Quando un insieme di dati contiene valori molto diversi tra loro, la media da sola racconta spesso una storia incompleta. In questo scenario, il grafico scatola e baffi, chiamato anche box plot, aiuta a vedere rapidamente mediana, dispersione, quartili e valori anomali. Qui mostro come leggerlo, costruirlo a mano o con Excel e Python, e quando preferirlo a un istogramma o a un grafico a barre.
La lettura rapida del box plot passa da cinque valori
- Mediana: divide i dati ordinati in due metà.
- Q1 e Q3: delimitano il 50% centrale delle osservazioni.
- IQR: misura la dispersione tra primo e terzo quartile.
- Baffi: mostrano l’estensione dei valori non considerati anomali.
- Punti isolati: possono indicare outlier, errori o casi realmente eccezionali.
Che cosa mostra davvero un diagramma a scatola e baffi
Il box plot sintetizza una distribuzione usando una struttura molto compatta. La scatola va dal primo quartile Q1 al terzo quartile Q3, mentre la linea interna indica la mediana, cioè il valore che separa il 50% più basso dal 50% più alto dei dati.
La distanza tra Q1 e Q3 prende il nome di intervallo interquartile, o IQR. È calcolata come Q3 - Q1 e contiene la metà centrale delle osservazioni. Più la scatola è alta o larga, maggiore è la variabilità dei valori centrali.
| Elemento | Che cosa indica | Come interpretarlo |
|---|---|---|
| Q1 | 25° percentile | Il 25% dei dati è inferiore o uguale a questo valore |
| Mediana | 50° percentile | Il valore centrale della distribuzione |
| Q3 | 75° percentile | Il 75% dei dati è inferiore o uguale a questo valore |
| IQR | Q3 - Q1 | La dispersione del 50% centrale |
| Baffi e punti | Estensione e possibili outlier | Segnalano code della distribuzione e valori lontani dal centro |
Un errore frequente consiste nel pensare che i baffi arrivino sempre al minimo e al massimo assoluti. Nei box plot basati sulla regola di Tukey, invece, arrivano fino all’ultimo valore compreso tra Q1 - 1,5 × IQR e Q3 + 1,5 × IQR. I dati oltre questi limiti vengono disegnati separatamente.
Come si costruisce con un esempio numerico
Prendiamo questa serie ordinata di tempi di consegna, espressi in giorni:
4, 5, 6, 7, 8, 9, 10, 12, 15, 18, 20, 45
La mediana è la media tra il sesto e il settimo valore, quindi (9 + 10) / 2 = 9,5. Per calcolare i quartili dividiamo la serie in due metà: nella metà inferiore Q1 è 6,5, mentre nella metà superiore Q3 è 16,5.
| Misura | Valore |
|---|---|
| Minimo osservato | 4 |
| Primo quartile Q1 | 6,5 |
| Mediana | 9,5 |
| Terzo quartile Q3 | 16,5 |
| Massimo osservato | 45 |
| IQR | 10 |
Il limite superiore degli outlier è 16,5 + 1,5 × 10 = 31,5. Il valore 45 supera questa soglia, quindi viene mostrato come punto isolato; il baffo superiore si ferma invece a 20, l’ultimo dato ancora dentro il limite.
Questo esempio chiarisce perché la mediana può essere più utile della media. Un singolo ritardo di 45 giorni distorce fortemente la media, ma non nasconde il fatto che la maggior parte delle consegne si concentra tra circa 6,5 e 16,5 giorni.
Le formule dei quartili possono cambiare leggermente tra Excel, Python, R e altri software, soprattutto con serie piccole. Per confrontare più gruppi, io uso sempre lo stesso metodo di calcolo in tutti i grafici, altrimenti differenze tecniche possono sembrare differenze reali nei dati.
Come creare il grafico in Excel
Excel offre un tipo di grafico dedicato a partire dalle versioni più recenti e consente di ottenere il risultato senza calcolare manualmente ogni quartile. La procedura è semplice, ma la qualità del risultato dipende soprattutto da come sono organizzati i dati.
- Inserisci ogni gruppo di osservazioni in una colonna separata.
- Seleziona l’intervallo che comprende dati ed eventuali intestazioni.
- Apri la scheda Inserisci e scegli la categoria dei grafici statistici.
- Seleziona Scatola e baffi.
- Controlla l’opzione relativa alla visualizzazione dei punti anomali.
- Aggiungi unità di misura, titolo dell’asse e nome dei gruppi.
Prima di interpretare il grafico, verifico sempre che Excel non abbia letto le righe come gruppi anziché le colonne. Se l’orientamento è sbagliato, usa il comando Scambia riga/colonna. È un dettaglio banale, ma può trasformare un confronto tra reparti in un grafico praticamente inutilizzabile.
