Statistica & Società 1

05.2004 2,50
anno II n.3

&
rivista quadrimestrale per la diffusione della cultura statistica

edizioni
 &
rivista quadrimestrale per la diffusione della cultura statistica

Statistica & Società anno II n. 3, 2004

Reg. Trib. di Roma nº 504/2002 2/9/02

Rassegna quadrimestrale
gratuita per i soci SIS SOMMARIO
Struttura Organizzativa:
pag.
Direttore Responsabile
B. Vittorio Frosini
Direttore Scientifico
Luigi D’Ambra Serve un’Autorità garante per l’informazione statistica? 3
Condirettori A. Cortese
Giovanni Maria Giorgi (Didattica, Intervista, Informa-
tica, Risposte ai Soci, Dottorati di Ricerca) Su un recente contributo di alfredo rizzi a proposito di Abduzione e
Giuliana Coccia (Mercato del lavoro, Territorio, inferenza 5
Osservatorio Internazionale, Bestiario Statistico)
A. Forcina
Comitato Editoriale
B. Vittorio Frosini
Competenze, criticità e prospettive per un ruolo chiave nella ricerca
Luigi D’Ambra
Giovanni Maria Giorgi farmaceutica: il biostatistico 7
Giuliana Coccia F. Patarnello
Responsabili di Sezione
Luigi Fabbris Mercato del lavoro Il ruolo della statistica nell’ingegneria dei sistemi di trasporto 12
Intervista F. Pagliara
M. Gabriella Ottaviani Didattica
Enrico Del Colle Territorio
Gianfranco Galmacci Informatica Modelli statistici per l’asset management 18
Daniela Cocchi Dottorati di Ricerca R. Bramante, G. Gabbi
Achille Lemmi Management
Alberto Lombardo Bestiario Statistico Dal dato all’informazione, dall’informazione alla conoscenza:
Gustavo De Santis Risposte ai Soci
tecniche statistiche per la creazione del valore 26
Osservatorio Internazionale
F. Rubinacci, E. Ciavolino
Segreteria di Redazione
Michele Gallo
Dipartimento di Scienze Sociali I Censimenti nella Bibbia: adempimento del volere di Dio
Università degli Studi di Napoli – L’Orientale o peccato? 30
Piazza S. Giovanni Maggiore, 30 – 80124 – Napoli M.P. Perelli D’Argenzio
Tel. 081 6909411 fax 081 675187
e-mail: mgallo@unior.it

Finito di stampare nel mese di maggio 2004

rce edizioni Piazza Bagnoli, 19 – Napoli
Tel 081 2303416 – fax 081 2428946
e-mail: rceedizioni@libero.it
una copia 2,50
 Statistica & Società
Serve un’Autorità garante per l’informazione statistica?
Antonio Cortese
Facoltà di Economia, Università “Roma Tre” – e-mail: cortese@uniroma3.it
Auspico che su un articolo pubblicato sul n.
1/2003 della Rivista (G. MARBACH, La certificazione
dei dati statistici: un processo in itinere), si apra un
confronto fra i soci della SIS. Giudico infatti il tema
affrontato di rilevante importanza. Provo a fornire
un primo contributo.
Nel lavoro vengono richiamate le norme deon-
tologiche elaborate dalla SIS nel 1994 ed al riguardo
mi pare opportuno precisare, essendo stato in quel
periodo componente del Consiglio Direttivo, che si
era ritenuto di dover prendere una posizione in ordi-
ne alle cosiddette “indagini di opinione”.
Con riferimento poi alle statistiche ufficiali,
reputo invece utile ricordare i risultati cui è pervenu-
ta la Commissione scientifica della SIS sulla qualità
dei dati statistici. Sul Bollettino n. 22 del 1991 sono
fra l’altro presentate alcune “linee direttive per l’il-
lustrazione di contenuti e qualità dei dati statistici”.
Venendo allo schema di proposta di legge ela-
borato da Antonio Baldassarre e Giorgio Marbach
(per disciplinare la diffusione dei dati statistici pub-
blici e privati, viene proposta l’istituzione di un’Au-
torità garante per la informazione statistica), osser-
vo in primo luogo che resto alquanto perplesso circa
il proposito di disciplinare la diffusione dei dati sta-
tistici “pubblici”. Come è noto, il decreto legislativo
6 settembre 1989, n. 322 che detta norme sul Siste-
ma statistico nazionale (Sistan), ha affidato ad un’ap-
posita Commissione istituita presso la Presidenza del
Consiglio dei Ministri (Commissione per la garan-
zia dell’informazione statistica) il compito di vigila-
re “sulla qualità delle metodologie statistiche e delle
tecniche informatiche impiegate nella raccolta, nel-
la conservazione e nella diffusione dei dati” (art. 12,
comma 1). Ove si consideri che nel Programma Sta-
tistico Nazionale (art. 13), approvato con decreto del
Presidente della Repubblica su proposta del Presi-
dente del Consiglio dei Ministri, sono analiticamente
indicati gli obiettivi delle rilevazioni statistiche di
interesse pubblico e che la suddetta Commissione
redige un rapporto annuale che si allega alla relazio-
ne al Parlamento sull’attività dell’Istat, mi pare reale
3
il pericolo che con l’istituzione di una “Autorità
garante per la informazione statistica” vengano
scardinate le norme di cui al decreto legislativo n.
322 del 1989 anche perché di fatto viene, nella pro-
posta, implicitamente messa in dubbio la capacità
dell’Istat di saper indirizzare e coordinare le attività
statistiche degli enti ed uffici facenti parte del Siste-
ma statistico nazionale (art. 15, comma 1, lettera c).
Se si giudica insoddisfacente il lavoro sino ad
oggi svolto dalla “Commissione per la garanzia” lo
si dica chiaramente ed eventualmente si avanzino
proposte per garantirne un migliore funzionamento.
Avanzo riserve anche sulla possibilità di mette-
re sotto controllo la diffusione dei dati statistici “pri-
vati” ove si escluda quella dei “sondaggi sui mezzi
di comunicazione di massa” per la quale l’Autorità
per le garanzie nelle comunicazioni ha già approva-
to un regolamento.
Con la legge che viene proposta vengono intro-
dotti vincoli pesanti a carico del soggetto che si pro-
pone di condurre una rilevazione statistica: obbligo
di fornire numerose comunicazioni preventive (se
non ci si vuole precludere la possibilità di procedere
ad una diffusione dei risultati inizialmente non pre-
vista) ed obbligo di conservare la documentazione
riguardante tutti gli aspetti e fasi dell’indagine effet-
tuata. Lo statistico dovrà essere affiancato da un
esperto legale?
La dirigenza di una struttura ricettiva o quella
di una compagnia aerea che progettano di realizzare
una customer satisfaction survey, la direzione di un
supermercato che desidera accertare le caratteristi-
che strutturali della propria clientela, dovranno pen-
sarci due volte prima di prendere una decisione defi-
nitiva. Nel corso di una recente audizione in Parla-
mento il Presidente dell’Associazione Bancaria Ita-
liana ha fornito dati statistici raccolti presso le ban-
che associate. Poiché il testo della relazione che ha
presentato formerà oggetto di pubblicazione sugli atti
parlamentari, mi chiedo se, qualora la legge che sto
esaminando fosse già stata in vigore, ciò lo avrebbe
esposto al rischio di sanzioni nel caso naturalmente
4 Statistica & Società
non avesse preventivamente depositato la comuni-
cazione di cui all’art. 4 dello schema di proposta di
legge. Dati raccolti all’interno di una azienda per la
determinazione di standard per attività amministra-
tive, non potrebbero, per gli stessi motivi, comparire
all’interno della relazione dell’amministratore dele-
gato posto che questa deve essere talvolta depositata
in tribunale il che, se non erro, ne consente la con-
sultazione da parte di chiunque fosse interessato. In-
tendo dire che la funzione statistica è importantissi-
ma per il controllo di gestione e sarebbe complicato
doversi adoperare per impedire una diffusione, an-
che parziale, dei flussi informativi che si formano
all’interno dell’azienda. Anche sul versante della ri-
cerca le cose si complicherebbero dovendosi ipotiz-
zare che pure gli studiosi sarebbero tenuti al rispetto
della normativa che si suggerisce di introdurre, ove
progettino di pubblicare i risultati delle analisi nelle
quali si sono impegnati qualora queste abbiano ri-
chiesto l’effettuazione di un’indagine statistica. Mi
rendo pienamente conto che vi è pure il problema di
Istituti di ricerca come il Censis e l’Euripes ma per
dirla fino in fondo, non vorrei che si arrivasse alla
costituzione di un albo professionale degli statistici
e che si prevedesse poi come necessaria la firma di
un iscritto in calce al piano della rilevazione.
Vedo difficoltà anche da parte dell’Autorità
garante per l’informazione statistica nel gestire l’am-
pio volume di informazioni che inevitabilmente af-
fluirebbero. Sarebbe necessaria l’assistenza di un
adeguato ufficio di supporto composto da numerosi
esperti. Da questo punto di vista, ci si potrebbe ralle-
grare per le opportunità di lavoro che si offrirebbero
forse agli statistici.
Senza entrare ulteriormente nel merito della
proposta, formulo, sul piano generale, un’ultima os-
servazione. All’inizio dell’art. 4 si fa generico riferi-
mento a “soggetti ed organismi che effettuano inda-
gini statistiche”. Come ci si deve regolare nel caso
di organismi stranieri che effettuano indagini nel
nostro paese diffondendone i risultati all’estero? Sul-
l’Annuario Pontificio compaiono dati statistici (spes-
so criticati) relativi all’Italia: la Città del Vaticano
avrà degli obblighi nei confronti dell’Autorità? Pen-
so anche ad indagini dirette condotte da Eurostat sul
nostro territorio: vale la stessa regola? Non vorrei che
ci fosse un incremento delle richieste di indagini com-
missionate ad istituti di ricerca di altri paesi.
 Statistica & Società 5

Su un recente contributo di alfredo rizzi a proposito di Abduzione e

inferenza
Antonio Forcina
Dipartimento di Scienze Statistiche, Università di Perugia – e-mail: forcina@stat.unipg.it

Sommario
Metto in relazione due storici contributi di C. Gini con i temi trattati da Rizzi (2004) e sottopongo qualche
passo di quest’ultimo lavoro ad una analisi critica.

