Elementi di statistica descrittiva -...

1ELEMENTI DI STATISTICA DESCRITTIVA PER L’ANALISI DEL RISCHIO

Corso di Laurea inSicurezza igienico-sanitaria degli alimenti

Metodologie statistiche per l’analisi del rischio

ELEMENTI DI STATISTICA DESCRITTIVAPER L’ANALISI DEL RISCHIO

Facoltà di Medicina Veterinaria, Università di PadovaDocente: Dott. L. Corain


SOMMARIO

Definizione di statistica descrittiva

Statistica descrittiva vs. Statistica inferenziale

Gli aspetti della statistica descrittivadescrizione e forma della distribuzioneposizione o tendenza centralevariabilità o dispersione

Gli strumenti della statistica descrittivatabelle e graficiindici di sintesi

Statistica descrittiva per i dati multivariati


LA STATISTICA DESCRITTIVA: DEFINIZIONECon il termine statistica descrittiva si intende un insieme di tecniche e strumenti finalizzati ad assolvere uno dei principali compiti assegnati della Statistica:

descrivere, rappresentare e sintetizzare in maniera opportuna un campione di dati relativo ad un problema (popolazione) di interesse.

Per popolazione si intende la totalità dei casi, ovvero delle unità statistiche, sulle quali e possibile rilevare il fenomeno di interesse, ad esempio la prevalenza di colonie batteriche in un certo alimento. In questo caso, la popolazione è la totalità dei campioni (vetrini, piastre, ecc.) che sono riferibili alle condizioni produttive (o di conservazione, trasporto, ecc.) dell’alimento.


STATISTICA DESCRITTIVA vs STATISTICA INFERENZIALEMentre la statistica descrittiva si occupa di rappresentare l’informazione contenuta in un dato insieme o campione di dati, la statistica inferenziale utilizza tale informazione per fare delle affermazioni più generali riguardanti i parametri (solitamente µ e σ) della popolazione, da cui il campione èstato estratto.Le affermazioni della statistica inferenziale sono di due tipi:

STIMA: si vuole indicare un valore plausibile per il parametro della popolazione, sotto una delle 2 forme:1. un valore ben definito (STIMA PUNTUALE)2. un intervallo in cui molto verosimilmente il parametro

sia incluso (STIMA INTERVALLARE)VERIFICA DI IPOTESI: indicare quale tra due specifiche ipotesi sul parametro (nulla o alternativa) sia da accettare


STATISTICA DESCRITTIVA vs STATISTICA INFERENZIALESi noti la netta distinzione concettuale tra

parametri (solitamente µ e σ) della popolazione: si tratta di quantità non osservabili, ma stimabili attraverso i dati campionari.stime dei parametri (media e deviazione standard campionaria): si tratta di valori plausibili di un parametro della popolazione che possiamo calcolare attraverso i dati campionari.

Assunto un modello di probabilità di rappresentazione della popolazione, attraverso le stime dei parametri possiamo stimare anche la distribuzione della popolazione stessa.Si noti che l’assunzione di un modello di probabilità non assicura affatto che tale modello sia il vero della distribuzione della popolazione.


LA STATISTICA DESCRITTIVA: ASPETTI E STRUMENTI

Per descrivere e sintetizzare l’informazione campionaria di un fenomeno numerico di interesse, la statistica descrittiva si focalizza su 3 principali aspetti:

1. la descrizione e la forma della distribuzione2. la posizione o tendenza centrale3. la variabilità o dispersione

Gli strumenti messi a disposizione dalla statistica descrittiva possono essere sia di tipo grafico che numerico. In questo ultimo caso si tratta di opportuni indici di sintesi, che in unico valore esprimono una specifica caratteristica della distribuzione dei dati: la tendenza centrale, la variabilità e la forma della distribuzione.


