{"id":1003,"date":"2018-10-18T15:09:11","date_gmt":"2018-10-18T14:09:11","guid":{"rendered":"https:\/\/www.gironi.it\/blog\/?p=1003"},"modified":"2026-10-06T08:20:39","modified_gmt":"2026-10-06T07:20:39","slug":"misure-di-variabilita-o-dispersione","status":"publish","type":"post","link":"https:\/\/www.gironi.it\/blog\/misure-di-variabilita-o-dispersione\/","title":{"rendered":"Deviazione standard e CV: quando la media da sola inganna (casi pratici SEO)"},"content":{"rendered":"\n<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 \u00e8 molto pi\u00f9 instabile.<br>\u00c8 vero il contrario, e per accorgercene la media non basta: serve sapere quanto i dati si allontanano da lei.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">\u00c8 il compito delle <strong>misure di dispersione<\/strong> (o di variabilit\u00e0): 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>\n\n\n\n<p class=\"wp-block-paragraph\">Le tecniche per misurare la variabilit\u00e0 di insiemi di dati sono numerose. <br>Tra queste, le pi\u00f9 note (e pi\u00f9 utilizzate) sono:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>il <a href=\"#gamma\">campo di variabilit\u00e0<\/a><\/li>\n\n\n\n<li>lo <a href=\"#scartomedio\">scarto medio<\/a> e la <a href=\"#varianza\">varianza<\/a><\/li>\n\n\n\n<li>lo <a href=\"#sqm\">scarto quadratico medio o deviazione standard<\/a><\/li>\n\n\n\n<li>lo <a href=\"#iqr\">scarto interquartile<\/a><\/li>\n\n\n\n<li>il <a href=\"#cv\">coefficiente di variazione<\/a><\/li>\n<\/ul>\n\n\n\n<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>\n\n\n\n<!--more-->\n\n\n\n<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) \u00e8 il pi\u00f9 rapido ma dipende da due soli valori; la <strong>varianza<\/strong> \u00e8 la media dei quadrati degli scarti dalla media, la <strong>deviazione standard<\/strong> la sua radice quadrata, nella stessa unit\u00e0 dei dati; lo <strong>scarto interquartile<\/strong> (Q3 \u2212 Q1) \u00e8 robusto ai valori anomali; il <strong>coefficiente di variazione<\/strong> (deviazione standard divisa per la media) \u00e8 un numero puro che permette di confrontare scale diverse.<\/p>\n\n\n\n<figure class=\"wp-block-table\"><table><thead><tr><th>Misura<\/th><th>Che cos&#8217;\u00e8<\/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>\u00e8 la base di quasi tutta l&#8217;inferenza<\/td><td>unit\u00e0 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 unit\u00e0 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 \u2212 Q1, l&#8217;ampiezza della met\u00e0 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>\n\n\n\n<hr class=\"wp-block-separator has-css-opacity\"\/>\n\n\n\t\t\t\t<div class=\"wp-block-uagb-table-of-contents uagb-toc__align-left uagb-toc__columns-1  uagb-block-9a8af426      \"\n\t\t\t\t\tdata-scroll= \"1\"\n\t\t\t\t\tdata-offset= \"30\"\n\t\t\t\t\tstyle=\"\"\n\t\t\t\t>\n\t\t\t\t<div class=\"uagb-toc__wrap\">\n\t\t\t\t\t\t<div class=\"uagb-toc__title\">\n\t\t\t\t\t\t\tGli argomenti trattati\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<div class=\"uagb-toc__list-wrap \">\n\t\t\t\t\t\t<ol class=\"uagb-toc__list\"><li class=\"uagb-toc__list\"><a href=\"#il-campo-di-variabilit\u00e0-o-gamma\" class=\"uagb-toc-link__trigger\">Il campo di variabilit\u00e0 (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-pi\u00f9-usata\" class=\"uagb-toc-link__trigger\">La deviazione standard (o scarto quadratico medio): la pi\u00f9 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>\t\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\n\n\n<hr class=\"wp-block-separator has-css-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"gamma\">Il campo di variabilit\u00e0 (o gamma)<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Il campo di variabilit\u00e0, o Gamma (o <em>range<\/em>, per gli anglosassoni), \u00e8 dato dalla <strong>differenza fra il valore massimo e quello minimo<\/strong> dei dati non raggruppati di una distribuzione di frequenza.