Metodo de Maxima Verosimilitud Agosto 2015

UNIVERSIDAD PRIVADA DE TACNA
ESCUELA PROFESIONAL DE INGENIERA CIVIL
HIDROLO
GIA
INTRODUCCIN
Muchos procedimientos estadsticos suponen que los datos siguen algn tipo de modelo
matemtico que se define mediante una ecuacin, en la que se desconoce alguno de sus
parmetros, siendo stos calculados o estimados a partir de la informacin obtenida en un estudio
bien diseado para tal fin. Existen diferentes procedimientos para estimar los coeficientes de un
modelo de regresin, o para estimar los parmetros de una distribucin de probabilidad. De entre
esos procedimientos probablemente el ms verstil, ya que se puede aplicar en gran cantidad de
situaciones, y por ello uno de los ms empleado se conoce con el nombre de "mtodo de mxima
verosimilitud" (en ingls "method of maximum likelihood").
Aunque para aquellos que tiene una formacin estadstica este mtodo es perfectamente conocido
y comprendido, sin embargo muchos de los usuarios de los programas estadsticos, que estn
habituados a calcular modelos de regresin logstica, o modelos de supervivencia de riesgo
proporcional o de Cox, modelos de Poisson, y muchos otros, desconocen cmo se efecta la
estimacin de los coeficientes de esos modelos, por lo que nos parece adecuado dedicar una de
stas pginas mensuales a describir su filosofa e interpretacin. Por otro lado, no es infrecuente
que empleemos tcnicas de forma habitual y mecnica, sin conocer en qu se sustentan y en
ltima instancia en qu consisten realmente: no me cabe ninguna duda que casi todo el mundo
tiene claro qu es una distribucin de probabilidad normal, pero cunta gente que utiliza la t de
Student sabe qu es realmente eso?
Podemos considerar que el mtodo de mxima verosimilitud, abreviado a menudo como MLE, tal y
como hoy lo conocemos e interpretamos fue propuesto por Fisher (1890-1962), aunque ya de una
forma mucho ms artificiosa fue inicialmente atisbado por Bernoulli (1700-1782), cuyo
planteamiento fue revisado y modificado por su coetneo y amigo el gran matemtico Euler (17071783). Sin embargo la resolucin de los problemas numricos planteados por este mtodo en la
mayor parte de los casos son de tal magnitud que no ha sido posible su amplia utilizacin hasta la
llegada de los modernos ordenadores.
METODO DE LA MAXIMA VEROSIMILITUD

HIDROLO
GIA
METODO DE MAXIMA DE VEROSIMILITUD

OBJETIVOS:
Nuestro objetivo es estimar el valor de . Para ello, extraemos de la urna 2 bolas

con reemplazamiento. Supongamos que la primera bola extrada es blanca (B) y
la segunda es negra (N).

El objetivo es entonces construir funciones de los xi que permitan estimar los
parmetros . Una funcin de x1,...,xn que no contiene parmetros desconocidos
se denomina estadstica.
Una estadstica que se utiliza para estimar una propiedad de una pdf (media,
varianza, etc.) se llama un estimador.
APLICACIONES
Los mtodos de mxima verosimilitud (MMV) ofrecen un marco alternativo a la estadstica

frecuentista convencional, alejndose del uso del p-valor para el rechazo de una nica
hiptesis nula y optando por el uso de las verosimilitudes para evaluar el grado de apoyo
en los datos a un conjunto de hiptesis alternativas (o modelos) de inters para el
investigador. Estos mtodos han sido ampliamente aplicados en ecologa en el marco de
los modelos de vecindad. Dichos modelos usan una aproximacin espacialmente explcita
para describir procesos demogrficos de plantas o procesos ecosistmicos en funcin de
los atributos de los individuos vecinos. Se trata por tanto de modelos fenomenolgicos
cuya principal utilidad radica en funcionar como herramientas de sntesis de los mltiples
mecanismos por los que las especies pueden interactuar e influenciar su entorno,
proporcionando una medida del efecto per cpita de individuos de distintas caractersticas
(ej. tamao, especie, rasgos fisiolgicos) sobre los procesos de inters. La gran ventaja de

