<?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>mediana &#8211; paologironi blog</title>
	<atom:link href="https://www.gironi.it/blog/tag/mediana-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>Mon, 05 Oct 2026 13:37:20 +0000</lastBuildDate>
	<language>it-IT</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	
	<item>
		<title>Media, mediana o moda? Quale indice di posizione usare (e quando sbagliare)</title>
		<link>https://www.gironi.it/blog/statistica-descrittiva-misure-di-posizione/</link>
					<comments>https://www.gironi.it/blog/statistica-descrittiva-misure-di-posizione/#comments</comments>
		
		<dc:creator><![CDATA[paolo]]></dc:creator>
		<pubDate>Wed, 10 Oct 2018 14:41:18 +0000</pubDate>
				<category><![CDATA[statistica]]></category>
		<category><![CDATA[centrale]]></category>
		<category><![CDATA[descrittiva]]></category>
		<category><![CDATA[media]]></category>
		<category><![CDATA[mediana]]></category>
		<category><![CDATA[medie]]></category>
		<category><![CDATA[moda]]></category>
		<guid isPermaLink="false">https://www.gironi.it/blog/?p=1001</guid>

					<description><![CDATA[Due settimane di sessioni organiche, un Black Friday in mezzo, e il report dice: «385 sessioni al giorno, in media». Peccato che nessun giorno normale ci si sia nemmeno avvicinato: il giorno tipico ne ha avute 233.Non è un errore di calcolo (la media è giusta), è l&#8217;indice sbagliato per quei dati. Scegliere il numero &#8230; <a href="https://www.gironi.it/blog/statistica-descrittiva-misure-di-posizione/" class="more-link">Leggi tutto<span class="screen-reader-text"> "Media, mediana o moda? Quale indice di posizione usare (e quando sbagliare)"</span></a>]]></description>
										<content:encoded><![CDATA[
<p class="wp-block-paragraph">Due settimane di sessioni organiche, un Black Friday in mezzo, e il report dice: «385 sessioni al giorno, in media». Peccato che nessun giorno normale ci si sia nemmeno avvicinato: il giorno tipico ne ha avute 233.<br>Non è un errore di calcolo (la media è giusta), è l&#8217;indice sbagliato per quei dati. Scegliere il numero che riassume una distribuzione è il primo gesto di qualunque analisi, ed è anche il primo modo di farsi ingannare.</p>



<p class="wp-block-paragraph">Gli <strong>indici di posizione</strong> (o <strong>misure di tendenza centrale</strong>) servono proprio a questo: dirci con un solo valore dove si concentrano i dati. Vediamo le varie medie, la mediana, la moda, quartili e percentili, quando usare l&#8217;uno o l&#8217;altro e come calcolarli al volo in R.</p>



<span id="more-1001"></span>



<p class="wp-block-paragraph"><strong>In sintesi:</strong> gli <strong>indici di posizione</strong> riassumono con un solo numero dove si concentra una distribuzione. I principali sono la <strong>media</strong> (la somma dei valori divisa per il loro numero), la <strong>mediana</strong> (il valore centrale dei dati ordinati) e la <strong>moda</strong> (il valore più frequente); <strong>quartili, decili e percentili</strong> dividono i dati ordinati in 4, 10 e 100 parti. La regola pratica: con dati asimmetrici o valori anomali la mediana descrive il «caso tipico» meglio della media.</p>


				<div class="wp-block-uagb-table-of-contents uagb-toc__align-left uagb-toc__columns-1  uagb-block-b694d2c6      "
					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="#la-media-e-le-sue-varianti" class="uagb-toc-link__trigger">La media e le sue varianti</a><li class="uagb-toc__list"><a href="#la-mediana" class="uagb-toc-link__trigger">La mediana</a><li class="uagb-toc__list"><a href="#la-moda" class="uagb-toc-link__trigger">La moda</a><li class="uagb-toc__list"><a href="#qual-è-la-differenza-tra-media-mediana-e-moda" class="uagb-toc-link__trigger">Qual è la differenza tra media, mediana e moda?</a><li class="uagb-toc__list"><a href="#quartili-decili-e-percentili" class="uagb-toc-link__trigger">Quartili, decili e percentili</a><li class="uagb-toc__list"><a href="#uno-sguardo-dinsieme-gli-utilissimi-5-numeri" class="uagb-toc-link__trigger">Uno sguardo d&#039;insieme: gli utilissimi 5 numeri</a><li class="uagb-toc__list"><a href="#aiutiamoci-con-un-grafico-furbo-il-box-plot" class="uagb-toc-link__trigger">Aiutiamoci con un grafico furbo: il box-plot </a><li class="uagb-toc__list"><a href="#un-caso-pratico-seo-media-o-mediana-per-le-sessioni" class="uagb-toc-link__trigger">Un caso pratico SEO: media o mediana per le sessioni?</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>
			


<h2 class="wp-block-heading">La media e le sue varianti</h2>



<p class="has-light-gray-background-color has-background wp-block-paragraph">Una media è una misura della tendenza centrale di un insieme di valori. Ne esistono diverse, e ognuna risponde a una domanda leggermente diversa: vediamole una per una.</p>



<h3 class="wp-block-heading" id="mediaaritmetica">La media aritmetica</h3>



<p class="wp-block-paragraph">La media aritmetica, come tutti sappiamo fin da bambini, è la somma dei valori presenti nel gruppo di dati, divisa per il numero dei valori.<br><br>In statistica, un parametro della <strong>popolazione</strong> è rappresentato da una <strong>lettera greca</strong>, mentre una misura descrittiva di un <strong>campione</strong> si rappresenta con una <strong>lettera romana</strong>.</p>



Per la media, avremo il simbolo \( \mu \) per la media di una popolazione di valori, e useremo invece la lettera \( \overline X \) (si legge &#8220;x segnato&#8221;) per la media di un campione di valori.



