En estadística inferencial, uno de los objetivos centrales es extraer información fiable sobre una población a partir de una muestra. Dado que rara vez es posible observar a toda la población, los estimadores se convierten en herramientas clave para aproximar parámetros desconocidos, como la media, la varianza o una proporción poblacional. Entre las propiedades más estudiadas y valoradas de los estimadores se encuentra la insesgadez, que da lugar al concepto de estimador insesgado.
Un estimador insesgado es aquel que, en promedio, acierta el valor real del parámetro que pretende estimar. Esta característica lo convierte en un pilar fundamental de la teoría estadística clásica y en un criterio habitual para comparar y seleccionar estimadores. Sin embargo, la insesgadez no es la única propiedad relevante, ni siempre garantiza el mejor desempeño práctico.
Concepto de estimador y parámetro
Parámetro estadístico
Un parámetro es una característica numérica fija de una población. Ejemplos comunes incluyen:
- La media poblacional ({eq}\mu{/eq})
- La varianza poblacional ({eq}\sigma^2{/eq})
- La proporción poblacional (p)
Los parámetros son constantes desconocidas, ya que describen a toda la población y no varían entre muestras.
Estimador estadístico
Un estimador es una función de las observaciones muestrales que se utiliza para aproximar un parámetro poblacional. A diferencia del parámetro, el estimador es una variable aleatoria, ya que depende de la muestra extraída.
Por ejemplo, si ({eq}X_1, X_2, \ldots, X_n{/eq}) representan una muestra aleatoria, un estimador de la media poblacional es la media muestral:
[{eq}\text{Media muestral} = \bar{X} = \dfrac{1}{n}\sum_{i=1}^{n} X_i{/eq}]
Definición formal de estimador insesgado
Un estimador ({eq}\hat{\theta}{eq}) de un parámetro ({eq}\theta{/eq}) se denomina insesgado si su esperanza matemática es igual al valor verdadero del parámetro:
[{eq}\mathbb{E}(\hat{\theta}) = \theta{/eq}]
Esto implica que, si se repitiera el muestreo un gran número de veces y se calculara el estimador en cada muestra, el promedio de esos valores coincidiría con el parámetro poblacional.
La insesgadez no exige que el estimador sea siempre correcto en cada muestra individual, sino que no tenga una tendencia sistemática a sobrestimar o subestimar el parámetro.
Intuición del concepto de insesgadez
Desde una perspectiva intuitiva, un estimador insesgado es “justo”. No se inclina de manera sistemática hacia valores mayores o menores que el verdadero parámetro. Los errores que comete se compensan, en promedio, a lo largo de múltiples muestras.
Por ejemplo, un estimador sesgado podría tender a producir valores demasiado grandes, incluso con muestras grandes, mientras que un estimador insesgado oscilaría alrededor del valor real.
Ejemplos clásicos de estimadores insesgados
Media muestral como estimador insesgado de la media poblacional
Sea ({eq}X_1, \ldots, X_n{/eq}) una muestra aleatoria con media poblacional ({eq}\mu{/eq}). La media muestral es:
[{eq}\bar{X} = \dfrac{1}{n}\sum_{i=1}^{n} X_i{/eq}]
Su esperanza es:
[{eq}\mathbb{E}(\bar{X}) = \dfrac{1}{n}\sum_{i=1}^{n} \mathbb{E}(X_i) = \dfrac{1}{n}\cdot n\mu = \mu{/eq}]
Por lo tanto, la media muestral es un estimador insesgado de ({eq}\mu{/eq}).
Proporción muestral
Si una variable aleatoria Bernoulli toma valor 1 con probabilidad (p) y 0 con probabilidad (1-p), la proporción muestral es:
[{eq}\hat{p} = \dfrac{1}{n}\sum_{i=1}^{n} X_i{/eq}]
Dado que ({eq}\mathbb{E}(X_i) = p{/eq}), se cumple que ({eq}\mathbb{E}(\hat{p}) = p{/eq}). Por tanto, la proporción muestral es un estimador insesgado de la proporción poblacional.
