Regression model

Estimación por Máxima Verosimilitud

La Estimación por Máxima Verosimilitud (EMV) es un método paramétrico de propósito general para estimar los parámetros desconocidos de un modelo estadístico, encontrando los valores de los parámetros que hacen que los datos observados sean lo más probables. Formalizada por R. A. Fisher en su influyente artículo de 1922 en las Philosophical Transactions of the Royal Society, la EMV se ha convertido en el paradigma dominante de estimación de parámetros en la estadística moderna y es el motor fundamental detrás de la regresión logística, los modelos lineales generalizados, el modelado de ecuaciones estructurales y prácticamente todos los procedimientos de inferencia paramétrica.

Aplicar con StatMindPróximamenteVídeoPróximamenteDownload slides

Leer el método completo

Solo para miembros

Inicia sesión con una cuenta gratuita para leer esta sección.

Iniciar sesión

Method map

The neighbourhood of related methods — select a node to explore.

Fuentes

  1. Fisher, R. A. (1922). On the mathematical foundations of theoretical statistics. Philosophical Transactions of the Royal Society of London, Series A, 222, 309–368. DOI: 10.1098/rsta.1922.0009
  2. Casella, G., & Berger, R. L. (2002). Statistical Inference (2nd ed.). Duxbury Press / Cengage Learning. ISBN: 978-0534243128

Cómo citar esta página

ScholarGate. (2026, June 3). Maximum Likelihood Estimation. ScholarGate. https://scholargate.app/es/statistics/maximum-likelihood-estimation

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

Citado por

ScholarGateMaximum Likelihood Estimation (Maximum Likelihood Estimation). Recuperado el 2026-06-15 de https://scholargate.app/es/statistics/maximum-likelihood-estimation · Conjunto de datos: https://doi.org/10.5281/zenodo.20539026