Matematici aplicate în economie · Probabilități și statistică

Statistică descriptivă

Intermediar65 min

Pe această pagină

Ce înveți

  • Organizezi date într-o serie de frecvențe și alegi graficul potrivit pentru ele.
  • Calculezi indicatorii tendinței centrale (medii, mediana, modul, cuartile) pentru date simple și grupate.
  • Calculezi indicatorii de variație (amplitudine, dispersie, abatere standard, coeficient de variație) și interpretezi omogenitatea și asimetria datelor.

Teorie

O cafenea notează în fiecare zi câte cafele a vândut. După o lună are 30 de numere; după un an, 365. Nimeni nu poate citi un șir atât de lung și să înțeleagă ce se întâmplă. Statistica descriptivă rezumă datele în câteva numere și grafice care răspund la două întrebări: care este nivelul obișnuit (tendința centrală) și cât de mult variază datele (împrăștierea).

Partea 1. Date, serii și frecvențe

  • Populația statistică este mulțimea tuturor unităților studiate (toate zilele de funcționare ale cafenelei, toți clienții unui magazin). Un eșantion este o parte din populație, aleasă pentru a o studia mai ușor.
  • Variabila (caracteristica) este ceea ce se măsoară la fiecare unitate. Poate fi calitativă (metoda de plată, orașul) sau cantitativă, adică numerică, discretă (numărul de cafele) sau continuă (timpul de așteptare).
  • O serie simplă este lista valorilor; o serie de frecvențe grupează valorile egale sau valorile din același interval și arată de câte ori apar.

Pentru fiecare valoare sau interval:

  • frecvența absolută nin_i este numărul de apariții;
  • frecvența relativă fi=ni/nf_i = n_i / n este partea din total (de obicei în procente);
  • frecvența cumulată adună frecvențele până la valoarea respectivă și arată câte unități au cel mult acea valoare.

Reprezentări grafice și când le folosești:

  • diagrama prin coloane (barele) compară categorii (vânzări pe produse, pe magazine);
  • diagrama de structură (cercul împărțit în sectoare) arată părțile unui întreg, de exemplu ponderea metodelor de plată; are sens doar când părțile însumează 100%;
  • histograma (dreptunghiuri lipite, cu aria proporțională cu frecvența) arată distribuția unei variabile continue grupate pe intervale; poligonul frecvențelor unește mijloacele dreptunghiurilor;
  • cronograma (graficul liniar în timp) arată evoluția unei serii de timp (vânzările pe zile, prețul pe luni);
  • diagrama cu mustăți (box plot) arată pe o singură linie minimul, cuartilele, mediana și maximul, plus valorile aberante;
  • norul de puncte arată legătura dintre două variabile (lecția despre corelație).

Partea 2. Indicatorii tendinței centrale

Formulele, pentru o serie simplă și pentru o serie de frecvențe:

xˉ=x1+x2+…+xnn,xˉ=∑xini∑ni (media ponderata˘)\bar{x} = \frac{x_1 + x_2 + \ldots + x_n}{n}, \qquad \bar{x} = \frac{\sum x_i n_i}{\sum n_i} \ \text{(media ponderată)}

Pentru cafenea:

  • media: 1450:10=1451450 : 10 = 145 de cafele pe zi;
  • mediana: seria are 10 valori (număr par), deci mediana este media celor două din mijloc, a 5-a și a 6-a: (135+140):2=137,5(135 + 140) : 2 = 137{,}5. Pentru un număr impar de valori, mediana este chiar valoarea din mijloc, de pe locul (n+1)/2(n + 1)/2;
  • modul: 135, singura valoare care apare de două ori.

Cuartilele împart seria ordonată în patru părți egale. Q1Q_1 (prima cuartilă) lasă sub ea un sfert din valori, Q2Q_2 este mediana, iar Q3Q_3 lasă sub ea trei sferturi. O metodă simplă: Q1Q_1 este mediana jumătății de jos, iar Q3Q_3 mediana jumătății de sus. Pentru cafenea: Q1=125Q_1 = 125 (mediana lui 110, 120, 125, 135, 135) și Q3=150Q_3 = 150.