1. Abduzione e inferenza: il punto di vista di
Gini
Come specificato in Rizzi (2004, p. 19), “l’ab-
duzione consiste nel formulare una ipotesi partendo
da un dato effetto”. Se ho ben capito, il procedimen-
to logico sarebbe il seguente: se una ipotesi è in gra-
do di spiegare almeno in parte i fatti osservati, allora
abbiamo ragione di ritenere che essa sia vera. Non
viene però spiegato con precisione né in che misura
l’ipotesi deve spiegare i fatti né quanta forza derivi
ad una ipotesi da tali circostanze. Non è chiaro se
l’Autore sottoscriva in modo acritico le affermazio-
ni discutibili (o forse riassunte in modo semplicisti-
co) di alcune sue fonti (ad esempio Charles Peirce),
secondo cui “sia l’induzione sia la deduzione non
possono mai dare origine ad alcuna idea nuova” e
anche: “L’abduzione coincide con il metodo ipoteti-
co sperimentale che caratterizza la scienza sperimen-
tale da Galilei in poi.” oppure se si limiti a sintetiz-
zarle con puntigliosa diligenza. Ecco un esempio ri-
portato a p. 20: “Fatto: I fagioli osservati sono bian-
chi; Ipotesi: Tutti i fagioli che provengono da questo
sacco sono bianchi; Conclusione: Questi fagioli pro-
vengono da questo sacco” Commento: “Ciò è vero
probabilmente”. Se l’esempio non fosse così vago e
poco rilevante, verrebbe da chiedere di quale proba-
bilità stiamo parlando e come quantificarla.
Se ho ben capito, l’abduzione è quel procedi-
mento logico alla cui critica C. Gini (1940) aveva
dedicato una attenzione particolare nell’ambito di
quella che lui chiamava Teoria della dispersione. È
opportuno precisare che, nella terminologia dell’epo-
ca, questa teoria “consiste a comparer la distribution
effective de certaines grandeurs avec une distribution
théorique établie sur la base de certaines hypothèses”
(p. 4). Nel lavoro, che deriva da una conferenza te-
nuta a Ginevra, Gini affronta prima il problema di
come valutare l’accordo fra modelli e dati doman-
dandosi poi quali conclusioni possano trarsi da mo-
delli che sembrano in accordo con i dati. La critica
di procedimenti logici in cui si dà credito ad una ipo-
tesi solo perché rappresenta uno dei possibili mo-
delli che si adattano ai dati è molto netta (Gini, 1940,
p. 24): “construire des schémas est très facile et il
peut donner l’illusion d’avoir fait des découvertes;
examiner et vérifier les hypothèses qu’ils comportent
est long et pénible”. Per capire questo passo convie-
ne tener presente che Gini qui fa riferimento ai suoi
studi sulla distribuzione dei sessi nelle popolazioni
umane (Gini, 1911). In tali studi egli aveva mostrato
che una distribuzione osservata apparentemente
binomiale poteva derivare, sia dal fatto che le ipote-
si del modello binomiale erano soddisfatte, sia dalla
presenza di due o più violazioni opposte i cui effetti
si potevano compensare. Ma, soprattutto, attraverso
un uso geniale dei dati a sua disposizione, egli era
riuscito a mostrare che una sola delle possibili spie-
gazioni (non quella binomiale) era valida. Per ulte-
riori commenti vedere Forcina (2003).
2. La cosiddetta inversione dell’intervallo di
confidenza
Il tema è trattato (Rizzi, 2004, p. 22) dopo una
digressione sull’inferenza bayesiana su cui tornerò
nel seguito. La riflessione comincia in tono rassicu-
rante: “nel caso di popolazioni finite l’interpreta-
zione del significato dell’intervallo di fiducia … si
presenta agevole”. Viene quindi riproposta la ben
nota argomentazione (reperibile su vari libri di te-
sto): il livello di confidenza rappresenta la probabi-
lità che gli estremi dell’intervallo (che sono variabi-
li campionarie) contengano il parametro incognito
6 Statistica & Società
(che è fisso). Siccome questa spiegazione non è in
alcun modo ristretta alle popolazioni finite, desumo
che l’Autore ha dimostrato un risultato più generale
della sua stessa tesi. Egli invece tiene a precisare che
“L’inversione dell’intervallo di confidenza al di fuori
dell’inferenza per popolazioni finite, rimane una
questione che spesso in maniera eufemistica, viene
definita estremamente delicata”. Il massimo che egli
sembra disposto a concedere è che si possa interpre-
tare tale inversione come “una regola di approssi-
mazione non avente significato universale”. L’Au-
tore attribuisce la sua tesi, genericamente, alla “Scuo-
la statistica italiana” e rimprovera bonariamente
Casella e Berger di non farne cenno nel loro “impor-
tante libro” (Rizzi, 2004, p. 22). A mio avviso si tratta
di tesi talmente vaghe e confuse da non poter neppu-
re essere sottoposte ad un esame scientifico.
A proposito di interpretazione del grado di con-
fidenza di un intervallo, può essere interessante ri-
cordare l’interpretazione che Gini (1947, pp. 31-32)
aveva suggerito a proposito degli intervalli di confi-
denza (vedasi Forcina, 1982, p. 66 per una presenta-
zione più articolata). In breve, sia θ un parametro e
T una statistica (per semplicità le supponiamo entram-
be continue); se la probabilità che, per un fissato θ,
P[t1 (θ ) ≤ T ≤ t2 (θ )| θ ] = 1 − α ,
allora,
E{P[θ1 (T ) ≤ θ ≤ θ 2 (T )| T ]} = 1 − α ,
dove θ1(T) = [t1(θ)]-1 e θ2(T) = [t1(θ)]-1 sono le fun-
zioni che delimitano la regione di confidenza per un
fissato T. In parole povere questo vuol dire che il
livello di confidenza rappresenta il valore atteso del-
la probabilità a posteriori. Questo fatto però, dal punto
di vista di Gini, costituiva un difetto piuttosto che un
pregio, non potendo stabilire di quanto vari la pro-
babilità a posteriori da un campione all’altro.
3. Altri commenti
Il lavoro di Rizzi (2004) inizia evocando l’im-
magine di schiere contrapposte di statistici in con-
flitto per “mostrare che una specifica teoria dell’in-
ferenza statistica è vera in confronto di tutte le altre
che sono false”. Anzitutto egli prende le distanze da
queste diatribe: “Non vi è una teoria vera … Nessu-
na teoria può risolvere il problema generale dell’in-
duzione.” Ma subito dopo si preoccupa di sottoline-
are che il suo punto di vista: “non implica neutralità
rispetto alle osservazioni empiriche; essa (immagi-
no, la neutralità) è una illusione che spesso nascon-
de impliciti dogmatismi.” A mio avviso, queste sono
affermazioni generiche e confuse che richiedereb-
bero di essere opportunamente precisate.
Nel capoverso successivo l’Autore sembra fi-
nalmente sul punto di abbandonare posizioni gene-
riche e manifestare chiaramente le sue preferenze:
“Il teorema di Bayes può essere assunto come la re-
gola fondamentale per imparare dall’esperienza”.
Ma ecco subito la contromossa: “Ma non tutti i fe-
nomeni di apprendimento sono riportabili al teore-
ma di Bayes, che, a mia opinione costituisce, quindi,
non la regola di apprendimento, ma una regola di
apprendimento”. Cioè circa l’esatto contrario di
quanto detto sopra.
Il paragrafo su induzione e deduzione si basa
su un metodo analogo: fare delle affermazioni piut-
tosto ovvie e apparentemente contraddittorie. Ad
esempio, arrivato, attraverso una sintesi del pensie-
ro di Hume, ad enunciare il principio di continuità
della natura, egli ci avverte che “Da esso discendo-
no però gravi conseguenze: assenza di imprevedibi-
lità, cancellazione del libero arbitrio”. Invece di
chiarire che questa affermazione sarebbe vera solo
se il principio di continuità della natura venisse este-
so in modo acritico ai comportamenti umani, egli vi
contrappone un enunciato ovvio e, in un certo senso,
rassicurante: “gli eventi non ancora accaduti con-
tengono una porzione determinante di novità ed im-
prevedibilità, per altro almeno in parte valutabile ex
ante”.
Bibliografia
FORCINA A. (1982), Gini’s contributions to the Theory of
Inference, Int. Statist. Review, 50, 65-70.
FORCINA A. (2003), Probabilistic Modelling: an historical
and philosophical digression. In Foundations of
Statistical Inference, eds. Y. HAITOVSKY, R. LERCHE, Y.
RITOV, 69-76, Springer-Verlag.
GINI C. (1911), Considerazioni sulla probabilità a poste-
riori e applicazioni al rapporto dei sessi nelle nascite
umane. Studi Economico-Giuridici 3, Cagliari; ristam-
pato in Metron, 15, 1-37.
GINI C. (1940), Sur la théorie de la dispersion et sur la
vérification et l’utilisation des schémas théoriques.
Metron, 1-29.
GINI C. (1947), Statistical relations and their inversion.
Review of the Int. Statist. Inst., 15, 24-42.
RIZZI A. (2004), Abduzione ed inferenza statistica. Stati-
stica & Società, 2, 15-24.
 Statistica & Società
Competenze, criticità e prospettive per un ruolo chiave nella ricerca
farmaceutica: il biostatistico
F. Patarnello
GlaxoSmithKline, Verona
Introduzione
Il processo di progressiva specializzazione che
caratterizza il mondo del lavoro, ed in particolare
quello scientifico, crea decine di professioni e di pro-
fessionisti il cui titolo e qualifica risultano alle volte
ignoti, spesso vaghi, quasi sempre ambigui.
Questo problema comporta una serie di conse-
guenze negative sia per i singoli professionisti – o
aspiranti tali – sia per la disciplina stessa la quale
non riesce ad ottenere sufficiente credito per svilup-
parsi, per creare dei buoni percorsi formativi, per
ottenere il potere sufficiente nei processi decisio-
nali.
Ecco perché le professioni più deboli, come da
un certo punto di vista la nostra, dedicano tanto spa-
zio a ragionare sul proprio ruolo, sulla propria for-
mazione, sulla gestione della professione, come mai
farebbero farmacisti, notai, o avvocati, qualificati
dalle istituzioni stesse allo svolgimento di determi-
nate attività e spesso protagonisti quasi esclusivi delle
loro decisioni.
Il ruolo del biostatistico, anche ma non soltan-
to nell’industria farmaceutica, ha invece confini meno
netti, caratteristiche più variegate, molto spesso le-
gate alla tradizione ed al contesto aziendale ed an-
che alle caratteristiche della persona stessa. Tra que-
ste diverse sfumature è possibile vedere ruoli talmen-
te diversi da rendere difficile immaginare un percor-
so formativo ed un profilo del ruolo valido per tutti.
Guardare agli estremi in questo caso fa perdere
di vista il problema, e rinforza quella visione fatali-
stica e personalistica della biostatistica che ha reso
in questi anni difficile sviluppare e diffondere una
professione dai contenuti importanti e rilevanti per
la qualità della ricerca.
L’importanza dell’obiettivo del nostro lavoro,
cioè la ricerca, indipendentemente dall’istituzione
pubblica o dall’azienda privata per la quale operia-
mo, rende tuttavia il ragionare su questo argomento
sempre estremamente utile ad indirizzare gli sforzi
di tutti noi e a fornire delle indicazioni ai giovani
7
stessi che si affacciano a questa professione.
È auspicabile che migliorare il nostro ruolo e le
nostre competenze sia alla fine utile a migliorare l’ef-
ficacia e la qualità della ricerca e ad indurne un pro-
gressivo miglioramento.
Ciò si dovrebbe tradurre poi attraverso un “ef-
fetto volano” alla crescita del numero di biostatistici
fino a coprirne le reali necessità, arrivando ad una
massa critica sufficiente a influire positivamente sui
processi decisionali.
Il mondo dell’industria, la ricerca e la
flessibilità
In Italia i biostatistici che operano nell’indu-
stria farmaceutica, nelle agenzie di supporto come le
CRO (Clinical Research Organization), comprenden-
do anche coloro che si occupano di gestione dei dati
clinici, sono circa un centinaio.
Negli ultimi anni il processo di riduzione dei
costi e di ricerca di maggiore efficienza operativa di
molte aziende ha portato all’esternalizzazione di
molti servizi di biostatistica, spostando molte delle
risorse dalle aziende stesse alle CRO.
Pur trattandosi molto spesso delle stesse perso-
ne, lo spostamento di questi professionisti all’ester-
no delle aziende ha avuto un impatto strategico che
non va trascurato.
La progressiva perdita di competenza interna
all’azienda, la maggiore difficoltà per il biostatistico
esterno nell’affermare il proprio ruolo in uno scam-
bio dialettico con altri (chi di noi non si è trovato a
sostenere punti di vista estremamente diversi con un
responsabile di ricerca clinica nella determinazione
della dimensione campionaria o del disegno speri-
mentale di uno studio clinico!), la scarsa conoscenza
dell’area terapeutica o delle problematiche del pro-
dotto che si ha vivendo al di fuori dei confini
aziendali, ed infine la necessità di far fronte alla com-
petizione con altre CRO sia dal punto di vista dei
tempi di risposta, che, purtroppo, anche alla qualità
della risposta stessa, rendono sicuramente delicata e
significativa questa tendenza e molto difficile anche
8 Statistica & Società
per le CRO più qualificate e per i migliori professio-
nisti mantenere un livello qualitativo ed una
leadership adeguata nei processi decisionali.
Sparisce quindi nell’ultimo decennio in moltis-
sime delle aziende farmaceutiche il reparto di
biostatistica, con la sua autonomia funzionale e de-
cisionale, con i suoi professionisti, con l’insieme di
regole e procedure che li caratterizzano o presidiano
la qualità del lavoro svolto, e con esso sparisce, dove
si era venuta a creare, “la scuola”, il centro di cono-
scenza e di esperienza, utile ed anzi necessario rife-
rimento per i neo laureati, gli stagisti, i neoassunti.
Se la crescente richiesta di flessibilità del mer-
cato del lavoro e la forte competizione in termini di
efficienza presente sia nelle aziende private – ed in
misura sempre crescente anche pubbliche – si rivela
effettivamente utile ed auspicabile in moltissime at-
tività ed in particolare in quelle a più basso valore
aggiunto, o nelle quali è sufficiente il possesso di
alcune competenze tecniche (ad esempio la conoscen-
za della lingua straniera, l’utilizzo di alcune applica-
zioni informatiche), ciò rappresenta invece un vero
e proprio punto critico in quelle professioni nelle quali
il percorso formativo è più lungo e non può che svi-
lupparsi per la maggior parte all’interno del mondo
del lavoro.
In particolare è il mondo della ricerca e svilup-
po a risultare particolarmente svantaggiato dalla scar-
sa attenzione all’investimento in risorse umane, ed a
pagare invece gli effetti negativi che la flessibilità
ed il turn over creano se applicati a processi lunghi e
delicati come quelli che caratterizzano il nostro
settore.
In questo caso la flessibilità tende a creare dei
lavoratori che anche dopo un’attività lavorativa di
parecchi anni, rimangono sempre inesperti e junior.
Infatti su di essi, proprio per il carattere di tempora-
neità, non solo non verrà effettuata formazione qua-
lificante, ma non verranno nemmeno prodotti quegli
investimenti “personali” che generalmente il respon-
sabile della funzione svolge per i suoi collaboratori
più junior costituendo quell’importantissimo passag-
gio di conoscenze implicite ed esplicite che possono
essere trasferite in modo proficuo nei primissimi mesi
di vita lavorativa e che resteranno poi un riferimento
professionale valido in tutta la carriera professiona-
le di quella risorsa.
Questa categoria passerà incredibilmente da
junior a manager, magari gestendo risorse allocate
all’esterno e a loro volta temporanee, senza tuttavia
aver maturato, sul campo, le esperienze sufficienti a
consolidarne la solidità e credibilità professionale.
Questo manager si affiderà, per i problemi più com-
plessi, all’accademia, in modo tale da essere garan-
tito rispetto alla qualità formale delle sue scelte, pro-
ducendo ancora una volta quella distanza tra il pro-
blema e la sua trattazione metodologica che fu pro-
prio tipica degli inizi di questa professione.
Come si qualifica un biostatistico?
È necessario prima di tutto chiedersi: quale è,
in generale, il modo migliore, e più efficace, per qua-
lificare una professione?
Esistono a questo proposito diverse possibilità,
non sempre alternative:
a) influire sulla formazione prima dell’inizio dell’at-
tività lavorativa, aumentando la specializzazione
della formazione universitaria (laurea, master);
b) aumentare le barriere all’entrata della professio-
ne, ad esempio attraverso l’istituzione di albi pro-
fessionali e ordini (es. commercialisti, notai,…)
creando una maggiore protezione della categoria
ma di fatto non andando ad influire sulle compe-
tenze dei professionisti stessi;
c) lavorare sui processi decisionali generali cui par-
tecipano questi potenziali professionisti, ad esem-
pio quello della ricerca, creando quindi delle bar-
riere legate alla conoscenza ed alle decisioni.
Per capire quindi cosa è meglio fare, e poter
quindi dare dei suggerimenti utili anche a chi si ap-
presta a iniziare questa professione, è utile dare ri-
sposta alle seguenti domande: cosa fa un biostatisti-
co, in Italia, in Europa, nel mondo? A quali processi
partecipa? Che decisioni prende? Quali specializza-
zioni ha, o può avere? Dove opera principalmente?
Quale tipo di formazione ha avuto e quali competen-
ze ha dovuto sviluppare per svolgere in modo effica-
ce il suo ruolo?
Inoltre sarà estremamente utile chiedersi, e chie-
dere ai professionisti ormai pienamente nel ruolo, che
esperienze e che background hanno avuto, e quali
sono stati i fattori critici di successo per la loro cre-
scita professionale. Infine, come loro stessi selezio-
nano i propri collaboratori, da quali percorsi forma-
tivi provengono, che caratteristiche hanno, quali com-
petenze devono assumere nel loro percorso
formativo.
Negli anni ’80 la maggior parte delle persone
impiegate nelle Unità di Biostatistica delle aziende
farmaceutiche italiane provenivano dai laboratori di
 Statistica & Società
ricerca. Pochissimi erano laureati in statistica o ave-
vano una qualche specializzazione in statistica.
Si trattava di risorse nella maggior parte dei casi
giunte a quell’unità o per una loro particolare dime-
stichezza all’utilizzo del computer, o per una svilup-
pata allergia in laboratorio.
È evidente che nessuna delle due caratteristi-
che aveva alcuna relazione con la professione del
biostatistico!
Molti di loro tuttavia svilupparono con gli anni,
sia autonomamente sia attraverso la frequentazione
di corsi di formazione specifica, una esperienza ed
una conoscenza della materia e delle sue applicazio-
ni che difficilmente è riscontrabile in molti colleghi
con un percorso formativo ineccepibile dal punto di
vista accademico e con cospicua attività di forma-
zione post laurea.
In una ricerca condotta dalla federazione delle
società europee di biostatistica nella industria far-
maceutica (EFSPI) alla fine degli anni ’90 sul ruolo
del “Qualified statistician in the european pharma-
ceutical company…”1, è emerso come le caratteri-
stiche di questi professionisti siano estremamente
disomogenee in ciascuno dei paesi partecipanti al-
l’indagine. In ogni caso i partecipanti convennero su
quali fossero i due aspetti principali che potevano
portare ad una definizione di statistico qualificato a
svolgere la professione all’interno dell’industria far-
maceutica: una qualifica universitaria con un conte-
nuto statistico “appropriato”, ed una esperienza in
statistica medica “appropriata”.
Appare quindi evidente che esistono diversi
percorsi formativi che possono portare allo stesso
risultato, o comunque a risultati sovrapponibili. Anzi,
da un certo punto di vista la varietà degli itinerari
formativi percorsi da ciascuno di noi rappresenta la
vera ricchezza della nostra disciplina. Inoltre ciò ci
aiuta a prendere atto di come la formazione di un
biostatistico non sia mai terminata, in quanto si com-
pleta di volta in volta in base a problemi, esperienze,
conoscenze e sapere che derivano alternativamente
o dalla metodologia o dalla natura del problema me-
dico cui si riferiscono.
Ecco che un biostatistico che abbia lavorato in
un area terapeutica particolare sarà di fatto qualifi-
cato per quell’area come non lo è allo stesso modo
1
Qualified statistician in the European Pharmaceutical industry: report of statisticians in the pharmaceutical industry (EFSPI) working
group, EFSPI Working Group, Drug Information Journal, Vol. 33, pp. 407-415, 1999.
9
per un altra, ciò nonostante la sua formazione
metodologica di base sia la stessa.
Per ciò che attiene alla ricerca, egli conoscerà
di quell’area medica la letteratura, l’epidemiologia,
il linguaggio, le caratteristiche metodologiche, le
applicazioni, il network di esperti, le trappole, gli
strumenti di misura, perfino le caratteristiche dei
pazienti, la frequenza delle risposte, la distribuzione
di frequenza delle variabili.
Come si può insegnare tutto questo all’Univer-
sità? E dall’altra parte, come si collocherebbero que-
ste conoscenze senza la solida base metodologica
fornita dalla formazione universitaria?
Nella Tavola Rotonda su “Il Biostatistico in In-
dustria, Sanità e Ricerca: il punto di vista dei giova-
ni biostatistici”, organizzata a Brescia nell’ottobre
2003 all’interno del secondo Congresso Nazionale
della Società di Statistica Medica ed Epidemiologia
Clinica, alla quale hanno partecipato biostatistici rap-
presentativi delle diverse realtà professionali ed
organizzative, quasi tutti i partecipanti hanno consi-
derato complessivamente utile tutta la formazione
universitaria effettuata. Ciò è rilevante in quanto i
partecipanti erano assimilabili in termini di profes-
sione ma non in termini di formazione universitaria!
Per molti l’esistenza di una “scuola” cui fare riferi-
mento per il trasferimento delle conoscenze teoriche
e del saper fare è stato considerato un elemento chiave
nella crescita professionale.
Lo sviluppo del ruolo: un processo top-down
In una area così difficile come quella della ri-
cerca medico-scientifica ed in particolare nel caso
dello sviluppo dei farmaci, in cui le decisioni si svi-
luppano all’interno di una crescente complessità di
informazioni, regole, ruoli e processi, la professione
medica possiede tradizionalmente la maggior parte
delle competenze esclusive, ed in genere, tende ad
utilizzarle all’interno dei processi decisionali in modo
quasi autoritario.
Per molto tempo, ed in particolare nei paesi nei
quali la ricerca non ha avuto una sufficiente tradi-
zione alle spalle, la statistica è stata vista come utile
solo nella fase operativa di generazione di risultati,
responsabile dei calcoli, delle approssimazioni, del-
10 Statistica & Società

