guía estimador de máxima verosimilitud
DESCRIPTION
Guía estimador de máxima verosimilitud con soluciones.Guía estimador de máxima verosimilitud con soluciones.TRANSCRIPT
ESTADISTICA Método de EMV y MM Autor: Pablo Tapia
Pagina 1
Universidad de Chile E c o n o m í a & N e g o c i o s
GUIA No. 1 DE EJERCICIOS RESUELTOS
APLICACIONES DE EMV y MM Profesor: Pablo Tapia
PROBLEMA 1. Parte i. Suponga que posee una muestra { }T
iix 1= IID de una población que sigue una distribución de Rayleigh con parámetro θ desconocido de la forma:
0)exp()()/( 2 >= iiii xconxxxf θθδθ Donde )( ixδ es una función sólo de las observaciones. Encuentre la función de verosimilitud y calcule el estimador de máxima verosimilitud de θ .
Función de verosimilitud Solución.
( )∑
= ==∏ T
i iTT
i iT xxxf 12
1exp)()/( θθδθ (1)
∑++== ==∑ Ti i
T
i iT xTxxf 12
1ln)(ln)/(ln)( θθδθθ (2)
Entonces, se debe resolver el siguiente problema: )(max θθ
CPO (derivando la ecuación (2))
∑−=⇒=∑+=
∂∂
== T
i i
Ti i x
TxT
121
2 ˆ0)( θθθ
θ (3)
Para verificar que efectivamente (3) es una máximo se debe cumplir que: CSO
0ˆ
)ˆ()(22
2
22
2<−=
∂∂
⇒−=∂∂
θθθ
θθθ TT
Por lo tanto, (3) es un máximo. PROBLEMA 2. Suponga que el momento no central de una variable aleatoria cualquiera se define como:
)( rrX XE=µ y la estimación de este momento no central se calcula como ∑ =
=T
iriT
rX x
11µ̂ .
Utilice esta información para estimar los parámetros α y β de una distribución R-gamma si cuenta con una muestra IID de tamaño y se sabe que la esperanza y varianza de una variable aleatoria R-gamma se definen como αβ=)(XE y 2)var( βaX = , respectivamente.
Para el primer momento se tiene que: Solución.
βαµαβ ˆˆˆ)(1
11 ===⇒= ∑ = TT
i iTX xxXE (1)
Además,
ESTADISTICA Método de EMV y MM Autor: Pablo Tapia
Pagina 2
2222222 )()var()()()()var( βααβ +=+=⇒−= XEXXEXEXEX (2) Utilizando (2) para el segundo momento no central
2221
212 ˆˆˆˆˆ βαβαµ +==⇒ ∑ =
T
i iTX x (3)
Entonces, se utilizará (1) en (3) para encontrar los estimadores de los parámetros α y β .
−=⇒+=+==⇒ ∑∑ ==
21
21221
212 ˆˆ)ˆˆ(ˆ)ˆˆ(ˆ TT
i iTTTTT
i iTX xTxxxxx βββαββαµ
T
x
T
TT
i i
xTs
xT
xTx 22
12
ˆ =
−
=⇒∑ =
β (4)
Reemplazando (1) en (2) se tiene que:
2
22
ˆˆˆˆx
TT
T
xT s
xTxxT
sx =⇒=⇒=⇒ ααβα (5)
Por lo tanto, los estimadores solicitados corresponden a las ecuaciones (4) y (5). PROBLEMA 3 Suponga que posee una muestra { }Txxx ,...,, 21 IID de una población que tiene un comportamiento estocástico con parámetro β desconocido de la forma:
0)/(22 )1(2 >= −− β
πββ β conexf x
Parte i.- Encuentre el estimador de máxima verosimilitud de 2β .
En este caso se tiene una función de verosimilitud de la forma: Solución.
0)/()/( 122 )1(
1>==⇒ ∑ =
−−
=∏ βπβββ
βconexfxf
T
i ix
T
TT
i iT
Teniendo presente que ( ) 22 ˆˆ ββ ≠ , entonces:
∑ −−+−==⇒
∑ −−+−==⇒
=
=
Ti iT
Ti iT
xTTxf
xTTxf
122222
12221222
)1(ln2
ln)/(ln)(
)1()ln(ln)/(ln)(
ββπββ
ββπββ
Optimizando se tiene que: CPO:
0)1(2
)()(1
222
22=∑ −−=
∂∂
≠∂
∂⇒ =
Ti ixT
βββ
ββ
∑ −=⇒
=Ti ix
T
12
2
)1(2β̂
Parte ii.- Demuestre que el estimador calculado en la parte i, es igual a la mitad del inverso del estimador de máxima verosimilitud de la varianza obtenido de una muestra IID de tamaño T con una distribución normal con media igual a 1.
Una función de distribución normal con media conocida he igual a 1 y varianza desconocida, es: Solución.