HIDROLO
GIA
aplicar los MMV en el marco de los modelos de vecindad es que permite ajustar y
comparar mltiples modelos que usen distintos atributos de los vecinos y/o formas
funcionales para seleccionar aquel con mayor soporte emprico. De esta manera, cada
modelo funcionar como un experimento virtual para responder preguntas relacionadas
con la magnitud y extensin espacial de los efectos de distintas especies coexistentes, y
extraer conclusiones sobre posibles implicaciones para el funcionamiento de comunidades
y ecosistemas. Este trabajo sintetiza las tcnicas de implementacin de los MMV y los
modelos de vecindad en ecologa terrestre, resumiendo su uso hasta la fecha y destacando
nuevas lneas de aplicacin
EL PRINCIPIO DE MXIMA VEROSIMILITUD

Supongamos que se desea estimar la prevalencia en Espaa de personas de ms de 50 aos con
cifras de tensin igual o superior a 160/100 mmHg. Vamos a llamar a esa prevalencia p y si se
calcula en tanto por 1 ser 0< p <1. Para ello se obtiene una muestra aleatoria y representativa de
esa poblacin de tamao N. Supongamos que denotamos con la letra X el nmero de sujetos que
presentan cifras tensionales iguales o superiores a los lmites fijados en nuestra muestra. El valor
concreto que observaremos para X puede ser 0 (ningn sujeto), 1, 2, hasta como mximo N (todos
los sujetos).
En este ejemplo es razonable suponer que la variable aleatoria X, nmero de sujetos con cifras
altas de tensin, que observaremos en nuestro estudio (es aleatoria porque si repetimos el trabajo
con otra muestra diferente del mismo tamao es poco probable que el valor observado sea
exactamente el mismo) siga una distribucin de probabilidad binomial, cuya frmula es la siguiente:
donde CX,N es el nmero combinatorio que se calcula como N!/X!(N-X)!

Para simplificar la exposicin, supongamos que se utiliza una muestra de N=200 sujetos. Una vez
que efectuamos el estudio conocemos el valor de X y podemos calcular la probabilidad de observar
exactamente ese valor para diferentes prevalencias posibles en la poblacin. Esa probabilidad que
hemos llamado P(X) es funcin de N, X y p; luego conocidas las dos primeras variables podemos
probar con distintos valores de prevalencia p y determinar qu valor de prevalencia en la poblacin
nos conduce a una mayor P(X), o lo que es lo mismo para qu valor real de la prevalencia en la

HIDROLO
GIA
poblacin es ms probable que observemos ese valor concreto de X en una muestra aleatoria de N
sujetos.
Supongamos que el nmero X de pacientes con cifras de tensin iguales o superiores al lmite
prefijado es de 60. Podemos plantear cul es la probabilidad de obtener 60 sujetos hipertensos en
una muestra de 200 personas si la prevalencia real fuera de p=0.2. Substituyendo esos valores en
la ecuacin [1] obtenemos P(X)=0.00022. Si la prevalencia real fuera p=0.3 el valor de P(X)
calculado sera 0.06146, mayor que el anterior; y si p=0.4 entonces P(X)=0.00082, que tambin es
menor que el calculado para p=0.3. El mtodo de mxima verosimilitud nos dice que escogeremos
como valor estimado del parmetro aqul que tiene mayor probabilidad de ocurrir segn lo que
hemos observado, es decir aqul que es ms compatible con los datos observados, siempre
suponiendo que es correcto el modelo matemtico postulado.
Obviamente no se trata de ir probando diferentes valores del parmetro, en este caso de la
prevalencia p, para ver cul es que proporciona un mayor valor de verosimilitud. La ecuacin [1],
una vez fijados en nuestro estudio N y X, es nicamente funcin de p, por lo que podemos
representar en una grfica el resultado de sustituir diferentes valores de p en esa ecuacin y
obtendremos una grfica como la de la figura 1, donde se ve que esa funcin tiene su valor
mximo para 0.3. Luego con ese modelo matemtico 0.3 es el valor de la prevalencia ms
verosmil de acuerdo con los datos que hemos obtenido en nuestro estudio (N=200, X=60)
Desde luego para poder representar esa grfica, salvo que dispongamos de un programa
adecuado, tambin tenemos que calcular cada pareja de valores (Verosimilitud,p) y adems
despus dibujarlos. Sin embargo existe un procedimiento matemtico para determinar el punto
mximo o mnimo de una ecuacin, que consiste en calcular la derivada de la funcin e igualar a