<p class="wp-block-paragraph">N.B. Per la nostra esposizione, da qui in avanti, faremo sempre riferimento a parametri della popolazione.</p>



<p class="wp-block-paragraph">Ed allora, ecco la formula per calcolare la media della popolazione:</p>



\( 
\mu = \frac {\Sigma X}{N} \\ \\ 
\)
<p>
In R la funzione è <strong>mean()</strong>.
Un semplicissimo esempio:
</p>



<pre class="wp-block-code"><code>variabile = c(-3,1,2,4,5,2,8);
mean(variabile);

[1] 2.714286</code></pre>



<h3 class="wp-block-heading" id="mediaragg">La media di dati raggruppati</h3>



<p class="wp-block-paragraph">Immaginiamo di avere <em>n</em> dati raggruppati in un numero <em>k</em> classi. Chiamiamo x<sub>c</sub> il valore centrale di ciascuna classe e <em>f</em><sub>i</sub> la frequenza osservata di ciascuna classe.</p>



<p class="wp-block-paragraph">La formula per calcolare la media in questo caso è:</p>



\( 
\bar x = \frac{\sum^{k}_{i=1} x_c f_i}{N} \\ \\ 
\)



<p class="wp-block-paragraph">Facciamo un esempio:</p>



<figure class="wp-block-table"><table><tbody><tr><td>Classe</td><td>x<sub>c</sub></td><td>f<sub>i</sub></td><td>x<sub>c</sub> × f<sub>i</sub></td></tr><tr><td>4&lt;x<strong>≤</strong>8</td><td>6</td><td>5</td><td>30</td></tr><tr><td>8&lt;x<strong>≤</strong>12</td><td>10</td><td>11</td><td>110</td></tr><tr><td>12&lt;x<strong>≤</strong>20</td><td>16</td><td>14</td><td>224</td></tr><tr><td>20&lt;x<strong>≤</strong>28</td><td>24</td><td>7</td><td>168</td></tr><tr><td>Tot</td><td></td><td><strong>37</strong></td><td><strong>532</strong></td></tr></tbody></table><figcaption class="wp-element-caption">i nostri dati di esempio</figcaption></figure>



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



<p class="wp-block-paragraph">Usiamo la formula e calcoliamo la media:</p>



\( 
\bar x = \frac{(6 \times 5) + (10 \times 11) + (16 \times 14) + (24 \times 7)}{37} \\ \\ = \frac{532}{37} = 14.38
\)



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



<h3 class="wp-block-heading" id="mediaponderata">La media ponderata</h3>



<p class="wp-block-paragraph">La <strong>media ponderata</strong>, o <strong>media pesata</strong>, è una media aritmetica in cui <strong>ogni valore è pesato a seconda della sua importanza</strong> nel complesso del gruppo. <br>Ciascun valore del gruppo (X) viene moltiplicato per il fattore di peso appropriato \( \omega \) e i vari prodotti vengono sommati e divisi per la somma dei pesi:</p>



\(
\mu_{w} = \frac{\Sigma(w X)}{\Sigma w}
\)



<div style="height:26px" aria-hidden="true" class="wp-block-spacer"></div>



<p class="wp-block-paragraph">Facciamo un esempio. Immaginiamo il caso di una disciplina sportiva in cui il punteggio dato dalla giuria per ogni esercizio è &#8220;pesato&#8221; con un certo coefficiente di difficoltà. Avremo ad esempio questi punteggi per i vari esercizi:<br> </p>



<figure class="wp-block-table"><table><tbody><tr><td>Voto della giuria</td><td>Coefficiente</td></tr><tr><td>9.3</td><td>4</td></tr><tr><td>9.8</td><td>2.8</td></tr><tr><td>8.8</td><td>3.3</td></tr></tbody></table></figure>



<p class="wp-block-paragraph">Moltiplichiamo ciascun voto per il relativo coefficiente:</p>



<p class="wp-block-paragraph">(9.3 × 4) + (9.8 × 2.8) + (8.8 × 3.3) = 93.68</p>



<p class="wp-block-paragraph">La somma dei coefficienti (cioè dei &#8220;pesi&#8221;) è:</p>



<p class="wp-block-paragraph">4 + 2.8 + 3.3 = 10.1</p>



<p class="wp-block-paragraph">E calcolo la media ponderata:</p>



<p class="wp-block-paragraph">93.68 / 10.1 = 9.275</p>



<h3 class="wp-block-heading" id="mediageometrica">La media geometrica</h3>



Dato un insieme di numeri positivi x<sub>1</sub>,x<sub>2</sub>,&#8230;,x<sub>n</sub> la media geometrica è la <i>radice ennesima</i> del prodotto degli <i>n</i> numeri. In formula:
<br><br>



\(
\\ 
\newcommand{\vc}[3]{\overset{#2}{\underset{#3}{#1}}}
Media \ geometrica = \sqrt[n]{\vc{\Pi}{n}{i=1} \ x_{i}}
\)
<br><br>
<p>
n.b.	La lettera pi maiuscola greca è il simbolo di <strong>produttoria</strong>. La formula quindi equivale a questa:
</p>
\(
\\ 
Media \ geometrica = \sqrt[n]{x_{1} x_{2} \cdots x_{n}} \\ \\
\)



<p class="wp-block-paragraph">R non ha di base una funzione <em>ad hoc</em> per calcolare, la media geometrica, ma il calcolo di questa misura di posizione è molto semplice. Facciamo un esempio:</p>



<pre class="wp-block-code"><code>dato = c(2,9,12) # I miei valori
n = length(dato) # il numero di valori
 
