Lezione 7

LEZIONE 7

ALTRI INDICI DI VARIABILITÀ

Nella lezione precedente si è anticipato che un indice di variabilità espresso
nell’unità di misura utilizzata nella rilevazione si può ottenere dalla varianza
calcolandone la radice quadrata. L’indice ottenuto in questo modo, per
l’importanza che assume e per il suo uso frequente, ha un suo nome proprio.

La DEVIAZIONE STANDARD (detta anche scarto quadratico medio o

scostamento quadratico medio) corrisponde alla radice quadrata della
varianza, per cui viene usualmente indicata con la notazione s oppure sx

𝑠 = 𝑠𝑥 = √𝑠𝑥2

Le sue formule di calcolo, che variano a seconda di come sono organizzati i dati
raccolti, si ottengono immediatamente dalle corrispondenti formule della
varianza semplicemente effettuandone la radice quadrata

𝑛
1
𝑠𝑥 = 𝑠 = √ ∑(𝑥𝑖 − 𝑥̅ )2
𝑛
𝑖=1

𝑘 𝑘
1 2 2
𝑠𝑥 = 𝑠 = √ ∑(𝑐𝑗 − 𝑥̅ ) × 𝑛𝑗 = √∑(𝑐𝑗 − 𝑥̅ ) × 𝑓𝑗
𝑛
𝑗=1 𝑗=1

𝑘 𝑘
1 2 2
𝑠𝑥 = 𝑠 = √ ∑(𝑐̅𝑗 − 𝑥̅ ) × 𝑛𝑗 = √∑(𝑐̅𝑗 − 𝑥̅ ) × 𝑓𝑗
𝑛
𝑗=1 𝑗=1

1
Lezione 7

Esercizio
Considerata la seguente distribuzione in classi, si calcoli la deviazione standard
della X
X densità
-5 – -3 0.2
-3 – -1 0.1
-1 – 3 0.1

Per calcolare sx è necessario calcolare i valori centrali delle classi e le frequenze

relative, come riportato nella tabella successiva
Valore centrale Frequenza relativa
-4 0.4
-2 0.2
+1 0.4
1.0

Sulla base di questa tabella si ottengono i seguenti risultati

𝑥̅ = −1.6
𝑚2𝑥 = 7.6 𝑠𝑥2 = 7.6 − 1.62 = 5.04
𝑠𝑥 = √5.04 ≈ 2.2450

PROPRIETÀ DELLA DEVIAZIONE STANDARD

Considerata la sequenza delle n osservazioni
𝑥1 , 𝑥2 , … , 𝑥𝑛
relativa a una variabile quantitativa X ed indicato con 𝑠𝑥 la sua deviazione
standard, si dimostra che la deviazione standard di una trasformazione lineare
del tipo Y = a + bX risulta
𝑠𝑦 = |𝑏|𝑠𝑥

2
Lezione 7

Questa dimostrazione si ottiene immediatamente da quella relativa alla

varianza di una trasformazione lineare

DIMOSTRAZIONE
Indicate rispettivamente con 𝑠𝑥2 e con 𝑠𝑦2 le varianze della X e della Y è noto che
𝑠𝑦2 = 𝑏 2 𝑠𝑥2
Calcolando la radice quadrata di entrambi i termini dell’uguaglianza risulta
𝑠𝑦 = |𝑏|𝑠𝑥

Si nota come, quale che sia il segno assunto dal parametro 𝑏, la deviazione
standard della variabile trasformata non possa mai assumere un risultato
minore di zero, in accordo con le proprietà che devono essere rispettate da un
qualsiasi indice che misuri la variabilità di una variabile.
Anche la deviazione standard risulta quindi invariante rispetto a traslazioni
dell’origine, ma non rispetto a variazioni dell’unità di misura utilizzata,
esattamente come accadeva per la varianza.