LA STATISTICA DESCRITTIVA: DETTAGLIO STRUMENTIGrafici:

Dotplot(tabella ed) istogramma di frequenza

frequenza assoluta, frequenza relativafrequenza, frequenza cumulata

boxplotprobability plot

Indici di sintesi:indici di posizione o tendenza centrale

media, mediana, modaindici di variabilità o dispersione

varianza, deviazione standard (scarto quadr. medio) range, range interquartile

indice di asimmetria


Una pipetta è stato usata per trasferire 1 cm3 di acqua distillata in una provetta tarata per la pesatura. L'esperimento è stato replicato 50 volte.

... ...

UN ESEMPIO: L’ACQUA EROGATA DA UNA PIPETTA


Una prima sintetica rappresentazione grafica dei dati èfornita dal dotplot, dove ogni distinto valore osservato corrisponde ad un pallino:

Possiamo inoltre notare che i dati cadono in un range(intervallo) di 0.14 gr, calcolato come differenza tra il valoremassimo (1.10) e minimo (0.94) osservato.

UNA PRIMA RAPPRESENTAZIONE GRAFICA

0.94 0.96 0.98 1.00 1.02 1.04 1.06 1.08 1.10

Peso

Dotplot del Peso dell'acqua erogata dalla pipetta Osserviamo che la maggior parte dei dati tende a “addensarsi” attorno ad un valore centrale (che però èinferiore a 1 gr).


Per approfondire la descrizione della distribuzione dei dati, partendo dal valore minimo di 0.94, dividiamo l’intervallo di osservazione dei dati (di ampiezza 0.14 gr) in 15 intervalli di uguale ampiezza pari a 0.01: [0.94, 0.95[, [0.95, 0.96[, ..., [1.08, 1.09[. Se contiamo il numero di unità che cadano all’interno di ciascun intervallo, otteniamo la tabella ed il corrispondente istogramma di frequenza.

LA TABELLA E L’ISTOGRAMMA DI FREQUENZA

Peso

Freq

uenc

y

1.101.091.081.071.061.051.041.031.021.011.000.990.980.970.960.950.94

12

10

8

6

4

2

0

Histogram of PesoConteggio di PesoIntervallo Assoluta Relativa0.94-0.95 3 6%0.95-0.96 4 8%0.96-0.97 12 24%0.97-0.98 8 16%0.98-0.99 9 18%0.99-1.00 4 8%1.00-1.01 2 4%1.01-1.02 3 6%1.02-1.03 2 4%1.03-1.04 0 0%1.04-1.05 0 0%1.05-1.06 1 2%1.06-1.07 1 2%1.07-1.08 0 0%1.08-1.09 1 2%Totale 50 100%

Frequenza


Se sommiamo via via le frequenze in maniera cumulata rispetto agli intervalli, si ottiene la cosiddetta frequenza cumulata, che ci dice quante osservazioni cadono fino ad una certa soglia. Per costruzione, il valore della frequenza cumulata rispetto all’ultima soglia sarà il numero totale di osservazioni o il valore 100% rispettivamente per la frequenza cumulata assoluta o relativa.

LA FREQUENZA CUMULATA

Conteggio di PesoIntervallo Assoluta Relativa< 0.95 3 6%< 0.96 7 14%< 0.97 19 38%< 0.98 27 54%< 0.99 36 72%< 1.00 40 80%< 1.01 42 84%< 1.02 45 90%< 1.03 47 94%< 1.04 47 94%< 1.05 47 94%< 1.06 48 96%< 1.07 49 98%< 1.08 49 98%< 1.09 50 100%

Frequ. comulata

Peso

Cum

ulat

ive

Perc

ent

1.091.081.071.061.051.041.031.021.011.000.990.980.970.960.95

100

80

60

40

20

0

Distribuzione relativa cumulata del Peso


porre il limite inferiore della prima classe leggermente al di sotto del valore minimo osservato, preferibilmente individuando un valore di riferimento che faciliti l’interpretazione dei dati

scegliere un numero di intervalli da un minimo di 4-5 ad un massimo di 14-15; in base al numero di intervalli calcolare la corrispondente ampiezza

in alternativa, scegliere una ampiezza opportuna dell’intervallo, preferibilmente in modo che il numero di classi sia coerente con il punto precedente