le trasformazioni, ed al massimo, nei casi più gene-
rosi, utile per rappresentare i risultati sotto forma di
tabelle, e in qualche raro caso di grafici.
Gli statistici “puri” rifiutavano qualsiasi respon-
sabilità circa il problema, nella cui natura, non es-
sendo medici, non intendevano in alcun modo entra-
re, realizzando spesso delle elaborazioni ineccepibi-
li dal punto di vista metodologico ma incomprensi-
bili e quindi inutilizzabili ai fini della corretta ge-
stione della conoscenza scientifica in quanto tali ela-
borazioni non si qualificavano mai in risultati.
Dall’altra parte si evidenziava una vasta classe
di medici che, sviluppando rapidamente una serie di
competenze di base come la ripetizione di procedure
di calcolo con alcuni software, o grazie ad un più
serio processo di studio ed analisi, erano finalmente
in grado di sviluppare autonomamente l’elaborazio-
ne di una serie di dati ottenendo la risposta al pro-
prio quesito clinico.
È chiaro che nessuno dei due processi risultava
soddisfacente per una serie di ragioni. Se una di que-
ste è facilmente intuibile, e riguarda la scarsa qualità
metodologica raggiungibile senza la conoscenza del
problema, o, viceversa, senza la conoscenza del me-
todo, ciò che più pericolosamente viene a mancare
in quella situazione è che nei due casi estremi non vi
è la consapevolezza che la ricerca necessariamente
richiede un approccio cui partecipano diverse re-
sponsabilità con pari dignità in termini decisiona-
li e scientifici.
Oggi questi meccanismi sono stati quasi com-
pletamente modificati. Ma in che modo è stato intro-
dotto questo cambiamento nella ricerca scientifica,
ed in particolare quella medica? Sicuramente l’in-
ternazionalizzazione ha in qualche misura avvicina-
to gli estremi. Ma anche il sistema di regole e con-
trolli imposte dalle istituzioni e dalle autorità, ad
esempio nel campo dell’autorizzazione all’approva-
zione dei nuovi farmaci, ha indotto un processo di
cambiamento che si è tradotto anche a livello cultu-
rale nel mondo scientifico.
Questi passaggi non sono sempre stati imme-
diati. Se si pensa al nostro paese la normativa Good
Clinical Practices, relativa alla sperimentazione cli-
nica è in vigore dal 1992 2. In questa è fatto esplicita-
mente riferimento al ruolo del biostatistico cui viene
attribuita una precisa responsabilità sul disegno del-
lo studio oltre che sull’analisi dei dati. Egli è respon-
sabile di garantire la qualità metodologica dello stu-
dio clinico e dei suoi risultati. Successivamente nel
decreto sulla composizione dei Comitati Etici3 si fa
riferimento al fatto che tra i membri di un Comitato
Etico vi è un “esperto di biostatistica”, definizione
un po’ vaga ma probabilmente non facilmente mi-
gliorabile. Tuttavia se osserviamo la realtà in Italia
la biostatistica non vede suoi illustri rappresentanti
presso la Commissione Unica del Farmaco, né pres-
so il Ministero della Salute. Ancora più grave è il
fatto che fino a pochi anni fa soltanto una minima
parte dei Comitati Etici operanti nel territorio nazio-
nale dichiaravano la presenza di un biostatistico nel
Comitato. Se nel 2001 erano soltanto 32 i biostatistici
nei Comitati Etici4 ancora oggi su 212 Comitati Eti-
ci che hanno dichiarato la propria composizione, sol-
tanto 159 (il 75%) ha tra i suoi componenti un
biostatistico5. Probabilmente tra essi vi sono ancora
professionisti presi a prestito da altre aree che per
loro stessa ammissione non operano in alcun modo
con questa qualifica nella loro realtà professionale.
Da dove iniziare quindi per sviluppare il ruolo
del biostatistico?
È necessario agire su tutti e tre i punti, e cioè:
a) lavorare per una formazione universitaria in gra-
do di formare una base di conoscenze teoriche
sufficiente e sistematica, e soprattutto distintiva
del ruolo;
b) proseguire la formazione all’interno del mondo
del lavoro, selezionando le esperienze del primo
anno di vita del neo laureato, mettendo a punto
un legame tra industria ed università che renda
efficace l’investimento e che garantisca il giova-

2
Decreto Ministeriale 27 aprile 1992, Disposizioni sulle documentazioni tecniche da presentare a corredo delle domande di autoriz-
zazione all’immissione in commercio di specialità medicinali per uso umano, anche in attuazione della Direttiva n. 91/507/CEE.
3
Decreto Ministeriale 23 novembre 1999, Composizione e determinazione delle funzioni del Comitato Etico per le sperimentazioni
cliniche dei medicinali.
4
Dati tratti dall’Osservatorio sulla Sperimentazione Clinica, presentati da F. Grigoletto al Convegno SSFA, aprile 2001.
5
in Atti del Convegno CIRB, 3 novembre 2003 Roma, relazione di Nello Martini.
 Statistica & Società
ne sia in termini di selezione dell’industria che di
valutazione del progetto di ricerca;
c) lavorare a livello istituzionale affinché il biosta-
tistico sia presente all’interno dei processi deci-
sionali appropriati, abbia sufficiente peso e risor-
se economiche ed umane, e sia rappresentato e
adeguato rispetto alla responsabilità assegnata.
Quali competenze?
Quali sono le competenze che preferibilmente
dovranno essere presenti, o che andranno successi-
vamente create, per questo tipo di professionista? È
senz’altro importante considerare che sia il tipo di
lavoro che il contesto nel quale si trovi ad operare lo
statistico (ad es. ricerca pre clinica o ricerca post
registrativa) potranno modificare parzialmente le
competenze richieste.
Oltre quelle tipiche del curriculum dello stati-
stico, ed oltre alla conoscenza della lingua inglese,
dovrebbero essere presenti lo studio della
metodologia della ricerca, conoscenze informatiche
specifiche sulla gestione delle banche dati, e sulle
principali tecniche di gestione dei dati stessi.
Sarebbe inoltre estremamente auspicabile la
conoscenza della normativa riguardante la ricerca
sperimentale, la ricerca sui farmaci nel caso specifi-
co, i principali meccanismi regolatori, i processi di
ricerca e sviluppo.
La studio delle aree terapeutiche, impossibile
da ipotizzare in modo completo e per tutte le
patologie, dovrebbe invece essere proposto come
mezzo per acquisire nuove conoscenze, o per effet-
tuare aggiornamento. Una buona formazione su come
acquisire informazioni dalle banche dati, come
reperire la letteratura, come studiare un area nuova
11
di conoscenza, in altre parole come ricercare nuove
informazioni scientifiche e come utilizzarle sarebbe
assai utile.
Infine, per le competenze non tecniche, dovreb-
bero essere sviluppate conoscenze di project mana-
gement, di pianificazione e di lavoro di team che
permetteranno più facilmente ai nuovi biostatistici
di affrontare la complessa realtà industriale, inciden-
do in modo più efficace nel processo decisionale..
Conclusioni
La professione del biostatistico è, come tutte
quelle che partecipano alla ricerca scientifica, molto
interessante e stimolante.
Il ruolo che può svolgere ciascuno di noi all’in-
terno di un progetto di ricerca può essere straordina-
rio e modificare in modo definitivo il corso della ri-
cerca stessa.
Lo sviluppo di questa professione, e di conse-
guenza dei suoi professionisti non deve essere in al-
cun modo visto con spirito corporativo, e nemmeno
con fatalismo e tolleranza. Deve essere invece mas-
sima la consapevolezza di potere, e in alcuni casi,
dovere incidere su un processo, quello della ricerca,
nel quale integrità, qualità e correttezza sono dei prin-
cipi che non possono essere violati.
Le nostre diversità rappresentano un valore da
difendere, ma il punto d’arrivo deve essere invece
unico e qualificante, e garantire alla società ed alla
comunità scientifica il rispetto delle regole.
Ciascuno di noi, responsabile nel mondo acca-
demico, industriale o nelle istituzioni di questa ri-
sorsa, dovrà quindi tenere conto di questo contratto
sociale nel momento in cui sia chiamato a seleziona-
re, formare, coordinare un biostatistico.
12 Statistica & Società
Il RUOLO DELLA STATISTICA NELL’INGEGNERIA DEI SISTEMI
DI TRASPORTO
Francesca Pagliara
Dipartimento di Ingegneria dei Trasporti, Università degli Studi di Napoli “Federico II” – e-mail: fpagliar@unina.it
1. Introduzione
Il punto di partenza è il riconoscimento che l’in-
gegneria dei sistemi di trasporto costituisce un’area
disciplinare ed applicativa autonoma, finalizzata alla
“progettazione funzionale” di interventi infrastrut-
turali e/o organizzativi su un sistema di offerta di
trasporto.
La difficoltà, e il fascino, di questa pratica pro-
fessionale deriva dalla intrinseca complessità dei si-
stemi di trasporto. Questi infatti sono sistemi “inter-
namente” complessi, ovvero composti da numerosi
elementi che si influenzano in modo diretto ed indi-
retto, spesso non lineare, con numerosi cicli di
retroazione ed effetti di segno diverso. Inoltre gli ele-
menti che compongono il sistema sono solo in parte
“tecnici”, e quindi governati dalle leggi della fisica e
in quanto tali tradizionalmente studiati dall’ingegne-
re. Il “funzionamento” e le prestazioni di un sistema
di trasporto dipendono infatti in modo imprenscin-
dibile dalla domanda di mobilità e dai comportamenti
degli utenti; l’analisi della domanda di mobilità è
quindi essenziale per la progettazione e richiede un
approccio diverso che faccia riferimento ad altre “re-
gole”, tradizionalmente studiate dalle discipline eco-
nomiche.
Oltre alla complessità “interna”, i sistemi di tra-
sporto sono strettamente interrelati ad altri sistemi
che, nell’ottica adottata, si possono definire esterni;
interventi e scelte sui trasporti possono avere impli-
cazioni sull’economia, l’assetto del territorio, l’am-
biente, la qualità della vita delle persone.
L’approccio dell’ingegneria dei sistemi di tra-
sporto è sistemico, ovvero studia le relazioni che in-
tercorrono fra i diversi elementi e le relative presta-
zioni basandosi su un nucleo teorico autonomo e su
metodologie di analisi e di calcolo derivate dalla sin-
tesi dei contributi di numerose aree disciplinari ed in
particolare quelle dell’economia, dell’econometria,
della statistica e della ricerca operativa oltre a quel-
le, tradizionalmente più vicine, dell’ingegneria del
traffico, delle infrastrutture di trasporto e della mec-
canica del moto.
2. Il ruolo della statistica nelle scienze sociali
La relazione esistente tra teoria e sperimenta-
zione costituisce il fulcro di qualsiasi indagine so-
ciale di tipo scientifico. Partendo da un insieme dato
di ipotesi si arriva alla costruzione di uno schema
teorico che è a sua volta messo alla prova sui dati
sperimentali disponibili.
Questo tipo generale di impostazione è mostra-
to in Fig. 1. Se la teoria non è completamente prova-
ta dall’esperimento le cause possono essere diverse
(Holl, 1990).
La prima, illustrata nella parte a) del diagram-
ma, chiama in causa la possibilità di errori nei dati.
In questo caso il problema può risolversi raccoglien-
do nuovi dati, maggiormente accurati, sui quali met-
tere nuovamente alla prova la teoria.
La seconda possibile causa di conflitto, eviden-
ziata nella parte b) delle figura, è che la teoria spiega
solo una parte dei dati disponibili, ma non tutti. Sarà
in tale caso necessario rivedere lo schema teorico
che si è formulato, cercando di ridefinirlo e sottopo-
nendolo quindi ad una nuova prova per vedere se la
capacità esplicativa dei dati è stata migliorata.
Può verificarsi il caso che la teoria e l’evidenza
empirica siano completamente slegate come mostrato
nella parte c) del diagramma. Se si è sicuri dell’ac-
curatezza dei dati, la soluzione è quella di tornare al
punto di partenza e riformulare, sulla base di un nuo-
vo insieme di ipotesi, una diversa teoria.
L’interdipendenza tra teoria ed esperimento ri-
chiede l’uso di varie tecniche statistiche di analisi
che possono essere nel loro insieme raggruppate sotto
la denominazione di metodi statistici.
 Statistica & Società 13

Ipotesi Teoria Dati

La determinazione del grado di validità stati-
stica dei risultati dell’analisi è già di per sé parte del
processo interpretativo, ma riguardo al contenuto
(a)
puramente meccanico della procedura di verifica è
Dati NO Nuovi
OK? dati necessario aggiungere altre considerazioni di natura
richiesti
meno formale. La qualità di ogni progetto di ricerca
può non necessariamente derivare dalla sola qualità
dei dati utilizzati. Anche se questi sono i migliori
disponibili potrebbero contenere errori in misura più
Ipotesi Teoria Dati
o meno variabile e potrebbe quindi rendersi neces-
sario rivedere il grado di confidenza da noi attribuito
(b) alle conclusioni del lavoro.
SI Nuovi
Dati dati È necessario, inoltre, considerare l’effetto del-
OK? richiesti le variabili mancanti, poiché i dati in uso nelle scien-
ze sociali non sono generati sotto condizioni di labo-
ratorio, non si può facilmente rimuovere l’effetto di
Ipotesi Teoria Dati
altre variabili.
Una ulteriore considerazione nell’interpretazio-
ne dei risultati riguarda le ipotesi di base della tecni-
(c) SI ca utilizzata. Ogni tecnica o misura è solitamente
Nuovi
Dati dati basata su ipotesi che guidano la natura dei dati uti-
OK? richiesti
lizzati o il modo in cui essi sono stati generati. Se in
una certa situazione pratica tali ipotesi non sono ve-
Fig. 1. rificate l’utilizzo di una tecnica particolare può pro-
durre risultati affetti da errori che possono portare a
conclusioni inesatte.
Mentre il termine metodi statistici si riferisce La statistica quale disciplina può essere consi-
alle tecniche disponibili per l’analisi empirica, la sta- derata come un’area di ricerca scientifica il cui obiet-
tistica in quanto disciplina deve essere intesa in un tivo centrale è l’analisi delle caratteristiche delle
contesto più ampio che comprende la raccolta e l’ana- popolazioni; per comprendere questo tipo di impo-
lisi dei dati e l’interpretazione dei risultati. stazione è necessario definire e discutere le differen-
Una volta terminata la raccolta dei dati, questi ze tra un campione e la popolazione. Un insieme di
devono essere analizzati mediante l’uso di tecniche osservazioni tratte da una data fonte viene detto cam-
statistiche. Se la quantità di informazione è notevo- pione, mentre la fonte dalla quale esso deriva è chia-
le, lo stadio preliminare dell’analisi comporta il mata popolazione.
superamento del disordine del collettivo per arrivare La distinzione tra popolazione e campione co-
ad una visione prospettica generale raggiungibile sin- stituisce il nucleo dell’analisi statistica, così come
tetizzando l’informazione in classi e presentandola quella tra descrizione e inferenza.
sotto forma tabulare e grafica. La statistica descrittiva ha come oggetto la de-
Lo stadio successivo dell’analisi è quello inter- scrizione quantitativa delle varie caratteristiche del
medio, in cui si arriva ad una descrizione matemati- campione. Se però si volesse usare questa informa-
ca dei dati introducendo alcune formule algebriche zione campionaria per trarre conclusioni relative alla
di sintesi. Ad esempio si calcolano i valori medi di popolazione, ci si colloca nell’ambito della statistica
una variabile, o indici che esprimono il grado di as- inferenziale.
sociazione tra due variabili. La descrizione delle caratteristiche di un cam-
Nello stadio finale si cerca di valutare l’atten- pione e il compiere inferenza circa una popolazione
dibilità statistica dei risultati ottenuti. Poiché i dati sono due processi separati e distinti che possono es-
sono non-sperimentali per loro natura, vi sono alcu- sere in qualche modo collegati facendo riferimento
ne difficoltà nel sottoporli a prova e sarà quindi ne- alla teoria della probabilità.
cessario determinare il grado di confidenza che noi Negli studi economici si ha spesso a che fare
poniamo nei nostri risultati. con problemi relativi alla scelta tra teorie concorren-
14 Statistica & Società
ti che viene solitamente effettuata osservando quan-
to i dati osservati si avvicinano alle ipotesi delle dif-
ferenti teorie. Esistono, infatti, numerosi test para-
metrici che consentano di compiere queste scelte.
3. I modelli di utilità aleatoria
I modelli matematici utilizzati per simulare la
domanda di trasporto tentano di riprodurre i com-
portamenti di scelta degli utenti (modelli comporta-
mentali) (Cascetta, 2001).
I modelli di utilità aleatoria vengono utilizzati
per simulare le scelte di mobilità delle persone; gli
stessi modelli possono essere applicati per simulare
le scelte relative al trasporto delle merci e alla scelta
della localizzazione delle attività, come si vedrà nel
paragrafo 4.
I modelli di utilità aleatoria (o casuale) si basa-
no sulla ipotesi che ogni utente, eventualmente ap-
partenente ad una classe di utenti omogenei da un
punto di vista comportamentale, sia un decisore ra-
zionale ovvero un massimizzatore dell’utilità relati-
va alle proprie scelte (Cascetta, 2001). Più in parti-
colare i modelli di utilità aleatoria si basano sulle
seguenti ipotesi.
• Il generico utente i nell’effettuare la scelta consi-
dera mi alternative disponibili che costituiscono
il suo insieme di scelta Ii.
• Il decisore i associa a ciascuna alternativa j del
suo insieme di scelta una utilità o “attrattività”
percepita Uij e sceglie l’alternativa che massimizza
tale utilità.
• L’utilità associata a ciascuna alternativa di scelta
dipende da una serie di caratteristiche misurabili,
o attributi, propri dell’alternativa stessa e del
decisore, Uij = Ui(Xij), dove Xij è il vettore degli
attributi relativi all’alternativa j e al decisore i. In
altri termini il decisore sceglie una alternativa in
base agli attributi propri di quella alternativa con-
frontandoli con quelli delle altre alternative di-
sponibili.
• L’utilità associata dal generico decisore i all’al-
ternativa j non è nota con certezza all’osservato-
re esterno, e pertanto deve essere rappresentata
con una variabile aleatoria.
Sulla base delle ipotesi precedenti non è possi-
bile in generale prevedere con certezza quale alter-
nativa sceglierà il generico decisore; è invece possi-
bile esprimere la probabilità che egli scelga l’alter-
nativa j condizionata al suo insieme di scelta Ii, come
la probabilità che tale alternativa abbia una utilità
percepita maggiore di tutte le altre alternative dispo-
nibili:
[ ] [
pi j I i = Pr U ij > Uki ∀k ≠ j, k ∈ I i ] (1)
i
L’utilità percepita U j può essere espressa dalla
somma dell’utilità sistematica Vji , che rappresenta
la media o il valore atteso dell’utilità percepita tra
tutti gli utenti con lo stesso contesto di scelta del
decisore i (alternative e relativi attributi), e di un re-
siduo aleatorio ε ij , che rappresenta lo scostamento
dell’utilità percepita dall’utente i da tale valore:
U ij = Vji + ε ij ∀j ∈ I i (2)
Dalla (1) si evince che la probabilità di scelta
di una alternativa dipende dai valori delle utilità si-
stematiche di tutte le alternative concorrenti, e dalla
legge di distribuzione congiunta dei residui aleatori
εj.
L’utilità sistematica rappresenta la media del-
l’utilità percepita fra tutti gli individui che hanno gli
stessi valori degli attributi; essa è espressa come una
( )
i i
funzione Vj X kj di attributi Xkji relativi alle alter-
native e al decisore. Sebbene la funzione Vji X ij ( )
possa essere di qualunque tipo, per ragioni di conve-
nienza analitica di solito si assume che la utilità si-
stematica Vji sia una funzione lineare nei coefficienti
βk degli attributi o di loro trasformazioni funzionali:
( ) ∑
Vji X ij =
k
β k Xkji = β T X ij (3)
dove β k sono coefficienti numerici da stimare.
Il modello Logit Multinomiale é il modello di
utilità aleatoria più semplice, esso si basa sull’ipote-
si che i residui aleatori ε j relativi alle diverse alter-
native siano indipendentemente ed identicamente di-
stribuiti (i.i.d) secondo una variabile aleatoria (v.a.)
di Gumbel a media nulla e di parametro θ.
La probabilità di scegliere l’alternativa j fra
quelle disponibili (1,2....m) ∈ I fornita dalla (1) può
essere espressa in forma chiusa come:
( )
exp Vj / θ
p[ j ] = m
(4)
∑ exp(V / θ )
k
k =1
 Statistica & Società
4. Specificazione, calibrazione e validazione
dei modelli
L’analisi e la progettazione di interventi sui si-
stemi di trasporto richiede la stima della domanda
attuale e/o la previsione di quella futura. Tali stime
possono essere ottenute utilizzando fonti di informa-
zione e strumenti statistici diversi.
Per stimare la domanda attuale è possibile ef-
fettuare delle indagini, tipicamente delle interviste,
su di un campione di utenti e da queste, utilizzando
le tecniche della statistica inferenziale, ottenere
dellestime dirette della domanda.
In alternativa, si può stimare la domanda (at-
tuale o futura) con dei modelli. La stima da modello
richiede che i modelli siano specificati (cioè sia scelta
la forma funzionale e le variabili che vi compaiono),
calibrati (cioè siano stimati i valori dei coefficienti
in essi contenuti) e validati (cioè ne sia valutata la
capacità di riprodurre i dati disponibili).
Un buon modello di domanda è di solito il ri-
sultato di un processo di “trial and error” in cui il
ciclo specificazione-calibrazione-verifica viene ripe-
tuto più volte fino al raggiungimento di un modello
“soddisfacente”. Di seguito si descrivono le fasi di
calibrazione e validazione che vengono eseguite ri-
correndo a metodi statistici.
4.1 Calibrazione
I modelli di utilità aleatoria descritti nel para-
grafo 3 possono essere visti come delle relazioni ma-
tematiche che forniscono la probabilità pi[j](Xi, β, θ)
che l’individuo i scelga l’alternativa j in funzione
del vettore (Xi) degli attributi di tutte le alternative
disponibili e dei vettori di parametri relativi alla uti-
lità sistematica (β) e alla funzione di probabilità con-
giunta dei residui aleatori. La dipendenza delle pro-
babilità di scelta da X e β avviene attraverso le fun-
zioni di utilità sistematica che di solito si assumono
come combinazioni lineari degli attributi Xz (o loro
trasformazioni funzionali) con coefficienti dati dai
parametri βz:
Vj ( X ij ) = ∑βX
z z
i
zj = β T X ij
La dipendenza dai parametri strutturali θ, ad
esempio i parametri corrispondenti alle variabili di
Gumbel nei modelli Logit avviene invece attraverso
la forma funzionale dello specifico modello utiliz-
zato che a sua volta dipende dalla funzione di distribu-
zione di probabilità congiunta dei residui aleatori ε.
15
Calibrare il modello significa ottenere delle sti-
me dei coefficienti βz, componenti del vettore β, e
dei coefficienti θr, componenti del vettore θ sulla base
delle scelte effettuate da un campione di utenti.
Il metodo di stima dei parametri comunemente
usato è quello della Massima Verosimiglianza (o ML
dall’inglese Maximum Likelihood) che fornisce i
valori dei parametri incogniti che massimizzano la
probabilità di osservare le scelte effettuate dagli uten-
ti. La probabilità di osservare le scelte di un campio-
ne di utenti, o Verosimiglianza del campione, dipen-
de oltre che dal modello di scelta adottato, dalla
modalità con la quale si è ottenuto il campione stes-
so ovvero dalla strategia di campionamento adottata.
Il caso più semplice si ha per un campionamen-
to casuale semplice di n utenti. Sotto questa ipotesi
le osservazioni sono statisticamente indipendenti e
la probabilità, o “likelihood”, di osservare l’insieme
delle scelte degli utenti del campione è fornita dal
prodotto delle probabilità che ciascun utente appar-
tenente al campione effettui la scelta j(i), avendo in-
dicato con j(i) l’alternativa effettivamente scelta dal-
l’utente i-esimo. Poiché le probabilità pi[j(i)](Xi, β,
θ) sono calcolate con il modello in esame e quindi
dipendono dal vettore di coefficienti (β1, β2,..., βK,
θ1, θ2,..., θR), anche la probabilità L di osservare l’in-
tero campione risulta funzione dei parametri inco-
gniti:
L(β,θ) = Πi=1...n pi[j(i)](Xi,β, θ) (6)
La stima di massima verosimiglianza [β,θ]ML dei
vettori di parametri β e θ è ottenuta massimizzando
la (6) o, più convenientemente, il suo logaritmo na-
turale, (funzione log-likelihood):
[β, θ]ML = argmaxlnL(β, θ) =
argmax ∑ i=1...n
( )
ln pi [ j (i )] X i , β, θ
(7)
4.2 Validazione
Una volta specificato e calibrato un modello di
domanda va validato. In questa fase si verifica la ra-
gionevolezza e la significatività dei parametri stima-
(5) ti, la capacità del modello di riprodurre le scelte ef-
fettuate da un campione di utenti e vanno, infine,
verificate le ipotesi alla base della forma funzionale
assunta per il modello. Tutte queste verifiche posso-
no essere condotte attraverso una serie di indicatori,
o più propriamente statistiche, utilizzando degli ap-
propriati test di ipotesi effettuati a partire da infor-
mazioni relative ad un campione di utenti.
16
Questi test verificano diverse ipotesi sulle sti-
me βML dei coefficienti ottenute con il metodo della
Massima Verosimiglianza.
Di seguito si riporta solo la descrizione dei test
t-Student sui singoli coefficienti. Questi verificano
l’ipotesi nulla (H0) che un coefficiente βk sia pari a
zero e la stima βkML sia diversa da zero per gli errori
campionari (H0 : βk = 0) tramite la statistica:
β kML
t=
[ ]
1/ 2
Var β kML
ovvero che due coefficienti βk e βj siano uguali
(H0 : βk = βj), tramite la statistica:
β kML − β jML
t=
(Var[β ] + Var[β ] − 2 cov[β
ML ML ML
β kML
k j j disaggregati in categorie di reddito; mentre l’insie-
In entrambi i casi nell’ipotesi nulla la statistica
t è distribuita secondo una variabile t-Student con un
numero di gradi di libertà pari alla dimensione del
campione meno il numero di coefficienti stimati, tut-
tavia di solito si assume che la statistica t sia distri-
buita come una variabile normale standard, N(0,1),
che rappresenta la distribuzione limite della variabi-
le t di Student al crescere del numero dei gradi di
libertà.
Come è noto l’ipotesi nulla viene rifiutata con
una probabilità di a di commettere l’errore di rifiuta-
re una ipotesi vera (errore di I specie) se il valore
della statistica t è esterno all’intervallo di estremi
( )
zα 2 , z1− α 2 che, per α = 0.95 valgono ±1.96.
La capacità del modello di riprodurre le scelte
effettuate da un campione di utenti può essere misu-
rata utilizzando la statistica rho-quadro:
lnL(β ML )
ρ2 = 1 −
lnL(0)
Tale statistica è una misura normalizzata nel-
l’intervallo [0,1] della capacità del modello di ripro-
durre le scelte osservate. La statistica rho-quadro vale
zero se L(βML) è eguale a L(0) ovvero il modello non
ha alcuna capacità esplicativa, vale 1 se il modello
fornisce una probabilità pari a uno di osservare le
scelte effettivamente fatte da ogni utente del cam-
pione ovvero il modello ha una perfetta capacità ri-
produttiva.
Statistica & Società
5. Applicazioni alla scelta della localizzazione
della residenza
I modelli descritti nel paragrafo 3 possono es-
sere utilizzati anche per simulare la scelta del luogo
di residenza.
In diversi lavori rivisitati da Pagliara e Simmon-
ds (2001), il modello di localizzazione dei residenti
fornisce il numero di residenti per ogni zona dell’area
di studio in funzione delle convenienze localizzative
(8) di ciascuna zona e delle caratteristiche del sistema di
offerta di trasporto. Il numero di residenti in una zona
si assume sia il risultato del processo decisionale degli
occupati presenti all’interno dell’area di studio. In
altri termini, ciascun occupato sceglie la propria zona
di residenza in funzione delle caratteristiche della
stessa, ma soprattutto in funzione della zona in cui
egli lavora. In generale, i decisori sono i lavoratori
])
1/ 2
(9)
me di scelta è rappresentato da tutte le zone dell’area
di studio. La scelta della zona di residenza si suppo-
ne indipendente dalle altre, dando luogo ad una spe-
cificazione di tipo Logit.
In particolare, si assume che la probabilità di
risiedere in una certa zona i sia uguale a:
p c (ris = i, lav = j ) = p c ( ris = i / lav = j ) ⋅ p c (lav = j )
p c ( ris = i ) = ∑ p (ris = i, lav = j )
j
c
(11)
dove pc(ris = i) è la probabilità che il generico occupa-
to della categoria c risieda nella zona i; pc(ris = i, lav = j);
è la probabilità congiunta di risiedere nella zona i e
lavorare nella zona j per il generico occupato della
categoria c; pc(ris = i / lav = j); è la probabilità che il
generico occupato della categoria c risieda nella zona i
condizionata al fatto di lavorare nella zona j; pc(lav = j); è
la probabilità che l’occupato della categoria c lavori
nella zona j.
(10) La probabilità condizionata ha una espressione
del tipo Logit:
p c ( ris = i / lav = j ) =
(
exp V c (ris = i / lav = j ) θ )
∑ ( exp V c (ris = h / lav = j ) θ (12) )
h
La probabilità di lavorare in una data zona j per