# prod calcola prodotto elementi di un vettore
# Calcolo la media geometrica
prod(dato)^(1/n)

[1] 6</code></pre>



<h3 class="wp-block-heading" id="mediaarmonica">La media armonica</h3>



<p class="wp-block-paragraph">La media armonica di un insieme di dati x<sub>1</sub>,x<sub>2</sub>,&#8230;,x<sub>n</sub> è il <strong>reciproco della media aritmetica dei reciproci dei dati</strong>. In formula:</p>



\(
Media \ armonica = \frac{1}{\frac{1}{n} \vc{\Sigma}{n}{i=1} \frac{1}{x_{i}}} \\ \\
\)



<p class="wp-block-paragraph">Anche per la media armonica non abbiamo a disposizione una funzione specifica, ma sappiamo che la media armonica è il reciproco della media dei reciproci dei dati, quindi il calcolo è banale:</p>



<pre class="wp-block-code"><code> 1/mean(1/dato)</code></pre>



<p class="wp-block-paragraph">Riprendendo il semplicissimo esempio sopra:</p>



<pre class="wp-block-code"><code>dato = c(2,9,12) # I miei valori
n = length(dato) # il numero di valori

# Calcolo la media armonica
1/mean(1/dato)

[1] 4.32</code></pre>



<h3 class="wp-block-heading" id="mediatroncata">La media troncata</h3>



<p class="wp-block-paragraph">Una media troncata (ad esempio al 5%) è una media aritmetica di tutte le modalità ordinate dopo aver eliminato dalla popolazione il 5% dei valori più bassi e il 5% dei valori più alti. Quindi, nell&#8217;esempio che abbiamo scelto, questa media è ottenuta calcolando la media aritmetica del 90% della popolazione di posto centrale nella serie ordinata delle osservazioni.</p>



<p class="wp-block-paragraph">In R, possiamo ottenerla indicando nella funzione <strong>mean()</strong> l&#8217;opzione <strong>trim=<em>quotadaescludere</em></strong>, dove <em>quotadaescludere</em> è la proporzione, tra 0 e 1, delle modalità più piccole e più grandi da escludere prima di calcolare la media aritmetica.<br><br>Un semplice esempio in R per chiarire meglio le idee:</p>



<pre class="wp-block-code"><code>variabile = c(-3,1,2,4,5,2,5,0.8,2.4,6,8);
mean(variabile)               ### media aritmetica
[1] 3.018182
mean(variabile, trim = 0.05)  ### troncata al 5%
[1] 3.018182
mean(variabile, trim = 0.10)  ### troncata al 10%
[1] 3.133333</code></pre>



<p class="wp-block-paragraph">(n.b. con 11 valori il taglio al 5% non toglie nulla: il 5% di 11 è 0,55, che R arrotonda per difetto a zero, e il risultato coincide con la media aritmetica. Al 10% invece scarta un valore per lato, il minimo e il massimo.)</p>



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



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



<p class="wp-block-paragraph">La mediana di un gruppo di elementi è il valore dell&#8217;elemento centrale quando tutti gli elementi del gruppo sono disposti in ordine ascendente o discendente di valore.</p>



<p class="wp-block-paragraph">In pratica, <strong>la mediana dei dati è il valore che divide la serie in due parti uguali</strong>: tanti valori sopra la mediana quanti valori sotto.<br><br>Per trovare la mediana si usa la regola detta <em>pari-dispari:<br></em></p>



<div class="wp-block-uagb-info-box uagb-block-773258b2 uagb-infobox__content-wrap  uagb-infobox-icon-left-title uagb-infobox-left uagb-infobox-image-valign-middle uagb-infobox__outer-wrap"><div class="uagb-ifb-content"><div class="uagb-ifb-left-title-image"><div class="uagb-ifb-icon-wrap"><svg xmlns="https://www.w3.org/2000/svg" viewBox="0 0 384 512"><path d="M384 48V512l-192-112L0 512V48C0 21.5 21.5 0 48 0h288C362.5 0 384 21.5 384 48z"></path></svg></div><div class="uagb-ifb-title-wrap"><h3 class="uagb-ifb-title">Regola pari-dispari</h3></div></div><p class="uagb-ifb-desc"><em><strong>Se in una serie c&#8217;è un numero dispari di valori, la mediana è il valore intermedio della serie; se c&#8217;è un numero pari di valori, la mediana è la media aritmetica dei due valori intermedi.</strong></em></p></div></div>



<p class="wp-block-paragraph"><br>In pratica, la formula per trovare la mediana si può sintetizzare così:</p>



\(
Med = X_{(n/2)+(1/2)}
\)



<p class="wp-block-paragraph"><br>La mediana si calcola in R con la funzione <strong>median()</strong>:</p>



<pre class="wp-block-code"><code>var = c(0,1,2,3,6,7,11,14);
median(var);

[1] 4.5</code></pre>



<h3 class="wp-block-heading">La mediana di dati raggruppati</h3>



<p class="wp-block-paragraph">Nel caso di dati raggruppati, si deve:<br>1. stabilire <strong>quale classe contenga il valore mediano</strong> <br>e poi <br>2. determinare <strong>per interpolazione</strong> la posizione della mediana all&#8217;interno di quella classe.&nbsp;<br><br>La classe che contiene la mediana è la prima classe la cui frequenza cumulativa uguaglia o supera la metà del numero totale di osservazioni. Una volta individuata questa classe, il valore specifico della mediana si determina con la formula:</p>



