Contenido

I. INTRODUCCIÓN: ..................................................................................................................... 2
II. OBJETIVOS: .............................................................................................................................. 2
III. MARCO TEÓRICO: ............................................................................................................... 3
A. VARIABLES ALEATORIAS Y SUS MOMENTOS: ........................................................... 3
1. Momento de muestras estándar. .......................................................................................... 3
2. Momentos respecto a la media o centrales. ......................................................................... 4
B. MÁXIMA VEROSIMILITUD: .............................................................................................. 4
1. ¿qué es la máxima verosimilitud? ....................................................................................... 4
2. Características ..................................................................................................................... 5
3. Propiedades del estimador ................................................................................................... 6
4. Función de la verosimilitud. ................................................................................................ 7
5. A continuación se demostrara que : .................................................................................... 9
C. MÉTODO DE MÍNIMOS CUADRADOS ............................................................................. 9
1. DEFINICIÓN ......................................................................................................................... 9

2. Gráficamente ..................................................................................................................... 10
3. Calculando los valores de la pendiente, m, y de la ordenada, b. ....................................... 11
4. Escribiendo la ecuación del modelo .................................................................................. 12
IV. EJEMPLOS: .......................................................................................................................... 13
A. Momentos .............................................................................................................................. 13
1. 1 Los datos que se dan a continuación corresponden a los pesos en Kg. de ochenta
personas: (a) Obténgase una distribución de datos en intervalos de amplitud 5, siendo el primer
intervalo [50; 55]. (b) Calcúlese el porcentaje de personas de peso menor que 65 Kg. (c)
¿Cuántas personas tienen peso mayor o igual que 70 Kg? ¿pero menor que 85? ..................... 13
B. Máxima verosimilitud ........................................................................................................... 15
1. ................................................................................................................................................ 15
....................................................................................................................................................... 17
C. Método de mínimos cuadrados ............................................................................................. 18
1. Se tomaron diferentes valores de masa y volumen de agua para determinar su relación, y
la densidad del agua. Se controló la masa obteniéndose los siguientes resultados: .................. 18
V. CONCLUSIONES: ................................................................................................................... 19

1
I. INTRODUCCIÓN:

En este trabajo quiero dar a conocer y aprender en que consiste los momentos de cada
variable aleatoria, el método de máxima verosimilitud y el método de mininos cuadrados.
Para ello e creído conveniente desarrollar un poco la teoría y realizar dos ejemplos de cada
modelo, también quisiera que con la lectura de este trabajo ustedes aprendan un poco más
de estos temas antes mencionados.

II. OBJETIVOS:

 Dar a conocer y aprender en que consiste los momentos de cada variable aleatoria,
el método de máxima verosimilitud y el método de mininos cuadrados.

 Aprender y desarrollar los temas.

2
III. MARCO TEÓRICO:

A. VARIABLES ALEATORIAS Y SUS MOMENTOS:

Los momentos potenciales o muéstrales son valores que caracterizan a una muestra
aleatoria. los momentos muéstrales se aproximan a los momentos de la distribución,
estos últimos tienen la propiedad de que dos distribuciones de probabilidad son
iguales, si tienen todos sus momentos iguales.
Los momentos de una muestra forman una sucesión de números, para cada número
natural r se puede definir el momento r-ésimo.

1. Momento de muestras estándar.

• Dada una muestra aleatoria de tamaño N el momento muestral r-ésimo

se calcula mediante:
𝑛
𝑛𝑖
𝛼𝑟 = ∑ 𝑥𝑖𝑟
𝑁
𝑖=1

Donde:
𝑥𝑖 son los diferentes valores que aparecen en la muestra.
𝑛𝑖 es el numero de veces que se presenta el valor 𝑥𝑖 en la muestra.
𝑁 es el numero total de elementos de la muestra.
De modo que se cumple que el momento de orden 0 con respecto al origen
vale 1 y el momento de orden 1 con respecto al origen es la media
aritmética:

𝑛
𝑛𝑖 𝑁
𝛼0 = ∑ 𝑥𝑖0 = =1
𝑁 𝑁
𝑖=1
𝑛
𝑛𝑖
𝛼1 = ∑ 𝑥𝑖 = 𝑥̅
𝑁
𝑖=1

3
 2. Momentos respecto a la media o centrales.

𝑛
𝑛𝑖
𝑚𝑟 = ∑(𝑥𝑖 − 𝑥̅ )𝑟
𝑁
𝑖=1

Se cumple que el momento de orden 0 con respecto a la media vale 1, el

momento de orden 1 con respecto a la media vale 0 y el momento de orden
2 con respecto a la media es la varianza.