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Si tratta di un calcolo velocissimo, che in R pu\u00f2 essere computato cos\u00ec:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>max(var) - min(var)<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"block-3f4f9035-4c7c-400b-8d3d-98e60157fd69\">In realt\u00e0 il massimo e il minimo sono visualizzabili anche con:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>range(var)<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\" id=\"block-3f4f9035-4c7c-400b-8d3d-98e60157fd69\">e compaiono come primo e ultimo termine in:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>fivenum(var)<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Per dati raggruppati, il campo di variazione \u00e8 definito come la differenza tra il confine superiore della classe massima e il confine inferiore della classe minima.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Un <strong>campo di variabilit\u00e0 modificato<\/strong> \u00e8 un campo dal quale \u00e8 stata eliminata una certa percentuale di valori estremi da entrambe le estremit\u00e0 della distribuzione (ad esempio l&#8217;<em>80 per cento intermedio<\/em>).<\/p>\n\n\n\n<hr class=\"wp-block-separator has-css-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"scartomedio\">Lo scarto medio<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Lo scarto medio \u00e8 una misura di variabilit\u00e0 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>\n\n\n\n\\(\nSM = \\frac{\\Sigma|X &#8211; \\mu|}{N}\n\\)\n\n\n\n<div style=\"height:10px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<p class=\"wp-block-paragraph\">Quei &#8220;valori assoluti&#8221; si prestano male ai calcoli algebrici (non si possono sviluppare n\u00e9 derivare agevolmente), motivo per cui lo scarto medio \u00e8 poco usato. Esiste un altro modo per eliminare i valori negativi, ed ecco quindi che si introduce l&#8217;importante concetto di&#8230;<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"varianza\">La varianza<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La varianza \u00e8 analoga allo scarto medio, poich\u00e8 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 \u00e8:<\/p>\n\n\n\n\\(\n\\sigma^{2}=\\frac{\\Sigma(X &#8211; \\mu)^{2}}{N} \\\\ \\\\\n\\)\n\n\n\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>\n\n\n\n<pre class=\"wp-block-code\"><code>varpopol <- function(variabile){var(variabile)*(1-1\/length(variabile))}<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">In generale, <strong>risulta difficile interpretare il significato del valore di una varianza<\/strong> perch\u00e8 <strong>le unit\u00e0 in cui \u00e8 espresso non sono le medesime in cui sono espresse le osservazioni<\/strong> dell'insieme di dati.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Per questo motivo \u00e8 stato introdotto lo <em>scarto quadratico medio<\/em>.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"sqm\">La deviazione standard (o scarto quadratico medio): la pi\u00f9 usata<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Lo scarto quadratico medio non \u00e8 altro che la <strong>radice quadrata della varianza<\/strong>:<\/p>\n\n\n\n\\(\n\\sigma = \\sqrt{\\frac{\\Sigma(X - \\mu)^{2}}{N}} \\\\ \\\\\n\\)\n\n\n\n<p class=\"wp-block-paragraph\">Lo scarto quadratico medio \u00e8 di fondamentale utilit\u00e0 in statistica, particolarmente (come vedremo) in unione alla <a href=\"https:\/\/www.gironi.it\/blog\/la-distribuzione-normale\/\">distribuzione normale<\/a> di probabilit\u00e0.