La rappresentazione e la sintesi dei datistatic.gest.unipd.it/~livio/PDF/La rappresentazione e la...
Transcript of La rappresentazione e la sintesi dei datistatic.gest.unipd.it/~livio/PDF/La rappresentazione e la...
1
1LA RAPPRESENTAZIONE E LA SINTESI DEI DATI
Metodi statistici e probabilistici per l’ingegneriaCorso di Laurea in Ingegneria Civile
A.A. 2009-10
Facoltà di Ingegneria, Università di PadovaDocente: Dott. L. Corain
2LA RAPPRESENTAZIONE E LA SINTESI DEI DATI
LA RAPPRESENTAZIONE
E LA SINTESI
DEI DATI
2
3LA RAPPRESENTAZIONE E LA SINTESI DEI DATI
SOMMARIO
Definizione di statistica descrittiva
Gli aspetti e gli strumenti della statistica
descrittiva
Statistica descrittiva per i dati multivariati
4LA RAPPRESENTAZIONE E LA SINTESI DEI DATI
LA STATISTICA DESCRITTIVA: DEFINIZIONE
Con 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 proveniente da un processo produttivo o in generale da una popolazione di interesse.
Per popolazione si intende la totalità dei casi, ovvero delle unità statistiche, sulle quali e possibile rilevare il fenomeno numerico di interesse, ad esempio il diametro della fascia di un pistone o la produzione di un impianto. In questo caso, la popolazione è la totalità dei pistoni o l’insieme di tutti i possibili volumi di produzione dell’impianto.
3
5LA RAPPRESENTAZIONE E LA SINTESI DEI DATI
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 è stato 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
6LA RAPPRESENTAZIONE E LA SINTESI DEI DATI
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.
4
7LA RAPPRESENTAZIONE E LA SINTESI DEI DATI
LA STATISTICA DESCRITTIVA: DETTAGLIO STRUMENTI
Grafici:dotplotboxplot(tabella ed) istogramma di frequenza
frequenza assoluta, frequenza relativafrequenza, frequenza cumulata
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
8LA RAPPRESENTAZIONE E LA SINTESI DEI DATI
Si consideri la fascia elastica di un pistone, per il quale si èmisurato il diametro interno in 25 campioni di lotti casuali, ciascuno contente 5 pistoni (totale 125 osservazioni).
... ... ...
UN ESEMPIO: IL DIAMETRO DI UN PISTONE
5
9LA RAPPRESENTAZIONE E LA SINTESI DEI DATI
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 0.04 mm, calcolato come differenza tra il valore massimo (74.02) e minimo (73.98) osservato.
UNA PRIMA RAPPRESENTAZIONE GRAFICA
74.0274.0174.0073.9973.98
Diametro
Dotplot of DiametroOsserviamo che la maggior parte dei dati tende a “addensarsi” attorno ad un valore centrale pari a 74.00 mm.
10LA RAPPRESENTAZIONE E LA SINTESI DEI DATI
Per approfondire la descrizione della distribuzione dei dati, partendo dal valore minimo di 73.98, dividiamo l’intervallo di osservazione dei dati (di ampiezza 0.04 mm) in 8 intervalli di uguale ampiezza pari a 0.005: [73.980, 73.985[, [73.985, 73.990[, ..., [74.015, 73.002[. Se contiamo il numero di unitàche cadano all’interno di ciascun intervallo, otteniamo la tabella ed il corrispondente istogramma di frequenza.
LA TABELLA E L’ISTOGRAMMA DI FREQUENZA
Conteggio di DiametroIntervallo ass. %73.980-73.985 4 3.273.985-73.990 15 12.073.990-73.995 15 12.073.995-74.000 26 20.874.000-74.005 30 24.074.005-74.010 12 9.674.010-74.015 14 11.274.015-74.020 9 7.2Totale complessivo 125 100.0
frequenza
74.02074.01574.01074.00574.00073.99573.99073.98573.980
20
10
0
diametro (mm)
frequ
enza
per
cent
uale
Istogramma di frequenza relativa %
6
11LA RAPPRESENTAZIONE E LA SINTESI DEI DATI
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
74.02074.01574.01074.00574.00073.99573.99073.98573.980
100
50
0
DiametroC
umul
ativ
e P
erce
nt
Frequenza relativa % cumulataConteggio di DiametroSoglia ass. %< 73.985 4 3.2< 73.990 19 15.2< 73.995 34 27.2< 74.000 60 48.0< 74.005 90 72.0< 74.010 102 81.6< 74.015 116 92.8< 74.020 125 100.0
frequenza cumulata
12LA RAPPRESENTAZIONE E LA SINTESI DEI DATI
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 10-12; 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:
7
13LA RAPPRESENTAZIONE E LA SINTESI DEI DATI
In un’analisi statistica siamo talvolta interessati a esaminare il comportamento simultaneo di due variabili qualitative: per esempio ci possiamo chiedere se esiste un legame fra il livello delle acque ed un particolare bacino idrico, sulla base ad es. delle osservazioni mensili negli ultimi 10 anni.La tabella di contingenza è una tabella a doppia entrata in cui le osservazioni relative a due variabili categoriali vengono rappresentate/sintetizzate simultaneamente.