LA DEFINIZIONE DEGLI INTERVALLI

Nella definizione degli intervalli è utile seguire alcune semplici regole empiriche:


la media dei due valori nella posizione centrale ((50+1)/2=25.5, cioè 25° e 26°) definisce la MEDIANA

il valore più vicino alla posizione ¼ ((50+1)/4=12.75 quindi il 13° dato) definisce Q1 (primo QUARTILE)

il valore più vicino alla posizione ¾ ( (50+1)*3/4=38.25 quindi il 38° dato) definisce Q3 (terzo QUARTILE)

MEDIANA E QUARTILI: DEFINIZIONE

Oltre ai valori massimo e minimo, altri indici statistici di posizione possono fornirci informazioni importanti di sintesi sulla distribuzione dei dati. Se ordiniamo i dati, dal piùpiccolo al più grande

Posizione ordinata 1 2 ... 12 ... 25 26 ... 38 ... 49 50Peso 0.945 0.946 ... 0.962 ... 0.977 0.977 ... 0.994 ... 1.063 1.085Indice 0.945 0.962 0.994 1.085

MIN Q1 Q3 MAXMEDIANA (Q2)0.977


MEDIANA: se n è dispari, la mediana è il valore della serie ordinata nella posizione (n+1)/2, mentre se n èpari, la mediana è la media aritmetica dei due valori della serie ordinata nelle posizioni n/2 e n/2+1Q1 e Q3: se n+1 è divisibile per 4, Q1 e Q3 sono i valori della serie ordinata nelle posizioni (n+1)/4 e (n+1)*3/4, mentre se n+1 non è divisibile per 4, se (n+1)/4 e (n+1)*3/4 cadano esattamente tra 2 posizioni (es. 32.5 e 94.5) allora Q1 e Q3 sono definiti dalla media aritmetica dei due valori adiacenti della serie ordinata (es. 31-32 e 94-95), altrimenti sono definiti come i valore che sta nella posizione corrispondente al valore (n+1)/4 e (n+1)*3/4 una volta arrotondato all’intero più vicino

MEDIANA E QUARTILI: REGOLA DEFINIZIONE POSIZIONISia n il numero di osservazioni del campione di dati. In base al fatto che n sia pari o dispari e che sia divisibile per 4, la mediana ed i quartili vengono così definiti:


IL BOXPLOT

La rappresentazione grafica dei 5 numeri di sintesi: MIN, Q1, MEDIANA, Q3 e MAX, forniscono il cosiddetto BOXPLOT.Per costruzione, all’interno della “scatola” è contenuto il 50% dei dati osservati.

La forma della scatola (rispetto alla mediana) ed il modo in cui si allungano i tratti laterali (“baffi”) danno un’indicazione sia della tendenza centrale, che sulla variabilità (“intensità”della dispersione) che sulla simmetria della distribuzione.

MIN MAX

MEDIANA

Q3Q1


Peso1.1001.0751.0501.0251.0000.9750.950

Boxplot of Peso

IL BOXPLOT MODIFICATO

Se nella costruzione del boxplot, MIN e MAX sono sostituitio MIN*=max{MIN,Q1-1.5*(Q3-Q1)}o MAX*= min{MAX,Q3+1.5*(Q3-Q1)}otteniamo il cosiddetto boxplot modificato.In questo caso, se sono presenti alcuni valori che oltrepassano le soglie MIN*e MAX*, essi sono indicati con un asterisco, ad indicare che si potrebbe considerare come dati anomali (outlier) nel campione di dati.

MIN MAX*

outliers


IL BOXPLOT PER IL CONFRONTO TRA SERIE DI DATI

Boxplot e dotplot sono particolarmente efficaci nella confronto tra più serie di dati, per la comparazione tra tendenza centrale, variabilità e forma della distribuzione.Ad esempio, considerati 3 impianti A,B,C, possiamo confrontare un campione di valori di produzione per ciascuno dei tre impianti.

