Un estimador es una regla o fórmula que se aplica a los datos de una muestra para aproximar un parámetro desconocido de la población. La media muestral x̄ es un estimador de la media poblacional μ; la proporción de la muestra p̂ es un estimador de la proporción verdadera p. El número concreto que obtienes al aplicar la regla a tus datos («x̄ = 7.8») es la estimación puntual: un solo valor que resume tu mejor apuesta. Como cada muestra da un resultado distinto, un estimador es una variable aleatoria con su propia distribución muestral, y eso permite comparar estimadores y elegir el mejor para cada problema.
Propiedades de un buen estimador
- Insesgado: en promedio, sobre todas las muestras posibles, acierta el parámetro. Su sesgo (la diferencia entre su valor esperado y el parámetro) es cero.
- Eficiente: entre los insesgados, es el de menor varianza; con los mismos datos, da estimaciones más estables.
- Consistente: se acerca al parámetro conforme crece la muestra.
Las dos primeras se resumen en el error cuadrático medio, que penaliza tanto el sesgo como la variabilidad:
ECM(θ̂) = Var(θ̂) + [Sesgo(θ̂)]² · Sesgo(θ̂) = E(θ̂) − θ
Cómo se hace una estimación puntual
- Define el parámetro: ¿media, mediana, proporción, total?
- Elige el estimador adecuado (normalmente, el análogo muestral: media de la muestra para la media de la población).
- Aplícalo a tus datos.
- Acompaña la estimación con su error estándar o un intervalo: un número solo no dice qué tan confiable es.
Ejemplos resueltos
Ejemplo 1: estimaciones puntuales de tres parámetros
Una colonia tiene 2,000 hogares. Se visitan 400 al azar: 132 tienen mascota y el número promedio de habitantes es 3.6.
- Proporción de hogares con mascota: p̂ = 132 ÷ 400 = 0.33 (33 %).
- Habitantes por hogar: x̄ = 3.6.
- Total de habitantes de la colonia: N × x̄ = 2,000 × 3.6 = 7,200 personas.
Las tres son estimaciones puntuales. Ninguna es exacta, y la del total hereda la incertidumbre de la media multiplicada por 2,000.
Ejemplo 2: el sesgo de dividir entre n
Para estimar la varianza σ² se puede dividir la suma de cuadrados entre n o entre n − 1. El valor esperado de la primera versión es σ² × (n − 1)/n.
Con muestras de 5 datos: (5 − 1)/5 = 0.8. Dividir entre n subestima la varianza en un 20 % en promedio. Con 50 datos, el sesgo baja a 2 %, y desaparece conforme n crece: el estimador es sesgado pero consistente. Dividir entre n − 1 elimina el sesgo; los grados de libertad explican por qué.
Ejemplo 3: un estimador sesgado puede ser mejor
Dos estimadores del mismo parámetro:
- A: insesgado, con varianza 4. ECM = 4 + 0² = 4.
- B: con sesgo de 1, pero varianza 2. ECM = 2 + 1² = 3.
B se equivoca un poco de forma sistemática, pero tiene un error total más pequeño que A. Elegir siempre el insesgado no es una regla absoluta; en predicción, técnicas como la regresión regularizada aceptan sesgo a cambio de menos varianza.
Media o mediana como estimador del centro
Si los datos vienen de una distribución normal, la media y la mediana estiman el mismo centro, pero la varianza de la mediana muestral es, con muestras grandes, unas π/2 ≈ 1.57 veces la de la media. Para lograr la misma precisión con la mediana necesitarías alrededor de 57 % más datos. Con datos de colas pesadas o con atípicos, la relación se invierte y la mediana resulta más eficiente. La elección del estimador depende de cómo son tus datos.
Cuándo no confiar en una estimación puntual
- Cuando la muestra es pequeña: el número puede estar muy lejos del parámetro y no lo sabrás sin un intervalo.
- Cuando la muestra no es aleatoria: ningún estimador corrige un mal diseño.
- Cuando vas a tomar una decisión con riesgo: compara el intervalo completo con tu umbral, no solo el punto.
Errores comunes
- Presentar la estimación puntual como si fuera el valor verdadero («el 33 % de los hogares tiene mascota», sin más).
- Confundir el estimador (la fórmula) con la estimación (el número) y con el parámetro (la cantidad desconocida).
- Creer que «insesgado» significa «preciso»: un estimador insesgado puede tener una varianza enorme.
- Elegir un estimador por costumbre sin revisar si los datos tienen atípicos que lo vuelven inestable.