<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>coefficiente di variazione &#8211; paologironi blog</title>
	<atom:link href="https://www.gironi.it/blog/tag/coefficiente-di-variazione-it/feed/" rel="self" type="application/rss+xml" />
	<link>https://www.gironi.it/blog</link>
	<description>Appunti sparsi di (retro) informatica, analisi dei dati, statistica, seo, e cose che cambiano</description>
	<lastBuildDate>Tue, 06 Oct 2026 07:20:39 +0000</lastBuildDate>
	<language>it-IT</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	
	<item>
		<title>Deviazione standard e CV: quando la media da sola inganna (casi pratici SEO)</title>
		<link>https://www.gironi.it/blog/misure-di-variabilita-o-dispersione/</link>
					<comments>https://www.gironi.it/blog/misure-di-variabilita-o-dispersione/#respond</comments>
		
		<dc:creator><![CDATA[paolo]]></dc:creator>
		<pubDate>Thu, 18 Oct 2018 14:09:11 +0000</pubDate>
				<category><![CDATA[statistica]]></category>
		<category><![CDATA[asimmetria]]></category>
		<category><![CDATA[coefficiente di variazione]]></category>
		<category><![CDATA[curtosi]]></category>
		<category><![CDATA[deviazione standard]]></category>
		<category><![CDATA[scarto medio]]></category>
		<category><![CDATA[scarto quadratico medio]]></category>
		<category><![CDATA[variabilità]]></category>
		<category><![CDATA[varianza]]></category>
		<guid isPermaLink="false">https://www.gironi.it/blog/?p=1003</guid>

					<description><![CDATA[Due siti, due grafici delle sessioni giornaliere. Il primo oscilla di quasi 400 sessioni al giorno, il secondo di appena 52: verrebbe da dire che il primo è molto più instabile.È vero il contrario, e per accorgercene la media non basta: serve sapere quanto i dati si allontanano da lei. È il compito delle misure &#8230; <a href="https://www.gironi.it/blog/misure-di-variabilita-o-dispersione/" class="more-link">Leggi tutto<span class="screen-reader-text"> "Deviazione standard e CV: quando la media da sola inganna (casi pratici SEO)"</span></a>]]></description>
										<content:encoded><![CDATA[
<p class="wp-block-paragraph">Due siti, due grafici delle sessioni giornaliere. Il primo oscilla di quasi 400 sessioni al giorno, il secondo di appena 52: verrebbe da dire che il primo è molto più instabile.<br>È vero il contrario, e per accorgercene la media non basta: serve sapere quanto i dati si allontanano da lei.</p>



<p class="wp-block-paragraph">È il compito delle <strong>misure di dispersione</strong> (o di variabilità): descrivere quanto le osservazioni si sparpagliano attorno a un valore centrale, la <a href="https://www.gironi.it/blog/statistica-descrittiva-misure-di-posizione/#la-media-aritmetica">media</a> o la <a href="https://www.gironi.it/blog/statistica-descrittiva-misure-di-posizione/#la-mediana">mediana</a>. Due insiemi di dati con lo stesso centro possono raccontare storie opposte, e sono questi indici a dircelo.</p>



<p class="wp-block-paragraph">Le tecniche per misurare la variabilità di insiemi di dati sono numerose. <br>Tra queste, le più note (e più utilizzate) sono:</p>



<ul class="wp-block-list">
<li>il <a href="#gamma">campo di variabilità</a></li>



<li>lo <a href="#scartomedio">scarto medio</a> e la <a href="#varianza">varianza</a></li>



<li>lo <a href="#sqm">scarto quadratico medio o deviazione standard</a></li>



<li>lo <a href="#iqr">scarto interquartile</a></li>



<li>il <a href="#cv">coefficiente di variazione</a></li>
</ul>



<p class="wp-block-paragraph">Visualizzeremo graficamente i concetti acquisiti di tendenza centrale e dispersione ritornando a parlare di <a href="#forma">asimmetria</a> e introducendo il concetto di <a href="#curtosi">curtosi</a>.<br></p>



<span id="more-1003"></span>



<p class="wp-block-paragraph"><strong>In sintesi:</strong> le <strong>misure di dispersione</strong> dicono quanto i dati si allontanano dal centro. Il <strong>campo di variazione</strong> (massimo meno minimo) è il più rapido ma dipende da due soli valori; la <strong>varianza</strong> è la media dei quadrati degli scarti dalla media, la <strong>deviazione standard</strong> la sua radice quadrata, nella stessa unità dei dati; lo <strong>scarto interquartile</strong> (Q3 − Q1) è robusto ai valori anomali; il <strong>coefficiente di variazione</strong> (deviazione standard divisa per la media) è un numero puro che permette di confrontare scale diverse.</p>