HIDROLO
GIA
cero. Se trata en realidad de determinar, de forma matemtica, la pendiente en cada punto (eso es
la derivada) y en el punto mximo sabemos que la pendiente es cero (basta mirar la figura 1). Si el
lector todava recuerda como se haca eso y prueba con la ecuacin [1], puede comprobar que el
mximo de esa funcin se obtiene para el valor de p calculado como X/N, que no es mas que la
proporcin de sujetos hipertensos observada en nuestro estudio, lo que por otro lado parece obvio,
pero resulta bastante tranquilizador que las matemticas corroboren algo que nos parece obvio, a
saber que la estimacin ms verosmil de una proporcin a partir de una muestra aleatoria
corresponde al cociente entre el nmero de sucesos partido por el tamao de la muestra. Sin
embargo este razonamiento es general y hay muchos casos en el que el resultado no es tan
sencillo y s es imprescindible la matemtica para estimar
los parmetros.
ESTIMACIN DE MODELOS POR EL MTODO DE MXIMA

VEROSIMILITUD
El mtodo de mxima verosimilitud se utiliza por ejemplo para estimar los coeficientes de
un modelo logstico de regresin, en el que se calcula la probabilidad de que ocurra un
determinado suceso mediante la siguiente ecuacin:
[2]
donde p es la probabilidad de que ocurra el suceso de inters y xi son los posibles factores
(factores de riesgo) que se piensa que estn relacionados con la probabilidad de que el suceso se
produzca.
Ahora a partir de los datos de la muestra, para los que hemos observado si se ha producido o no el
suceso, y a partir de los valores de los factores de riesgo en cada caso de la muestra, se trata de
estimar los valores de los coeficientes bi en el modelo para cada factor de riesgo, lo que entre otras
cosas nos permite calibrar el efecto de esos factores en la probabilidad de que el suceso ocurra. Si
denominamos de forma compacta a esos coeficientes con la letra b (vector de valores), y dado que
los valores de los factores x son conocidos para cada sujeto, la probabilidad p es funcin de los
coeficientes b, y lo representamos como p=f(b).
Si p es la probabilidad de que ocurra el suceso, la de que NO ocurra ser 1-p, y entonces en los
sujetos en los que ocurri el suceso vendr dada por p(xi), mientras que para un sujeto en el que
NO ocurre el suceso, se calcula como 1-p(xi). Siendo ambas expresiones funcin de b.

HIDROLO
GIA
Si la muestra es aleatoria y las observaciones son independientes entre s, la probabilidad de que

un sujeto de la muestra experimente el suceso es independiente de lo que le ocurra a cualquier
otro, por lo que la probabilidad conjunta se calcula como el producto de las probabilidades
individuales y de esa forma obtenemos la funcin de verosimilitud, que tiene en cuenta todos los
datos de forma global, y ser funcin nicamente de los coeficientes. De igual manera que antes
se calcular la derivada de esa funcin, se iguala a cero y se obtienen los valores de los
coeficientes que maximizan esa funcin. Aunque esto que se dice fcil, al menos en el modelo
logstico, es algo ms complicado de efectuar que de narrar. Pero de eso hablaremos en otra
ocasin.
INTERPRETACIN DE LOS RESULTADOS EN EL MTODO DE

MXIMA VEROSIMILITUD
Al combinar observaciones independientes, hemos visto que en el clculo de la funcin de
verosimilitud interviene el producto de las probabilidades individuales, por lo que habitualmente
interesa tomar logaritmos, ya que stos transforman los productos en sumas y los cocientes en
restas. As habitualmente veremos en las salidas de los programas de ordenador el trmino Loglikehood, que no es ms que el logaritmo de la verosimilitud. Al tratarse de productos de
probabilidades la funcin de verosimilitud ser siempre menor que 1 y por tanto su logaritmo ser
negativo.
La funcin de verosimilitud nos permite comparar modelos, por ejemplo dos modelos en el que en
uno de ellos se incluye una variable adicional con respecto al primer modelo. Las diferencias en la
funcin de verosimilitud se alteran arbitrariamente con la escala de medida, por lo que la forma
adecuada de compararlas es mediante cocientes. De ah que cuando se comparan modelos que
han sido estimados mediante este procedimiento se hable de cociente de verosimilitud (likelihood
ratio).
Cuando se trata de la estimacin de modelos resulta de utilidad el concepto de modelo saturado.
Un modelo se denomina saturado cuando utiliza tantos parmetros como observaciones hemos
efectuado y por tanto se ajusta perfectamente a los datos. Podemos comparar el modelo
actualmente estimado con ese modelo terico perfecto mediante la expresin:

