Sumarização Estatística 2D: Variáveis Nominais
-
Upload
alexandre-duarte -
Category
Data & Analytics
-
view
189 -
download
2
description
Transcript of Sumarização Estatística 2D: Variáveis Nominais
SUMARIZAÇÃO ESTATÍSTICA (2D)PARTE 2: VARIÁVEIS NOMINAIS
Alexandre Duarte - http://alexandre.ci.ufpb.br/ensino/iad
AGENDA
• Tabelas de Contingência
• Probabilidade Condicional
• Índice de Quetelet
• Coeficiente Chi-Quadrado
TABELA DE CONTINGÊNCIARegião Mulheres Homens Total
Centro-Oeste 1029 2300 3329
Nordeste 1819 3960 5779
Norte 1377 3056 4433
Sudeste 2935 6607 9542
Sul 940 2061 3001
Total 8100 17984 26084
VARIÁVEIS NOMINAIS
Região Sexo
Estado Nível de Instrução
Cargo Estado Civil
Partido Raça
TABELA DE CONTINGÊNCIA: CO-OCORRÊNCIAS
Raça Centro-Oeste
Nordeste Norte Sudeste Sul Total
Amarela 6 29 26 58 0 119
Branca 1828 2466 1416 5987 2630 14327
Indígena 15 21 30 14 4 84
Parda 1215 2662 2582 2481 198 9138
Preta 265 601 379 1002 169 2416
Total 3329 5779 4433 9542 3001 26084
TABELA DE CONTINGÊNCIA: CO-OCORRÊNCIAS
Frequências marginais: soma das linhas = Frequência por Região (Re) soma das colunas = Frequência da Raça (Ra)
CONTINGÊNCIA RELATIVA
Frequência relativa: proporção entre o número de entidades em uma célula e total de entidades
Raça Centro-Oeste
Nordeste Norte Sudeste Sul Total
Amarela 0.000 0.001 0.001 0.002 0.000 0.005
Branca 0.070 0.095 0.054 0.230 0.101 0.549
Indígena 0.001 0.001 0.001 0.001 0.000 0.003
Parda 0.047 0.102 0.099 0.095 0.008 0.350
Preta 0.010 0.023 0.015 0.038 0.006 0.093
Total 0.128 0.222 0.170 0.366 0.115 1
PROBABILIDADE CONDICIONAL
Probabilidade condicional p(Ra/Re): probabilidade do candidato ser da raça Ra dado que ele é da Região Re
Raça Centro-Oeste
Nordeste Norte Sudeste Sul Total
Amarela 6/3329 29/5779 26/4433 58/9542 0/3001 119
Branca 1828/3329 2466/5779 1416/4433 5987/9542 2630/3001 14327
Indígena 15/3329 21/5779 30/4433 14/9542 4/3001 84
Parda 1215/3329 2662/5779 2582/4433 2481/9542 198/3001 9138
Preta 265/3329 601/5779 379/4433 1002/9542 169/3001 2416
Total 3329 5779 4433 9542 3001 26084
PROBABILIDADE CONDICIONAL
As células em destaque são indicativas, especialmente p(Branca/Sul)
Raça Centro-Oeste
Nordeste Norte Sudeste Sul Total
Amarela 0.002 0.005 0.006 0.006 0.000 119
Branca 0.549 0.427 0.319 0.627 0.876 14327
Indígena 0.005 0.004 0.007 0.001 0.001 84
Parda 0.365 0.461 0.582 0.260 0.066 9138
Preta 0.080 0.104 0.085 0.105 0.056 2416
Total 3329 5779 4433 9542 3001 26084
CUIDADO!
Porém, é preciso tomar cuidado com conclusões precipitadas! P(Branca) = 0.549!
Raça Centro-Oeste
Nordeste Norte Sudeste Sul Total
Amarela 0.002 0.005 0.006 0.006 0.000 119
Branca 0.549 0.427 0.319 0.627 0.876 14327
Indígena 0.005 0.004 0.007 0.001 0.001 84
Parda 0.365 0.461 0.582 0.260 0.066 9138
Preta 0.080 0.104 0.085 0.105 0.056 2416
Total 3329 5779 4433 9542 3001 26084
ÍNDICE DE QUETELET
• Em casos como este, a probabilidade condicional pode não ser a melhor forma de analisar os dados
• Existe uma característica mais sensível: Índice de Quetelet!
ÍNDICE DE QUETELET
• Permite medir a alteração na frequência relativa de Ra a partir da média de Re
• q(Ra/Re) = [p(Ra/Re) - P(Ra)] / p(Ra)
ÍNDICE DE QUETELET
• Condicional: p(Branca, CO) = 0.549 > p(Indígena, CO) = 0.005
• Quetelet: q(Branca, CO) = (0.549 - 0.549) / 0.549 = 0 <
q(Indígena, CO) = (0.005 - 0.003) / 0.003 = 0.399
Raça CO NE NO SE SU P
Branca 0.549 0.427 0.319 0.627 0.876 0.549
Indígena 0.005 0.004 0.007 0.001 0.001 0.003
Total 3329 5779 4433 9542 3001 26084
ÍNDICE DE QUETELETRaça Centro-
OesteNordeste Norte Sudeste Sul P(Re)
Amarela -60% 10% 29% 33% -100% 0.005
Branca 0% -22% -42% 14% 60% 0.549
Indígena 40% 13% 110% -54% -59% 0.003
Parda 4% 31% 66% -26% -81% 0.350
Preta -14% 12% -8% 13% -39% 0.093
Um candidato ser da raça Branca na região Sul é 60% mais provável do que ele ser da raça Branca se considerarmos todo o país.