i residenti della categoria c è:
ADDc (lav = j )
p c ( j = lav) =
∑h
ADDc (lav = h) (13)
dove ADDc = sono gli occupati di tipo c nella zona j.
 Statistica & Società
La calibrazione di tali modelli può essere con-
dotta in diversi modi.
Nel caso della contea di Oxford (Pagliara et al.,
2002, Kim at al., 2003) si è condotta un’ indagine
relativa alle preferenze dichiarate dai residenti in
contesti ipotetici (indagini Stated Preference o SP).
Dall’indagine si volevano verificare quali fossero gli
attributi che più hanno influenzato la scelta del luo-
go di residenza nella contea di Oxford.
Tra le variabili considerate si sono introdotti:
• il prezzo immobiliare;
• il tempo di viaggio relativo allo spostamento
casa-lavoro;
• il costo relativo allo spostamento casa-lavoro;
• variabili relative alla densità abitativa;
• variabili relative alla localizzazione in città;
• variabili relative al livello di inquinamento acu-
stico.
Dall’analisi dei risultati risulta che il prezzo
immobiliare, il tempo e il costo di viaggio per rag-
giungere il luogo di lavoro sono fattori importanti
che influenzano la scelta della residenza. Risulta inol-
tre che i residenti di Oxford preferiscono vivere in
aree dove le case tipicamente hanno grandi giardini
e vi sia ampia disponibilità di verde pubblico. In ac-
cordo con quanto detto, risulta che essi non amano
vivere al centro della città, ma prediligono luoghi
distanti, dove il livello di inquinamento da rumore è
basso.
Nel caso del modello di localizzazione dei resi-
denti, specificato per la città di Napoli (Cascetta et
al., 2001a; Cascetta et al., 2001b), gli attributi consi-
derati tengono conto delle prestazioni del sistema dei
trasporti, ovvero del costo generalizzato dello spo-
stamento tra le zone due zone, di attributi di
attrattività di una zona, quali il numero di abitazioni
disponibili e/o i prezzi degli immobili, e di variabili
ombra tipiche della zona (prestigio).
Nel caso specifico, la stima dei parametri b è
stata effettuata sulla base di dati raccolti da un’inda-
gine sulla mobilità relativa alle preferenze rivelate
dai residenti in contesti reali (indagini Revealed
Preference o RP), integrati con dati ISTAT 1991.
Dai risultati delle calibrazioni risulta che la di-
sponibilità immobiliare incentiva la scelta della re-
sidenza e che, invece, viene frenata dal prezzo me-
17
dio per metro quadro. Analogamente, la soddisfazio-
ne connessa con le opportunità di trasporto per il
motivo lavoro risulta molto significativa, mentre la
variabile di prestigio è positiva per gli occupati di
reddito alto e negativa per gli utenti di reddito basso
che chiaramente preferiscono residenze a costi in-
feriori.
6. Conclusioni
Da quanto descritto nei paragrafi precedenti la
statistica gioca un ruolo fondamentale nell’ingegne-
ria dei sistemi di trasporto. Le fasi di calibrazione e
validazione sopra riportate evidenziano quanto i
metodi statistici siano di supporto alla specificazio-
ne di un buon modello sia esso di simulazione delle
scelte di mobilità delle persone sia esso di localizza-
zione delle attività, come evidenziato nel paragrafo
precedente per la localizzazione delle residenze.
Bibliografia
CASCETTA E. (2001), Transportation Systems Engineering:
Theory and Methods, Kluwer MA.
CASCETTA E., BIGGIERO L. e PAGLIARA F.(2001a), Modelling
activity location choice. Trasporti Europei, 17, 42-48.
CASCETTA E., BIGGIERO L. e PAGLIARA F. (2001b), Modelli
di utilità aleatoria per lo studio dell’interazione tra-
sporti/territorio nella localizzazione delle attività in
Metodi e Tecnologie dell’Ingegneria dei Trasporti, se-
minario 2000, a cura di G. E. CANTARELLA E F. RUSSO,
ed. Franco Angeli, 439-454.
HOLL P. (1990) Elementi di statistica, Il Mulino.
KIM J.H., PAGLIARA F. e PRESTON J. (2003), An analysis of
residential location choice behaviour in Oxfordshire,
UK: a combined stated preference approach. Interna-
tional Review of Public Administration, 8, 103-114.
PAGLIARA F., SIMMONDS D.C. (2001), Calibration and
Implementation of Residential Location Choice. Atti
del convegno European Transport Conference,
Cambridge, UK.
PAGLIARA F., PRESTON J. e KIM J.H. (2002), Residential
location choice behaviour in Oxfordshire. Atti del con-
vegno European Transport Conference, Cambridge.
18 Statistica & Società
Modelli statistici per l’asset management
Riccardo Bramante
Università Cattolica del Sacro Cuore di Milano – e-mail: rbramant@interfree.it
Giampaolo Gabbi
Università degli Studi di Siena – e-mail: gabbi@unisi.it
Introduzione
Il grado di attenzione riservata al sistema delle
scelte di investimento dei portafogli finanziari ha
sperimentato un sensibile aumento, per numerosi
motivi: a) l’elevata volatilità dei mercati finanziari;
b) il contributo alla redditività degli intermediari
bancari; c) il maggiore saggio di concorrenza nel-
l’ambito sia della gestione sia del collocamento dei
servizi; d) la conseguente introduzione di strumenti
quantitativi a supporto delle differenti decisioni che
caratterizzano la catena del valore dell’asset mana-
gement.
In questo contributo si approfondirà quest’ulti-
mo aspetto, con la finalità di mostrare il fondamento
statistico che qualifica l’industria dell’attività
gestionale in ambito finanziario.
L’asset management e l’importanza delle
metodologie quantitative
L’attività dell’asset management caratterizza
una significativa componente delle scelte bancarie,
ma l’introduzione di modelli quantitativi è ben più
recente, almeno nel sistema creditizio italiano. Ciò è
dipeso dall’introduzione di alcuni fattori che ne am-
plificano la rilevanza, tra cui: la centralità della ge-
stione del portafoglio di proprietà (trading book) ri-
spetto alla domanda di prestiti; la liberalizzazione
dei movimenti dei capitali; lo sviluppo di supporti
tecnologici che incrementano la potenzialità di cal-
colo coerentemente con le esigenze decisionali nei
mercati.
Contestualmente si è sviluppata la disciplina
della finanza computazionale (computational
finance) che include fra i suoi temi principali i pro-
blemi inversi (tecniche di calibrazione, superfici di
volatilità implicita), i metodi di simulazione (per pro-
blemi path-dependent, tecniche di riduzione della
varianza, quasi-Monte Carlo), i metodi statistici (sti-
me di rendimenti attesi, volatilità, correlazione).
L’asset management si caratterizza per alcune
fasi principali per le quali la finanza computazionale
risulta essenziale:
a) l’individuazione del profilo rischio-rendimento
dell’investitore;
b) la previsione dei vettori (rendimenti, volatilità e
correlazione) che permettono di definire il miglio-
re mix di attività finanziarie;
c) l’ottimizzazione dei portafogli;
d) la valutazione ex post della performance, utiliz-
zando indicatori di rendimento corretti per il ri-
schio.
Per ciascuna di queste fasi, le metodologie
quantitative forniscono soluzioni fondamentali che
verranno sinteticamente descritte nelle pagine che
seguono.
Il riconoscimento del profilo rischio-
rendimento dell’investitore
In questa fase, si devono indagare le esigenze
finanziarie del cliente, allo scopo di identificare un
portafoglio di indici di mercato che meglio risponda
alle esigenze del cliente stesso. Una prima soluzione
è quella che opera per mezzo di un questionario: l’in-
sieme delle informazioni raccolte mediante la com-
pilazione del questionario stesso, vengono elaborate
in modo tale da permettere di identificare quale sia il
grado di rischio (espresso, ad esempio, in termini di
standard deviation o value-at-risk del portafoglio per
un dato holding period) coerente con le caratteristi-
che dell’investitore. In pratica, attraverso l’analisi
delle informazioni raccolte mediante l’elaborazione
quantitativa delle risposte, si stima il grado di pro-
pensione al rischio che permette di associare al ri-
sparmiatore il portafoglio caratterizzato da un livel-
lo di rischio considerato ideale.
Uno dei fattori più delicati dell’intero processo
di identificazione automatica delle esigenze finan-
ziarie dell’investitore, è rappresentata dalla traduzio-
 Statistica & Società
ne delle risposte alle domande del questionario in
una misura di rischio.
Generalmente, si segue il processo di attribu-
zione di un punteggio per ogni risposta data a cia-
scuna domanda (maggiore è l’affinità della risposta
alla figura dell’investitore con alta propensione al
rischio, più elevato sarà il punteggio attribuito) e di
associazione del punteggio complessivo ad una mi-
sura specifica di rischio (maggiore è il punteggio,
più elevata è la deviazione standard del portafoglio
“consigliato” all’investitore).
Determinato il rischio sopportabile, la scelta del
cliente viene associata al migliore mix di attività che
si trova sulla frontiera efficiente, definita come la
superficie generata dal processo di ottimizzazione dei
vettori di rendimenti e volatilità e dalla matrice delle
correlazioni.
Oltre alla logica del questionario sono stati svi-
luppati altri modelli, detti di financial planning, ba-
sati sull’utilizzo di metodologie statistiche (quali ad
esempio il modello Value at Risk) in grado di stima-
re gli eventi estremi probabilistici riconducibili agli
investimenti finanziari. Generalmente, con questi
modelli il cliente seleziona l’orizzonte temporale di
investimento desiderato, il rendimento finale cumu-
lato che intende perseguire (o il montante desidera-
to) e, infine, la probabilità con la quale intende otte-
nere un risultato pari o migliore al rendimento pre-
cedentemente comunicato; sulla base di queste in-
formazioni, il modello di financial planning restitu-
isce il portafoglio che più si avvicina alle esigenze
del cliente stesso. Le ipotesi statistiche sottostanti
sono quelle di una distribuzione data dei rendimenti
(spesso normale, ma anche log-normale), di volatilità
e correlazioni costanti nel tempo.
La fase precedentemente analizzata ha lo sco-
po di identificare quale tra i portafogli di indici di
mercato risponde meglio alle esigenze del cliente. Si
tratta di un processo generalmente attribuito ai re-
sponsabili della clientela (private banker, promotori,
consulenti finanziari). Ma metodologie statistiche
vengono applicate anche in ambito gestionale, per la
stima delle variabili che consentono di individuare
le migliori soluzioni di investimento.
La previsione di rendimenti, volatilità e
correlazioni
Il risultato finale, in termini di mix di attività
finanziarie, del processo di asset management risul-
ta fortemente condizionato dai valori delle variabili
19
di input e, conseguentemente, dalle tecniche statisti-
che di stima e previsione delle stesse.
I rendimenti rappresentano la variabile maggior-
mente interessante nell’analisi delle serie storiche
finanziarie in quanto misurano la redditività degli
asset. Vari sono i modelli disponibili per la previsio-
ne del rendimento futuro delle attività finanziarie,
anche se il loro utilizzo operativo spesso si scontra
con una generale ridotta capacità previsionale. Al ri-
guardo, il processo stocastico più semplice per de-
scrivere le serie storiche finanziarie è il random walk
o passeggiata aleatoria
rt = rt–1 + et
modello che implica l’ipotesi di efficienza del mer-
cato, ovvero l’imprevedibilità dell’andamento futu-
ro del fenomeno sulla base di modelli “puramente”
autoproiettivi dal momento che tutte le informazioni
disponibili sono già state incorporate nei prezzi cor-
renti di mercato. Più accurati sono i metodi econo-
metrici che descrivono la dinamica dei rendimenti
di una variabile finanziaria in funzione di un set di
leading indicators, ovvero indicatori fondamentali
macroeconomici e finanziari, nonché dei valori ri-
tardati della medesima variabile endogena
m n
rt = ∑ α i ⋅ rt − i + ∑ β j ⋅ Xt − j + et .
i =1 j =0
Tali modelli, noti come ADL (Autoregressive
Distributed lag), sono spesso scritti in forma state
space con struttura parametrica variabile ed eviden-
ziano una discreta capacità nel descrivere i trend di
medio – lungo periodo, cogliendo solo parzialmente
gli andamenti di breve periodo ed i punti di svolta.
I metodi di analisi comunemente utilizzati da-
gli analisti finanziari fanno riferimento all’analisi
fondamentale ed all’analisi tecnica. La prima esami-
na le informazioni interne all’impresa considerate nel
contesto economico settoriale e generale al fine di
determinare il valore “intrinseco” di una attività fi-
nanziaria e si dimostra particolarmente adatta per
individuare movimenti di lungo periodo. La secon-
da ha un obiettivo più pratico e di breve periodo in
quanto studia, spesso anche attraverso l’utilizzo di
trading system, gli andamenti storici dei fenomeni
attraverso grafici ed indicatori ad hoc utilizzati per
anticipare i movimenti futuri del mercato ovvero
identificare le tendenze in atto.
Per quanto concerne la stima della volatilità,
intesa come ampiezza delle fluttuazioni dei rendi-
20
menti degli strumenti finanziari, è necessario utilizza-
re strumenti adeguati in grado di riprodurre i com-
portamenti evidenziati da tale grandezza statistica
nelle analisi empiriche.
Una prima categoria è rappresentata dai modelli
storici che elaborano la storia passata dei rendimenti
supponendo che la distribuzione degli stessi sia
temporalmente invariante. La misura di volatilità che
ne risulta è spesso ottenuta attraverso il computo di
una classica standard deviation su un periodo rolling
1/ 2
1 T 2
σ =  m ∑ ri ,t 
T +1 | T i
 T −m 
ove T è l’istante temporale di calcolo ed m è l’am-
piezza del periodo. In alternativa, è pratica comune
la stima secondo una media mobile ponderata
esponenzialmente (EWMA – Exponentially Weighted
Moving Average) dove i rendimenti più recenti han-
no un peso maggiore rispetto a quelli più lontani nel
tempo
T ht = α 0 + α ( L)ε t2 + β ( L)ht =
T +1 | T σ i2 = (1 − λ ) ⋅ ∑ λm ⋅ ri2,t
m=0
ovvero in forma ricorsiva
T +1 | T σ i2 = λ ⋅T | T −1 σ i2 + (1 − λ ) ⋅ rT2
Il parametro λ detto decay factor, indica il gra-
do di persistenza nella stima della volatilità dei ren-
dimenti passati che risulta maggiore quanto più gran-
de è il valore ad esso associato.
Un secondo modo di operare fa riferimento ai
metodi cosiddetti “finanziari”. Il più noto è il Capital
Asset Pricing Model (CAPM), un modello monofat-
toriale che si basa su un meccanismo di generazione
dei rendimenti dei singoli strumenti finanziari riferi-
to appunto ad un indice comune
rit = α i + βi ⋅ rI t + ε it
I valori dei coefficienti βi possono essere sti-
mati impiegando il metodo dei minimi quadrati or-
dinari sul campione di dati osservati o su un periodo
rolling. Ne discende che il quadrato della volatilità
di uno strumento finanziario σ 2I è esprimibile sotto
forma di una componente sistematica, legata alla
volatilità di un indice di mercato σI attraverso il
coefficiente beta βi
βi2 ⋅ σ I2
Statistica & Società
e di una componente specifica o residuale σ ε2i .
Ammettendo una pluralità di fattori sistemati-
ci, anziché un unico termine di riferimento, si ottie-
ne una generalizzazione del CAPM, spesso indicata
come Arbitrage Pricing Theory (APT), intesa ad eli-
minare, o quanto meno a ridurre, la componente di
variabilità non sistematica attraverso l’esplicita in-
troduzione di variabili macroeconomiche quali fonti
di rischio extra-mercato.
Alcune evidenze empiriche riguardo la dipen-
denza dal tempo della volatilità ed il cosiddetto ef-
fetto cluster sono catturate dai modelli ad
eteroschedasticità condizionata (ARCH e GARCH).
I modelli, nella loro generica formulazione, sono
caratterizzati da una varianza non condizionata co-
stante e da una varianza condizionata variabile nel
tempo che dipende dal set di informazioni disponi-
bili. In termini formali, lo schema GARCH, a carat-
tere più generale, utilizza la seguente relazione per
la varianza condizionata
p q
= α 0 + ∑ α i ⋅ ε t2− i + ∑ β j ⋅ ht − j
i =1 j =1
dove il comportamento di ht dipende dagli errori pas-
sati, polinomio α(L) di grado p che rappresenta la
componente ARCH, e dai valori antecedenti della
varianza stessa, polinomio β(L) di grado q relativo
allo schema GARCH.
Ulteriori generalizzazioni sono state proposte
per modellare specifici comportamenti della
volatilità. In particolare, si segnalano modelli che
includono variabili esogene nella struttura dell’equa-
zione della varianza condizionata
p q s
ht = α 0 + ∑ α i ⋅ ε t2− i + ∑ β j ⋅ ht − j + ∑ γ k ⋅ Xt , k
i =1 j =1 k =1
modelli in grado di incorporare l’asimmetria nei com-
portamenti degli operatori in mercati al rialzo o al
ribasso (E-GARCH)
p q
ln(ht ) = α 0 + ∑ α i ⋅ g(ε t −1 ) + ∑ β j ⋅ ln ht − j ( )
i =1 j =1
[
g(ε t − i ) = θ ⋅ ε t − i + γ ⋅ ε t − i − E ε t − i ]
ovvero modelli che permettono di introdurre l’ipo-
tesi di persistenza di shock passati sui valori futuri
 Statistica & Società 21

