Title | Tema 3 - Estimación puntual - Métodos de construcción de estimadores |
---|---|
Author | Damián Pina Pérez |
Course | Estadística Económica II |
Institution | Universidad de Murcia |
Pages | 6 |
File Size | 343.5 KB |
File Type | |
Total Downloads | 11 |
Total Views | 114 |
Apuntes de la asignatura Estadística Económica II, GECO Universidad de Murcia, curso 2017/2018...
Tema 3. Estimación Puntual: método de construcción de estimadores. Contenido Método de los momentos muestrales:................................................................... 2 Método de Máxima Verosimilitud........................................................................ 2 Propiedades: ...................................................................................................... 4
1
Método de los momentos muestrales: 6/3/2018
Método de Máxima Verosimilitud. Sea X~𝑓(𝑥, 𝜃); 𝜃 ∈ 𝛩 ; 𝜃 desconocido, y una m.a.s. (𝑋1 , … , 𝑋𝑛 ), obtener
𝜃(𝑋1 , … , 𝑋𝑛 )~𝑓(𝑥1 , … , 𝑥𝑛 , 𝜃); 𝑛 + 1 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠.
𝜃~𝑓(𝑥1 , … , 𝑥𝑛 , 𝜃) que es una función de θ a la que llamaremos función de
Verosimilitud, 𝐿(𝑥1 , … , 𝑥𝑛 , 𝜃).
El criterio de 𝐿(𝑥1 , … , 𝑥𝑛 , 𝜃) será buscar el valor de θ que maximiza la
probabilidad de la realización muestral que ha ocurrido. Este método es mejor que el de momentos bajo un supuesto: que la realización sea la más probable para estimar θ.
«Para cada valor de θ, la densidad de probabilidad para un valor x de la muestra, pues encontrar el θ que maximiza la densidad de probabilidad, de todos los posibles.» Obtención: El estimador 𝜃𝑀𝑉 es aquel que 𝑀𝑎𝑥. 𝐿 (𝑥1 , … , 𝑥𝑛 , 𝜃)
𝐿(𝑥1 , … , 𝑥𝑛 , 𝜃𝑀𝑉 ) = 𝑀𝑎𝑥. 𝐿 (𝑥1 , … , 𝑥𝑛 , 𝜃)
1) Obtener la función de verosimilitud. 𝐿(𝑥1 , … , 𝑥𝑛 , 𝜃) = ∏ 𝑓 (𝑥1 , … , 𝑥𝑛 , 𝜃) → 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖𝑜𝑛𝑒𝑠 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎𝑠 𝐿(𝑥1 , … , 𝑥𝑛 , 𝜃) = ∑{𝑃(𝑥1 , … , 𝑥𝑛 , 𝜃)} → 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖𝑜𝑛𝑒𝑠 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎𝑠 2
𝐿(𝑥1 , … , 𝑥𝑛 , 𝜃) → 𝐿𝑛 𝐿(𝑥1 , … , 𝑥𝑛 , 𝜃)
2) Convertir
porque
simplifica
las
operaciones y conserva los máximos y mínimos de la función original. 3) Calcular la derivada primera respecto de θ e igualar a cero para encontrar el óptimo.
𝜕𝐿𝑛 𝐿(𝑥1 , … , 𝑥𝑛 , 𝜃) =0 𝜕𝜃 𝜃 = 𝜃(𝑥1 , … , 𝑥𝑛 )
4) Calcular la derivada segunda respecto de θ para comprobar si el óptimo hallado es un máximo o no lo es.