\(
Med = C_{I} + (\frac{\frac{N}{2}- fc_{p}}{f_{c}})i
\)
<br><br>
dove:
<br><br>
<b>C<sub>I</sub></b> = confine inferiore della classe contenente la mediana
<br>
<b>N</b> = numero totale di osservazioni della distribuzione di frequenza
<br>
<b><i>f</i>c<sub>p</sub></b> = frequenza cumulativa della classe che precede quella contenente la mediana
<br>
<b><i>f</i>c</b> = numero di osservazioni della classe contenente la mediana
<br>
<b><i>i</i></b> = ampiezza dell&#8217;intervallo di classe
<br>



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



<p class="wp-block-paragraph">Come sempre, è un esempio a mostrare come la realtà operativa sia più semplice di come appaia un primo sguardo. Prendiamo una distribuzione suddivisa in classi di frequenza. Nel nostro esempio parliamo di classi di altezze:</p>



<figure class="wp-block-table aligncenter"><table><tbody><tr><td class="has-text-align-center" data-align="center"><strong>Altezza (cm)</strong></td><td class="has-text-align-center" data-align="center"><strong>Frequenze</strong></td><td class="has-text-align-center" data-align="center"><strong>Frequenze cumulate</strong></td></tr><tr><td class="has-text-align-center" data-align="center">150 &#8211; 160</td><td class="has-text-align-center" data-align="center">4</td><td class="has-text-align-center" data-align="center">4</td></tr><tr><td class="has-text-align-center" data-align="center">160 &#8211; 170</td><td class="has-text-align-center" data-align="center">8</td><td class="has-text-align-center" data-align="center">12</td></tr><tr><td class="has-text-align-center" data-align="center">170 &#8211; 180</td><td class="has-text-align-center" data-align="center">10</td><td class="has-text-align-center" data-align="center">22</td></tr><tr><td class="has-text-align-center" data-align="center">180 &#8211; 190</td><td class="has-text-align-center" data-align="center">8</td><td class="has-text-align-center" data-align="center">30</td></tr><tr><td class="has-text-align-center" data-align="center">190 &#8211; 200</td><td class="has-text-align-center" data-align="center">4</td><td class="has-text-align-center" data-align="center">34</td></tr></tbody></table></figure>



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



<p class="wp-block-paragraph">La classe che contiene la mediana è la prima classe la cui frequenza cumulata uguaglia o supera la metà del numero totale di osservazioni, che come si evince dalla tabella è 34/2 = 17.</p>



<p class="wp-block-paragraph">La nostra classe mediana, che contiene il valore 17 è dunque quella 170 -180.</p>



<p class="wp-block-paragraph">Possiamo quindi ricavare facilmente tutti i valori da inserire nella nostra formula di interpolazione:</p>



<p class="wp-block-paragraph"><strong>C<sub>I</sub></strong>&nbsp;= confine inferiore della classe contenente la mediana = 170<br><strong>N</strong>&nbsp;= numero totale di osservazioni della distribuzione di frequenza = 34<br><strong><em>f</em>c<sub>p</sub></strong>&nbsp;= frequenza cumulativa della classe che precede quella contenente la mediana = 12<br><strong><em>f</em>c</strong>&nbsp;= numero di osservazioni della classe contenente la mediana = 10<br><strong><em>i</em></strong>&nbsp;= ampiezza dell’intervallo di classe = (180 &#8211; 170) = 10</p>



\(
Med = C_{I} + (\frac{\frac{N}{2}- fc_{p}}{f_{c}})i \\
\)
<p>quindi</p>
\(
Med = 170 + (\frac{(34/2) &#8211; 12}{10}) * 10 = 175 cm
\)



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



<p class="wp-block-paragraph">Il valore mediano della classe mediana ( 170-180 cm ) è pari a 175cm.</p>



<div style="height:40px" aria-hidden="true" class="wp-block-spacer"></div>



<div class="wp-block-uagb-info-box uagb-block-97a35f5a uagb-infobox__content-wrap  uagb-infobox-icon-left-title uagb-infobox-left uagb-infobox-image-valign-middle uagb-infobox__outer-wrap"><div class="uagb-ifb-content"><div class="uagb-ifb-left-title-image"><div class="uagb-ifb-icon-wrap"><svg xmlns="https://www.w3.org/2000/svg" viewBox="0 0 384 512"><path d="M384 48V512l-192-112L0 512V48C0 21.5 21.5 0 48 0h288C362.5 0 384 21.5 384 48z"></path></svg></div><div class="uagb-ifb-title-wrap"><h3 class="uagb-ifb-title">La mediana è resistente a valori estremi</h3></div></div><p class="uagb-ifb-desc">La mediana è un indice di estrema utilità in statistica, per via di una preziosissima caratteristica: è infatti <strong>resistente a valori estremi</strong>. La media è una misura estremamente sensibile ai valori estremi (gli <strong>outliers</strong>), mentre la mediana assai meno.&nbsp;</p></div></div>



<p class="wp-block-paragraph"><br>Per questo, ad esempio, <strong>nel caso di una <a href="https://www.gironi.it/blog/misure-di-variabilita-o-dispersione/" data-type="post" data-id="1003">distribuzione asimmetrica</a> la mediana è un indice maggiormente affidabile della media</strong>, che sarà sempre &#8220;trascinata&#8221; verso la coda della distribuzione. In una distribuzione unimodale moderatamente asimmetrica, la mediana cade di solito tra la media e la moda.</p>



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



<p class="wp-block-paragraph">La moda di un insieme di dati è <strong>il valore che si presenta più frequentemente</strong>.</p>



<p class="wp-block-paragraph">Ad esempio, consideriamo la frequenza dei voti in un test:</p>



