Deviazione Standard: Calcolo Pratico ed Esempi di Gestione Scorte per Aziende

La “Dittatura della Media” è un rischio per il tuo business?

Hai mai notato come la “media” sia un numero rassicurante, ma spesso traditore? Immagina di gestire un magazzino: se vendi in media 10 pezzi al giorno, potresti pensare che tenere 10 pezzi a scaffale sia sufficiente. Eppure, ti ritrovi sistematicamente con lo scaffale vuoto o, al contrario, pieno di polvere.

Perché succede? Perché la media appiattisce la realtà. Non ti dice se quei 10 pezzi sono il frutto di giornate piatte e noiose o di un’alternanza schizofrenica tra boom di vendite e giorni di deserto.

Qui entra in gioco la deviazione standard. Non è solo un concetto astratto da esame universitario, ma è l’unico strumento che ti dice quanto puoi fidarti delle tue previsioni.

Attraverso 6 scenari reali – dal piccolo chiosco alla gestione di promozioni aggressive – vedremo come misurare l’incertezza e trasformarla in decisioni operative più intelligenti.

Esercizio 1 (Base) – Calcolo manuale della deviazione standard

Testo:

Sei un gestore di un piccolo chiosco di gelati.

Nella prima settimana di giugno, hai venduto i seguenti numeri di gelati al giorno:

Lunedì: 45, Martedì: 52, Mercoledì: 48, Giovedì: 51, Venerdì: 49.

Calcola la deviazione standard campionaria delle vendite giornaliere. Interpreta il risultato nel contesto delle vendite.

Soluzione :

1. Dati:
   [math]x=[45, 52, 48, 51, 49][/math]
   Numero di osservazioni [math]n=5[/math].
2. Calcolare la media [math]\bar{x}[/math]:
   [math]\displaystyle \begin{aligned} \bar{x} &= \frac{45+52+48+51+49}{5} \\ &= \frac{245}{5} = 49 \end{aligned}[/math]
3. Costruire la tabella degli scarti quadratici:
   

   [math]x_i[/math]	[math]x_i – \bar{x}[/math]	[math](x_i – \bar{x})^2[/math]
   45	-4	16
   52	+3	9
   48	-1	1
   51	+2	4
   49	0	0

   Somma degli scarti quadratici:
   [math]\sum (x_i – \bar{x})^2 = 16 + 9 + 1 + 4 + 0 = 30[/math]

4. Varianza campionaria [math]s^2[/math] (stimatore corretto):
   [math]\displaystyle \begin{aligned} s^2 &= \frac{\sum (x_i – \bar{x})^2}{n-1} \\ &= \frac{30}{4} = 7.5 \end{aligned}[/math]
5. Deviazione standard campionaria [math]s[/math]:
   [math]s = \sqrt{7.5} \approx 2.74[/math]
6. Interpretazione:
   Le vendite giornaliere si discostano mediamente dalla media (49 gelati) di circa 2.74 gelati.

📘 Osservazioni:

• La deviazione standard misura la dispersione dei dati attorno alla media.
• Qui usiamo la formula campionaria (con [math]n-1[/math] al denominatore) perché i dati sono un campione di 5 giorni, non l’intera popolazione di tutti i giorni possibili.
• Un valore di 2.74 indica una variabilità moderata: le vendite non oscillano eccessivamente.

Domanda di riflessione:
Perché nel calcolo della varianza campionaria si divide per [math]n-1[/math] invece che per [math]n[/math]?
(Risposta in fondo al documento)

Esercizio 2 – Deviazione standard con frequenze (vendite ripetute)

Testo:

Nel tuo negozio di elettronica, in 10 giorni osservi questo numero di tablet venduti al giorno:

2 tablet venduti in 4 giorni

3 tablet venduti in 3 giorni

4 tablet venduti in 2 giorni

5 tablet venduti in 1 giorno

Calcola la deviazione standard campionaria delle vendite giornaliere.