<\/p>\n\n\n\n<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 avr\u00e0 dunque per la varianza la formula:<\/p>\n\n\n\n\\(\n\\sigma^{2}=\\frac{\\Sigma f(X - \\mu)^{2}}{N} \\\\ \\\\\n\\)\n\n\n\n<p class=\"wp-block-paragraph\">e per lo scarto quadratico medio:<\/p>\n\n\n\n\\(\n\\sigma = \\sqrt{\\frac{\\Sigma f(X - \\mu)^{2}}{N}} \\\\ \\\\\n\\)\n\n\n\n<p class=\"wp-block-paragraph\">In R, la funzione per computare la deviazione standard \u00e8 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>\n\n\n\n<pre class=\"wp-block-code\"><code>sdpopol <- function(variabile){sqrt(sum((variabile - mean(variabile))^2)\/(length(variabile)))}<\/code><\/pre>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"iqr\">Lo scarto interquartile (IQR)<\/h2>\n\n\n\n<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: \u00e8 la distanza fra il terzo e il primo quartile, cio\u00e8 l'ampiezza della met\u00e0 centrale dei dati.<\/p>\n\n\n\n\\( IQR = Q_{3} - Q_{1} \\)\n\n\n\n<p class=\"wp-block-paragraph\">Proprio perch\u00e9 lascia fuori il quarto pi\u00f9 basso e il quarto pi\u00f9 alto dei dati, <strong>lo scarto interquartile non si lascia trascinare dai valori estremi<\/strong>: \u00e8 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 \u00e8 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>\n\n\n\n<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)\nquantile(dati, c(0.25, 0.75))\n#   25%   75%\n# 19.75 25.00\nIQR(dati)\n# [1] 5.25<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">La met\u00e0 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 \u00e8 anche il metro della regola pi\u00f9 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>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"cv\">Il coefficiente di variazione (CV)<\/h2>\n\n\n\n<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 unit\u00e0 di misura, poich\u00e8 <strong>il CV \u00e8 un numero \"puro\", indipendente dall'unit\u00e0 di misura impiegata<\/strong>:<\/p>\n\n\n\n\\(\nCV = \\frac{\\sigma}{\\mu}\n\\)\n\n\n\n<div style=\"height:10px\" aria-hidden=\"true\" class=\"wp-block-spacer\"><\/div>\n\n\n\n<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 \u00e8 banale:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>library(labstatR)\ndati <- 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);\ncv(dati);\n[1] 0.1817708<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">possiamo per\u00f2 anche calcolare il valore molto semplicemente senza ricorrere a librerie esterne:<\/p>\n\n\n\n<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);\nsdpopol <- function(variabile){sqrt(sum((variabile - mean(variabile))^2)\/(length(variabile)))}\ncvdati=sdpopol(dati)\/mean(dati);\ncvdati;\n[1] 0.1817708<\/code><\/pre>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"forma\">La forma di una distribuzione<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Le distribuzioni di frequenza possono assumere le forme pi\u00f9 varie. Fra tutte, quella di gran lunga pi\u00f9 importante in statistica \u00e8 la <strong>distribuzione normale<\/strong>, o distribuzione <strong>a campana<\/strong>, o ancora <strong>gaussiana<\/strong>.<\/p>\n\n\n\n<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 \u00e8 probabilmente simmetrica<\/strong> (\u00e8 un indizio, non una prova). Se la media \u00e8 maggiore della mediana, avremo un'<strong>asimmetria positiva<\/strong> (con una \"coda\" pi\u00f9 lunga a destra), se la media \u00e8 minore della mediana l'asimmetria risulter\u00e0 <strong>negativa<\/strong> (con la \"coda\" pi\u00f9 lunga sulla sinistra).<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La pi\u00f9 nota formula per il calcolo dell'asimmetria di una distribuzione \u00e8 quella per calcolare il <strong>coefficiente di asimmetria di Pearson<\/strong>:<\/p>\n\n\n\n\\(\nAsimmetria = \\frac{3(\\mu - med)}{\\sigma} \\\\ \\\\\n\\)\n\n\n\n<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 avr\u00e0 un valore negativo.<\/p>\n\n\n\n<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'unit\u00e0 di misura<\/strong>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Come calcolare l'indice di asimmetria in R ?<br>Il modo pi\u00f9 semplice \u00e8 quello di usare una libreria che ci metta a disposizione le funzioni che ci servono \"belle e pronte\"...