STATISTICA

Fasi di un’indagine statistica

- Parte DESCRITTIVA
1. Rilevazione e raccolta dati
2. Rappresentazione e interpretazione
- Teoria PROBABILITÁ
3. Generalizzazione dei risultati -> INFERENZA

Dato statistico: numero in un contesto

Collettivo statistico: insieme dei casi individuali in cui si manifesta il fenomeno di interesse

Unità statistica: caso individuale

Carattere: aspetto elementare oggetto di indagine

I caratteri possono assumere varie MODALITÀ a seconda del carattere stesso

Caratteri:

QUALITATIVI

- Sconnessi -> M/F

- Ordinabili -> titolo di studio

QUANTITATIVI

- Discreti -> discreti -> voti di maturità

- Continui -> altezza

1°: rilevazione dei dati

- CENSIMENTO -> totale

- CAMPIONAMENTO -> parziale

Lettura dei dati:

in generale: N= dimensione del campione

si osserva il carattere X

definiamo: DISTRIBUZIONE SEMPLICE

DISAGGREGATA x1,x2,…,xn

notazione: X indica il carattere x1,x2,…,xn

indica le modalità di X per ogni individuo

se osserviamo X e Y in contemporanea

- X1,x2,…,xn -> doppia disaggregata

- Y1,y2,..,yn -> //
20 soggetti

X= genere

- M
- F

Supponiamo di avere

M= 8 unitá

F= 12 unità

N= 20

K= n1 modalità= 2

Definizione: DISTRIBUZIONE DI FREQUENZA

È lo schema con cui si associa a ciascuna modalità del carattere X la sua rispettiva

Possiamo rappresentare la distribuzione la distribuzione di frequenza per una distribuzione doppia usando
una tabella a doppia entrata

Carattere X: genere

Carattere Y: provincia di provenienza (VR, VI, BL)

RAGGRUPPAMENTO IN CLASSI:

carattere quantitativo, numero di modalità elevato -> conviene aggregare le modalità in intervalli

es: voto di maturità

Es:

Frequenze cumulate: carattere a modalità

Ordinabile (k= n1 modalità)

Si chiamano frequenze ASSOLUTE CUMULATE la quantità:

*frequenze RELATIVE CUMULATE

FUNZIONE DI RIPARTIZIONE (caratteri quantitativi)

Funzione di ripartizione F(x) associa ad ogni x appartenente ad R la PROPORIZIONE (frequenza relativa) di

unità statistiche con valore del carattere =< X
DIAGRAMMI AD ASTE (caratteri quantitativi)

Rappresentiamo alternativa della funzione di ripartizione

- X1, x2,…, xk
- N1,n2,…,nk
- F1,f2,…,fk

Il diagramma ad aste è la funzione

Funzione di ripartizione per una distribuzione in classi

supponiamo che i valori siano uniformemente

distribuiti all’interno di ogni classe

 Posso interpolare i vari pezzi con una

retta
FORMULA RETTA PASSANTE PER DUE PUNTI:

- Chiamiamo

- Ricaviamo l’equazione per F(x)

ISTOGRAMMA DI FREQUENZA
assumiamo valori uniformemente
distribuiti dentro le classi e
interpoliamo con una retta.

MEDIA (indice di posizione)

- Notazione:

MEDIA ARITMETICA
- Distribuzione disaggregata x1, …, xn

si chiama SCARTO la quantità X −μ

i

- Distribuzione di frequenza
 - Come possiamo calcolare la media aritmetica in una distribuzione definita per classi?

definisco X i = punto medio di ogni classe. Se i

valori sono uniformemente distribuiti dento le
classi posso utilizzare Xi

MEDIA GEOMETRICA
- Investimento

Diamo una definizione di media geometrica.

Definizione:

- DISTRIBUZIONE DISAGGREGATA (X1,X2, …, Xn)

o
- DISTRIBUZIONE DIFREQUENZA

Es: un giocatore gioca 2 euro, tre giocato, vincita complessiva pari a 432 euro

- 1° -> 3 volte la somma iniziale

- 2° -> 8 volte la somma precedente
- 3° -> 9 volte la somma precedente
o Quanto vince in media per giocata?
MEDIA AROMINCA
Definita per caratteri tutti positivi o tutti negativi (diversi da 0)

- DISTRIBUZIONE DISAGGREGATA (X1,X2,…,Xn)

o
- DISTRIBUZIONI DI FREQUENZE

Perché la media armonica è più appropriata?