Le impostazioni disponibili possono includere la visualizzazione della media, dei punti interni e dei valori anomali. La media può essere utile, ma non deve sostituire la mediana: quando la distribuzione è asimmetrica, la mediana descrive meglio il valore tipico.
Come generarlo con Python e usarlo in un’analisi dati
In Python, il box plot è particolarmente utile quando si lavora con molti gruppi o quando il grafico deve essere ricreato automaticamente. Con Seaborn si può confrontare una variabile numerica tra categorie, per esempio tempi di consegna, vendite mensili o durata delle sessioni.
import seaborn as sns
import matplotlib.pyplot as plt
sns.boxplot(data=df, x="reparto", y="giorni_consegna", showfliers=True)
plt.xlabel("Reparto")
plt.ylabel("Giorni di consegna")
plt.title("Distribuzione dei tempi di consegna")
plt.tight_layout()
plt.show()Con showfliers=True vengono mostrati i punti anomali. Se li nascondi, il grafico può apparire più pulito, ma perdi un’informazione importante. Io li lascio visibili nella fase esplorativa e li nascondo solo in una presentazione dove gli outlier siano già stati discussi.
Per un’analisi più completa, affianco spesso il box plot a un grafico dei punti o a un violin plot. Il box plot mostra bene quartili e mediana, mentre il violin plot rende più evidente la forma della distribuzione, comprese eventuali concentrazioni multiple.
Come interpretarlo senza cadere nei falsi segnali
La posizione della mediana dentro la scatola offre un primo indizio sull’asimmetria. Se è vicina a Q1 e il tratto verso Q3 è molto più lungo, molti valori sono concentrati nella parte bassa e la distribuzione presenta una coda verso l’alto.
Confrontando due o più box plot, osservo soprattutto mediane, ampiezza delle scatole e posizione dei baffi. Una mediana più alta indica valori tipicamente maggiori, mentre una scatola più grande indica una maggiore variabilità del gruppo centrale.
- Scatole sovrapposte: i gruppi possono avere distribuzioni simili, anche se i massimi sono diversi.
- Mediane lontane: suggeriscono una differenza nel livello tipico.
- IQR molto diverso: indica livelli di stabilità o volatilità differenti.
- Molti outlier: possono segnalare errori, segmenti distinti o processi poco omogenei.
Il box plot non mostra tutto. Non permette di capire da solo se i dati hanno due picchi, quante osservazioni ci siano in ogni zona o quale sia la forma precisa delle code. Per questo lo considero uno strumento di esplorazione iniziale, non una prova definitiva sulle cause del fenomeno.
Un altro limite riguarda la dimensione del campione. Con 5 o 6 osservazioni, quartili e outlier possono cambiare molto in base alla convenzione adottata. In quel caso accompagno il grafico con i dati individuali e indico chiaramente il numero di osservazioni.
Quando preferirlo ad altri grafici
La scelta dipende dalla domanda analitica. Se voglio confrontare rapidamente la variabilità di dieci filiali, il box plot è spesso più leggibile di dieci istogrammi. Se invece devo spiegare al pubblico la forma completa di una sola distribuzione, un istogramma può essere più intuitivo.
| Obiettivo | Grafico più adatto | Perché |
|---|---|---|
| Confrontare gruppi numerosi | Box plot | Mostra mediana e dispersione in poco spazio |
| Vedere la forma complessiva | Istogramma | Rende visibili frequenze, picchi e code |
| Analizzare ogni osservazione | Grafico a punti | Non nasconde la numerosità o la concentrazione dei dati |
| Confrontare valori aggregati | Grafico a barre | È più immediato quando interessa un totale o una media |
| Mostrare la densità | Violin plot | Evidenzia la forma della distribuzione oltre ai quartili |
Il mio criterio è pratico: uso il box plot quando la domanda contiene parole come dispersione, variabilità, confronto o valori anomali. Non lo scelgo invece per mostrare semplicemente quale categoria ha il valore più alto, perché in quel caso una barra comunica il messaggio più velocemente.
La decisione finale dipende dalla qualità dei dati
Un box plot ben costruito non corregge dati sporchi, categorie mal definite o misure raccolte in periodi non confrontabili. Prima di interpretarlo controllo sempre unità di misura, valori mancanti, duplicati e possibili cambiamenti nel processo di raccolta.
Un punto anomalo non è automaticamente un errore da eliminare. Può rappresentare una vendita eccezionale, un cliente molto diverso dagli altri o un guasto reale. La scelta corretta è indagare la causa, documentare la decisione e mostrare eventualmente un confronto tra dati completi e dati filtrati.
Quando la distribuzione è molto asimmetrica, aggiungo mediana, quartili e numero di osservazioni nel testo o nella dashboard. Così il lettore non scambia un grafico compatto per una spiegazione completa e può trasformare la visualizzazione in una decisione analitica più solida.