𝑛
𝑛𝑖 𝑁
𝑚0 = ∑(𝑥𝑖 − 𝑥̅ )0 = =1
𝑁 𝑁
𝑖=1
𝑛
𝑛𝑖
𝑚1 = ∑(𝑥𝑖 − 𝑥̅ )1 = 𝑥̅ − 𝑥̅ = 0
𝑁
𝑖=1
𝑛
𝑛𝑖
𝑚2 = ∑(𝑥𝑖 − 𝑥̅ )2 = 𝑆2
𝑁
𝑖=1

Los momentos de órdenes 3 y 4 con respecto a la media se emplean en el

cálculo de los coeficientes de asimetría y curtosis respectivamente.

B. MÁXIMA VEROSIMILITUD:

1. ¿qué es la máxima verosimilitud?

• Método de estimación que consiste en encontrar aquellos valores de

los parámetros del modelo (β1, β2, … , βk, σ ²) que maximizan la función
de verosimilitud.
• Es decir, la probabilidad conjunta de las observaciones de la variable
endógena. Densidad de la probabilidad de la muestra observada, expresada
en función de los posibles valores de la población de α, β y σ².

4
 2. Características
• Método de estimación puntual.
• Se formula bajo el supuesto de que (ui) tiene una distribución normal.
• Consistentemente asintótico, significa que mientras que el tamaño de
muestra aumenta, las estimaciones convergen a los valores correctos.
• Los Estimadores de los coeficientes de regresión de los modelos de
MV y MCO las β son idénticas, para regresiones simples y múltiples.
• Se utiliza cuando se considera fija la muestra.

• Este tipo de estimación puntual consiste en seleccionar el valor del parámetro para el
cual la probabilidad de que ocurra el resultado experimental sea máxima; es decir
dados los resultados experimentales del resultado ¿que valor del parámetro tiene la
máxima probabilidad de ser el verdadero?
• Verosimilitud: que tanto se apega a la realidad.
• Máxima verosimilitud: el mayor apego a la realidad
• Función de máxima verosimilitud: probabilidad de obtener la muestra observada dado
un valor del parámetro poblacional.
• Método objetivo para encontrar buenos estimadores puntuales
𝑥=𝑥 𝑥̅ = 𝜇
muestra población muestra
población
• el estimador de Máxima verosimilitud de un parámetro de θ nos dará el valor θ que
hace máxima la probabilidad de obtener un resultado concreto de una muestra (x1 ,x2
,…,xn ) para esto necesitamos la función de verosimilitud.
• El estimador de MV para σ ² es Ʃ ei 2 / N. Es sesgado.

5
• El estimador de MCO para σ² es Ʃ ei 2 / (N – 2) Es insesgado.
• Al comparar ambos estimadores de σ ² , incrementando el tamaño de la muestra,
tienden a ser iguales; Asintóticamente el estimador de MV también es insesgado.
3. Propiedades del estimador
En muchos casos, el estimador obtenido por máxima verosimilitud posee
un conjunto de propiedades asintóticas como son:
• M1. Consistencia: Plim ƟML = Ɵ
• M2. Normalidad asintótica: ƟML N[Ɵ, {I(Ɵ)} ] siendo I(Ɵ)=-E[∂² ln L/
∂Ɵ ∂ Ɵ’]
• M3. Eficiencia Asintótica: ƟML es asintóticamente eficiente y alcanza la
cota de Cramer-Rao para estimadores consistentes, dada en M2
• M4 Invarianza: El estimador de máxima verosimilitud de y= c(Ɵ) es c
(ƟML)

a) Estimación puntual.

Es una ecuación que explica el comportamiento de una variable, por lo

tanto, la variable se puede reproducir o pronostica. Cuando se utilizan
datos históricos en un modelo para hacer una proyección se le llama
“Estimación Puntual”

b) Estimación por intervalo.

Los métodos de Mínimos Cuadrados Ordinarios y Máxima Verosimilitud

son aplicables para muestras grandes y divergen en muestras pequeñas
N ∞
Ambos métodos contienen supuestos con los que el modelo funciona.

6
 La Máxima Verosimilitud funciona con la estadística Bayesiana y que
utiliza propiedades de conjuntos.

4. Función de la verosimilitud.
Sea X una variable aleatoria con función de probabilidad f(X l Ɵ), donde
Ɵ es un parámetro desconocido.
Sean X1… Xn los valores observados en una muestra aleatoria de tamaño
n. La función de verosimilitud de la muestra es:
L(Ɵ) =π=f(Xi lƟ) (Ɵ)
Debemos considerar que la función de densidad conjunta de la muestra
aleatoria además que la función de verosimilitud es una función del
parámetro desconocido Ɵ.
• Sea X1....Xn una muestra aleatoria de una distribución normal. La función de
verosimilitud es:
1 −(𝑋1 −𝑢)1
𝐿(𝜃) = 𝑒 2𝜎2
√2𝜋𝜎 2
𝑛 𝑛 2
1 2 ∑𝑇 −1(𝑋2𝑖 −𝑢)
𝐿(𝜃) = ( ) 𝑒 2𝜎
2𝜋𝜎 2

explica la densidad de una variable con distribución normal, con media y

varianza dadas.

