Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Euskal Herriko
Unibertsitatea
1. Resumen
De qué trata esta sesión. En el seminario anterior hemos visto cómo estimar cosas mediante el
método de Monte Carlo. Ahora volvemos a utilizar esta técnica, junto con la teorı́a, para examinar
la eficiencia relativa de los estimadores de momentos (M) y de máxima verosimilitud (MV).
Veremos mediante un ejemplo sencillo que, como se espera de la teorı́a, los estimadores MV
superan a los estimadores por momentos, al menos para muestras grandes. Para muestras de tamaño
reducido, puede que no ocurra ası́.
Qué necesitas. Dominar el contenido del seminario y actividad anteriores. También necesitarás
tener acceso a un ordenador equipado con R.
2. Contenido
Supongamos que tenemos datos con un histograma como el de la Figura 1. Si tuviéramos que
ajustar una distribución a estos datos, una buena elección inicial serı́a una γ(a, r) ya que sabemos
que puede tener una forma similar para unos valores adecuados de los parámetros a y r.
r/a = X (1)
n
1 X
r/a2 + r2 /a2 = Xi2 (2)
n i=1
1
Estadı́stica Aplicada a la Economı́a Curso 2021-2022
600
500
400
Frequency
300
200
100
0
1 2 3 4 5
y el logaritmo de la verosimilitud:
n
X n
X
log L (a, r; x1 , . . . , xn ) = nr log (a) − n log Γ (r) + (r − 1) log(xi ) − a xi . (4)
i=1 i=1
2
Estadı́stica Aplicada a la Economı́a Curso 2021-2022
esto nos da para a el mismo resultado que el estimador de momentos (ver (1)).
Sin embargo, cuando derivamos respecto de r tenemos que:
n
X
n log(a) − nψ(r) + log(xi ) = 0 (6)
i=1
donde
∂ log Γ(r)
ψ(r) = (7)
∂r
es la llamada función psi (o digamma). Como r está dentro de ψ(r), es difı́cil resolver (6) para r.
Date cuenta: metemos los dos parámetros formando un vector par; los valores de las x0i s deben estar
en un vector de nombre muestra1 .
Una vez que hemos codificado el logaritmo de la verosimilitud, la pasamos a la función optim. Se
trata de una función de uso general que optimiza el valor de una función respecto a los parámetros
pasados en par.
Haremos todo esto con datos simulados. Generaremos datos de una γ(a = 5, r = 10) y luego
estimaremos los parámetros (ya conocidos, porque hemos sido nosotros los que hemos determinado
su valor):
[1] 1.998211
3
Estadı́stica Aplicada a la Economı́a Curso 2021-2022
[1] 0.3937126
Ahora podemos invocar a optim. El primer argumento es un vector con unos valores iniciales
sugeridos para los parámetros, el segundo argumento es el nombre de la función a optimizar, el
tercero unos valores de control. El fnscale=-1 significa que los valores devueltos por la función
optimizada se multiplican por -1. Hacemos esto porque, por defecto, optim minimiza una función.
Una manera de obtener la maximización deseada es multiplicar por -1.
$par
[1] 5.113283 10.217077
$value
[1] -4578.748
$counts
function gradient
75 NA
$convergence
[1] 0
$message
NULL
En $par se encuentran los valores que maximizan la función. Podemos ver que son muy próximos a
los (en este caso) conocidos valores reales 5 y 10.
Para comparar, podemos calcular los estimadores por momentos. Sustituyendo (1) en (2),
n
2 1X
X/a + X = X2 (8)
n i=1 i
a partir de lo cual,
X
a = Pn 2
1 2
n i=1 Xi −X
2
X
r = Pn 2
1 2
n i=1 Xi −X
En este caso,
[1] 5.076319
4
Estadı́stica Aplicada a la Economı́a Curso 2021-2022
[1] 10.14356
En este caso particular, las estimaciones por momentos están un poco más cerca de los valores
verdaderos que las estimaciones MV. La comparación requerirı́a calcular ambos estimadores un gran
número de veces, tal y como se hizo en la Actividad 1.