El uso de este material es exclusivo

para los alumnos que acceden a él a

través del aula virtual. Queda prohibida
cualquier forma de reproducción,
almacenamiento o transmisión de
forma electrónica o mecánica,
fotocopia o grabación sin el permiso
previo por escrito del autor
 ESTIMACIÓN PUNTUAL
 Cuando un estadístico se considera como una aproximación de un parámetro desconocido se
denomina ESTIMACIÓN y se denota por 𝜃𝜃.̂

Por ejemplo si consideramos que 1.75 m es una aproximación a la media de la altura de

los varones españoles entre 30 y 35 años, diremos que es una estimación.

 Toda estimación es un estadístico pero no todo estadístico es una estimación.

 Una estimación será buena cuando su distancia con el parámetro estimado 𝜃𝜃 − 𝜃𝜃̂ sea
pequeña. Pero 𝜃𝜃 es desconocido y por tanto nunca sabremos si su estimación 𝜃𝜃̂ está o no
cerca de 𝜃𝜃.
 Por tanto, lo que valoraremos no será directamente si la estimación es buena o no, sino si lo
es el método con el que se ha obtenido dicha estimación.

 Al procedimiento con el que se obtienen las estimaciones se le denomina ESTIMADOR,

̂
también denotado por 𝜃𝜃.

Apuntes realizados por Cristina Aybar

 El estimador es una variable aleatoria y sus valores son las estimaciones.

 Un estimador es bueno cuando su Error Cuadrático Medio sea pequeño:

2
𝐸𝐸𝐸𝐸𝐸𝐸 𝜃𝜃� = 𝐸𝐸 𝜃𝜃� − 𝜃𝜃

 Definiremos el estimador ÓPTIMO como el mejor de todos, el que minimice el ECM.

Si un estimador es bueno, también lo serán sus estimaciones, a pesar de que podría ocurrir lo
contrario, pero nunca lo sabremos. En estadística siempre nos apoyamos en el principio de que
ocurrirá lo más probable.

En general, entre dos estimadores 𝜃𝜃̂1 y 𝜃𝜃̂2 elegiremos el que tenga menor ECM:

𝜃𝜃�1 mejor que 𝜃𝜃�2 si 𝐸𝐸𝐸𝐸𝐸𝐸 𝜃𝜃�1 < 𝐸𝐸𝐸𝐸𝐸𝐸 𝜃𝜃�2

Apuntes realizados por Cristina Aybar

 En ocasiones no siempre podremos decidir entre dos estimadores para cualquier valor del
parámetro. Por ello, en lugar de buscar el óptimo, es decir, el mejor entre todos los estimadores,
buscaremos el mejor de una familia particular.

Estimadores lineales: � = ∑𝒊𝒊=𝟏𝟏

𝜽𝜽 𝒏𝒏
𝒂𝒂𝒊𝒊 𝑿𝑿𝒊𝒊

se determinan los valores de “𝑎𝑎𝑖𝑖 “ que minimicen el ECM. No vamos a verlos.

Estimadores insesgados:

𝐸𝐸 𝜃𝜃̂ = 𝜃𝜃 → 𝐸𝐸 𝜃𝜃̂ − 𝜃𝜃 = 𝑏𝑏 𝜃𝜃̂ sesgo

𝑏𝑏 𝜃𝜃̂ =0 estimador insesgado

𝑏𝑏 𝜃𝜃̂ >0 el estimador sobre estima
𝑏𝑏 𝜃𝜃̂ <0 el estimador subestima

Apuntes realizados por Cristina Aybar

Existe una relación entre el ECM y el sesgo: 𝐸𝐸𝐸𝐸𝐸𝐸 𝜃𝜃� = 𝑉𝑉 𝜃𝜃� + 𝑏𝑏 2 𝜃𝜃�

Por tanto, si un estimador es insesgado, su error cuadrático medio coincide con su varianza:

𝐸𝐸𝐸𝐸𝐸𝐸 𝜃𝜃� = 𝑉𝑉 𝜃𝜃�

Por ejemplo, si queremos estimar la media poblacional 𝜇𝜇𝑋𝑋 parece razonable utilizar como
� Un resultado muy conocido de este
estimador la media de la muestra, la media muestral 𝑋𝑋.
estimador es que su esperanza, su media, coincide con la media poblacional:

