Академический Документы
Профессиональный Документы
Культура Документы
3
3.1
Estimadores de M
axima Verosimilitud
Caso discreto
- Supongamos que tenemos una m.a.s. (X1 , ..., Xn ) de una v.a. discreta con distribucion P (x|) conocida salvo
por los par
ametros
- Una vez realizada la muestra tenemos (x1 , ..., xn ) y estamos interesados en encontrar un estimador del
par
ametro que maximice la probabilidad de la muestra.
- Para una muestra dada, la funci
on de probabilidad de la muestra es
P (X1 = x1 , ..., Xn = xn ) =
Qn
i=1
P (Xi = xi ) =
Qn
i=1
y la denominaremos funci
on de verosimilitud.
3.2
Caso continuo
- Supongamos ahora que tenemos una m.a.s (X1 , ..., Xn ) de una v.a. continua con funci
on de densidad f (x|
conocida salvo por los par
ametros
- Una vez realizada la muestra tenemos (x1 , ..., xn ) y estamos interesados en encontrar un estimador del
par
ametro que maximice la funci
on de densidad conjunta de la muestra.
- Para una muestra dada, la funci
on de densidad conjunta de la muestra es
f (x1 , ..., xn ) =
Qn
i=1
fXi (xi ) =
Qn
i=1
y la denominaremos funci
on de verosimilitud.
3.3
Propiedades
- As, el metodo de m
axima verosimilitud consistir
a en encontrar el valor que maximiza la funci
on de
verosimilitud l(), que coincide con el valor que maximiza log l()
- El estimador de m
axima verosimilitud M V se calcula igualando la primera derivada de log l() a 0 y
comprobando que la segunda derivada en sus soluciones es negativa.
- El estimador de m
axima verosimilitud mv tiene, bajo ciertas condiciones generales, las siguientes propiedades:
es asint
oticamente centrado: a medida que crece el tama
no muestral el sesgo tiende a cero.
sigue asint
oticamente una distribucion normal con media y varianza
1
(log l()) .
es un estimador asint
oticamente eficiente: el de todos los estimadores asintoticamente centrados,
el de m
axima verosimilitud tiene menor varianza
es invariante: si m v es el estimador de m
axima verosimilitud de , entonces g(m v) sera el
estimador de m
axima verosimilitud de h(), para cualquier funci
on h continua y biyectiva.
3.4
Distribuciones conocidas
- X B(p) Bernoulli
l(p) =
Qn
i=1
P (xi |p) =
Qn
i=1
xi (1p)n
P
P
n i xi
pxi (1 p)( 1 xi ) = p i xi (1p)
i xi
P
P
= ( i xi ) log p + (n i xi ) log(1 p)
p = x
http://www.est.uc3m.es/svegas
Qn
i=1
log l(p) = p
p =
1
nk
P (xi |p) =
xi
Qn
i=1
(1 p)nk
xi
k
xi
Q
P
P
x
n
p i (1 p)kxi = p i xi (1 p)nk i xi
i=1
log
n
k
i=1 xi
Qn
i=1
f (xi |, 2 ) =
Qn
i=1
2
1
1 e 22 (xi )
2
2
1
1
e 22 (xi )
( 2)n
1
n
(xi x
)2
- X exp() Exponencial
l() =
Qn
i=1
f (xi |) =
1
x
http://www.est.uc3m.es/svegas
Qn
i=1
xi
= n2 log(2 2 )
=x
2 =
P
exi = n e i xi
= n log()
xi
P
P
= cte + ( i xi ) log p + (nk i xi ) log(1 p)
xi
- X N (, 2 ) Normal
l(, 2 ) =
Q
k
xi
2
1
1
e 22 (xi )
( 2)n
2 2
P 1
2
i (xi )