Skip to main content

Statistica descrittiva

Cos'è la statistica ?​

Esistono due tipi di statistiche:

  • Statistica descrittiva, parte della statistica che si occupa di raccogliere i dati e di sintetizzarne alcune informazioni
  • Statistica inferenziale, parte della statistica che crea le conclusioni una volta ottenuti i dati da osservare.

Qual è lo scopo generale della statistica ?​

Lo scopo generico della statistica è quello di studiare una popolazione di elementi per trarne delle conclusioni.

Cosa sono la popolazione e i campioni ?​

La popolazione è collezione totale di elementi su cui vogliamo concentrare la analisi statistica.

La statistica descrittiva ha poi il compito di estrarre dalla popolazione, il cosiddetto campione, ovvero un insieme di sotto-elementi della popolazione che viene scelto in base ai parametri della nostra analisi.

Tabella delle frequenze e grafici​

  • La funzione stem() permette di visualizzare una tabella delle frequenze su un grafico formato a linee verticali (Line Graph)
  • La funzione plot() permette di visualizzare una tabella delle frequenze su un grafico formato da una linea continua che connette i diversi valori della variabile (Frequency Poligon)
  • La funzione bar() permette di visualizzare una tabella delle frequenze su un grafico a barre (Bar Graph)
  • La funzione pie() permette di visualizzare un grafico a torta (Pie Chart)
  • La funzione pie3() permette di visualizzare un grafico a torta in versione 3D (3D Pie Chart)
  • La funzione histogram() permette di visualizzare un istogramma (Histogram)

Frequenza relativa​

La frequenza relativa non è altro che il rapporto tra il valore della variabile / il numero totale di elementi presi in considerazione.

Grafico a torta​

Moltiplicando la frequenza relativa di un settore per 360 gradi, è possibile scoprire i gradi del settore.

Es: supponiamo che la frequenza relativa sia 0.333%, per trovare l'angolo è sufficiente fare 360 * 0.333 ottenendo 119.88 gradi.

Come fare per suddividere l'insieme di dati ?​

Quando è presente un numero di elementi distinti troppo grande per essere utilizzato direttamente, è possibile suddividere gli elementi in gruppi detti classi.

C'è da porre attenzione nella scelta, perchè:

  • In caso le classi siano troppo poche, c'è il rischio di perdita di informazione.
  • In caso le classi siano troppe, c'è il rischio che le frequenze di ogni classe siano troppo piccole per poter essere analizzate correttamente.

Che cos'è un istogramma (Histogram) ?​

E' un grafico con barre adiacenti, dove le barre rappresentano le classi di dati disponibili.

Consente di capire la forma della distribuzione dei valori d'analisi.

Solitamente, nell'asse y dell'istogramma vi è la frequenza relativa, e le classi nell'asse x, ma non è obbligatorio ne vincolante.

Le caratteristiche individuabili dal grafico sono:

  • La simmetria del grafico
  • Il grado di diffusione dei dati, e capire sono adiacenti, sparsi o concentrati in poche classi
  • Capire se vi sono "buchi" tra tipologie di classi

Quali errori possono verificarsi negli istogrammi ?​

  • La suddivisione in troppe classi può creare una forma scomposta
  • Scegliere tante classi, ed inserire pochi valori di riferimento nell'asse x, crea un grafico poco leggibile, perchè tra l'intervallo di valori scelti sono presenti molte classi
  • Le label del grafico devono contenere le unità di misura

"Istogramma errato con risoluzione"

Grafico delle frequenze cumulative (ogive)​

Questa tipologia di grafico viene sempre messa in combinazione con un istogramma.

Dato un determinato valore che vogliamo utilizzare, possiamo capire qual è il numero della frequenza che sta al di sotto del valore.

Come si può riassumere il nostro dataset?​

E' possibile riassumere un dataset fornendo le seguenti informazioni:

  • Una misura di locazione o centralità dei dati (es: mediana e/o media campionaria)
  • Una misura di dispersione dei dati, ovvero quanta variazione vi è rispetto ad una misura di locazione come la media (es: deviazione e/o un range interquantile)
  • Una misura di forma dei dati, ovvero la distribuzione dei dati (es: skewness e una misura di kurtosis)

Concetto di media campionaria​

La definizione matematica di media campionaria è:

x‾\overline{x} = ∑i=1(n)xin\sum_{i=1}^{(n)} \frac{x_i}{n}

Supponendo di avere quindi in insieme di dati formato da y1,...yny_1, ... y_n otteniamo:

yi=axi+by_i = ax_i + b

i=1,...ni = 1, ... n

y‾=∑i=1(n)(axi+b)n=∑i=1(n)axin+∑i=1(n)bn=ax‾+b\overline{y} = \sum_{i=1}^{(n)} \frac{(ax_i + b)}{n} = \sum_{i=1}^{(n)} \frac{ax_i}{n} + \sum_{i=1}^{(n)} \frac{b}{n} = a\overline{x} + b


Forniamo ora un esempio concreto:

Abbiamo come dataset una serie di punteggi vincenti di golf dal 1982 al 1991, e vogliamo trovarne la media:

284, 280, 277, 282, 279, 285, 281, 283, 278, 277

Soluzione​

Scegliamo un numero arbitrario per ottenere dei valori più piccoli su cui lavorare, in questo caso il 280.

Andiamo quindi a sottrarre 280 a tutti i numeri, e creare così un nuovo dataset con numeri più piccoli.

Otteniamo quindi un nuovo dataset formato da:

4, 0, -3, 2, -1, 5, 1, 3, -2, -3

Collegandoci quindi alla formula, il nostro 280 assume il valore della costante B, trasformando l'equazione in:

yi=axi−280y_i = ax_i - 280 .

Eseguiamo quindi ora la media del nuovo dataset.

Alla fine del risultato, va poi riaggiunto il valore iniziale tolto, in questo caso 280.

y‾=610\overline{y} = \frac{6}{10} -> x‾=y‾+280=280.6\overline{x} = \overline{y} + 280 = 280.6

Come fare la media campione ad una tabella di frequenze ?​

E' necessario creare una lista dei valori distinti associati alle frequenze.

Supponendo che i valori siano K, avremo quindi v1,...vkv_1, ... v_k valori corrispondenti a f1,...fkf_1, ... f_k frequenze.

Una volta creato l'insieme dei valori distinti, è sufficiente sommare le frequenze tra di loro per trovare la nostra variabile N, quindi:

n=∑i=1kfin = \sum_{i=1}^{k} f_i

Infine, la media dei valori distinti si ottiene con:

x‾=∑i=1kvi∗fin\overline{x} = \sum_{i=1}^{k} \frac{v_i*f_i}{n}

Come calcolare la mediana​

Per effettuare la mediana è necessario:

  • Ordinare tutti gli elementi dal più piccolo al più grande
  • Se il numero totale degli elementi è dispari, la mediana si calcola con n+12\frac{n+1}{2}
  • Se il numero totale degli elementi è pari, la mediana corrisponde alla divisione tra i valori in posizione n2\frac{n}{2} e n2+1\frac{n}{2} + 1

Che differenza c'è tra la mediana e la media campione ?​

La media campione utilizza tutti gli elementi dell'insieme di dati scelto, tendendo a spostarsi di molto quando la distribuzione degli elementi è poco bilanciata (magari con estremi molto grandi).

La mediana utilizza invece i campioni centrali della distribuzione, non risentendone dei valori estremi del dataset.