7
• Así:

𝑁 𝑛
𝐿(𝜃) = − 𝐿𝑜𝑔(2𝜋𝜎 2 ) − 1 ∑ (𝑋1 − 𝑢)2
2 𝑇−1

• Para encontrar los valores críticos de u y σ² debemos tomar las

derivadas parciales de l(Ɵ)con respecto a u y σ² , igualarlas a cero y resolver
las dos ecuaciones resultantes. Si se omiten los detalles, los estimadores
máximos verosímiles resultantes son:

𝑢 = ∑(𝑋1 )2
𝑇−1

2
∑𝑛𝑇−1(𝑋1 − 𝑋)2
𝜎 =
𝑛

• De Ɵ es el valor de Ɵ que maximiza la función de verosimilitud L(Ɵ)

• En ocasiones es mas simple maximizar la función log-verosimilitud
por ejemplo:

l(Ɵ) = log (L(Ɵ)) =∑=log f(Xi l Ɵ)

• El método de máxima verosimilitud puede emplearse en situaciones

donde existen varios parámetros desconocidos, Ɵ1, Ɵ2…… ƟK, que es
necesario estimar. En tales casos, la función de verosimilitud es una
función de los parámetros desconocidos y Ɵ1, Ɵ2…… ƟK y los
estimadores de máxima verosimilitud Ɵ1, Ɵ2……ƟK se obtienen al
igualar a cero las k derivadas parciales, dadas por:

𝜕𝐿(𝜃1 , 𝜃2 , … , 𝜃𝐾
, 𝑖 = 1,2, … , 𝐾
𝜕𝜃𝑖

8
 5. A continuación se demostrara que :

MINIMOS CUADRADOS MAXIMA VEROSIMILITUD

̂1 + 𝛽
∑ 𝑌1 = 𝑛𝛽 ̂2 ∑ 𝑋𝑖 ̂1 + 𝛽
∑ 𝑌1 = 𝑛𝛽 ̂2 ∑ 𝑋𝑖

∑ 𝑌𝑖 𝑋𝑖 = 𝛽 ̂2 ∑ 𝑋𝑖 2
̂1 ∑ 𝑋𝑖 + 𝛽 ̂2 ∑ 𝑋𝑖 2
̂1 ∑ 𝑋𝑖 + 𝛽
∑ 𝑌𝑖 𝑋𝑖 = 𝛽

̂2 = 𝜎 2
𝜎 ̂2 = 𝜎 2 − 2 𝜎 2
𝜎
𝑛

De igual forma se demostrará que la varianza para la mv no es igual que para los
MCO, pero de igual forma tiende a ser insesgado a medida que crece el número
de datos, así como su consistencia para el mismo.

C. MÉTODO DE MÍNIMOS CUADRADOS

1. DEFINICIÓN

• El método de los mínimos cuadrados nos permite encontrar la ecuación

de una recta a partir de los datos experimentales.
• Es decir, utilizando solamente las mediciones experimentales se obtendrá
la pendiente y la ordenada al origen de la recta que mejor se ajuste a tales
mediciones.
• Así pues, solamente nos sirve para ajustar modelos lineales, si este no es
el caso, se debe buscar otro método de ajuste.
• El método de los mínimos cuadrados se calcula en base al siguiente
criterio: la distancia del punto experimental a la “mejor recta” es mínima.

9
2. Gráficamente
• Dibujamos unos ejes de coordenadas.

• Graficamos los puntos experimentales.

10
 • Trazamos la mejor recta de tal manera que:

• CRITERIO: La distancia, δy, del punto experimental a la “mejor

recta”, L, es mínima. Esta distancia se tomará al cuadrado.