CBA

115

110

105

100

95

90

85

80

Impianto

Pro

duzi

one

Dotplots of Produzione by Impianto

CBA

115

110

105

100

95

90

85

80

Impianto

Pro

duzi

one

Boxplots of Produzione by Impianto


LA FREQUENZA PER IL CONFRONTO TRA SERIE DI DATI

Anche la frequenza può essere utilizzata a scopi comparativi, per evidenziare differenze ad analogie in diverse serie di dati.Una curva più a destra o sotto/a destra rispetto ad un’altra, rispettivamente per la frequenza o frequenza cumulata, indica che la corrispondente serie di dati è distribuita su valori tendenzialmente più elevati.

A B C

12011511010510095908580

25

20

15

10

5

0

Produzione

Cum

ulat

ive

Freq

uenc

y

Frequenza assoluta cumulata, per impianto

A B C

12011511010510095908580

10

9

8

7

6

5

4

3

2

1

0

Produzione

Freq

uenc

y

Frequenza assoluta, per impianto


IL PROBABILITY PLOT

Un probability plot è un grafico a due dimensioni in cui le osservazioni sono riportate sull’asse verticale e a ciascuna di esse viene fatto corrispondere sull’asse orizzontale il relativo quantile di una distribuzione di probabilità (normale, log-normale,ecc.).Se i punti del grafico si trovano approssimativamente su una linea retta immaginaria inclinata positivamente, allora possiamo affermare che i dati osservati si distribuiscono approssimativamente secondo la legge della distribuzione di probabilità in questione.


IL PROBABILITY PLOT

Peso

Perc

ent

1.101.051.000.950.90

99

95

90

80

70

60504030

20

10

5

1

Loc

<0.005

-0.01753Scale 0.02857N 50AD 1.592P-Value

Probability Plot of PesoLognormal - 95% CI

Peso

Perc

ent

1.101.051.000.950.90

99

95

90

80

70

60504030

20

10

5

1

Mean

<0.005

0.9830StDev 0.02868N 50AD 1.768P-Value

Probability Plot of PesoNormal - 95% CI


La posizione o tendenza centrale di una serie di dati può essere utilmente rappresentata da un unico valore di sintesi come la mediana. Si noti che la mediana non è influenzata dalla presenza di dati anomali e per questo è detta essere un indicatore robusto.Una alternativa è data dalla media campionaria dei valori osservati ovvero

La media campionaria è una sorta di “baricentro” dei dati e, a differenza della mediana, tende ad essere “trascinata”verso i dati anomali.Un’ulteriore alternativa (poco usata) è la moda, definita come il valore più frequente in una serie di dati.

INDICI STATISTICI DI POSIZIONE O TENDENZA CENTRALE

1 2 1...

n

in i

xx x xx

n n=+ + +

= =∑


La variabilità o dispersione dei dati indica il grado di “oscillazione” o variazione dei valori rispetto alla loro tendenza centrale, misurata ad esempio con la media campionaria. L’indice statistico s2, definito come

è detto varianza campionaria.Dato che s2 è definito nel quadrato della unità di misura di X, per facilità di interpretazione si preferisce usare la deviazione standard o scarto quadratico medio .Per comparare la variabilità di X e Y, se misurati su unità di misura diverse si utilizza il coefficiente di variazione:

INDICI STATISTICI DI VARIABILITÀ O DISPERSIONE

2

2 1( )

1

n

ii

x xs

n=

−=

−

∑

2s s=

/CV s x=


Se in luogo della media campionaria, consideriamo come indice di posizione la mediana, la variabilità dei dati può essere misura dal Range Interquartile definito come

IQR = Q3-Q1

si noti che, per costruzione, tale indice di dispersione èsempre ≥ 0, risultando tanto più grande quanto più i dati sono variabili rispetto alla mediana.

Una ulteriore alternativa è fornita dal Range, ovvero

Range = MAX – MIN

Tale indice tuttavia è di scarso rilievo data la sua evidente dipendenza dalla presenza di eventuali dati anomali.

INDICI STATISTICI DI VARIABILITÀ O DISPERSIONE


Confrontando i due indici di tendenza centrale media campionaria e mediana è possibile trarre delle indicazioni in merito alla simmetria della distribuzione dei dati:

Una indicazione più precisa è data dall’indice di asimmetria (skewness), che in base al valore assunto, positivo o negativo, ci indica l’intensità ed il tipo dell’eventuale asimmetria.