COEFICIENTE CHI-QUADRADORaça Centro-
OesteNordeste Norte Sudeste Sul Total
Amarela 6 29 26 58 0 119
Branca 1828 2466 1416 5987 2630 14327
Indígena 15 21 30 14 4 84
Parda 1215 2662 2582 2481 198 9138
Preta 265 601 379 1002 169 2416
Total 3329 5779 4433 9542 3001 26084
linha e coluna marginal
CONTINGÊNCIA RELATIVA
Dividindo tudo por N
Raça Centro-Oeste
Nordeste Norte Sudeste Sul Total
Amarela 0.000 0.001 0.001 0.002 0.000 0.005
Branca 0.070 0.095 0.054 0.230 0.101 0.549
Indígena 0.001 0.001 0.001 0.001 0.000 0.003
Parda 0.047 0.102 0.099 0.095 0.008 0.350
Preta 0.010 0.023 0.015 0.038 0.006 0.093
Total 0.128 0.222 0.170 0.366 0.115 1
CONTINGÊNCIA RELATIVA
Karl Pearson (1867-1936): Teste de independência entre duas variáveis
Raça Centro-Oeste
Nordeste Norte Sudeste Sul Total
Amarela 0.000 0.001 0.001 0.002 0.000 0.005
Branca 0.070 0.095 0.054 0.230 0.101 0.549
Indígena 0.001 0.001 0.001 0.001 0.000 0.003
Parda 0.047 0.102 0.099 0.095 0.008 0.350
Preta 0.010 0.023 0.015 0.038 0.006 0.093
Total 0.128 0.222 0.170 0.366 0.115 1
COEFICIENTE CHI-QUADRADO
• Duas variáveis são independente se e somente se, para qualquer k e l :
• p(Hk ∩ Gl) = p(Hk)p(Gl)
• p(Hk): coluna marginal
• p(Gl) linha marginal
COEFICIENTE CHI-QUADRADO
• Vamos checar se p(S ∩ Branca) = P(s)P(Branca) 0.101 0.115 * 0.549 = 0.063
• A diferença 0.101 - 0.063 = 0.038, moderada, indica que ser da raça branca e da região sul do país ocorre mais frequentemente do que ocorreria se as variáveis fossem independentes: uma relação positiva
Raça CO NE NO SE S TotalAmarela 0.000 0.001 0.001 0.002 0.000 0.005Branca 0.070 0.095 0.054 0.230 0.101 0.549
Indígena 0.001 0.001 0.001 0.001 0.000 0.003Parda 0.047 0.102 0.099 0.095 0.008 0.350Preta 0.010 0.023 0.015 0.038 0.006 0.093Total 0.128 0.222 0.170 0.366 0.115 1
Raça CO NE NO SE S
Amarela 0.000 0.001 0.001 0.002 0.000Branca 0.070 0.095 0.054 0.230 0.101
Indígena 0.001 0.001 0.001 0.001 0.000Parda 0.047 0.102 0.099 0.095 0.008Preta 0.010 0.023 0.015 0.038 0.006
Raça CO NE NO SE S
Amarela 0.001 0.001 0.001 0.002 0.001Branca 0.070 0.122 0.093 0.201 0.063
Indígena 0.000 0.001 0.001 0.001 0.000Parda 0.045 0.078 0.060 0.128 0.040Preta 0.012 0.021 0.016 0.034 0.011
p(Região ∩ Raça)
p(Região)p(Raça)
Correlação fraca: apenas 3 valores diferem em cerca de 0.04
COEFICIENTE CHI-QUADRADO• O coeficiente Chi-Quadrado de Pearson mede a
diferença entre o valor medido e o valor esperado na hipótese de independência utilizando a seguinte expressão:
X 2 = (p(Hk∩Gl)− p(Hk)p(Gl))2
p(Hk)p(Gl);l=1
L∑k=1
K∑
COEFICIENTE CHI-QUADRADO
• Por que X2?
• Pearson: Na hipótese das variáveis serem independentes na população e de que a amostra tenha sido coletada de forma aleatória, a função de densidade de probabilidade NX2 tende a seguir uma distribuição χ2 com f=(K-1)(L-1) graus de liberdade
COEFICIENTE CHI-QUADRADO• Aplicando ao nosso caso, temos K=5 e L=5, portanto f = 16.
• Com f = 16, na hipótese de independência das variáveis, há 1% de chance de o valor NX2 ser maior do que 32
• No nosso caso X2 = 0.122962 , N = 26084, portanto, NX2 = 3207.3
• Portanto, podemos rejeitar com 99% de confiança a hipótese da independência.
• Se tivéssemos apenas 250 candidatos não seria possível rejeitar a hipótese da independência entre as variáveis
Raça CO NE NO SE S
Amarela 0.000 0.001 0.001 0.002 0.000Branca 0.070 0.095 0.054 0.230 0.101
Indígena 0.001 0.001 0.001 0.001 0.000Parda 0.047 0.102 0.099 0.095 0.008Preta 0.010 0.023 0.015 0.038 0.006
Raça CO NE NO SE S
Amarela 0.001 0.001 0.001 0.002 0.001Branca 0.070 0.122 0.093 0.201 0.063
Indígena 0.000 0.001 0.001 0.001 0.000Parda 0.045 0.078 0.060 0.128 0.040Preta 0.012 0.021 0.016 0.034 0.011
Não se recomenda utilizar o Chi-Quadrado como medida para a associação entre duas variáveis.