Date grupate pe intervale. Fiecare interval se înlocuiește cu mijlocul lui. Pentru timpii de așteptare (mijloacele 1, 3, 5, 7, 9):

  • media: xˉ=(1×8+3×15+5×14+7×9+9×4):50=222:50=4,44\bar{x} = (1 \times 8 + 3 \times 15 + 5 \times 14 + 7 \times 9 + 9 \times 4) : 50 = 222 : 50 = 4{,}44 minute;
  • mediana se află în intervalul care conține al 25-lea client (4–6 minute, unde frecvența cumulată trece de 25) și se calculează prin interpolare: Me=x0+h⋅n/2−FantnMe=4+2×25−2314≈4,29Me = x_0 + h \cdot \frac{n/2 - F_{ant}}{n_{Me}} = 4 + 2 \times \frac{25 - 23}{14} \approx 4{,}29 minute, unde x0x_0 este începutul intervalului, h lungimea lui, FantF_{ant} frecvența cumulată dinaintea lui, iar nMen_{Me} frecvența lui;
  • modul se află în intervalul cu frecvența cea mai mare (2–4 minute): Mo=x0+h⋅Δ1Δ1+Δ2=2+2×77+1=3,75Mo = x_0 + h \cdot \frac{\Delta_1}{\Delta_1 + \Delta_2} = 2 + 2 \times \frac{7}{7 + 1} = 3{,}75 minute, unde Δ1=15−8\Delta_1 = 15 - 8 și Δ2=15−14\Delta_2 = 15 - 14 sunt diferențele față de intervalele vecine.

Alte medii, pentru situații speciale:

  • media geometrică xˉg=x1x2⋯xnn\bar{x}_g = \sqrt[n]{x_1 x_2 \cdots x_n} se folosește pentru ritmuri de creștere. Dacă vânzările cresc cu 10%, apoi cu 20%, apoi scad cu 10%, ritmul mediu anual este 1,1×1,2×0,93−1=1,1883−1≈5,9%\sqrt[3]{1{,}1 \times 1{,}2 \times 0{,}9} - 1 = \sqrt[3]{1{,}188} - 1 \approx 5{,}9\%, nu media aritmetică de 6,7%;
  • media armonică xˉh=n1/x1+…+1/xn\bar{x}_h = \frac{n}{1/x_1 + \ldots + 1/x_n} se folosește pentru prețuri medii la sume cheltuite egale. Dacă cumperi cafea boabe de 100 de lei la 50 lei/kg și de 100 de lei la 40 lei/kg, prețul mediu plătit este 21/50+1/40≈44,44\frac{2}{1/50 + 1/40} \approx 44{,}44 lei/kg, nu 45.

Ce medie alegi. Media folosește toate valorile, dar este sensibilă la valorile extreme; mediana nu este. Dacă într-o firmă cu 9 angajați cu 4000 de lei și un director cu 40 000 de lei, media salariilor este 7600 de lei, dar mediana este 4000 de lei, mult mai aproape de ce câștigă „un angajat obișnuit”. De aceea, la salarii și venituri se raportează adesea mediana.

Partea 3. Indicatorii de variație

Două cafenele pot avea aceeași medie, 145 de cafele, dar una vinde mereu între 140 și 150, iar cealaltă între 50 și 250. A doua este mult mai greu de aprovizionat. Indicatorii de variație măsoară această diferență.

  • Amplitudinea: A=xmax−xminA = x_{max} - x_{min}. Pentru cafenea, 210−110=100210 - 110 = 100. Este simplă, dar depinde doar de două valori.
  • Abaterea intercuartilică: Q3−Q1=150−125=25Q_3 - Q_1 = 150 - 125 = 25; măsoară împrăștierea jumătății din mijloc a datelor și nu este influențată de valorile extreme.

