Vedere i dati prima di misurarli.

C’è un errore molto comune nell’approccio ai dati quantitativi: saltare direttamente ai calcoli. Media, deviazione standard, test statistici, tutto questo arriva prima ancora di aver guardato i dati. Il risultato è che si calcolano numeri senza capire cosa rappresentano, si applicano test senza verificare se le assunzioni sono rispettate, si traggono conclusioni su distribuzioni che non si è mai visto.

La statistica descrittiva visiva non è una fase preliminare da sbrigare in fretta. È il momento in cui si prende contatto con i dati — se ne intuisce la forma, si individuano i valori anomali, si capisce se la distribuzione è simmetrica o asimmetrica, se ci sono sottogruppi nascosti, se alcune osservazioni sembrano impossibili. Tutto questo prima di aprire un foglio di calcolo e digitare una formula.

In questo articolo esploriamo gli strumenti visuali e descrittivi fondamentali: come sceglierli, come leggerli, e cosa ci dicono che i numeri da soli non possono dire.

Il primo passo: capire che tipo di dato si ha

Prima di scegliere qualsiasi strumento grafico o descrittivo, bisogna capire che tipo di variabile si sta analizzando. Non perché sia una formalità metodologica, ma perché gli strumenti appropriati dipendono interamente dalla natura del dato.

Le variabiliqualitative— o categoriali — rappresentano categorie prive di un valore numerico intrinseco. Possono esserenominali(il sesso biologico, il gruppo sanguigno, la diagnosi) oordinali(il grado di dolore su scala Likert, il livello di istruzione). Nel secondo caso le categorie hanno un ordine, ma le distanze tra i livelli non sono necessariamente uguali.

Le variabiliquantitativerappresentano quantità misurabili. Sonodiscretese possono assumere solo valori interi e separati — il numero di ricoveri, il numero di farmaci assunti — econtinuese possono assumere qualsiasi valore in un intervallo, come la pressione arteriosa, il peso corporeo, la glicemia.

Questa distinzione determina tutto: quali grafici ha senso costruire, quali misure di tendenza centrale sono appropriate, quali test statistici si possono applicare. Calcolare la media di una variabile nominale — la media del gruppo sanguigno — è un errore concettuale prima ancora che matematico.

Frequenze e percentuali: la prima lettura dei dati

Quando si lavora con variabili qualitative, il primo strumento è il conteggio. Quante volte compare ciascuna categoria? Questa risposta si chiamafrequenza assoluta. Dividerla per il totale delle osservazioni produce lafrequenza relativa, che moltiplicata per cento diventa lapercentuale.

Prendiamo un esempio clinico semplice: in un campione di 200 pazienti, 86 hanno ipertensione di stadio 1, 74 di stadio 2 e 40 di stadio 3. La frequenza assoluta di stadio 1 è 86, la frequenza relativa è 0.43, la percentuale è 43%. Questi tre numeri dicono la stessa cosa in scale diverse — ma la percentuale è quella più immediatamente comunicabile, mentre la frequenza relativa è quella più utile nei calcoli successivi.

Lefrequenze cumulateaggiungono una dimensione in più: sommano progressivamente le frequenze fino a un certo punto. Nel nostro esempio, la frequenza cumulata fino allo stadio 2 è 86 + 74 = 160, ovvero l’80% del campione ha ipertensione di stadio 1 o 2. Questa informazione è particolarmente utile con variabili ordinali, dove ha senso chiedersi quante osservazioni si trovano “fino a” un certo livello.

Grafici per dati qualitativi: scegliere il tipo giusto

I dati qualitativi si rappresentano visivamente in modi diversi a seconda di cosa si vuole comunicare. Non tutti i grafici sono equivalenti, e alcuni sono sistematicamente più chiari di altri.

Il grafico a barreè lo strumento più versatile e affidabile per dati categoriali. Ogni barra rappresenta una categoria, la sua altezza la frequenza. La lettura è immediata, il confronto tra categorie è diretto. Le barre possono essere verticali o orizzontali — quelle orizzontali sono preferibili quando le etichette delle categorie sono lunghe.

Il grafico a tortaè ampiamente usato ma spesso sconsigliato dagli statistici per un motivo preciso: l’occhio umano è molto meno preciso nel confrontare aree e angoli rispetto alle lunghezze. Con più di quattro o cinque categorie, diventa quasi illeggibile. Se si vogliono mostrare percentuali, un grafico a barre con le percentuali sull’asse verticale comunica le stesse informazioni con molta più chiarezza.