Esercizi
1) Considerata una variabile X per la quale la deviazione standard è risultata
pari a 4.6, determinare la deviazione standard della variabile trasformata
1
𝑌 =4− 𝑋
2
Risulta
1 1
𝑠𝑦 = |− | 𝑠𝑥 = × 4.6 = 2.3
2 2

3
Lezione 7

2) Data a una variabile quantitativa X di media 𝑥̅ e varianza 𝑠𝑥2 si determini la

media e la varianza della seguente trasformazione lineare
X − 𝑥̅
Z=
𝑠𝑥
Il risultato si ottiene come caso particolare delle proprietà relative alla media e
alla varianza di una trasformazione lineare.

Sapendo infatti che, data la variabile Y= 𝑎+bX, la sua media è 𝑦̅ = 𝑎 + 𝑏𝑥̅

mentre la sua varianza è 𝑠𝑦2 = 𝑏 2 𝑠𝑥2 , è sufficiente considerare che la variabile Z
si ottiene come combinazione lineare della X ponendo
𝑥̅
𝑎=−
𝑠𝑥
1
𝑏=
𝑠𝑥
per cui si ottiene
𝑥̅ 1
𝑧̅ = − + 𝑥̅ = 0
𝑠𝑥 𝑠𝑥
1 2 2
𝑠𝑧2 = ( ) 𝑠𝑥 = 1
𝑠𝑥

La variabile Z ha quindi una media sempre pari a 0 e una varianza sempre pari
a 1.

Questa variabile trasformata, che verrà ripresa molto spesso in seguito, è detta
variabile scarto standardizzato

4
Lezione 7

COEFFICIENTE DI VARIAZIONE
In molte situazioni reali si ha interesse a confrontare la variabilità di variabili
differenti, spesso rilevate con unità di misura diverse o aventi ordini di
grandezza diversi.
Esempi di questo genere si hanno quando si analizza la distribuzione di un
gruppo di unità statistiche sulle quali si è rilevato congiuntamente il peso e la
statura, oppure quando si vogliono confrontare le distribuzioni di una stessa
variabile (ad esempio il peso) rilevata su un gruppo di individui adulti e su un
gruppo di neonati. Nel primo caso le unità di misura potrebbero essere il
chilogrammo e il centimetro, mentre nel secondo caso una deviazione standard
pari, per esempio, a un chilogrammo, assumerebbe un’importanza diversa a
seconda che ci si riferisse a individui adulti o a neonati.
Allo stesso modo, gli indici di variabilità finora esaminati non permetterebbero
un confronto della variabilità di distribuzioni di redditi espressi in valute
differenti.

La varianza e la deviazione standard possono quindi essere utilizzati per

confrontare le distribuzioni di variabili misurate con la stessa unità di misura e
con un ordine di grandezza non molto diverso. Nei restanti casi si deve
utilizzare un indice di variabilità che non dipenda dall’unità di misura e che
elimini le differenze imputabili all’ordine di grandezza delle due variabili
esaminate.

5
Lezione 7

Fra gli indici che si utilizzano nelle situazioni descritte in precedenza, il

coefficiente di variazione (CV) è sicuramente quello più usato.

Data una variabile quantitativa X, il suo coefficiente di variazione corrisponde

al rapporto fra la deviazione standard e la media, ossia a
𝑠𝑥
𝐶𝑉𝑥 =
𝑥̅

Questo indice, però, non può essere utilizzato in ogni situazione. Trattandosi di
un indice che misura la variabilità, dovrà necessariamente assumere valori
maggiori o uguali a zero: pertanto non si può utilizzare quando la variabile X
assume valori negativi, in quanto la media della variabile, che compare al
denominatore del CV, potrebbe risultare negativa.
Il suo utilizzo, inoltre, è fortemente sconsigliato se la variabile X ha una media
prossima allo zero, in quanto il CV assumerebbe un valore tendente a infinito.

