https://padlet.com/joragualongo/7o4mov4k8kpq4q5n en-us 2022-07-05 19:18:45 UTC 2026-02-25 18:18:49 UTC hello@padlet.com joragualongo https://padlet.com/joragualongo/7o4mov4k8kpq4q5n/wish/2237468312 Cuando estimamos un parámetro de forma puntual, podemos saber con certeza, cual es ese valor. Imaginemos una población de 30 personas de las que seleccionamos una muestra de 20 para las que conocemos sus edades. Estimar de forma puntual la media de edad, sería tan sencillo como sumar esos 20 datos y dividirlos entre el total de la muestra estadística.]]> 2022-07-05 19:22:46 UTC https://padlet.com/joragualongo/7o4mov4k8kpq4q5n/wish/2237468312 joragualongo https://padlet.com/joragualongo/7o4mov4k8kpq4q5n/wish/2237476380 ESTIMADOR:
Es un estadístico es decir, 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.
SESGO:
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.
EFICIENCIA:
Un estimador es más eficiente o preciso que otro, si la varianza del primero es menor que la del segundo.
CONVERGENCIA:
Para estudiar las características de un estimador no solo basta con saber el sesgo y la varianza, sino que además es útil hacer un análisis de su comportamiento y estabilidad en el largo plazo, esto es, su comportamiento asintótico. Cuando hablamos de estabilidad en largo plazo, se viene a la mente el concepto de convergencia. Luego, podemos construir sucesiones de estimadores y estudiar el fenómeno de la convergencia.
CONSISTENCIA:
También llamada robustez, se utilizan cuando 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 tiende a ser el valor del parámetro, propiedad que se denomina consistencia.

]]> 2022-07-05 19:43:02 UTC https://padlet.com/joragualongo/7o4mov4k8kpq4q5n/wish/2237476380 joragualongo https://padlet.com/joragualongo/7o4mov4k8kpq4q5n/wish/2237477566 En estadística un estimador insesgado de varianza mínima es aquel que tiene menor varianza que cualquier otro estimador insesgado para todos los posibles valores del parámetro.
 Algunos estimadores insesgados de mínima varianza son:
La media muestral cuando la muestra proviene de una distribución normal.
La varianza muestral cuando la muestra proviene de una distribución normal.
La proporción muestral cuando la muestra proviene de una distribución binomial.]]> 2022-07-05 19:46:02 UTC https://padlet.com/joragualongo/7o4mov4k8kpq4q5n/wish/2237477566 joragualongo https://padlet.com/joragualongo/7o4mov4k8kpq4q5n/wish/2237479240 El error cuadrático medio (RMSE) mide la cantidad de error que hay entre dos conjuntos de datos. En otras palabras, compara un valor predicho y un valor observado o conocido.
También se lo conoce como Raíz de la Desviación Cuadrática Media y es una de las estadísticas más utilizadas en SIG.
A diferencia del error absoluto medio (MAE), utilizamos RMSE en una variedad de aplicaciones cuando comparamos dos conjuntos de datos.
He aquí un ejemplo de cómo calcular RMSE en Excel con 10 valores observados y predichos. Pero se puede aplicar este mismo cálculo a cualquier tamaño de conjunto de datos.

]]> 2022-07-05 19:50:43 UTC https://padlet.com/joragualongo/7o4mov4k8kpq4q5n/wish/2237479240 joragualongo https://padlet.com/joragualongo/7o4mov4k8kpq4q5n/wish/2237482184  Método de los momentos. Se basa en igualar los momentos muestrales con los momentos poblacionales.
Método de máxima verosimilitud. Se basa en maximizar la función de verosimilitud MV (que mide lo verosímil o creíble que resulta cada valor de θ cuando se ha obtenido una muestra concreta) ]]> 2022-07-05 19:56:58 UTC https://padlet.com/joragualongo/7o4mov4k8kpq4q5n/wish/2237482184 joragualongo https://padlet.com/joragualongo/7o4mov4k8kpq4q5n/wish/2237483741 Un método de estimación puntual, con algunas propiedades teóricamente más fuertes que las del método MCO es el método de máxima verosimilitud (MV). Puesto que este método es ligeramente complicado, se analiza en el apéndice de este capítulo. Para el lector que sólo tiene un interés general, será suficiente con aclarar que si se ha supuesto ui normalmente distribuido, como lo hemos hecho por las razones ya expuestas, los estimadores MV y MCO de los coeficientes de regresión, los β, son idénticos y esto es válido para regresiones simples al igual que para las regresiones múltiples. El estimador MV σ² es Σu²i/n. Este estimador es sesgado, mientras que el estimador MCO de σ² = Σu²i/(n-2) como hemos visto, es insesgado. Pero, comparando estos dos estimadores de σ², se ve que a medida que el tamaño dela muestra n aumenta, los dos estimadores de σ² tienen a ser iguales. Por tanto, asintóticamente, (es decir, amedida que n crece indefinidamente), el estimador MV de σ² también es insesgado.]]> 2022-07-05 19:59:21 UTC https://padlet.com/joragualongo/7o4mov4k8kpq4q5n/wish/2237483741