- Perché la velocità media è dara da S/t (spazio su tempo)

- Quindi
o Tempo di percorrenza= t1+t2+t3+t4
PROPRIETÀ DELLE MEDIE ARITMETICHE

- Distribuzione degenere X1=X2=…=Xc

o
- Distribuzione disaggregata
o Costruisco una modifica (Y1,…,Yn ; Yi=Cxi)

 MEDIA DI UNA TRASFORMAZIONE LINEARE

-

 Definizione: SCARTO DELLA MEDIA ( μ x : X i −μx ¿

o DISTRIBUZIONE DISAGGREGATA (X1,…,Xn)


Esempio: 6000 abitanti di un comune, distribuiti in 3 quartieri. La densità abitativa (abitanti/km2):

TOTALE= 6.000

a. calcolare la superficie totale del comune

b. calcolare la densità abitativa media

a. 1/20 x 1.600 + 1/30 x 2.100 + 1/46 x 2.300 = 200 km2

b. densità= 6.000 abitanti/200km2 = 30

perché la densità media è la media armonica delle 3 densità di quartiere

densità= 6.000/(1.600/20 + 2.100/30 + 2.300/46)

MEDIANA: altro indice di posizione.

Caratteri quantitativi ordinati in ordine crescente. La mediana è quel valore che lascia a dx e sx lo stesso
numero di osservazioni.

- DISTRIBUZIONE DISAGGREGATA (in ordine crescente)

o Se N è pari:


o Se N è dispari:


- DISTRIBUZIONE DI FREQUENZE
X1,X2,…,Xk
N1,n2,…,nk
o Determiniamo le frequenze cumulate:
 F1,F2,…,Fk
 Individuiamo F h−1 , Fh , t . c


o Assegniamo alla mediana il valore


Esempio1:

esempio2:

DISTRIBUZIONE DEFINITE PER CLASSI

- Individuare la classe mediana. Utilizziamo lo stesso criterio visto per le distribuzioni di frequenza.
- Assumiamo uniforme distribuzione alle osservazioni all’interno delle classi e determiniamo m
mediante la formula di interpolazione

Voglio m tale che F(m)=1/2

Ricordiamo che F(x)= F2+(f3/d3)(x-C2)

Invertiamo:
Esempio: calcolo la mediana per

QUANTILI:

si definisce il quantile di ordina alfa il valore che lascia a sinistra un numero di osservazioni pari a alfa x
100%

 percentili

 Quartili

- PER DISTRIBUZIONI DI FREQUENZE

o Determiniamo le frequenze cumulate

- PER DISTRIBUZIONI IN CLASSI

MODA
Unico indice di posizione definito anche per caratteri qualitativi (modalità con frequenza massima)

 Per le distribuzione definite per classi definiamo la CLASSE MODALE come la classe con DENSITÁ di
frequenza maggiore.

Esercizio1

1. Istogramma di frequenza e classe modale

classe modale: (0 a 0.5)

2. Si determini e si disegni la funzione di ripartizione

3. Calcolo la mediana e il 3° quartile:

INIDICI DI VARIABILITÁ
1. Scostamenti (scarti) semplici medi -> S μ
2. Scostamenti (scarti) quadratici medi -> δ
3. Varianza -> δ 2

SCOSTAMENTO SEMPLICE MEDIO

(mu= media aritmetica)

- PER DISTRIBUZIONI DI FREQUENZA

SCOSTAMENTI QUADRATICI MEDI

- PER DISTRIBUZIONI DI FREQUENZA

VARIANZA
- DISTRUBUZIONE DISAGGREGATA:

- DISTRIBUZIONE DI FREQUENZA:

definizione: la varianza è una quantità quadratica, non ha la stessa unitá di misura dei dati

formula operativa per il calcolo della varianza:

 -

Mostriamo l’equivalenza:

Per le distribuzioni di frequenza:

Esercizio sulla varianza di una trasformazione lineare

- Sappiamo giá μ y =a+b μ x

- Calcoliamo la varianza di y:

Tutte le definizioni e le proprietà visto fin’ora valgono anche per distribuzioni in classi con Xi al posto di Xi

Una trasformazione lineare particolarmente importante è la STANDARDIZZAZIONE.