<figure class="wp-block-table"><table><thead><tr><th>Misura</th><th>Che cos&#8217;è</th><th>Pregio</th><th>Limite</th><th>In R</th></tr></thead><tbody><tr><td><strong>Campo di variazione</strong></td><td>massimo meno minimo</td><td>immediato</td><td>dipende da due soli valori</td><td><code>diff(range(x))</code></td></tr><tr><td><strong>Varianza</strong></td><td>media dei quadrati degli scarti dalla media</td><td>è la base di quasi tutta l&#8217;inferenza</td><td>unità al quadrato, difficile da leggere</td><td><code>var(x)</code></td></tr><tr><td><strong>Deviazione standard</strong></td><td>radice quadrata della varianza</td><td>stessa unità dei dati</td><td>si lascia gonfiare dai valori anomali</td><td><code>sd(x)</code></td></tr><tr><td><strong>Scarto interquartile</strong></td><td>Q3 − Q1, l&#8217;ampiezza della metà centrale</td><td>robusto ai valori anomali</td><td>ignora le code</td><td><code>IQR(x)</code></td></tr><tr><td><strong>Coefficiente di variazione</strong></td><td>deviazione standard divisa per la media</td><td>confronta scale diverse</td><td>perde senso con medie vicine a zero</td><td><code>sd(x) / mean(x)</code></td></tr></tbody></table></figure>



<hr class="wp-block-separator has-css-opacity"/>


				<div class="wp-block-uagb-table-of-contents uagb-toc__align-left uagb-toc__columns-1  uagb-block-9a8af426      "
					data-scroll= "1"
					data-offset= "30"
					style=""
				>
				<div class="uagb-toc__wrap">
						<div class="uagb-toc__title">
							Gli argomenti trattati						</div>
																						<div class="uagb-toc__list-wrap ">
						<ol class="uagb-toc__list"><li class="uagb-toc__list"><a href="#il-campo-di-variabilità-o-gamma" class="uagb-toc-link__trigger">Il campo di variabilità (o gamma)</a><li class="uagb-toc__list"><a href="#lo-scarto-medio" class="uagb-toc-link__trigger">Lo scarto medio</a><li class="uagb-toc__list"><a href="#la-varianza" class="uagb-toc-link__trigger">La varianza</a><li class="uagb-toc__list"><a href="#la-deviazione-standard-o-scarto-quadratico-medio-la-più-usata" class="uagb-toc-link__trigger">La deviazione standard (o scarto quadratico medio): la più usata</a><li class="uagb-toc__list"><a href="#lo-scarto-interquartile-iqr" class="uagb-toc-link__trigger">Lo scarto interquartile (IQR)</a><li class="uagb-toc__list"><a href="#il-coefficiente-di-variazione-cv" class="uagb-toc-link__trigger">Il coefficiente di variazione (CV)</a><li class="uagb-toc__list"><a href="#la-forma-di-una-distribuzione" class="uagb-toc-link__trigger">La forma di una distribuzione</a><li class="uagb-toc__list"><a href="#la-curtosi" class="uagb-toc-link__trigger">La curtosi</a><li class="uagb-toc__list"><a href="#un-caso-pratico-seo-il-coefficiente-di-variazione-per-confrontare-due-siti" class="uagb-toc-link__trigger">Un caso pratico SEO: il coefficiente di variazione per confrontare due siti</a><li class="uagb-toc__list"><a href="#prova-tu" class="uagb-toc-link__trigger">Prova tu</a><li class="uagb-toc__list"><a href="#domande-frequenti" class="uagb-toc-link__trigger">Domande frequenti</a></ol>					</div>
									</div>
				</div>
			


<hr class="wp-block-separator has-css-opacity"/>



<h2 class="wp-block-heading" id="gamma">Il campo di variabilità (o gamma)</h2>



<p class="wp-block-paragraph">Il campo di variabilità, o Gamma (o <em>range</em>, per gli anglosassoni), è dato dalla <strong>differenza fra il valore massimo e quello minimo</strong> dei dati non raggruppati di una distribuzione di frequenza.</p>



<p class="wp-block-paragraph">Si tratta di un calcolo velocissimo, che in R può essere computato così:</p>



<pre class="wp-block-code"><code>max(var) - min(var)</code></pre>



<p class="wp-block-paragraph" id="block-3f4f9035-4c7c-400b-8d3d-98e60157fd69">In realtà il massimo e il minimo sono visualizzabili anche con:</p>



<pre class="wp-block-code"><code>range(var)</code></pre>



<p class="wp-block-paragraph" id="block-3f4f9035-4c7c-400b-8d3d-98e60157fd69">e compaiono come primo e ultimo termine in:</p>