<figure class="wp-block-table"><table><tbody><tr><td>voto</td><td class="has-text-align-left" data-align="left">frequenza</td></tr><tr><td>5</td><td class="has-text-align-left" data-align="left">5</td></tr><tr><td>6  <em><span class="has-inline-color has-bright-red-color">&lt;&lt; <strong>questa è la moda</strong></span></em></td><td class="has-text-align-left" data-align="left">11     </td></tr><tr><td>7</td><td class="has-text-align-left" data-align="left"><span class="has-inline-color has-dark-gray-color">8 </span></td></tr><tr><td>8</td><td class="has-text-align-left" data-align="left">7</td></tr><tr><td>9</td><td class="has-text-align-left" data-align="left">3</td></tr></tbody></table></figure>



<p class="wp-block-paragraph">Una distribuzione del genere è detta <em><strong>unimodale</strong></em>. <br>Nel caso di un piccolo insieme di dati in cui <strong>nessun valore misurato si ripete</strong>,<strong> non esiste moda</strong>. <br>Quando due valori non adiacenti presentano entrambi lo stesso numero massimo di frequenza, si dice che la distribuzione è <em><strong>bimodale</strong></em>. <br>Le distribuzioni di misurazioni con parecchie mode sono dette <em><strong>multimodali</strong></em>.</p>



<p class="wp-block-paragraph">In R possiamo trovare la moda in maniera molto semplice, sfruttando l&#8217;istruzione <strong>which.max()</strong>:<br></p>



<pre class="wp-block-code"><code>var = c(3,6,7,7,9,11,12,12,12,14,15,16,17,22,29,31);
frequenza=tabulate(var);
which.max(frequenza);

[1] 12</code></pre>



<h3 class="wp-block-heading">Moda di dati raggruppati</h3>



<p class="wp-block-paragraph">Nel caso di dati raggruppati in una distribuzione di frequenza con intervalli di classe uguali, si stabilisce dapprima quale classe contenga la moda individuando la classe con il maggior numero di osservazioni. Poi si usa la formula:</p>



\(
Moda = C_{I} + (\frac{d_{1}}{d_{1}+d_{2}})i
\)
<br><br>
dove:
<br><br>
<b>C<sub>I</sub></b> = confine inferiore della classe contenente la moda
<br>
<b>d<sub>1</sub></b> = differenza tra la frequenza della classe modale e la frequenza della classe precedente
<br>
<b>d<sub>2</sub></b> = differenza tra la frequenza della classe modale e la frequenza della classe successiva
<br>
<b><i>i</i></b> = ampiezza dell&#8217;intervallo di classe



<h2 class="wp-block-heading">Qual è la differenza tra media, mediana e moda?</h2>



<p class="wp-block-paragraph">Mettiamole una accanto all&#8217;altra:</p>



<figure class="wp-block-table"><table><thead><tr><th>Indice</th><th>Che cos&#8217;è</th><th>Quando usarlo</th><th>Risente dei valori estremi?</th><th>In R</th></tr></thead><tbody><tr><td><strong>Media</strong></td><td>la somma dei valori divisa per il loro numero</td><td>dati simmetrici, senza valori anomali</td><td>sì, molto</td><td><code>mean(x)</code></td></tr><tr><td><strong>Mediana</strong></td><td>il valore centrale dei dati ordinati</td><td>distribuzioni asimmetriche o con outlier (sessioni, tempi, fatturati)</td><td>no</td><td><code>median(x)</code></td></tr><tr><td><strong>Moda</strong></td><td>il valore più frequente</td><td>dati discreti o categorici (il dispositivo più usato, il voto più frequente)</td><td>no</td><td><code>names(which.max(table(x)))</code></td></tr></tbody></table></figure>



<p class="wp-block-paragraph">Nel caso dei dati raggruppati rappresentati da una curva di frequenza, <strong>la differenza fra i valori della media, della mediana e della moda rivela la forma della curva in termini di simmetria</strong>.</p>



<p class="wp-block-paragraph">Per una distribuzione unimodale simmetrica, la media, la mediana e la moda coincidono, ossia hanno identico valore.</p>



<p class="wp-block-paragraph">Nel caso della <em><strong>distribuzione asimmetrica positiva</strong></em>, la <strong>media ha il valore più grande e la mediana è più grande della moda</strong>.<br>Quindi:<br><br><em><strong>Asimmetria positiva = coda a destra = Media &gt; Mediana &gt; Moda</strong></em><br></p>



<figure class="wp-block-image"><img fetchpriority="high" decoding="async" width="679" height="432" src="https://www.gironi.it/blog/wp-content/uploads/2018/10/asimmetria-positiva.png" alt="Distribuzione con asimmetria positiva (coda a destra): media maggiore della mediana, mediana maggiore della moda" class="wp-image-1041" srcset="https://www.gironi.it/blog/wp-content/uploads/2018/10/asimmetria-positiva.png 679w, https://www.gironi.it/blog/wp-content/uploads/2018/10/asimmetria-positiva-300x191.png 300w" sizes="(max-width: 709px) 85vw, (max-width: 909px) 67vw, (max-width: 984px) 61vw, (max-width: 1362px) 45vw, 600px" /></figure>



<p class="wp-block-paragraph">Nel caso dell&#8217;<em><strong>asimmetria negativa</strong></em>, la <strong>media ha il valore minimo e la mediana è minore della moda</strong>.<br>Quindi, in sintesi:</p>



<p class="wp-block-paragraph"><em><strong>Asimmetria negativa = coda a sinistra = Media &lt; Mediana &lt; Moda</strong></em></p>



