Mest3 U2 A1 Luac

Descargar como docx, pdf o txt
Descargar como docx, pdf o txt
Está en la página 1de 4

Estadística 3

Profr. Marco Antonio Olivera Villa


Unidad 2
Actividad 1: Autocorrelación muestral y estimación máximo
verosímil

Alumno: Luis Gerardo Aguilar Cruz


Matricula: ES1511108497

Febrero de 2019
1.- Define el significado de autocorrelación muestral.
La función de autocorrelación nos dice cuanta correlación hay ( y por implicación cuánta
interdependencia hay) entre datos individuales contiguos en la serie temporal 𝑋𝑡 . Definimos
la autocorrelación con rezago 𝑘como:
𝐸[(𝑥𝑡 − 𝜇)(𝑥𝑡+𝑘 − 𝜇)]
𝜌𝑘 =
𝜎2
donde 𝐸 es el valor esperado y 𝑘 el desplazamiento temporal considerado (normalmente
denominado desfase). Esta función varía dentro del rango [−1, 1], donde 1 indica una
correlación perfecta (la señal se superpone perfectamente tras un desplazamiento temporal
de 𝑘) y −1 indica una anticorrelación perfecta.
Por otra parte, la función de autocorrelación parcial mide la “aportación” que a las
variaciones de una variable como 𝑥𝑡 tiene otra variable, digamos 𝑥𝑡2 , aislados los efectos de
las posibles restantes variables, por ejemplo 𝑥𝑡1 . Por el contrario, la función de
autocorrelación ignora el hecho de que parte de la correlación que pueda existir entre, por
ejemplo 𝑥𝑡 y 𝑥𝑡2 , se debe a que ambas están correlacionadas con 𝑥𝑡1 .

2.- ¿Qué significa el término máxima verosimilitud en Estadística?


En estadística la idea que subyace al término de máxima verosimilitud es tomar como
estimación o estimador del parámetro estudiado, el valor que haga máxima la probabilidad
de obtener la muestra observada.
Dadas las observaciones independientes 𝑥1, 𝑥2, . . . , 𝑥𝑛 de una función de densidad 𝑓(𝑋, 𝜃), el
estimador de máxima verosimilitud 𝜃^es el que maximiza la función de probabilidad

Es decir, aquel valor o expresión para el que se verifique la derivada


𝑑
(𝐿(𝑥1, 𝑥2, . . . , 𝑥𝑛 ; 𝜃)) = 0
𝑑𝜃
Debido a que la función de verosimilitud es a fin de cuentas una función de probabilidad,
será una función definida no negativa y por lo tanto alcanzará su máximo en los mismos
puntos que su logaritmo. Por esta razón suele maximizarse

𝑙𝑛 (𝐿(𝑥1, 𝑥2, . . . , 𝑥𝑛 ; 𝜃))

en lugar de la propia función de verosimilitud. Suele hacerse esto en todos aquellos casos
en los que la función de verosimilitud depende de funciones exponenciales.
3.- ¿Cómo se aplica la idea de máxima verosimilitud en series de
tiempo?
Una vez que se seleccionó el modelo ARMA(p, q) para las observaciones 𝑥1, 𝑥2, . . . , 𝑥𝑛 , se
deben estimar los parámetros autoregrresivos 𝜙𝑝 = (𝜙1, 𝜙2, . . . , 𝜙𝑝 ), de promedios moviles y
de varianza 𝛿𝜖2 .Para lo cual utilizamos el método de máxima verosimilitud.
Se asumirá que se trabaja con modelos ARMA (p, q) con 𝐸(𝑋𝑡 ) = 0; si el modelo ajustado a
los datos de media corregida es
𝜙(𝐵)𝑋𝑡 = 𝜃(𝐵)𝑍𝑡 , {𝑍𝑡 } ∼ 𝑊𝑁(0, 𝜎 2 ),
entonces el modelo correspondiente para la serie estacionaria original {𝑌𝑡 } se encuentra
sustituyendo 𝑋𝑡 para cada 𝑡 por 𝑌𝑡 − 𝑌¯ , donde 𝑦¯ = 𝑛−1 ∑𝑛𝑗=1 𝑦𝑖 es la media muestral de los
datos originales, tratados como una constante fija.
Cuando se conocen p y q, los estimadores de 𝜙 y 𝜃 se pueden encontrar, imaginando que
los datos son observaciones de una serie de tiempo estacionaria Gaussiana y maximizando
el verosímil con respecto a los p + q + 1 parámetros 𝜙1, 𝜙2, . . . , 𝜙𝑝 , 𝜃1, 𝜃2, . . . , 𝜃𝑞 y 𝜎 2 . Los
estimadores obtenidos por estos procedimientos son conocidos como estimadores de
máxima verosimilitud (o de máxima verosimilitud Gaussiana).
Referencias:
Pindyck, R. S. & Rubinfeld, D. L. (2001). Econometría: Modelos y Pronósticos (4a de.).
México: McGraw-Hill.
UnADM (s. f.). Estadística III. Unidad 2. Identificación, estimación y validación de modelos.
Recuperado de
https://unadmexico.blackboard.com/bbcswebdav/institution/DCEIT/2016_S2_B1/MT/06/MES
T3/U2/U2.Identificacion_estimacion_y_validacion_de_modelos_2019_01_B1.pdf
Walpole et. al. (2012). Probabilidad y estadística para ingeniería y ciencias (9a de.). México:
Pearson.

También podría gustarte