<pre class="wp-block-code"><code>fivenum(var)</code></pre>



<p class="wp-block-paragraph">Per dati raggruppati, il campo di variazione è definito come la differenza tra il confine superiore della classe massima e il confine inferiore della classe minima.</p>



<p class="wp-block-paragraph">Un <strong>campo di variabilità modificato</strong> è un campo dal quale è stata eliminata una certa percentuale di valori estremi da entrambe le estremità della distribuzione (ad esempio l&#8217;<em>80 per cento intermedio</em>).</p>



<hr class="wp-block-separator has-css-opacity"/>



<h2 class="wp-block-heading" id="scartomedio">Lo scarto medio</h2>



<p class="wp-block-paragraph">Lo scarto medio è una misura di variabilità che si basa sulla differenza dei singoli dati dalla loro media. Se si calcolasse la media sommando le differenze positive e negative fra i singoli dati e la media aritmetica, <strong>il risultato sarebbe sempre zero</strong>. Per questo motivo si <strong>sommano i valori assoluti delle differenze</strong>:</p>



\(
SM = \frac{\Sigma|X &#8211; \mu|}{N}
\)



<div style="height:10px" aria-hidden="true" class="wp-block-spacer"></div>



<p class="wp-block-paragraph">Quei &#8220;valori assoluti&#8221; si prestano male ai calcoli algebrici (non si possono sviluppare né derivare agevolmente), motivo per cui lo scarto medio è poco usato. Esiste un altro modo per eliminare i valori negativi, ed ecco quindi che si introduce l&#8217;importante concetto di&#8230;</p>



<h2 class="wp-block-heading" id="varianza">La varianza</h2>



<p class="wp-block-paragraph">La varianza è analoga allo scarto medio, poichè si basa sulle<strong> differenze fra i singoli dati dell&#8217;insieme e la loro media</strong>, ma queste differenze sono <strong>elevate al quadrato prima di essere sommate</strong>. La varianza viene indicata con il simbolo del sigma minuscolo al quadrato e la formula è:</p>



\(
\sigma^{2}=\frac{\Sigma(X &#8211; \mu)^{2}}{N} \\ \\
\)



<p class="wp-block-paragraph">R ha la funzione var() per il calcolo della varianza, ma computa (<em>n-1</em>) al denominatore. Per avere il valore della varianza per <em>N</em> come denominatore, possiamo allora scrivere una funzione:</p>



<pre class="wp-block-code"><code>varpopol <- function(variabile){var(variabile)*(1-1/length(variabile))}</code></pre>



<p class="wp-block-paragraph">In generale, <strong>risulta difficile interpretare il significato del valore di una varianza</strong> perchè <strong>le unità in cui è espresso non sono le medesime in cui sono espresse le osservazioni</strong> dell'insieme di dati.</p>



<p class="wp-block-paragraph">Per questo motivo è stato introdotto lo <em>scarto quadratico medio</em>.</p>



<h2 class="wp-block-heading" id="sqm">La deviazione standard (o scarto quadratico medio): la più usata</h2>



<p class="wp-block-paragraph">Lo scarto quadratico medio non è altro che la <strong>radice quadrata della varianza</strong>:</p>



\(
\sigma = \sqrt{\frac{\Sigma(X - \mu)^{2}}{N}} \\ \\
\)



<p class="wp-block-paragraph">Lo scarto quadratico medio è di fondamentale utilità in statistica, particolarmente (come vedremo) in unione alla <a href="https://www.gironi.it/blog/la-distribuzione-normale/">distribuzione normale</a> di probabilità.</p>



<p class="wp-block-paragraph">Nel caso di dati raggruppati si considera che il valore centrale di ciascuna classe rappresenti tutte le misurazioni comprese in quella classe. Si avrà dunque per la varianza la formula:</p>



\(
\sigma^{2}=\frac{\Sigma f(X - \mu)^{2}}{N} \\ \\
\)



<p class="wp-block-paragraph">e per lo scarto quadratico medio:</p>



\(
\sigma = \sqrt{\frac{\Sigma f(X - \mu)^{2}}{N}} \\ \\
\)



<p class="wp-block-paragraph">In R, la funzione per computare la deviazione standard è sd().<br>R tuttavia usa (<em>n-1</em>) al denominatore. Quindi, se vogliamo il valore della deviazione standard per una popolazione (quindi con <em>n</em> al denominatore) possiamo definire un'apposita funzione:</p>



<pre class="wp-block-code"><code>sdpopol <- function(variabile){sqrt(sum((variabile - mean(variabile))^2)/(length(variabile)))}</code></pre>



