Documente Academic
Documente Profesional
Documente Cultură
An1Curs4 2006
An1Curs4 2006
Elemente de biostatistica
115
4.1. Distributii continue
Evident, valorile unei asemenea variabile aleatoare/distributii apar ca rezultate ale unor
masuratori (de lungimi, greutati, durate de timp, temperaturi, concentratii etc.).
Întro figura din lectia anterioara au fost reprezentate, întro forma asemanatoare
histogramelor, distributiile binomiale b(15, 0.25) si b(25, 0.2). În ambele cazuri valorile
posibile ale lui k au fost plasate pe abscisa, echidistant între valoarea minima 0 si cea
maxima n (= 15, respectiv 25) Pe ordonata se „masoara” valorile probabilitatilor
P (b ( n, p ) = k ) . Ne dam seama ca, atunci când n „creste” nemarginit, pastrând aceeasi
„lungime” pentru intervalul [0, n], segmentele verticale tind sa fo rmeze un „domeniu
continuu” ca în figura de mai jos. Curba care delimiteaza acest domeniu, în partea
superioara, este graficul unei „densitati de probabilitate”. Ca sa fim mai precisi, sa definim
o densitate de probabilitate ca fiind o functie reala continua f asa încât:
f ( x) ≥ 0 pentru orice x ∈ R , si
∞
∫− ∞ f ( x) dx = 1 .
116
De fapt, aria delimitata de graficul functiei, de axa absciselor si de numerele reale a si b,
prin relatia:
P (a < X ≤ b ) = ∫ ab f ( x) d x .
Sa facem observatia ca pentru o distributie discreta este posibil sa- i „listam” toate
valorile. Din contra, este imposibil sa listam toate valorile unei distributii continue. (Se stie
din teoria multimilor ca este imposibil sa „listam” toate „punctele” unui interval.)
P ( X ≤ c) = ∫−c∞ f ( x) d x .
E ( X ) = ∫−∞
∞
xf ( x) d x , si
Var( X ) = E (( X − E ( X )) 2 ) .
Distributiile continue pot fi descrise si prin asa- numita functie de distributie, care nu
este altceva decât o functie reala
F : R → [0, 1]
117
definita astfel
F ( x) = P( X ≤ x) = ∫−∞x f ( z) dz .
f ( x) = F ' ( x) .
Ca exemplu evident, sa consideram functia al carei grafic este „curba” din figura de mai
jos. Functia este constanta pe portiuni, mai precis f ( x) = 1 pentru x ∈ [0 , 1] , în rest
P (a < U ≤ b) = ∫ ab dx = b − a ,
118
Un calcul rapid ne ajuta sa obtinem media si apoi varianta distributiei uniforme. Anume:
1
E (U ) = ∫ 01 xdx =
2
.
1 1 1
Var(U ) = ∫ 0 ( x − ) 2 dx =
2 12
F ( x) = P ( X ≤ x) = P ( X ≤ xk ) = F ( xk )
ceea ce explica aspectul „în trepte” al functiei de distributie (vezi exemplul din figura de
mai jos).
De multe ori, data o distributie discreta si una continua, ne punem întrebarea daca ele
sunt „apropiate” sau nu, cu alte cuvinte daca una dintre ele „o reprezinta” pe cealalta. De
raspunsul la aceasta întrebare poate depinde o decizie importanta. Raspunsul „da” este
întotdeauna subiectiv. Statistica ne permite sa evaluam riscul atasat deciziei.
119
4.2. Distributii normale (Gauss)
1 ( x − µ) 2
f ( x) = exp − .
σ 2π 2σ 2
Graficul acestei functii este în forma de clopot – fiind cunoscut sub numele de „clopot al
lui Gauss” – simetric în raport cu „linia verticala” x = µ .
E ( N(µ, σ 2 )) = µ
si
Var( N (µ, σ 2 )) = σ 2 ,
formule care ne ofera o interpretare evidenta pentru cei doi parametri. Despre parametrul µ
se spune ca este media teoretica, iar despre σ 2 se spune ca este varianta teoretica.