HIDROLO
GIA
esa cantidad se denomina desviacin (deviance en ingls; en algn lugar la he visto traducida cono
"desvianza", trmino que no creo que exista en nuestro idioma y que a mi particularmente no me
suena bien).
La desviacin nos permite comparar modelos, por ejemplo un modelo que incluye una variable
adicional:
G=D(modelo 1 sin la variable) - D(modelo 2 con la variable) =
que se distribuye segn una chi2 con grados de libertad igual a la diferencia de parmetros entre
modelos, que este caso es 1 grado de libertad. Se le denomina contraste de verosimilitud. Si el
contraste resulta ser no significativo aceptamos que la incorporacin de la nueva variable no
mejora sensiblemente la verosimilitud del modelo y por tanto no merece la pena incluirla en l.
Tambin en las salidas de los programas suele aparecer el trmino likelihood ratio o cociente de
verosimilitud para un modelo, sin que se especifique que se est contrastando con otro diferente.
En estos casos el contraste es frente al modelo que slo incluye el trmino constante y por tanto no
se consideran las variables X o los factores de riesgo, y se compara con el modelo que s incluye
las variables, por lo que ahora esa cantidad se distribuye segn una chi2 con grados de libertad
igual al nmero de variables incluidas en el modelo, que es la diferencia frente al modelo con solo
la constante. Al igual que antes, si el contraste resulta no significativo pensamos que incluir el
conocimiento de las variables X no mejora significativamente la verosimilitud del modelo y por lo
tanto se trata de un modelo sin utilidad.
Aadiendo ms trminos, ms variables, a un modelo la funcin de verosimilitud mejorar y si la
muestra es grande ser difcil distinguir mediante el contraste del cociente de verosimilitud entre
una mejora "real" y una aportacin trivial. El modelo perfecto no existe, puesto que todos
constituyen simplificaciones de la realidad y siempre son preferibles modelos con menos variables,
puesto que adems de ser ms sencillos, son ms estables y menos sometidos a sesgo. Por ello
se han propuesto otras medidas de contraste entre modelos que penalizan en alguna medida que
stos tengan muchos parmetros.
Las ms conocidas y que suelen figurar en las salidas de ordenador son el criterio de informacin
de Akaike, AIC, y criterio de informacin bayesiano, BIC.

HIDROLO
GIA
AIC=-2(ln verosimilitud - n parmetros)

En principio el criterio de seleccin ser escoger modelos con valores ms bajos de AIC.
La frmula para el BIC es similar, as como su interpretacin:
BIC=G - gl . ln N
donde G es el cociente de verosimilitud, gl son los grados de libertad y N el tamao de la muestra.
Tambin escogeremos modelos con menor valor de BIC.
ESTIMADORES DE MAXIMA VEROSIMILITUD
Caso discreto
Supongamos que tenemos una m.a.s. (X1, ..., Xn) de una v.a. discreta con distribucion
P(x|) conocida salvo por los parametros
Una vez realizada la muestra tenemos (x1, ..., xn) y estamos interesados en encontrar un
estimador del parametro que maximice la probabilidad de la muestra.
Para una muestra dada, la funcion de probabilidad de la muestra es
p(x1 = x1, ..., xn = xn) = qn i=1 p(xi = xi) = qn i=1 p(xi |) = l(|(x1, ..., xn)) l()
y la denominaremos funcion de verosimilitud.
Caso continuo
Supongamos ahora que tenemos una m.a.s (X1, ..., Xn) de una v.a. continua con funcion
de densidad f(x| conocida salvo por los parametros
Una vez realizada la muestra tenemos (x1, ..., xn) y estamos interesados en encontrar un
estimador del parametro que maximice la funcion de densidad conjunta de la muestra.
Para una muestra dada, la funcion de densidad conjunta de la muestra es
HIDROLO
GIA
f(x1, ..., xn) = Qn i=1 fXi (xi) = Qn i=1 f(xi |) = l(|(x1, ..., xn)) l()
y la denominaremos funcion de verosimilitud.
Propiedades
As, el metodo de maxima verosimilitud consistira en encontrar el valor que maximiza