<h2 class="wp-block-heading" id="iqr">Lo scarto interquartile (IQR)</h2>



<p class="wp-block-paragraph">Tutte le misure viste finora ruotano attorno alla media, e ne ereditano il difetto: basta un valore anomalo per gonfiarle. Lo <strong>scarto interquartile</strong> (in inglese <em>interquartile range</em>, IQR) prende un'altra strada: è la distanza fra il terzo e il primo quartile, cioè l'ampiezza della metà centrale dei dati.</p>



\( IQR = Q_{3} - Q_{1} \)



<p class="wp-block-paragraph">Proprio perché lascia fuori il quarto più basso e il quarto più alto dei dati, <strong>lo scarto interquartile non si lascia trascinare dai valori estremi</strong>: è la misura di dispersione naturale da affiancare alla <a href="https://www.gironi.it/blog/statistica-descrittiva-misure-di-posizione/#la-mediana">mediana</a>, ed è l'altezza della scatola nel <a href="https://www.gironi.it/blog/statistica-descrittiva-misure-di-posizione/">boxplot</a>. Lo calcolo in R sugli stessi dati che useremo per il coefficiente di variazione:</p>



<pre class="wp-block-code"><code>dati &lt;- c(24,17,21,23,15,30,24,21,24,19,25,28,22,20,14,19,26,29,23,25,24,18,27,21)
quantile(dati, c(0.25, 0.75))
#   25%   75%
# 19.75 25.00
IQR(dati)
# [1] 5.25</code></pre>



<p class="wp-block-paragraph">La metà centrale dei dati sta dunque in un intervallo largo 5,25.<br>(n.b. R calcola i quartili interpolando fra i valori; altri software, o le regole del calcolo a mano, possono dare risultati leggermente diversi. Niente di cui allarmarsi.) Lo scarto interquartile è anche il metro della regola più usata per segnalare i <a href="https://www.gironi.it/blog/anomaly-detection/">valori anomali</a>: sono sospetti i punti che cadono oltre 1,5 volte l'IQR dal primo o dal terzo quartile.</p>



<h2 class="wp-block-heading" id="cv">Il coefficiente di variazione (CV)</h2>



<p class="wp-block-paragraph">Il coefficiente di variazione indica la grandezza relativa dello scarto quadratico medio rispetto alla media della distribuzione delle misurazioni. <br>E' utilissimo per raffrontare fenomeni espressi con differenti unità di misura, poichè <strong>il CV è un numero "puro", indipendente dall'unità di misura impiegata</strong>:</p>



\(
CV = \frac{\sigma}{\mu}
\)



<div style="height:10px" aria-hidden="true" class="wp-block-spacer"></div>



<p class="wp-block-paragraph">Come sempre in R, esiste una funzione <em>ad hoc</em> : possiamo usare cv(), in questo caso definita in una libreria esterna,&nbsp;<a href="https://cran.r-project.org/web/packages/labstatR/index.html" target="_blank" rel="noreferrer noopener">labstatR</a>. L'uso è banale:</p>



<pre class="wp-block-code"><code>library(labstatR)
dati <- c(24,17,21,23,15,30,24,21,24,19,25,28,22,20,14,19, 26,29,23,25,24,18,27,21);
cv(dati);
[1] 0.1817708</code></pre>



<p class="wp-block-paragraph">possiamo però anche calcolare il valore molto semplicemente senza ricorrere a librerie esterne:</p>



<pre class="wp-block-code"><code>dati <- c(24,17,21,23,15,30,24,21,24,19,25,28,22,20,14,19, 26,29,23,25,24,18,27,21);
sdpopol <- function(variabile){sqrt(sum((variabile - mean(variabile))^2)/(length(variabile)))}
cvdati=sdpopol(dati)/mean(dati);
cvdati;
[1] 0.1817708</code></pre>



<h2 class="wp-block-heading" id="forma">La forma di una distribuzione</h2>



<p class="wp-block-paragraph">Le distribuzioni di frequenza possono assumere le forme più varie. Fra tutte, quella di gran lunga più importante in statistica è la <strong>distribuzione normale</strong>, o distribuzione <strong>a campana</strong>, o ancora <strong>gaussiana</strong>.</p>



<p class="wp-block-paragraph">In una distribuzione <strong><a href="https://www.gironi.it/blog/la-distribuzione-normale/" data-type="post" data-id="916">normale</a></strong>, i dati sono ripartiti in maniera <strong>simmetrica rispetto alla media</strong>.<br>Un primo indizio sulla forma della distribuzione viene dal <strong>confronto fra media e mediana</strong>: se <strong>sono vicine, la distribuzione è probabilmente simmetrica</strong> (è un indizio, non una prova). Se la media è maggiore della mediana, avremo un'<strong>asimmetria positiva</strong> (con una "coda" più lunga a destra), se la media è minore della mediana l'asimmetria risulterà <strong>negativa</strong> (con la "coda" più lunga sulla sinistra).</p>



