Conjunto de principios y métodos para inferir parámetros o funciones desconocidas a partir de observaciones ruidosas, junto con medidas cuantitativas del rendimiento del estimador (sesgo, varianza, error cuadrático medio, riesgo) bajo modelos estadísticos y funciones de pérdida especificadas.

Principio

Dado un modelo estadístico y una pérdida, se pueden caracterizar límites de rendimiento (p. ej. la cota de Cramér–Rao para estimadores insesgados bajo regularidad) e identificar estimadores que alcanzan o se aproximan a esos límites asintóticamente (p. ej. máxima verosimilitud bajo condiciones regulares).

Demostración

Escenario ilustrativo → Observaciones muestreadas de una distribución gaussiana con media desconocida y varianza conocida: la media muestral es un estimador insesgado cuya varianza iguala la cota de Cramér–Rao para este modelo, demostrando un estimador eficiente en ese contexto.

Aplicación incorrecta

Asumir que un estimador mantiene su optimalidad bajo mala especificación del modelo o en muestras pequeñas. El error semántico es tratar una garantía asintótica o dependiente del modelo como universal sin verificar supuestos (forma distributiva, independencia, regularidad).

Consecuencia

Los resultados de teoría de la estimación guían el diseño experimental, la selección de sensores, la fusión de datos y la elección de algoritmos proporcionando métricas objetivo de rendimiento y mostrando compromisos (p. ej. sesgo–varianza, tamaño de muestra frente a varianza).

Inversión

Cuando el modelo supuesto es incorrecto, dominan outliers o colas pesadas, o en regímenes de muestra pequeña, las cotas clásicas y la optimalidad asintótica pueden fallar y entonces son necesarias aproximaciones robustas, no paramétricas o bayesianas con criterios de rendimiento distintos.

Límite

Dentro: inferencia paramétrica o semiparamétrica sobre parámetros numéricos bajo modelos estocásticos explícitos y una pérdida especificada. Caso límite: entornos de alta dimensión donde el número de parámetros crece con los datos, cambiando la asintótica. Fuera: resúmenes puramente descriptivos o pruebas de hipótesis cuyo objetivo es la decisión más que la reconstrucción de parámetros.

Tensión semántica

Sesgo ↔ Varianza — reducir el sesgo suele aumentar la varianza y viceversa; el equilibrio preferido depende de la función de pérdida y del contexto operativo.

Síntesis

La Teoría de la Estimación concibe la inferencia como un mapeo de datos a decisiones sobre parámetros con rendimiento cuantificable: la elección práctica del método depende de la fidelidad del modelo, prioridades de pérdida, régimen de muestra y requisitos de robustez, no de un único óptimo universal.