PROPRIETÀ
Considerata una variabile quantitativa X di media 𝑥̅ e varianza 𝑠𝑥2 si determini
il coefficiente di variazione della trasformazione lineare Y= 𝑎+bX

Quella che segue non è una dimostrazione vera e propria, ma semplicemente

un’applicazione dei risultati che sono stati ottenuti in precedenza per la media
e la varianza di una trasformazione lineare

6
Lezione 7

DIMOSTRAZIONE
Considerata l’espressione del coefficiente di variazione della variabile Y, il
risultato richiesto si ottiene sostituendo al posto del numeratore e del
denominatore le espressioni della media e della deviazione standard di una
trasformazione lineare. Risulta quindi
𝑠𝑦 |𝑏|𝑠𝑥
𝐶𝑉𝑦 = =
𝑦̅ 𝑎 + 𝑏𝑥̅

Si vede quindi che questo indice varia al variare dei valori assunti da 𝑎 e b

ESEMPIO
Considerata la seguente distribuzione
X Frequenza relativa
0 0.35
3 0.35
5 0.30
1.00

si calcoli il coefficiente di variazione della variabile X e della variabile

trasformata Y = 3X+2.

Per la variabile X risulta

√4.1475
𝑥̅ = 2.55 𝑚2𝑥 = 10.65 𝑠𝑥2 = 4.1475 𝐶𝑉𝑥 = ≈ 0.7986
2.55

mentre per la Y si ha
𝑦̅ = 3 × 2.55 + 2 = 9.65 𝑠𝑦2 = 9 × 4.1475 = 37.3275

√37.3275
𝐶𝑉𝑦 = ≈ 0.6331
9.65

7
Lezione 7

INDICI DI FORMA
Gli ultimi indici che verranno descritti per una singola variabile (ossia per le
cosiddette distribuzioni univariate), prima di passare all’analisi delle
cosiddette distribuzioni bivariate (relative, cioè, a due variabili), sono i
cosiddetti indici di forma.
Questi indici sono utilizzati per evidenziare altri aspetti dell'assetto
distributivo di una variabile quantitativa precisandone, appunto, la forma e si
basano sul calcolo dei momenti centrali di vario ordine.

SIMMETRIA O ASIMMETRIA
Il concetto di simmetria o asimmetria di una distribuzione risulta di facile
comprensione se si esamina la sua rappresentazione grafica, ma è molto più
complesso da esprimersi a parole.
I due grafici seguenti, per esempio,

Centro di simmetria
14
12
frequenza assoluta

10
8
6
4
2
0
0 1 2 3 4 5

8
Lezione 7

si riferiscono a distribuzioni simmetriche e in ciascun grafico è stata tracciata

una retta verticale in corrispondenza del centro dell’intervallo di variazione
della variabile, che rappresenta il suo centro di simmetria.
Se la distribuzione di una variabile quantitativa X è simmetrica, infatti, il suo
grafico è formato da due parti distinte (che qui sono state colorate in azzurro e
in arancione) che sono specularmente identiche rispetto al centro di simmetria,
corrispondente al valore centrale di x.
Per distribuzioni simmetriche questo centro di simmetria corrisponde sempre
anche al valore mediano e alla media aritmetica.

Se il grafico non è formato da due parti specularmente identiche, la

distribuzione è asimmetrica.
I grafici successivi si riferiscono a distribuzioni asimmetriche: in questi casi si
nota un maggiore addensamento delle frequenze in una metà del campo di
variazione della variabile rispetto all’altra metà.
Il primo grafico mostra un’asimmetria positiva: si ha un maggiore
addensamento delle frequenze in corrispondenza di valori bassi della variabile

9
Lezione 7

o, in altri termini, le frequenze più elevate si trovano nella prima metà del
campo di variazione

Il grafico seguente mostra invece un’asimmetria negativa, con un

addensamento delle frequenze in corrispondenza di valori alti della variabile.
Le frequenze più elevate si trovano nella seconda metà del campo di variazione.

14

12
frequenza assoluta

10

0
0 2 4 6 8

10
Lezione 7

Nel caso di una sequenza ordinata di valori di una variabile X si parla di

simmetria se gli scarti negativi rispetto al centro del campo di variazione
risultano tutti ordinatamente uguali, in valore assoluto, ai corrispondenti scarti
positivi.

Esempio di sequenza simmetrica

-1 0 3 6 9 12 13

Considerato che x = [-1, 13] il suo centro risulta uguale a 6 e gli scarti
assumono i valori riportati nella sequenza successiva
Scarti
-7 -6 -3 0 3 6 7

Esistono numerosi indici statistici che permettono di avere una valutazione

dell’eventuale grado di asimmetria di una variabile, e molti di essi indicano
anche se si tratta di asimmetria positiva o negativa. Il più utilizzato è il
cosiddetto indice di Fisher, che corrisponde al rapporto fra il terzo momento
centrale e la deviazione standard elevata alla terza.