Aceasta din urma este patratul deviatiei standard teoretice σ > 0 a distributiei N(µ, σ 2 ) .
Astfel ca nu este deloc surprinzator ca „întinderea clopotului” depinde de marimea lui σ (a
se vedea figura de mai jos pentru câteva exemple).
Evident, variabila aleatoare asociata unei distributii normale ar putea lua ca valoare
orice numar real. Totusi, „probabilitatea valorilor” scade pe masura ce ele se departeaza de
media teoretica µ .
120
Este imposibil sa se completeze tabele de valori pentru toate distributiile normale.
Urmatorul rezultat a fost folosit intens în trecut pentru a efectua calcule în legatura cu
1
Z= ( X − µ)
σ
x −µ
P ( X ≤ x) = P Z ≤
σ
iar aceasta ne permite sa folosim datele ce se afla în tabelul asa- numitei distributii
normale standard N (0 , 1) .
Totusi, folosirea tabelelor este astazi depasita, iar softul general permite efectuarea cu
usurinta a oricarui calcul în legatura cu distributiile normale. De exemplu, în Excel exista
doua functii, numite NORMDIST si NORMINV, care depind de parametrii µ si σ .
Caseta de dialog a primei este prezent ata în figura de mai jos. Pentru a calcula valorile în
modul clasic, adica în legatura cu distributiile normale standard, exista doua functii
suplimentare, usor de utilizat, numite NORMSDIST si NORMSINV.
121
a) modeleaza „bine” numeroase variabile numerice „care apar în practica” în legatura
cu populatii „mari”, cum ar fi înaltimea, greutatea, coeficientul de inteligenta al
oamenilor, dar si diametrul celulelor bacteriilor sau erorile de masurare;
Cum s-ar putea estima aceasta medie µ , masurând doar indivizii unui esantion „mic”
(format din doar 4 indivizi)? Evident, prin media aritmetica:
122
x1 + x2 + x3 + x4
m=
4
Avem însa posibilitatea de a alege foarte multe esantioane de câte 4 indivizi, mai precis
se pot alege
25 ⋅ 24 ⋅ 23 ⋅ 22
4
C 25 = = 12650 esantioane
1⋅ 2 ⋅ 3 ⋅ 4
Sa le luam unul dupa altul, si sa calculam pentru fiecare în parte media aritmetica:
Esantionul nr. Indivizii ce-l compun Taliile corespunzatoare Media taliilor
1 1, 2, 3, 4 0.1, 0.1, 0.3, 0.1 0.15
2 1, 2, 3, 5 0.1, 0.1, 0.3, 0.5 0.25
… … … …
12650 22, 23, 24, 25 0.1, 0.7, 0.3, 0.3 0.35
Evident, nu se pune problema listarii tuturor celor 12650 esantioane posibile. Totusi,
folosind un soft de calculator, putem programa cu usurinta obtinerea tuturor celor 12650
medii de esantion. Distributia lor este prezentata în figura alaturata.
Sa retinem o idee fundamentala: atunci când avem de-a face cu o populatie mare de
valori numerice, a carei distributie are media µ (necunoscuta!), mediile de esantion
formeaza o noua populatie de numere, care este distribuita (aproximativ) normal cu aceeasi
medie µ .
123
normale exprima de asemenea asa- numitul „zgomot” ce afecteaza transmisia datelor pe
liniile de comunicatie.
În general, despre curba Gaussiana asociata distributiei normale N(µ, σ 2 ) este de retinut
ca:
a) Mediana, adica valoarea Me care separa populatia (infinita) în doua parti „de marimi
egale”, coincide cu media teoretica µ ;
de sub graficul functiei densitate este 0.683. Aceasta înseamna ca 68.3% dintre indivizii
unei populatii normale sunt situati între µ − σ si µ + σ ;
aria de sub graficul functiei densitate este 0.955. Aceasta înseamna ca peste 95% dintre
indivizii unei populatii normale sunt situati între µ − 2σ si µ + 2 σ ;
d) Practic, întreaga arie de sub grafic (de fapt 99.5%) se afla între abscisele µ − 3σ si
µ + 3σ . Acesta fapt conduce la asa-numita „regula a celor sase sigma” (cunoscuta sub acest
nume de catre cei ce iau decizii): presupunând ca populatia este distribuita normal, deviatia
ei standard este estimata la 1/6 din diferenta dintre valoarea maxima si cea minima, valori
ce sunt obtinute dintr- un esantion „suficient de mare”.
În particular, ne vom astepta ca 68.3% (adica ceva mai mult de 2/3) dintre oameni sa
aiba un IQ între 84 si 116, si doar unul din 500 sa aiba IQ- ul peste 148. (Se stie ca IQ este
distribuit normal cu media 100 si varianta 256.)
aproximarea binomiala b (n, p) prin normala N(µ, σ 2 ) este „buna” doar în cazurile în care
124
Ca motivatie pentru asemenea aproximari este nevoia de aprecieri rapide asupra efectelor unor
decizii pe care le luam. Ca exemplu, sa consideram cazul unei alegeri pentru un organism de
conducere format din 20 de membri, care vor fi alesi de catre o adunare formata din 100 de
delegati.
Decizia care a fost luata este urmatoarea: fiecare delegat va vota selectând 20 de nume de pe
buletinul de vot ce contine toate cele 100 de nume, iar comisia de validare va declara ca fiind alesi
acei delegati ce totalizeaza cel putin 51 de voturi „pentru”.
Ce efect are o asemenea decizie? Ce sanse exista ca sa se aleaga organismul de conducere în
urma votului?
În ipoteza ca fiecare delegat alege la întâmplare 20 de nume de pe buletinul de vot,
cele 100 de buletine nu este invalidat, numarul de voturi obtinute de catre un candidat (oarecare)
este dat de variabila aleatoare asociata distributiei binomiale b (100 , 0.2) .
S-o aproximam cu distributia normala N (20 , 16 ) , întrucât µ = n ⋅ p = 100 ⋅ 0 . 2 = 20 si
σ ≈ 5 . De data aceasta ar fi 2% sanse ca numarul de voturi obtinute de un candidat sa fie mai mare
decât µ + 2 σ = 40 + 10 = 50 . Ne putem astepta la alegerea în organul de conducere a cel putin 2
delegati înca din primul tur.)
Întrun anume sens, o curba Gaussiana exprima distributia indivizilor din populatia
„infinita” a numerelor reale, în raport cu anumite puncte speciale de pe axa absciselor.
125
Sa presupunem ca dispunem de o functie care, pentru orice numar pozitiv z, calculeaza
aria de sub grafic, la stânga lui z – a se vedea figura de mai sus. (O asemenea functie este
NORMSDIST, atunci când Cumulative = TRUE, în Excel .)
Atunci P (Z > z) este aria de sub grafic, la dreapta abscisei z, cu alte cuvinte:
P ( Z > z ) = 1 − P( Z ≤ z ) .
Daca z este negativ, atunci – z este pozitiv. Întrucât graficul este simetric fata de origine,
concludem ca:
P (Z < z ) = P ( Z > − z ) = 1 − P (Z ≤ − z ) .
De asemenea,
Ca exemplu, pentru z =1 .96 obtinem P ( Z ≤ 1 .96 ) = 0 .975 = 97 .5 % ; din formulele de mai sus
rezulta P ( Z > 1.96 ) = 2.5 % si P ( Z < −1.96 ) = 2.5% !
Câteodata suntem interesati în pozitionarea (relativa) a unui individ ce face parte dintr-o
populatie distribuita normal. Ca exemplu, stim ca un individ a obtinut scorul 68 la o
competitie. Numarul 68 nu ne spune nimic despre clasarea acelui individ; la fel de bine ar
putea fi apropiat de minim, de mediana, de maxim. Performanta reala nu este deloc
evidenta!
x − µ la deviatia standard :
x−µ
z= .
σ
126
Distributia normala ne ajuta sa definim ceea ce poate însemna „individ normal” al unei
populatii. În teoria calitatii, indivizii care au scoruri Z între –2 si +2 sunt etichetati ca
„standard”, iar cei care au scoruri Z între –3 si +3 sunt etichetati ca „normali”.
Sa observam ca, prin standardizare , o valoare a unei distributii normale arbitrare este
înlocuita printr-o valoare a distributiei normale standard N(0, 1) . Sa retinem ca prin
standardizare putem compara scorurile (indivizilor) din diversele populatii.
Exercitii. 1) Admitem ca înaltimea unui barbat adult este distribuita normal cu µ = 175
si σ = 7 (cm). Care este probabilitatea ca un barbat adult sa fie mai înalt de 185 cm, stiind
ca este mai înalt de 180 cm?
=POISSON(90,100,True)
oferindu-ne rezultatul dorit. Sa adoptam însa o alta cale, anume prin aproximarea
µ = λ = 100
=NORMDIST(90,100,10,True)
127
4.3. Populatii si esantioane, caracteristici si variabile
Statistica este o stiinta care se ocupa cu tratamentul datelor obtinute din grupuri „mici”
de indivizi si extinderea rezultatelor la populatii „mari”.
Principala caracteristica a proceselor biologice este variabilitatea. Aceasta variabilite
determina un anumit grad de incertitudine. Statistica ne permite sa stabilim „legi” în care
sa tinem seama de incertitudine.
Biostatistica, fiind o ramura a statisticii, ne permite sa dam raspuns la întrebari cum sunt
urmatoarele:
Cuvântul populatie are, în limbajul de zi cu zi, un înteles evident. De obicei, atunci când
ne referim la o populatie, consideram implicit ca numarul indivizilor ei este mare; aceasta
nu exclude însa multe situatii, cum este cea din exemplul formal „populatia pacientilor dr.
Ionescu ce sufera de cardiopatie ischemica”, în care este clar ca acest numar nu este prea
mare. Se subîntelege ca o populatie are caracter dinamic (adica numarul indivizilor ei
variaza în timp). Totusi, se presupune ca la un moment particular de timp – sau întrun
interval de timp bine definit – populatia este bine definita.
Fiecare individ al unei populatii îsi are identitatea sa proprie, iar indivizii prezinta o
anumita variabilitate. Atunci când studiem o populatie se iau în considerare doar anumite
atribute „importante” ale indivizilor; aceste atribute poarta numele de caracteristici.
128
Numarul indivizilor din esantionul ales este numit volumul esantionului si este notat de
obicei, atunci când ne referim la un esantion potential (esantionul nu a fost precizat) prin
litera n.
Atunci când încercam sa comparam sau sa clasificam indivizi, sa stabilim legaturi între
caracteristicile lor, aceste caracteristici sunt reprezentate prin variabile. Pentru a reprezenta
o caracteristica printr-o singura variabila va trebui sa introducem o scara, ceea ce
înseamna:
3. Sa admitem ca putem asocia fiecarui individ câte o (singura) valoare din spatiul
observabil.
129
Câteodata o caracteristica este exprimata printr-o variabila de decizie (sau variabila
binara ) ce ia doar doua valori „admis”/„respins” (respectiv „da”/„nu” etc.).
O alta situatie ce trebuie scoasa în evidenta este cea a caracteristicii „inteligenta” a unui
student, care poate fi exprimata printr- un ansamblu de variabile.
Asadar, o caracteristica studiata ar putea fi reprezentata, direct sau indirect, prin mai
multe variabile .
Atunci când avem de-a face cu un esantion „mare” (adica are un numar „mare"de
indivizi), de obicei variabilele numerice sunt înlocuite prin variabile calitative, ordinale
(care reprezinta aceeasi caracteristica). Mai precis, datele numerice sunt grupate întrun
numar „mic” de clase. De exemplu, se utilizeaza foarte adesea clase de vârsta sau clase de
înaltime.
Observam ca toate clasele descrise anterior au aceeasi „lungime”, anume 5 ani. Aceasta
este recomandat, dar nu este obligatoriu!
În cazul în care fie indivizii sunt grupati natural în clase, fie datele colectate au fost
grupate în clase, putem calcula frecvente. Pentru o clasa de date, frecventa absoluta este
numarul indivizilor pentru care datele apartin acelei clase. Frecventa relativa se
calculeaza prin împartirea frecventei absolute la numarul total al indivizilor din esantion.
Uneori se folosesc si asa- numitele frecvente cumulate .
130
Frecventele variabilelor (nu numai cu valori numerice) se obtin cu usurinta în Excel prin
intermediul functiei FREQUENCY(). Aceasta functie are doua argumente:
Rezultatele aplicarii acestei functii sunt plasate întrun domeniu ce are o celula în plus
fata de domeniul valorilor de separare. În aceasta celula suplimentara va fi afisat numarul
valorilor ce depasesc cea mai mare valoare de separare.
131
4.4. Reprezentari grafice
132
În tabel, în diagrama cu bare, în histograma si în rozete este prezentata aceeasi
informatie. Probabil ca suntem de acord cu totii ca informatia reprezentata grafic este mai
usor de „înteles”. (O mica corectie: în diagrama de tip histograma este reprezentata o curba
suplimentara, care însa este inutila în cazul nostru. Vom aborda ulterior interpretarea
acestei curbe.)
Se poate observa, în cele doua rozete, ca prezentarea rezultatelor depinde de softul
folosit, existând unele diferente (datorate rotunjirilor). Exista si deosebiri în modul în care
trebuie int roduse datele. Doar în Excel putem pleca de la tabelul de mai sus. În general se
pleaca de la datele primare „caz dupa caz”.
Atât tabelele de frecvente, cât si diagramele sunt adecvate pentru „afisarea” variabilelor
care au un numar „mic” de valori. Asemenea reprezentari – tabelare sau diagramatice – nu
sunt deloc potrivite pentru variabilele care au un numar mare de valori numerice (asa cum
este cazul greutatii pacientilor exprimata în grame). Evident, în asemenea situatii se
practica gruparea valorilor în câteva intervale de valori, iar abia apoi rezultatele gruparii
sunt prezentate în histograme.
Folosind Excel , Statistica si EpiInfo, din aceste date se obtin histogramele urmatoare:
133
Sa remarcam ca întro histograma clasele sunt intervale de numere reale, iar întro
diagrama cu bare clasele sunt reprezentate prin etichete (labels).
134
4.5. Statistici descriptive. Centrarea unei variabile numerice
Sa consideram ca, întrun studiu efectuat asupra unei populatii mari, suntem interesati în
a studia o anumita caracteristica reprezentata printr-o variabila numerica. Dupa ce am ales
un esantion – sa zicem de n indivizi – si am facut masuratorile necesare, vom dispune de
numerele reale x1 , x2 ,..., xn . Aceste numere sunt reprezentate prin puncte pe axa reala (a se
vedea figura urmatoare) iar intuitia ne spune ca acestea sunt distribuite „echilibrat” în jurul
unui „centru”.
Pare evident cum putem obtine acest centru m: vom calcula media aritmetica a
numerelor (adica însumam numerele, apoi împartim suma la numarul total n al indivizilor
din esantion):
x1 + x2 + ... + x n
m=
n
În formula de mai sus toate marimile masurate sunt tratate în mod „echitabil” (niciuna
nu este tratata altfel decât celelalte). Mai mult, rezultatul este exprimat în aceleasi unitati
de masura ca si valorile masurate.
Aparitia – nu neaparat din eroare! – unei valori aberante (outlier) influenteaza pozitia
mediei aritmetice, totusi nu prea mult – a se vedea figura.
Functii care calculeaza „instantaneu” media aritmetica sunt implementate în orice soft
statistic sau de calcul tabelar. De exemplu, în Excel aceasta functie este numita
AVERAGE() si are un singur argument, anume domeniul în care au fost plasate datele
numerice. Însa, în orice soft statistic media aritmetica este afisata împreuna cu alte statistici
elementare, care sunt considerate „strict necesare pentru analiza”.
135
De exemplu, Statistica, în modulul sau Basic Statistics/Tables contine o comanda
Detailed Descriptive Statistics . Ca un alt exemplu, softul biostatistic EpiInfo 2004 are un
modul numit Analysis; aici se întâlneste comanda Means , împreuna cu alte comenzi,
grupate în grupul Statistics .
În practica media aritmetica nu este singura statistica utilizata pentru a indica „centrul”
datelor. În cazul în care datele sunt ordonate, ca de exemplu astfel:
x1 ≤ x2 ≤ ... ≤ xn
poate fi fo losita si mediana pentru a indica „centrul”. Mediana (Me) este „punctul” ce
divide valorile în doua parti egale.
În situatia în care toate valorile xi sunt distincte, iar n = 2m + 1 (adica numarul datelor
este impar), mediana Me coincide cu valoarea xm+1 care este situata exact în „mijloc”;
atunci când n = 2m (numarul datelor este par), mediana Me este media aritmetica a celor
doua valori, xm si xm +1, situate în mijloc.
În unele situatii, pentru a indica „centrul” mediei aritmetice si medianei îi este preferat
modul. Pentru date categoriale (nenumerice), modul Mo este o statistica definita ca acea
valoare ce are frecventa maxima. Pentru date numeric e, modul Mo, ca „centru” al datelor,
este dat de formula:
Mo = 3 × Me − 2 × m .
136
4.6. Statistici descriptive. Deviatia în jurul centrului
A = xmax − xmin .
Amplitudinea ne informeaza asupra lungimii intervalului de variatie (în cazul unor date
numerice); are dezavantajul ca depinde doar de doua dintre valorile seriei, si nu ne
informeaza deloc asupra modului în care datele sunt împrastiate între extreme.
Din contra, deviatia medie (abaterea medie) depinde „echitabil” de toate valorile seriei
de date. Aceasta statistica presupune ca a fost calculata anterior media m a seriei. Definitia
precisa este urmatoarea: deviatia medie este media aritmetica a abaterilor valorilor fata de
media lor, abateri luate în valoare absoluta:
∑ | xk − m |
E= .
n
Din punct de vedere matematic aceasta formula nu este potrivita (functia modul nefiind
derivabila). Acesta este motivul principal pentru înlocuirea sa cu urmatoarea statistica,
numita varianta seriei de date:
∑ ( x k − m)
2
V= .
n
xk = N(µ, σ2 ) , E ( x k ) = µ , Var( xk ) = σ 2 .
x1 + x2 + ... + x n
În aceste conditii, m = va fi o variabila aleatoare normala, având aceeasi
n
137
De asemenea, V va fi o variabila aleatoare. Prin calcul se obtine urmatorul rezultat:
n −1 2
E (V ) = σ .
n
Observam ca media lui V nu coincide, asa cum ne-am fi asteptat, cu varianta teoretica
σ 2 ! Avem de-a face cu un asa- numit fenomen „de depla sare” (bias). Daca însa consideram
expresia
∑ ( x k − m)
2
W =
n −1
De aceea estimarea lui σ se face de obicei prin abaterea standard, definita mai jos.
Deviatia medie este exprimata în aceeasi unitate de masura ca si valorile seriei de date,
însa acest lucru nu mai este valabil pentru varianta (nici pentru W). Daca dorim o statistica
ale carei valori sa fie exprimate în aceeasi unitate de masura ca si valorile seriei, care sa
depinda „echitabil” de toate valorile, simultan sa aiba si proprietati matematice bune,
atunci formula urmatoare satisface toate aceste conditii. Formula ne da asa- numita deviatie
standard (sau abatere standard) a seriei de date:
∑ ( x k − m)
2
s= .
n −1
(la numitor apare numarul valorilor din seria de date, diminuat cu 1).
Formula de mai sus pentru s necesita foarte multe calcule; evident, ele sunt
implementate în soft. Astfel aplicatia Excel d ispune de functia STDEV() al carui unic
argument este, la fel ca în cazul functiei AVERAGE(), domeniul în care a fost plasata seria
de date. În Excel avem la dispozitie multe alte functii statistice, ca de exemplu MEDIAN(),
cu folosire evidenta. Statistica ne ofera, în modulul Basic Statistics/Tables, comanda
Detailed Descriptive Statistics . Ca rezultat al ei se afiseaza media Mean, deviatia standard
Std.Dev., valorile minima si maxima (vezi figura urmatoare).
138
Comanda Means (împreuna cu altele,
grupate în grupul Statistics) din modulul
Analysis al aplicatiei EpiInfo ofera multe
rezultate, incluzând media aritmetica,
mediana, varianta, deviatia standard (a se
vedea figura alaturata).
— Media aritmetica m;
— Mediana Me;
— Modul Mo;
— Amplitudinea A;
— Varianta V;
— Abaterea standard (deviatia standard) s.
(Terminologia dubla în limba româna este cauzata de adoptarea recenta a termenilor din
engleza.)
Lista anterioara nu este deloc exhaustiva; în practica sunt des utilizate si alte statistici:
— Asimetria (skewness), care exprima evident lipsa de simetrie a seriei de date în jurul
„centrului”.
Sa încheiem aceasta trecere în revista prin prezentarea unui tip special de diagrama,
cunoscuta ca box-and-whisker plot, des folosita în reprezentarea grafica a datelor medicale.
Întro astfel de diagrama:
139
— o linie transversala sau un asterisc indica „centrul”;
a) fie contine 50% din datele seriei, anume cele aflate între cuartilele q1 si q 3 ;
— linii (whiskers) extind dreptunghiul în ambele directii; aceste linii indica domeniul de
variatie (excluzându-se eventualele valori aberante, care sunt marcate special).
140
4.7. Statistici descriptive pentru variabile calitative
În cazul variabilelor cantitative datele sunt numerice, prin urmare putem calcula media
lor – prin operatii aritmetice de adunare si împartire – sau abaterea standard (pentru care
calculele sunt ceva mai comple xe). În cazul variabilelor calitative însa, valorile sunt
etichete, iar operatiile aritmetice nu sunt definite!
Data o variabila calitativa, am putea fixa o valoare particulara a ei si apoi, pentru fiecare
individ din esantion, am putea nota prezenta respectiv absenta acestei valori. Prezenta este
notata de obicei prin 1, iar absenta prin 0. Daca prezenta valorii este constatata la a indivizi
ai esantionului, prin raportare vom obtine imediat frecventa relativa a acestei valori:
a
f = .
n
Pentru valoarea aleasa, acest raport joaca acelasi rol pe care- l joaca media aritmetica în
cazul variabilelor cantitative. (De fapt, este media unor valori ce pot fi doar 1 sau 0.) Prin
urmare este o statistica de „centrare”.
Împrastierea este evaluata, în aceasta situatie, prin asa- numita varianta a valorii alese,
definita prin:
V = f (1 − f )
Adevarata statistica „de centrare” pentru întreaga serie de date (asadar pentru ansamblul
valorilor etichete) este, în acest caz, modul, care nu este altceva decât eticheta/etichetele
având frecventa maxima.
141
4.8. Covarianta si corelatia
Rare sunt studiile efectuate asupra unei populatii în care suntem interesati în a studia
doar o anumita caracteristica (reprezentata printr-o variabila).
Sa consideram printr-un exemplu cazul cel mai simplu, cel în care studiem doua
caracteristici: se înregistreaza, pentru fiecare nou nascut, vârsta mamei (în ani) si greutatea
noului nascut (în grame). Oare exista vreo legatura între aceste doua variabile? Si daca da,
oare putem exprima aceasta legatura printr-o formula liniara? La prima vedere se pare ca
raspunsurile la aceste întrebari sunt fie „da”, fie „nu”. Însa modul binar de a raspunde la
întrebari nu este specific statisticii! În cadrul statisticii se dau raspunsuri diversificate, de
exemplu exprimate printr-un numar ce exp rima intensitatea legaturii între cele doua
variabile (?). Iar fiecare persoana ar putea sa-l interpreteze, dupa cum doreste, ca un „da”
sau un „nu”!
Una dintre posibilitatile de a da asemenea raspunsuri consta în folosirea coeficientului
de corelatie (Pearson), al carui calcul se bazeaza pe calculul covariantei.
În practica, atunci când studiem legatura între doua variabile numerice, începem prin a
alege un esantion, apoi înregistram datele provenite din masuratorile efectuate asupra
indivizilor; datele rezultate sunt prezentate fie întrun tabel:
142
În cazul în care (avem impresia ca) punctele sunt aliniate, ne exprimam spunând ca
exista o corelatie liniara între variabilele X si Y.
Sa notam cu m X respectiv mY mediile celor doua serii de date. Covarianta între cele
doua serii de date se calculeaza cu formula
∑ (x
1
C= k − m X )( y k − mY ) .
n
(Se observa ca atunci când seria de date Y coincide cu seria de date X, expresia
covariantei C devine expresia variantei V.)
Corelatia (liniara) între cele doua serii de date este definita prin asa- numitul coeficient
de corelatie Pearson:
∑ ( xi − m X )( y i − mY )
rX ,Y = .
∑ ( x i − m X ) 2 ⋅ ∑ ( y i − mY ) 2
Acest numar este între –1 si 1. În cazurile extreme (adica atunci când numarul rX ,Y este
apropiat fie de –1, fie de 1) avem de-a face cu o puternica legatura liniara între seriile de
date, pe care o putem extrapola (asumându- ne riscuri!) la o legatura liniara:
Y = αX + β
între variabile.
C
rX ,Y =
s X sY
unde s X respectiv sY sunt abaterile standard ale celor doua serii de date. Calculul destul
Aceasta functie are doua argumente care sunt, evident, domeniile în care am depus cele
doua serii de date.
143
k Pulsul xk Temperatur a axilara yk
1 75 38.2
2 80 37.5
3 70 36.5
4 90 38.3
5 75 37.1
6 85 38.0
7 80 37.6
8 90 38.5
9 100 39.4
10 95 38.9
Prin calcul (cu functia CORREL() din Excel ) obtinem (vezi figura de mai jos):
rX ,Y = 0.911885 ≈ 0.912
Coeficientul de corelatie Pearson poate fi calculat doar daca dispunem de date numerice.
Sa consideram acum ca valorile variabilelor X si Y nu pot fi obtinute prin masuratori;
dimpotriva , ele sunt numere de ordine, asa cum ar fi, de exemplu, rangurile acordate
concurentilor de catre doi arbitri. Coeficientul de corelatie Pearson, chiar daca este
calculabil, nu ofera o interpretare adecvata a „concordantei” între evaluarile arbitrilor. În
situatii de acest fel se va calcula, cu formula
2
∑ dk
ro = 1 −
N ( N 2 − 1)
în care d k este diferenta rangurilor obtinute de concurentul k , asa-numitul coeficient de
corelatie Spearman.
144
Bibliografie
145