Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Me Todos
Me Todos
Me Todos
tulo 3
Mtodos de estimacin
e
o
3.1
Introduccin
o
3.2
Cap
tulo 3. Mtodos de estimacin
e
o
1 , . . . , k en funcin de a1 , . . . , ar .
o
a1 =
.
.
.
ai =
.
.
.
1 =
.
.
.
i =
.
.
.
g1 (1 , . . . , k )
.
.
.
gi (1 , . . . , k ) i = h(a1 , . . . , ar )
.
.
.
ar = r = gr (1 , . . . , k )
Ejemplo 3.2.1. Sea X N (, ) con = (, 2 ) IR IR+ .
2
Se tiene que = 1 y 2 = 2 1 por lo que:
1 = = g1 (, 2 )
2 = 2 + 2 = g2 (, 2 )
Planteamos dos ecuaciones con los dos primeros momentos para estimar
y
2:
X=
X2 =
1
n
1
n
Xi =
i=1
n
i=1
Xi2 = 2 + 2
= X
2 = X 2 X = S 2
2
3
Por lo tanto
3X 2
3
n
Xi2
i=1
3.3
Este mtodo est basado en una forma naturalde razonar que puede ilustrarse
e
a
de manera sencilla con el siguiente ejemplo.
estimacin de p.
o
La idea parece bastante sensata, ya que se est eligiendo aquel valor de
a
para el que el conjunto de observaciones obtenidas tiene mayor probabilidad. Este
criterio da lugar al principio de la mxima verosimilitud que puede emplearse en
a
mltiples situaciones. En general los estimadores mximo veros
u
a
miles son los que
se sugiere el sentido comn, y usualmente tienen muy buenas propiedades.
u
Denicin 3.3.1. Sea (X1 , . . . , Xn ) una muestra aleatoria simple de una poblacin
o
o
cuya distribucin pertenece a F = {F , }.
o
Se denomina funcin de verosimilitud asociada a la realizacin muestral
o
o
(x1 , . . . , xn ), a la probabilidad o densidad conjunta de la muestra, f (x1 , . . . , xn ),
segn que la variable sea discreta o continua. Esta funcin depende del parmetro,
u
o
a
ya que la muestra es arbitraria pero ja.
Aunque la funcin de verosimilitud es una funcin de , se suele denotar por
o
o
L(x1 , . . . , xn , ) L(x, ) para resaltar que depende de la muestra, en el sentido
o
de que para cada muestra puede obtenerse una funcin de verosimilitud diferente.
o
La funcin de verosimilitud conecta la informacin que se tiene antes del
o
o
experimento.
Denicin 3.3.2. Sea (X1 , . . . , Xn ) una muestra aleatoria simple de una poblacin
o
o
cuya distribucin pertenece a F = {F , }.
o
Cap
tulo 3. Mtodos de estimacin
e
o
L(x, n ) = mx L(x, )
a
3.4
ln L(x, ) = 0.
L(x1 , . . . , xn , ) = n exp{
xi }.
i=1
ln L(x1 , . . . , xn , ) =
n ln
xi
i=1
n
=
xi = 0
i=1
se concluye que el EMV para por este procedimiento viene dado por
1
= .
X
Es importante tener en cuenta que con el mismo modelo paramtrico pueden
e
plantearse distintas verosimilitudes, dependiendo de la informacin muestral disponible.
o
Ejemplo 3.4.2. Suponiendo que el experimento del ejemplo anterior, naliza en
un instante de tiempo jado t0 . En este caso solo se observarn los tiempos de
a
las componentes que fallan antes de t0 , X1 , . . . , Xr y del resto, Xr+1 , . . . , Xn ,
solo que se sabe que duraron ms de t0 .
a
La funcin de verosimilitud vendr dada por:
o
a
r
L(x1 , . . . , xn , ) =
i=1
r
= r exp{
xi } exp{(n r)t0 }.
i=1
r
ln L(x1 , . . . , xn , ) =
xi (n r)t0 = 0
i=1
se concluye que el EMV para por este procedimiento viene dado por
r
i=1 Xi
r
.