Pentru cafenea, abaterile de la media 145 sunt −35, −25, −20, −10, −10, −5, 0, 5, 35 și 65. Suma pătratelor lor este 1225+625+400+100+100+25+0+25+1225+4225=79501225 + 625 + 400 + 100 + 100 + 25 + 0 + 25 + 1225 + 4225 = 7950. Rezultă σ2=7950:10=795\sigma^2 = 7950 : 10 = 795 și σ≈28,2\sigma \approx 28{,}2 cafele; ca eșantion, s2=7950:9≈883,3s^2 = 7950 : 9 \approx 883{,}3 și s≈29,7s \approx 29{,}7. Pentru timpii de așteptare, aceeași formulă cu mijloacele intervalelor dă σ2≈5,45\sigma^2 \approx 5{,}45 și σ≈2,33\sigma \approx 2{,}33 minute.

Pentru cafenea, v=28,2:145×100≈19,4%v = 28{,}2 : 145 \times 100 \approx 19{,}4\%: seria este omogenă. Pentru timpii de așteptare, v=2,33:4,44×100≈53%v = 2{,}33 : 4{,}44 \times 100 \approx 53\%: așteptarea variază foarte mult de la un client la altul.

Valori aberante și asimetrie. O regulă des folosită consideră aberante valorile aflate cu mai mult de 1,5×(Q3−Q1)1{,}5 \times (Q_3 - Q_1) sub Q1Q_1 sau peste Q3Q_3. La cafenea, limita de sus este 150+1,5×25=187,5150 + 1{,}5 \times 25 = 187{,}5, deci ziua cu 210 cafele (poate o zi cu un eveniment în apropiere) este aberantă. Ea trage media (145) peste mediană (137,5): seria este asimetrică la dreapta. Coeficientul de asimetrie al lui Pearson, As=xˉ−Moσ=(145−135):28,2≈0,35A_s = \frac{\bar{x} - Mo}{\sigma} = (145 - 135) : 28{,}2 \approx 0{,}35, este pozitiv, ceea ce confirmă asimetria la dreapta; la o serie simetrică, media, mediana și modul coincid.

Video

Calculating the Mean, Variance and Standard Deviation, Clearly Explained!!!

de StatQuest with Josh Starmer

Se încarcă de pe YouTube

Calculating the Mean, Variance and Standard Deviation, Clearly Explained!!! · de StatQuest with Josh Starmer · Deschide pe YouTube

Întrebare-ghid: Clipul este în engleză (population = populație, sample = eșantion). Urmărește diferența dintre împărțirea la n și la n − 1 și aplic-o la vânzările cafenelei din Partea 3.

Exemple grafice

Primul grafic este poligonul frecvențelor pentru timpii de așteptare la casă, cu media și modul marcate.

048121612345678910Timp de așteptare (minute)Număr de cliențifrecvențemedia 4,44clasa modală
Frecvențele 8, 15, 14, 9 și 4 sunt așezate în mijlocul intervalelor (1, 3, 5, 7 și 9 minute). Modul (3,75 minute) este sub mediană (4,29), iar aceasta sub medie (4,44): distribuția are o „coadă” spre așteptările lungi, deci este asimetrică la dreapta.
Vezi datele ca tabel
Poligonul frecvențelor: timpul de așteptare
SerieTimp de așteptare (minute)Număr de clienți
frecvențe18
frecvențe315
frecvențe514
frecvențe79
frecvențe94
media 4,444,440
media 4,444,4416
clasa modală315

Încearcă să verifici media: 222:50=4,44222 : 50 = 4{,}44. Concluzie: când distribuția are o coadă spre dreapta, media este trasă spre coadă, iar modul și mediana descriu mai bine situația „obișnuită”.

Al doilea grafic este cronograma vânzărilor cafenelei în cele 10 zile, cu media și banda „media ± o abatere standard”.

