IT

Calcolatore di statistica descrittiva

Incolla una serie di dati e ottieni in un colpo tutti gli indicatori che la riassumono: dove sta il centro (media, mediana, moda) e come i dati si disperdono attorno ad esso (campo di variazione, deviazione standard, quartili). Ideale per voti, misure, rilevazioni o un insieme di dati da descrivere in fretta.

Separa i numeri con spazi, a capo o punti e virgola (è tollerata anche una virgola tra i valori). La deviazione standard è mostrata in versione popolazione (÷ n) e campione (÷ n − 1).

La tua serie

Valori

Esempio: 12 15 15 18 20 22 25 27 30 41. Virgola o punto decimale accettati.

Risultato

  • Media 22,500
Numerosità n 10
Somma 225,000
Media (aritmetica) 22,500
Mediana (Q2) 21,000
Moda 15,000 (×2)
Minimo 12,000
Massimo 41,000
Campo di variazione (max − min) 29,000
1° quartile Q1 15,750
3° quartile Q3 26,500
Scarto interquartile (Q3 − Q1) 10,750
Varianza (popolazione, ÷n) 67,450
Deviazione standard (popolazione, σ) 8,213
Varianza (campione, ÷n−1) 74,944
Deviazione standard (campione, s) 8,657
Coefficiente di variazione 36,50 %

media = (Σxᵢ) / n · σ = √[ Σ(xᵢ − media)² / n ]

Tre idee di centro: media, mediana, moda

Una serie di numeri, da sola, è un mucchio. Prima di qualsiasi grafico si cerca un valore «tipico». Tre risposte, tre mestieri: non sono sinonimi, e scegliere quella sbagliata racconta una storia che i dati non hanno mai detto.

La media aritmetica è la somma divisa per la numerosità n. La conoscete tutti, è quella del registro, quella del «tanto al chilo». Resta che un solo estremo la trascina: nella serie di esempio 12 15 15 18 20 22 25 27 30 41 la media vale 22,5, perché quel 41 tira verso l'alto. Togliete il 41 e scende a 20,4. Per capirci: la media sente ogni grammo della serie, anche quello che non assomiglia agli altri.

media = (Σ xᵢ) / n

La mediana è il valore che taglia a metà la serie già ordinata. Con n dispari è il termine centrale; con n pari si prende la media dei due di mezzo. Qui 20 e 22, quindi 21. Un 41 o un 410 non la spostano di un millimetro. Su stipendi, prezzi delle case, tempi di attesa si guarda lei, non la media: è robusta, nel senso preciso che un valore anomalo non la compra.

La moda è il valore più frequente. Qui 15 compare due volte, gli altri una: moda 15. Se tutti i numeri sono distinti, moda non c'è — e il calcolatore lo scrive. Su dati categorici (colore, tipo di contratto, voto in lettere) è spesso l'unica misura di centro che abbia senso: una «media» del rosso e del blu non esiste.

Quanto i dati si spargono: campo, σ, quartili

Un centro senza dispersione è una mezza informazione. Due classi possono avere media 24: una è piatta intorno al 24, l'altra ha un 10 e un 38. Il «dove» è lo stesso. Il «come» no.

  • Campo di variazione — massimo meno minimo. Qui 41 − 12 = 29. Veloce da calcolare, e dipende solo dai due estremi: un refuso a 410 lo fa esplodere, il resto della serie non conta.
  • Varianza e deviazione standard — distanza quadratica media dalla media. La deviazione standard è la radice della varianza, nella stessa unità dei dati. Piccola: valori ammucchiati. Grande: valori sparsi. In pratica è lei che entra nella distribuzione normale come σ della campana.
  • Quartili — Q1, Q2 (la mediana) e Q3 tagliano la serie ordinata in quattro quarti. Lo scarto interquartile (Q3 − Q1) è la larghezza della metà centrale: sordo agli estremi, a differenza del campo.
  • Coefficiente di variazione — deviazione standard rapportata al valore assoluto della media, in percentuale. Serve a confrontare scale diverse: voti su trenta e tempi in minuti non si parlano in σ nuda, si parlano in CV.

σ = √[ Σ(xᵢ − media)² / n ]  ·  IQR = Q3 − Q1  ·  CV = σ / |media|

Detto altrimenti: se vi chiedono «quanto è sparsa questa serie?» e rispondete solo col campo, avete descritto due punti. σ e IQR descrivono il mucchio.

Popolazione o campione: n oppure n − 1

Due denominatori, due domande. Se i numeri sono tutta la popolazione che vi interessa — i venti alunni della sezione B, i dodici pezzi del lotto di ieri — la varianza si divide per n. Se sono un campione con cui stimare una popolazione più ampia, si divide per n − 1: è la correzione di Bessel. Senza di essa la varianza campionaria è distorta verso il basso, e su n piccoli lo si sente.

s² = Σ(xᵢ − media)² / (n − 1)  ·  σ² = Σ(xᵢ − media)² / n

Alla maturità e nei licei lo scarto quadratico medio è quasi sempre quello con ÷ n: avete tutti i dati del problema, non state stimando nulla. Lo scarto «corretto», o deviazione standard campionaria, arriva quando il testo dice campione. A scanso di equivoci, questa pagina le stampa entrambe: confrontate il denominatore prima di incollare un numero in una relazione.

Excel, in italiano, chiama DEV.ST.POP la versione ÷ n e DEV.ST.CAMP quella ÷ (n − 1). R fa il contrario del liceo: sd() e var() dividono per n − 1, sempre. Numpy, tra parentesi, fa np.std con ddof=0 (popolazione) a meno che non gli diciate altrimenti; Pandas divide per n − 1. Stesso elenco di voti, tre programmi, tre σ. Niente di magico: è la convenzione del denominatore, non un arrotondamento.

