Uncategorized

Dove si concentrano i dati? Gli indici di posizione.

Immagina di avere davanti a te i valori della pressione sistolica di cento pazienti. Dove guardare? Da dove cominciare a capire cosa dicono questi cento numeri? La prima cosa che chiunque fa, istintivamente, è cercare il centro , ossia quel valore attorno a cui i dati sembrano gravitare. Dunque, il primo istintivo passo è cercare la risposta alla domanda: “ma in media, come stanno questi pazienti in relazione alla pressione sistolica?”

Questa ricerca del centro è il cuore della prima famiglia di strumenti quantitativi della statistica descrittiva: gli indici di posizione, anche chiamati indici di tendenza centrale. Esistono in diverse varianti — media aritmetica, geometrica, armonica, mediana, moda — e ciascuna variante risponde alla stessa domanda in modo diverso, con sensibilità diverse, in contesti diversi. Scegliere la variante corretta non è solo un dettaglio tecnico; una scelta errata produce numeri che sembrano corretti ma raccontano una storia distorta.

Prima di entrare negli strumenti, però, una premessa importante. Le misure che vedremo si applicano esclusivamente a variabili quantitative — altezza, peso, pressione arteriosa, glicemia, tempo di sopravvivenza. Su variabili qualitative nominali come il gruppo sanguigno o la diagnosi queste operazioni non hanno senso concettuale prima ancora che matematico. Non si calcola la media del gruppo sanguigno. L’unica eccezione, come vedremo, è la moda — la sola misura di tendenza centrale che funziona anche con le variabili qualitative.

Media aritmetica

La prima e più famosa misura di tendenza centrale è la media aritmetica — la misura più nota, più usata, e spesso più abusata dell’intera statistica. Il suo calcolo è di una semplicità disarmante: si sommano tutti i valori della variabile quantitativa e si divide per il numero totale di osservazioni. Se la variabile è composta da n osservazioni, che indichiamo con x1,x2,…,xnx_1, x_2, \dots,x_n , la formula è:

x‾=(x1+x2+⋯+xn)n\bar{x}=\frac{(x_1+x_2+\dots+x_n)}{n}

Dietro questa formula così elementare si nasconde una proprietà che, la prima volta che la si scopre, fa quasi l’effetto di un trucco di magia. Immagina cinque pazienti con pressione sistolica di 110, 115, 120, 125 e 130 mmHg. La media è 120 mmHg. Ora calcola la differenza tra ciascun valore e questa media — queste differenze si chiamano scarti. Il primo paziente è 10 punti sotto la media (110 − 120 = −10), il secondo è 5 sotto (−5), il terzo è esattamente sulla media (scarto zero), il quarto è 5 sopra (+5), il quinto è 10 sopra (+10). Somma tutti gli scarti: −10 − 5 + 0 + 5 + 10 = 0.

Sarà un caso? No, nulla di casuale. Prova con qualsiasi altro insieme di numeri — con qualsiasi variabile quantitativa del tuo dataset — e il risultato è sempre zero. Sempre. Questo accade perché i valori che stanno sopra la media e quelli che stanno sotto si bilanciano sempre perfettamente, come bambini su un’altalena in cui la media è il fulcro.

La media è il centro di gravità della distribuzione: se i dati fossero pesi posizionati lungo una bilancia, la media è esattamente il punto in cui la bilancia rimane in equilibrio.

La media ha tuttavia un limite che non va mai dimenticato: è sensibile agli outlier. Se in un campione di dieci pazienti nove hanno una pressione sistolica tra 115 e 130 mmHg e uno ha 220 mmHg, la media risultante sarà molto più alta di quella che rappresenta davvero il gruppo. Un solo valore estremo trascina la media verso di sé — e nessuna formula può accorgersene da sola. L’unica protezione è guardare prima i dati: osservare l’istogramma, verificare se ci sono valori anomali, capire la forma della distribuzione prima di fidarsi di qualsiasi media.

Media geometrica

La media aritmetica non è l’unica media che esiste — è solo la più famosa. Esistono altre tipologie di medie, ciascuna nata per rispondere a una domanda specifica su un tipo specifico di dati. La prima delle medie poco note che incontriamo è la media geometrica.

Immagina di dover descrivere la crescita di un tumore nel corso di tre mesi. Nel primo mese la massa raddoppia — fattore di crescita 2. Nel secondo triplica — fattore 3. Nel terzo rimane stabile — fattore 1. Qual è il fattore di crescita medio mensile? L’istinto suggerisce di fare la media aritmetica: (2 + 3 + 1) / 3 = 2. Giusto no?

