Descrittiva e probabilità

Scale di misura delle variabili
• Qualitative: nominali o ordinali
– l’unico parametro valutabile è la
proporzione
• Quantitative: intervalli o rapporti
– possono essere eseguiti dei calcoli, i
parametri valutabili sono molti (statistiche
descrittive numeriche: misure di posizione
e di dispersione)
– possono essere discrete o continue.
Richiami di statistica descrittiva
Descrivere e sintetizzare i dati osservati attraverso
grafici (es. distribuzioni di frequenza), indici di
posizione e dispersione
• Dati univariati
• Dati bivariati
• Dati multivariati
Indici di posizione
Indicano la tendenza centrale di un insieme di dati
Media aritmetica
1 n
x   xi
n i 1
Proprietà della media aritmetica:
la sommatoria degli scarti di ogni dato dalla media (momento di 1° ordine) è nulla.
 x  x   0
n
i
i 1
n
( x1  x)  ( x2  x)  ..  ( xn  x)   xi  n x  0
i 1
la sommatoria del quadrato degli scarti (momento di 2° ordine) è minima
(ovvero non esiste alcun altro punto che sostituito alla media dia un valore inferiore
 x  x 
n
i 1
2
i
 min
Indici di posizione
media aritmetica
Se i dati sono espressi come frequenze:
n
fx
x
f
i 1
i i
media aritmetica ponderata
i
Se i dati sono espressi come proporzioni:
n
x   pi xi
i 1
Indici di posizione
Mediana: divide la serie ordinata in due parti di uguale numerosità
Moda: è il valore della classe a cui corrisponde la maggiore frequenza.
Media armonica: è il reciproco della media dei reciproci, idonea a
mediare rapporti tra 2 variabili.
Media geometrica: è la radice ennesima del prodotto di n dati.
Idonea per mediare tassi.
Indici di tendenza centrale resistenti
Trimmed mean: media aritmetica nella quale non
vengono considerate le code della distribuzione (es.
il 5% dei dati)
M-estimators (Maximum likelihood estimators):
media aritmetica pesata con peso funzione della
distanza dal valore centrale. Si differenziano per la
funzione di assegnazione dei pesi.
Indici di dispersione
Quantili: misure di posizione non centrale. Sono valori che dividono
la serie ordinata in un certo numero di parti di uguale numerosità.
Percentili: dividono la serie ordinata in 100 parti uguali. Il p-esimo
percentile di una distribuzione è quel valore con p% dei valori inferiori
ad esso. In statistica inferenziale sono interessanti il 1, 2.5, 5, 95,
97.5 e 99 esimo percentile
Quartili dividono la serie ordinata in 4 parti uguali. Sono il 25 esimo, il
50 esimo (è la mediana) e il 75 esimo percentile
L’intervallo tra il 25 esimo e il 75 esimo percentile si chiama distanza
interquartile.
Decili: dividono la serie ordinata in 10 parti uguali. Sono il 10, 20 30
…80, 90 percentile.
Indici di dispersione
Campo di variazione (Range): Xmax - Xmin
Scarti dalla media
SS 
Devianza (Sum of Squares)
 x
n
i
i 1
 x

2
Varianza (o Quadrato Medio o Mean Square)
n

2

 x
i 1
i

 x
n

2
s

2
i 1
n 1
n
n
Se i dati sono in frequenze:
Se i dati sono in proporzioni:

2

2



i 1
n

i 1
i
 x
f i  xi 

 2
fi
pi  xi 
 2

2
Indici di dispersione
Deviazione standard (standard deviation)
n
 
  xi


i 1
n
 x
n
2
s 
Coefficiente di variazione (CV)
s
CV  100
x
i 1
i
 x
n 1

2
Indici di dispersione
Teorema di Tchebysheff: indipendentemente dalla distribuzione,
fissata una costante K, l’intervallo
x  Ks
contiene almeno
[1-(1/K2)] dati. (s è la dev.standard)
Es.
K = 2 l’intervallo contiene almeno il 75% dei dati
K = 3 l’intervallo contiene almeno l’ 89% dei dati
Approssimativamente, se una distribuzione è simmetrica e a
campana:
l’intervallo
xs
l’intervallo
x  2s
x  3s
l’intervallo
contiene il 68% dei dati
contiene il 95% dei dati
contiene quasi il 100% dei dati
Indici di forma
 x
n
Asimetria (Skewness)
 x
i
i 1