∑ =−−−−
=⇒==n
i ix
TT
xexfexf 1
22
22 )1(
21
222
)1(2
1
2122
)2(1),1/(
)2(1),1/( φφ
πφφ
πφφµ
ESTADISTICA Método de EMV y MM Autor: Pablo Tapia
Pagina 3
∑ −−−=⇒ =ni ixTT
12
222 )1(
21)ln(
2)2ln(
2)(
φφπφ
0)1(2
12
)( 12
422 =∑ −+−=⇒ =
ni ixT
φφφ
21
21
22
ˆ21
22)1()1(
ˆβ
φ =⋅∑ −
=∑ −
=⇒ ==
Tx
Tx n
i ini i
PROBLEMA 4. Suponga que posee dos muestras independientes entre y que son IID de tamaños T y T2 , además ambas muestras tienen distribución normal con medias iguales a 0 y 1, respectivamente, sin embargo, la varianzas son iguales y desconocidas. Determine el estimador de máxima verosimilitud de la varianza utilizando ambas muestras a la vez y verifíquelo.
Supondremos que las muestras se definen como: Solución.
∑ =−−
=⇒==T
i iy
TT
yeyfeyf 1
22
22 2
1
2222
1
2122
)2(1),0/(
)2(1),0/( φφ
πφφ
πφφµ
∑ =−−−−
=⇒==T
i ix
TT
xexfexf
2
12
22
2 )1(2
1
22
2
)1(2
1
2122
)2(1),1/(
)2(1),1/( φφ
πφφ
πφφµ
Entonces, la función de verosimilitud conjunta de este problema corresponde a:
+−−
−−−
∑∑
∑∑
==
==
=⇒
=⇒
=
T
i iT
i i
T
i iT
i i
yx
T
y
T
x
T
TT
exyf
eexyf
xfyfxyf
122
12
2
12
22
12
2
)1(2
1
2322
21
22
)1(2
1
22
22
22
)2(1)/,(
)2(1
)2(1)/,(
),1/(),0/()/,(
φ
φφ
πφφ
πφπφφ
φφφ
Por lo tanto, el logaritmo natural de la función de verosimilitud conjunta corresponde a:
( )∑+∑ −−−−== ==Ti i
Ti i yxTTxyf 1
221
22
222 )1(2
1)ln(2
3)2ln(2
3)/,(ln)(φ
φπφφ
CPO.
( ) 0)1(2
123)(
122
12
422
2=∑+∑ −+−=
∂∂
==Ti i
Ti i yxT
φφφφ
( )( )
( )T
yx
yxT
yxT
Ti i
Ti i
Ti i
Ti i
Ti i
Ti i
3)1(
ˆ
0)1(3
0)1(2
12
3
122
12
2
122
122
122
12
44
2
∑+∑ −=⇒
=∑+∑ −+−⇒
=∑+∑ −+−⇒
==
==
==
φ
φ
φφφ
CSO. (Verificación de máximo).
( )
( )∑+∑ −−=∂∂
∑+∑ −−=∂∂
==
==
Ti i
Ti i
Ti i
Ti i
yxT
yxT
122
12
66
2
22
22
122
12
6422
22
)1(2
22
3)(
)(
)1(123
)()(
φφφ
φφ
φφφφ
ESTADISTICA Método de EMV y MM Autor: Pablo Tapia
Pagina 4
( ) ( ) 0)1()1(ˆ22
ˆ2
ˆ3)(
)ˆ(1
221
21
221
266
2
22
22<∑+∑ −−=∑+∑ −−=
∂∂
⇒ ====Ti i
Ti i
Ti i
Ti i yxyxT
φφφ
φφ
Entonces, El valor encontrado para la estimación de la varianza es un máximo. PROBLEMA 5. Dada una muestra aleatoria independiente de tamaño T de una población gamma con el parámetro conocido α , encuentre un estimador de máxima verosimilitud para .β
∑ =−−
=
−−
Γ=⇒
>Γ
=
∏T
i ixT
i iT
T
x
exxf
conexxf
11
1
1
)()/(
0)(
)/(
βαα
βαα
αββ
βα
ββ
Solución.
∑−−++Γ==⇒ ==∑ Ti i
T
i i xxTTxf 11ln)1(ln)(ln)/(ln)( βαβααββ
Entonces, se debe resolver )(max ββ
CPO
0)(1 =∑−=
∂∂
⇒ =Ti ixT
βα
ββ
βαβαβα ˆˆˆ
11 =⇒=
∑⇒∑=⇒
==
TTi i
Ti i xx
TxT
CSO
ααα
βα
βα
ββ 2
2
2
222
2
ˆˆ)ˆ( TT xTxTTT
−=−=−=−=∂
∂⇒
Este resultado será un máximo si alfa es positivo, y un mínimo si alfa es negativo, sin embargo, para que sea una función gamma bien definida alfa debe ser positivo, por lo tanto, el valor encontrado es un máximo. PROBLEMA 4. Suponga que el momento no central de una variable aleatoria cualquiera se define como:
)( rrX XE=µ y la estimación de este momento no central se calcula como ∑ =
=T
iriT
rX x
11µ̂ .
