+)6-,4) #

March 25, 2008

Metodo de Mxima Verosimilitud

Sea

8 Z el n de pacientes contagiados con Z = i=1 Xi donde Xi Ber(p) Z Bin(8, p) X1 = 1, X2 = 1, X3 = 0, X4 = 0, X5 = 0, X6 = 1, X7 = 1, X8 = 1 W (p) = P r(Z = 5) = ( 8 )p5 (1 p)3 5
***********graco****************

Se llama funcin de verosimilitud a la densidad conjunta del vector conformado por los valores muestrales

x1 , ..., xn :
n i=1

f (x1 , ..., xn /) =

f (xi /) = (x1 , ..., xn ) que

El estimador mximo verossmil es aquella expresin hace mxima la funcin de verosimilitud.

Ejemplo

Sea

X1 , ..., Xn

una m.a.s.

de una v.a.

X Ber(p).

Encontrar el estimador

mximo verosmil

p de p.

Armar funcin de verosimilitud:

fn (x/p) = f (x/p) = fn (x/p) =

n i=1 x

f (xi /p)

p (1 p)1x 0 p 1, x = 0, 1 n pxi (1 p)1xi

i=1 n
i=1

= p = p

xi xi

(1 p)n (1 p)n

n
i=1

xi xi

n
i=1

n
i=1

=0 p

En este caso es fcil derivar la expresin, sin embargo hay ocaciones donde este clculo es un poo complejo. Para ello recurrimos al siguiente truco:

p ln(fn (x/p)) = 0 encontrar lo que buscamos.

Derivar
Demostracin

p fn (x/p)

= 0,

ambos metodos permiten

1 p [ln(f (x/p))] = p f (x/p) f (x/p) = 0 como f (x/p) > 0 (funcin de densidad). p f (x/p) = 0 que es la expresin usual para encontrar los puntos criticos de f. n n

fn (x/p) = p i=1 xi (1 p)n i=1 xi /ln L(p) = ln(fn (x/p) = xi ln(p) + (n xi )ln(1 p) xi n xi L = =0 p p 1p
Despejamos

p: p =

n
i=1

xi

n p=x

=x

Otro:

Sea

verosimil

x1 , ..., xn m.a.s. de .

de v.a.

X U [0, ].

Encontrar estimador mximo

1 si 0 x f (x/) = { 0 si no
Solucin

fn (x/) =
para

1 n (forma incorrecta o inapropiada para escribir fn (x/) n = Para hacer fn (x/) mxima, deberamos encontrar el valor ms pequeo

. fn (x/)
1
n

Forma completa de escribir

f (x/) = {
Que los

si 0 x1 , ..., xn 0 si no

xi

sean inferiores a

es equivalente a plantear que

M ax{xi } min{xi }
se alcanza cuando

El valor ms pequeo para

El estimador mximo verosmil

de
2

es

= M ax{xi } = M ax{xi }.

Ejercicio

Encontrar

E()

V ar().

Recordar que

mom = 2 x

Nota

El E.M.V. (Estimador Mximo Verosmil) puedo no existir o no ser nico.

Ejercicio

Encuentre el E.M.V 1. 2.

de

si

X1 , ..., Xn

es una m.a.s. de

tal que:

X U (0, )

si

0<x<

X U [ 1 , + 1 ] 2 2

Distribucin a Posteriori

El mtodo de Bayes asume la existencia de una distribucin a priori para el parmetro desconocido, por lo cual se convierte en v.a. a su vez. En este caso se procede a recalcular la distribucin del parmetro, dados los resultados de la muestra, obtenindose una distribucin a posteriori:

(|x) =

fn (x/)() f (x/)()d n

En la estimacin bayesiana tenemos 2 elementos: 1. Una distribucin a priori para el parmetro en cuestin. 2. Se cuenta con una m.a.s. Llamemos

X1 , ..., Xn ()

de una v.a.

con

f (x/parmetro)

al parmetro buscado y

a su densidad

supuesta o dada.
dada la eviden-

Por otro lado tenemos

f (x/)

la densidad para

x. (())

Es posible actualizar nuestro conocimiento sobre cia proporcionada por la muestra?

Dicho de otra manera, puedo construir una distribucin  a

posteriori 

para

usando como evidencia la muesta?

(|x) =
Teorema de Bayes:

fn (x/)() f (x/)()d n

Sea

B1 , ..., Bn

una particin disjunta de eventos y

otro evento, entonces.

P (A|Bi ) P (Bi ) P (Bi |A) = n j=1 P (A|Bj ) P (Bj )

Ejemplo

Suponga que el n de defectos en una cinta magntica de 1.200 pies tiene una distribucin de de parmetros

P oisson(), y = 3 y = 1.

que la distribucin a priori de Encontrar la densidad

es una

(|x)

a posteriori para

Gamma .

Solucin

()

1 e () xi en n i=1 xi !

fn (x/) =