<figure class="wp-block-image is-resized"><img decoding="async" src="https://www.gironi.it/blog/wp-content/uploads/2018/10/asimmetria-negativa.png" alt="Distribuzione con asimmetria negativa (coda a sinistra): media minore della mediana, mediana minore della moda" class="wp-image-1045" width="647" height="413" srcset="https://www.gironi.it/blog/wp-content/uploads/2018/10/asimmetria-negativa.png 863w, https://www.gironi.it/blog/wp-content/uploads/2018/10/asimmetria-negativa-300x192.png 300w" sizes="(max-width: 709px) 85vw, (max-width: 909px) 67vw, (max-width: 984px) 61vw, (max-width: 1362px) 45vw, 600px" /></figure>



<p class="wp-block-paragraph">Una misura molto nota dell&#8217;asimmetria, che utilizza la differenza osservata fra la media e la mediana di un gruppo di valori, è l&#8217;<strong>indice di asimmetria di Pearson,</strong>&nbsp;che vedremo più in dettaglio quando introdurremo il concetto di misure di variabilità, poichè presenta al denominatore il valore della deviazione standard, ma che possiamo anticipare:</p>



\(
Asimmetria = \frac{3(\mu &#8211; Med)}{\sigma}
\)



<h2 class="wp-block-heading" id="decili">Quartili, decili e percentili</h2>



<p class="wp-block-paragraph">I quartili, i decili e i percentili sono analoghi alla mediana in quanto <strong>suddividono </strong>anch&#8217;essi <strong>una distribuzione di misurazioni a seconda della proporzione delle frequenze osservate</strong>.</p>



<p class="wp-block-paragraph">Mentre la mediana divide la distribuzione in due metà, i quartili la dividono in quattro quarti; i decili in dieci decimi; i percentili in 100 centesimi. Nel caso di dati non raggruppati, la formula della mediana viene modificata a seconda della frazione desiderata:</p>



\(
Q_{1} \ (primo\ quartile) = X_{(\frac{n}{4} + \frac{1}{2})} \\
D_{3} \ (terzo\ decile) = X_{(\frac{3n}{10} + \frac{1}{2})} \\
P_{60} \ (sessantesimo\ percentile) = X_{(\frac{60n}{100} + \frac{1}{2})} \\
\)



<p class="wp-block-paragraph">In R possiamo calcolarli così:</p>



<pre class="wp-block-code"><code>var = c(3,6,7,7,9,11,12,12,14,15,16,17,22,29,31);
quantile(var, probs=c(0.25,0.50,0.75)); ### quartili

 25%  50%  75% 
 8.0 12.0 16.5 

quantile(var, probs=c(1:9)/10); ### decili

 10%  20%  30%  40%  50%  60%  70%  80%  90% 
 6.4  7.0  9.4 11.6 12.0 14.4 15.8 18.0 26.2 </code></pre>



<h3 class="wp-block-heading">Quartili, decili e percentili di dati raggruppati</h3>



<p class="wp-block-paragraph">In questo caso si deve prima determinare la classe contenente il punto corrispondente alla frazione desiderata, con riferimento alle frequenza cumulative, poi interpolare. Ad esempio:</p>



\(
Q_{1} \ (primo\ quartile) = C_{I} + (\frac{\frac{n}{4} &#8211; fc_{p}}{f_{c}})i \\
D_{3} \ (terzo\ decile) = C_{I} + (\frac{\frac{3n}{10} &#8211; fc_{p}}{f_{c}})i \\
P_{60} \ (sessantesimo\ percentile) = C_{I} + (\frac{\frac{60n}{100} &#8211; fc_{p}}{f_{c}})i \\
\)



<h2 class="wp-block-heading" id="5numeri">Uno sguardo d&#8217;insieme: gli utilissimi 5 numeri</h2>



<p class="wp-block-paragraph">Esiste una descrizione sintetica dai dati che ci consente di avere immediatamente sott&#8217;occhio misure fondamentali:</p>



<ol class="wp-block-list">
<li>Il valore minimo dei nostri dati</li>



<li>il valore del primo quartile</li>



<li>la mediana</li>



<li>il valore del terzo quartile</li>



<li>il valore massimo</li>
</ol>



<p class="wp-block-paragraph">I 5 numeri costituiscono spesso un ottimo punto di partenza per analizzare le caratteristiche di una distribuzione. In R abbiamo un apposito comando, chiamato (ovviamente) <strong>fivenum()</strong>:<br></p>



<pre class="wp-block-code"><code>var = c(3,6,7,7,9,11,12,12,14,15,16,17,22,29,31);
fivenum(var);

[1]  3.0  8.0 12.0 16.5 31.0</code></pre>



<h2 class="wp-block-heading">Aiutiamoci con un grafico furbo: il box-plot&nbsp;</h2>



<p class="wp-block-paragraph">Il <strong>boxplot</strong> (o <em>diagramma a scatola</em>) è un tipo di grafico inventato dal grande <a href="https://it.wikipedia.org/wiki/John_Wilder_Tukey" target="_blank" rel="noreferrer noopener">John Tukey</a> al fine di poter avere una buona visione d&#8217;insieme di un insieme di dati in un unico colpo d&#8217;occhio.&nbsp;</p>



<p class="wp-block-paragraph">Il boxplot può essere orientato orizzontalmente o verticalmente e si presenta come un rettangolo diviso in due parti, da cui escono due segmenti. Il rettangolo (la &#8220;scatola&#8221;) è delimitato dal primo e dal terzo quartile ed è diviso al suo interno dalla mediana. I &#8220;baffi&#8221; arrivano fino ai valori più lontani che restano entro 1,5 volte lo scarto interquartile dalla scatola; i punti oltre i baffi vengono disegnati a parte, e sono i candidati <a href="https://www.gironi.it/blog/anomaly-detection/">valori anomali</a>. Quando non ce ne sono, come nell&#8217;esempio che segue, i baffi coincidono con il minimo e il massimo.</p>