Ma aspetta, ragioniamoci un attimo: se il tumore crescesse davvero di un fattore 2 ogni mese per tre mesi, la crescita complessiva sarebbe 2 × 2 × 2 = 8. La realtà però è diversa — la crescita effettiva è 2 × 3 × 1 = 6. La media aritmetica ha dunque sbagliato la risposta. Il problema nasce dal fatto che i fattori di crescita tumorale non si sommano, ma si moltiplicano. E quando i dati hanno questa struttura moltiplicativa, la misura appropriata è la media geometrica:

G‾=x1⋅x2⋅⋯⋅xnn\bar{G}=\sqrt[n]{x_1 \cdot x_2 \cdot \dots \cdot x_n}

Nel nostro caso: la radice cubica di (2 × 3 × 1) = radice cubica di 6 ≈ 1.82. Questo è il fattore di crescita mensile che, applicato tre volte — 1.82 × 1.82 × 1.82 — produce circa 6. La media geometrica ha trovato la risposta corretta perché rispetta la natura moltiplicativa del fenomeno.

Questo tipo di media si usa ogni volta che i dati crescono o si riducono per fattori — tassi di crescita batterica, rendimenti finanziari composti, concentrazioni di farmaci su scala logaritmica. Ha tuttavia un limite pratico importante: non è definita se uno qualsiasi dei valori è zero o negativo. Il motivo è intuitivo: se anche un solo valore fosse zero, il prodotto dell’intera sequenza sarebbe zero — e la radice di zero è zero, indipendentemente da tutti gli altri valori. Un singolo dato azzererebbe dunque l’intera misura.

Nella pratica statistica questo limite si aggira con un passaggio elegante: invece di lavorare direttamente sui valori originali, si trasformano prima in logaritmi, se ne calcola la media aritmetica nel modo consueto, e poi si riporta il risultato alla scala originale con l’esponenziale:

G‾=e(log⁡x1+log⁡x2+⋯+log⁡xnn)\bar{G} = e^{\left( \frac{\log x_1 + \log x_2 + \dots + \log x_n}{n} \right)}

È la stessa cosa espressa in modo diverso — matematicamente equivalente alla radice n-esima del prodotto, ma molto più gestibile su dataset grandi e direttamente implementabile in qualsiasi software statistico. Il logaritmo trasforma una struttura moltiplicativa in una additiva, e la media aritmetica fa il suo lavoro consueto. L’esponenziale finale riporta tutto alla scala originale. Tre passaggi, stesso risultato.

Media armonica

La terza media che incontriamo è la meno intuitiva delle tre — e proprio per questo la più sorprendente quando si capisce perché esiste. Si chiama media armonica e nasce per rispondere a una domanda precisa: cosa succede quando la stessa “cosa” viene misurata a velocità diverse, o la stessa dose viene somministrata in tempi diversi? In questi casi, fare la media aritmetica delle velocità o dei tempi produce un risultato sbagliato — non per un errore di calcolo, ma per un errore concettuale.

Facciamo un esempio. Un soggetto percorre 2 km a piedi alla velocità di 4 km/h, poi percorre altri 2 km in bicicletta a 12 km/h. Qual è la sua velocità media? L’istinto dice: (4 + 12) / 2 = 8 km/h. Ma proviamo a verificare. Il soggetto impiega 2/4 = 0.5 ore a piedi e 2/12 ≈ 0.167 ore in bicicletta, per un totale di circa 0.667 ore. Ha percorso 4 km in 0.667 ore, quindi la velocità media reale è 4 / 0.667 ≈ 6 km/h — non 8. La media aritmetica ha sovrastimato la velocità media perché non ha tenuto conto del fatto che il soggetto ha trascorso molto più tempo a piedi che in bicicletta.

La media armonica corregge esattamente questo problema. Si calcola come il reciproco della media aritmetica dei reciproci:

H=n1x1+1x2+⋯+1xnH = \frac{n}{\frac{1}{x_1} + \frac{1}{x_2} + \dots + \frac{1}{x_n}}

Nel nostro caso: 2 / (1/4 + 1/12) = 2 / (3/12 + 1/12) = 2 / (4/12) = 6 km/h. La media armonica pesa automaticamente ogni velocità in proporzione al tempo trascorso a quella velocità — senza che dobbiamo farlo noi a mano. Al di là della fisica, la media armonica trova applicazione ogni volta che si lavora con rapporti o tassi — concentrazioni plasmatiche, clearance renale, rapporti farmacocinetici.

Tra le tre medie vale sempre la relazione H ≤ G ≤ x̄. L’uguaglianza vale solo quando tutti i valori sono identici. Questa gerarchia non è una curiosità matematica — è un modo per capire quale misura stia sovrastimando o sottostimando la tendenza centrale in un dato contesto.

Mediana

Un grande compagno di viaggio degli studi di biostatistica è la mediana. Per capire cosa sia, immagina di avere sette pazienti con le seguenti pressioni sistolica ordinate dalla più bassa alla più alta: 108, 112, 118, 122, 127, 131, 140 mmHg. La mediana è il valore centrale di questa sequenza ordinata — il quarto valore, cioè 122 mmHg. Tre pazienti stanno sotto, tre stanno sopra. Esattamente a metà. In questo esempio l’identificazione della mediana è stata semplice perché il numero di osservazioni è dispari (n = 7): è bastato ordinare i dati in senso crescente e trovare il valore centrale. Quando invece il numero di osservazioni è pari, un valore centrale unico non esiste, e la mediana si calcola come la media aritmetica dei due valori centrali — l’unica concessione alla media aritmetica che la mediana si concede.