Utilice esta información para estimar los parámetros α y β de una distribución gamma si cuenta con una muestra IID de tamaño T .
Se que tienen la esperanza y varianza de una distribución gamma es igual a: Solución.
βα
=)(XE y 2)var(βα
=X
Además se sabe que:
22
2
22
2
22
222
)1()(
)()()()var(
βαα
βα
βα
βα
βα
+=+=⇒
−=⇒−=
XE
XEXEXEX
ESTADISTICA Método de EMV y MM Autor: Pablo Tapia
Pagina 5
De esta forma se tiene que los dos primeros momentos no centrales para una distribución gamma son:
2221 )1()()(
βααµ
βαµ +
==∧== XEXE XX
Entonces, las estimaciones de estos momentos no centrales corresponden a:
TT
i iTX xx === ∑ =111
ˆˆˆβαµ (1)
∑ ==
+=
T
i iTX x1
212
2
ˆ)1ˆ(ˆˆ
βααµ (2)
A partir de las ecuaciones (1) y (2) se pueden determinar una expresión para los estimadores de los parámetros de una gamma, ya que, sólo se tiene un sistema de ecuaciones, para ello se reemplazará la ecuación (1) en la ecuación (2), de manera tal que:
∑ ==
+=
+=
+=
T
i iTTTX xxx1
212
2ˆ1
ˆ1
ˆˆ
ˆˆ
ˆ)1ˆ(ˆˆ
βββα
βα
βααµ
T
x
T
TT
i iT
T
T
i i
xTs
xT
xTxx
xT
x 22
12
12
ˆ1
=−
=−=⇒∑∑ ==
β
2ˆ
x
T
sxT
=⇒ β (3)
Desde este punto podemos reemplazar (3) en (1) tal que:
2
21 ˆˆˆ
ˆˆx
TTTX s
xTxx ==⇒== βαβαµ
ESTADISTICA Método de EMV y MM Autor: Pablo Tapia
Pagina 6
PROBLEMAS PROPUESTOS PROPUESTO 1. El tiempo de fallo, T , de una determinada maquinaría textil se distribuye según la siguiente función de densidad
ttttf <−= − 0)]/[exp(3)( 332 ββ Parte i. Calcular el estimador de máxima verosimilitud de β . Parte ii. Dar un intervalo de confianza aproximado para β con un nivel de confianza del 95%.
Parte iii. Si se toma una muestra de tamaño 100=T y ∑ ==
T
i it13 500.337 , dar una estimación
de β . Parte iv. Con los datos del apartado anterior y utilizando el intervalo del apartado (b), contrastar si 2.17=β . PROPUESTO 2. Suponga que posee una muestra { }T
iiy 1= IID de una población que tiene un comportamiento estocástico con parámetro θ desconocido de la forma:
0)()()/(2)( >= −− φθφθ φθ kconexkyf x
i Parte i. Encuentre la función de verosimilitud para esta muestra. Parte ii. Demuestre que si la distribución inicial es una Gama de la forma:
φθφαθ
φφθξ 21
)()2()( −−
Γ= e
con φ conocidos y positivo. Entonces, la distribución final es una Gama. Y determine la expresión de esta función. Parte iii. Calcule el estimador Bayesiano para el parámetro θ . PROPUESTO 3. Suponga que posee una muestra { }Txxx ,...,, 21 IID de una población que tiene un
comportamiento estocástico con parámetro 2φ desconocido de la forma: 22 )1(2 )/( −−= ix
i exf φ
πφφ
Parte i. Encuentre el estimador de máxima verosimilitud de 2φ . Parte ii. Demuestre que el estimador calculado en la parte i, es igual a la mitad del inverso del estimador de máxima verosimilitud de la varianza obtenido de una muestra IID de tamaño T con una distribución normal con media igual a 1.
ESTADISTICA Método de EMV y MM Autor: Pablo Tapia
Pagina 7
PROPUESTO 4. Suponga que posee una muestra independiente de tT artículos que pueden estar defectuosos o no (dicotómico), sin embargo, en la muestra sólo se encontraron T piezas defectuosas. Parte i. Encuentre la función de distribución final del parámetro de esta población (fracción de piezas defectuosas), si se sabe que en el pasado la fracción de piezas defectuosas de esta población siguió una distribución Beta con parámetros iguales a tT=α y T=β . Parte ii. ¿Cuál será la mejor estimación para este parámetro y su volatilidad? Parte iii. ¿Qué pasará con su estimación si T tiende a infinito?