la funcion de verosimilitud l(), que coincide con el valor que maximiza log l().
El estimador de maxima verosimilitud MV se calcula igualando la primera derivada de

log l() a 0 y comprobando que la segunda derivada en sus soluciones es negativa.
El estimador de maxima verosimilitud mv tiene, bajo ciertas condiciones generales, las

siguientes propiedades:
es asintoticamente centrado: a medida que crece el tamano
muestral el sesgo tiende a cero.

sigue asintoticamente una distribucion normal con media y
varianza 1 (log l()).

es un estimador asintoticamente eficiente: el de todos los
estimadores
asintoticamente
centrados,
el
de
maxima
verosimilitud tiene menor varianza.

es invariante: si mv es el estimador de maxima verosimilitud de
, entonces g( mv) sera el estimador de maxima verosimilitud
de h(), para cualquier funcion h continua y biyectiva.
EJEMPLOS DE MXIMA VEROSIMILITUD:
En la mayor parte de los casos de inters prctico, la ley

tienen una expresin calculable en funcin de
y por tanto tambin la verosimilitud,
. Para calcular el mximo de la verosimilitud, es
necesario determinar los valores para los cuales la derivada de la verosimilitud se anula, pero por
definicin la verosimilitud es un producto de probabilidades o de densidades, lo cual puede ser
bastante complicado de derivar. Es preferible derivar una suma, y es por esto que comenzamos por
substituir la verosimilitud por su logaritmo. Al ser el logaritmo una funcin creciente, es equivalente
HIDROLO
GIA
maximizar
de
. Una vez determinado el valor
para el cual la derivada se anula, hay que asegurarse con la ayuda de la segunda derivada
que el punto en cuestin es realmente un mximo. Trataremos a continuacin los casos de algunas
familias clsicas.
Leyes de Bernoulli: El conjunto de los valores posibles es

es
. Si
. El parmetro desconocido
es una muestra, verosimilitud vale:
Su logaritmo es:
La derivada con respecto a
es:
Ella se anula en:
La segunda derivada es:

Ella es estrictamente negativa, el valor
HIDROLO
GIA
es efectivamente un mximo. Si
una muestra de la ley de Bernoulli de parmetro
, el estimador de mxima verosimilitud de
es decir la frecuencia emprica.

Leyes geomtricas: El conjunto de valores posibles es
es
, el parmetro desconocido
Si
es una muestra entera, la verosimilitud vale:
Su logaritmo es:
es:
Ella se anula en:
es
es:

HIDROLO
GIA
una muestra de la ley geomtrica de parmetro
es
es:
es decir el inverso de la media emprica, lo que es coherente con el hecho que el
parmetro
es el inverso de la esperanza.
Leyes exponenciales: El parmetro desconocido es
. Se trata en este caso de leyes continuas,
la verosimilitud es por tanto un producto de valores de la densidad. Para una
reales positivos
ella vale:
Su logaritmo es:
-tupla de nmeros

HIDROLO
GIA
es:
Ella se anula en:
una muestra de la ley exponencial de parmetro
es:
parmetro
es
es decir el inverso de la media emprica, lo que es coherente con el hecho que el

es el inverso de la esperanza.
Leyes normales: Para un parmetro multidimensional el principio es el mismo, pero los clculos de
optimizacin son ms complicados. Para las leyes normales hay dos parmetros desconocidos.
Para evitar confusiones en las notaciones de las derivadas, denotaremos por
varianza, usualmente denotado por
. Para una
-tupla de nmeros reales
verosimilitud vale:
al parmetro de la
la

Su logaritmo es:
Las derivadas parciales con respecto a los parmetros
son:
Ellas se anulan en:
y
Las segundas derivadas parciales son:
HIDROLO
GIA
HIDROLO
GIA
Por tanto la matriz hessiana (matriz de las segundas derivadas parciales) en el punto
Sus
Si
valores
propios
son
negativos,
el
punto
es
efectivamente
es una muestra de la ley normal de parmetros
de mxima verosimilitud de
es:
un
mximo.
, los estimadores
son respectivamente la media y la varianza empricas de la
muestra, tal como era de esperar.