Fin qui sembra quasi banale. Ma la mediana nasconde una qualità che la rende preziosa in molte situazioni reali: è robusta agli outlier. Torna ai sette pazienti di prima e sostituisci l’ultimo valore — 140 mmHg — con 240 mmHg. Un valore anomalo, forse un errore di misurazione, forse un paziente in crisi ipertensiva. La media aritmetica schizzerebbe verso l’alto. La mediana? Rimane 122 mmHg, immobile. Un valore estremo non la sposta, perché conta solo la posizione ordinale — quarto su sette — e non la distanza numerica dal valore vicino.

È per questo che la mediana è la misura preferita per le distribuzioni asimmetriche: i redditi, i tempi di sopravvivenza, i prezzi degli immobili. Il reddito mediano italiano è molto più informativo del reddito medio, perché non viene distorto dai pochissimi redditi elevatissimi che gonfiano la media verso l’alto, restituendo un’immagine distorta della situazione economica reale del paese.

Moda

La moda è il valore che compare con maggiore frequenza — la misura di tendenza centrale più immediata e più concreta. Se in un reparto di cardiologia le diagnosi alla dimissione sono: scompenso cardiaco, infarto, scompenso cardiaco, angina, scompenso cardiaco, infarto, scompenso cardiaco — la moda è scompenso cardiaco, ossia il valore ( in questo caso diagnosi) più frequente. Nessun calcolo, nessuna formula: basta contare. Ed è proprio questa semplicità a renderla l’unica misura di tendenza centrale applicabile alle variabili qualitative nominali, dove sommare o ordinare i valori non ha senso.

Per le variabili quantitative continue il discorso cambia leggermente. Se misuriamo la pressione sistolica su cento pazienti, è probabile che ogni valore sia unico — 122.4, 118.7, 131.2 — e contare le occorrenze di ciascuno non porta da nessuna parte. In questo caso la moda si calcola sulla distribuzione di frequenze raggruppata in classi, come quella che abbiamo costruito nell’articolo parte I di questa serie: la classe con la frequenza più alta si chiama classe modale e il suo valore centrale è la moda. Nell’esempio sulla pressione arteriosa che abbiamo usato nel primo articolo, la classe modale era 130–139 mmHg.

La moda può rivelare qualcosa che le altre misure nascondono. Una distribuzione può avere più di una moda: se ha due picchi di uguale altezza si dice bimodale, se ne ha più di due multimodale. Immagina di misurare l’altezza in un campione misto di adulti e bambini — l’istogramma mostrerà quasi certamente due picchi distinti, uno attorno all’altezza media dei bambini e uno attorno a quella degli adulti. La moda segnala questa struttura. La media darebbe un unico valore intermedio che non rappresenta nessuno dei due gruppi. La bimodalità è spesso il segnale che il campione è composto da due popolazioni distinte — un’informazione preziosa che solo guardando la distribuzione, e non calcolando un singolo numero, si riesce a cogliere.

Indice di tendenza centraleFormulaQuando usarloQuando evitarli
Media AritmeticaSomma / nDati simmetrici senza outlierDistribuzioni asimmetriche o con outlier estremi
Media Geometricaradice n-esima del prodottoTassi di crescita, rapporti, dati moltiplicativiValori negativi o zero
Media Armonican / somma dei reciprociVelocità medie, rapporti inversiDati non espressi come rapporti
MedianaValore centrale ordinatoDati asimmetrici, redditi, tempi di sopravvivenzaQuando serve la media ponderata
ModaValore più frequenteVariabili categoriali, distribuzioni multimodaliDistribuzioni continue con pochi dati
D: Media, mediana o moda — quale scegliere?

R: Dipende dal tipo di dato e dalla forma della distribuzione. La media aritmetica è la scelta standard per dati simmetrici senza valori anomali. La mediana è preferibile quando la distribuzione è asimmetrica o contiene outlier — come redditi, prezzi o tempi di sopravvivenza. La moda è l’unica opzione per variabili qualitative nominali, e segnala la presenza di più gruppi quando la distribuzione è bimodale. Le tre misure insieme raccontano più della somma delle parti.

Media aritmetica, geometrica, armonica, mediana, moda: non sono cinque modi diversi di calcolare la stessa cosa. Sono cinque domande diverse su dove si trovano i dati — e ciascuna ha il suo contesto, il suo senso, il suo momento. Scegliere quella sbagliata non è un errore di calcolo. È un errore di lettura della realtà. Nel prossimo articolo affrontiamo la seconda domanda: quanto si disperdono i dati?

∴
Newsletter

Un numero al mese, senza rumore.

Un editoriale al mese, gli articoli in evidenza. Niente promozioni.