stringtranslate.com

Teoría de la estimación

La teoría de la estimación es una rama de la estadística que se ocupa de la estimación de los valores de los parámetros basándose en datos empíricos medidos que tienen un componente aleatorio. Los parámetros describen un entorno físico subyacente de tal manera que su valor afecta la distribución de los datos medidos. Un estimador intenta aproximar los parámetros desconocidos utilizando las mediciones. En la teoría de la estimación, generalmente se consideran dos enfoques: [1]

Ejemplos

Por ejemplo, se desea estimar la proporción de una población de votantes que votará por un candidato en particular. Esa proporción es el parámetro buscado; la estimación se basa en una pequeña muestra aleatoria de votantes. Alternativamente, se desea estimar la probabilidad de que un votante vote por un candidato en particular, en función de algunas características demográficas, como la edad.

Por ejemplo, en el radar, el objetivo es determinar la distancia de los objetos (aviones, barcos, etc.) analizando el tiempo de tránsito bidireccional de los ecos recibidos de los pulsos transmitidos. Como los pulsos reflejados están inevitablemente incrustados en el ruido eléctrico, sus valores medidos se distribuyen aleatoriamente, por lo que es necesario estimar el tiempo de tránsito.

Como otro ejemplo, en la teoría de la comunicación eléctrica, las mediciones que contienen información sobre los parámetros de interés a menudo están asociadas con una señal ruidosa .

Lo esencial

Para un modelo dado, se necesitan varios "ingredientes" estadísticos para que se pueda implementar el estimador. El primero es una muestra estadística : un conjunto de puntos de datos tomados de un vector aleatorio (VR) de tamaño N . Puesto en un vector , En segundo lugar, hay M parámetros cuyos valores se van a estimar. En tercer lugar, la función de densidad de probabilidad continua (pdf) o su contraparte discreta, la función de masa de probabilidad (pmf), de la distribución subyacente que generó los datos debe establecerse condicional a los valores de los parámetros: También es posible que los propios parámetros tengan una distribución de probabilidad (por ejemplo, las estadísticas bayesianas ). Entonces es necesario definir la probabilidad bayesiana Una vez formado el modelo, el objetivo es estimar los parámetros, con las estimaciones comúnmente denotadas , donde el "sombrero" indica la estimación.

Un estimador común es el estimador de error cuadrático medio mínimo (MMSE), que utiliza el error entre los parámetros estimados y el valor real de los parámetros como base para determinar la optimalidad. Luego, este término de error se eleva al cuadrado y el valor esperado de este valor elevado al cuadrado se minimiza para el estimador MMSE.

Estimadores

Los estimadores (métodos de estimación) más utilizados y los temas relacionados con ellos incluyen:

Ejemplos

Constante desconocida en el ruido blanco gaussiano aditivo

Considere una señal discreta recibida , , de muestras independientes que consta de una constante desconocida con ruido gaussiano blanco aditivo (AWGN) con media cero y varianza conocida ( es decir , ). Dado que se conoce la varianza, el único parámetro desconocido es .

El modelo para la señal es entonces

Dos posibles (de muchos) estimadores para el parámetro son:

Ambos estimadores tienen una media de , que se puede demostrar tomando el valor esperado de cada estimador y

En este punto, estos dos estimadores parecen tener el mismo rendimiento. Sin embargo, la diferencia entre ellos se hace evidente al comparar las varianzas .

Parecería que la media de la muestra es un mejor estimador ya que su varianza es menor para cada  N  > 1.

Máxima verosimilitud

Continuando con el ejemplo utilizando el estimador de máxima verosimilitud , la función de densidad de probabilidad (pdf) del ruido para una muestra es y la probabilidad de se convierte en ( puede considerarse como un ) Por independencia , la probabilidad de se convierte en Tomando el logaritmo natural de la pdf y el estimador de máxima verosimilitud es

Tomando la primera derivada de la función de log-verosimilitud y estableciéndola en cero

Esto da como resultado el estimador de máxima verosimilitud, que es simplemente la media de la muestra. A partir de este ejemplo, se descubrió que la media de la muestra es el estimador de máxima verosimilitud para muestras de un parámetro fijo y desconocido alterado por AWGN.

Límite inferior de Cramér-Rao

Para encontrar el límite inferior de Cramér-Rao (CRLB) del estimador de la media de la muestra, primero es necesario encontrar el número de información de Fisher y copiar de arriba

Tomar la segunda derivada y encontrar el valor esperado negativo es trivial ya que ahora es una constante determinista.

Finalmente, al poner la información de Fisher en resultados,

Comparando esto con la varianza de la media de la muestra (determinada previamente) se muestra que la media de la muestra es igual al límite inferior de Cramér-Rao para todos los valores de y . En otras palabras, la media de la muestra es el estimador eficiente (necesariamente único) , y por lo tanto también el estimador insesgado de varianza mínima (MVUE), además de ser el estimador de máxima verosimilitud .

Máximo de una distribución uniforme

Uno de los ejemplos no triviales más simples de estimación es la estimación del máximo de una distribución uniforme. Se utiliza como ejercicio práctico en el aula y para ilustrar los principios básicos de la teoría de la estimación. Además, en el caso de la estimación basada en una sola muestra, demuestra cuestiones filosóficas y posibles malentendidos en el uso de estimadores de máxima verosimilitud y funciones de verosimilitud .

Dada una distribución uniforme discreta con un máximo desconocido, el estimador UMVU para el máximo está dado por donde m es el máximo de la muestra y k es el tamaño de la muestra , muestreo sin reemplazo. [2] [3] Este problema se conoce comúnmente como el problema del tanque alemán , debido a la aplicación de la estimación máxima a las estimaciones de la producción de tanques alemanes durante la Segunda Guerra Mundial .

La fórmula puede entenderse intuitivamente como:

"El máximo de la muestra más la brecha promedio entre las observaciones en la muestra",

La brecha se agrega para compensar el sesgo negativo del máximo de la muestra como estimador del máximo de la población. [nota 1]

Esto tiene una varianza de [2], por lo que la desviación estándar es aproximadamente , el tamaño promedio (poblacional) de un espacio entre muestras; compárese con lo anterior. Esto puede verse como un caso muy simple de estimación de espaciado máximo .

El máximo de la muestra es el estimador de máxima verosimilitud para el máximo de la población, pero, como se explicó anteriormente, está sesgado.

Aplicaciones

Numerosos campos requieren el uso de la teoría de la estimación. Algunos de estos campos incluyen:

Es probable que los datos medidos estén sujetos a ruido o incertidumbre y es a través de la probabilidad estadística que se buscan soluciones óptimas para extraer la mayor cantidad de información posible de los datos.

Véase también

Notas

  1. ^ El máximo de la muestra nunca es mayor que el máximo de la población, pero puede ser menor, por lo tanto es un estimador sesgado : tenderá a subestimar el máximo de la población.

Referencias

Citas

  1. ^ Walter, E.; Pronzato, L. (1997). Identificación de modelos paramétricos a partir de datos experimentales . Londres, Inglaterra: Springer-Verlag.
  2. ^ ab Johnson, Roger (1994), "Estimación del tamaño de una población", Teaching Statistics , 16 (2 (verano)): 50–52, doi :10.1111/j.1467-9639.1994.tb00688.x
  3. ^ Johnson, Roger (2006), "Estimación del tamaño de una población", Cómo aprovechar al máximo la enseñanza de la estadística, archivado desde el original (PDF) el 20 de noviembre de 2008

Fuentes

Enlaces externos