<p class="wp-block-paragraph">n.b. proprio la presenza dei &#8220;baffi&#8221; fa sì che questo diagramma sia spesso chiamato <em><strong>box-and-whisker plot</strong></em> o<em> <strong>diagramma a scatola e baffi</strong>.</em></p>



<p class="wp-block-paragraph">In questo modo vengono rappresentati graficamente i quattro intervalli ugualmente popolati delimitati dai quartili.<br>Uso una semplice distribuzione di dati e mostro in R come richiamare la funzione boxplot:</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);
boxplot(dati,ylab="",col=gray(0.8));</code></pre>



<p class="wp-block-paragraph">Aggiungendo qualche testo qua e là per una maggior comprensibilità, il risultato che ottengo è questo:</p>



<figure class="wp-block-image"><img decoding="async" width="679" height="432" src="https://www.gironi.it/blog/wp-content/uploads/2018/10/esempio-boxplot.png" alt="Boxplot di esempio: la scatola va dal primo al terzo quartile, la linea interna è la mediana, i baffi arrivano a minimo e massimo" class="wp-image-1082" srcset="https://www.gironi.it/blog/wp-content/uploads/2018/10/esempio-boxplot.png 679w, https://www.gironi.it/blog/wp-content/uploads/2018/10/esempio-boxplot-300x191.png 300w" sizes="(max-width: 709px) 85vw, (max-width: 909px) 67vw, (max-width: 984px) 61vw, (max-width: 1362px) 45vw, 600px" /></figure>



<p class="wp-block-paragraph">Un "colpo d'occhio" estremamente efficace sulla distribuzione dei valori osservati.</p>



<h2 class="wp-block-heading">Un caso pratico SEO: media o mediana per le sessioni?</h2>



<p class="wp-block-paragraph">Gli indici di posizione si capiscono davvero quando li portiamo sui dati che guardiamo ogni giorno. Immaginiamo le sessioni organiche giornaliere di una pagina in due settimane, con un dettaglio realistico: un picco isolato il giorno del Black Friday.</p>



<pre class="wp-block-code"><code>210  235  198  252  221  243  209  267  231  215  248  226  239  2400</code></pre>



<p class="wp-block-paragraph">Calcolo i due indici in R:</p>



<pre class="wp-block-code"><code>sessioni &lt;- c(210, 235, 198, 252, 221, 243, 209, 267, 231, 215, 248, 226, 239, 2400)
mean(sessioni)             # 385.3
median(sessioni)           # 233
mean(sessioni, trim = 0.10)  # 233</code></pre>



<p class="wp-block-paragraph">La media dice <strong>385 sessioni al giorno</strong>; la mediana ne dice <strong>233</strong>. E qui sta la lezione: <em>nessun</em> giorno normale si &egrave; avvicinato a 385 &mdash; quel valore &egrave; un artefatto del solo Black Friday, che da solo trascina la media di oltre 150 sessioni. La mediana, indifferente al picco, racconta il giorno tipico. Non a caso coincide con la <strong>media troncata</strong> al 10% (233), che abbiamo incontrato poco sopra: scartare le code prima di mediare &egrave; un altro modo per non farsi ingannare da un valore estremo. Riportare &laquo;385 sessioni al giorno di media&raquo; a un cliente sarebbe corretto in senso aritmetico e fuorviante in senso pratico.</p>



<p class="wp-block-paragraph">La regola operativa &egrave; semplice e vale ben oltre la SEO: <strong>quando la distribuzione ha code lunghe o valori anomali &mdash; picchi stagionali, giornate virali, bot &mdash; la mediana (o la media troncata) descrive il centro meglio della media</strong>. La media resta insostituibile quando i dati sono simmetrici e privi di outlier.</p>



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



<p class="wp-block-paragraph">Per fissare il meccanismo, ecco la durata di sessione (in secondi) di dieci visite a una pagina, con un valore sospetto &mdash; forse un bot rimasto aperto:</p>



<pre class="wp-block-code"><code>45  52  48  61  55  300  49  58  53  47</code></pre>



<p class="wp-block-paragraph">Il compito: calcolare media e mediana con <code>mean()</code> e <code>median()</code>, poi i quartili con <code>quantile(x, c(0.25, 0.5, 0.75))</code>, e decidere quale indice riporteremmo come &laquo;durata tipica&raquo;.</p>



<p class="wp-block-paragraph">Per controllare i conti: la media &egrave; <strong>76,8 s</strong> (gonfiata dal 300), la mediana <strong>52,5 s</strong>; i quartili sono Q1 = 48,25 e Q3 = 57,25, con uno scarto interquartile di appena 9 secondi. La media quasi raddoppia la durata reale della maggior parte delle visite: la mediana, di nuovo, &egrave; l'indice onesto.</p>



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



<h3 class="wp-block-heading">Quali sono gli indici di posizione?</h3>



<p class="wp-block-paragraph">Quelli che indicano il centro della distribuzione, cioè la media (aritmetica, ponderata, geometrica, armonica, troncata), la mediana e la moda, più quartili, decili e percentili, che indicano posizioni specifiche nei dati ordinati.</p>



<h3 class="wp-block-heading">Quando conviene usare la mediana invece della media?</h3>



<p class="wp-block-paragraph">Quando la distribuzione è asimmetrica o contiene valori anomali: sessioni con un picco, tempi di permanenza, fatturati. La mediana non si lascia trascinare dai valori estremi, la media sì. Con dati simmetrici e senza outlier le due quasi coincidono, e la media resta preferibile.</p>



<h3 class="wp-block-heading">Che cos'è una distribuzione unimodale?</h3>



<p class="wp-block-paragraph">È una distribuzione con una sola moda, cioè un solo valore (o una sola classe) più frequente degli altri: il grafico ha un unico picco. Con due picchi si parla di distribuzione bimodale, con più picchi di multimodale.</p>



