You are on page 1of 6

Estimación

Victor Varas Solar

Inferencia Estadística

Instituto IACC

14.12.2017
Desarrollo

1. Hallar el estimador máximo verosímil de υ (tasa promedio) de una población que distribuye
Poisson. Considere el procedimiento descrito en los contenidos de la semana. Se valorará el
proceso en detalle. Interprete su resultado.

La Distribución de Poisson es una distribución de variable discreta, que se aplica principalmente en


situaciones que buscan medir el número de hechos de cierto tipo que se pueden producir en un
intervalo de tiempo o de espacio, bajo supuestos de aleatoriedad y ciertas restricciones,
especializándose en la probabilidad de ocurrencia de sucesos con posibilidades muy pequeñas .
La función de probabilidad se representa como:

𝑒 −𝑣 ∗ 𝑣 𝑥
𝑃(𝑋 = 𝑥) =
𝑥!

Donde υ es la tasa de incidencia media del evento, o tasa promedio, es decir un parámetro que
representa el número de veces que ocurra un fenómeno en un determinado período de tiempo. Por
su parte x es el número de ocurrencias del evento, por lo que esta función nos entrega la
probabilidad de que un acontecimiento suceda precisamente x veces.

El ejercicio planteado pide encontrar el Estimador de Máxima Verosimilitud de la tasa promedio v,


por lo que se debe utilizar el Método de Máxima Verosimilitud. En este sentido cabe recordar que
la Función de Verosimilitud para una muestra de tamaño n de variables aleatorias x, que definen a
una población con parámetro θ, a través de una función de probabilidad 𝑓(𝑥; 𝜃), se estructura
como:
𝑛

𝐿(𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 ; 𝜃) = ∏ 𝑓(𝑥𝑖 ; 𝜃)
𝑖=1

Por lo que para encontrar el Estimador de Máxima Verosimilitud, lo primero es tomar esta Función
de Verosimilitud y transformarla en una función monótona a través de logaritmo natural, para luego
derivar y luego igualando a 0. Por lo tanto se tiene:
𝑛
𝑒 −𝑣 ∗ 𝑣 𝑥𝑖
𝐿(𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 ; 𝑣) = ∏
𝑥𝑖 !
𝑖=1
−𝑣 𝑥1 −𝑣
𝑒 ∗𝑣 𝑒 ∗ 𝑣 𝑥3 𝑒 −𝑣 ∗ 𝑣 𝑥𝑛
𝐿(𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 ; 𝑣) = ∗ ∗ ⋯∗
𝑥1 ! 𝑥2 ! 𝑥𝑛 !
𝑒 −𝑛𝑣 ∗ 𝑣 ∑ 𝑥𝑖
𝐿(𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 ; 𝑣) =
∏ 𝑥𝑖 !

Donde ∏ 𝑥𝑖 ! es una constante que se puede denotar por k, por lo que al aplicar logaritmo natural
a la función queda de la siguiente forma:
𝑙𝑛(𝑒 −𝑛𝑣 ∗ 𝑣 ∑ 𝑥𝑖 )
𝑙𝑛(𝐿(𝑥; 𝜐) ) =
∏ 𝑥𝑖 !

Dado que por propiedades de los logaritmos se tiene que 𝑙𝑛(𝑎 ∗ 𝑏) = 𝑙𝑛(𝑎) + 𝑙𝑛(𝑏), y en paralelo
que 𝑙𝑛(𝑎/𝑏) = 𝑙𝑛(𝑎) − 𝑙𝑛(𝑏), y además que 𝑙𝑛(𝑎𝑛 ) = 𝑛 ∗ 𝑙𝑛(𝑎)𝑦 𝑙𝑛(𝑒) = 1, la expresión queda:
𝑛

𝑙𝑛(𝐿(𝑥; 𝜐) ) = −𝑛𝑣 + ∑ 𝑥𝑖 𝑙𝑛(𝑣) − 𝑙𝑛(𝑘)


𝑖=1

Que es la fórmula que hay que maximizar a través de la derivada del parámetro, lo que resulta en
lo siguiente:
𝜕𝑙𝑛(𝐿(𝑥; 𝜐) ) ∑ 𝑥𝑖
= −𝑛 +
𝜕𝜐 𝑣

Que es lo que hay que igualar a 0, por lo tanto:


∑ 𝑥𝑖
−𝑛 + =0
𝑣
∑ 𝑥𝑖
=𝑛
𝑣
∑ 𝑥𝑖
=𝜐
𝑛
Luego el Estimador de Máximo Verosimilitud de la Tasa Promedio υ es la media de la muestra:
𝑣̂=𝑥̅

Esto es correcto ya que, la tasa promedio es igual a la media en la distribución de Poisson.


2. Si x es una variable aleatoria con la siguiente distribución de probabilidad:

(𝑎 + 1) ∗ 𝑥 𝑎 ; 0<𝑥<1
𝑓(𝑥) = {
0 ; 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

Encontrar el estimador máximo verosímil de  , basado en una muestra de tamaño n.

Suponga una muestra aleatoria 𝑋1 , 𝑋2 , … , 𝑋𝑛 con 𝑋~𝐵𝑒𝑟𝑛𝑜𝑢𝑙𝑙𝑖 (𝑎):


𝐿(𝑋1 , 𝑋2 , … , 𝑋𝑛 ; 𝑎) = 𝑎(𝑋1 = 𝑋1 , 𝑋2 , … , 𝑋𝑛 ; 𝑎)
Por independencia:
𝑛 𝑛

∏ 𝑎(𝑋𝑖 = 𝑋𝑖 ) = ∏(𝑎 + 1) ∗ 𝑥𝑎
𝑖=1 𝑖=1
𝑛

= (𝑎 + 1) ∗ ∏ 𝑥 𝑎
𝑛

𝑖=1

= (𝑎 + 1)𝑛 ∗ 𝑛!𝑎

Se aplica logaritmo:
𝑛
ln 𝐿(𝑋1 , 𝑋2 , … , 𝑋𝑛 ; 𝑎) = ln[(𝑎 + 1) ∗ 𝑛!𝑎 ]
Se aplican propiedades de los logaritmos:

𝑛
= ln(𝑎 + 1) + ln 𝑛!𝑎

= 𝑛 ∗ ln(𝑎 + 1) + 𝑎 ∗ ln 𝑛!
𝑛
= 𝑛 ∗ ln(𝑎 + 1) + 𝑎 ∗ ∑ ln 𝑥
𝑖=1
Se deriva respecto del parámetro a:
𝑛
𝜕 𝑛
ln 𝐿(𝑋1 , 𝑋2 , … , 𝑋𝑛 ; 𝑎) = + ∑ ln 𝑥
𝜕𝑎 𝑎+1
𝑖=1

Se iguala a cero para hallar el máximo:


𝑛
𝑛
+ ∑ ln 𝑥 = 0
𝑎+1
𝑖=1
−𝑛
𝑎+1=
∑𝑛𝑖=1 ln 𝑥
−𝑛
𝑎= −1
∑𝑛𝑖=1 ln 𝑥

Bibliografía
 Contenido semana 4; Inferencia Estadística; Instituto IACC; www.iacc.cl

You might also like