Considerata una variabile quantitativa X, l’indice di asimmetria di Fisher,

spesso indicato con il simbolo 𝑎3 o con 𝑎3𝑥 , assume la forma
𝑚
̅ 3𝑥
𝑎3 = 𝑎3𝑥 =
𝑠𝑥3

Esaminando la formula si nota che questo indice corrisponde anche al terzo

momento ordinario della variabile scarto standardizzato

11
Lezione 7

𝑋 − 𝑥̅
𝑍=
𝑠𝑥

Le caratteristiche di questo indice risultano le seguenti:

- È un indice adimensionale, ossia un numero puro
- Risulta maggiore di zero se la distribuzione presenta un’asimmetria positiva,
e minore di zero in caso di asimmetria negativa
- È pari a zero se la distribuzione è simmetrica, ma presenta l’inconveniente di
poter risultare uguale a zero anche se la distribuzione è asimmetrica,
semplicemente perché gli scarti con segno negativo compensano quelli con
segno positivo. Un risultato pari a zero è quindi una condizione necessaria, ma
non sufficiente, per poter concludere che la distribuzione è simmetrica

PROPRIETÀ

Considerata una variabile quantitativa X ed indicata con 𝑠𝑥 la sua deviazione

standard, con 𝑚
̅ 3𝑥 il terzo momento centrale e con 𝑎3𝑥 l’indice di asimmetria di
Fisher, l’indice di asimmetria di Fisher di una trasformazione lineare del tipo
Y = a + bX
risulta
𝑎3𝑦 = 𝑠𝑒𝑔𝑛𝑜(𝑏)𝑎3𝑥

dove “𝑠𝑒𝑔𝑛𝑜(𝑏)” sta ad indicare che il segno positivo o negativo da attribuire al

risultato dipende dal segno del parametro 𝑏.

12
Lezione 7

Per dimostrare questa proprietà è sufficiente fare riferimento alle proprietà

delle trasformazioni lineari che sono state considerate per i momenti centrali
di ordine r e per la deviazione standard

DIMOSTRAZIONE
Per definizione, data la variabile Y, l’indice di asimmetria di Fisher è dato da
𝑚
̅ 3𝑦
𝑎3𝑦 =
𝑠𝑦3

Tenendo presente che Y è una trasformazione lineare di X, per le proprietà dei

momenti centrali di ordine r il numeratore dell’indice risulta pari a
̅ 3𝑦 = 𝑏 3 𝑚
𝑚 ̅ 3𝑥

mentre, per la proprietà della deviazione standard, il suo denominatore è

uguale a
𝑠𝑦3 = |𝑏 3 |𝑠𝑥3

Si ottiene quindi il risultato

̅ 3𝑦 𝑏 3 𝑚
𝑚 ̅ 3𝑥 𝑏3 𝑚
̅ 3𝑥
𝑎3𝑦 = 3 = 3 3 = 3 3 = 𝑠𝑒𝑔𝑛𝑜(𝑏)𝑎3𝑥
𝑠𝑦 |𝑏 |𝑠𝑥 |𝑏 | 𝑠𝑥

dato che il rapporto

𝑏3 −1 per 𝑏 < 0
={
3
|𝑏 | +1 per 𝑏 > 0

13
Lezione 7

ESEMPIO
Considerata una variabile X per la quale l’indice di asimmetria di Fisher è
risultato pari a -1.5, si determini il valore dell’indice di asimmetria di Fisher
perla variabile trasformata Y=-2X+0.5.

Risulta
(−2)3
𝑎3𝑦 = 𝑎 = −𝑎3𝑥 = 1.5
|(−2)3 | 3𝑥

14
Lezione 7

CURTOSI
La distribuzione di una variabile può presentare “code” più o meno “spesse”,
nel senso che le frequenze possono risultare più o meno addensate in
corrispondenza dei valori estremi assunti dalla variabile.
I cosiddetti indici di curtosi sono utilizzati proprio per misurare lo spessore
delle code della distribuzione, ossia il grado di concentrazione delle frequenze
in corrispondenza degli estremi del campo di variazione della variabile.