𝜕 2 𝐿𝑛 𝐿(𝑥1 , … , 𝑥𝑛 , 𝜃) | < 0, estamos ante un máximo. 𝜕𝜃 2 𝜃=𝜃
Ejemplo 1: Sea 𝑋~𝑁(𝜇, 𝜎0 ) Obtener el estimador Máximo Verosímil de μ. 1) Construir 𝐿(𝑥1 , 𝑥2 , … , 𝑥𝑛 , 𝜃): 𝑛
𝑛
𝑖=1
𝑖=1
𝐿(𝑥1 , … , 𝑥𝑛 , 𝜃) = ∏ 𝑓𝑛 (𝑥𝑖 , 𝜃) = ∏
1
𝜎0 √2𝜋
1 𝑥 −𝜇 2 − ( 𝑖 ) 𝑒 2 𝜎0
=(
1
𝑛
) 𝑒 𝜎0 √2𝜋
−
1 ∑(𝑥𝑖 −𝜇 )2 2𝜎0 2
2) Obtener el 𝐿𝑛[𝐿(𝑥1 , 𝑥2 , … , 𝑥𝑛 , 𝜃)]:
1 𝐿𝑛[𝐿(𝑥1 , 𝑥2 , … , 𝑥𝑛 , 𝜇)] = 𝐿𝑛1 − 𝑛 ∙ 𝐿𝑛(𝜎0 √2𝜋) − ( 2 ∑(𝑥𝑖 − 𝜇)2 ) 𝐿𝑛 𝑒 2𝜎0 𝐿𝑛[𝐿(𝑥1 , 𝑥2 , … , 𝑥𝑛 , 𝜇 )] = −𝑛 ∙ 𝐿𝑛(𝜎0 √2𝜋) − ( 3) Derivar respecto de μ e igualar a cero →
1 ∑(𝑥𝑖 − 𝜇)2 ) 2𝜎0 2
𝜕𝐿𝑛[𝐿(𝑥1 ,𝑥2 ,…,𝑥𝑛 ,𝜃)] 𝜕𝜃
=0
𝜕𝐿𝑛[𝐿(𝑥1 , 𝑥2 , … , 𝑥𝑛 , 𝜇)] 1 (∑ 2(𝑥𝑖 − 𝜇)(−1)) = =0− 2𝜎0 2 𝜕𝜇 =
1 1 (∑(𝑥𝑖 − 𝜇)) = (∑ 𝑥𝑖 − 𝑛𝜇) = 0; 2 𝜎0 𝜎0 2 ∑ 𝑥𝑖 − 𝑛𝜇 = 0; ∑ 𝑥𝑖 = 𝑛𝜇; 𝜇 𝑀𝑉=
∑ 𝑥𝑖 = X𝑛 𝑛
3
4) Comprobar si 𝜇 es un máximo→
𝜕 2 𝐿𝑛 𝐿(𝑥1 ,…,𝑥𝑛 ,𝜃)
𝜕 2 𝐿𝑛[𝐿(𝑥1 , , … , 𝑥𝑛 , 𝜇)] 𝜕𝜇2
𝜕𝜃2
|
𝜃=𝜃
0; 𝜃 > 0 𝜃 𝑥~𝐸𝑥𝑝(𝜆 = 1⁄𝜃 𝜆 = 1⁄𝜃)
Obtener el estimador Máximo Verosímil de 𝜃. Comprobar si es
insesgado, consistente y eficiente. Obtener el estimador Máximo Verosímil de 𝜃.
4
1) Construir 𝐿(𝑥1 , … , 𝑥𝑛 , 𝜃):
𝑛
𝑥𝑖 1 𝑥𝑖 𝐿(𝑥1 , … , 𝑥𝑛 , 𝜃) = ∏ 𝑒 − 𝜃 1 𝑒 − ∑ 𝜃 𝜃 = 𝜃𝑛 𝑖=1
2) Obtener el 𝐿𝑛[𝐿(𝑥1 , 𝑥2 , … , 𝑥𝑛 , 𝜃)]:
𝐿𝑛[𝐿(𝑥1 , 𝑥2 , … , 𝑥𝑛 , 𝜃)] = 𝐿𝑛1 − 𝑛𝐿𝑛𝜃 − ∑
3) Derivar respecto de 𝜃 e igualar a cero →
𝑥𝑖 𝑥𝑖 𝐿𝑛𝑒 = −𝑛𝐿𝑛𝜃 − ∑ 𝜃 𝜃
𝜕𝐿𝑛[𝐿(𝑥1 ,𝑥2 ,…,𝑥𝑛 ,𝜃)]
=0
𝜕𝜃
𝜕𝐿𝑛[𝐿(𝑥1 , 𝑥2 , … , 𝑥𝑛 , 𝜃 )] 𝑛 𝑥𝑖 =− + ∑ 2 = 0; 𝜃 𝜕𝜃 𝜃 ∑ 𝑥𝑖 𝑛 ∑ 𝑥𝑖 𝑥𝑖 𝑛 = 𝑛 → ∑ 𝑥𝑖 = 𝑛𝜃 ∑ 2= → 2 = → 𝜃 𝜃 𝜃 𝜃 𝜃 ∑ 𝒙𝒊 𝒏 𝜽𝑴𝑽= =𝐗 𝒏
4) Comprobar si 𝜃 es un máximo→
𝜕 2 𝐿𝑛 𝐿(𝑥1 ,…,𝑥𝑛 ,𝜃) | 𝜕𝜃2 𝜃=𝜃...