Professional Documents
Culture Documents
PRINCIPIO DE MXIMA VEROSIMILITUD Como introduccin consideremos un problema sencillo de estimacin. Supongamos que una urna contiene cierto nmero de bolas negras y bolas blancas, y admitimos que se sabe la razn de los nmeros de ambos colores es de tres es a uno, pero no se conoce si las ms numerosas son las bolas 1 3 blancas o las negras. Esto es, la probabilidad de sacar una bola negra es un o . Si se extraen de 4 4 la urna, con reemplazamiento, la distribucin del nmero de bolas negras x es la binomial:
n f ( x; p) = p x q n x x
x = 0, 1, 2, ..., n 1 3 p= , 4 4
donde q = 1 p y p es la probabilidad de extraer una bola negra. Extraeremos una muestra de tres bolas con reemplazamiento, tratando de estimar el parmetro desconocido p de la distribucin. El problema de estimacin resulta especialmente sencillo en este caso, ya que solo tenemos que elegir entre los nmeros 0,25 y 0,75. Vamos anticipar el resultado de la extraccin de la muestra. A continuacin mostraremos los nmeros que pueden obtenerse y sus probabilidades en las dos posibilidades consideradas: 0 1 2 3 x 1 9 27 27 3 f ( x; ) 64 64 64 64 4 27 27 9 1 1 f ( x; ) 64 64 64 64 4 Supongamos que obtenemos x = 0 (extraer una bola negra y no sea negra) en una muestra de tamao
27 1 superior a ; esto 64 64 1 es, porque es ms probable obtener una muestra con x = 0 si la poblacin tiene p = , que si tiene 4 3 p = . En general, tomaremos como estimacin de p 0,25 si x = 0 1, y 0,75 si x = 2 3. El 4
3, preferimos la estimacin 0,25 a la 0,75 para p , por ser la probabilidad estimador puede definirse as:
0, 25 p( x) = 0, 75
x = 0, 1 x = 2, 3
p , tal que Por tanto, se toma como estimacin para cada x el valor de p , o sea f ( x; p) > f ( x; p ') siendo p ' el otro valor posible de p .
Con mayor generalidad, si fuesen posibles varios valores de p , podramos proceder razonablemente del mismo modo. As, si obtenemos x = 6 en una muestra de 25 de una poblacin binomial, sustituiremos todos los valores posibles de p en la expresin
25 f (6; p ) = p 6 (1 p )19 6
0 p 1
f (6; p ) . Dado que no tenemos
informacin con respecto a la proporcin como debe ser p , entonces para determinar el valor mximo para p debemos calcular la derivada con respecto a p e igualarla a cero y resolviendo la ecuacin en p resultante. As se obtiene
p=0 p =1 p= 6 25
(1 p) = 0 1 p = 0
6(1 p ) 19 p = 0 6 6 p 19 p = 0
Como podemos observar los posibles valores de p son 0, 1,
el valor observado x = 2 para cada uno de estos valores de se muestran a continuacin: Como la funcin de Poisson es
P ( x; ) =
Entonces para x = 2 nos queda as:
x exp( )
x!
x>0
P (2; ) =
2 exp( )
2! 3 2
2
p (2; )
5 2
Aparentemente p (2; ) crece hasta un valor mximo de 0,2707 para = 2 , y disminuye para > 2 . Por tanto el valor de = 2 es el que maximiza la probabilidad del valor observado. En otras palabras, la observacin x = 2 tiene una probabilidad mayor de ocurrencia para una distribucin de Poisson con = 2 que para cualquier otro valor del parmetro . Como podemos observar el razonamiento anterior es muy subjetivo dado que nos hemos dado los valores para el parmetro , pero por otra parte si la funcin de Poisson cuando x = 2 es
P(2; ) =
2 exp( )
2!
2 exp( )
2
d 2 P(2; ) 2 = exp( ) 1 2 + d 2 2
Evaluando en = 2 se obtiene exp( ) < 0 . De esta forma, el valor = 2 maximiza la funcin de probabilidad cuando x = 2 . Este valor recibe el nombre de estimador de mxima verosimilitud. En esencia, el mtodo de estimacin por mxima verosimilitud, selecciona como estimador a aqul valor del parmetro que tiene la propiedad de maximizar el valor de la probabilidad de la muestra aleatoria observada. En otras palabras, el mtodo de mxima verosimilitud consiste en encontrar el valor del parmetro que maximiza la funcin de verosimilitud.
FUNCIN DE VEROSIMILITUD Definicin: La funcin de verosimilitud de n variables aleatorias x1 , x2 , ..., xn es la densidad conjunta de las n variables g ( x1 , x2 ,..., xn ); ) , la cual se supone tambin funcin de . En particular, si x1 , x2 , ..., xn es una muestra aleatoria de la densidad f ( x; ) , la funcin de verosimilitud es
g ( x1 , x2 ,..., xn ); ) = f ( x1 ; ) f ( x2 ; ) f ( x3 ; ) ... f ( xn ; )
Definicin: Estimador mximo-verosmil. Sea L( ) = g ( x1 , x2 , x3 ,..., xn ; ) la funcin de verosimilitud