Per avere un’idea di cosa si intenda misurare con gli indici di curtosi è utile
confrontare i due grafici seguenti: nel primo (colorato in arancione) le
frequenze in corrispondenza degli estremi del campo di variazione sono più
addensate rispetto a quanto si nota nel secondo grafico (colorato in viola). Il
grafico in arancione ha code più spesse del grafico in viola.

15
Lezione 7

L’indice statistico che viene generalmente utilizzato per misurare la curtosi

corrisponde al rapporto fra il quarto momento centrale e la varianza al
quadrato.

Considerata una variabile quantitativa X, l’indice di curtosi, spesso indicato con

il simbolo 𝑎4 o con 𝑎4𝑥 , assume quindi la forma
𝑚
̅ 4𝑥
𝑎4 = 𝑎4𝑥 =
𝑠𝑥4

Esaminando la formula, si nota che questo indice corrisponde anche al quarto

momento ordinario della variabile scarto standardizzato

𝑋 − 𝑥̅
𝑍=
𝑠𝑥

Le caratteristiche di questo indice risultano le seguenti:

- È un indice adimensionale, ossia un numero puro
- Non può assumere un valore negativo e il valore di riferimento è 3

L’ultima affermazione sta a significare che le distribuzioni osservate vengono

suddivise in tre classi differenti a seconda che l’indice di curtosi risulti
esattamente uguale a 3, minore di 3 oppure maggiore di 3.

16
Lezione 7

In particolare:
- Per 𝑎4 < 3 la distribuzione si dice platicurtica: le frequenze sono poco
concentrate intorno alla media, per cui le code sono piuttosto spesse
- Per 𝑎4 = 3 la distribuzione si dice mesocurtica o normocurtica
- Per 𝑎4 > 3 la distribuzione si dice leptocurtica: le frequenze sono molto
concentrate intorno alla media, per cui le code sono poco spesse

L’interesse circa lo spessore delle code di una distribuzione risiede

essenzialmente nel fatto che numerose variabili quantitative tendono a
distribuirsi secondo un particolare modello che viene chiamato modello
normale. A titolo di esempio, nel grafico successivo è riportato il grafico di un
istogramma (in colore giallo) e di una linea rossa continua che segue il profilo
dell’istogramma.

La linea rossa corrisponde al modello normale che, nel caso in esame,

approssima con sufficiente accuratezza il profilo dell’istogramma. Di questo
particolare modello distributivo si avrà modo di parlare molto a lungo nella
17
Lezione 7

seconda parte del corso, ma per il momento vale la pena anticipare che una
distribuzione normale è sempre simmetrica (per cui l’indice di Fisher sarà pari
a zero), mentre ha un valore dell’indice di curtosi che è esattamente pari a 3 (da
qui la definizione di distribuzione normocurtica).
Dato che, come si vedrà nell’ultima parte di questo corso di Statistica, i
procedimenti inferenziali sono molto più semplici quando la distribuzione
reale di una variabile può essere approssimata in modo soddisfacente da una
normale, si procede a calcolare l’indice di asimmetria di Fisher e l’indice di
curtosi sulla distribuzione osservata, per verificare se tale distribuzione può
essere approssimata da questo modello. Tanto più l’indice di asimmetria sarà
prossimo a zero e l’indice di curtosi sarà prossimo a 3, tanto più il modello
normale potrebbe risultare adeguato per approssimare la distribuzione
osservata.

PROPRIETÀ
Considerata una variabile quantitativa X ed indicata con 𝑠𝑥2 la sua varianza, con
𝑚
̅ 4𝑥 il quarto momento centrale e con 𝑎4𝑥 l’indice di curtosi, l’indice di curtosi
di una trasformazione lineare del tipo
Y = a + bX
risulta
𝑎4𝑦 = 𝑎4𝑥

per cui l’indice di curtosi è invariante per trasformazioni lineari.