𝐸𝐸 𝑋𝑋� = 𝜇𝜇𝑋𝑋
Lo que significa que el estimador media muestral es un estimador insesgado de la media
poblacional, y por tanto, su error cuadrático medio coincidirá con su varianza, al no tener sesgo,
y su varianza también es un resultado conocido:
2
𝜎𝜎𝑋𝑋
ECM 𝑋𝑋� = V 𝑋𝑋� = en un contexto no finito
𝑛𝑛
2
𝜎𝜎𝑋𝑋 𝑁𝑁−𝑛𝑛
ECM 𝑋𝑋� = V 𝑋𝑋� = en un contexto finito
𝑛𝑛 𝑁𝑁−1
¿Qué significa que la media de la media muestral coincida con la media poblacional?:
𝐸𝐸 𝑋𝑋� = 𝜇𝜇𝑋𝑋

Si se seleccionaran todas las posibles muestras de un colectivo y se calculara en cada

una de ellas las medias muestrales, el promedio de esas medias coincidiría con la
media de la población (veremos más adelante la utilidad de este resultado)

Imaginaros que sois 30 en clase y disponemos de la edad de cada uno de vosotros,

calculamos la media y el resultado es de 19.5 años (media poblacional).
Si cada uno de vosotros seleccionara una muestra de 10 compañeros, tendríamos 30
muestras distintas, cada una de ellas con una edad media, 30 medias muestrales.
La media de esas 30 medias muestrales estará muy próxima a 19.5 años.
Si fuéramos capaces de seleccionar TODAS las posibles muestras (no solo 30) la media
de las medias muestrales coincidiría exactamente con 19.5 años.
 Repasamos:

�
Si queremos estimar la media poblacional 𝜇𝜇𝑋𝑋 y utilizamos para ello la media muestral 𝑋𝑋,
sabemos que 𝐸𝐸 𝑋𝑋� = 𝜇𝜇𝑋𝑋 por tanto, la media muestral es un estimador insesgado de la
media poblacional

∑𝑖𝑖 𝑋𝑋𝑖𝑖 ∑𝑖𝑖 𝑥𝑥𝑖𝑖

𝜇𝜇𝑋𝑋 𝑋𝑋� = 𝑥𝑥̅ =
𝑛𝑛 𝑛𝑛
parámetro estimador estimación

número variable aleatoria número

𝐸𝐸 𝑋𝑋� = 𝜇𝜇𝑋𝑋

estimador número próximo a

insesgado 𝜇𝜇𝑋𝑋
Apuntes realizados por Cristina Aybar
 Supongamos que queremos estimar la varianza poblacional 𝜎𝜎𝑋𝑋2 y utilizamos para ello la varianza
𝑛𝑛 − 1 2
muestral 𝑆𝑆𝑋𝑋2 , ahora ocurre que 𝐸𝐸 𝑆𝑆𝑋𝑋2 = 𝜎𝜎𝑋𝑋 por tanto, la varianza muestral es un
𝑛𝑛
estimador sesgado de la varianza poblacional

2
𝜎𝜎𝑋𝑋 2
∑𝑖𝑖 𝑋𝑋𝑖𝑖 − 𝑋𝑋� 2
2
∑𝑖𝑖 𝑥𝑥𝑖𝑖 − 𝑥𝑥̅ 2
𝑆𝑆𝑋𝑋 = 𝑠𝑠𝑋𝑋 =
𝑛𝑛 𝑛𝑛
parámetro estimador estimación

número variable aleatoria número

𝑛𝑛 − 1 2
𝐸𝐸 𝑆𝑆𝑋𝑋2 = 𝜎𝜎𝑋𝑋
𝑛𝑛

estimador número inferior a

sesgado 𝜎𝜎𝑋𝑋2
Apuntes realizados por Cristina Aybar
 ¿Podemos proponer algún estimador insesgado de la varianza poblacional? Si, la
cuasivarianza muestral