<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>library (moments)\ndati <- 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);\nskewness(dati);\n[1] -0.1918578<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">la libreria \"moments\" fa al caso nostro. Vediamo per\u00f2 come calcolare l'indice anche senza fare ricorso ad una libreria. E' molto semplice.<br>Il primo passo \u00e8 quello di ricordare che <strong>R utilizza <em>n-1<\/em> al denominatore della varianza<\/strong>.<br>Noi per\u00f2 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>\n\n\n\n<pre class=\"wp-block-code\"><code>varpopol <- function(variabile){var(variabile)*(1-1\/length(variabile))}<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">a questo punto possiamo calcolare il valore dell'indice di asimmetria:<\/p>\n\n\n\n<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);\nvarpopol <- function(variabile){var(variabile)*(1-1\/length(variabile))}\nzeta=(dati-mean(dati))\/sqrt(varpopol(dati));\nskew=mean(zeta^3);\nskew;\n[1] -0.1918578<\/code><\/pre>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"curtosi\">La curtosi<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La <strong>curtosi<\/strong> confronta la forma di una distribuzione con quella della normale: quanto \u00e8 appuntita al centro e, soprattutto, <strong>quanto sono \u00abpesanti\u00bb le sue code<\/strong>, cio\u00e8 quanto spesso compaiono valori lontani dalla media.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Abbiamo 3 casi:<br><\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<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>\n\n\n\n<li>una curva <strong>normale<\/strong>, detta&nbsp;<em><strong>mesocurtica<\/strong><\/em><\/li>\n\n\n\n<li>una curva <strong>bassa e piatta<\/strong>, che viene definita&nbsp;<em><strong>platicurtica<\/strong><\/em>, poco concentrata intorno alla sua media<\/li>\n<\/ol>\n\n\n\n<figure class=\"wp-block-image\"><img loading=\"lazy\" decoding=\"async\" width=\"459\" height=\"282\" src=\"https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2018\/10\/curtosi.jpg\" alt=\"Misure di variabilit\u00e0: 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=\"auto, (max-width: 459px) 85vw, 459px\" \/><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\"><br><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Si pu\u00f2 misurare la curtosi dividendo il quarto momento per lo scarto quadratico medio elevato alla quarta potenza. Difficile? Pi\u00f9 a dirsi che a calcolarsi.<br>Ecco la formula:<\/p>\n\n\n\n\\(\nCurtosi = \\frac{\\Sigma f(X -\\mu)^{4}}{N \\sigma^{4}} \\\\ \\\\\n\\)\n\n\n\n<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>, cio\u00e8 il valore meno 3 (con una piccola correzione per i campioni): l\u00ec la normale vale 0. Il 2,48 che otterremo fra poco corrisponde a un eccesso di circa \u22120,52: una curva leggermente platicurtica.<br><br>Come per il valore dell'indice di asimmetria, la libreria \"moments\" ci fornisce una comoda funzione gi\u00e0 pronta:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>library (moments)\ndati <- 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);\nkurtosis(dati);\n[1] 2.480035<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Ma a noi non dispiace di calcolarcelo \"in proprio\":<\/p>\n\n\n\n<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);\nvarpopol <- function(variabile){var(variabile)*(1-1\/length(variabile))}\nzeta=(dati-mean(dati))\/sqrt(varpopol(dati));\ncurtosi=mean(zeta^4);\ncurtosi;\n[1] 2.480035\n<\/code><\/pre>\n\n\n\n<h2 class=\"wp-block-heading\">Un caso pratico SEO: il coefficiente di variazione per confrontare due siti<\/h2>\n\n\n\n<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>\n\n\n\n<pre class=\"wp-block-code\"><code>grande  &lt;- c(4800, 5300, 4600, 5500, 5100, 4400, 5600, 4900, 5200, 4700)\npiccolo &lt;- c(260, 340, 220, 380, 300, 240, 360, 280, 320, 300)\n\nsd(grande)               # 395.7\nsd(piccolo)              # 51.6\nsd(grande) \/ mean(grande)    # CV = 0.079  (7,9%)\nsd(piccolo) \/ mean(piccolo)  # CV = 0.172  (17,2%)<\/code><\/pre>\n\n\n\n<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>\n\n\n\n<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\">\n\n<figure class=\"wp-block-image size-large\"><img loading=\"lazy\" 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. \u00c8 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=\"auto, (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. \u00c8 l'illusione di scala che il coefficiente di variazione smonta.