LA FREQUENZA NEL CASO DI VARIABILI QUALITATIVE
LIVELLO DELLE ACQUE BACINO IDRICO DEL BACINO A B C Totale Basso 40 19 25 84 Medio 10 11 20 41 Alto 70 90 75 235 Totale 120 120 120 360
14LA RAPPRESENTAZIONE E LA SINTESI DEI DATI
Al fine di analizzare la possibile relazione esistente fra le due variabili, è opportuno convertire le frequenze congiunte assolute in frequenze relative (o percentuali). Questa operazione può essere realizzata riferendosi (condizionandosi) alternativamente al:1. totale complessivo (rappresentato nel nostro caso dalle
360 osservazioni mensili)2. totale di riga (rispetto al numero totale di mesi per
livello delle acque)3. totale per colonna (rispetto al numero totale di mesi di
osservazione per ciascun bacino)Il risultato e l’informazione che se ne ottiene dipende dallo specifico totale che viene scelto a riferimento.
LA FREQUENZA NEL CASO DI VARIABILI QUALITATIVE
8
15LA RAPPRESENTAZIONE E LA SINTESI DEI DATI
LA FREQUENZA NEL CASO DI VARIABILI QUALITATIVE
Ad esempio, per analizzare lo stato di salute del livello idrico rispetto a ciascuna area, è necessario riferirsi alla tabella di frequenza condizionata al totale di colonna.
LIVELLO DELLE ACQUE BACINO IDRICO DEL BACINO A B C Totale Basso 33.3% 15.8% 20.8% 23.3% Medio 8.3% 9.2% 16.7% 11.4% Alto 58.3% 75.0% 62.5% 65.3% Totale 100.0% 100.0% 100.0% 100.0%
Frequenza nel livello delle acque per bacino idrico
0.0%
10.0%
20.0%
30.0%
40.0%
50.0%
60.0%
70.0%
80.0%
A B C
Bacino
Freq
uenz
a BassoMedioAlto
Livello delle
acque
16LA RAPPRESENTAZIONE E LA SINTESI DEI DATI
il valore nella posizione centrale ( (125+1)/2, cioè il 63°) definisce la MEDIANA
il valore nella posizione ¼ ( (125+1)/4=32.5 quindi la media 31°-32° dato) definisce Q1 (primo QUARTILE)
il valore nella posizione ¾ ( (125+1)*3/4=94.5 quindi la media 94°-95° dato) definisce Q3 (terzo QUARTILE)
MEDIANA E QUARTILI: DEFINIZIONE
Posizione 1 2 ... 31 32 ... 63 ... 94 95 ... 124 125Diametro 73.9801 73.9829 ... 73.9942 73.9944 ... 74.0007 ... 74.0054 74.0066 ... 74.0179 74.0199
Indice MIN MEDIANA MAXQ1 (1° quartile)73.9943 74.006
Q3 (3° quartile)
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
9
17LA RAPPRESENTAZIONE E LA SINTESI DEI DATI
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:
18LA RAPPRESENTAZIONE E LA SINTESI DEI DATI
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.
73.98 73.99 74.00 74.01 74.02
Diametro
Boxplot of Diametro
MIN MAX
MEDIANA
Q3Q1
10
19LA RAPPRESENTAZIONE E LA SINTESI DEI DATI
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 trattare di dati anomali (outlier) nel campione di dati.
3210
Boxplot modificato
MIN MAX*
outliers
20LA RAPPRESENTAZIONE E LA SINTESI DEI DATI
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
11
21LA RAPPRESENTAZIONE E LA SINTESI DEI DATI
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
22LA RAPPRESENTAZIONE E LA SINTESI DEI DATI
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=+ + +
= =∑
12
23LA RAPPRESENTAZIONE E LA SINTESI DEI DATI
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
iix x
sn
=
−=
−
∑
2s s=
/CV s x=
24LA RAPPRESENTAZIONE E LA SINTESI DEI DATI
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
13
25LA RAPPRESENTAZIONE E LA SINTESI DEI DATI
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
26LA RAPPRESENTAZIONE E LA SINTESI DEI DATI
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
14
27LA RAPPRESENTAZIONE E LA SINTESI DEI DATI
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
28LA RAPPRESENTAZIONE E LA SINTESI DEI DATI
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.
15
29LA RAPPRESENTAZIONE E LA SINTESI DEI DATI
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