BLOC 1 

Mètode dels Moments i Màxima Versemblança 

GUIA 1: ESTIMACIÓ PUNTUAL: ​
 
Objectiu  de  l’Estadística:  Buscar decisions, és una eina matemàtica que ens ajuda a 
prendre decisions, saber-la interpretar 
Exemple:  Una  vacuna  que  demostra  tenir  eficàcia  del  85%  (en  el  poble  1),  i  una  altre  diu 
que  aquesta  eficacia  és  del  90%  (en  el  poble  2),  podem  dir  que  la  segona  és  millor  que la 
primera o ha estat casualitat? No té perquè, depèn de molts factors. 

→  L'estadística  ens  permet  quantificar  fins  a  quin  grau  de  certesa  podem  dir  que  això  és 
degut a a la casualitat o és degut a si és millor o no. 
 
DEFINICIÓ 

→  ​L’estadística  és  una  branca  de  les  matemàtiques  (o  no)  que  té  per  objectiu  recollir, 
presentar,  analitzar  i  interpretar  dades,  predir  variables  no  observades  i  estudiar  les 
propietats dels mètodes utilitzats per dur a terme aquestes tasques. 

→  ​L’estadística  és  una  disciplina  que  permet  modelitzar  i  prendre  decisions  davant  la 
presència  de  la  incertesa,  és  a  dir,  fenòmens  aleatoris.  S’utilitza  en  diverses  ciències 
aplicades, com ́es l’economia. 

ESTADÍSTICA INFERENCIAL 

Utilitzar  les  dades  per  arribar  a  conclusions,  fa  prendre  decisions,  és diferent a l'estadística 
descriptiva (gràfics, mitjanes…) 

Descriptiva: 85% i 90% 

Inferencial: La 1 és millor que l’altre 
 
 
MOSTRA I REALITZACIÓ D’UNA MOSTRA: 

Una  ​mostra  X n = X 1 , X 2 , ..., X n   és  una  col·lecció  de  variables  aleatories  independents 
identicament distribuides: M
​ ajúscules (Variables aleatòries, no se sap el resultat d'aquesta 
Realització de la mostra​ : M
​ inúscula (Quan ja hem pres la mostra i sabem el seu resultat) 

No  es  pot  dir  que  una  realització  d’una  mostra  sigui  un  conjunt  de  variables  aleatòries  (es 
una  variable  que  dependrà  a  la  persona que se li faci) . No es igual la variable aleatoria que 
els possibles valors d’aquesta 

DISTRIBUCIÓ MOSTRAL 
 BLOC 1 

Estadístic:  És  una  funció  de  la  mostra  (Qualsevol  funció  de  la  mostra,  mitjanes,  màxims, 
mínims,  quartils,  variància,  esperança…),  qualsevol cosa que podem calcular amb la mostra, 
(El  màxim  de  X1  Xn,  el  màxim  de  la  mostra,  si  per  exemple  la  variable  X  és  el  nombre  de 
germans, el màxim de nombre de germans per cada persona seria Estadistics) 

Un estimador és un estadístic que utilitzem per estimar un paràmetre, aquest no pot tenir 
biaix 

→  El  resultat  d’un  estadístic  és  aleatòria,  la  distribució  de  l'estadístic  l'anomenem 
Distribució mostral 

MITJANA  MOSTRAL  (S)  o  X :  ​L'estadístic  que  (sota  certes  condicions)  aproxima  millor  p  és  la 
corresponent mitjana mostral (proporció mostral) 

X 1 +X 2 +...+X n
S= n  

Esperança i Variància de la mitjana mostral 

V ar(X)
E (S) = E (X) = μ   V ar(S) = n  

Al  ser  idènticament  distribuïdes,  tenen  la  mateixa  esperança.  I  al  ser  independents  és 
compleix l'equació de la variància (sino no seria possible) 

TEOREMA  CENTRAL  DEL  LÍMIT:  ens  diu  que  si  n  és  gran  la  distribució  mostral  de  S  és 
aproximadament Normal d
​ e mitjana E(S) i variància Var(S).  

→  X  pot  ser  qualsevol  distribució  que  S  sempre  serà  normal  si  s’aplica  aquest 
teorema 

Exemple. Cas Bernoulli → Diapo 

︿
Proporció  mostral:  (p) Cas  particular  de  la  mitjana  mostral,  quan  és  Bernoulli  →  Suma  de 
totes les respostes d’èxit, dividida entre el nombre total de respostes (èxit + fracàs) 

↓ En el cas particular de Bernoulli, E(S) = p 

︿ ︿ p(1−p)
E (p) = E (X) = p   V ar(p) = n  

I l’arrel de la variància és l’error estàndard 

● Criteris per n si la població és Bernoulli (per TCL)
 BLOC 1 

● Depenen del llibre

● Bàsicament n>30
● np(1-p) > algo
● p.ex: alguns llibre prenen np(1-p)>5 → (Generalment)
 
PARÀMETRE D’UNA POBLACIÓ 

Qualsevol característica numérica de la població que sigui desconeguda i que volem 

estudiar (p de bernoulli, una mitjana, la lambda d’una exp…) 
→ L’objectiu ́es trobar la millor manera d’utilitzar les dades per trobar un valor aproximat 
del paràmetre, és a dir, trobar la millor estimació puntual del paràmetre. 
 