<\/figcaption><\/figure>\n\n<\/div><\/div>\n\n\n\n<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>\n\n\n\n<h2 class=\"wp-block-heading\">Prova tu<\/h2>\n\n\n\n<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>\n\n\n\n<pre class=\"wp-block-code\"><code>organico:  1200  1350  1100  1280  1420  1180  1320\nreferral:    80   140    60   170    95   130   110<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Il compito: per ciascun canale calcolare il CV con <code>sd(x) \/ mean(x)<\/code>.<\/p>\n\n\n\n<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>\n\n\n\n<h2 class=\"wp-block-heading\">Domande frequenti<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Quali sono le principali misure di dispersione?<\/h3>\n\n\n\n<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 \u00e8 per questo robusto ai valori anomali.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Che differenza c'\u00e8 tra varianza e deviazione standard?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">La deviazione standard \u00e8 la radice quadrata della varianza. Misurano la stessa cosa, ma la varianza \u00e8 espressa nel quadrato dell'unit\u00e0 dei dati (sessioni al quadrato), la deviazione standard nella stessa unit\u00e0 (sessioni): per questo si legge e si comunica molto pi\u00f9 facilmente.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Perch\u00e9 R divide per n \u2212 1 e non per n?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Perch\u00e9 var() e sd() stimano la variabilit\u00e0 di una popolazione a partire da un campione: dividere per n sottostimerebbe sistematicamente la varianza vera, e n \u2212 1 corregge questa distorsione. Se i dati sono l'intera popolazione si divide per n.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Quando si usa il coefficiente di variazione?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Quando si confronta la variabilit\u00e0 di grandezze su scale diverse: due siti con volumi diversi, due canali, metriche con unit\u00e0 diverse. Il CV \u00e8 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>\n\n\n\n<h3 class=\"wp-block-heading\">Cosa vuol dire curva platicurtica?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Una distribuzione pi\u00f9 piatta della normale, con code pi\u00f9 leggere: la curtosi \u00e8 minore di 3 (la curtosi in eccesso minore di 0). Il contrario \u00e8 la curva leptocurtica, pi\u00f9 appuntita e con code pi\u00f9 pesanti; la normale \u00e8 mesocurtica.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Quale misura di dispersione usare quando ci sono valori anomali?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Lo scarto interquartile, che misura l'ampiezza della met\u00e0 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>\n\n\n\n<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 \u00e8 per questo robusto ai valori anomali.\"}}, {\"@type\": \"Question\", \"name\": \"Che differenza c'\u00e8 tra varianza e deviazione standard?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"La deviazione standard \u00e8 la radice quadrata della varianza. Misurano la stessa cosa, ma la varianza \u00e8 espressa nel quadrato dell'unit\u00e0 dei dati (sessioni al quadrato), la deviazione standard nella stessa unit\u00e0 (sessioni): per questo si legge e si comunica molto pi\u00f9 facilmente.\"}}, {\"@type\": \"Question\", \"name\": \"Perch\u00e9 R divide per n \u2212 1 e non per n?