Sunteți pe pagina 1din 2

Mtodo de Mxima Verosimilitud

La evaluacin por el mtodo de mxima verosimilitud procura encontrar los valores


ms probables de los parmetros de la distribucin para un conjunto de datos.
Maximizando el valor de lo que se conoce como la funcin de verosimilitud La
funcin de verosimilitud se basa en la funcin de la densidad de la probabilidad fdp
para una distribucin dada. Como ejemplo considere una fdp genrica:

Donde x representa los datos (tiempo a la falla), y 1, 2, ...,k son los parmetros
que se estimarn y k el nmero de parmetros a evaluar. Por ejemplo para una
distribucin de Weibull de dos parmetros, beta y theta son los parmetros que
se deben estimar. Para un conjunto de datos de observacin completa, la funcin
de verosimilitud es un producto de la funcin de la densidad de la probabilidad,
con un elemento por cada punto en el conjunto de datos:

R es el nmero de observaciones independientes que corresponden al tiempo a la


falla en un anlisis de ciclo de vida, xi es la isimo tiempo a la falla.
Matemticamente es ms fcil manipular esta funcin tomando su logaritmo. Luego
la funcin logartmica de la verosimilitud se expresa de la siguiente forma:

Por lo tanto para encontrar los valores de los parmetros 1, 2, ...,k se debe
maximizar L . Esto comnmente se hace tomando la derivada parcial de la
ecuacin de para cada uno de los parmetros e igualndolos a cero:
Esto resulta en un nmero de ecuaciones con un igual nmero de variables, las
cuales pueden resolverse simultneamente. Si existen las soluciones de forma
cerrada para las derivadas parciales la solucin puede ser relativamente simple. En
las situaciones donde no se da el caso, se necesitan emplear algunos mtodos
numricos.
El mtodo de estimacin de mxima verosimilitud tiene varias propiedades que
hacen atractiva su aplicacin. Por ejemplo:
Es consistentemente asinttico, que significa que mientras que el tamao de
muestra aumenta, las estimaciones convergen a los valores correctos. Es asinttico
eficiente, que significa que para conjuntos de datos grandes produce las
estimaciones ms exactas. Es asinttico imparcial, que significa que para conjuntos
de datos grandes uno espera conseguir el valor correcto en promedio. La
distribucin de las estimaciones mismas es normal, si el conjunto de datos es
bastante grande. Todas stas son caractersticas excelentes para conjuntos de
muestras grandes. Desgraciadamente, el tamao necesario de la muestra para
alcanzar estas caractersticas puede ser bastante grande: treinta a cincuenta hasta
cientos de muestras de tiempos exactos de falla, dependiendo de la aplicacin. Con
pocas muestras, los mtodos pueden ser desgraciadamente polarizados o
tendenciosos.
En general, la recomendacin de la literatura es utilizar tcnicas de regresin
(grficas de riesgo y probabilidad) cuando la muestra de datos es pequea y sin
censura. Cuando hay muchos datos censurados y/o cuando el tamao de muestra
es suficiente, Mxima verosimilitud (MLE) debe ser preferido.
Aplicaciones
El estimador de mxima verosimilitud se usa dentro de un gran nmero de modelos
estadsticos:
Modelos lineales Como modelos lineales generalizados
Anlisis factorial, tanto exploratorio como confirmatorio
Anlisis de ecuaciones estructurales