Soluzione passo-passo:

1. Dati in forma di distribuzione di frequenza:
   [math]x_i[/math] = valori, [math]f_i[/math] = frequenze

   [math]x_i[/math]	[math]f_i[/math]
   2	4
   3	3
   4	2
   5	1

   Totale giorni: [math]n = \sum f_i = 10[/math]

2. Calcolo della media [math]\bar{x}[/math]:
   [math]\displaystyle \begin{aligned} \bar{x} &= \frac{\sum (x_i \cdot f_i)}{n} \\ &= \frac{2 \cdot 4 + 3 \cdot 3 + 4 \cdot 2 + 5 \cdot 1}{10} \\ &= \frac{8+9+8+5}{10} = \frac{30}{10} = 3 \end{aligned}[/math]
3. Calcolo della varianza campionaria:
   Prima calcoliamo [math]\sum (x_i – \bar{x})^2 \cdot f_i[/math]:

   [math]x_i[/math]	[math]f_i[/math]	[math]x_i – \bar{x}[/math]	[math](x_i – \bar{x})^2[/math]	[math](x_i – \bar{x})^2 \cdot f_i[/math]
   2	4	-1	1	4
   3	3	0	0	0
   4	2	+1	1	2
   5	1	+2	4	4

   Somma: [math]4 + 0 + 2 + 4 = 10[/math]
   [math]s^2 = \frac{\sum (x_i – \bar{x})^2 f_i}{n-1} = \frac{10}{9} \approx 1.111[/math]

4. Deviazione standard:
   [math]s = \sqrt{1.111} \approx 1.054[/math]

💡 Osservazioni:

• Quando i dati sono raggruppati per frequenze, ogni scarto quadratico viene moltiplicato per la sua frequenza.
• La media è 3 tablet/giorno, la deviazione standard è circa 1 tablet/giorno: le vendite sono abbastanza stabili.

Domanda di riflessione:
Cosa rappresenta, nel contesto delle vendite, una deviazione standard di circa 1.05 rispetto a una media di 3?

Esercizio 3 – Confronto tra due negozi: media e variabilità

Testo:

Hai due punti vendita (A e B) che vendono lo stesso prodotto.

Vendite giornaliere in una settimana (in pezzi):

Negozi A: 10, 12, 14, 16, 18

Negozio B: 13, 13, 14, 15, 15

Calcola medie e deviazioni standard campionarie. Quale negozio ha vendite più “regolari”? Cosa suggerisce la deviazione standard in termini di gestione delle scorte?

Soluzione:

Negozio A:

Media: [math]\bar{x}_A = \frac{10+12+14+16+18}{5} = 14[/math]

Varianza:
Scarti: [math](-4)^2, (-2)^2, 0^2, 2^2, 4^2 \rightarrow 16, 4, 0, 4, 16[/math]. Somma = 40
[math]s_A^2 = \frac{40}{4} = 10 \rightarrow s_A = \sqrt{10} \approx 3.16[/math]

Negozio B:

Media: [math]\bar{x}_B = \frac{13+13+14+15+15}{5} = 14[/math]

Varianza:
Scarti: [math](-1)^2, (-1)^2, 0^2, 1^2, 1^2 \rightarrow 1, 1, 0, 1, 1[/math]. Somma = 4
[math]s_B^2 = \frac{4}{4} = 1 \rightarrow s_B = \sqrt{1} = 1[/math]

Confronto:

Entrambi hanno media 14 pezzi/giorno, ma:
[math]s_A \approx 3.16[/math] (alta variabilità)
[math]s_B = 1[/math] (bassa variabilità)

Interpretazione:
Il negozio B ha vendite più regolari (deviazione standard bassa), quindi è più facile prevedere le vendite e gestire le scorte senza grandi eccedenze o carenze. Il negozio A ha una variabilità maggiore, quindi potrebbe richiedere un magazzino più capiente o un monitoraggio più frequente.

📊 Osservazioni:

• A parità di media, una deviazione standard minore indica maggiore stabilità.
• Nella previsione delle vendite, una bassa deviazione standard permette di ridurre il “safety stock” (scorta di sicurezza).

Domanda di riflessione:
Se la media delle vendite fosse diversa tra A e B, potresti confrontare direttamente le deviazioni standard per valutare la stabilità relativa? Cosa potresti usare invece?

