Programa de: Licenciatura en Psicologa

Alumno: Juan Gonzlez Ferrer

Actividad: Las propiedades deseables de los
estimadores y algunos ejemplos
Asignatura:
Mtodos de Estadstica Inferencial en Psicologa
Tercera unidad: Propiedades deseables de los
estimadores
Tutor: Mtro. Felipe Duque Duarte
27 de septiembre del 2015
INTRODUCCIN
1

Partiendo de la idea de que la inferencia estadstica se ocupa de tomar decisiones o

predicciones acerca de parmetros, siendo estos las medidas numricas descriptivas que
caracterizan a una poblacin. Por lo que los mtodos para realizar dichas inferencias acerca
de parmetros poblacionales caen en una cuando menos dos categoras:
Estimacin: Estimar o predecir el valor del parmetro
Prueba de hiptesis: Tomar una decisin acerca del valor de un parmetro, con base en
alguna idea preconcebida acerca de cul podra ser su valor.
Segn la lectura de la gua existen algunas propiedades deseables de los estimadores,
por lo que me propongo enseguida dar ms claridad a dichas caractersticas de estimacin
estadstica vistas en esta unidad, con el propsito no solo de cumplir con la tarea asignada,
sino de tener en claro para m mismo la aplicacin de estas metodologas estadsticas.

DEFINICIN Y PROPIEDADES DE LA ESTIMACIN ESTADSTICA.

Partiendo de la definicin de lo que es un estimador.
Se dice que en una poblacin cuya distribucin es
conocida

pero

desconocemos

algn

parmetro,

podemos estimar dicho parmetro a partir de una

muestra representativa. Por lo que un estimador es
un valor que puede calcularse a partir de los datos
muestrales y que proporciona informacin sobre el valor del parmetro. Por ejemplo la
media muestral es un estimador de la media poblacional, la proporcin observada en la
muestra es un estimador de la proporcin en la poblacin. As mismo aprend en esta unidad
del curso que los estimadores se usan en dos formas diferentes:

Estimacin

puntual:

es puntual cuando
extrado

de

la

se

usa

muestra

Una
un
para

estimacin
solo

valor

estimar el

parmetro desconocido de la poblacin. Al

valor usado se le llama estimador.
Estimacin de intervalo: A veces es
conveniente obtener unos lmites entre los cuales se encuentre el parmetro con un
cierto nivel de confianza, en este caso hablamos de estimacin por intervalos.

Finalmente aprend que hay ciertas propiedades que son deseables de un estimador, y estas
son que tenga: carencia de sesgo, consistencia, suficiencia y eficiencia. Pasare
enseguida a definirlas y tratar de clarificarlas.

ESTIMACIN CON CARENCIA DE SESGO

Se dice que un estimador de un parmetro es insesgado si la media de su distribucin es
igual al verdadero valor del parmetro. De otro modo, se dice que el estimado est sesgado.
Ya que es muy probable que el valor del estimador est cerca de su valor esperado, una
propiedad muy deseable es que ese valor esperado del estimador coincida con el del
parmetro que se pretende estimar. Al menos, se espera que el valor obtenido no difiera
mucho del parmetro estimado. Por esa razn es importante considerar el sesgo.
Un ejemplo se similitud que encontr para dar mayor claridad al concepto de sesgo
estadstico es el del tiro al blanco. En este caso, el centro de la circunferencia sera el
parmetro a estimar. De manera que los disparos de un tirador insesgado estaran muy cerca
del centro de la circunferencia, mientras que los disparos de un tirador sesgado estaran
desviados del centro.
.

Insesgado

Sesgado

Se dice que los estimadores siempre suministran dispersin aleatoria. Existen casos en los
que el conjunto de todas las muestras de un mismo diseo que provienen de una misma
poblacin suministran valores diferentes. Esta circunstancia indica que existe una variacin
aleatoria con la que hay que vivir porque es inevitable. Pero todava sera peor. Es posible
que el estimador escogido tenga sesgo, es decir, que no solo est variando alrededor de un
punto, sino que el punto sobre el que vara no es el valor poblacional, verdadero u objetivo de