Un grafico a torta con sei o più categorie è quasi sempre un grafico a barre che non sa di esserlo.

L’istogrammaassomiglia visivamente al grafico a barre ma è uno strumento concettualmente diverso: si usa per variabili quantitative continue, raggruppate in classi (dette classi di ampiezza obin). L’asse orizzontale rappresenta i valori della variabile, quello verticale la frequenza. La scelta dell’ampiezza delle classi influenza significativamente l’aspetto del grafico — classi troppo ampie nascondono la struttura della distribuzione, classi troppo strette la frammentano in rumore.

La distribuzione di frequenze: strutturare il primo sguardo

Prima ancora del grafico, la distribuzione di frequenze è una tabella che organizza i dati in classi e ne conta le occorrenze. È il ponte tra il dato grezzo e la sua rappresentazione visiva.

Prendiamo un esempio concreto: la pressione arteriosa sistolica misurata in 100 pazienti. Invece di elencare 100 valori separati, li raggruppiamo in classi di 10 mmHg.

Questa tabella racconta già molte cose. La classe modale — quella con la frequenza più alta — è 130–139 mmHg. Il 65% dei pazienti ha una pressione inferiore a 140 mmHg. Solo l’11% supera i 149 mmHg. Queste osservazioni emergono dalla semplice lettura della tabella, prima ancora di costruire un istogramma.

La scelta dell’ampiezza delle classi segue alcune regole pratiche. Una regola comune è laregola di Sturges, che suggerisce un numero di classi pari a 1 + 3.322 × log₁₀(n), dove n è la numerosità del campione. Per 100 osservazioni, questo dà circa 8 classi. Ma la regola non è assoluta: la distribuzione dei dati e l’obiettivo dell’analisi contano quanto la formula.

Il grafico mostra le barre (frequenza assoluta, asse sinistro) e la linea cumulata (asse destro) — due informazioni nella stessa figura, come si vede spesso nella pratica clinica. Passando il mouse sulle barre si vedono i valori esatti.

Il diagramma ramo-foglia: il dettaglio che l’istogramma non mostra

L’istogramma mostra la distribuzione ma sacrifica i valori individuali. Il diagramma ramo-foglia — o stem-and-leaf plot — è uno strumento che mantiene entrambi: la forma della distribuzione e ogni singola osservazione.

Il principio è semplice. Si prendono i dati, si separano ciascun valore in due parti — un “ramo” (le cifre iniziali) e una “foglia” (l’ultima cifra) — e si costruisce una tabella in cui i rami sono allineati a sinistra e le foglie si estendono a destra. Il risultato è una rappresentazione che, ruotata di 90°, mostra la stessa forma di un istogramma, ma con ogni singolo valore ancora leggibile.

Consideriamo le glicemie a digiuno di 20 pazienti: 82, 85, 88, 91, 93, 94, 95, 97, 98, 101, 103, 105, 108, 110, 112, 115, 118, 121, 125, 130.

Il ramo-foglia è interattivo: passando il mouse su ogni foglia appare il valore esatto in mg/dL. Leggendo le righe si vede subito che la distribuzione è più densa tra 90 e 110, con una coda verso 130.

Leggendo da sinistra a destra: il ramo 8 ha foglie 2, 5, 8 — quindi i valori 82, 85, 88. Il ramo 9 ha sei valori. Il ramo 10 ne ha quattro, e così via. La distribuzione è leggibile nella sua forma — leggermente asimmetrica verso i valori alti — e ogni osservazione è ancora recuperabile.

Il diagramma ramo-foglia è particolarmente utile con campioni piccoli o medi (fino a qualche centinaio di osservazioni) e quando si vuole presentare i dati in modo che altri ricercatori possano verificare i valori. Con campioni grandi, l’istogramma è più pratico.

Il diagramma a dispersione: esplorare le relazioni

Tutti gli strumenti visti finora riguardano una variabile alla volta. Il diagramma a dispersione — o scatter plot — introduce una dimensione in più: visualizza la relazione tra due variabili quantitative contemporaneamente.

