Posizione e dispersione descrivono dove si trova una distribuzione e quanto è larga. Ma due distribuzioni con la stessa media e la stessa deviazione standard possono avere forme completamente diverse — una simmetrica e una con una coda lunga verso destra, una appuntita e una piatta. Gli indici di forma completano il ritratto numerico con due misure: l’asimmetria e la curtosi.
Questa è la terza domanda che la statistica descrittiva fa a qualsiasi distribuzione di dati quantitativi. Insieme agli indici di posizione e alle misure di dispersione, gli indici di forma costituiscono il ritratto numerico completo di una distribuzione.
Asimmetria
L’indice di asimmetria — in inglese skewness — misura quanto la distribuzione si discosta dalla simmetria. Una distribuzione perfettamente simmetrica ha asimmetria zero: la sua forma è identica a sinistra e a destra della media, come un istogramma che riflette se stesso. Ma nella pratica, soprattutto in medicina e nelle scienze sociali, la simmetria perfetta è l’eccezione.
Un’asimmetria positiva indica una coda più lunga verso destra. La maggior parte dei valori è concentrata nella parte sinistra della distribuzione, con pochi valori molto grandi che si estendono verso destra — trascinando la media con sé. I redditi, i tempi di attesa in pronto soccorso, le concentrazioni di biomarcatori infiammatori tendono tutti ad avere distribuzioni con coda destra. In questi casi la media è sempre maggiore della mediana: i pochi valori estremi alzano la media senza spostare la mediana, che conta solo la posizione centrale.
Un’asimmetria negativa indica il contrario: coda lunga verso sinistra, valori concentrati a destra, media inferiore alla mediana. È meno frequente in ambito biomedico, ma compare in variabili come i punteggi di test cognitivi in popolazioni selezionate, dove la maggior parte dei soggetti ottiene punteggi alti e pochi ottengono punteggi molto bassi.
Quando non si ha accesso a un software statistico, un indicatore rapido di asimmetria è il coefficiente di Pearson (attenzione non confondere con il coefficiente di correlazione di Pearson!), calcolato come:
Valori superiori a 1 in valore assoluto segnalano un’asimmetria rilevante. È una misura approssimata, ma utile per una prima valutazione sul campo.
La relazione tra media e mediana è la finestra più rapida sulla forma della distribuzione. Se media > mediana: coda destra, asimmetria positiva. Se mediana > media: coda sinistra, asimmetria negativa. Se coincidono: distribuzione probabilmente simmetrica — probabilmente, non certamente.
Curtosi
La curtosi misura quanto la distribuzione è appuntita o piatta rispetto a una distribuzione normale. Più precisamente, misura il peso delle code — quanta probabilità è concentrata nelle parti estreme della distribuzione rispetto al centro. La distribuzione normale ha una curtosi di 3. Nella pratica si lavora spesso con la curtosi in eccesso, che sottrae 3 per avere un riferimento centrato sullo zero: curtosi in eccesso = 0 significa distribuzione normale, valori positivi indicano code più pesanti del normale, valori negativi code più leggere.
Una distribuzione con curtosi in eccesso positiva si chiama leptocurtica: ha un picco più alto e stretto, e code più pesanti della normale. I valori estremi sono più frequenti di quanto ci si aspetterebbe da una distribuzione normale. Una distribuzione con curtosi in eccesso negativa si chiama platicurtica: è più piatta, con un picco meno pronunciato e code più leggere — i valori si distribuiscono più uniformemente attorno alla media.
La leptocurtica ha picco più alto e code più pesanti della normale. La platicurtica è più piatta con code più leggere.
Per fare un esempio concreto: i rendimenti giornalieri dei mercati finanziari sono notoriamente leptocurtici — la maggior parte dei giorni i movimenti sono piccoli e concentrati attorno allo zero, ma i crolli e i rally estremi accadono molto più spesso di quanto una distribuzione normale prevederebbe. In biostatistica, la curtosi è rilevante soprattutto quando si vuole verificare l'assunzione di normalità prima di applicare test parametrici come il t-test o l'ANOVA.
Una curtosi in eccesso molto diversa da zero — in combinazione con un'asimmetria significativa — è un segnale che la distribuzione si discosta dalla normalità in modo che potrebbe invalidare i test parametrici. In questi casi si valuta il passaggio a test non parametrici, o si considera una trasformazione dei dati.
I percentili: generalizzare la mediana
I percentili generalizzano il concetto di mediana. Il p-esimo percentile è il valore sotto il quale cade il delle osservazioni. La mediana è il percentile — metà dei valori stanno sotto, metà sopra. Il primo quartile Q1 è il percentile, il terzo quartile Q3 è il . I decili dividono la distribuzione in dieci parti uguali, i centili in cento.
I percentili sono fondamentali in medicina clinica, molto più di quanto spesso si riconosca. Le curve di crescita pediatrica sono costruite interamente sui percentili: un bambino al percentile di peso per età non è necessariamente sottopeso — il suo valore si trova semplicemente sotto quello del 90% dei bambini della stessa età. Il confronto con la norma statistica è possibile solo perché i percentili trasformano un valore assoluto in una posizione relativa all'interno della distribuzione di riferimento.
I valori di riferimento di laboratorio seguono la stessa logica: i cosiddetti "valori normali" corrispondono tipicamente all'intervallo tra il 2.5° e il 97.5° percentile della distribuzione nella popolazione sana. Questo significa che per definizione il 5% della popolazione sana avrà valori fuori dai range di normalità — un fatto che chiunque interpreti referti di laboratorio dovrebbe tenere a mente.
Il calcolo dei percentili su dati ordinati segue questa regola: per trovare il p-esimo percentile, si calcola la posizione . Se è un intero, il percentile è la media tra il valore in posizione e quello in posizione . Se non è un intero, si arrotonda all'intero superiore e si prende il valore corrispondente. Nella pratica, qualsiasi software statistico calcola i percentili automaticamente — ma conoscere la logica sottostante aiuta a interpretare i risultati e a capire perché software diversi possono dare valori leggermente diversi per lo stesso dataset.
Dove si concentrano i dati, quanto si disperdono, che forma ha la loro distribuzione. Nessuna di queste domande è più importante delle altre — sono complementari. Un ricercatore che conosce solo la media sta lavorando con un terzo dell'informazione disponibile. Uno che aggiunge la deviazione standard ne ha due terzi. Solo quando aggiunge la forma della distribuzione — l'asimmetria, la curtosi, la posizione relativa dei percentili — ha il quadro completo. E solo con il quadro completo può scegliere i metodi analitici giusti, interpretare i risultati con rigore, e comunicare i propri dati con onestà.
Un numero al mese, senza rumore.
Un editoriale al mese, gli articoli in evidenza. Niente promozioni.