+ (n r)t0
Cap
tulo 3. Mtodos de estimacin
e
o
de forma que
n
ln L(x, p) =
xi ln p +
i=1
xi
ln(1 p)
i=1
1
1
xi
ln L(x, p) =
p
p
1p
xi
i=1
cuya solucin es
o
p=
1
n
=0
i=1
xi = x
i=1
1
exp{|x |} x IR, IR
2
h() =
|x(i) |.
i=1
Para examinar la funcin h() hay que estudiar por separado los casos en
o
los que n es par o impar.
Si n = 2k 1 donde k es un entero positivo, se tiene que
k1
h(x(k) ) =
(x(k) x(i) ) +
i=1
(x(i) x(k) ).
i=k+1
Si se elige una cantidad positiva tal que x(k) + < x(k+1) , entonces
n
h(x(k) + ) =
(x(k) + x(i) ) +
i=1
h( ) =
( x(i) ) +
i=1
h( ) =
(x(i) ),
i=k+1
( + x(i) ) +
i=1
(x(i) ) = h( ),
i=k+1
h( ) =
i=1
k+1
(x(i) )
( + x(i) ) +
i=k+2
n
(x(i) ) (k 1)
( x(i) ) + (k + 1) +
i=1
i=k+2
= h( ) + 2 2(x(k+1) ) > h( ),
y el mismo resultado se obtiene cuando se toma del intervalo (x(k1) ,
x(k) ). Entonces, como h() crece fuera del intervalo (x(k) , x(k+1) ) y h es
convexa se concluye que el valor que toma la funcin en este intervalo es el
o
m
nimo global.
Resumiendo, en ambos casos el EMV existe y coincide con la mediana muestral. Sin embargo, para n impar, el EMV es unico y viene dado por X(k) mientras
Cap
tulo 3. Mtodos de estimacin
e
o
L(x, ) =
1
I
I
=
n {x(1) >0} {x(n) <}
1
n
si {x(n) < }
en otro caso
1
I
.
3n {x(n) 3<<x(1) }
3.5
o
stico suciente, pero
en otro caso esta propiedad no tiene porque ser cierta. En el ejemplo 1.4.6 el
conjunto de los estimadores de la forma:
(X(n) 3) + (1 )X(1) ) (0, 1)
son EMV y funcin del estad
o
stico suciente (X(1) , X(n) ); por ejemplo, para =
X(n) + X(1) 3
1
, se obtiene
.
2
2
X2
Sin embargo, si se elige aleatoria, por ejemplo, (X1 , . . . , Xn ) = 2 1 2 ,
X1 + X2
el EMV vale
2
X1
X2
(X(n) 3) + 1 2 1 2 X(1)
2
2
X1 + X2
X1 + X2
que no es solo funcin del suciente.
o
1
1
I
I
=
I
n {x(1) } {x(n) <2} n {x(n) /2<<x(1) }
10
Cap
tulo 3. Mtodos de estimacin
e
o
Invarianza
Otra propiedad a destacar es la invarianza respecto a transformaciones del
parmetro. Esto es,
a
G()
que corresponde a un mximo absoluto, puesto que u() es positiva para < y
a
11
Las integrales
f (x)dx =
ex dx
xex dx =
2
f (x)dx =
2
=
1 1
=0=
2xex dx +
f (x)dx
x2 ex dx
2
2
+ 2 =0= 2
2
f (x)dx
ln f (x)
n
<
2
Var() =
2
1
2
>
=
= cota de F-C-R.
n1
n
n/2
1
= cota de F-C-R.
n2
12
Cap
tulo 3. Mtodos de estimacin
e
o
2
2
E(X ) = Var(X) + E 2 (X) = + 2 , con lo que X no es centrado de 2 .
n
u(1 )
In (1 )(T (x) 1 )
2 1 +
= 1 +
= T (x)
In (1 )
In (1 )
Con lo que queda demostrado el resultado.
