Estimador

De Wikipedia, la enciclopedia libre

Uno o más wikipedistas están trabajando actualmente en extender este artículo.

Es posible que, a causa de ello, haya lagunas de contenido o deficiencias de formato. Por favor, antes de realizar correcciones mayores o reescrituras, contacta con ellos en su página de usuario o la página de discusión del artículo para poder coordinar la redacción.

En estadística, un estimador es un estadístico (esto es, una función de la muestra) usado para estimar un parámetro desconocido de la población. Por ejemplo, si se desea conocer el precio medio de un artículo (el parámetro desconocido) se recogerán observaciones del precio de dicho artículo en diversos establecimientos (la muestra) y la media aritmética de las observaciones puede utilizarse como estimador del precio medio.

Para cada parámetro pueden existir varios estimadores diferentes. En general, escogeremos el estimador que posea mejores propiedades que los restantes, como insesgadez, eficiencia, convergencia y robustez. Entre las propiedades de los estimadores sean sesgados, eficientes, convergente y robusto (consistente).

El valor de un estimador proporciona lo que se denomina en estadística una estimación puntual del valor del parámetro en estudio. En general, se suele preferir realizar una estimación mediante un intervalo, esto es, obtener un intervalo [a,b] dentro del cual se espera esté el valor real del parámetro con un cierto nivel de confianza. Utilizar un intervalo resulta más informativo, al proporcionar información sobre el posible error de estimación, asociado con la amplitud de dicho intervalo. El nivel de confianza es la probabilidad de que a priori el verdadero valor del parámetro quede contenido en el intervalo.

En la práctica, en los intervalos suelen indicarse dando el valor del estimador puntual utilizado como centro del intervalo y un valor que debe sumarse y restarse para obtener el límite superior e inferior, por ejemplo

$3,5 \pm 2,03\;$ equivale a $[3,5-2,03\,;\,3,5+2,03]=[3,47\,;\,7,53]$

Tabla de contenidos

1 Propiedades de los estimadores

[editar] Propiedades de los estimadores

[editar] Insesgadez

Se denomina sesgo de un estimador a la diferencia entre la esperanza (o valor esperado) del estimador y el verdadero valor del parámetro a estimar. Es deseable que un estimador sea insesgado o centrado, es decir, que su sesgo sea nulo por ser su esperanza igual al parámetro que se desea estimar.

Por ejemplo, si se desea estimar la media de una población, la media aritmética de la muestra es un estimador insesgado de la misma, ya que su esperanza (valor esperado) es igual a la media de la población.

En efecto, si una muestra X=(X₁,X₂,...,X_n)^t procede de una población de media μ, quiere decir que:

E [X i] = μ

para cualquier i=1...n

La media aritmética o media muestral,

$\bar X = \frac {1}{n} \sum_{i=1}^n X_i$ , con lo que, al aplicar las propiedades de linealidad de la esperanza matemática se tiene que:

$E[\bar X ] = E \left [ \frac {1}{n} \sum_{i=1}^n X_i \right ] =$

$= \frac {1}{n} E \left [ \sum_{i=1}^n X_i \right ] = \frac {1}{n}\sum_{i=1}^n E \left [ X_i \right ] =$

$= \frac {1}{n}\sum_{i=1}^n \mu= \frac {1}{n} n \mu = \mu$

[editar] Eficiencia

Diremos que un estimador es más eficiente o más preciso que otro estimador, si la varianza del primero es menor que la del segundo. Por ejemplo, si $\hat \theta_1$ y $\hat \theta_2$ son ambos estimadores de $θ$ y

$\operatorname{Var}(\hat \theta_1) < \operatorname{Var}(\hat \theta_2)$

diremos que $\hat \theta_1$ es más eficiente que $\hat \theta_2$ . Un estimador es más eficiente (más preciso), por tanto, cuanto menor es su varianza.

La eficiencia de los estimadores está limitada por las características de la distribución de probabilidad de la muestra de la que proceden. El Teorema de Cramér-Rao determina que la varianza de un estimador insesgado $\hat \theta$ de un parámetro $θ$ es, como mínimo,

$\mathrm{var} \left(\widehat{\theta}\right) \geq \frac{1} { \mathrm{E} \left[ \left[ \frac{\partial}{\partial \theta} \log f(X;\theta) \right]^2 \right] }$

donde $f (X;θ)$ es la función de densidad de probabilidad de la muestra $X=(X_1,X_2,\cdots,X_n)^t$ en función del parámetro $θ$ , (denominada función de verosimilitud). Si un estimador alcanza esta cota mínima, entonces se dice que el estimador es de mínima varianza.

[editar] Consistencia

Si no es posible emplear estimadores de mínima varianza, el requisito mínimo deseable para un estimador es que a medida que el tamaño de la muestra crece, el valor del estimador tienda a ser el valor del parámetro, propiedad que se denomina consistencia. Existen diversas definiciones de consistencia, más o menos restrictivas, pero la más utilizada es la denominada consistencia en media cuadrática que exige que: