Основные понятия. Описательная статистика. Занятие 1 Нина Александровна Васильева ninavasilieva@gmail.com. - презентация

1 Основные понятия. Описательная статистика. Занятие 1 Нина Александровна Васильева

2 Данные – результаты некоторого количества измерений какой-либо ПЕРЕМЕННОЙ (переменных) – variable. Например: - вес, длина тела, пол, окрас, температура..... Статистика – инструмент для количественного анализа и интерпретации данных Как проверить истинность суждений о свойствах окружающего мира?

3 Самые популярные программы для анализа данных SPSS (PSPP - free) мощный, требователен к ресурсам компьютера, не очень удобно хранить результаты; STATISTICA – не хуже, удобные «рабочие книги» SYSTAT GenStat … С графическим интерфейсом (сходны по основным методам анализа, различаются по спектру «продвинутых» методов): С командной строкой: R (бесплатный) – безграничные возможности, сотни пакетов для разных целей …

4 наблюдение ВЫБОРКА Генеральная совокупность = популяция – совокупность всех интересующих нас объектов Описательная (descriptive) статистика : ОПИСЫВАЕМ ВЫБОРКУ Индуктивная (inferential) статистика : на основе свойств выборки (параметров выборки) делаем заключения о СВОЙСТВАХ ГЕНЕРАЛЬНОЙ СОВОКУПНОСТИ (популяции).

5 Выборка должна быть репрезентативной, т.е. её свойства должны ОТРАЖАТЬ СВОЙСТВА ПОПУЛЯЦИИ. Для этого она должна быть СЛУЧАЙНОЙ (random) – т.е., все особи в популяции должны иметь одинаковые шансы попасть в неё, и попадание в выборку одного элемента не должно влиять на попадание другого элемента. Dr. Nostat сформировал выборки для эксперимента; в одну поместил зверьков, которые первыми вышли из клетки, а в другую – тех, кто в ней остался клетка

6 Три основные концепции в анализе данных: 1. Что такое РАСПРЕДЕЛЕНИЕ ПЕРЕМЕННОЙ и как его описывать 2. Что такое распределение ВЫБОРОЧНЫХ СРЕДНИХ и как оно связано с распределением переменной 3. Что такое СТАТИСТИКА КРИТЕРИЯ Необходимо для обдумывания и обсуждения данных

7 Переменные Количественные Ранговые ordinal ( качественные, но могут быть упорядочены; размер интервалов на шкале неодинаковый ) Качественные nominal Дискретные discrete Непрерывные continuous шкала отношений ratio scale интервальная шкала interval scale (в.т.ч круговые шкалы) (их нельзя выстроить в последовательность) Потеря информации и точности Переменная – характеристика окружающего мира, которую мы измеряем

8 шкала отношений (ratio scale): размер интервалов на протяжении всей шкалы одинаковый; существует реальное нулевое значение. Примеры: масса тела, размер выводка, объём, температура по Кельвину интервальная шкала (interval scale): размер интервалов на протяжении всей шкалы одинаковый; положение нулевой точки выбрано произвольно. Примеры: температура по Цельсию, время дня, дата

9 Частотное распределение переменной Частотное распределение переменной (frequency distribution) – это соответствие между значениями переменной и их вероятностями (на практике – количеством таких значений в выборке) Рассмотрение частотного распределения облегчает обдумывание и обсуждение данных Можно представить в виде таблички или картинки.

10 Частотное распределение переменной (frequency distribution) Картинка распределения КАЧЕСТВЕННЫХ или ранговых переменных (bar graph). Столбчатая диаграмма («гистограмма» - не совсем верно). травалиствакорниплоды Виды пищи Оставим на некоторое время качественные и ранговые переменные и обратимся только к КОЛИЧЕСТВЕННЫМ промежутки между столбиками

11 Частотное распределение количественной переменной Взвешиваем N кроликов

12 Частотное распределение количественной переменной 1. Упорядочим по возрастанию значения переменной ( выстроим кроликов от меньшего к большему ); 2.разобьём их на группы по равным интервалам.

13 Масса кролика, кг Частота Гистограмма – графическое представление частотного распределения, разбитого по интервалам, где высота столбика отражает ЧАСТОТУ Частотное распределение количественной переменной Частота – то, сколько раз встретилось данное значение переменной Интервалы должны быть: одного размера, не должны иметь общих точек, для биологических данных – интервалов Полигон частот (frequency polygon)

14 Частотное распределение переменной

15 Три ОСНОВНЫЕ ХАРАКТЕРИСТИКИ, которыми можно почти полностью описать большинство распределений 1.«Середина» распределения; 2.«Ширина» распределения; 3. Форма распределения Как описать частотное распределение переменной? Речь идёт не только о количественных данных, но и о качественных

16 «Середина» распределения (central tendency) «Середина» Мода (mode) Медиана (median) Среднее значение (mean) Разница понятий parameter и statistic Все они могут служить оценками популяционного среднего. Среднее в выборке – наиболее эффективная и несмещённая оценка.

17 Частотное распределение переменной «Середина» распределения Среднее значение – сумма всех значений переменной, делённая на количество значений *«balancing point» method Среднее для выборки Среднее для популяции

18 Частотное распределение переменной «Середина» распределения Медиана (median)– значение, которое делит распределение пополам ( его площадь в т.ч.): половина значений больше медианы, половина – не больше. 1,01,54,15,79,5 6,0 7,17,910,411,0 Медиана Имеет смысл не только для количественных переменных, но и для ранговых! (не для качественных). 3,2

19 Если распределение не симметричное, медиана лучше характеризует центр распределения. она содержит меньше информации, чем среднее (определяется только рангом измерений, а не их значениями) но зато она не чувствительна к «аутлаерам» и может применяться даже в случае, если не для всех особей измерения точные. Распределение можно поделить не только на ДВЕ равные части, но и на: четыре (значения, стоящие на границах - квартили); восемь (... октили); сто (... процентили); N (... квантили). Частотное распределение переменной

20 Квартили (quartiles) делят распределение на четыре части так, что в каждой из них оказывается поровну значений (2-я квартиль = медиана). 1-я квартиль = 25% процентиль 3-я квартиль = 75% процентиль Интерквартильный размах – разница между третьей и первой квартилями. Пример про 500 р и магазин

21 Квартиль 1Квартиль 3 медиана Частота Значение переменной 25%25%25%25% Частотное распределение переменной

22 Мода (mode) – наиболее часто встречающееся значение, локальный максимум Частотное распределение переменной «Середина» распределения Существует не только для количественных, но и для ранговых, и для качественных переменных В первую очередь биолога интересует количество мод в распределении, а не мода как таковая. Если мода не одна, наверняка выборка может быть поделена на группы

23 Частотное распределение переменной «Середина» распределения Мода, медиана и среднее СОВПАДАЮТ для симметричного унимодального распределения К появлению перекоса чувствительнее всего среднее значение ЗАРПЛА ТА, $ ЧАСТ ОТА /32/3

24 Для публикаций Традиционно, для выборки приводят среднее значение (mean) – удобно для сравнения с литературой и пр.; Если распределение скошенное, дополнительно приводят медиану (М); Моду не приводят, иногда бывает важно упомянуть, сколько в распределении мод.

25 Частотное распределение переменной «Ширина» распределения = Разброс* Размах (range) Стандартное отклонение (standard deviation) Дисперсия (variance) * Это лишь основные параметры разброса Размах (range) – разность между максимальным и минимальным значениями = X n – X 1 Хорош тем, что легко считается и имеет «биологический смысл». Плох тем, что зависит лишь от 2-х точек из распределения. Недооценивает истинный размах в популяции.

26 Стандартное отклонение (standard deviation) Частотное распределение переменной Разброс распределения Для выборки:Для популяции: Поправка на то, что в выборке разброс всегда будет меньше, чем во всей популяции Стандартное отклонение зависит ото всех значений переменной. Измеряется в тех же единицах, что и переменная! Сумма квадратов (sum of squares = SS)

27 Частотное распределение переменной Разброс распределения Дисперсия (variance) Для выборки:Для популяции: Равна стандартному отклонению в квадрате и содержит почти ту же информацию; измеряется в единицах переменной, возведённых в квадрат (что не всегда удобно). Дисперсия используется скорее в различных статистических тестах, а не в описательной статистике

28 Коэффициент вариации (Coefficient of variation) Частотное распределение переменной Разброс распределения Даёт понять, насколько на самом деле велик разброс в данных, независимо от масштаба измерений. (маленький разброс – меньше 5%) Не годится для данных, измеренных по интервальной шкале (температура, время и пр.)

29 Параметры разброса для качественных данных: Индексы разнообразия (indices of diversity) Показывают, насколько равномерно данные распределены по категориям. Разнообразие считается высоким, когда распределение более-менее равномерное, и низким, когда превалирует 1-2 категории Индекс Шеннона-Винера p = доля объектов в той или иной категории; k – число категорий. Нормированный индекс Шеннона ( ) Этих индексов много для разных целей; это показатели ОПИСАТЕЛЬНОЙ статистики!

30 Для публикаций Традиционно, вместе со средним значением приводят стандартное отклонение (±SD); Иногда в статье приводится размах, но в дополнение следует привести ещё какую-нибудь характеристику разброса.; Коэффициент вариации приводят, если хотят сравнить разброс в разных по характеру данных. Для публикаций Традиционно, вместе со средним значением приводят стандартное отклонение (±SD); Иногда в статье приводится размах, но в дополнение следует привести ещё какую-нибудь характеристику разброса.; Коэффициент вариации приводят, если хотят сравнить разброс в разных по характеру данных. Для публикаций

31 Частотное распределение переменной По ФОРМЕ распределения различаются: 1. По количеству «максимумов» (мод): унимодальное бимодальное мультимодальное обычно возникают, если популяция имеет естественные обособленные подгруппы

32 Частотное распределение переменной 2. По признаку симметрии: Симметричное Скошенное (skewed) вправо (positively) влево negatively По ФОРМЕ распределения различаются:

33 Частотное распределение переменной 3. распределение асимптотическое не асимптотическое По ФОРМЕ распределения различаются:

34 Частотное распределение переменной Нормальное распределение (Гауссово): первое знакомство Унимодальное Симметричное Асимптотическое Высота деревьев, масса тела новорожденных, IQ, скорость прохождения лабиринта крысами и многие, многие другие переменные Это непрерывное распределение Название в честь Гаусса не совсем справедливо – первым его описал вовсе не он. Симметрия и эксцесс.

35 Стандартное отклонение (standard deviation): для нормального распределения = дистанции от среднего значения до каждой из точек перегиба Частотное распределение переменной ss

36 «Площадь распределения» Площадь, которую занимает график распределения, соответствует количеству измерений в выборке. Отрезая часть распределения на графике, мы отделяем эквивалентную часть от выборки частота масса, кг 16% площади распределения ~ 16% объёма выборки

37 Частотное распределение переменной Процентили и z-оценка (standard score) 95% процентиль – значение переменной, левее которого находится 95% значений переменной 95%

38 Частотное распределение переменной Процентили и z-оценка (standard score) Z-оценка (z-scores) – переменная, соответствующая количеству стандартных отклонений от измерения до среднего значения точка перегиба Z-оценка выборка популяция

39 Частотное распределение переменной Площадь нормального распределения Нормальное распределение определяется лишь 2-мя параметрами – μ и σ. Необыкновенное свойство: Относительные площади нормального распределения над одинаковым количеством стандартных отклонений всегда одинаковы!

40 Частотное распределение переменной Площадь нормального распределения Z-оценка (количество стандартных отклонений) Откладывая от среднего значения стандартное отклонение ( в ту или другую сторону ) мы всегда отрезаем строго определённую долю популяции, приблизительно: Пример с IQ (μ=100, σ=15)

41 Частотное распределение переменной Площадь нормального распределения

42

43 Распределение выборочных средних (sampling distribution of the means) Три основные концепции в анализе данных: 1. Что такое РАСПРЕДЕЛЕНИЕ переменной и как его описывать 2. Что такое распределение ВЫБОРОЧНЫХ СРЕДНИХ и как оно связано с распределением переменной 3. Что такое СТАТИСТИКА КРИТЕРИЯ выборка популяция

44 Распределение выборочных средних Что мы можем сказать обо всей ПОПУЛЯЦИИ, если всё, что у нас есть, это лишь ВЫБОРКА из неё? На 1-м курсе института 25 групп по 22 студента. Предположим, средняя масса студента – μ=50 кг, σ = 4 кг, а группы – случайные выборки студентов. Трудно ожидать, что и в каждой группе средняя масса будет 50 кг! Выборки не обязательно должны удовлетворять критериям нормального распределения. Про IQ …..

45 Распределение выборочных средних Мы посчитали средние массы студентов в КАЖДОЙ группе, и теперь построим распределение из этих СРЕДНИХ значений Его среднее будет близко популяционному среднему, и оно будет намного УЖЕ распределения всех студентов, и УЖЕ, чем каждое из распределений выборок Это и будет распределение выборочных средних (sampling distribution of the means) Пример про бутылки с кока-колой

46 Распределение выборочных средних Выборка (группа) Популяция (все студенты) Чтобы уменьшить ошибку среднего, можно либо уменьшить дисперсию, либо увеличить размер выборки! s среднее стандартное отклонение >> Стандартная ошибка среднего (Standard error = SE)

47 Распределение выборочных средних ЦЕНТРАЛЬНАЯ ПРЕДЕЛЬНАЯ ТЕОРЕМА Определяет форму, среднее и разброс в распределении выборочных средних Форма: с увеличение размера выборок (групп) распределение выборочных средних приближается к нормальному распределению (независимо от формы распределения популяции). Среднее: среднее значение в распределении средних равно среднему значению в популяции, т.е., Разброс: распределение выборочных средних Уже распределения популяции на, где n – объём выборки, т.е. Пример с монеткой

48 Распределение выборочных средних Следствие: некоторая величина отклоняется от среднего под воздействием слабых, независимых друг от друга факторов, Поэтому оно так широко распространено в природе! если некоторая величина отклоняется от среднего под воздействием слабых, независимых друг от друга факторов, она имеет нормальное распределение. Поэтому оно так широко распространено в природе!

49 Распределение выборочных средних Масса кролика определяет многими факторами: Генотип – 7 кг Питание – 20 кг Уход и любовь хозяина – 25 кг Внутриутробные условия – 5 кг Качество вскармливания мамой – 8 кг Т.е., масса кролика – среднее по выборке многих гипотетических масс. А массы нескольких кроликов – выборочные средние

50 Распределение выборочных средних У нас есть одна выборка. Из неё мы получили среднее значение Насколько оно близко среднему значению в популяции ( μ )? Мы знаем, что для нормального распределения есть z-оценка, значениям которой соответствуют определённые площади распределения. Но мы также знаем, что выборочные средние образуют нормальное распределение!! Это значит, что, зная среднее в популяции, мы можем рассчитать интервал, в который попадёт выборочное среднее с вероятностью, скажем, в 95% (или 99%). Решим обратную задачу. Пусть нам известно μ, найдём Как оценить популяционное среднее имея выборку?

51 Распределение выборочных средних Z - оценка Z - оценка Вопрос: какая часть ОСОБЕЙ имеет массу больше 55 кг? Другой вопрос: какая часть ВЫБОРОК имеет СРЕДНЮЮ массу больше 55 кг?

52 Оценка параметров популяции на основе свойств выборки Пусть мы изначально знаем среднюю массу студентов 1-го курса и стандартное отклонение в популяции. Как оценить среднюю массу в какой-нибудь группе, не взвешивая студентов? Построим распределение выборочных средних! Вспомним, что оно – нормальное, а его среднее значение соответствует среднему в популяции μ Зная стандартное отклонение в нем (=SE!!) можем рассчитать интервал, в который попадёт 95% (99%) всех средних масс в группах:

53 Оценка параметров популяции на основе свойств выборки 95% доверительный интервал (95% confidence interval): интервал значений переменной, который с вероятностью 95% содержит нужный параметр. Т.е., расстояние от среднего значения в популяции до выборочного среднего для 95% выборок не больше 1.96 SE Вернёмся к исходной задаче: Как оценить среднюю массу в популяции, если нам известно среднее в выборке?? Расстояние от среднего в выборке до (неизвестного) среднего в популяции с вероятностью 95% не больше 1.96 SE cv – critical value, критическое значение статистики (в данном случае, Z) – грубо говоря, вероятность ошибки.

54 Оценка параметров популяции на основе свойств выборки Вопрос: где расположено μ? Ответ: я точно не знаю, но наиболее вероятно – в пределах ± 2-х стандартных ошибок среднего (SE) Чем больше уровень достоверности – 99%, 99,9%... (= доверительный уровень) тем ШИРЕ будет интервал Вопрос: где расположено μ? Ответ: я совершенно уверен, что оно лежит в пределах... от до В примере нам было известно σ, но на практике оно обычно неизвестно!

55 Оценка параметров популяции на основе свойств выборки Мы не знаем стандартное отклонение в популяции, и оцениваем его через стандартное отклонение в выборке – поэтому, доверительный интервал должен быть ШИРЕ, чем при известном σ. Насколько шире? Это будет зависеть от РАЗМЕРА ВЫБОРКИ (от числа степеней свободы df = n-1) df Пояснить про число степеней свободы

56 t-распределение (Стьюдента) df=k При больших (>30) размерах выборок приближается к нормальному

57

58 иногда стандартную ошибку среднего приводят как показатель разброса в выборке (±SE); это не очень корректно, т.к. это характеристика не выборки, а выборки выборочных средних; зато в публикациях нередко используют доверительный интервал (95% CI), ведь он показывает местонахождение популяционного среднего; Для публикаций

59 В чём ошибки?

60 Темы занятий (2015 год) 1. Основные понятия. Описательная статистика 2. Тестирование гипотез в статистике. Критерии Стьюдента 3. Мощность статистического теста. Величина различий (effect size). Формирование выборок для параметрических критериев. 4. Дисперсионный анализ ANOVA 5. Дисперсионный анализ ANOVA (продолжение) 6. Корреляции. Регрессионный анализ 7. Трансформация данных. Непараметрические критерии. 8. Частотный анализ. 9. Основы многомерных методов анализа. Факторный анализ. 10. Дискриминантный анализ. Многомерное шкалирование. Кластерный анализ