MÉTODO DE MÁXIMA

VEROSIMILITUD
Sea θ el parámetro a estimar, de una población X distribuida como f (x, θ) y sea
X1 , X2 , . . . , Xn una muestra al azar de la población X. El procedimiento para obtener el
estimador de máxima verosimilitud del parámetro θ es como sigue:
1. Determinar la distribución conjunta de la muestra en sus valores observados
respectivos x1 , x2 , . . . , xn . Esta función del parámetro θ conocida también como
función de verosimilitud está definida por:
n
Y
L (θ) = f (x1 , x2 , . . . , xn , θ) = f (x1 , θ) × f (x2 , θ) × . . . f (xn , θ) = f (xi , θ)
i=1

2. Obtener el valor de θ̂ del parámetro que maximiza a la función L (θ). Este

valor, que a su vez depende de los valores de la muestra, es la estimación de
máxima verosimilitud (EVM) del parámetro θ y su función correspondiente
es el estimador de máxima verosimilitud del parámetro.

3. Para maximizar L (θ), a menudo se usa la transformación L = ln (L (θ)). En

este caso el valor de θ̂ que maximiza a L y por lo tanto a L (θ), es la solución
de la ecuación:
dL
=0
dθ
4. Si la distribución de probabilidades de la población X contiene k parámetros
θ1 , θ2 , . . . , θk , entonces, la función de verosimilitud se define por:
n
Y
L (θ1 , θ2 , . . . , θk ) = f (xi , θ1 , θ2 , . . . , θk )
i=1

La estimación de máxima verosimilitud de cada parámetro θi es la solución θ̂i

de la ecuación respectiva:
∂L ∂L ∂L
= 0, = 0, ..., =0
∂θ1 ∂θ2 ∂θk

EJEMPLO 01
Sea X1 , X2 , . . . , Xn una muestra aleatoria de tamaño n, seleccionada de una población
X con distribución Bernoulli o binomial (1,p). Obtenga el estimador del parámetro p
aplicando el método de máxima verosimilitud.

La distribución de probabilidad de cada variable aleatoria Xi está dada por:

f (xi , p) = pxi (1 − p)1−x1 , donde xi = 0, 1
Entonces, la función de verosimilitud de la muestra aleatoria es:

1
 n P P
Xi
(1 − p)n− Xi
Y
L (p) = f (xi , p) = (p)
i=1

Aplicando logaritmos naturales, se tiene:

n n
!
X X
L = ln (L (p)) = xi × lnp + n − xi × ln (1 − p)
i=1 i=1

Derivando la función L con respecto a p e igualando a cero se tiene:

Pn
n − ni=1 xi
P
dL i=1 xi
= − = 0, con p ̸= 0 y p ̸= 1
dp p 1−p
Resolviendo la ecuación resulta que:
Pn
i=1 xi
=p
p̂ =
n
Por lo tanto, la proporción muestral p es la estimación de máxima verosimilitud de la
proporción p de éxitos de la población Bernoulli.

EJEMPLO 02
Sea X1 , X2 , . . . , Xn una muestra aleatoria escogida de una población X con distribu-
ción normal N (µ, σ 2 ). Obtener el estimador de la media µ y de la varianza σ 2 por el
método de máxima verosimilitud.

La distribución de probabilidad de la población normal de parámetros µ y σ 2 asociada

a cada variable aleatoria Xi de la muestra está dada por:
1 1 x−µ 2
f x, µ, σ 2 = √ e− 2 ( σ )
 

σ 2π
Entonces, la función de verosimilitud de la muestra es:
n
!n n

2
 Y 
2
 1 Y − 12 ( x−µ
σ )
2
L µ, σ = f x, µ, σ = √ × e
i=1 σ 2π i=1
− n Pn
1
(xi −µ)2
  
L µ, σ 2 = 2πσ 2 2
× e− 2σ2 × i=1

Aplicando logaritmos naturales se tiene:

n
   n   1
L = ln L µ, σ 2 × ln 2πσ 2 − 2 × (xi − µ)2
X
=−
2 2σ i=1

Derivando la función L con respecto a µ e igualando a cero se obtiene:

n
dL 1 X
= −0 + 2 × (xi − µ) = 0
dµ σ i=1

De donde resulta:
Pn
i=1 xi
µ̂ = =x
n

2
 Por lo tanto, la media muestral x es la estimación de máxima verosimilitud de la media
µ de la población normal.
Por otro lado, derivando la función L con respecto a σ 2 e igualando a cero se obtiene:
n
dL 1 n 1 X
= − × + × (xi − µ) = 0
dσ 2 2 σ 2 2σ 4 i=1
De donde resulta:

(xi − x)2
Pn
2 i=1
σ̂ =
n
2
Por lo tanto, la varianza muestral sn es la estimación de máxima verosimilitud del
parámetro σ 2 de la distribución normal.