2
𝜎𝜎𝑋𝑋 ∑𝑖𝑖 𝑋𝑋𝑖𝑖 − 𝑋𝑋� 2 ∑𝑖𝑖 𝑥𝑥𝑖𝑖 − 𝑥𝑥̅ 2
𝑆𝑆𝑋𝑋̇ =
2 2
𝑠𝑠̇𝑋𝑋 =
𝑛𝑛 − 1 𝑛𝑛 − 1
parámetro estimador estimación

número variable aleatoria número

𝐸𝐸 𝑆𝑆𝑋𝑋̇ 2 = 𝜎𝜎𝑋𝑋2

estimador número próximo a

insesgado 𝜎𝜎𝑋𝑋2
Apuntes realizados por Cristina Aybar
  Además de la insesgadez, existen otras propiedades de interés:

Consistencia: lim 𝐸𝐸𝐸𝐸𝐸𝐸 𝜃𝜃̂ = 0 Insesgadez asintótica: lim 𝑏𝑏 𝜃𝜃̂ = 0

𝑛𝑛→∞ 𝑛𝑛→∞

La media muestral 𝑋𝑋� es un estimador consistente de la media poblacional 𝜇𝜇𝑋𝑋 :

𝜎𝜎𝑋𝑋2
lim 𝐸𝐸𝐸𝐸𝐸𝐸 𝑋𝑋� = lim 𝑉𝑉 𝑋𝑋� = lim =0
𝑛𝑛→∞ 𝑛𝑛→∞ 𝑛𝑛→∞ 𝑛𝑛

La varianza muestral 𝑆𝑆𝑋𝑋2 es un estimador asintóticamente insesgado de la

varianza poblacional 𝜎𝜎𝑋𝑋2 :

−1 2
lim 𝑏𝑏 𝑆𝑆𝑋𝑋2 = lim 𝜎𝜎𝑋𝑋 = 0
𝑛𝑛→∞ 𝑛𝑛→∞ 𝑛𝑛

Apuntes realizados por Cristina Aybar

 ESTIMACIÓN:
ESTIMADOR: resultado de aplicar
variable aleatoria que el estimador sobre
genera estimaciones una muestra
concreta

BUEN ESTIMADOR: BUENA

el que tiene menor ESTIMACIÓN:
error cuadrático la generada por un
medio buen estimador

ESTIMADOR
ESTIMADOR
ESTIMADOR ASINTÓTICAMENTE
ESTIMADOR INSESGADO:
CONSISTENTE: INSESGADO:
ÓPTIMO: su esperanza coincide
a mayor tamaño de a mayor tamaño de
el mejor de todos con el parámetro a
muestra, mejor muestra menos
estimar
sesgo

Apuntes realizados por Cristina Aybar

 2
𝐸𝐸𝐸𝐸𝐸𝐸 𝜃𝜃̂ = 𝐸𝐸 𝜃𝜃̂ − 𝜃𝜃
𝑏𝑏 𝜃𝜃̂ = 𝐸𝐸 𝜃𝜃̂ − 𝜃𝜃
= 𝑉𝑉 𝜃𝜃̂ + 𝑏𝑏2 𝜃𝜃̂

𝜎𝜎𝑋𝑋2
𝐸𝐸𝐸𝐸𝐸𝐸 𝑋𝑋� = 𝑉𝑉 𝑋𝑋� = 𝑏𝑏 𝑋𝑋� = 0
𝑛𝑛 −1 2
2
−1 2 𝑏𝑏 𝑆𝑆𝑋𝑋2 = 𝜎𝜎
2 2
𝐸𝐸𝐸𝐸𝐸𝐸 𝑆𝑆𝑋𝑋 = 𝑉𝑉 𝑆𝑆𝑋𝑋 + 𝜎𝜎 𝑛𝑛 𝑋𝑋
𝑛𝑛 𝑋𝑋

Apuntes realizados por Cristina Aybar

 𝑋𝑋1 , 𝑋𝑋2 , ⋯ , 𝑋𝑋𝑛𝑛 ESTIMADOR

𝑥𝑥1 , 𝑥𝑥2 , ⋯ , 𝑥𝑥𝑛𝑛 ESTIMACIÓN

Apuntes realizados por Cristina Aybar