<p class="wp-block-paragraph">La più nota formula per il calcolo dell'asimmetria di una distribuzione è quella per calcolare il <strong>coefficiente di asimmetria di Pearson</strong>:</p>



\(
Asimmetria = \frac{3(\mu - med)}{\sigma} \\ \\
\)



<p class="wp-block-paragraph">Una distribuzione perfettamente simmetrica presenta un valore di asimmetria pari a 0. Una distribuzione asimmetrica a destra (positiva) presenta un valore positivo, mentre una distribuzione asimmetrica sinistra avrà un valore negativo.</p>



<p class="wp-block-paragraph">In genere i valori di asimmetria cadono tra -3 e 3 e il fatto che al denominatore compaia la deviazione standard rende il <strong>valore indipendente dall'unità di misura</strong>.</p>



<p class="wp-block-paragraph">Come calcolare l'indice di asimmetria in R ?<br>Il modo più semplice è quello di usare una libreria che ci metta a disposizione le funzioni che ci servono "belle e pronte"...</p>



<pre class="wp-block-code"><code>library (moments)
dati <- c(24,17,21,23,15,30,24,21,24,19,25,28,22,20,14,19, 26,29,23,25,24,18,27,21);
skewness(dati);
[1] -0.1918578</code></pre>



<p class="wp-block-paragraph">la libreria "moments" fa al caso nostro. Vediamo però come calcolare l'indice anche senza fare ricorso ad una libreria. E' molto semplice.<br>Il primo passo è quello di ricordare che <strong>R utilizza <em>n-1</em> al denominatore della varianza</strong>.<br>Noi però stiamo ragionando di una popolazione, dunque con <em>n</em> al denominatore. Dunque, andiamo a definire una funzione che ci consenta di ottenere il valore che ci serve:</p>



<pre class="wp-block-code"><code>varpopol <- function(variabile){var(variabile)*(1-1/length(variabile))}</code></pre>



<p class="wp-block-paragraph">a questo punto possiamo calcolare il valore dell'indice di asimmetria:</p>



<pre class="wp-block-code"><code>dati <- c(24,17,21,23,15,30,24,21,24,19,25,28,22,20,14,19, 26,29,23,25,24,18,27,21);
varpopol <- function(variabile){var(variabile)*(1-1/length(variabile))}
zeta=(dati-mean(dati))/sqrt(varpopol(dati));
skew=mean(zeta^3);
skew;
[1] -0.1918578</code></pre>



<h2 class="wp-block-heading" id="curtosi">La curtosi</h2>



<p class="wp-block-paragraph">La <strong>curtosi</strong> confronta la forma di una distribuzione con quella della normale: quanto è appuntita al centro e, soprattutto, <strong>quanto sono «pesanti» le sue code</strong>, cioè quanto spesso compaiono valori lontani dalla media.</p>



<p class="wp-block-paragraph">Abbiamo 3 casi:<br></p>



<ol class="wp-block-list">
<li>una curva <strong>alta</strong>. che viene detta&nbsp;<em><strong>leptocurtica</strong></em>&nbsp;e che risulta molto concentrata intorno alla sua media</li>



<li>una curva <strong>normale</strong>, detta&nbsp;<em><strong>mesocurtica</strong></em></li>



<li>una curva <strong>bassa e piatta</strong>, che viene definita&nbsp;<em><strong>platicurtica</strong></em>, poco concentrata intorno alla sua media</li>
</ol>



<figure class="wp-block-image"><img fetchpriority="high" decoding="async" width="459" height="282" src="https://www.gironi.it/blog/wp-content/uploads/2018/10/curtosi.jpg" alt="Misure di variabilità: immagine di curve leptocurtica, mesocurtica, platicurtica" class="wp-image-1056" srcset="https://www.gironi.it/blog/wp-content/uploads/2018/10/curtosi.jpg 459w, https://www.gironi.it/blog/wp-content/uploads/2018/10/curtosi-300x184.jpg 300w" sizes="(max-width: 459px) 85vw, 459px" /></figure>



<p class="wp-block-paragraph"><br></p>



<p class="wp-block-paragraph">Si può misurare la curtosi dividendo il quarto momento per lo scarto quadratico medio elevato alla quarta potenza. Difficile? Più a dirsi che a calcolarsi.<br>Ecco la formula:</p>