3
n
negativa
Curtosi (Kurtosis)
platicurtica

3
positiva






 x
n
i 1
i
 x
n

4

4


3



leptocurtica
Cambio di scala dei dati
Se trasformo una variabile:
X  a  bY
a = cambio di origine
b = cambio di scala
La media e la varianza vengono trasformate nel modo seguente:
x  a  by
sx2  b2 s y2
Aggiungere una costante ai dati non ha effetto sulla loro varianza
Analisi esplorativa dei dati
Tra i più comuni strumenti grafici (oltre ai bar charts e histograms)
della EDA sono i diagrammi stem and leaf e box plot
diagramma stem and leaf
2.2 , 2.2, 3.1, 3.1, 3,3, 3,4, 4.2, 4,6, 4,7, 4.8, 5 5.1
Si considerano le prime 2 cifre significative ( in questo caso l’intero
numero). la prima cifra costituisce lo stem, la seconda le leaf.
2
22
3
1134
4
2678
5
01
si ottiene una specie di distribuzione di frequenza
Stem-and-Leaf Plot
Frequency
Stem &
7,00
2
13,00
3
14,00
4
7,00
5
9,00
6
1,00
7
,00
8
3,00
9
2,00
10
8,00 Extremes
Stem width:
Each leaf:
.
.
.
.
.
.
.
.
.
Leaf
0224688
0022444466668
00002244466888
0244688
000224446
6
444
26
(>=10,8)
1,0
1 case(s)
Box plot
50
17
Outlayer (>3*diff int)
40
Outlayer (<3*diff int)
30
16
1,5 * diff. interquartile
20
3° quartile
10
mediana
1° quartile
0
-10
N=
17
VAR00001
La mediana e il box indicano asimmetria nella parte centrale della
distribuzione, i bracci presenza di “code”
Inferenza statistica
Popolazione e campione
POPOLAZIONE: insieme di tutte le manifestazioni
relative a un certo fenomeno. Può essere finita o
infinita. In genere ci si occupa di popolazioni molto
grandi.
CAMPIONE: sottoinsieme della popolazione. Se
estratto casualmente rappresenta la popolazione in
esame.
Obiettivi dell’inferenza statistica
1. Test delle ipotesi
2. Stima dei parametri della popolazione
POPOLAZIONE descritta da
PARAMETRI