︿
→ Un estadístic que usem per estimar un paràmetre es diu e
​ stimador​ p  
︿
Si E (p) = p → E
​ stimador no esbiaixat​ (​Valor esperat correcte​) 
︿
Si E (p) =/ p → E
​ stimador esbiaixat (​ ​Valor esperat no és el correcte​) 

ESTIMADOR PUNTUAL 
︿
→ θ → És el paràmetre de la població que volem estimar. Un estimador puntual és θ n i és 
del paràmetre θ és una variable aleatoria , l’estimador dependrà del resultat de la mostra 

- 2 coses a controlar: el biaix i l’eficiència 

Diferencia entre l​ ’esperança​ de l’estimació puntual i i l​ ’estimador​. ​Biaix 

︿ ︿
biaix(θ n ) = E (θ n ) − θ  

​ ficiència 
La ​desviació típica​ de l’estimació puntual s’anomena error estàndard. E

︿ ︿
se(θ n ) = √V ar(θ n)  

Si  un  estimador  té  una  desviació  típica  menor  que  un  altre,  diem  que  el  primer  és  més 
eficient. 

- Que puc fer perquè sigui més eficient?​ Augmentar n 

ERROR  DE  MITJANA  QUADRÀTICA  És  el  valor  esperat  del  quadrat  de  la  dif  entre 
l’estimador del paràmetre. ​Consistència 
 BLOC 1 

︿ ︿ ︿ ︿
E M Q (θ n ) = E (θ n − θ)2 = biaix(θ n )2 + se(θ n )2  

Un  estimador  es  ​consistent  amb  mitjana  quadràtica,  quan  EMQ  és  0  quan  n  tendeix  al 
infinit  

Per trobar bons estimadors farem servir dos mètodes: 

No  tots  els  paràmetres  que  volem  estimar  s’estimen  amb  la  mitjana  mostral  o  amb  la 
proporció mostral, com ara voler estimar la lambda d’una exponencial 

- MÈTODE DELS MOMENTS (MM) 

Els  moments  d’una  variable  aleatòria  és  l’esperança  de  X  (en  el  moment  de  1r  ordre).  El 
moment de 2n ordre és E(X^2), el moment de 3r ordre és E(X^3) 
︿
θ → Estimador dels moments 

Sigui  θ  el  paràmetre  d’interès  associat  a  la  població.  La  relació  funcional  entre el moment 
de primer ordre de la distribució de la població i θ es coneguda. 

E (X) = g (θ)  

︿
L’Estimador  dels  Moments  es defineix com la solució  θ n  ​de l'equació, ja que sabem 
que  E (X) ≃ X n ,  l’estimador  de  moments  passa  a  ser:  la  X n   ja  la  sabem  i  així  hem  de 
calcular el paràmetre. 

︿
X n = g (θ n )  

Exemple  típic → Exponencial, a la diapo, on hem d’aïllar el paràmetre, en aquest cas 
la lambda 

La  X  és  la  variable  de  la  mostra,  d’estudi  (nombre de germans en 5 persones) la X barra és 

la mitjana mostral, és a dir, la mitjana de germans que tenen aquestes 5 persones. 

- ESTIMADOR DEL MÀXIM DE LA VERSEMBLANÇA (EMV) 

No  sempre  la  podem  calcular,  per  tant  ens  adaptem  al  màxim  de  versemblança  (allò  que 
enganxa  més  amb  les  observacions,  busquem  el  paràmetre  que  maximitza  la  probabilitat 
que passi allò que hem observat) 
 BLOC 1 

→ És més general que el MM 

Sigui  X  ∼  F (θ) amb funció de probabilitat/densitat f(x,θ) on θ és el paràmetre desconegut 
que ens interessa estimar. 

Per calcular aquest, primer hem de trobar el màxim de la funció següent​: 

Ln (θ; X 1 , ..., X n ) = Π f (X i ; θ)  

Funció de versemblança (f → funció de probabilitat (discretes) o densitat (continues) 

→ Multiplicar les funcions de probabilitat de cada variable (X_n) de la mostra 

MÀXIM  DE  VERSEMBLANÇA​:  Buscar  la  p  que  fa  màxima  la  probabilitat  el  que  hem 
observat  →  Ho  trobem  derivant  directament,  o  sino  ​fent  el  logaritme  de  la  funció  de 
versemblança i un cop tenim aquest, el derivem. → (​ Acostuma a ser més fàcil) 

PROCÉS (En v.a discretes) 

1. Funció de versemblança:​ buscar la probabilitat de cada X 1 i multiplicar-les amb la 

funció de probabilitat 
2. Buscar el màxim → Posant en logaritme el resultat de 1. 
3. Aleshores derivem i aïllem  
 
Si el nombre (n) de experiments (X), és molt gran ​en el cas de Bernoulli​ (2 resultats 
possibles) seria → ​p^a*(1-p)^(n-a)​ (EN EL 1r PAS) 
 

PROCÉS (En v.a continues) 

1. Funció de versemblança:​ buscar la probabilitat de cada X 1 , i multiplicar-les, amb la 

funció de densitat 
2. Buscar el màxim → Posant en logaritme el resultat de 1. 
3. Aleshores derivem i aïllem  
 
Funció de versemblança general d’una distribució 
exponencial 
Observem que per una v.a. Exponencial, el MM i 
l’EMV coincideixen! 

En  general, el cas de l’exponencial 

 
 BLOC 1 

Considerem dos valors θ​1 ​i θ​2 ​tals que L​n​(θ​1​; x) > L​n​(θ​2​; x). 
Això  implica  que  la  probabilitat  d’observar  la  mostra  que  tenim  és  més  gran  si  θ1  
és el valor del paràmetre que si ho és θ​2 ​→ Direm que θ1 és ​millor ​que θ2