18
Lezione 7

Anche in questo caso la dimostrazione si effettua tenendo presenti le proprietà

delle trasformazioni lineari considerate per i momenti centrali di ordine r e per
la varianza

DIMOSTRAZIONE
Per definizione, data la variabile Y, l’indice di curtosi è dato da
𝑚
̅ 4𝑦
𝑎4𝑦 =
𝑠𝑦4

Tenendo presente che Y è una trasformazione lineare di X, per le proprietà dei

momenti centrali di ordine r il numeratore dell’indice risulta pari a
̅ 4𝑦 = 𝑏 4 𝑚
𝑚 ̅ 4𝑥

mentre, per la proprietà della varianza, il suo denominatore è uguale a

𝑠𝑦4 = 𝑏 4 𝑠𝑥4

Si ottiene quindi il risultato

̅ 4𝑦 𝑏 4 𝑚
𝑚 ̅ 4𝑥 𝑚
̅ 4𝑥
𝑎4𝑦 = 4 = 4 4 = 4 = 𝑎4𝑥
𝑠𝑦 𝑏 𝑠𝑥 𝑠𝑥

19
Lezione 7

BOX PLOT o GRAFICO A SCATOLA

Il boxplot è un particolare grafico che consente di evidenziare le principali
caratteristiche di una variabile quantitativa.
La sua costruzione si basa su indici di posizione e su indici di variabilità ed
esistono diversi tipi di boxplot, a seconda degli indici che vengono scelti.

In questa lezione si esamina solo il grafico più utilizzato nelle situazioni reali,
ossia quello che considera i tre quartili come indici di posizione e la differenza
interquartile come indice di variabilità.

Tutti questi indici sono stati descritti nelle lezioni precedenti, ma per la
costruzione del boxplot è necessario anche il calcolo di altre due quantità, dette
valore adiacente inferiore (usualmente abbreviato in VAI) e valore adiacente
superiore (usualmente abbreviato in VAS), che risultano particolarmente utili
per individuare eventuali valori anomali.

Indicata con Wx la differenza interquartile (corrispondente a x0.75-x0.25):

il VAI corrisponde alla più piccola osservazione ≥ x0.25 − Wx

il VAS corrisponde alla più grande osservazione ≤ x0.75 + Wx.

Una volta calcolati anche questi due valori, si può procedere alla costruzione
del boxplot, di cui si riporta di seguito un esempio

20
Lezione 7

Come si nota dalla figura, il primo e il terzo quartile delimitano il rettangolo che
compone la parte centrale del grafico (per costruzione questo rettangolo
contiene al suo interno il 50% circa delle n osservazioni complessive, essendo
delimitato dai quantili di ordine 0.25 e 0.75).
Se la differenza interquartile è piccola le osservazioni risultano concentrate
intorno alla mediana, mentre all'aumentare del suo valore le osservazioni
risulteranno più disperse.
La mediana divide il rettangolo in due parti e le distanze x0.5−x0.25 e x0.75−x0.5
forniscono informazioni sulla forma della distribuzione.

21
Lezione 7

Se le due distanze risultano diverse fra loro la distribuzione è sicuramente

asimmetrica. Nella figura è riportata una situazione corrispondente a
un’asimmetria positiva

Dal rettangolo si tracciano quindi due segmenti: quello al di sotto del rettangolo
parte dalla metà della base inferiore e si ferma in corrispondenza del VAI,
mentre quello al di sopra del rettangolo parte dalla metà della base superiore e
si ferma in corrispondenza del VAS.

I due segmenti così ottenuti vengono chiamati baffi e, come si è detto, si

ottengono congiungendo x0.25 al VAI e x0.75 al VAS.
Questi baffi servono per evidenziare l’eventuale presenza di outliers, dato che
si considerano anomale quelle osservazioni che risultano più piccole del VAI o
più grandi del VAS.

Nella maggior parte delle situazioni reali i boxplot vengono utilizzati per
confrontare gli assetti distributivi di una stessa variabile rilevata su gruppi di
unità statistiche differenti, per cui vengono disegnati uno di fianco all’altro.

22