3. Calculando los valores de la pendiente, m, y de la ordenada, b.

• Al efectuar la minimización de la ecuación uno respecto a todos los

puntos experimentales bajo el criterio de los mínimos cuadrados, el
procedimiento nos arroja el valor de la pendiente con su error, y de la
ordenada al origen con su error; de la “mejor recta”:
•
𝑛 ∑(𝑥𝑖 𝑦𝑖 )−∑ 𝑥𝑖 ∑ 𝑦𝑖 𝑛
𝑚= 2 𝑆𝑚 = 𝑆𝑦 √ 2
𝑛 ∑ 𝑥𝑖2 −(∑ 𝑥𝑖 ) 𝑛 ∑ 𝑥12 −(∑ 𝑥𝑖 )

11
 ∑ 𝑥𝑖2 ∑ 𝑦𝑖 − ∑ 𝑥𝑖 ∑(𝑥𝑖 𝑦𝑖 ) ∑ 𝑥𝑖2
b= 2 𝑆𝑚 = 𝑆𝑦 √ 2
𝑛 ∑ 𝑥𝑖2 −(∑ 𝑥𝑖 ) 𝑛 ∑ 𝑥12 −(∑ 𝑥𝑖 )

∑(𝑦1−(𝑚𝑥 +𝑏))2
𝑆𝑦 = √ 𝑖
𝑛−2

4. Escribiendo la ecuación del modelo

Al obtener los valores de la pendiente y de la ordenada al origen, podemos

entonces escribir la ecuación de la recta en la forma usual:
VD = pendiente VI + ord. al origen
y = (m ± Sm) x + (b ± Sb)
donde la y está en las unidades u, y la x está en las unidades u´.
Al reportar de esta manera, conocemos la ecuación del modelo con un 68%
de probabilidad asumiendo que los resultados se distribuyen normalmente.

12
IV. EJEMPLOS:
A. Momentos
1. 1 Los datos que se dan a continuación corresponden a los pesos en
Kg. de ochenta personas: (a) Obténgase una distribución de datos en
intervalos de amplitud 5, siendo el primer intervalo [50; 55]. (b) Calcúlese el
porcentaje de personas de peso menor que 65 Kg. (c) ¿Cuántas personas
tienen peso mayor o igual que 70 Kg? ¿pero menor que 85?
60; 66; 77; 70; 66; 68; 57; 70; 66; 52; 75; 65; 69; 71; 58; 66; 67; 74; 61; 63; 69; 80; 59; 66;
70; 67; 78; 75; 64; 71; 81; 62; 64; 69; 68; 72; 83; 56; 65; 74; 67; 54; 65; 65; 69; 61; 67; 73;
57; 62; 67; 68; 63; 67; 71; 68; 76; 61; 62; 63; 76; 61; 67; 67; 64; 72; 64; 73; 79; 58; 67; 71;
68; 59; 69; 70; 66; 62; 63; 66.
SOLUCIÓN:
a. Como se trata de efectuar una distribución de datos agrupados, debemos obtener
primero los intervalos correspondientes, situando los datos en sus lugares
respectivos:

b. Observando la columna de frecuencias acumuladas se deduce que existen N3 = 26

individuos cuyo peso es menor que 65 Kg., que en términos de porcentaje
corresponden a:

13
 26
∗ 100 = 32.5%
80
c. El número de individuos con peso comprendido entre 70 y 85 Kg. es:

n5 + n6 + n7 = 14 + 7 + 3 = 24
lo que es equivalente a: N7 – N4 = 80 – 56 = 24

14
B. Máxima verosimilitud
1.

15
16
17
C. Método de mínimos cuadrados
1. Se tomaron diferentes valores de masa y volumen de agua para
determinar su relación, y la densidad del agua. Se controló la masa
obteniéndose los siguientes resultados:

•Se desea encontrar la ecuación que ajusta estos datos utilizando el método
de los Mínimos Cuadrados
SOLUCION:

•Determinar el valor de la densidad del agua.

18
 Utilizando una hoja de cálculo obtenemos:
La pendiente: m = 1.000 ± 0.005 g/ml.
La ordenada al origen: b = 0.032 ± 0.167 g.
La ecuación será: M = (1.000± 0.005) V + (0.0± 0.2), donde M está
en g, y V está en ml.
Comparando los modelos teórico y experimental, sabemos que la densidad
es el inverso de la pendiente: ρ = 1/m. Calculando obtenemos:

𝑥 𝑥̅ 𝑆𝑚𝑥 2 𝑥̅ 𝑆𝑚𝑥 2 1 ̅
1
= [𝑦̅ ± √( ) +( ) ] 𝜌 = 𝑚 = [𝑦1.000
̅̅̅̅̅̅̅̅̅̅
±
𝑦 𝑦̅ 𝑥̅ 1
2 2
√(0) + ((1)(0.005)) ]
1 (1)2

• Así pues, la densidad será: ρ = 1.000± 0.005 g/ml.

V. CONCLUSIONES:

 Dar a conocer y aprender en que consiste los momentos de cada variable aleatoria,
el método de máxima verosimilitud y el método de mininos cuadrados.

 Aprender y desarrollar los temas.

19