3.5.1
Comportamiento asinttico
o
13
,
n
L(xi , 0 ) n
L(x, 0 )
i=1
con lo que se puede asegurar que existe un conjunto C1 con P0 (C1 ) = 1 tal que
si x C1 n1 /n > n1 se verica que
L(x1 , . . . , xn , 0 ) > L(x1 , . . . , xn , 0 ).
Razonando de forma anloga con = 0 + , se tiene en este caso existe un
a
conjunto C2 con P0 (C2 ) = 1 tal que si x C2 n2 /n > n2 se verica que
L(x1 , . . . , xn , 0 ) > L(x1 , . . . , xn , 0 + ).
Adems, ln L(x, ) es continua, por lo que ln L(x, ) presenta un mximo
a
a
en el intervalo ( , + ), y por lo tanto se cumple que
relativo n
0
0
ln L(x, ) = 0.
De esta forma se concluye que n 0 .
n
ra
z.
Corolario 3.5. En las condiciones del teorema anterior el EMV es fuertemente
consistente, si la ecuacin de verosimilitud tiene una unica ra
o
z.
14
Cap
tulo 3. Mtodos de estimacin
e
o
3
existe una sucesin de ra
o
ces de la ecuacin de verosimilitud que resulta consiso
tente, asintticamente normal y asintticamente eciente, es decir, satisface que
o
o
n(n 0 ) N (0,
I(0 )1 ).
u ()
0 = u(n ) = u(0 ) + (n 0 )u (0 ) + (n 0 )2
2
donde | 0 | < |n 0 |.
Por consiguiente,
n(n 0 ) =
u(0 )
u (0 )
u ()
+ (n 0 )
n
2n
(1)
(2)
n
i=1
ln L(xi , )
(1) =
I(0 )
),
n
N (0,
0 n
u(0 ) L
N (0,
n n
ln L(xi , ), al
I(0 )).
n
i=1
2
ln L(xi , )
2
c.s.
I(0 ).
0 n
u ()
1
=
n
n
n
i=1
3
ln L(xi , )
3
u ()
1
n
n
n
i=1
3
ln L(xi , )
3
15
c.s.
i=1
n
i=1
1
K(xi ) k <
n
K(xi ) < k +
i=1
u ()
k + para n sucientemente grande y en
n
conclusin,
o
(n 0 )
u () p
0
2n
u () p
u (0 )
+ (n 0 )
I(0 )
n
2n
u ()
u (0 )
+ (n 0 )
n
2n
con lo que se tiene nalmente que
n(n 0 ) N (0,
1
I(0 )
I(0 )1 ).
z, e
o
y asintticamente eciente.
o
Ejemplo 3.5.4. Continuando con el ejemplo 1.4.1, como se verican las condiciones de regularidad de F-C-R y adems si, por ejemplo, > 1, se tiene que
a
2
3
ln L(x, ) = 3 < 2,
3
N (0, ).
16
Cap
tulo 3. Mtodos de estimacin
e
o
1
n X
1
),
N (0,
1
se deduce que
x
N (0, ).
0
si x 0
n si 0 < x <
P (X(n) x) =
(x/)
1
si x
n
n2
1
2 2 .
2
n + 2 (n + 1)
n
X(n)
Si se estudia la distribucin asinttica de
o
o
, se tiene que
/n
con E (X(n) ) =
n
y Var (X(n) ) = 2
n+1
X(n) L
F con F (x) = lim P
n
n
/n
X(n)
x
/n
X(n)
x
/n
= lim P X(n)
n
x
+1
n
= lim
1+
x
n
= ex .
n
/n
ex si x < 0
1 si x > 0
Ello indica que, en este caso, X(n) tiene distribucin asinttica pero no es
o
o
asintticamente normal.
o
17