Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cap3 Primera Parte
Cap3 Primera Parte
ESTIMACIÓN Capitulo 3
ESTADISTICA
INTRODUCCIÓN
En el capítulo anterior se inició el estudio de la estadística inferencial. En él se
presentaron las razones y métodos de muestreo. Las razones del muestreo son las
siguientes:
• Entrar en contacto con toda la población consume demasiado tiempo.
• El costo de estudiar todos los elementos de la población es muy alto.
σ.
PROPIEDADES DE UN BUEN ESTIMADOR
CONSISTENCIA
Puesto que está vinculado con el tamaño de la muestra, de manera que muestras
mayores dan valores menores de σ , entonces muestras de tamaño grande tienden a
proporcionar estimadores puntuales más cercanos a la media poblacional μ .
Mediante un razonamiento similar, concluya que la proporción muestral es un
estimador consistente de la proporción poblacional p.
ESTIMACIÓN DE MÁXIMA
VEROSIMILITUD
En ocasiones es necesario estimar parámetros distintos de la media o la varianza. Un
enfoque muy general a la estimación, propuesto por R. A. Fisher, se llama el método
de máxima verosimilitud.
Para fijar las ideas, comience con un caso especial.
Suponga que una de dos distribuciones debe prevalecer. Por ejemplo, sea que X
toma los valores posibles 0, 1, 2 o 3 con probabilidades especificadas por la
distribución lo con probabilidades especificadas por la distribución 2 (véase la tabla
y la figura ).concernientes a la media
ESTIMACIÓN DE MÁXIMA
VEROSIMILITUD
ESTIMACIÓN DE MÁXIMA
VEROSIMILITUD
ESTIMACIÓN DE MÁXIMA
VEROSIMILITUD
La primera es la distribución binomial con p = 0.5 y la segunda la binomial con p =
0.4, pero este hecho no es importante para el argumento.
Si observa X = 3,
¿la estimación de la distribución subyacente debería ser la distribución 1 o la
distribución 2?
Suponga que se toma la postura de que se seleccionará la distri-bución para la cual
el valor observado x = 3 tiene la mayor probabilidad de ocurrir.
ESTIMACIÓN DE MÁXIMA
VEROSIMILITUD
Puesto que este cálculo se hace después de obtener los datos, se emplea la
terminologia de máxima verosimilitud en vez de la probabilidad. Para la primera
distribución, P[X = 3] = 0.2500,
Lleve este ejemplo un paso adelante y suponga que X sigue una distribución
binomial con n= 4, pero que es desconocida. Entonces, el conteo X tiene la
distribución
para x = 0, 1, 2, 3, 4
Si nuevamente se observa X= 3, evalúe la distribución binomial en x = 3 y obtenga
para
ESTIMACIÓN DE MÁXIMA
VEROSIMILITUD
que es una función de p. Ahora varie p para explicar mejor el resultado observado
curva, L(p), se ilustra en la figura 7.4.
ESTIMACIÓN DE MÁXIMA
VEROSIMILITUD
Para obtener la mejor explicación para lo que se observo, elija un valor para la
incógnita p en el que ocurra el máximo,
Al emplear cálculo, el máximo ocurre en el Calcular
valor de p p para el cual la derivada es
cero,
)=0
Como la solución p = 0 produce un minimo, la estimación es 0.75. Advierta que
esta derivada es positiva para p < 3/4 y negativa para p > 3/4, confirmando así que
0.75 es el valor máximo global.
ESTIMACIÓN DE MÁXIMA
VEROSIMILITUD
De forma más general, una muestra aleatoria de tamaño n se toma de una
distribución, o densidad, de probabilidad , f(x; θ), que depende del parámetro θ.
La muestra aleatoria produce n valores , ..., que se sustituyen en la distribución de
probabilidad conjunta, o función de densidad de probabilidad y, luego, se estudia la
función resultante de θ.
La función de θ que se obtiene al sustituir los valores observados de la muestra
aleatoria X1 = , ..., en la distribución de probabilidad conjunta o la función de
densidad para , ...,
ESTIMACIÓN DE MÁXIMA
VEROSIMILITUD
Donde
obtenga el estimador de máxima verosimilitud de p.
ESTIMACIÓN DE MÁXIMA VEROSIMILITUD
CON ENSAYOS DE BERNOULLI
La función de verosimilitud es:
Al derivar obtenemos:
ESTIMACIÓN DE MÁXIMA VEROSIMILITUD
CON DISTRIBUCIÓN DE POISSON
sea , ..., una muestra aleatoria de tamaño n de la distribución de Poisson
donde 0 ≤ < ∞.
La función de verosimilitud es:
ESTIMACIÓN DE MÁXIMA VEROSIMILITUD
CON DISTRIBUCIÓN DE POISSON
Al derivar obtenemos
ESTIMACIÓN DE MÁXIMA VEROSIMILITUD
PARA LA MEDIA DE LA DISTRIBUCIÓN NORMAL
sea , ..., una muestra aleatoria de tamaño n de una distribución normal con
varianza conocida. Obtenga el estimador de máxima verosimilitud de µ
.
ESTIMACIÓN DE MÁXIMA VEROSIMILITUD
PARA LA MEDIA DE LA DISTRIBUCIÓN NORMAL
Esta probabilidad se maximiza sobre todos los valores de µ cuando se
minimiza el exponente
n( x − μ)²/ 2σ²
Por lo tanto, el estimador de máxima verosimilitud es
ESTIMADOR DE MÁXIMA VEROSIMILITUD:
PARA LA VARIANZA
DE LA DISTRIBUCIÓN NORMAL
sea , ..., una muestra aleatoria de tamaño n de una distribución normal con
media conocida. obtenga el estimador de máxima verosimilitud de σ2.
La función de verosimilitud es
ESTIMADOR DE MÁXIMA VEROSIMILITUD:
PARA LA VARIANZA
DE LA DISTRIBUCIÓN NORMAL
Este mismo argumento puede extenderse a una propiedad de invarianza más general
para estimadores de máxima verosimilitud, que se enuncia pero no se demuestra.
Específicamente, si g(θ) es una función continua uno a uno de y θ es el estimador
de máxima verosimilitud de , el estimador de máxima verosimilitud de g(θ) se
obtiene mediante sustitución simple.
g(θ) = estimador de máxima verosimilitud de g() = g(θ)
ESTIMADOR DE MÁXIMA
VEROSIMILITUD DE LA FUNCIÓN
DE 𝛌
El número de discos duros defectuosos, fabricados diariamente por una línea de
producción, puede modelarse como una distribución de Poisson. Los conteos para
10 días son
7 3 1 2 4 1 2 3 1 2
obtenga el estimador de máxima verosimilitud de la probabilidad de 0 o 1 defectos
en un día.
ESTIMADOR DE MÁXIMA
VEROSIMILITUD DE LA FUNCIÓN
DE 𝛌
el estimador de máxima verosimilitud de λ es
λ=x= 26/10 = 2.6. En consecuencia, mediante la propiedad de invarianza, el
estimador de máxima verosimilitud de
𝑥 −𝜆
𝒙 𝜆 ⅇ
𝒇 ( ) (
λ
=
𝒙! )
xi med
ia
ESTIMADOR DE MÁXIMA
VEROSIMILITUD: DISTRIBUCIONES
NORMALES
EJEMPLO
b) obtenga el estimador de máxima verosimilitud del coeficiente de variación
σ/µ.
PRACTICA