Calcolo delle misure di centralità con Python: Media, Mediana e Moda

Pubblicato il di
Post Views: 206

Le misure di centralità, come media, mediana e moda, sono fondamentali nella statistica descrittiva. La media rappresenta il valore medio di un insieme di dati, la mediana indica il valore centrale quando i dati sono ordinati, mentre la moda identifica il valore più frequente. Ognuna fornisce una visione unica della distribuzione dei dati, utile per comprendere la loro tendenza centrale. Queste misure aiutano a sintetizzare informazioni complesse, facilitando il confronto tra gruppi di dati e supportando decisioni informate in diversi contesti, dall’analisi finanziaria al monitoraggio delle prestazioni aziendali.

Misure di centralità header

Le Misure di Centralità

Le misure di centralità sono come “punti di riferimento” che ci danno un’idea del valore medio o tipico di un insieme di dati. Immagina di avere un insieme di numeri che rappresentano le altezze di un gruppo di persone. La media ti darebbe una stima dell’altezza media del gruppo, la mediana ti direbbe quale altezza è al centro della distribuzione (cioè, metà delle persone sono più alte e metà sono più basse di questo valore), mentre la moda ti direbbe quale altezza è la più comune.

Queste misure sono come delle “lenti di ingrandimento” che ci consentono di focalizzare l’attenzione su aspetti diversi dei dati. Ad esempio, se abbiamo un’ampia gamma di valori e vogliamo capire quale valore rappresenti meglio la maggioranza dei dati, guarderemmo alla moda. Se vogliamo capire qual è il valore medio complessivo, considerando tutti i valori, guarderemmo alla media. Se ci interessa l’elemento centrale che divide il gruppo in due parti uguali, guarderemmo alla mediana.

Queste misure sono estremamente utili perché ci permettono di sintetizzare un insieme complesso di dati in un unico valore che rappresenta la loro “posizione centrale”, fornendoci un punto di partenza per comprendere meglio la distribuzione dei dati e prendere decisioni informate basate su di essi.

Media, Mediana e Moda

Le misure di centralità sono strumenti utilizzati nella statistica descrittiva per rappresentare il “centro” di un insieme di dati, in modo da avere un’idea della loro tipica posizione o valore medio. Le principali misure di centralità sono la media, la mediana e la moda.

Media:
La media di un insieme di dati è calcolata come la somma di tutti i valori divisa per il numero totale di valori. Matematicamente, se abbiamo un insieme di dati X con n elementi, la media \bar{X} è data da:

\bar{X} = \frac{1}{n} \sum_{i=1}^{n} X_i

Dove X_i rappresenta il i-esimo elemento dell’insieme di dati.

Mediana:
La mediana è il valore centrale di un insieme di dati ordinato. Se l’insieme di dati ha un numero dispari di elementi, la mediana è semplicemente il valore centrale. Se ha un numero pari di elementi, la mediana è la media dei due valori centrali. Matematicamente, se ( X ) è l’insieme di dati ordinato, la mediana ( M ) è data da:

M = \begin{cases}X_{\frac{n+1}{2}} & \text{se } n \text{ è dispari} \\frac{X_{\frac{n}{2}} + X_{\frac{n}{2}+1}}{2} & \text{se } n \text{ è pari}\end{cases}

Moda:
La moda è il valore che si verifica con maggiore frequenza in un insieme di dati. Può esserci più di una moda se più valori si verificano con la stessa frequenza massima. Matematicamente, se abbiamo un insieme di dati X, la moda \text{Mode}(X) è il valore che compare più frequentemente.

Queste sono le principali misure di centralità utilizzate nella statistica descrittiva.

Calcolare la media, la mediana e la moda con Python

Puoi calcolare la media, la mediana e la moda di un insieme di dati utilizzando diverse librerie Python, come numpy e statistics. Ecco alcuni esempi su come farlo:

Utilizzando la libreria numpy:

import numpy as np

# Sample data
data = [2, 4, 6, 8, 10]

# Calculating the mean
mean = np.mean(data)
print("Mean:", mean)

# Calculating the median
median = np.median(data)
print("Median:", median)

# Calculating the mode
from scipy.stats import mode
mode_result = mode(data)
print("Mode:", mode_result[0])

Eseguendo otteniamo il seguente risultato:

Mean: 6.0
Median: 6.0
Mode: 2

Utilizzando la libreria statistics:

import statistics

# Sample data
data = [2, 4, 6, 8, 10]

# Calculating the mean
mean = statistics.mean(data)
print("Mean:", mean)

# Calculating the median
median = statistics.median(data)
print("Median:", median)

# Calculating the mode
mode_value = statistics.mode(data)
print("Mode:", mode_value)

Eseguendo si ottiene il seguente risultato:

Mean: 6
Median: 6
Mode: 2

Questi esempi ti mostrano come calcolare la media, la mediana e la moda di un insieme di dati utilizzando Python. Assicurati di installare le librerie necessarie (numpy e scipy) se non le hai già installate nel tuo ambiente Python.