06012018024012345678910ZiuaCafele vândutevânzărimedia 145valoare aberantă
Vânzările oscilează în jurul mediei de 145 de cafele. Banda colorată, între 116,8 și 173,2 (media ± 28,2), conține 7 din cele 10 zile. Ziua 6, cu 210 cafele, este o valoare aberantă.
Vezi datele ca tabel
Cronograma vânzărilor zilnice
SerieZiuaCafele vândute
vânzări1120
vânzări2135
vânzări3110
vânzări4150
vânzări5180
vânzări6210
vânzări7145
vânzări8125
vânzări9140
vânzări10135
media 1451145
media 14510145
media ± σ (vârf)1116,8
media ± σ (vârf)10116,8
media ± σ (vârf)10173,2
media ± σ (vârf)1173,2
valoare aberantă6210

Încearcă să numeri zilele din bandă: toate, în afară de zilele 3 (110), 5 (180) și 6 (210). Concluzie: abaterea standard arată cât de departe de medie se află de obicei o zi, iar zilele mult în afara benzii merită investigate.

Aprofundare

De ce se împarte la n − 1 la eșantion

Abaterile se calculează față de media eșantionului, care este, prin construcție, punctul cel mai apropiat de valorile din eșantion. De aceea suma pătratelor abaterilor față de media eșantionului este, în medie, puțin mai mică decât față de media adevărată a populației. Împărțirea la n−1n - 1 în loc de n (corecția lui Bessel) compensează exact această subestimare. Pentru eșantioane mari, diferența devine neglijabilă.

Inegalitatea lui Cebîșev

Pentru orice serie de date, oricare ar fi forma ei, cel puțin 1−1/k21 - 1/k^2 dintre valori se află la cel mult k abateri standard de medie. Pentru k=2k = 2, cel puțin 75% dintre valori sunt în intervalul xˉ±2σ\bar{x} \pm 2\sigma; pentru k=3k = 3, cel puțin 89%. La o distribuție normală procentele sunt mai mari (95% și 99,7%), dar Cebîșev garantează o limită și pentru datele foarte asimetrice.

Grafice care induc în eroare

  • O axă verticală care nu pornește de la zero poate face ca o creștere de 2% să arate ca o dublare.
  • Diagramele de structură cu prea multe sectoare sau în perspectivă 3D deformează ariile.
  • Mediile pe grupe pot ascunde inversări: un indicator poate crește în fiecare grupă și totuși să scadă pe total, dacă se schimbă ponderile grupelor (paradoxul lui Simpson).

Un caz real: William Playfair inventează graficele

Inginerul și economistul scoțian William Playfair a publicat în 1786 „The Commercial and Political Atlas”, în care a folosit pentru prima dată graficele liniare în timp și diagramele prin coloane, ca să arate comerțul exterior al Angliei. În 1801 a introdus și diagrama de structură sub formă de cerc. Până la el, datele economice se publicau aproape numai în tabele. Ideea lui centrală, că un grafic bun arată dintr-o privire ce un tabel ascunde, stă la baza vizualizării datelor de azi.

Quiz

Verifică ce ai înțeles. Poți reîncerca oricând.

1. Care este mediana seriei 110, 120, 125, 135, 135, 140, 145, 150, 180, 210?

Scrie un număr.

2. Care este modul seriei 3, 5, 5, 7, 8, 8, 8, 10?

Alege o singură variantă.

3. Într-o firmă, 9 angajați câștigă 4000 de lei și directorul 40 000 de lei. Ce indicator descrie mai bine salariul unui angajat obișnuit?

Alege o singură variantă.

4. Vânzările cresc cu 10% într-un an, cu 20% în al doilea și scad cu 10% în al treilea. Care este ritmul mediu anual de creștere, în procente, cu o zecimală?

Scrie un număr.

%

5. Suma pătratelor abaterilor de la medie pentru 10 valori este 7950. Cât este dispersia populației (împărțind la n)?

Scrie un număr.

6. O serie are media 145 și abaterea standard 29. Cât este coeficientul de variație, în procente?

Scrie un număr.

%

7. Pentru o serie, media este 145, mediana 137,5, iar modul 135. Ce formă are distribuția?

Alege o singură variantă.

8. O serie are Q1 = 125 și Q3 = 150. Peste ce valoare este considerată aberantă o observație, după regula cu 1,5 × abaterea intercuartilică?

Scrie un număr.