INDICI STATISTICI DI SIMMETRIA

media < mediana:asimmetria negativa o distribuzione obliqua a sinistramedia = mediana: simmetriamedia > mediana:asimmetria positiva o distribuzione obliqua a destra


INDICI STATISTICI DI SINTESI

1.081.061.041.021.000.980.96

Median

Mean

0.9900.9850.9800.9750.970

A nderson-Darling Normality Test

V ariance 0.00082Skewness 1.61433Kurtosis 3.20499N 50

Minimum 0.94500

A -Squared

1st Q uartile 0.96275Median 0.977003rd Q uartile 0.99425Maximum 1.08500

95% C onfidence Interv al for Mean

0.97487

1.77

0.99117

95% C onfidence Interv al for Median

0.96867 0.98500

95% C onfidence Interv al for StDev

0.02396 0.03574

P-V alue < 0.005

Mean 0.98302StDev 0.02868

95% Confidence Intervals

Summary for Peso


L’informazione che si può desumere dagli indici statistici di sintesi può essere particolarmente apprezzata in caso di comparazione tra più serie di dati, come risulta chiaramente dall’esempio della produzione dei tre impianti.

CONFRONTO TRA INDICI STATISTICI

Media Mediana SkewnessA 100.1 100.0 -0.150B 96.1 95.7 0.103C 91.5 89.8 1.109

Varianza DevStd IQRA 29.0 5.4 5.7B 78.8 8.9 18.2C 62.6 7.9 11.8

Impianto Indice di posizione

Indice di dispersione


Quando sulla stessa unità od oggetto vengono rilevati contemporaneamente due o più variabili numeriche, si parla di dati bi- o multi-variati. In questo caso è di interesse studiare il modo in cui queste variabili sono eventualmente associate tra loro.

Ad esempio possiamo considerare il volume di produzione, il ciclo temporale e la temperatura media, di un certo processo industriale.

Il diagramma di dispersione per una coppia di variabili numeriche X e Y, può fornire una prima chiave lettura del legame esistente tra le variabili. Infatti, a seconda di come si dispone la “nuvola” di punti, possiamo ritenere plausibile un eventuale legame tra le due variabili.

STATISTICA DESCRITTIVA PER DATI BI- o MULTI-VARIATI


Se consideriamo una serie di diagrammi di dispersione per ogni possibile coppia di variabili, otteniamo il cosiddetto matrix-plot, che può fornire una prima chiave lettura del legame esistente tra le variabili.Possiamo dedurre una chiara indicazione che

MATRIX PLOT

24.925

22.375

3.46

2.68

24.92522.375

3.66

3.42

3.462.68 3.66

3.42

VOL_

PR

OD

TEM

PO

VOL_PROD

TEM

PE

R

TEMPO TEMPER

1. tempo e volume di produzione sono correlati positivamente,

2. temperatura - tempo e temperatura - volume di produzione sono invece correlati negativamente.


Un modalità più rigorosa che consente di studiare il grado di intensità del legame lineare tra coppie di variabili consiste nel calcolare l’indice di correlazione (lineare) campionaria:

La correlazione, varia tra -1 e +1, indicando

IL COEFFICIENTE DI CORRELAZIONE

r = − 1 (+1): perfetta correlazione negativa (positiva)− 1 < r < − 0.7 (+ 1 < r < + 0.7):forte correlazione negativa (positiva)− 0.7 < r < − 0.3 (+ 0.7 < r < + 0.3):debole correlazione negativa (positiva)− 0.3 < r < + 0.3: assenza di correlazione

1

2 2

1 1

( )( )

( ) ( )

n

i ii

n n

i ii i

x x y yr

x x y y

=

= =

− −=

− ⋅ −

∑

∑ ∑

Correlations: VOL_PROD; TEMPO; TEMPERVOL_PROD TEMPO

TEMPO 0.908

TEMPER -0.915 -0.990

Cell Contents: Pearson correlation

Elementi di statistica descrittiva -...

Documents

Transcript of Elementi di statistica descrittiva -...