Altre misure di centralità

Oltre a queste, ci sono altre misure, come la media geometrica, la media armonica, che sono utilizzate in contesti specifici.

Oltre alla media, alla mediana e alla moda, ci sono altre misure di centralità meno comuni ma altrettanto utili in determinati contesti. Ecco alcune di esse:

Media geometrica: La media geometrica è il prodotto di tutti i valori elevati a una potenza pari all’inverso del numero totale di valori. La formula per la media geometrica di un insieme di dati X con n elementi è:

\text{Media geometrica} = \left( \prod_{i=1}^{n} X_i \right)^{\frac{1}{n}}

La media geometrica è utile quando si lavora con dati che crescono o decrescono in modo esponenziale, come i tassi di crescita. Ad esempio, immagina di avere dati che rappresentano il tasso di crescita annuo di una popolazione. Calcolando la media geometrica di questi tassi di crescita, otterrai un valore che rappresenta il tasso di crescita medio nel periodo considerato, tenendo conto della crescita esponenziale.

Media armonica: La media armonica è il reciproco dell’ampiezza media dei reciproci dei valori. La formula per la media armonica di un insieme di dati X con n elementi è:

\text{Media armonica} = \frac{n}{\sum_{i=1}^{n} \frac{1}{X_i}}

La media armonica è utile quando si desidera calcolare una media ponderata in cui i valori più grandi hanno un impatto maggiore. Ad esempio, immagina di avere dati che rappresentano il tempo impiegato per coprire una determinata distanza con velocità variabili. La media armonica di questi tempi di percorrenza ti darà un valore che tiene conto dell’impatto maggiore dei tempi più brevi, riflettendo così il tempo medio effettivamente impiegato.

Media troncata: La media troncata esclude un certo numero di valori estremi più alti e più bassi prima di calcolare la media dei valori rimanenti.

La media troncata è utile quando si desidera mitigare l’effetto di outlier o valori estremi sull’analisi statistica. Ad esempio, se si stanno analizzando i prezzi delle case in un quartiere e ci sono alcune case vendute a prezzi molto elevati o molto bassi che distorcono la media, si può considerare di calcolare una media troncata, escludendo i prezzi più alti e più bassi, per ottenere una stima più accurata del prezzo medio delle case.

Media ponderata: La media ponderata tiene conto del peso relativo di ciascun valore nell’insieme di dati. È calcolata moltiplicando ciascun valore per il suo peso relativo (generalmente un coefficiente) e quindi dividendo la somma dei prodotti per la somma dei pesi.

La media ponderata è utile quando si vogliono dare maggior peso a certi valori rispetto ad altri. Ad esempio, se si stanno analizzando le valutazioni degli studenti in una classe e si desidera dare più peso alle valutazioni degli studenti più bravi, si può calcolare una media ponderata utilizzando le valutazioni come pesi, in modo che le valutazioni degli studenti più bravi contribuiscano maggiormente alla media complessiva.

In generale, queste medie particolari sono strumenti utili per ottenere una comprensione più approfondita della distribuzione dei dati e delle tendenze centrali, consentendo di prendere decisioni informate in base alle caratteristiche specifiche dei dati analizzati. Ognuna di queste medie ha un’applicazione specifica e può essere utilizzata per ottenere informazioni più dettagliate o corrette in determinati contesti analitici.

Calcolare queste altre medie con Python

Per calcolare queste ulteriori misure di centralità con Python, si utilizza la libreria NumPy per semplificare i calcoli. Assicurati di aver installato NumPy prima di eseguire questi esempi.

import numpy as np

# Sample data
data = [1, 2, 3, 4, 5]

# Geometric mean
geometric_mean = np.prod(data) ** (1 / len(data))
print("Geometric mean:", geometric_mean)

# Harmonic mean
harmonic_mean = len(data) / np.sum(1 / np.array(data))
print("Harmonic mean:", harmonic_mean)

# Trimmed mean (excluding lowest and highest values)
sorted_values = sorted(data)
trimmed_values = sorted_values[1:-1]  # Exclude lowest and highest value
trimmed_mean = np.mean(trimmed_values)
print("Trimmed mean:", trimmed_mean)

# Weighted mean (with arbitrary weights)
weighted_data = np.array(data)
weights = np.array([0.1, 0.2, 0.3, 0.2, 0.2])  # Arbitrary weights
weighted_mean = np.average(weighted_data, weights=weights)
print("Weighted mean:", weighted_mean)

Eseguendo si ottiene il seguente risultato:

Geometric mean: 2.605171084697352
Harmonic mean: 2.18978102189781
Trimmed mean: 3.0
Weighted mean: 3.2

Questo codice calcola la media geometrica, la media armonica, la media troncata (escludendo i valori più bassi e più alti) e la media ponderata di un insieme di dati di esempio utilizzando la libreria NumPy. Puoi sostituire dati con il tuo insieme di dati e modificare i pesi se desideri calcolare una media ponderata con pesi diversi.

Lascia un commento