<h3 class="wp-block-heading">Che differenza c'è tra quartili e percentili?</h3>



<p class="wp-block-paragraph">Sono la stessa idea a grane diverse: i quartili dividono i dati ordinati in 4 parti uguali, i percentili in 100. Il primo quartile coincide con il 25° percentile, la mediana con il 50°, il terzo quartile con il 75°.</p>



<h3 class="wp-block-heading">Come si calcolano media, mediana e moda in R?</h3>



<p class="wp-block-paragraph">Con mean(x) e median(x). Per la moda R non ha una funzione dedicata, ma basta names(which.max(table(x))). I quartili si ottengono con quantile(x) e il riepilogo dei cinque numeri con fivenum(x).</p>



<h3 class="wp-block-heading">Perché media, mediana e moda possono avere valori diversi?</h3>



<p class="wp-block-paragraph">Perché la distribuzione non è simmetrica. Con una coda a destra (asimmetria positiva) la media è la più alta, poi la mediana, poi la moda; con una coda a sinistra l'ordine si inverte. La distanza fra media e mediana è quindi un primo indizio della forma dei dati.</p>



<script type="application/ld+json">{"@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [{"@type": "Question", "name": "Quali sono gli indici di posizione?", "acceptedAnswer": {"@type": "Answer", "text": "Quelli che indicano il centro della distribuzione, cioè la media (aritmetica, ponderata, geometrica, armonica, troncata), la mediana e la moda, più quartili, decili e percentili, che indicano posizioni specifiche nei dati ordinati."}}, {"@type": "Question", "name": "Quando conviene usare la mediana invece della media?", "acceptedAnswer": {"@type": "Answer", "text": "Quando la distribuzione è asimmetrica o contiene valori anomali: sessioni con un picco, tempi di permanenza, fatturati. La mediana non si lascia trascinare dai valori estremi, la media sì. Con dati simmetrici e senza outlier le due quasi coincidono, e la media resta preferibile."}}, {"@type": "Question", "name": "Che cos'è una distribuzione unimodale?", "acceptedAnswer": {"@type": "Answer", "text": "È una distribuzione con una sola moda, cioè un solo valore (o una sola classe) più frequente degli altri: il grafico ha un unico picco. Con due picchi si parla di distribuzione bimodale, con più picchi di multimodale."}}, {"@type": "Question", "name": "Che differenza c'è tra quartili e percentili?", "acceptedAnswer": {"@type": "Answer", "text": "Sono la stessa idea a grane diverse: i quartili dividono i dati ordinati in 4 parti uguali, i percentili in 100. Il primo quartile coincide con il 25° percentile, la mediana con il 50°, il terzo quartile con il 75°."}}, {"@type": "Question", "name": "Come si calcolano media, mediana e moda in R?", "acceptedAnswer": {"@type": "Answer", "text": "Con mean(x) e median(x). Per la moda R non ha una funzione dedicata, ma basta names(which.max(table(x))). I quartili si ottengono con quantile(x) e il riepilogo dei cinque numeri con fivenum(x)."}}, {"@type": "Question", "name": "Perché media, mediana e moda possono avere valori diversi?", "acceptedAnswer": {"@type": "Answer", "text": "Perché la distribuzione non è simmetrica. Con una coda a destra (asimmetria positiva) la media è la più alta, poi la mediana, poi la moda; con una coda a sinistra l'ordine si inverte. La distanza fra media e mediana è quindi un primo indizio della forma dei dati."}}]}</script>



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



<p class="wp-block-paragraph">Con media, mediana, moda e quartili sappiamo dire <em>dove</em> si concentra una distribuzione. Ma &egrave; solo met&agrave; del racconto: due insiemi di dati possono avere la stessa identica media e somigliarsi pochissimo, a seconda di quanto i valori si disperdono attorno a quel centro. Misurare quella dispersione &mdash; la varianza, la deviazione standard, lo scarto interquartile che abbiamo appena sfiorato &mdash; &egrave; il passo che d&agrave; finalmente profondit&agrave; ai nostri indici di posizione: ne parliamo nelle <a href="https://www.gironi.it/blog/misure-di-variabilita-o-dispersione/">misure di dispersione</a>.</p>


<!-- internal-links-section -->
<h3>Potrebbe interessarti anche</h3>
<ul>
<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/anomaly-detection/">Anomaly detection: come identificare valori anomali nei dati</a></li>
<li><a href="https://www.gironi.it/blog/campionamento-e-dimensione-campionaria-quanti-dati-servono/">Campionamento e Dimensione Campionaria: Quanti Dati Servono?</a></li>
<li><a href="https://www.gironi.it/blog/il-paradosso-di-simpson-nella-seo-quando-i-dati-aggregati-possono-mentire/">Il Paradosso di Simpson nella SEO: quando i dati aggregati possono mentire</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">Media, mediana e i loro tranelli sono tra i protagonisti de <a href="https://www.amazon.it/dp/8806246623?tag=consulenzeinf-21&#038;ascsubtag=statistica-descrittiva-misure-di-posizione" rel="nofollow sponsored noopener" target="_blank"><em>L&#8217;arte della statistica</em></a> di David Spiegelhalter: un libro che mostra, con casi reali, quando un indice di posizione illumina i dati e quando invece li tradisce.</p>
]]></content:encoded>
					
					<wfw:commentRss>https://www.gironi.it/blog/statistica-descrittiva-misure-di-posizione/feed/</wfw:commentRss>
			<slash:comments>1</slash:comments>
		
		
			</item>
	</channel>
</rss>
