestrales menores a 30 es
menor mediante la estimación Jacknife
frente a la estimación convencional.

 El estimador insesgado de la varianza y

el estimador de la media poblacional
que también es insesgado para distintos
valores de los parámetros
poblacionales en distribuciones
continuas y discretas, mediante el
método de estimación Jacknife y el
método de estimación convencional
presentan la misma situación

V. RECOMENDACION
 Si tratamos de estimar la mediana
poblacional es mejor utilizar la estimación
convencional, ya que para tamaños
muestrales impares el metodo Jacknife no
funciona y para tamaños muestrales pares
funciona, pero proporciona los mismos
resultados que el método de estimación
convencional, recordando que el método
Jacknife es un método intensivo.

VI. REFERENCIAS
BILIOGRAFICAS

[1] Idus.us.es, 2021. [Online]. Available:

https://idus.us.es/bitstream/handle/11441/63
143/Ramos%20Lucena%20Isabel
%20TFG.pdf?sequence=1. [Accessed: 07-
May- 2021].

[2] R. Parkeths, "estimacion", Es.slideshare.net,

2021. [Online]. Available:
https://es.slideshare.net/SigmarbiBetania/est
imacion-sigmarbi-ensayo. [Accessed: 07-
May- 2021].

[3]"Estimador insesgado de varianza mínima

- Wikipedia, la enciclopedia
libre", Es.wikipedia.org, 2021. [Online].
Available:
https://es.wikipedia.org/wiki/Estimador_inses