Campionamento

Inferenza

CAMPIONE -> funzione campionaria ->

STIME
Probabilità: definizioni
Spazio campione: insieme di tutti i possibili risultati o
realizzazioni ottenibili.
Realizzazione (outcome): risultato specifico ottenuto.
Evento: combinazione di realizzazioni, che ha caratteristiche
specifiche di interesse.
Esempi
spazio campione del lancio di un dado: 1, 2, 3, 4, 5, 6
spazio campione del lancio di 2 dadi:
(1,1),
(1,2),
(1,3),
(1,4),
(1,5),
(1,6),
(2,1),
(2,2),
(2,3),
(2,4),
(2,5),
(2,6),
(3,1),
(3,2),
(3,3),
(3,4),
(3,5),
(3,6),
(4,1),
(4,2),
(4,3),
(4,4),
(4,5),
(4,6),
(5,1),
(5,2),
(5,3),
(5,4),
(5,5),
(5,6),
(6,1),
(6,2),
(6,3),
(6,4),
(6,5),
(6,6),
Probabilità: definizioni
La probabilità di un evento A è indicata da P(A) ed è sempre
compresa tra 0 e 1
Se due eventi si escludono l’un l’altro, sono detti mutualmente
esclusivi.
La somma delle probabilità di tutti gli eventi mutualmente esclusivi
deve essere = 1
Il complemento di un evento è il non verificarsi di tale evento.
Il complemento di A è indicato con Ā
P(Ā) = 1 - P(A)
Due eventi A e B sono detti indipendenti se la probabilità che si
verifichi A non è influenzata dal fatto che si sia verificato B o viceversa.
Regole per combinare le probabilità
Per combinare le probabilità di più eventi valgono le seguenti
regole
Se due eventi sono indipendenti, la probabilità che entrambi si
verifichino è:
P(A and B)= P(A)P(B)
La probabilità che si verifichi almeno uno dei due eventi è:
P(A or B)= P(A)+P(B)
Se i due eventi non sono mutualmente esclusivi:
P(A or B)= P(A)+P(B) - P(A and B)
Distribuzioni di probabilità
Variabile casuale: numero che viene assegnato a ciascuna
realizzazione di un esperimento
Distribuzione di probabilità: probabilità associate a ciascun valore
della variabile casuale
La variabile casuale può essere discreta o continua
1. Distribuzioni di probabilità discrete (di VC discrete)
2.
Distribuzioni di probabilità continue (di VC continue)
La distribuzione di probabilità è la distribuzione teorica della
popolazione, i cui parametri si intendono indagare
La media di una distribuzione di probabilità è detta valore atteso della
variabile casuale
Distribuzioni di probabilità della somma di
due dadi da gioco ERRORE NEL
GRAFICO DATI TRUCCATI!
0.18
0.16
0.14
0.12
0.1
NORMALI
0.08
TRUCCATI
0.06
0.04
0.02
0
2
3
4
5
6
7
8
9 10 11 12 13 14 15 16
Distribuzioni di probabilità discrete
p(y)
0.18
0  p(y)  1
0.16
p(y) = 1
0.14
0.12
Valore medio (valore atteso):
0.1
0.08
=  y p(y)
0.06
Varianza:
0.04
2=  (y-  )2p(y)
0.02
0
2
3
4
5
6
7
8
9 10 11 12
y
1
Distribuzioni di probabilità continue
y
y
x
a
b
x
Sono descritte da funzioni. Di queste ci interessa solo l’integrale

L’area sottesa dalla curva è = 1
 y ( x )dx  1

L’area sottesa dalla curva tra due valori (es. a-b) è la probabilità
che la variabile casuale assuma valori compresi tra a e b
1
Distribuzioni di probabilità di interesse
Distribuzione binomiale
Distribuzione normale
Distribuzione del t di Student
Distribuzione di F di Fisher
Distribuzione del 2
Distribuzione di Poisson
Distribuzione del Q
Distribuzione binomiale negativa
Distrib Gamma, beta, Cauchy, Gumbel,
Weibull, Log-normale ecc…
Popolazione binomiale
Il caso più semplice di popolazione con variabili
qualitative è la popolazione binomiale. Viene detta
binomiale perché sono contemplate solo due possibilità,
due possibili realizzazioni.
Vengono quindi analizzate le proporzioni delle due
realizzazioni contemplate, dove:
p è la proporzione di individui che presentano una certa
caratteristica
(1-p) è la proporzione di individui che non la presentano.
Distribuzione binomiale
Convenzionalmente ad una delle due realizzazioni
possibili viene assegnata l’etichetta di “successo” e viene
indicata con 1. L’altra (“insuccesso”) viene indicata con 0.
Si indicano:
P(1) = p
P(0) = q = (1 - p)
La distribuzione binomiale descrive la distribuzione di
una variabile casuale Y che è il numero di successi in un
campione di numerosità n, composto cioè da n
realizzazioni indipendenti dell’evento elementare.
Distribuzione binomiale
La variabile casuale Y (numero di successi in un
campione di numerosità n) è una variabile discreta che
ha possibili realizzazioni:
0, 1, 2, …, n
Si tratta in sostanza di associare una probabilità a
ciascuna di queste realizzazioni.
La formula è la seguente:
n!
p( y ) 
p y (1  p) ( n y )
y!(n  y )!
Dove y è una delle possibili realizzazioni di Y
Origine distribuzione binomiale
n!
p( y ) 
p y (1  p) ( n y )
y!(n  y )!
Ho un sacco con 40 palline bianche e 60 nere. L’evento “successo” è
dato dalla estrazione di una pallina bianca. Estraggo, con reimmissione,
5 palline. Quale probabilità di estrarre 2 palline bianche?
p=0.4
q=0.6
n=5
y=2
- Se i successi sono 2, gli insuccessi saranno 5-2=3
- Poiché le realizzazioni sono indipendenti:
P = 0.4*0.4*0.6*0.6*0.6 = 0.420.63=0.03456
cioè: p2q3 = p2(1-p)3 = py(1-p)(n-y)
Questa è la probabilità di una sola possibile sequenza di estrazioni con
2 successi. (prime 2 estrazioni successo, ultime 3 insuccesso)
Origine distribuzione binomiale
Non avendo definito la sequenza di successi ed insuccessi a priori,
per avere la probabilità di ottenere 2 successi in 5 realizzazioni devo
considerare tutte le possibili combinazioni delle possibili estrazioni con
2 successi e applicare la regola additiva delle probabilità.
1
2
3
4
5
6
7
8
9
10
1
1
1
1
0
0
0
0
0
0
1
0
0
0
1
1
1
0
0
0
0
1
0
0
1
0
0
1
1
0
0
0
1
0
0
1
0
1
0
1
0
0
0
1
0
0
1
0
1
1
Il numero delle combinazioni possibili si può ottenere dal calcolo combinatorio:
n!
5!
5  4  3  2 1