\(
Curtosi = \frac{\Sigma f(X -\mu)^{4}}{N \sigma^{4}} \\ \\
\)



<p class="wp-block-paragraph">La curtosi di una curva mesocurtica ha un valore di 3. Ovviamente, un coefficiente di curtosi &lt;3 indica una curva platicurtica, un valore &gt;3 leptocurtica.<br><br>n.b. molti software, Excel compreso con la funzione CURTOSI, restituiscono la <strong>curtosi in eccesso</strong>, cioè il valore meno 3 (con una piccola correzione per i campioni): lì la normale vale 0. Il 2,48 che otterremo fra poco corrisponde a un eccesso di circa −0,52: una curva leggermente platicurtica.<br><br>Come per il valore dell'indice di asimmetria, la libreria "moments" ci fornisce una comoda funzione già pronta:</p>



<pre class="wp-block-code"><code>library (moments)
dati <- c(24,17,21,23,15,30,24,21,24,19,25,28,22,20,14,19, 26,29,23,25,24,18,27,21);
kurtosis(dati);
[1] 2.480035</code></pre>



<p class="wp-block-paragraph">Ma a noi non dispiace di calcolarcelo "in proprio":</p>



<pre class="wp-block-code"><code>dati <- c(24,17,21,23,15,30,24,21,24,19,25,28,22,20,14,19, 26,29,23,25,24,18,27,21);
varpopol <- function(variabile){var(variabile)*(1-1/length(variabile))}
zeta=(dati-mean(dati))/sqrt(varpopol(dati));
curtosi=mean(zeta^4);
curtosi;
[1] 2.480035
</code></pre>



<h2 class="wp-block-heading">Un caso pratico SEO: il coefficiente di variazione per confrontare due siti</h2>



<p class="wp-block-paragraph">La deviazione standard, da sola, pu&ograve; ingannare quando confrontiamo grandezze di scala diversa. Prendiamo due siti: uno grande, sulle 5.000 sessioni al giorno, e uno piccolo, sulle 300. Misuriamo per ciascuno la variabilit&agrave; giornaliera in R.</p>



<pre class="wp-block-code"><code>grande  &lt;- c(4800, 5300, 4600, 5500, 5100, 4400, 5600, 4900, 5200, 4700)
piccolo &lt;- c(260, 340, 220, 380, 300, 240, 360, 280, 320, 300)

sd(grande)               # 395.7
sd(piccolo)              # 51.6
sd(grande) / mean(grande)    # CV = 0.079  (7,9%)
sd(piccolo) / mean(piccolo)  # CV = 0.172  (17,2%)</code></pre>



<p class="wp-block-paragraph">In termini assoluti il sito grande oscilla di quasi 400 sessioni al giorno, il piccolo appena di 52: verrebbe da dire che il grande &egrave; molto pi&ugrave; &laquo;ballerino&raquo;. Ma &egrave; un'illusione di scala. Il <strong>coefficiente di variazione</strong> &mdash; la deviazione standard divisa per la media, un numero puro che si legge in percentuale &mdash; racconta il contrario: <strong>7,9%</strong> per il sito grande, <strong>17,2%</strong> per il piccolo. Relativamente alla propria dimensione, il sito piccolo &egrave; pi&ugrave; del doppio pi&ugrave; instabile. &Egrave; proprio per confronti come questo che il CV esiste: rende paragonabili variabilit&agrave; che, in unit&agrave; grezze, non lo sarebbero.</p>



<div class="wp-block-group has-background" style="background-color:#f5f7f9;margin-top:2.5rem;margin-bottom:2.5rem;padding-top:1.5rem;padding-right:1.5rem;padding-bottom:1rem;padding-left:1.5rem"><div class="wp-block-group__inner-container is-layout-constrained wp-container-core-group-is-layout-eed7543b wp-block-group-is-layout-constrained">

<figure class="wp-block-image size-large"><img decoding="async" width="1260" height="645" src="https://www.gironi.it/blog/wp-content/uploads/2026/07/dispersione-cv-due-siti.png" alt="Stesso dato, due letture: in sessioni grezze il sito piccolo sembra piatto, ma in percentuale sulla media oscilla il doppio. È l'illusione di scala che il coefficiente di variazione smonta." class="wp-image-4313" srcset="https://www.gironi.it/blog/wp-content/uploads/2026/07/dispersione-cv-due-siti.png 1260w, https://www.gironi.it/blog/wp-content/uploads/2026/07/dispersione-cv-due-siti-300x154.png 300w, https://www.gironi.it/blog/wp-content/uploads/2026/07/dispersione-cv-due-siti-1024x524.png 1024w, https://www.gironi.it/blog/wp-content/uploads/2026/07/dispersione-cv-due-siti-1200x614.png 1200w" sizes="(max-width: 709px) 85vw, (max-width: 909px) 67vw, (max-width: 1362px) 62vw, 840px" /><figcaption class="wp-element-caption">Stesso dato, due letture: in sessioni grezze il sito piccolo sembra piatto, ma in percentuale sulla media oscilla il doppio. È l'illusione di scala che il coefficiente di variazione smonta.</figcaption></figure>