Quartili: quale convenzione sta dietro Q1 e Q3

Non esiste il quartile. Esistono ricette. Questa pagina usa l'interpolazione lineare (metodo R-7): la stessa di Excel QUARTILE.INC, di PERCENTILE.INC e del default di numpy. Su n = 10 la posizione di Q1 cade tra due osservazioni, e si interpola.

Altre ricette danno numeri diversi, soprattutto su serie corte. Il metodo «esclusivo» di Excel (QUARTILE.ESC) scarta i due estremi prima di tagliare. I cardini di Tukey, quelli del box plot originale, mediavano coppie di valori vicini. R offre nove type in quantile(). Su migliaia di dati le differenze si perdono nel rumore. Su dieci voti, no.

Se un compagno o un software vi restituisce Q1/Q3 un po' diversi dai nostri, non è detto che uno dei due abbia sbagliato il conto. Chiedete la convenzione. Su una serie piccola due ricette oneste divergono; su una serie lunga finiscono per coincidere.

Va da sé: la mediana (Q2) è assai più stabile da una ricetta all'altra. Se vi serve un solo numero robusto e non volete litigarvi i quartili, è lei.

Perché l'ISTAT pubblica insieme media e mediana

Ogni tanto un titolo di giornale: «il reddito medio delle famiglie italiane è…». Il comunicato ISTAT, se lo aprite, mette accanto la mediana. Non è un vezzo da statistici. Il reddito è storto: molte famiglie intorno a un valore, una coda lunga a destra fatta di redditi alti. La media sente quella coda. La mediana no.

A occhio, in Italia, la mediana del reddito familiare sta sotto la media, e lo scarto tra le due è già un indizio di disuguaglianza. Se la coda dei redditi alti si allunga, la media sale e la mediana resta quasi ferma: «si sta meglio» secondo l'una, non secondo l'altra. L'ISTAT le stampa tutte e due proprio perché una sola mentirebbe.

Lo stesso schema vale per i prezzi delle case, i tempi di attesa al pronto soccorso, le dimensioni delle imprese. Dovunque la distribuzione abbia una coda, media e mediana si separano. In fondo è la lezione della serie di esempio: 22,5 contro 21, e il colpevole è un solo 41.

Sul serio, prima di citare «la media» di un fenomeno sociale, chiedetevi se la mediana racconta un paese diverso. Spesso sì.

La recinzione 1,5 × IQR: chi è un valore anomalo

Un valore è «anomalo»? A sentimento, no. Tukey ha proposto una recinzione che non ha bisogno della campana, solo dei quartili.

recinto = [ Q1 − 1,5 × IQR  ; Q3 + 1,5 × IQR ]

Chi cade fuori è un candidato anomalo. Con 3 × IQR si parla di anomalo estremo. Tanto per dire, sulla serie di esempio Q1 = 15,75, Q3 = 26,5, IQR = 10,75. Il recinto va da circa −0,4 a 42,6. Il 41 sta dentro. Sostituitelo con 50 e diventa un anomalo: il recinto non è cambiato di molto, il 50 sì.

A conti fatti la regola è un faro, non un tribunale. Su dati gaussiani pochi punti finiscono oltre 1,5 × IQR (qualche percentuale). Su redditi, tempi di download, importi di polizza, la coda è la sostanza del fenomeno: etichettare come «errore» il 5 % più ricco è un modo elegante di cancellare il tema. Controllate il punto (unità di misura, refuso, vero estremo) prima di buttarlo.

Media ponderata: crediti, panieri, voti che non pesano uguale

Questa pagina fa la media semplice: ogni numero vale 1. Nel mondo reale non è sempre così. Tre CFU di un esame da 6 e tre CFU di uno da 12 non pesano uguale sulla media di laurea. Un paniere ISTAT dà più peso al pane che alle olive. Un indice di borsa pesa le società per capitalizzazione.

media ponderata = (Σ wᵢ xᵢ) / (Σ wᵢ)

I pesi wᵢ sono crediti, quote, superfici, durate — quello che il problema chiama «importanza». Se tutti i wᵢ sono uguali, si ricade sulla media aritmetica. D'altronde una media di maturità calcolata «somma dei voti su numero di materie» ignora che italiano e scienze motorie non occupano le stesse ore: è una scelta, non una legge.

Il calcolatore non chiede i pesi. Se vi servono, costruite a mano i prodotti w·x, sommate, dividete. Oppure ripetete il valore tante volte quanto vale il suo peso (due volte il 28 se vale il doppio): è lo stesso conto, più rozzo, e la mediana ne risente in un altro modo.

Il box plot: cinque numeri e una scatola

Minimo, Q1, mediana, Q3, massimo: i cinque numeri di Tukey. Il diagramma a scatola e baffi (box plot) li disegna. La scatola va da Q1 a Q3, una riga in mezzo per la mediana, i baffi verso gli estremi — o, più spesso, fino all'ultimo punto ancora dentro la recinzione 1,5 × IQR, con gli anomali a parte, come puntini.

Insomma, è il riassunto visivo di questa pagina. Una scatola stretta: metà dei dati in poco spazio. Una mediana spostata verso Q1: coda a destra, proprio il caso dei redditi. Due box plot affiancati dicono in un colpo se una sezione è più dispersa dell'altra, senza una riga di commento.

Non sostituisce l'istogramma. Due serie possono avere gli stessi cinque numeri e forme diverse (un bimodale ben nascosto, per esempio). Il box plot è il biglietto da visita. L'istogramma è la faccia. Per un primo sguardo sui numeri che avete incollato sopra, i cinque numeri bastano; se la moda è doppia, andate a vedere il mucchio.

Calcolatrici correlate