HIDROLO
GIA
CONCLUSIONES:
Analizando el estimador de la media muestral se concluye que para las distribuciones

continuas y discretas los dos mtodos de estimacin trabajados proporcionan las mismas
medidas descriptivas con una precisin de tres dgitos como lo son: la media, la varianza,
el error promedio de estimacin, coeficiente de kurtosis, coeficiente de asimetra, mnimo y
mximo valor observados de los estimadores, lmite superior e inferior de los intervalos de
confianza al 95% para la media poblacional, longitud promedio de los intervalos de
confianza y sesgo de estimacin, sin embargo para tamaos muestrales menores a 30 la
longitud promedio de los intervalos de confianza es menor al utilizar el mtodo de
estimacin Jacknife frente al mtodo convencional de estimacin para la media poblacional.

Con el estimador de la mediana poblacional obtenida para distribuciones continuas como
son la Beta y Uniforme y para distintos valores de los parmetros poblacionales de las
mismas, podemos concluir que para tamaos muestrales impares el mtodo de estimacin
Jacknife obtiene valores del estimador que no se encuentran en los dominios de las
funciones de densidad respectivas.
Sin embargo para tamaos muestrales pares el
mtodo de estimacin Jacknife y el mtodo de estimacin convencional proporcionan las

medidas descriptivas coincidentes con tres dgitos de precisin, adems para tamaos
muestrales menores a 30 se logra reducir la longitud promedio de los intervalos de
confianza al 95%.
Para la distribucin Normal se concluye que el mtodo Jacknife
funciona, puesto que, la funcin de densidad Normal est definida en el intervalo (-, +).

HIDROLO
GIA
Analizando el ltimo estadstico de orden para distintos valores de los parmetros

poblacionales de la distribucin Hipergeomtrica el mtodo de estimacin Jacknife no
funciona en ningn caso; con la distribucin Binomial para el parmetro poblacional p<0.4
el sesgo de estimacin, el error de estimacin promedio y la longitud promedio de los
intervalos de confianza al 95% logra reducirse mediante la estimacin Jacknife frente a la
estimacin convencional.
RECOMENDACIONES DE ALGUNOS INVESTIGADORES:
Cuando deseamos en algn trabajo de investigacin realizar inferencias acerca de la media

o de la varianza
poblacional de variables aleatorias continuas o discretas, y adems
trabajamos con estimadores insesgados para los parmetros poblacionales y tamaos

muestrales mayores a 30; en estos casos resulta til utilizar el mtodo convencional, ya que
si bien es cierto ambos mtodos proporcionan los mismos resultados, el mtodo Jacknife
es un proceso intensivo o de remuestreo. Si trabajamos con tamaos muestrales menores
a 30 y deseamos que la longitud del intervalo sea pequea es mejor utilizar la estimacin
Jacknife.
Si tratamos de estimar la mediana poblacional es mejor utilizar la estimacin convencional,
ya que para tamaos muestrales impares el metodo Jacknife no funciona y para tamaos
muestrales pares funciona pero proporciona los mismos resultados que el mtodo de
estimacin convencional, recordando que el mtodo Jacknife es un mtodo intensivo.

Si tratamos de estimar el primer estadstico de orden, ltimo estadstico de orden, varianza
utilizando el estimador de mxima verosimilitud y coeficiente de correlacin, es mejor utilizar
el mtodo de estimacin convencional, puesto que si en algunos casos expuestos en este
trabajo se logra reducir ciertas medidas de inters como el sesgo de estimacin, error de
estimacin promedio y longitud promedio de los intervalos de confianza, est magnitud no