\", \"acceptedAnswer\": {\"@type\": \"Answer\", \"text\": \"Perch\u00e9 var() e sd() stimano la variabilit\u00e0 di una popolazione a partire da un campione: dividere per n sottostimerebbe sistematicamente la varianza vera, e n \u2212 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 variabilit\u00e0 di grandezze su scale diverse: due siti con volumi diversi, due canali, metriche con unit\u00e0 diverse. Il CV \u00e8 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 pi\u00f9 piatta della normale, con code pi\u00f9 leggere: la curtosi \u00e8 minore di 3 (la curtosi in eccesso minore di 0). Il contrario \u00e8 la curva leptocurtica, pi\u00f9 appuntita e con code pi\u00f9 pesanti; la normale \u00e8 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 met\u00e0 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>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<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>\n\n\n<!-- internal-links-section -->\n<h3>Potrebbe interessarti anche<\/h3>\n<ul>\n<li><a href=\"https:\/\/www.gironi.it\/blog\/anomaly-detection\/\">Anomaly detection: come identificare valori anomali nei dati<\/a><\/li>\n<li><a href=\"https:\/\/www.gironi.it\/blog\/teorema-del-limite-centrale\/\">Il Teorema del Limite Centrale: perch\u00e9 la statistica funziona (anche quando i dati non sono normali)<\/a><\/li>\n<li><a href=\"https:\/\/www.gironi.it\/blog\/intervalli-di-confidenza\/\">Intervalli di confidenza: cosa sono, come calcolarli (e cosa NON significano)<\/a><\/li>\n<\/ul>\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h3 class=\"wp-block-heading\">Per approfondire<\/h3>\n\n\n\n<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>\n","protected":false},"excerpt":{"rendered":"<p>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 \u00e8 molto pi\u00f9 instabile.\u00c8 vero il contrario, e per accorgercene la media non basta: serve sapere quanto i dati si allontanano da lei. \u00c8 il compito delle misure &hellip; <a href=\"https:\/\/www.gironi.it\/blog\/misure-di-variabilita-o-dispersione\/\" class=\"more-link\">Leggi tutto<span class=\"screen-reader-text\"> &#8220;Deviazione standard e CV: quando la media da sola inganna (casi pratici SEO)&#8221;<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_uag_custom_page_level_css":"","footnotes":""},"categories":[629],"tags":[795,797,799,801,803,805,807,809],"class_list":["post-1003","post","type-post","status-publish","format-standard","hentry","category-statistica-it","tag-asimmetria-it","tag-coefficiente-di-variazione-it","tag-curtosi-it","tag-deviazione-standard-it","tag-scarto-medio-it","tag-scarto-quadratico-medio-it","tag-variabilita-it","tag-varianza-it"],"lang":"it","translations":{"it":1003,"en":3468},"uagb_featured_image_src":{"full":false,"thumbnail":false,"medium":false,"medium_large":false,"large":false,"1536x1536":false,"2048x2048":false,"post-thumbnail":false},"uagb_author_info":{"display_name":"paolo","author_link":"https:\/\/www.gironi.it\/blog\/author\/paolo\/"},"uagb_comment_info":7,"uagb_excerpt":"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 \u00e8 molto pi\u00f9 instabile.\u00c8 vero il contrario, e per accorgercene la media non basta: serve sapere quanto i dati si allontanano da lei. \u00c8 il compito delle misure&hellip;","_links":{"self":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/1003","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/comments?post=1003"}],"version-history":[{"count":5,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/1003\/revisions"}],"predecessor-version":[{"id":4472,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/1003\/revisions\/4472"}],"wp:attachment":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/media?parent=1003"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/categories?post=1003"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/tags?post=1003"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}