 10
y!(n  y )! 2!(5  2)! 2 1(3  2 1)
Quindi la probabilità di estrarre due palline bianche estraendone 5 da una
popolazione con p=0,4 è:
p(2) = 10 x 0.03456 = 0.3456
Campione di numerosità 3 da popolazione con
p=0.5
p =
q= 1- p
0.5
d1
0
1
0
0
1
1
0
1
d2
0
0
1
0
1
0
1
1
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
d3
0
0
0
1
0
1
1
1
0 successi
1
n succ
0
1
1
1
2
2
2
3
1 successo
2
0.5
P
q*q*q
p*q*q
q*p*q
q*q*p
p*p*q
p*q*p
q*p*p
p*p*p
2 successi
3
Probab.
0.125
0.125
0.125
0.125
0.125
0.125
0.125
0.125
3 successi
4
0.125
}
0.375
}
0.375
0.125
Campione di numerosità 3 da popolazione con
p=0.1
p =
q= 1-
0.1
d1
0
1
0
0
1
1
0
1
d2
0
0
1
0
1
0
1
1
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
d3
0
0
0
1
0
1
1
1
0 successi
1
p
n succ
0
1
1
1
2
2
2
3
1 successo
2
0.9
P
q*q*q
p*q*q
q*p*q
q*q*p
p*p*q
p*q*p
q*p*p
p*p*p
2 successi
3
Probab.
0.729
0.081
0.081
0.081
0.009
0.009
0.009
0.001
3 successi
4
0.729
}
}
0.243
0.027
0.001
Caratteristiche della distribuzione binomiale
n!
p( y ) 
p y (1  p) ( n y )
y!(n  y )!
Dove y è una delle possibili realizzazioni di Y
È descritta da un solo parametro: p
Se i dati sono espressi come frequenze:
Valore medio (valore atteso): =np
Varianza: 2= np(1-p)
Distribuzione normale
Tra le varie distribuzioni di probabilità, una ha ruolo fondamentale in
statistica: la distribuzione normale o Gaussiana
1
y
e
2
1  x    2

 