El caso de la varianza: un ejemplo clave
Varianza muestral sesgada
Una definición natural de la varianza muestral es:
[{eq}S_n^2 = \dfrac{1}{n}\sum_{i=1}^{n} (X_i – \bar{X})^2{/eq}]
Sin embargo, este estimador resulta sesgado, ya que:
[{eq}\mathbb{E}(S_n^2) = \dfrac{n-1}{n}\sigma^2{/eq}]
Varianza muestral insesgada
Para corregir este sesgo, se utiliza el estimador:
[{eq}S^2 = \dfrac{1}{n-1}\sum_{i=1}^{n} (X_i – \bar{X})^2{/eq}]
Este estimador cumple:
[{eq}\mathbb{E}(S^2) = \sigma^2{/eq}]
La corrección (n-1) se conoce como corrección de Bessel y es uno de los ejemplos más conocidos de construcción de un estimador insesgado.
Sesgo de un estimador
El sesgo de un estimador se define como:
[{eq}\text{Sesgo}(\hat{\theta}) = \mathbb{E}(\hat{\theta}) – \theta{/eq}]
- Si el sesgo es cero, el estimador es insesgado.
- Si el sesgo es distinto de cero, el estimador es sesgado.
El sesgo puede ser positivo o negativo, dependiendo de si el estimador sobrestima o subestima el parámetro en promedio.
Métodos para obtener estimadores insesgados
Corrección directa del sesgo
Un método común consiste en ajustar un estimador sesgado multiplicándolo por un factor de corrección, como ocurre con la varianza muestral.
Uso de la esperanza matemática
Si se conoce la esperanza de un estimador sesgado, puede definirse un nuevo estimador que elimine el sesgo mediante transformaciones algebraicas.
Teorema de Rao–Blackwell
El teorema de Rao–Blackwell permite mejorar un estimador insesgado condicionándolo a un estadístico suficiente, obteniendo un nuevo estimador insesgado con menor varianza.
Insesgadez frente a otras propiedades
Insesgadez vs. consistencia
Un estimador puede ser insesgado pero no consistente, y viceversa. La consistencia se refiere a la convergencia del estimador al parámetro cuando el tamaño muestral crece.
Insesgadez vs. eficiencia
Entre estimadores insesgados, se prefiere aquel con menor varianza. Un estimador que alcanza la cota de Cramér–Rao se denomina eficiente.
Error cuadrático medio
El error cuadrático medio (ECM) combina sesgo y varianza:
[{eq}\text{ECM}(\hat{\theta}) = \text{Var}(\hat{\theta}) + [\text{Sesgo}(\hat{\theta})]^2{/eq}]
Un estimador ligeramente sesgado puede tener un ECM menor que uno insesgado.
Ventajas de los estimadores insesgados
- Interpretación intuitiva y teórica clara.
- Ausencia de errores sistemáticos.
- Base de numerosos resultados clásicos en inferencia.
Limitaciones de la insesgadez
- No garantiza precisión en muestras pequeñas.
- Puede implicar mayor varianza.
- No siempre minimiza el error cuadrático medio.
Aplicaciones prácticas
Economía y finanzas
Se emplean estimadores insesgados para estimar medias de retornos, varianzas de activos y parámetros de modelos econométricos.
Ciencias sociales
Encuestas y estudios demográficos utilizan estimadores insesgados para proporciones y medias poblacionales.
Ciencias naturales e ingeniería
En experimentos físicos y mediciones, la insesgadez es clave para evitar errores sistemáticos.
Ejemplo aplicado
Supóngase una población con media desconocida. Al tomar múltiples muestras y calcular la media muestral en cada una, el promedio de esas medias coincide con el valor verdadero de la media poblacional, ilustrando la insesgadez del estimador.
Relación con la inferencia estadística
Los estimadores insesgados son la base de intervalos de confianza y contrastes de hipótesis clásicos, especialmente bajo supuestos de normalidad.
Interpretación gráfica
Gráficamente, un estimador insesgado presenta una distribución centrada en el parámetro verdadero, aunque puede tener una dispersión considerable.
Consideraciones finales
El estimador insesgado ocupa un lugar central en la teoría estadística. Aunque no siempre es la mejor opción desde un punto de vista práctico, su claridad conceptual y su papel histórico lo convierten en un referente indispensable para comprender la inferencia estadística.
Conclusión
La insesgadez representa una propiedad fundamental de los estimadores, al garantizar que, en promedio, se recupera el valor real del parámetro poblacional. Comprender sus fundamentos, ventajas y limitaciones permite al analista estadístico elegir con mayor criterio las herramientas de inferencia más adecuadas para cada contexto. En la práctica moderna, la insesgadez debe evaluarse junto con otras propiedades como la varianza, la consistencia y el error cuadrático medio, para lograr estimaciones equilibradas y eficientes.