Indici di eterogeneità e di concentrazione

Transcript

1 Indici di eterogeneità e di concentrazione Dario Malchiodi e Anna Maria Zanaboni 31 ottobre Indici di eterogeneità Nel caso di variabili qualitative nominali la varianza e gli altri indici da essa derivati non si possono calcolare (infatti non sono calcolabili la media né la mediana né altri valori numerici di riferimento dai quali calcolare le distanze). È comunque necessario avere un indice che misuri la dispersione della distribuzione delle frequenze, detta eterogeneità. In particolare diremo che una variabile si distribuisce in modo eterogeneo se ogni suo valore si presenta con la stessa frequenza. 1.1 Indice di eterogeneità di Gini Definition 1.1 (Indice di Gini). Dato un campione {x 1,..., x n } in cui occorrono i valori distinti v 1,..., v s e indicando con f i la frequenza relativa dell elemento v i per i = 1,..., s, la quantità I = 1 è detta indice di eterogeneità di Gini. Si noti che: 0 I < 1, in quanto: s fi 2 (1) per almeno un j si ha f 2 j > 0 e quindi f 2 i > 0, il che implica I < 1; per ogni i si ha f 2 i f i essendo 0 f i 1 (si veda anche la Figura 1), e dunque f 2 i f i = 1, il che implica I 0; in caso di eterogeneità minima (o massima omogeneità), tutti gli elementi del campione assumono lo stesso valore, dunque esiste un solo j per cui f j = 1 e per ogni i j si ha f i = 0, pertanto I = 1 1 = 0; in caso di eterogeneità massima tutte le osservazioni hanno invece la medesima frequenza f i = 1 s, e quindi I = 1 1 s = s 1 s. 1

2 Figura 1: Il grafico delle funzioni x x e x x 2 mette in evidenza che per x [0, 1] vale x x Figura 2: Grafico dell andamento dell indice di Gini per campioni contenenti due dfferenti valori. Nel caso in cui si voglia operare con un indice che assuma valori tra 0 e 1, è possibile dividere l espressione (1) per il valore massimo s 1 s, ottenendo il cosiddetto indice di Gini normalizzato: I = s I s 1 Le Figure 2 e 3 evidenziano come non solo l indice di Gini assuma valori minimo e massimo rispettivamente in corrispondenza delle situazioni di minima e massima eterogeneità nel campione, ma effettivamente si abbia una crescita graduale del valore dell indice man mano che l eterogeneità nel campione aumenta, seguita da una sua riduzione man mano che l eterogeneità ritorna a diminuire. In altre parole, questo indice cattura effettivamente il concetto di eterogeneità traducendolo in una quantità numerica. Example 1.1. Si consideri la Tabella 1, che riporta la tabella delle frequenze assolute del tipo di scuola secondaria frequentata dagli studenti che si sono immatricolati a un corso di laurea in Informatica nel Il numero di osservazioni nel campione si ottiene sommando i valori nella seconda colonna della (2) 2

3 Figura 3: Andamento dell indice di Gini per campioni contenenti tre differenti valori, espresso tramite (a) curve di livello in cui colori più scuri corrispondono a valori più alti, e (b) grafico tridimensionale. tabella e ottenendo 191. Pertanto l indice di Gini per i dati riportati è pari a I = ( ) 0.76 (3) Il numero di diverse osservazioni nel campione è uguale al numero di righe della tabella, e cioè 11, così che l indice di Gini normalizzato assume il valore 1.2 Entropia I = 11 I 0.84 (4) 10 Definition 1.2 (Indice di entropia). Dato un campione {x 1,..., x n } in cui occorrono i valori distinti v 1,..., v s e indicando con f i la frequenza relativa dell elemento v i per i = 1,..., s, la quantità H = s f i log 1 = f i è detta indice di entropia del campione. Si noti che valgono le seguenti osservazioni. s f i log f i (5) La funzione p log 1 p è detta autoinformazione, e il suo andamento in (0, 1] è quello illustrato in Figura 4(a). In particolare la funzione vale 0 quando p = 1 e tende a infinito per p che tende a 0. 3

4 Tipo di scuola Frequenza assoluta Altra scuola secondaria 3 Istituto magistrale 2 Istituto professionale commerciale 4 Istituto professionale industriale 8 Istituto tecnico (altri) 8 Istituto tecnico commerciale 34 Istituto tecnico industriale 58 Liceo classico 8 Liceo linguistico 1 Liceo scientifico 62 Titolo straniero 3 Tabella 1: Distribuzione dei titoli di studio conseguiti dagli studenti immatricolati a un corso di laurea in Informatica nel Se il logaritmo è in base 2 allora l autoinformazione si misura in bit. Il grafico dell andamento di un generico addendo in (5) è illustrato in??, che evidenzia come si possa estenderne la definizione anche per f i = 0, ponendola uguale a 1. Per ogni i vale f i log f i 0, dunque H 0. Per ogni i vale f i log f i = 0 se e solo se f i = 0 oppure f i = 1, pertanto H = 0 se e solo se ci si trova in condizione di massima omogeneità (e cioè tutti gli elementi del campione assumono lo stesso valore). In caso invece di massima eterogeneità si avrà f i = 1 s e quindi H = log s, e si può dimostrare che in tal caso l entropia assume il valore massimo. Sulla base del punto precedente si può definire l indice di entropia normalizzato H = H (6) log s i cui valori variano tra 0 e 1. Analogamente a quanto visto per l indice di Gini, le Figure 5 e 6 mettono in evidenza che anche l entropia è un buon indice per valutare l eterogeneità in un campione: il suo valore tende ad aumentare all aumentare dell eterogeneità e a diminuire al diminuire di quest ultima. 4

