Perché la distribuzione "normale" non è normale: 4 fatti sorprendenti
Introduzione: la curva che tutti conosciamo, ma non comprendiamo
La "curva a campana", o distribuzione gaussiana, è uno dei concetti più riconoscibili in statistica, presente in campi che vanno dalla medicina alla finanza. Ma il suo nome comune – "distribuzione normale" – spesso porta a fraintendimenti fondamentali su ciò che realmente rappresenta.
Questa tensione tra il suo uso diffuso e la sua natura sottile è stata catturata perfettamente da G. Lippman:
Tutti credono nell'approssimazione normale, gli sperimentatori perché pensano che sia un teorema matematico, i matematici perché pensano che sia un fatto sperimentale.
Questo articolo svelerà quattro delle verità più sorprendenti e importanti sulla distribuzione gaussiana per aiutarti a capire cos'è, da dove proviene e come interpretarla correttamente.
Takeaway 1: "Normale" non significa normale
1. "Normale" non significa quello che pensi significhi
Sebbene la distribuzione gaussiana sia comunemente chiamata "distribuzione normale", questo è un caso in cui la statistica ha conferito a un termine ordinario un significato tecnico speciale. Non deve essere confuso con il significato ordinario di "normale", come in "comunemente osservato", "ordinario" o "che non indica una malattia".
Un'applicazione comune, ma concettualmente errata, consiste nell'utilizzare la distribuzione per definire un "intervallo di normalità" per un valore clinico. Ad esempio, si potrebbe presumere che le temperature corporee seguano una distribuzione gaussiana e definire il 2.5% superiore e inferiore della popolazione come "anomali". In questo caso, l'intervallo di normalità verrebbe definito come la significare più o meno 1.96 deviazioni standard.
Questo approccio puramente statistico presenta diversi problemi:
- Il contesto clinico è essenziale. Per definire cosa sia “anormale” è necessaria una conoscenza clinica di ciò che indica una malattia; non è possibile determinarlo solo con un calcolo statistico.
- “Normale” dipende da altri fattori. Un valore normale per un ottantenne può essere anomalo per un venticinquenne. Fattori come età e sesso devono essere considerati.
- I confini sono raramente netti. In medicina, spesso si riscontrano valori "limite". Una netta distinzione statistica tra normale e anormale è spesso irrealistica.
- I dati del mondo reale sono raramente perfetti. I dati possono essere circa Gaussiana, ma è più probabile che le deviazioni si verifichino nei valori estremi (le code), che è esattamente dove si trovano i valori "anormali".
- I valori alti e bassi non sono ugualmente significativi. Questo approccio statistico presuppone che un valore molto alto sia altrettanto preoccupante di uno molto basso. Per quanto riguarda la temperatura corporea, un valore basso non rappresenta solitamente un problema medico, mentre un valore alto può essere un segno di infezione.
Conclusione 2: tutto nasce dalle medie, non sempre dai dati
2. La sua potenza deriva dal teorema del limite centrale
Il ruolo centrale della distribuzione gaussiana nella statistica non è dovuto al fatto che la maggior parte dei dati grezzi segue una curva a campana perfetta, ma a una potente relazione matematica nota come Teorema del limite centrale.
È possibile comprendere l'idea centrale del teorema con un semplice esperimento immaginario:
- Inizia con una popolazione la cui distribuzione dei dati è non Gaussiana.
- Estrarre casualmente molti campioni diversi della stessa dimensione da quella popolazione.
- Calcola la media per ciascuno di questi singoli campioni.
- Crea un grafico della distribuzione di frequenza di tutte le medie dei campioni.
Il teorema del limite centrale afferma che la distribuzione delle medie campionarie approssimerà una distribuzione gaussiana, anche se la popolazione originale non era gaussiana.
Ecco perché molti test statistici comuni, come il test t e l'analisi della varianza, funzionano così bene. Dato che questi test si concentrano solo sulle differenze tra le medie, il Teorema del Limite Centrale ci dice che le medie stesse tendono a seguire un modello gaussiano prevedibile, rendendo i test robusti.
Conclusione 3: è costituito da molti piccoli pezzi additivi
3. Ha una storia di origine semplice: la casualità che si annulla
La ragione intuitiva per cui la distribuzione gaussiana appare così spesso è che è il risultato naturale di molti fattori indipendenti e casuali che creano variabilità. Alcuni di questi fattori spingono un valore verso l'alto, mentre altri lo abbassano.
Nella maggior parte dei casi, questi effetti casuali si annullano parzialmente a vicenda, motivo per cui la maggior parte dei valori finisce per raggrupparsi vicino alla media. Solo raramente la maggior parte dei fattori casuali spinge nella stessa direzione, creando un valore lontano dalla media. Questo processo si traduce nella caratteristica curva simmetrica a campana, in cui i valori vicini alla media sono comuni e i valori estremi sono rari.
La condizione fondamentale affinché ciò si verifichi è che le varie fonti di variazione siano indipendenti, additive e che nessuna fonte di variazione prevalga sulle altre.
Conclusione 4: puoi visualizzare i dati con solo due numeri
4. La media e la deviazione standard sono un potente duo descrittivo
Se puoi ragionevolmente supporre che i tuoi dati seguano una distribuzione approssimativamente gaussiana, puoi ricreare un'immagine mentale dell'intero set di dati semplicemente conoscendo due numeri: la media e la deviazione standard (DS).
Ciò è possibile grazie a due affidabili regole pratiche:
- Circa due terzi (68.3%) di tutti i valori rientrano in 1 deviazione standard dalla media.
- Circa il 95% di tutti i valori rientra in 2 deviazioni standard dalla media (più precisamente, 1.96 DS).
Ad esempio, se ti venisse detto solo che la temperatura corporea media in uno studio era di 36.82 °C con una deviazione standard di 0.41 °C, potresti dedurre che circa il 95% dei valori si colloca tra 36.0 °C e 37.6 °C. Questo semplice calcolo fornisce un riepilogo abbastanza accurato della dispersione dei dati.
Conclusione: oltre la campana
La distribuzione gaussiana è uno strumento fondamentale e potente. La sua potenza, tuttavia, risiede nella comprensione delle sue sfumature. È un modello per il comportamento delle medie e il risultato di effetti casuali cumulativi, non un descrittore universale per tutti i dati o una definizione rigida di "normalità".
La prossima volta che vedrai dei dati descritti come "normali", quali domande più profonde ti porrai sulla loro vera forma e sul loro significato?
