El método de máxima verosimilitud estima los valores desconocidos de los parámetros θ a partir de una muestra de datos. Se define la función de verosimilitud como el producto de las probabilidades de los datos dados los parámetros. Los estimadores de máxima verosimilitud son aquellos valores de los parámetros que maximizan esta función. La varianza de los estimadores proporciona una medida de la incertidumbre en su conocimiento y puede calcularse numérica, analíticamente para ciertas distribuciones o mediante métodos de Monte Carlo
0 calificaciones0% encontró este documento útil (0 votos)
91 vistas3 páginas
El método de máxima verosimilitud estima los valores desconocidos de los parámetros θ a partir de una muestra de datos. Se define la función de verosimilitud como el producto de las probabilidades de los datos dados los parámetros. Los estimadores de máxima verosimilitud son aquellos valores de los parámetros que maximizan esta función. La varianza de los estimadores proporciona una medida de la incertidumbre en su conocimiento y puede calcularse numérica, analíticamente para ciertas distribuciones o mediante métodos de Monte Carlo
El método de máxima verosimilitud estima los valores desconocidos de los parámetros θ a partir de una muestra de datos. Se define la función de verosimilitud como el producto de las probabilidades de los datos dados los parámetros. Los estimadores de máxima verosimilitud son aquellos valores de los parámetros que maximizan esta función. La varianza de los estimadores proporciona una medida de la incertidumbre en su conocimiento y puede calcularse numérica, analíticamente para ciertas distribuciones o mediante métodos de Monte Carlo
El método de máxima verosimilitud estima los valores desconocidos de los parámetros θ a partir de una muestra de datos. Se define la función de verosimilitud como el producto de las probabilidades de los datos dados los parámetros. Los estimadores de máxima verosimilitud son aquellos valores de los parámetros que maximizan esta función. La varianza de los estimadores proporciona una medida de la incertidumbre en su conocimiento y puede calcularse numérica, analíticamente para ciertas distribuciones o mediante métodos de Monte Carlo
Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
Descargar como docx, pdf o txt
Está en la página 1/ 3
MTODO DE MXIMA VEROSIMILITUD
Considerar X distribuida de acuerdo a f(x;q) donde q es un parmetro (o vector
de parmetros) desconocido.
El mtodo de mxima verosimilitud es una tcnica para estimar los valores de
dada una muestra finita de datos.
Supongamos n medidas de X 1 , X 2 , , X n Puesto que las medidas son
independientes, la probabilidad de que:
X 1 est en [ X 1 , X 1 +d X 1 ]
X 2 en [ X 2 , X 2 +d X 2 ]
La probabilidad de que Xi est en:
n
[ X i , X i +d X i ], para todo i= f ( x i ; ) d x i i=1
Si los parmetros describen realmente los datos, esperamos alta probabilidad para los
datos que hemos medido. Anlogamente un parmetro cuyo valor se desve mucho del
autntico resultar en baja probabilidad para las medidas observadas.
FUNCION DE VEROSIMILITUD n
Para todo Xi en [ Xi , Xi +d Xi ] = f ( xi ; ) d xi i=1
Por lo tanto la funcin ser:
n L ( )= f ( x i , ) i=1
Ser mxima para la funcin de probabilidad y parmetros correctos. En estadstica
clsica L() no es la funcin de probabilidad de sino la funcin de probabilidad conjunta de los x donde: q se trata como un parmetro los x i estn fijados. En estadstica Bayesiana, podemos tratar: L()=L( x) como la funcin de probabilidad de X dado y a usar el teorema de Bayes para calcular la probabilidad posterior p(|x).
ESTIMADORES DE MXIMA VEROSIMILITUD
Se definen los estimadores de mxima verosimilitud de los parmetros como aquellos
que maximizan la funcin de verosimilitud:
dL =0, i=1,2, , n d i
La definicin no garantiza que los estimadores MV sean ptimos en absoluto. En
general, sin embargo, suelen ser la aproximacin ms aceptable al problema de estimar parmetros.
VARIANZA DE LOS ESTIMADORES MV
La varianza de un estimador nos proporciona una medida de la incertidumbre
estadstica en el conocimiento de dicho estimador. Esto es: Si repetimos muchas veces el experimento (con n medidas en cada caso) y obtenemos cada vez, cunto se esparcen sus valores --entorno al valor medio, si no hay sesgo--? Para ello, calculamos la varianza de :
METODO NUMERICO METODO ANALITICO PARA UNA EXPONENCIAL
METODO MONTE CARLO
La varianza viene dada por la dispersin del estimador entorno al valor medio.