5 (a) (b) Figura 4: I grafici (a) della funzione di autoinformazione e (b) di un generico addendo in (5) al variare in (0, 1] di f i Figura 5: Grafico dell andamento dell entropia per campioni contenenti due dfferenti valori. Figura 6: Andamento dell entropia per campioni contenenti tre differenti valori, espresso tramite (a) curve di livello in cui colori più scuri corrispondono a valori più alti, e (b) grafico tridimensionale. 5

6 Example 1.2. Si considerino nuovamente i dati in Tabella 1. Per essi l indice di entropia assume il valore H = L indice normalizzato assume invece il valore H = 2 Indici di concentrazione (7) 191 H 0.72 (8) log 2 11 In presenza di variabili che rappresentano beni condivisibili in una popolazione, come per esempio la ricchezza, ci si può chiedere quanto la variabile sia equamente distribuita tra gli individui della popolazione, oppure quanto sia concentrata solo su un numero ridotto di osservazioni. Questo concetto è diverso dalla varianza, che misura la dispersione dei valori intorno a un valore medio. Date n osservazioni, indichiamo con x 1,..., x n il loro elenco una volta che queste sono state ordinate. Successivamente calcoliamone il valore medio x = 1 n n x i (9) e sommiamole, ottenendo TOT = n x = n x i. Possiamo avere due situazioni estreme: a) in caso di concentrazione minima tutti gli elementi del campione assumono lo stesso valore: x 1 = x 2 = = x n = x; in caso di concentrazione massima tutti gli elementi del campione assumono il valore 0, a parte uno: x 1 = x 2 = = x n 1 = 0 e x n = n x. In generale allora ci può interessare valutare un indice di concentrazione, che valga 0 oppure 1 nei casi rispettivamente di concentrazione minima e massima, e che sia negli altri casi sia un valore crescente in funzione della concentrazione. Consideriamo: la frequenza relativa cumulata fino all i-esima osservazione: F i = i n, per i = 1,..., n, e la quantità relativa cumulata fino all i-esima osservazione: Q i = Si verifica facilmente che i k=1 x k TOT. 6

7 0 F i 1 e 0 Q i 1; Q i F i dal momento che le osservazioni sono state ordinate in modo crescente; Q i = F i nel caso di concentrazione minima; Q n = F n. Per i = 1,..., n le coppie (F i, Q i ) indicano che il 100F i % della popolazione detiene il 100Q i % della quantità considerata. Se si considerano i punti sul piano che sono identificati da queste coppie: nel caso di concentrazione minima tutti i punti (F i, Q i ) giacciono sulla retta F = Q: possiamo dunque dire che in questo caso F i Q i = 0 per ogni i; nel caso di concentrazione massima i punti (F i, Q i ) per i = 1,..., n 1 giacciono sulla retta Q = 0, tranne l ultimo per cui F n = Q n = 1: dunque in questo caso F i Q i = F i per i = 1,..., n 1 e F n Q n = 0. Nei casi intermedi si avrà dunque che i punti staranno su una curva sotto la retta F = Q, dato che Q i F i, e più tale curva si allontana dalla retta, più la concentrazione è alta. L area compresa tra la curva dei punti (F i, Q i ) e la retta di equidistribuzione (la retta a 45 ) è detta area di concentrazione e può essere utilizzata come base per la definizione di appositi rapporti di concentrazione, di cui l indice di Gini costituisce un esempio. Maggiore infatti è la concentrazione osservata, maggiore sarà tale area. Definition 2.1 (Indice di concentrazione Gini). Si definisce indice di concentrazione (o coefficiente) di Gini il rapporto G = n 1 F i Q i n 1 F i (10) tra la quantità e il suo valore massimo n 1 F i Q i n 1 F i = 1 n 1 i = 1 (n 1)n (n 1) = n n 2 2 (11) Per quanto appena visto, 0 G 1, e 7

8 G = 2 n 1 n 1 F i Q i Example 2.1 (Fonte: ISTAT). Nel 2012, le famiglie residenti in Italia hanno percepito un reddito disponibile netto pari in media a euro; tuttavia la metà dellefamiglie residenti in Italia ha percepito, nel 2012, un reddito netto non superiore a euro l anno. Il 20% più ricco delle famiglie residenti in Italia percepisce il 37, 7% del reddito totale, mentre al 20% pi povero spetta il 7, 9%. La disuguaglianza misurata dall indice di Gini (pari allo 0, 32 a livello nazionale) mostra un valore pi elevato nel Mezzogiorno (0, 34), inferiore nel Centro (0, 31) e nel Nord (0, 29). 8