Beruflich Dokumente
Kultur Dokumente
3
3.1
- Supongamos que tenemos una m.a.s. (X1 , ..., Xn ) de una v.a. discreta con distribuci on P (x|) conocida salvo por los par ametros del - Una vez realizada la muestra tenemos (x1 , ..., xn ) y estamos interesados en encontrar un estimador 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 ) = y la denominaremos funci on de verosimilitud. 3.2 Caso continuo
n i=1
P (Xi = xi ) =
n i=1
- 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 del - Una vez realizada la muestra tenemos (x1 , ..., xn ) y estamos interesados en encontrar un estimador 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 ) =
n i=1
fXi (xi ) =
n i=1
3.3
Propiedades
que maximiza la funci - As , el m etodo de m axima verosimilitud consistir a en encontrar el valor on de verosimilitud l(), que coincide con el valor que maximiza log l() M V se calcula igualando la primera derivada de log l() a 0 y - El estimador de m axima verosimilitud comprobando que la segunda derivada en sus soluciones es negativa. mv tiene, bajo ciertas condiciones generales, las siguientes propiedades: - El estimador de m axima verosimilitud es asint oticamente centrado : a medida que crece el tama no muestral el sesgo tiende a cero. sigue asint oticamente una distribuci on normal con media y varianza
1 (log l( )) .
es un estimador asint oticamente eciente : el de todos los estimadores asint oticamente centrados, el de m axima verosimilitud tiene menor varianza m v es el estimador de m m v ) ser es invariante : si axima verosimilitud de , entonces g ( a el
3.4
Distribuciones conocidas
P (xi |p) =
i
n i=1
pxi (1 p)( 1 xi ) = p =(
i
xi (1p)n
i xi
xi (1p)n
i xi
xi ) log p + (n
xi ) log(1 p)
http://www.est.uc3m.es/svegas
P (xi |p) =
i
n i=1 xi
k xi
pxi (1 p)kxi = p
n k i=1 xi
xi
(1 p)nk
i
xi
n k i=1 xi
log l(p) = p p =
1 nk i
xi
(1 p)nk
log
= cte + (
xi ) log p + (nk
xi ) log(1 p)
xi
- X N (, 2 ) Normal l(, 2 ) =
n i=1
f (xi |, 2 ) =
n i=1
2 1 1 e 22 (xi ) 2
2 1 1 e 22 (xi ) ( 2 )n
2 1 1 e 22 (xi ) ( 2 )n
2 = n 2 log(2 )
1 2 2
i (xi ) 2
(xi x )2
f (xi |) =
i
n i=1 xi
exi = n e
i
xi
= n log()
xi
http://www.est.uc3m.es/svegas