HIDROLO
GIA
es considerable como para justificar un mtodo intensivo por computador o de remuestreo,

siempre y cuando trabajemos con tamaos muestrales grandes.
BILIOGRAFIA
http://www5.uva.es/estadmed/inferen/estima_punt/t9metod_mve.
htm
http://digital.csic.es/bitstream/10261/12314/1/Ceratitis%20y
%20Dacus%20m%C3%A1xima%20verosimilitud.pdf
https://es.wikipedia.org/wiki/M%C3%A1xima_verosimilitud
http://www.seh-lelha.org/maxverosim.htm
http://es.slideshare.net/pedroanzurez/maxma-verosimilitud

HIDROLO
GIA
METODO LOG PEARSON TIPO III

Metodo de Maxima Verosimilitud Agosto 2015

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Metodo de Maxima Verosimilitud Agosto 2015

Caricato da

Copyright:

Formati disponibili

UNIVERSIDAD PRIVADA DE TACNA

ESCUELA PROFESIONAL DE INGENIERA CIVIL

METODO DE LA MAXIMA VEROSIMILITUD

UNIVERSIDAD PRIVADA DE TACNA

METODO DE MAXIMA DE VEROSIMILITUD

Nuestro objetivo es estimar el valor de . Para ello, extraemos de la urna 2 bolas

la segunda es negra (N).

Los mtodos de mxima verosimilitud (MMV) ofrecen un marco alternativo a la estadstica

METODO DE LA MAXIMA VEROSIMILITUD

UNIVERSIDAD PRIVADA DE TACNA

EL PRINCIPIO DE MXIMA VEROSIMILITUD

donde CX,N es el nmero combinatorio que se calcula como N!/X!(N-X)!

METODO DE LA MAXIMA VEROSIMILITUD

UNIVERSIDAD PRIVADA DE TACNA

METODO DE LA MAXIMA VEROSIMILITUD

UNIVERSIDAD PRIVADA DE TACNA

ESTIMACIN DE MODELOS POR EL MTODO DE MXIMA

METODO DE LA MAXIMA VEROSIMILITUD

UNIVERSIDAD PRIVADA DE TACNA

Si la muestra es aleatoria y las observaciones son independientes entre s, la probabilidad de que

INTERPRETACIN DE LOS RESULTADOS EN EL MTODO DE

METODO DE LA MAXIMA VEROSIMILITUD

UNIVERSIDAD PRIVADA DE TACNA

METODO DE LA MAXIMA VEROSIMILITUD

UNIVERSIDAD PRIVADA DE TACNA

AIC=-2(ln verosimilitud - n parmetros)

Para una muestra dada, la funcion de probabilidad de la muestra es

Para una muestra dada, la funcion de densidad conjunta de la muestra es

METODO DE LA MAXIMA VEROSIMILITUD

UNIVERSIDAD PRIVADA DE TACNA

ESCUELA PROFESIONAL DE INGENIERA CIVIL

As, el metodo de maxima verosimilitud consistira en encontrar el valor que maximiza

El estimador de maxima verosimilitud MV se calcula igualando la primera derivada de

El estimador de maxima verosimilitud mv tiene, bajo ciertas condiciones generales, las

es asintoticamente centrado: a medida que crece el tamano

muestral el sesgo tiende a cero.

varianza 1 (log l()).

verosimilitud tiene menor varianza.

EJEMPLOS DE MXIMA VEROSIMILITUD:

En la mayor parte de los casos de inters prctico, la ley

y por tanto tambin la verosimilitud,

. Para calcular el mximo de la verosimilitud, es

METODO DE LA MAXIMA VEROSIMILITUD

UNIVERSIDAD PRIVADA DE TACNA

ESCUELA PROFESIONAL DE INGENIERA CIVIL

. Una vez determinado el valor

Leyes de Bernoulli: El conjunto de los valores posibles es

es una muestra, verosimilitud vale:

La derivada con respecto a

Ella se anula en:

La segunda derivada es:

METODO DE LA MAXIMA VEROSIMILITUD

UNIVERSIDAD PRIVADA DE TACNA

Ella es estrictamente negativa, el valor

una muestra de la ley de Bernoulli de parmetro

, el estimador de mxima verosimilitud de

es decir la frecuencia emprica.

es una muestra entera, la verosimilitud vale:

La derivada con respecto a

Ella se anula en:

METODO DE LA MAXIMA VEROSIMILITUD

UNIVERSIDAD PRIVADA DE TACNA

La segunda derivada es:

Ella es estrictamente negativa, el valor