Una variabile è STANDARDIZZATA quando ha media= 0 e varianza= 1

- Consideriamo la trasformazione lineare

Altri inidci di variabilitá sono:

- CAMPO DI VARIAZIONE (RANGE)

o Osservazioni ordinate in ordine crescente
- DIFFERENZA INTERQUARTILE
INIDICE DI SIMMETRIA

Due distribuzioni che hanno la stessa media e stessa varianza, ma inidci di simmetria diversi

 Indice di asimmetria di Fisher:

- α 1=0 -> distribuzione SIMMETRICA

- α 1> 0 -> distribuzione ASIMMETRICA POSITIVA
- α 1< 0 -> distribuzione ASIMMETRICA NEGATIVA

 Definizione basata sui quartili:

- Q3= 3° quartile
- Q1= 3° quartile
- M=q2= mediana

INDICI DI FORMA
 Curtosi (Indice di appiattimento)

Misuriamo l’indice di appiattimento:

DIPENDENZA E INDIPENDENZA
Consideriamo i caratteri X,Y

- X possiede s modalità X1,X2,…,Xs

- Y possiede t modalità Y1,Y2,…,Yt

Costruiamo una tabella a doppia entrata (TABELLA DI CONTINGENZA)

le corrispettive frequenze marginali relative

sono:

esempio:

X=genere (maschio o femmina; s=2)

Y= titolo di studio (A= analfabeta, EM= elementari/medie, SU= superiori o universitá; t=3)

due caratteri X e Y sono indipendenti (X Ʇ Y) se:

-
la definizione qui sopra è equivalente a:

Distribuzioni condizionate pe riga sono tutte uguali tra di loro e sono uguali alla marginale relativa di Y.
 -
o Le distribuzioni relative per colonna sono uguali tra di loro e sono uguali alla marginale
relativa di X

DIPENDENZA PERFETTA

Da questa tabella vediamo che la guarigione

dipende completamente dal trattamento ->
DIPENDENZA PERFETTA

Definizione di dipendenza PERFETTA:

 Abbiamo dipendenza perfetta di Y da X se ad ogni modalità di X corrisponde una sola modalità di Y
e in ogni riga le frequenze sono tutte nulle tranne una

Es:

In tutti i casi intermedi tra dipendenza perfetta e indipendenza, vogliamo stabilire e quantificare la
dipendenza.
Definiamo: INDICE CHI QUADRATO

Peró il chi quadrato non ci permette di quantificare la dipendenza. Vorremma indice C tale che

- C=0= Indipendenza
- C=1= dipendenza perfetta
 0≤C≤1

Definiamo: INDICE DI CRAMER

esempio:

- X= sesso capofamiglia
- Y= fascia di reddito

COVARIANZA
Definiamo la covarianza come

La covarianza misura un legame lineare tra X e Y

Definizione di covarianza:
Formula operativa

Mettiamo l’equivalenza

La covarianza è un indice NON normalizzato. Vogliamo ottenere un indice che varia tra -1 e 1

 Definiziamo l’indice di CORRELAZIONE LINEARE di Bravais= r

R varia tra -1 e 1

I valori estremi si raggiungono se i punti (Xi, Yi) stanno

su una retta Yi= bo+b’xi e mostriamo che in questo
caso r= ±1

graficamente:
R=0 -> non c’è un legame tra X e Y, ma potrebbero esserci altri legami

Nota bene: non stiamo parlando di causalitá

δ xy > 0 non significa che (y implica x e viceversa)

COVARIANZA PER DISTRIBUZIONI IN TABELLA SEMPLICE

COVARIANZA PER DISTRIBUZIONI IN TABELLA A DOPPIA ENTRATA

Es:

In questo caso la covarianza è:

Esempio:

dalle distribuzioni marginali calcolo:

LA REGRESSIONE LINEARE – METODO DEI MINIMI QUADRATI.

