INSTITUTO TECNOLOGICO SUPERIOR DE LAS CHOAPAS

NOMBRE
ALEXIS HUMBERTO CONTRERAS RAMIREZ

CARRERA
ING.ELECTROMECANICA

SEMESTRE Y GRUPO
3 “A”

FECHA

15/11/2021
ESTIMADORES

1.- Sesgo.

Se dice que un estimador es insesgado si la Media de la distribución del estimador

es igual al parámetro. Estimadores insesgados son la Media muestral (estimador de
la Media de la población) y la Varianza (estimador de la Varianza de la población):

Ejemplo

En una población de 500 puntuaciones cuya Media (m) es igual a 5.09 han hecho
un muestreo aleatorio (número de muestras= 10000, tamaño 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
población 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 población es

igual a 9.56 ha 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 población ya que la Cuasivarianza es un estimador insesgado.
2.- Consistencia.

Un estimador es consistente si aproxima el valor del parámetro cuanto mayor es n

(tamaño de la muestra).

Algunos estimadores consistentes son:

Ejemplo En una población de 500 puntuaciones cuya Media (m) es igual a 4.9 han
hecho tres muestreos aleatorios (número 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 población.

3.- Eficiencia.

Diremos que un estimador es más eficiente que otro si la Varianza de la distribución

muestral del estimador es menor a la del otro estimador. Cuanto menor es la
eficiencia, menor es la confianza de que el estadístico obtenido en la muestra
aproxime al parámetro poblacional.

Ejemplo

La Varianza de la distribución muestral de la Media en un muestreo aleatorio

(número de muestras: 1000, n=25) ha resultado igual a 0.4. La Varianza de la
distribución de Medianas ha resultado, en el mismo muestreo, igual a 1.12, (este
resultado muestra que la Media es un estimador más eficiente que la Mediana).
PARAMETROS

1.- Parámetros de Posición

Permiten identificar el valor en torno al cual se agrupan mayoritariamente los
datos, es decir, cuyo valor es representativo de todos ellos. Pueden ser de dos
tipos:
 Medidas de tendencia central: media, mediana y moda.
 Medidas de posición no central: cuartiles, deciles y perceptiles.

Este tipo de parámetros no tiene por qué coincidir con un valor exacto de la variable,
y no deben usarse con carácter general para hacer pronósticos. La elección de un
parámetro u otro, dependerá de cada caso particular y de la distribución que siga la
variable, pero podemos concluir que en el caso de que los datos sigan una
distribución normal, la media aritmética es el parámetro más representativo,
mientras que si presenta cierta asimetría conviene más utilizar la mediana. La moda
sólo es adecuada en el caso de variables cualitativas.

2.- Parámetros de Dispersión

Las medidas de posición resumen la distribución de datos, pero resultan
insuficientes y simplifican excesivamente la información. Estas medidas adquieren
verdadero significado cuando van acompañadas de otras que informen sobre la
heterogeneidad de los datos. Estas medidas se conocen como parámetros de
dispersión y miden en qué medida los datos se agrupan entorno a un valor central.

Hay medidas de dispersión absolutas, entre las cuales se encuentran la varianza,

la desviación típica o el recorrido y medidas de dispersión relativas, como el
coeficiente de variación. Las medidas absolutas tienen que ir acompañadas de un
parámetro de posición, normalmente la media, y no permiten comparaciones entre
distintas muestras. Las medidas relativas suelen ser adimensionales por lo que
permiten la comparación entre distintas muestras.
3.- Parámetros de Forma
Las variables aleatorias continuas presentan frecuentemente una pauta de
variabilidad que se caracteriza por el hecho de que los datos tienden a acumularse
en torno a un valor central, que coincide con la media, decreciendo su frecuencia
de forma aproximadamente simétrica a medida que se alejan por ambos lados de
dicho valor.
Los histogramas de estas variables continuas tienen forma de campana de Gauss,
que es el modelo matemático de la distribución normal, siendo la distribución que
con más frecuencia aparece en multitud fenómenos reales.