Ogni osservazione viene rappresentata come un punto in un piano cartesiano, con la variabile X sull’asse orizzontale e la variabile Y su quello verticale. La nuvola di punti che emerge racconta la natura della relazione: se i punti tendono ad allinearsi lungo una diagonale crescente, c’è una relazione positiva — al crescere di X cresce anche Y. Se la diagonale è decrescente, la relazione è negativa. Se i punti sono sparsi senza un pattern riconoscibile, le due variabili sembrano indipendenti.

Prendiamo un esempio clinico: sull’asse X mettiamo il BMI di 50 pazienti, sull’asse Y la pressione arteriosa sistolica. Se il cloud di punti mostra una tendenza crescente — pazienti con BMI più alto tendono ad avere pressioni più alte — il diagramma sta suggerendo una relazione positiva tra le due variabili. Ma attenzione: il diagramma a dispersione mostra una correlazione, non una causa. La relazione visiva va quantificata e interpretata con rigore — un punto che torna nell’articolo dedicato alla correlazione e causalità su questo magazine.

La tendenza positiva è visibile — al crescere del BMI cresce anche la pressione — ma la dispersione attorno alla retta mostra quanto la relazione sia tutt'altro che deterministica. Ogni punto è cliccabile con il valore esatto.

Una variante utile è il diagramma a dispersione con unalinea di tendenzasovrapposta — tipicamente una retta di regressione lineare. Questa linea riassume la direzione e la pendenza media della relazione, rendendo più facile valutare a colpo d'occhio se il pattern è forte o debole. Ma la linea è una semplificazione: i punti attorno ad essa raccontano quanto la relazione sia stabile o variabile.

Il box plot: cinque numeri che raccontano una distribuzione

Il box plot — o diagramma a scatola con i baffi — è forse lo strumento visivo più informativo della statistica descrittiva. In un'unica figura compatta, mostra la distribuzione di una variabile quantitativa attraverso cinque numeri chiave e segnala i valori anomali.

Lascatolacentrale rappresenta il range interquartile: si estende dal primo quartile (Q1, il 25° percentile) al terzo quartile (Q3, il 75° percentile). Contiene quindi il 50% centrale delle osservazioni. La linea all'interno della scatola indica lamediana— il valore che divide il campione a metà.

Ibaffisi estendono dalla scatola verso i valori estremi, ma solo fino a un limite convenzionale: tipicamente 1.5 volte il range interquartile al di sopra di Q3 e al di sotto di Q1. I punti oltre questo limite vengono rappresentati individualmente comeoutlier— valori anomali che meritano attenzione e spiegazione.

I tre box plot affiancati rendono immediatamente visibile il gradiente tra i gruppi — mediana, ampiezza interquartile e outlier sono leggibili a colpo d'occhio. I numeri accanto a ogni mediana sono i valori esatti.

Cosa si legge in un box plot? Prima di tutto la posizione: dove si trova la mediana rispetto alla scatola? Se è al centro, la distribuzione è simmetrica nel 50% centrale. Se è spostata verso Q1, la distribuzione è asimmetrica positiva in quel range. Poi la dispersione: quanto è larga la scatola? Un range interquartile ampio indica alta variabilità nella metà centrale dei dati. Infine gli outlier: quanti sono, e quanto sono estremi?

Il box plot diventa particolarmente potente quando si confrontano più gruppi affiancando più scatole sullo stesso asse. Immaginiamo i box plot della pressione arteriosa sistolica in tre gruppi — normopeso, sovrappeso e obesi. In un'unica figura si vede dove si posiziona la distribuzione di ciascun gruppo, quanto varia, se ci sono outlier, e se le distribuzioni si sovrappongono. Questo confronto visivo prepara l'analisi statistica formale, suggerendo se c'è differenza tra i gruppi e quanto è grande.

Un box plot non sostituisce il test statistico. Lo precede. Serve a capire cosa ci si aspetta di trovare prima di cercare la conferma numerica.

Guardare i dati non è un lusso preliminare.È il momento in cui si capisce se le assunzioni dei test successivi hanno senso, se ci sono osservazioni che distorcono i risultati, se la distribuzione ha una forma che i parametri numerici non cattureranno completamente. Un ricercatore che calcola la media senza aver mai visto l'istogramma dei suoi dati sta lavorando alla cieca — con strumenti precisi puntati nella direzione sbagliata.