</div></div>



<p class="wp-block-paragraph">La regola operativa &egrave; netta: <strong>quando confrontiamo la variabilit&agrave; di metriche su scale diverse</strong> &mdash; due siti, due canali, due periodi con volumi molto diversi &mdash; conviene usare il coefficiente di variazione, non la deviazione standard nuda. Quest'ultima resta insostituibile quando la scala &egrave; la stessa.</p>



<h2 class="wp-block-heading">Prova tu</h2>



<p class="wp-block-paragraph">Proviamo con un caso simile. Abbiamo i clic giornalieri di una settimana per due canali: l'organico, robusto, e un referral di nicchia. Quale dei due &egrave; pi&ugrave; stabile, al netto della differenza di volume?</p>



<pre class="wp-block-code"><code>organico:  1200  1350  1100  1280  1420  1180  1320
referral:    80   140    60   170    95   130   110</code></pre>



<p class="wp-block-paragraph">Il compito: per ciascun canale calcolare il CV con <code>sd(x) / mean(x)</code>.</p>



<p class="wp-block-paragraph">Per controllare i conti: l'organico ha un CV dell'<strong>8,7%</strong>, il referral del <strong>33,5%</strong>. Pur portando dieci volte meno clic, il referral &egrave; quasi quattro volte pi&ugrave; volatile in termini relativi: un canale su cui fare previsioni &egrave; molto pi&ugrave; rischioso. La deviazione standard grezza (110 contro 38) avrebbe suggerito l'esatto contrario.</p>



<h2 class="wp-block-heading">Domande frequenti</h2>



<h3 class="wp-block-heading">Quali sono le principali misure di dispersione?</h3>



<p class="wp-block-paragraph">Il campo di variazione, la varianza, la deviazione standard, lo scarto interquartile e il coefficiente di variazione. Varianza, deviazione standard e coefficiente di variazione si basano sulla distanza dei dati dalla media; lo scarto interquartile sui quartili, ed è per questo robusto ai valori anomali.</p>



<h3 class="wp-block-heading">Che differenza c'è tra varianza e deviazione standard?</h3>



<p class="wp-block-paragraph">La deviazione standard è la radice quadrata della varianza. Misurano la stessa cosa, ma la varianza è espressa nel quadrato dell'unità dei dati (sessioni al quadrato), la deviazione standard nella stessa unità (sessioni): per questo si legge e si comunica molto più facilmente.</p>



<h3 class="wp-block-heading">Perché R divide per n − 1 e non per n?</h3>



<p class="wp-block-paragraph">Perché var() e sd() stimano la variabilità di una popolazione a partire da un campione: dividere per n sottostimerebbe sistematicamente la varianza vera, e n − 1 corregge questa distorsione. Se i dati sono l'intera popolazione si divide per n.</p>



<h3 class="wp-block-heading">Quando si usa il coefficiente di variazione?</h3>



<p class="wp-block-paragraph">Quando si confronta la variabilità di grandezze su scale diverse: due siti con volumi diversi, due canali, metriche con unità diverse. Il CV è la deviazione standard divisa per la media, un numero puro che si legge in percentuale. Perde significato con medie vicine allo zero o con dati che possono essere negativi.</p>



<h3 class="wp-block-heading">Cosa vuol dire curva platicurtica?</h3>



<p class="wp-block-paragraph">Una distribuzione più piatta della normale, con code più leggere: la curtosi è minore di 3 (la curtosi in eccesso minore di 0). Il contrario è la curva leptocurtica, più appuntita e con code più pesanti; la normale è mesocurtica.</p>



<h3 class="wp-block-heading">Quale misura di dispersione usare quando ci sono valori anomali?</h3>



<p class="wp-block-paragraph">Lo scarto interquartile, che misura l'ampiezza della metà centrale dei dati e quindi ignora le code. Varianza, deviazione standard e campo di variazione si lasciano invece gonfiare anche da un solo valore estremo, come un picco di traffico o una sessione lasciata aperta da un bot.</p>