2   
Tra le proprietà della Gaussiana ricordiamo:
La variabile x (variabile casuale) può avere valore da - a + 
E’ completamente definita da 2 parametri (media e varianza –
ovvero dev. St.) e viene sinteticamente indicata con N(; )
E’ simmetrica intorno alla media ed è a forma di campana
Ha il massimo in x= e 2 flessi in 
Distribuzione normale
0,6
0,5
N(6;2)
N(6;3,5)
0,4
N(8;0,5)
N(11;1)
0,3
0,2
0,1
0
0
5
10
15
Esistono infinite curve normali (per ogni possibile media & dev. st.)
Le probabilità (superfici sottese) sono in relazione alle distanze dalla
media misurata in numero di deviazioni standard
la normale standardizzata
Tra le curve normali, si fa spesso riferimento alla cosiddetta
“Normale standardizzata” che è N(0;1) e quindi ha:
media = 0
deviazione standard = 1
Tutte le normali possono essere ricondotte alla normale
standardizzata, sottraendo a ogni dato la media e dividendo per la
deviazione standard.
La distribuzione normale standardizzata si chiama distribuzione di Z
z
x

la normale standardizzata
Data una normale qualsiasi e un punto x, l’area compresa tra
il punto x e + è la stessa di quella compresa tra il
corrispondente z e +
L’integrale della normale N(, ) tra x e +  è calcolabile, ma con
notevole difficoltà; l’integrale di z è invece tabulato.
(l’integrale della normale N(, ) tra x e +  ci dà la probabilità che
un’unità sperimentale abbia un valore superiore a x)
Distribuzione binomiale -> normale
all’aumentare della numerosità campionaria la distribuzione
binomiale tende alla normale.
0,6
p=0,7
0,5
n=2
0,4
n=3
n=5
0,3
n=10
n=20
0,2
n=30
0,1
30
28
26
24
22
20
18
16
14
12
10
8
6
4
2
0
0
L’approssimazione è accettabile quando np5 e n(1-p)5
Stimatori
Uno stimatore è una statistica ottenuta da un campione che
stima un parametro della popolazione.
Gli stimatori si indicano con lettera latina
I parametri della popolazione si indicano con lettera greca
Media
x stimatore di 
Varianza s 2 stimatore di  2
Dev. St.
s stimatore di 
Lo strumento per valutare l’attendibilità di uno stimatore si
basa sullo studio della probabilità
Stimatori e distribuzioni campionarie
Proprietà di uno stimatore
Non distorsione (accuratezza): la media di tutti i possibili
valori dello stimatore è uguale al valore del parametro
della popolazione.
Consistenza: all’aumentare della dimensione del
campione lo stimatore tende al valore del parametro
Efficienza (precisione): è più efficiente, tra tutti gli
stimatori non distorti, quello che ha minore varianza
campionaria
Stimatori di media e varianza
Il miglior stimatore della media di una popolazione è
la media del campione.
Il miglior stimatore della varianza di una popolazione
è:
n
2
s2 
 x
i 1
i
 x

n 1
Se si divide per n invece che per n-1 lo stimatore è
distorto
Non vi sono stimatori non distorti della deviazione
standard, è per questo che si usa molto la varianza.
un universo:
media =
dev.st=
varianza=
2
3
5
6
4
1,6
2,5
Possibili campioni di numerosità 2 ottenibili
per estrazione casuale con reimmissione:
Campioni
x1
x2
2
2
2
3
2
5
2
6
3
2
3
3
3
5
3
6
5
2
5
3
5
5
5
6
6
2
6
3
6
5
6
6
medie stimatori
Varianze stimatori
Dev. St stimatori
media var (/n)
2
0,00
2,5
0,25
3,5
2,25
4
4,00
2,5
0,25
3
0,00
4
1,00
4,5
2,25
3,5
2,25
4
1,00
5
0,00
5,5
0,25
4
4,00
4,5
2,25
5,5
0,25
6
0,00
Statistiche
var (/(n-1) dev st (/n) dev st (/(n-1)
0,00
0,00
0,00
0,50
0,50
0,71
4,50
1,50
2,12
8,00
2,00
2,83
0,50
0,50
0,71
0,00
0,00
0,00
2,00
1,00
1,41
4,50
1,50
2,12
4,50
1,50
2,12
2,00
1,00
1,41
0,00
0,00
0,00
0,50
0,50
0,71
8,00
2,00
2,83
4,50
1,50
2,12
0,50
0,50
0,71
0,00
0,00
0,00
4
1,25
2,50
0,88
1,24
1,25
1,118
1,844
1,358
7,375
2,716
0,484
0,696
0,969
0,984
Teorema del limite centrale
Una variabile che derivi dalla somma di altre tende a essere
distribuita normalmente. Tante più variabili concorrono alla
somma tanto più l’approssimazione è buona
Le medie campionarie, anche se i campioni sono tratti
da popolazioni con distribuzioni diverse dalla normale,
tendono ad essere distribuite normalmente.
L’approssimazione è tanto maggiore quanto maggiore è
la numerosità campionaria
Distribuzione campionaria delle medie
la distribuzione campionaria della media di un
campione di numerosità n estratto casualmente da una
popolazione di media  e varianza 2 ha:
media =  (stimatore non distorto)
varianza =