- IN MATEMATICA -> Y=f(x) ossia una relazione DETERMINISTICA

- IN STATISTICA -> Y=f(x)+Ɛ ossia una relazione STATISTICA

 X= variabile indipendente
 Y= variabile dipendente
 Ɛ= componente residuale (errore) e contiene tutto ciò che contribuisce a ‘’spiegare’’ y che non sia x

Quello che noi vogliamo fare è postulare una relazione del tipo y= f(x)+Ɛ e utilizzare per selezionare la f(x)
migliore

(generalmente il contesto suggerisce quale sia la variabile dipendente

osserviamo i punti e troviamo una funzione f(x) che

interpoli i dati in maniera ragionevole -> cerchiamo di
rendere più piccole possibili le componenti residuali.

Assumiamo di conoscere la forma funzionale di f() a

meno di un certo numero di parametri. Per esempio:

assumiamo

conosco la funzione f() ma non conosco bo,b1, b2. Il lavoro si è semplificato a scegliere i parametri che
minimizzano le componenti RESIDUALI.

Procedura generale

1. postulare y=f ( x ,b o ,b 1 , … , b s ) +ε

2. costruisco la somma dei quadrati degli scarti:

3. il valore ottimo di bo,b1,…,bs si ottiene minimizzando Sq rispetto a b0,…,bs

Abbiamo una distribuzione disaggregata del tipo:

- X1,…,xn
- Y1,…,yn
Postuliamo f ( x )=b0 +b1 x

Ovvero: y i=b 0 +b1 xi

Dobbiamo trovare i coefficienti bo e b1 ottimali.

Definiamo:

Troviamo b0 e b1 che minimizzi Sq

Deriviamo i coefficienti bo e b1 minimizzando:

Posso moltiplicare entrambi i membri di entrambe le equazioni per -1/2:

Risolvo la prima equazione per bo e ottengo:

Per verificare che abbiamo trovato un minimo e non un massimo dobbiamo verificare che la derivata
seconda sia positiva => possiamo verificare che è soddisfatta => bo, b1 minimizzano Sq
Esempio:

y= produzione di legname in m3

x= area boschiva (in ettari)

a. interpoliamo con una retta y rispetto a X => vogliamo ottenere Ỹ =b0 +b1 x

sappiamo:

Abbiamo bisogno:

Otteniamo:

b. prevedere il volume di legname prodotto in corrispondenza ad un’area boschiva di 1500 metri.

c. calcolo il coefficiente di correlazione lineare tra X e Y

Dobbiamo calcolare:

(ottenuto dalla tabella iniziale)

Sostituiamo in r i valori sopra trovati e otteniamo cosi r=0.817

INDICE DI DTERMINAZIONE

Valutiamo la bontá dell’interpolazione mediante la retta dei minimi quadrati: quanto delle y i abbiamo
spiegato mediante x i?

 BUONA INTERPOLAZIONE

 CATTIVA INTERPOLAZIONE

Consideriamo per ogni i= 1,…,N:

y i−μ y =¿
(ricordate ^y i=b0 +b1 x i)

Chiamiamo:
^y i−μ y=> componente SPIEGATA (dalle Xi)

y i− ^y i => scarto residuo

y i−μ y=> scarto TOTALE

Non usiamo direttamente gli scarti per costruire il nostro inidice, ma usiamo le DEVIANZE:

DEVIANZA TOTALE: Dy=∑ ( y i−μ y ) =( N σ y )

2 2

i=1

N
DEVIANZA SPIEGATA: D s L =∑ ( ^yi −μ y )
2

i=1

N
DEVIANZA RESIDUA: D RL=∑ ( y i−^y i )
2

i=1

Possiamo mostrare:

D y =D s L + D R L

Definiamo l’indice di DETERMINAZIONE

2 D sL
R=
Dy
1° caso limite:

R2=0 => D s L =0 => non ho spiegato niente delle y mediante X

N
R =0≤¿ D s L =0≤¿ ∑ ( ^y i−μ y )2=0≤¿ ^y i=μ y
2

1=1