<script type="application/ld+json">{"@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [{"@type": "Question", "name": "Quali sono le principali misure di dispersione?", "acceptedAnswer": {"@type": "Answer", "text": "Il campo di variazione, la varianza, la deviazione standard, lo scarto interquartile e il coefficiente di variazione. Varianza, deviazione standard e coefficiente di variazione si basano sulla distanza dei dati dalla media; lo scarto interquartile sui quartili, ed è per questo robusto ai valori anomali."}}, {"@type": "Question", "name": "Che differenza c'è tra varianza e deviazione standard?", "acceptedAnswer": {"@type": "Answer", "text": "La deviazione standard è la radice quadrata della varianza. Misurano la stessa cosa, ma la varianza è espressa nel quadrato dell'unità dei dati (sessioni al quadrato), la deviazione standard nella stessa unità (sessioni): per questo si legge e si comunica molto più facilmente."}}, {"@type": "Question", "name": "Perché R divide per n − 1 e non per n?", "acceptedAnswer": {"@type": "Answer", "text": "Perché var() e sd() stimano la variabilità di una popolazione a partire da un campione: dividere per n sottostimerebbe sistematicamente la varianza vera, e n − 1 corregge questa distorsione. Se i dati sono l'intera popolazione si divide per n."}}, {"@type": "Question", "name": "Quando si usa il coefficiente di variazione?", "acceptedAnswer": {"@type": "Answer", "text": "Quando si confronta la variabilità di grandezze su scale diverse: due siti con volumi diversi, due canali, metriche con unità diverse. Il CV è la deviazione standard divisa per la media, un numero puro che si legge in percentuale. Perde significato con medie vicine allo zero o con dati che possono essere negativi."}}, {"@type": "Question", "name": "Cosa vuol dire curva platicurtica?", "acceptedAnswer": {"@type": "Answer", "text": "Una distribuzione più piatta della normale, con code più leggere: la curtosi è minore di 3 (la curtosi in eccesso minore di 0). Il contrario è la curva leptocurtica, più appuntita e con code più pesanti; la normale è mesocurtica."}}, {"@type": "Question", "name": "Quale misura di dispersione usare quando ci sono valori anomali?", "acceptedAnswer": {"@type": "Answer", "text": "Lo scarto interquartile, che misura l'ampiezza della metà centrale dei dati e quindi ignora le code. Varianza, deviazione standard e campo di variazione si lasciano invece gonfiare anche da un solo valore estremo, come un picco di traffico o una sessione lasciata aperta da un bot."}}]}</script>



<hr class="wp-block-separator has-alpha-channel-opacity"/>



<p class="wp-block-paragraph">Campo di variazione, varianza, deviazione standard, scarto interquartile, coefficiente di variazione, curtosi: ora sappiamo dire non solo <em>dove</em> sta il centro di una distribuzione, ma quanto i dati gli si stringono attorno e che forma assumono. &Egrave; il vocabolario minimo per descrivere qualunque insieme di dati &mdash; e il trampolino per il passo successivo: modellarlo con una distribuzione di probabilit&agrave;, a partire dalla pi&ugrave; celebre di tutte, la <a href="https://www.gironi.it/blog/la-distribuzione-normale/">distribuzione normale</a>, dove media e deviazione standard diventano i due soli numeri che dicono quasi tutto.</p>


<!-- internal-links-section -->
<h3>Potrebbe interessarti anche</h3>
<ul>
<li><a href="https://www.gironi.it/blog/anomaly-detection/">Anomaly detection: come identificare valori anomali nei dati</a></li>
<li><a href="https://www.gironi.it/blog/teorema-del-limite-centrale/">Il Teorema del Limite Centrale: perché la statistica funziona (anche quando i dati non sono normali)</a></li>
<li><a href="https://www.gironi.it/blog/intervalli-di-confidenza/">Intervalli di confidenza: cosa sono, come calcolarli (e cosa NON significano)</a></li>
</ul>


<hr class="wp-block-separator has-alpha-channel-opacity"/>



<h3 class="wp-block-heading">Per approfondire</h3>



<p class="wp-block-paragraph">Per approfondire il ruolo della variabilit&agrave; nell&#8217;interpretazione dei dati, <a href="https://www.amazon.it/dp/8806246623?tag=consulenzeinf-21&#038;ascsubtag=misure-di-variabilita-o-dispersione" rel="nofollow sponsored noopener" target="_blank"><em>L&#8217;arte della statistica</em></a> di David Spiegelhalter resta la lettura pi&ugrave; consigliabile: spiega con esempi concreti perch&eacute; due distribuzioni con la stessa media possono raccontare storie opposte.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://www.gironi.it/blog/misure-di-variabilita-o-dispersione/feed/</wfw:commentRss>
			<slash:comments>0</slash:comments>
		
		
			</item>
	</channel>
</rss>