2
n
deviazione standard =

n
Inoltre, per il teorema del limite centrale, se n
(numerosità del campione) è sufficiente, la distribuzione
delle medie campionarie è normale
Errore standard della media
La deviazione standard della distribuzione delle
medie campionarie, più piccola di  di un fattore
1
n , si chiama errore standard o deviazione
standard della media o errore di campionamento
della media.
Errore standard:
Errore percentuale:
x 
e% 

n
x
x
100
Distribuzione campionaria di
una proporzione
La distribuzione binomiale (popolazione) descrive la probabilità
di Y (numero di successi) in un campione di numerosità n.
Se ci si riferisce alle proporzioni di successi, è caratterizzata da:
Media (valore atteso): =p
Varianza: 2= p(1-p)
L’estrazione di un campione casuale di numerosità n fornirà una
proporzione campionaria di successi.
La proporzione di successi del campione, se n è sufficiente, è
una variabile casuale con distribuzione approssimativamente
normale e:
Media = p
Varianza = p(1-p)/n
La distribuzione del t di Student
x
t 
s
Ve ne sono infinite, in funzione della dimensione campionaria.
In altri termini l’unico parametro della distribuzione sono i GL di s.
Per n= la distribuzione del t diviene quella di z.
Nella distribuzione delle medie campionarie:
x
t 
sx
con:
s
sx 
n
La distribuzione del t di Student
E’ simmetrica, più appiattita della normale (è tanto più platicurtica tanto
più piccola è la dimensione campionaria).
E’ tabulata per il n° di gradi di libertà (n-1) con cui si stima la
deviazione standard
n= 2
n= 5
normale n-> inf.
-5
-3
-1
1
3
5
La distribuzione F
Serve a descrivere la distribuzione del rapporto di due stime
della varianza.
Dati due campioni indipendenti, estratti da popolazioni con
distribuzione normale e varianze 21 22
2
1
s
F 
s
2
2

2
1

2
2
È una variabile casuale con la distribuzione F
La distribuzione F ha due parametri: 1 e 2 che sono i gradi di
libertà con cui sono calcolate le varianze stimate s2.
Si indica con F(1, 2)
La distribuzione F
Definita solo per valori non negativi
Asimmetrica
Per ogni combinazione di gradi di libertà esiste una
distribuzione
Bisogna scegliere quale varianza mettere a numeratore.
Per convenzione si mette sempre la varianza più
grande.
Se 21= 22
2
1
2
2
s
F 
s
Distribuzione del X2
E’ data dalla sommatoria di n variabili indipendenti z2.
n
 
2
1
( x   )2
2
E’ sempre positiva.
E’ composta da n quote additive a ciascuna delle
quali compete 1 grado di libertà (GL).
I GL sono quindi dati dal numero di variabili z2
sommate.
Per 1 GL, X2=z2
Distribuzione del X2
Può essere usata per descrivere la distribuzione della
varianza campionaria.
Infatti:
Ovvero:
(n  1) s 2
2
2
(
x

x
)

2
Ha la distribuzione di X2 con (n-1) GL.