nuestro inters. Esto si es evitable. As que los estimadores que se utilizan deben de tratar de
que sean insesgados.
Por lo que pude investigar existen dos tipos de errores que son comunes a cualquier tipo de
estudio: los errores aleatorios y los errores sistemticos.
Los errores aleatorios, como su nombre lo indica, se deben al azar. Cuando queremos
estudiar una variable en una poblacin por lo general tendremos que conformarnos con una
muestra seleccionada a partir de esa poblacin. Por lo que el muestreo aleatorio conlleva
siempre cierta probabilidad de que la muestra no sea representativa de la poblacin de la
que es tomada. Se dice tambin que esta probabilidad de error ser mayor cuanto menor sea
el tamao de la muestra, y cuanto mayor sea la variabilidad de la caracterstica que estemos
estudiando dentro de la poblacin.
Otra causa de error aleatorio est contenida en la propia variabilidad de las mediciones que
hagamos, ya sea por la propia variabilidad biolgica de las pruebas, por el instrumento que
utilicemos para medir o por la subjetividad o variabilidad del observador.
El otro tipo de errores son los sistemticos, tambin llamados sesgos, que habitualmente
conducen a una estimacin incorrecta del efecto que estamos estudiando. Estos no se deben
al azar, sino a algn error en el diseo del estudio, ya sea relacionado con los participantes
(sesgo de seleccin) o con la medicin de la variable (sesgo de informacin).
El sesgo de seleccin se produce tpicamente cuando elegimos una muestra no
representativa de la poblacin. Pensemos que queremos saber la prevalencia de una
enfermedad y tomamos una muestra solo de los pacientes que acuden al consultorio.
Lgicamente, el resultado estar sesgado y podra sobrevalorar la presencia de la
enfermedad en la poblacin.
Pero el sesgo de seleccin puede producirse tambin en otras situaciones. Por ejemplo, si
escogemos un grupo control con una enfermedad relacionada con la de estudio, nuestro
resultado ser incorrecto. Tambin puede ocurrir cuando la probabilidad de que los sujetos
abandonen el estudio no sea igual en los dos grupos.
Por su parte, el sesgo de informacin se produce cuando, de forma sistemtica, medimos
de forma errnea o diferente en los dos grupos. En general, suele producirse por utilizar
pruebas con poca sensibilidad o especificidad, por tener criterios diagnsticos errneos o por
cometer imprecisiones o errores en la recogida de los datos.

Pensemos que estudiamos el peso en un tipo de enfermos y la bscula est mal calibrada. O
que estudiamos la talla y a un grupo se le hace la prueba descalzos y al otro con zapatos.
Hay un par de diferencias entre los dos tipos de errores, aleatorio y sistemtico. Como ya
hemos dicho, el error aleatorio depende del tamao muestral, por lo que tiende a ser menor
al aumentar el tamao de la muestra. Sin embargo, esto no ocurre con los errores
sistemticos, que se perpetan por ms que aumentemos el tamao muestral.
Por otra parte, los errores aleatorios pueden controlarse con relativa facilidad, si no son muy
grandes, durante la fase de anlisis de los datos, mientras que los sistemticos son mucho
ms difciles de corregir al analizar los resultados.

ESTIMACIN CONSISTENTE
Segn la definicin contenida en las lecturas
asignadas en esta unidad del curso se dice que un
estimador tiene consistencia cuando el valor del
estimador se acerca hacia el verdadero parmetro
conforme aumenta el tamao de la muestra. Si
un estimador es consistente, se vuelve ms
confiable si tenemos tamaos de muestra ms
grandes.
Se dice que hay diversas definiciones de
consistencia, ms o menos restrictivas, pero la ms
utilizada es la denominada consistencia en media
cuadrtica que exige que:
1.
2.

cuando

ESTIMACIN SUFICIENTE

cuando

En las lecturas se menciona que un estimador es

suficiente cuando es capaz de extraer de los datos toda la
informacin importante sobre el parmetro. Por lo que
cuando disponemos de una muestra y queremos tomar
decisiones estadsticas basadas en ella, parece lgico
seleccionar el estimador que conserve la mayor cantidad
posible de la informacin contenida en dicha muestra. El
concepto de suficiencia est basado, precisamente, en esta idea de conservar la informacin
contenida en una muestra.

ESTIMACIN EFICIENTE
Segn la lectura sobre esta propiedad se dice que la eficiencia de un estimador depende de
su viarianza, por lo que se considera eficiente cuando generan una distribucin muestral con
el mnimo error estndar, dicho de otra manera cuando hay dos estimadores insesgados de
un parmetro dado es ms eficiente el de menor varianza.
.

CONCLUSIN

En resumen podemos ver como cada caracterstica o propiedad deseable de esta tcnica de
estimacin precisa diversas ventajas y aplicaciones segn la composicin de las muestras
poblacionales, tamao de la muestra y caractersticas a elegir de la poblacin, y se adaptan
al criterio o diseo de la muestra segn el investigador requiera. Esto me lleva a considerar
una vez ms que estos criterios de muestreo de la estadstica pueden tener muchas
aplicaciones prcticas en el rea de la psicologa, mismas que nos permitirn extraer y
resumir informacin til de las observaciones que se hacen en alguna investigacin con
poblaciones diversas. Al menos esta tarea me da una mayor claridad y precisin a las
tcnicas de muestreo y su posible aplicacin en investigacin psicolgica.

Referencias Bibliogrficas:
Departamento Editorial UFLP. (2013). Estimacin confidencial. En Mtodos de Estadstica
Inferencial en Psicologa (17-19). Cuernavaca Morelos Mxico: Universidad Fray Luca
Paccioli.
Manuel Molina. (2013). Errar es humano. 27 de septiembre del 2015, de Ciencia sin seso
Sitio web: http://www.cienciasinseso.com/tag/sesgo-de-seleccion/