della volatilità (I-GARCH), per i quali si riporta per

comodità di lettura la sola rappresentazione di pri-
mo ordine

ht = α ⋅ ε t2−1 + (1 − α ) ⋅ ht −1
Da ultimo si segnalano i modelli mean reverting
utili per descrivere il fenomeno di “ritorno verso la
media” caratteristico del comportamento nel tempo
della volatilità: si tratta di un meccanismo intrinseco
di riequilibrio della volatilità verso il suo valore me-
dio nei periodi in cui non si hanno trend specifici,
siano essi crescenti o decrescenti, di volatilità.
Un terzo insieme di valori oggetto di stima sono
i coefficienti di correlazione tra i rendimenti delle Fig. 1: Frontiera efficiente à la Markowitz.
asset class candidate a comporre il portafoglio. An-
che in questo caso, l’analisi delle serie storiche dei
rendimenti evidenzia un comportamento delle
correlazioni variabile nel tempo ed influenzato dalle La frontiera efficiente può essere costruita ba-
variabili macroeconomiche relative ai mercati ogget- sandosi su algoritmi di programmazione lineare o
to di analisi. La stima delle correlazioni, o più preci- quadratica. Quest’ultimo, in particolare, permette di
samente delle covarianze tra coppie di variabili fi- individuare i pesi wi da assegnare agli n asset in modo
nanziarie, può quindi svilupparsi secondo un approc- da minimizzare la varianza del portafoglio nel rispet-
cio simile a quello delle volatilità, utilizzando un to, senza perdere di generalità, di vincoli di rendi-
periodo rolling
mento atteso e di “bilancio” min σ 2p
1 T
T +1 | T σ i , j = ∑ ri,t ⋅ rj ,t
m T −m
= ∑ w σ +∑ ∑ w ⋅w
2
i
2
i i j ⋅ σ i ⋅ σ j ⋅ ρij
i i j ≠i

un meccanismo di ponderazione esponenziale sotto i vincoli

∑ w ⋅ E(r ) = E(r )
T +1 | T σ i , j = λ ⋅T | T −1 σ i , j + (1 − λ ) ⋅ ri , T ⋅ rj , T
i i p
i

ovvero modelli GARCH multivariati a eteroscheda- ∑w i

i =1
sticità e matrice di correlazione condizionata.
dove con σi e σp si sono indicate rispettivamente le
volatilità dei singoli asset e del portafoglio, con E(ri)
L’ottimizzazione dei portafogli finanziari
ed E(rp) i corrispondenti rendimenti attesi e con ρij
Il modello di ottimizzazione alla Markowitz, le correlazioni tra coppie di asset.
definito mean variance, può essere inteso come ap- Nel caso in cui il processo di ottimizzazione
proccio standard nell’attività di asset management. preveda la possibilità di investire anche in un titolo
Il concetto di efficienza alla base del modello defini- free-risk si ottiene una frontiera efficiente di tipo li-
sce come efficienti i portafogli che massimizzano il neare solitamente indicata come capital market line
rendimento per un dato livello di rischio ovvero (Figura 2)
minimizzano il rischio per un dato livello di rendi-
 E(rP ) − rfr 
mento.
( )
E rP, fr = rfr +   ⋅ σ P, fr
Dati i valori di rendimenti attesi, volatilità,  σP 
correlazioni e definiti gli opportuni vincoli gestionali,
le combinazioni ottimali si dispongono sulla fron- con inclinazione data dal cosiddetto indice di Sharpe.
tiera (Figura 1) che delimita nel piano l’insieme del- Il portafoglio ottimale è individuato
le opportunità di investimento disponibili. massimizzando l’inclinazione della capital market
22 Statistica & Società

Fig. 2: Frontiera efficiente e Capital Market Line. Fig. 3: Frontiera efficiente à la Michaud.

line, ovvero l’indice di Sharpe In particolare, la procedura permette di genera-

re, sulla base della funzione di verosimiglianza cam-
 E rp − rfr 
max S =  
( ) pionaria associata all’insieme parametrico, un set di
 σ P  momenti – medie e matrice di varianze covarianze –
e corrispondenti portafogli statisticamente equivalenti
sotto i vincoli per ogni punto della frontiera efficiente. Il valor me-
dio di tali portafogli rappresenta una nuova frontiera
∑ w ⋅ E(r ) = E(r )
i i p che, pur giacendo al di sotto della frontiera efficien-
i te alla Markowitz, tiene conto, come detto, dell’er-
∑w i
i =1 rore di stima.

I risultati cui perviene il modello su esposto La valutazione della performance e gli

possono essere riformulati in ottica downside risk
utilizzando nel calcolo della volatilità la semivarianza
T le fasi precedentemente analizzate si basa su ipotesi
T +1 | T σ i2, sv =
1
∑
m T −m
[
min 2 0, ri , t − rˆ
ove con r^ si è indicato il rendimento target.
Un recente approccio all’asset allocation è quel-
lo alla Michaud che permette di superare il proble-
ma dell’instabilità della frontiera efficiente alla
Marko-witz nel corso del tempo: piccole variazioni
nei parametri di input, trattandosi di stime statistiche
soggette ad errore, spesso generano variazioni signi-
ficative nella struttura dei portafogli ottimali. Risul-
ta evidente che l’applicazione meccanica del model-
lo mean variance porterebbe a ricomposizioni del
portafoglio troppo frequenti con eccessivi costi di
aggiustamento. Michaud riformula la frontiera effi-
ciente alla Markowitz, essenzialmente di tipo “ma-
tematico”, in una regione statisticamente equivalen-
te da definirsi sulla base di metodologie Monte Car-
lo (Figura 3).
indicatori di rendimento corretti per il rischio
Il processo di investimento realizzato secondo
] di rendimento, volatilità e correlazioni attese. La
qualità delle soluzioni proposte dipende naturalmente
dalla reale evoluzione dei mercati. L’ultima fase
dell’asset allocation consiste nella valutazione ex-
post degli errori commessi e nella determinazione
della qualità dell’intera asset allocation.
Naturalmente, i primi indicatori che è possibile
proporre sono quelli orientati alla misura del rendi-
mento del portafoglio. Un possibile problema che
sorge è quello collegato ai flussi intermedi – confe-
rimenti e riscatti – che alterando la giacenza media
non permettono di applicare le formule di calcolo
dei titoli zero coupon. A tal fine si misura il rendi-
mento sulla base della logica detta money weighted
rate of return, cioè ponderando il rendimento sulla
base del saldo presente di periodo in periodo, men-
tre la performance del gestore viene sempre valutata
ipotizzando una sola unità di capitale investita al-
 Statistica & Società 23

l’inizio del periodo (time weighted rate of return). In questo caso, l’indice di Sharpe calcolato per
A questi indicatori si sono più recentemente i dati dell’esempio, porterebbero a preferire il secon-
aggiunti quelli detti risk adjusted performance do fondo.
indicator (RAP) cioè indici orientati alla determina-
Tab. 2: Indicatori di rendimento corretti per il rischio. Indi-
zione del rendimento di periodo commisurato al gra-
ce di Sharpe.
do di assorbimento di rischio. Si consideri l’esempio
Rendimento Rischio Indice di Sharpe
della tabella 1.
Titolo privo
Tab. 1 – Indicatori di rendimento corretti per il rischio. di rischio 3 0 n.c.
Rendimento Rischio Rendimento/Rischio Fondo A 5 10 0,20
Titolo privo Fondo B 8 20 0,25
di rischio 3 0 n.c.
Fondo A 5 10 0,5 Un ulteriore soluzione è quella proposta da
Fondo B 8 20 0,4 Sortino (So) che, adottando la medesima logica di
Sharpe, sostituisce alla standard deviation la misura
di volatilità del downside risk, inteso come la media
Sulla base del risultato del rapporto rendimen-
degli scarti quadratici delle sole osservazioni infe-
to-rischio emerge una preferenza per il portafoglio
riori al valor medio della serie storica dei rendi-
A, che pur essendo meno redditizio, assorbe un li-
menti.
vello proporzionalmente inferiore di rischio.
Un limite che pone questa soluzione è facilmen- rF − rfr
te individuabile dalla presenza di un titolo privo di So =
DSRF
rischio; se si costruisce un portafoglio equidistribuito
fra fondo B e titolo free-risk si ottiene una soluzione Infine, è possibile definire la performance di
che domina il fondo A, con un rendimento medio del un portafoglio in relazione al benchmark di riferi-
5,5 per cento, un rischio del 10 per cento e un rap- mento, calcolandone il tracking error e la relativa
porto rendimento-rischio pari a 0,55. tracking error volatilità (TEV). Quest’ultima è la
A tal fine vengono proposti alcuni indicatori di standard deviation della serie storica dei differen-
rendimento corretti per il rischio che eliminano il ziali fra rendimento del portafoglio e rendimento del
problema descritto. Sharpe (1994) ha proposto un benchmark.
indice (S) che rapporta al rischio (σ F) il valore ag- L’analisi dello stile nell’industria del risparmio
giunto ottenuto dal portafoglio (rF) rispetto al titolo gestito e l’ottimizzazione dei fondi comuni
privo di rischio (rfr): L’ottimizzazione ottenuta mediante le metodo-
rF − rfr logie presentate nelle pagine precedenti è basata sul-
S=
σF le previsioni dei rendimenti, delle volatilità e delle

Fig. 4: Distribuzione del

rendimento rispetto
alla TEV.
24 Statistica & Società
correlazioni degli indici di mercato. Le soluzioni fi-
nanziarie offerte nell’industria del risparmio gestito,
però, si costruiscono in funzione dei prodotti a di-
sposizione degli intermediari finanziari, prodotti che
in genere sono fondi comuni di investimento.
Poiché i fondi, anche quando risultano passivi,
non replicano perfettamente la composizione dei
benchmark, per ottenere la composizione “ideale”
di mercati per rapporto rendimento-rischio è neces-
sario in primo luogo individuare le scelte di inve-
stimento adottate dai singoli gestori.
Lo strumento fondamentale per l’implementa-
zione dell’analisi degli stili di gestione è costituito
da un modello di regressione lineare multivariata in
cui il rendimento del fondo è la variabile dipendente
mentre i rendimenti realizzati dalle singole asset class
costituiscono le variabili esplicative.
Il modello spiega perciò il rendimento del fon-
do in funzione della sua esposizione alle fluttuazioni
dei rendimenti delle diverse asset class.
Nell’applicazione del modello, le incognite (e
dunque i valori non noti che si vogliono determina-
re) sono rappresentate dai pesi percentuali delle sin-
gole asset class (wi1…win).
È opportuno far notare che i dati di input del
modello sono facilmente reperibili: per quanto riguar-
da i rendimenti del fondo, la pubblicizzazione del
valore delle quote ne rende agevole la determinazio-
ne; per quanto invece attiene ai rendimenti delle sin-
gole asset class sono utilizzabili i benchmark speci-
fici predisposti da alcuni information provider. La
scelta dei benchmark deve essere effettuata attenta-
mente in modo da evitare duplicazioni e contempo-
raneamente coprire tutte le classi di attività in cui il
fondo (considerati i vincoli normativi) potenzialmen-
te può investire.
Il modello di regressione lineare multivariata,
proposto originariamente da Sharpe nel 1992, può
essere riscritto in forma compatta nel modo se-
guente:
n
Rf = ∑w
i =1
it ⋅ RBi + ε
con
n
∑w
i =1
it =1
La differenza fra questo metodo e la regressione
multivariata classica è che Sharpe utilizza una pro-
grammazione quadratica vincolata per minimizzare
la varianza dei rendimenti in eccesso del gestore ri-
spetto ad una combinazione lineare delle asset class.
Inoltre la metodologia di Sharpe non introduce
l’alpha costante che in genere si introduce nelle
regressioni statistiche.
Il risultato che si può ottenere è quello rappre-
sentato nella figura 5: l’evoluzione della composi-
zione nel tempo delle asset class di riferimento.
Questa informazione permette di realizzare l’ul-
tima fase del processo descritto: l’ottimizzazione del
Fig. 5: Analisi dello stile di un fondo
azionario italiano rispetto a
indici settoriali (gennaio 2002-
dicembre 2003)
 Statistica & Società
portafoglio in fondi. Diversi possono essere le varia-
bili utilizzate per proporre un portafoglio orientato a
mantenere la composizione dei benchmark sulla base
dell’ottimizzazione originaria (sia essa basata su
metodologie à la Markowitz oppure con ricampio-
namento à la Michaud), ma quella che si può ritene-
re preferibile è quella che è fondata sulla tracking
error volatility, per evitare che i fondi selezionati
possano raggiungere la performance in termini ec-
cessivamente erratici, senza un controllo ex-ante.
Conclusioni
Le fasi dell’asset allocation descritte in queste
pagine mostrano il forte legame con le tecniche
quantitative, dalla stima del profilo rischio-rendimen-
to dell’investitore alla previsione della volatilità e
della correlazione, dalle metodologie di ottimizza-
zione dei portafogli al calcolo degli indicatori di per-
formance corretta per il rischio.
Le tecnologie che caratterizzano il vantaggio
competitivo degli attori nel mercato sono fortemen-
te dipendenti dalle metodologie di analisi delle serie
storiche, dalle regressioni vincolate per l’analisi del-
lo stile dei gestori, dalle ottimizzazioni di portafoglio.
Gli sviluppi in tal senso costituiranno un inevi-
tabile impulso all’industria del risparmio gestito e al
potenziamento della domanda di conoscenze stati-
stiche in finanza.
Bibliografia
BECKERS S., 1996, A Survey of Risk Measurement Theory
and Practice, in C. Alexander (eds.), The Handbook of
Risk Management and Analysis, John Wiley and Sons,
New York.
BEST M.J., GRAUER R.R., 1991, On the Sensitivity of Mean-
Variance Efficient Portfolios to changes in Asset
Means: Some Analytical and Computational Results,
Review of Financial Studies, 4.
BLACK F., 1993, Beta and return, The Journal of Portfolio
Management.
B OLLERSLEV T., 1986, Generalized Autoregressive
Conditional Heteroskedasticity, in Journal of
Econometrics, 31, 307-327.
BOND S., 1998, An Econometric Model of Downside Risk,
in Knight J. – Satchell S. (eds.), Forecasting Volatility
in the Financial Markets, Butterworth Heinemann,
Oxford.
25
BRAMANTE R., CAZZANIGA B., 2001, Portfolio Optimisation
in a Downside Risk Framework, in D UNIS C. –
TIMMERMANN A. – MOODY J. (eds), Developments in
Forecast Combination and Portfolio Choice, John
Wiley & Sons, New York.
BRAMANTE R., COLOMBO R., GABBI G., 1998, Are Neural
Network and Econometric Forecasts Good for
Trading? Stochastic Variance Model as a Filter Rule,
in A.-P. N. REFENES – A. N. BURGESS – J. E. MOODY
(eds), Decision Technologies for Computational Ma-
nagement Science, Kluwer Academic Publishers,
Boston.
E NGLE R.F. - B OLLERSLEV T., 1986, Modelling the
Persistence of Conditional Variances, in Econometrics
Reviews, 5, 1-50.
Engle R.F. - Lilien D.M. - Robins R. B., 1987, Estimating
Time Varying Risk Premia in the Term Structure: the
ARCH-M Model, in Econometrica, 55, 391-407.
Engle R.F., 1982, Autoregressive Conditional
Heteroskedasticity with Estimates of the Variance of
United Kingdom Inflation, in Econometrica, 50, 987-
1008.
Harvey A.C., 1981, The Econometric analysis of time
series, Oxford, Deddington: Philip Allan.
HARVEY A.C., 1984, Mathematics for Econometrics,
Springer Verlag, New York .
HARVEY A.C., 1989, Forecasting Structural Time Series
Models and the Kalman Filter, Cambridge University
Press, Cambridge.
LEIBOWITZ M.L., KOGELMAN S., 1991, Asset Allocation
under Shortfall Constraint, Journal of Portfolio Ma-
nagement, Winter, 18-23.
Markowitz H.M., 1959, Portfolio Selection: Efficient
Diversification of Investments, John Wiley and Sons,
New York.
NELSON D., 1991, Conditional Heteroskedasticity in Assets
Returns: A New Approach, in Econometrica, 59, 347-
370.
SHARPE W., 1992, Asset Allocation: Management style and
performance measurement, Journal of Portfolio Ma-
nagement, 18, 7-19.
SHARPE W., 1994, The Sharpe Ratio, Journal of Portfolio
Management, 21, 49-58.
SORTINO F.A., FORSEY H.J., 1996, On the Use and Misure
of Downside Risk, Journal of Portfolio Management,
22, No.2, 35-42.
26 Statistica & Società
Dal dato all’informazione, dall’informazione alla conoscenza:
tecniche statistiche per la creazione del valore
Francesco Rubinacci
Senior Consultant, Accenture, Roma – e-mail: francesco.rubinacci@accenture.com
Enrico Ciavolino
Facoltà di Ingegneria – Università di Napoli “Federico II” – e-mail: ciavolin@unina.it
1. Trasformare i dati in conoscenza
La presenza ormai capillare dei sistemi infor-
mativi E.R.P. nel tessuto aziendale moderno impone
di affrontare problemi impensabili fino a pochi anni
fa, con l’emergenza di quelli che, parafrasando S.
Whang, potremmo chiamare data-rich environments.
I sistemi informativi sono in grado di raccogliere
dati relativi ad ogni singolo step dei diversi processi
aziendali nel momento stesso in cui il dato sorge,
con un livello di dettaglio che, in linea di principio,
può essere complesso quanto si vuole.
L’unica limitazione alla quantità di dati che
possono essere raccolti è data dall’hardware di cui
l’azienda decide di dotarsi e dalle capacità di gestio-
ne dello stesso a disposizione dell’azienda. In ultima
analisi, il limite è dato dal capitale (in mezzi e uomi-
ni) che l’azienda decide di investire nei tre compo-
nenti dell’IT: hardware, software e brainware.
Ma il dato, in sé, non possiede valore, o meglio
lo possiede solo in forma potenziale; i dati che in
quantità sempre crescenti sono presenti in azienda,
acquistano valore durante il processo di analisi, di-
stribuzione e presentazione dei dati stessi a coloro
che sono incaricati di prendere le decisioni. Dal con-
fronto, dalla contestualizzazione di diversi dati si
passa dal dato all’informazione, e dal confronto poi
di diverse informazioni, provenienti anche da fonti
diverse, si passa poi dall’informazione alla conoscen-
za, attraverso la quale si possono rispondere a do-
mande del tipo “come” e “perché”.
In una situazione come quella descritta sopra, è
molto probabile che si produca un cosiddetto “in-
formation overload”.
Non dedicare sufficienti sforzi a preparare i
decisori alla lettura di un nuovo indicatore, magari
particolarmente raffinato, implica inevitabilmente
che la potenza del coltello analitico sviluppato sarà
nel migliore dei casi non completamente sfruttata!
In particolare, vi sono almeno due pericoli in ag-
guato in tale situazione, con i relativi costi associati:
• impossibilità di trasformazione del dato in cono-
scenza: nonostante gli sforzi e gli investimenti
sostenuti, l’azienda non riesce a sfruttare il pro-
prio patrimonio informativo per migliorare le pro-
prie performance su indicatori specifici, sia in
senso positivo in termini ad esempio di time to
market, sia in senso negativo in termini di
bullwhip effect; oppure, da un punto di vista più
generale, non ottenere i benefici sperati in termi-
ni di EVA® o ROI;
• errata interpretazione dei dati e conseguente de-
cisione sbagliata: interpretare i dati di analisi
carenti dal punto di vista del confronto multidi-
mensionale con tutte le variabili in gioco, può
comportare grossolani errori di interpretazione dei
fenomeni in atto.
2. La Catena del Valore dell’Informazione
Il passaggio dal dato all’informazione avviene
attraverso il confronto di più dati insieme, con un
processo di contestualizzazione e di presentazione
dei dati stessi. Questa trasformazione dei dati è si-
mile al processo che avviene in una normale linea
produttiva e si sviluppa attraverso una serie di fasi
ben definite, in una cosiddetta “Catena del Valore
dell’Informazione”, assimilabile al concetto di cate-
na del valore elaborato da M. Porter.
La Business Intelligence (BI) si occupa appun-
to della estrazione della conoscenza di supporto ai
decision maker a partire da speciali data base, deno-
minati Data Warehouse o Data Mart, in cui tutti i
dati provenienti dalle diverse applicazioni aziendali
vengono memorizzati ed organizzati in modo tale da
permetterne un’agevole trasformazione.
I diversi passi della costruzione della CVI pos-
sono essere così distinti:
• Estrazione, Trasformazione e Caricamento dei dati
(E.T.L.): questa fase è critica e può essere partico-
 Statistica & Società
larmente complessa, considerando l’eterogeneità
delle fonti e del formato dei dati. Può assorbire an-
che l’80% di un progetto di Business Intelligence, e
necessita di una delicata attività di validazione e con-
trollo della qualità del dato caricato.
• Analisi: è la fase della creazione della informa-
zione e della conoscenza. Attraverso diversi stru-
menti e tecniche, dalle più semplici a quelle alta-
mente sofisticate, si ricercano similitudini e
correlazioni all’interno di strutture di dati multi-
dimensionali (iper-cubi) anche molto comples-
se. È possibile inoltre sviluppare simulazioni
molto avanzate, sia di tipo statico che di tipo di-
namico. I risultati di queste analisi vengono poi
presentati in modo da renderne agevole la lettura
e l’interpretazione, utilizzando grafici, indici sin-
tetici e forme di analisi visuale (es. Visual Data
Mining); la forma, la sofisticazione ed il livello
di dettaglio della presentazione dei risultati del-
l’analisi, cambia in funzione del destinatario dei
risultati stessi. Nel paragrafo 3 vengono presen-
tate alcune delle tecniche statistiche più utili, al-
cune disponibili nella maggior parte dei pacchet-
ti in commercio, ed altre invece più “rare”, a vol-
te introvabili.
Nella maggior parte dei casi, si tratta di tecniche
di tipo push, in cui i dati vengono contestualizzati
e formattati in una reportistica precostituita, spes-
so generata a scadenze prefissate.
• Decisioni: una volta ottenute le informazioni/co-
noscenza, queste vengono utilizzate per prendere
le decisioni operative/tattiche/strategiche
1
Il concetto di integrazione fa riferimento alla caratteristiche dei data base relazionali, i quali vengono costruiti rispettando dei
vincoli che hanno un interesse meramente informatico; il nostro interesse riguarda l’aggiornamento continuo e la comunicazione tra
i settori aziendali.
27
• Valutazione: il passo successivo, consiste nel-
la valutazione della qualità dell’informazione/
conoscenza prodotta dalle tecniche di BI im-
plementate, con riferimento alle dimensioni di
tempestività, quantità, integrazione, disegno,
tipo, ricchezza.
3. Business Intelligence
I sistemi di Business Intelligence rappresenta-
no il ‘core’ delle infrastrutture informative di busi-
ness, in quanto aiutano a tradurre i dati in informa-
zioni e queste in decisioni in grado di creare un van-
taggio competitivo.
Un sistema di Business Intelligence per il sup-
porto alle decisioni, come mostrato in figura 1, si
avvale principalmente di quattro componenti: un data
base, un data warehouse, strumenti di On Line
Analitical Processing (OLAP) e tools per le Analisi
Statistiche.
Le recenti tecnologie utilizzano data base inte-
grati1, che mediante l’uso di algoritmi informatici
riescono a creare collezioni di dati in grado di soddi-
sfare i vincoli di consistenza, in modo che chiunque
abbia interesse (e che sia autorizzato) possa accede-
re in tempo reale a dati costantemente aggiornati e
integrati con tutte le funzioni aziendali. Un Data
Warehouse (DWH) viene definito appunto come “una
raccolta di dati integrata, subject oriented, time
variant e non-volatile di supporto ai processi deci-
sionali” (Intion, 1996); l’integrazione dei dati in un
DWH costituisce quindi una delle premesse neces-
Fig. 1: Business Intelligence.
28
sarie per una progettazione adeguata di un sistema
di supporto alle decisioni.
4. Data Mining e tecniche di Analisi
Il termine data mining riguarda l’estrazione di
conoscenza da una grossa quantità di dati e deriva
dall’associazione della parola dati al verbo inglese
“to mine”2.
Una definizione completa può essere la seguente:
“Per data mining si intende il processo di sele-
zione, esplorazione e modellizzazione di grandi masse
di dati, al fine di scoprire regolarità o relazioni non
note a priori, allo scopo di ottenere un risultato chiaro
e utile al proprietario del data base”(Giudici, 2001).
Il processo di data mining, come descritto in
figura 2, parte da una fase di preanalisi, che risolve i
problemi di inconsistenza, incompletezza e distor-
sione dei dati, per poi arrivare ad una fase di analisi
con l’utilizzo di tecniche in grado di estrarre infor-
mazioni.
Le tecniche di analisi usate nell’ambito del data
mining verranno di seguito presentate distinguendo-
le in quelle che si riferiscono ad una fase di prepro-
cessing (generalmente tecniche non supervisionate)
e in quelle di analisi dei dati (generalmente tecniche
supervisionate) per la creazione di informazione.
I) Fase di Preprocessing
Il preprocessing parte con un una fase di “Data
Integration” per eliminare eventuali inconsistenze o
ridondanze dei dati che si possono presentare quando
2
Il verbo ‘to mine’ significa “scavare per estrarre”, usato principalmente nel settore delle estrazioni minerarie; ci riporta nel periodo
della corsa all’oro nel Klondike, in cui si cercava di estrarre oro dalle rocce o dalla sabbia, ricercando piccole e preziose pepite da
una grande quantità di materiale grezzo.
Statistica & Società
si combinano data base che provengono da diverse fonti,
mediante l’uso di tecniche di data warehousing.
Dopo la riorganizzazione, si procede al “Data
Cleaning” in cui le principali operazioni sono quelle
di trattamento dei missing values e dei noisy data.
Per i primi le tecniche utilizzate vanno dalla sempli-
ce media aritmetica a quelle più raffinate quali ad
esempio l’algoritmo NIPALS, mentre per i secondi
possiamo ricordare l’Analisi in Componenti Princi-
pali (ACP) o le tecniche di smoothing.
Spesso la necessità di trasformare i dati, appunto
“Data Trasformation”, è una conseguenza delle tec-
niche di analisi adottate, come ad esempio la
centratura e la standardizzazione nella regressione,
oppure la normalizzazione nei metodi basati sul cal-
colo delle distanze, come la cluster o le reti neurali.
Il “Data Reduction” è usato in quei data sets
che contengono centinaia di variabili, spesso insi-
gnificanti o ridondanti. Risultano particolarmente
importanti le tecniche di Dimensionality Reduction
(ACP, Cluster Analysis), o le Trasformazioni Wavelet,
in modo da ottenere un numero di dati inferiore come
approssimazione/combinazione di quelli originali. La
riduzione delle dimensioni può anche riguardare il
numero di unità, mediante l’utilizzo delle tecniche
di campionamento.
II) Fase di Analisi
In questa fase possiamo distinguere modelli
basati su regole di associazione, di classificazione
automatica, oppure modelli di tipo predittivo.
Fig. 2: Data Mining Process.
 Statistica & Società 29

Le “regole di associazione” ricercano all’inter-
no di una grossa quantità di dati relazioni latenti tra
le transazioni del data base. Un tipico esempio è la
Market Basket Analysis, la quale permette di indivi-
duare prodotti che vengono frequentemente acqui-
stati assieme, e quindi consente di sviluppare una
strategia di marketing, oppure il disegno di cataloghi.
Tra i “modelli di classificazione” supervisiona-
ta (cioè i modelli in cui facciamo ipotesi di classifi-
cazione a priori, usando come variabile di risposta
proprio l’appartenenza ad un gruppo), troviamo tec-
niche come l’Analisi Fattoriale Discriminante, i
Decision Tree, basati sul calcolo dell’entropia come
la segmentazione binaria, oppure basati sul calcolo
delle probabilità, come la Classificazione Bayesiana
Naive; altri metodi di classificazione sono il k-Nearest
Neighbor Classifier, basati sull’apprendimento me-
diante analogia, gli Algoritmi Genetici, che tentano
di incorporare i principi dell’evoluzione naturale nelle
strategie di ricerca di una soluzione ottima, la classi-
ficazione basata sulla Logica Fuzzy, le cui regole
prevedono una logica di classificazione in cui i con-
fini per l’appartenenza ad una classe non sono ben
delineati. Tra i modelli di classificazione non super-
visionata ricordiamo la Cluster Analysis, che raggrup-
pa casi o variabili in base a misure di similarità, non-
ché le Reti Neurali che si basano sul principio del-
l’apprendimento del cervello umano e risolvono pro-
blemi di classificazione in gruppi non precedente-
mente definiti.
I “modelli di previsione” più conosciuti in let-
teratura sono quelli basati sulla regressione lineare
semplice e multipla, la non lineare, la logistica, non-
ché la regressione multilevel. Fanno parte di questi
modelli, anche se con diversi scopi, l’Anova, oppure
l’Anova. Vanno inoltre citate le Reti Neurali Super-
visionate.
Il modello di regressione Partial Least Square,
oppure la Principal Component Regression, risulta-
no particolarmente indicate nei casi in cui le variabi-
li esplicative sono fortemente correlate e quindi la
matrice dei predittori può risultare non invertibile.
A queste tecniche vanno aggiunte anche quelle
di reportistica multidimensionale, mediante gli Iper-
cubi o i Tridimensional Data Plots, nonché le tecni-
che specifiche di Visual Data Mining. Un’ulteriore
menzione va anche all’uso dell’Analisi delle Corri-
spondenze Multiple per l’analisi dei questionari, e
anche alle tecniche di analisi testuale conosciute come
di Textual Mining.
Come ultimo bisogna considerare il confronto
dei risultati applicati ai dati sia mediante tecniche
per il controllo delle performance delle analisi, sia
effettuando un’analisi dei costi per l’utilizzo delle
varie metodologie.

Tab. 1: Tecniche di analisi.

Data Data Data Data Regole di Modelli di Metodi di
Integration Cleaning Trasformation Reduction Associazione Classificazione Previsione
Data NIPALS Normalizzazione Trasformazioni Market Basket Reti Neurali Regressione
Warehousing ACP Centratura Wavelet analisi Nearest semplice e
Standardizzazione ACP Neighbour logistica
Cluster Classifier MultiLevel
Fuzzy Set Plsr
Approaches PcR
Algoritmi Anova
Genetici Reti Neurali
Cluster analysis

Bibliografia
GIUDICI P., Data Mining: metodi statistici per le applicazioni aziendali, McGraw-Hill, Milano 2001.
HAN J., KAMBER M., Data Mining, Concepts and Techniques, MK Publishers, USA, 2001.
Inton W.H., Building the data warehouse, John Wiley & Sons, 1996.
PIRSIG R.M., Lo zen e l’arte della manutenzione della motocicletta, Adelphi, Milano, 1992.
TOLSTOY I., The knowledge and the power, Canongate, 1990.
WOLD S., SJOSTROM M., ERIKSSON L., “PLS-Regression: a basic tool of chemometrics”, Chemometrics and intelligent
laboratory systems, 58 (2001), 109-130.
Z ELENY M., “La gestione a tecnologia superiore e la gestione della tecnologia superiore”, in G. B OCCH i,
M. CERUTI, La Sfida della Complessità, Feltrinelli, 1985.
30 Statistica & Società
I Censimenti nella Bibbia
Adempimento del volere di Dio o peccato?
Maria Pia Perelli D’Argenzio
CIRDIS, Padova
1. Che cosa si intende per “censimento”
Come ben noto, le prime applicazioni della sta-
tistica (o protostatistica) sono i cosiddetti “censimen-
ti”1: difatti quando le società si organizzarono in stati
sentirono la necessità di dotarsi di opportune attrez-
zature statistico amministrative.
Certo è che il concetto attuale di censimento è
alquanto diverso da quello relativo ai bisogni delle
prime organizzazioni civili dei tempi antichi. Oggi,
per censimento si intende una enumerazione diretta,
nominativa, universale, simultanea, periodica di una
popolazione esistente su un dato territorio.
In questa accezione i primi veri e propri censi-
menti sono quelli risalenti alla seconda metà del se-
colo XVIII, anche se alcuni aspetti caratteristici dei
censimenti modernamente intesi possono essere ri-
trovati nei secoli precedenti. Ad esempio, la
rilevazione ordinata dalla Repubblica di Venezia nel
1311 per le città di Modone e Corone -suoi possedi-
menti - costituì il primo modello nel quale i dati ve-
nivano rilevati in modo diretto, nominativo ed uni-
versale, anche se non ancora in modo simultaneo e
con periodicità predeterminata. Nel giugno del 1440
il Consiglio dei Dieci di Venezia promulga un “pia-
no di rilevazione” che distingue la popolazione per
età, sesso, professione, condizione sociale e nazio-
nalità. Nel 1624 viene anche prescritta la periodicità
quinquennale delle rilevazioni e, a questo punto, ci
si avvicina molto alle indagini censuarie del XVIII
secolo. Anche altri stati in questi secoli iniziano
rilevazioni sempre più caratterizzate dagli elemen-
ti costituenti l’indagine censuaria modernamente
intesa.
Con il termine “censimento” vengono, però,
tuttora indicate le rilevazioni attuate nell’antichi-
tà. Difatti anch’esse, pur non avendo la totalità
delle caratteristiche che identificano i censimenti
1
Vedasi, al proposito: M. P. Perelli D’Argenzio “Storia della Statistica: i momenti decisivi” in ”L’ insegnamento della Matematica e
delle scienze integrate”, vol. 25 A-B, Nov.- Dic. 2002.
2
Op. cit., pag. 528.
moderni, possiedono comunque il carattere di
enumerazione diretta ed in qualche caso periodi-
ca della popolazione.
È noto che anticamente gli Egiziani, i Cinesi
ed i Babilonesi avevano delle regole tramite le quali
“contare” la popolazione. Inoltre sono ancora più noti
i censimenti attuati da Roma nel corso dei diversi
secoli della sua potenza. È curioso osservare come,
in Roma, si utilizzassero le diverse divinità per otte-
nere informazioni sulla popolazione già suddivise per
sesso e per età. Difatti2 le offerte dovute per ogni
nascita, morte e maggiore età venivano versate nei
tesori di divinità diverse permettendo così di ottene-
re, con una semplice valutazione delle offerte, una
classificazione della popolazione secondo questi
criteri.
2. I censimenti nel libro dei Numeri della
Bibbia: segno del progetto di Dio sull’uomo
Questa attività di conteggio, presente nelle mag-
giori civiltà del mondo antico, assume nella storia di
Israele un carattere “religioso” tanto importante da
essere descritta nel quarto libro del Pentateuco (in-
sieme dei primi cinque libri sacri tradizionalmente
attribuiti a Mosè, ma in realtà frutto di una lunghis-
sima tradizione orale e poi scritta). Su tali libri (an-
che se denominati in modo diverso) Ebrei e Cristiani
concordano: è Scrittura cioè parola ispirata da Dio
ed espressa per mezzo di uomini, preziosi collabora-
tori del Signore.
Tornando al quarto libro del Pentateuco, questo
viene designato dagli Ebrei in due modi: “wajjedabber”
che significa “e parlò” – dalla prima parola del libro
stesso o “bamidbar” che significa “nel deserto” luo-
go ove si svolge la prima parte dell’episodio della
storia di Israele ivi narrato. Il titolo greco, passato
 Statistica & Società
poi alla versione latina (Vulgata) in modo impreciso
e successivamente così utilizzato in tutte le versioni
cristiane della Bibbia, è “Numeri” in quanto si riferi-
sce ai molti elenchi numerici che caratterizzano il
testo. Il termine greco di riferimento non equivale
però propriamente a Numeri ma a Censimenti: que-
sto libro sacro è quindi più propriamente il “Libro
dei Censimenti”.
L’interpretazione religiosa di tale libro fa corri-
spondere ai censimenti propriamente intesi, alla di-
sposizione delle tribù intorno alla Dimora (l’Arca
dell’Alleanza), e alla loro marcia organizzata in schie-
re e squadre il cammino della comunità santa ver-
so Dio.
Nei primi quattro capitoli del libro dei Numeri
leggiamo come il Signore ordina il censimento de-
gli Israeliti che sono usciti dal paese d’Egitto; in re-
altà, come vedremo, i censimenti ordinati da Dio sono
almeno quattro.
Possiamo verosimilmente supporre che la mo-
tivazione principale di questo censimento sia quella
di risalire alla sorgente stessa dell’elezione divina
secondo la discendenza da Abramo ad Isacco, a
Giacobbe, ai figli di Giacobbe e quindi alle tribù di
Israele… Perciò il censimento viene fatto “secondo
i casati paterni” (Num. 1,45) e, siccome l’alleanza
di Dio con Abramo riguarda lui e la sua discenden-
za, la rilevazione si riferisce a “tutta la comunità degli
Israeliti, secondo le loro famiglie, testa per testa,
dall’età di venti anni in su, quanti in Israele possono
andare in guerra” (Num. 1,2).
La narrazione è molto dettagliata, stabilisce e
riporta pure i nomi dei sovrintendenti al censimento
- uno per tribù - Elisir, Salamiel, Naasson, Natanael,
Eliab ecc. scelti tra le “persone più autorevoli” delle
rispettive tribù. Costoro si unirono a Mosè e ad
Aronne e, nel primo giorno del secondo mese, con-
vocarono tutta la comunità e ne fecero il censimento
(Num. 1,5-15) .
“Tutti gli Israeliti dei quali fu fatto il censimen-
to, secondo i loro casati paterni, dall’età di vent’an-
ni in su, cioè tutti gli uomini che in Israele potevano
andare in guerra, quanti furono registrati risultaro-
no 603.550. Ma quanti erano Leviti, secondo la loro
tribù paterna, non furono registrati insieme con gli
altri.” (Num. 1, 45-47)
I risultati del censimento servirono fra l’altro a
determinare il posto nell’accampamento e l’ordine
di marcia nel deserto durante i trasferimenti (Num. 2).
Il motivo per il quale i Leviti non furono censiti
31
con gli altri, è così spiegato:
“Ecco io ho scelto i Leviti tra gli Israeliti al
posto di ogni primogenito che nasce per primo dal
seno materno; i Leviti saranno miei perché ogni pri-
mogenito è mio. Quando io colpii tutti i primogeniti
nel paese d’Egitto, Io mi riservai in Israele tutti i
primogeniti degli uomini e degli animali; essi sa-
ranno miei. Io sono il Signore.” (Num. 3, 12-13)
Si passa così al censimento di tutti i Leviti “di
tutti i maschi dall’età di un mese in su” (Num. 3,15)
secondo le loro famiglie (totale 22.000). Nel libro
dei Numeri segue il censimento di tutti i primogeniti
maschi di tutte le famiglie d’Israele da un mese in su
che risultarono 22.273. Per i 273 primogeniti degli
Israeliti che oltrepassano il numero dei Leviti, la co-
munità paga ad Aronne 5 sicli a testa per un totale di
1365 sicli (Num. 3, 44-51).
Vengono poi enumerati gli adulti fra i Leviti
(dall’età dei 30 anni fino all’età di 50) per stabilire i
turni del servizio liturgico (Num. 4).
Il conteggio dei maggiorenni viene poi ripetuto
dopo il flagello seguito al culto di Baal da parte di
alcuni Israeliti. Tale secondo censimento aveva come
finalità principale quella di determinare quanti fos-
sero in grado di andare in guerra. Il numero totale
risultò 601.730.
Esso servì anche di base per l’assegnazione del
territorio nella Terra promessa:
“il paese sarà diviso tra di essi, per essere loro
proprietà, secondo il numero delle persone. A quelli
che sono in maggior numero, darai in possesso una
porzione maggiore; a quelli che sono in minor nu-
mero, darai una porzione minore; si darà a ciascu-
no la sua porzione secondo il censimento” (Num.
26,54).
Interessante notare come i diversi censimenti
riguardassero soltanto i maschi, per cui le figlie di
Zelofcad (Num. 27,1), in quanto femmine, non ven-
nero contate e quindi, non avendo avuta assegnata la
terra, si presentarono a Mosè facendo presente l’in-
giustizia patita. Mosè allora decise che, in mancanza
di eredi maschi, l’eredità potesse andare anche alle
figlie femmine che così ebbero il loro terreno (alla
fine del libro dei Numeri si stabilisce però un limite:
le figlie eredi devono maritarsi nella loro tribù, af-
finché la proprietà non passi ad altra tribù). (Num.
36, 7 e seg.).
In questi passi della Bibbia vediamo così che è
Dio stesso che chiede al popolo che si è scelto di
procedere al conteggio della Sua popolazione e, quin-
32 Statistica & Società
di, tale attività non solo risulta lecita, ma è un “adem-
pimento del comando del Signore”.
Nel rispondere a questa richiesta di Dio, il po-
polo può così misurare l’estensione della misericor-
dia di Dio verso la discendenza di Abramo e arriva
così a riconoscersi come il popolo dell’Alleanza. Il
senso dell’appartenenza di ogni famiglia d’Israele a
Dio è significato dal riscatto dei primogeniti; l’ordi-
ne di marcia nel deserto rappresenta la vicinanza di
ciascuna tribù e famiglia all’Arca dell’Alleanza, luo-
go della dimora di Dio fra gli uomini; il possesso
della terra in Palestina diventa il segno tangibile del-
la partecipazione alla Promessa di Dio ad Abramo…
è, quindi, interessante notare come uno strumento
operativo e tecnico come il censimento, diventi presso
gli antichi Ebrei, significato e segno del progetto di
Dio sull’uomo.
3. Il censimento di Davide: peccato di orgoglio
In due altri libri della Bibbia, conosciuti rispet-
tivamente come “Secondo libro di Samuele” e “Pri-
mo libro delle Cronache” o “Paralipomeni”, che
narrano la storia del re Davide, si trova il racconto di
un nuovo censimento voluto, in questo caso, dal re
stesso. La presentazione che ne viene fatta è nel se-
gno della tentazione e del peccato: nel libro di
Samuele è “la collera del Signore” (2 Sam. 24,1 e
seg.) che incita Davide a fare il censimento, nel libro
delle Cronache è Satana che insorge contro Israele e
spinge Davide a censire gli Israeliti (1Cro.21,1 e seg.).
Dal libro sacro si comprende come questa rilevazione
sia voluta dal re per “misurare” la sua gloria e la sua
potenza. Per questa ragione questo censimento è con-
siderato dal Signore una colpa del re Davide; difatti,
secondo la Bibbia, è Dio che tiene i registri di coloro
che devono vivere o morire:
Cancellerò dal mio libro colui che ha peccato
contro di me” (Es. 32,33), come pure ”Ancora infor-
me mi hanno visto i tuoi occhi e tutto era scritto nel
tuo libro; i miei giorni erano fissati, quando ancora
non ne esisteva uno” (Sal .139,16).
Inoltre, sempre secondo la narrazione biblica,
la gloria e la potenza di Davide provengono ed ap-
partengono al Signore e non sono sue personali. Per
ottenere il pentimento e l’assoluzione da questo pec-
cato di orgoglio, Dio concesse a Davide, tramite il
profeta Gad, la possibilità di scegliere tra tre cala-
mità: tre anni di carestia, tre mesi di fuga di fronte al
nemico o una pestilenza di tre giorni (2 Sam.24,13).
Davide scelse la pestilenza:
“Ebbene cadiamo nelle mani del Signore, per-
ché la sua misericordia è grande, ma che io non cada
nelle mani degli uomini!” e “ Allora il Signore man-
dò in Israele la peste e perirono d’Israele settanta-
mila uomini” (2 Sam.24,14-15).
A conclusione di questa analisi sui censimenti
nella Bibbia possiamo affermare che l’esperienza di
Davide condizionò l’atteggiamento del mondo ebrai-
co e cristiano nei confronti della rilevazione statisti-
ca: quest’ultima, se non esplicitamente richiesta da
Dio e magari anche attuata per desiderio di gloria
personale e di affermazione del proprio potere, pote-
va essere considerata come una curiosità colpevole
in quanto volta ad indagare gli imperscrutabili dise-
gni divini mediante l’osservazione di questi fenomeni
naturali voluti da Dio quali nascite e morti. Ciò è
esplicitamente ricordato nel libro dell’Esodo:
“Quando per il censimento farai la rassegna
degli Israeliti, ciascuno di essi pagherà al Signore il
riscatto della sua vita all’atto del censimento, per-
ché non li colpisca il flagello in occasione del loro
censimento.“(Es 30,11e seg.).