Analisis Multivariado 1 (Apunte basado en notas de clases del ...
Analisis Multivariado 1 (Apunte basado en notas de clases del ...
Analisis Multivariado 1 (Apunte basado en notas de clases del ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
6 Estimadores <strong>de</strong> Maxima-Verosimilitud <strong>de</strong><br />
µ y Σ para el mo<strong>de</strong>lo Nd(µ, Σ).<br />
Sea X1, X2, X3, · · · , Xn una muestra aleatoria <strong>de</strong> vectores con distribucion<br />
Nd(µ, Σ), buscamos estimadores <strong>de</strong> µ y Σ por el metodo <strong>de</strong><br />
maxima-verosimilitud, es <strong>de</strong>cir, dada la muestra buscamos un vector<br />
ˆµ y una matriz ˆ Σ que maximic<strong>en</strong> la verosimilitud <strong>de</strong> la muestra.<br />
Veremos que:<br />
Demostracion:<br />
ˆΣ =<br />
ˆµ =<br />
n i=1 Xi<br />
n = X<br />
n ′<br />
i=1 (Xi−X)(Xi−X)<br />
n = Q<br />
n = S<br />
L(X1, X2, X3, · · · , Xn, µ, Σ) = n<br />
i=1 f(Xi, µ, Σ) =<br />
= n 1<br />
i=1 (2π) d/2 |Σ| 1/2 1 − e 2 (X−µ)′ Σ −1 (X−µ)<br />
ln L(X1, X2, X3, · · · , Xn, µ, Σ) = LL(X1, X2, X3, · · · , Xn, µ, Σ) =<br />
= − nd<br />
2<br />
n<br />
1 n<br />
ln(2π) − 2 ln(|Σ|) − 2 i=1 (Xi − µ) ′ Σ−1 (Xi − µ)<br />
Supongamos que conocemos el valor <strong>de</strong> Σ que maximiza L(X1, X2, X3, · · · , Xn, µ, Σ),<br />
buscamos maximizar la verosimilitud con respecto a µ. De esta forma<br />
solo la expresion<br />
− 1<br />
2<br />
n<br />
i=1 (X − µ)′ Σ −1 (Xi − µ)<br />
<strong>de</strong>p<strong>en</strong><strong>de</strong> <strong>de</strong> µ. Asi buscamos el valor <strong>de</strong> µ que minimiza<br />
h(µ) = n<br />
i=1 (Xi − µ) ′ Σ −1 (Xi − µ)<br />
pero<br />
h(µ) =<br />
n<br />
i=1<br />
(Xi − µ) ′ Σ −1 (Xi − µ) = n<br />
i=1 T r (Xi − µ) ′ Σ −1 (Xi − µ) =<br />
= n<br />
i=1 T r Σ −1 (Xi − µ)(Xi − µ) ′ = T r<br />
por otro lado<br />
n<br />
(Xi − µ)(Xi − µ) ′ =<br />
i=1<br />
<br />
Σ −1<br />
n<br />
(Xi − µ)(Xi − µ) ′<br />
<br />
i=1<br />
n<br />
(Xi − X + X − µ)(Xi − X + X − µ) ′ =<br />
i=1<br />
11