Estimación

Careley Carvajal Torres

Estadística Aplicada a la Empresa

Instituto IACC

08 de Enero del 2018

 Desarrollo

1. Hallar el estimador máximo verosímil de υ (tasa promedio) de una población que distribuye
Poisson. Considere el procedimiento descrito en los contenidos de la semana. Se valorará el
proceso en detalle. Interprete su resultado.

La Distribución de Poisson es una distribución de variable discreta, que se utiliza en situaciones

que buscan medir el número de sucesos, en donde se pueden producir en un intervalo de tiempo,
bajo supuestos de aleatoriedad y ciertas restricciones, especializándose en la probabilidad de
ocurrencia de sucesos con posibilidades muy pequeñas .

La función de probabilidad se representa como:

𝑒 −𝑣 ∗ 𝑣 𝑥
𝑃(𝑋 = 𝑥) =
𝑥!

Donde υ es la tasa de incidencia media del evento, o tasa promedio, es decir un parámetro que
representa el número de veces que ocurra un fenómeno en un determinado período de tiempo.
Por otro lado x es el número de ocurrencias del evento, por lo que esta función nos entrega la
probabilidad de que un acontecimiento suceda precisamente x cantidad de veces.

Se nos pide encontrar el Estimador de Máxima Verosimilitud de la tasa promedio v, por lo que se
se utilizara el Método de Máxima Verosimilitud. En este sentido cabe recordar que la Función de
Verosimilitud para una muestra de tamaño n de variables aleatorias x, que definen a una
población con parámetro θ, a través de una función de probabilidad 𝑓(𝑥; 𝜃), se estructura como:
𝑛

𝐿(𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 ; 𝜃) = ∏ 𝑓(𝑥𝑖 ; 𝜃)
𝑖=1

Para encontrar el Estimador de Máxima Verosimilitud, lo primero es transformar la función de

Verosimilitud a una función monótona a través de logaritmo natural, para luego derivar y luego
igualando a 0. Por lo tanto se tiene:

𝑛
𝑒 −𝑣 ∗ 𝑣 𝑥𝑖
𝐿(𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 ; 𝑣) = ∏
𝑥𝑖 !
𝑖=1

𝑒 −𝑣 ∗ 𝑣 𝑥1 𝑒 −𝑣 ∗ 𝑣 𝑥3 𝑒 −𝑣 ∗ 𝑣 𝑥𝑛
𝐿(𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 ; 𝑣) = ∗ ∗ ⋯∗
𝑥1 ! 𝑥2 ! 𝑥𝑛 !
𝑒 −𝑛𝑣 ∗ 𝑣 ∑ 𝑥𝑖
𝐿(𝑥1 , 𝑥2 , ⋯ , 𝑥𝑛 ; 𝑣) =
∏ 𝑥𝑖 !
Donde ∏ 𝑥𝑖 ! es una constante que se puede denotar por k, por lo que al aplicar logaritmo natural
a la función queda de la siguiente forma:
𝑙𝑛(𝑒 −𝑛𝑣 ∗ 𝑣 ∑ 𝑥𝑖 )
𝑙𝑛(𝐿(𝑥; 𝜐) ) =
∏ 𝑥𝑖 !

Dado que por propiedades de los logaritmos se tiene que 𝑙𝑛(𝑎 ∗ 𝑏) = 𝑙𝑛(𝑎) + 𝑙𝑛(𝑏), y en
paralelo que 𝑙𝑛(𝑎/𝑏) = 𝑙𝑛(𝑎) − 𝑙𝑛(𝑏), y además que 𝑙𝑛(𝑎𝑛 ) = 𝑛 ∗ 𝑙𝑛(𝑎)𝑦 𝑙𝑛(𝑒) = 1, la
expresión queda:
𝑛

𝑙𝑛(𝐿(𝑥; 𝜐) ) = −𝑛𝑣 + ∑ 𝑥𝑖 𝑙𝑛(𝑣) − 𝑙𝑛(𝑘)

𝑖=1

Que es la fórmula que hay que maximizar a través de la derivada del parámetro, lo que resulta en
lo siguiente:
𝜕𝑙𝑛(𝐿(𝑥; 𝜐) ) ∑ 𝑥𝑖
= −𝑛 +
𝜕𝜐 𝑣

Que es lo que hay que igualar a 0, por lo tanto:

∑ 𝑥𝑖
−𝑛 + =0
𝑣
∑ 𝑥𝑖
=𝑛
𝑣
∑ 𝑥𝑖
=𝜐
𝑛
Luego el Estimador de Máximo Verosimilitud de la Tasa Promedio υ es la media de la muestra:
𝑣̂=𝑥̅
Esto es correcto ya que, la tasa promedio es igual a la media en la distribución de Poisson.

2. Si x es una variable aleatoria con la siguiente distribución de probabilidad:

(𝑎 + 1) ∗ 𝑥 𝑎 ; 0<𝑥<1
𝑓(𝑥) = {
0 ; 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Encontrar el estimador máximo verosímil de , basado en una muestra de tamaño
n.

Una muestra aleatoria 𝑋1 , 𝑋2 , … , 𝑋𝑛 con 𝑋~𝐵𝑒𝑟𝑛𝑜𝑢𝑙𝑙𝑖 (𝑎):

𝐿(𝑋1 , 𝑋2 , … , 𝑋𝑛 ; 𝑎) = 𝑎(𝑋1 = 𝑋1 , 𝑋2 , … , 𝑋𝑛 ; 𝑎)
Por independencia:
𝑛 𝑛

∏ 𝑎(𝑋𝑖 = 𝑋𝑖 ) = ∏(𝑎 + 1) ∗ 𝑥 𝑎
𝑖=1 𝑖=1
𝑛

= (𝑎 + 1)𝑛 ∗ ∏ 𝑥 𝑎
𝑖=1

= (𝑎 + 1) ∗ 𝑛!𝑎
𝑛

Se aplica logaritmo:
ln 𝐿(𝑋1 , 𝑋2 , … , 𝑋𝑛 ; 𝑎) = ln[(𝑎 + 1)𝑛 ∗ 𝑛!𝑎 ]
Se aplican propiedades de logaritmos:

= ln(𝑎 + 1)𝑛 + ln 𝑛!𝑎

= 𝑛 ∗ ln(𝑎 + 1) + 𝑎 ∗ ln 𝑛!
𝑛

= 𝑛 ∗ ln(𝑎 + 1) + 𝑎 ∗ ∑ ln 𝑥
𝑖=1

Se deriva respecto del parámetro a:

𝑛
𝜕 𝑛
ln 𝐿(𝑋1 , 𝑋2 , … , 𝑋𝑛 ; 𝑎) = + ∑ ln 𝑥
𝜕𝑎 𝑎+1
𝑖=1

Se iguala a cero para hallar el máximo:

𝑛
𝑛
+ ∑ ln 𝑥 = 0
𝑎+1
𝑖=1
−𝑛
𝑎+1=
∑𝑛𝑖=1 ln 𝑥
−𝑛
𝑎= 𝑛 −1
∑𝑖=1 ln 𝑥
 Bibliografía

Contenido de la semana cuatro “Estimación Puntual” (Iacc, 2017)