Professional Documents
Culture Documents
Seccin : Bsqueda de estimadores Previo : Estimacin por ajuste Siguiente : Nocin de verosimilitud
Hasta ahora el nico modelo probabilista que hemos considerado para datos observados, supona que estos eran realizaciones de variables independientes de una misma ley. Esto equivale a decir que los individuos en los cuales se tomaron los datos son intercambiables y que las diferencias observadas entre ellos son imputables solamente al azar. En numerosas situaciones, se busca explicar estas diferencias, es decir, atribuirlas a los efectos de otros carcteres medidos en los mismos individuos. La modelacin probabilista considerar que la medicin a explicar, realizada en un individuo dado, es una variable aleatoria cuya ley depende de los valores observados, en ese individuo, de los carcteres explicativos, considerados como deterministas. Si denota la variable aleatoria asociada al individuo y son los
valores que toman, para ese individuo, los carcteres explicativos , se separar el efecto determinista y el efecto aleatorio por un modelo del tipo:
donde
es
una
-tupla
de
variables
aleatorias
independientes con una misma ley. Hablamos entonces de un modelo de regresin. La funcin depende de uno o varios parmetros desconocidos, que hay que estimar. Para esto se busca minimizar el
ljk.imag.fr/membres/Bernard.Ycart/emel/cours/ep/node10.html 1/5
30/11/13
En algunos casos clsicos, sabemos resolver explcitamente este problema de minimizacin y la solucin de estos est implementada en los logiciales de clculo estadstico. Cuando una solucin explcita es imposible, recurrimos a algoritmos de minimizacin, como por ejemplo el algoritmo del gradiente. El caso ms elemental es el de la regresin lineal simple, donde hay un nico carcter explicativo y la funcin es afn:
Los valores de y que minimizan el error cuadrtico se expresan en funcin de las medias, varianzas y covarianzas empricas de y de . Denotamos: la media emprica de . .
.
2/5
30/11/13
. y y . .
no es constante), la funcin
Las variables aleatorias y son los estimadores de mnimos cuadrados de los parmetros y . En un problema de ajuste, podemos emplear los estimadores de mnimos cuadrados para estimar los parmetros de algunas leyes. Vamos a tratar, como ejemplo, las leyes normales y las leyes de Weibull. Leyes normales: Sea ley normal Para valores una muestra de tamao y de la
son desconocidos.
ordenados del menor al mayor). Si la hiptesis de normalidad debe estar cerca del cuantil de la sigue la ley
3/5
ljk.imag.fr/membres/Bernard.Ycart/emel/cours/ep/node10.html
30/11/13
sigue la ley
los valores de la funcin cuantil de la ley . Si la hiptesis de normalidad se verifica, los deberan estar cerca de la recta de y son por
respectivamente.
est
Sea
, de parmetros
, el estadgrafo de orden
debe
Empleando logaritmos:
ljk.imag.fr/membres/Bernard.Ycart/emel/cours/ep/node10.html 4/5
30/11/13
Denotemos
. Los puntos
deberan estar cerca de la recta de ecuacin . Los estimadores de mnimos cuadrados y para la regresin lineal de los con respecto a los son estimadores de y respectivamente. Por tanto de y respectivamente. y son estimadores
Seccin : Bsqueda de estimadores Previo : Estimacin por ajuste Siguiente : Nocin de verosimilitud
ljk.imag.fr/membres/Bernard.Ycart/emel/cours/ep/node10.html
5/5