Esercizio 4 – Effetto di una promozione sulla variabilità

Testo:

Prima di una promozione, le vendite giornaliere di un prodotto (in 6 giorni) erano: 20, 22, 19, 21, 23, 21 pezzi.

Durante la promozione (6 giorni): 30, 28, 35, 25, 32, 30 pezzi.

Calcola media e deviazione standard campionaria per entrambi i periodi.

La promozione ha aumentato solo le vendite medie, o anche la variabilità?

Quali implicazioni per la gestione del magazzino?

Soluzione:

Prima della promozione:

Media: [math]\bar{x}_1 = \frac{20+22+19+21+23+21}{6} = \frac{126}{6} = 21[/math]

Scarti quadratici: [math](-1)^2, 1^2, (-2)^2, 0^2, 2^2, 0^2 \rightarrow 1, 1, 4, 0, 4, 0[/math]. Somma = 10
[math]s_1^2 = \frac{10}{5} = 2 \rightarrow s_1 = \sqrt{2} \approx 1.41[/math]

Durante la promozione:

Media: [math]\bar{x}_2 = \frac{30+28+35+25+32+30}{6} = \frac{180}{6} = 30[/math]

Scarti: [math]0^2, (-2)^2, 5^2, (-5)^2, 2^2, 0^2 \rightarrow 0, 4, 25, 25, 4, 0[/math]. Somma = 58
[math]s_2^2 = \frac{58}{5} = 11.6 \rightarrow s_2 \approx 3.41[/math]

Confronto:

Prima: media 21, [math]s \approx 1.41[/math]
Durante: media 30, [math]s \approx 3.41[/math]
La promozione ha aumentato le vendite medie di 9 unità, ma anche la deviazione standard è più che raddoppiata: la variabilità delle vendite è aumentata.

Implicazioni:
Maggiore variabilità significa maggiore incertezza nella domanda, quindi potrebbe essere necessario aumentare le scorte di sicurezza per evitare rotture di stock.

💡 Osservazioni:

• Un aumento della media non garantisce una riduzione della variabilità.
• Le promozioni possono destabilizzare la domanda, rendendo più difficile la previsione.

Domanda di riflessione:
Come potresti quantificare l’“aumento relativo” della variabilità rispetto all’aumento della media? Quale indice statistico potresti usare?

Perché il coefficiente di variazione è adimensionale? In quali situazioni pratiche è preferibile usarlo invece della deviazione standard assoluta?

Esercizio 6 – Previsione con intervallo [math]\pm 2[/math] deviazioni standard (regola empirica)

Testo:

Le vendite giornaliere di un prodotto negli ultimi 60 giorni hanno una media di 200 pezzi e una deviazione standard campionaria di 25 pezzi.

Se la distribuzione delle vendite è approssimativamente a campana (normale), in quanti giorni ci aspettiamo che le vendite siano state tra 150 e 250 pezzi? (Usa la regola empirica del 68-95-99.7).

Se vogliamo coprire il 95% della domanda con il nostro stock giornaliero, quanti pezzi dovremmo tenere in magazzino all’inizio della giornata?

Quale ipotesi stai facendo sulla distribuzione delle vendite? È sempre realistica?

Soluzione:

Dati:
[math]\bar{x}=200, s=25, n=60[/math] (grande campione).

1. Intervallo 150–250:
   150 = 200 – 2 · 25 (cioè -2 deviazioni standard)
   250 = 200 + 2 · 25 (+2 deviazioni standard)
   Secondo la regola empirica per distribuzioni normali, circa il 95% dei dati cade entro [math]\pm 2[/math] deviazioni standard dalla media.
   Quindi in 60 giorni: [math]60 \times 0.95 = 57[/math] giorni.
2. Stock per coprire il 95% della domanda:
   Per una distribuzione normale, il 95% centrale corrisponde a [math]\pm 1.96[/math] deviazioni standard (ma spesso si arrotonda a 2).
   Stock necessario = media + 2 · deviazione standard = [math]200 + 2 \times 25 = 250[/math] pezzi.
   Così si ha una probabilità molto bassa (2.5% in coda destra) di esaurire le scorte se la domanda è normale.
3. Ipotesi sulla distribuzione:
   Stiamo ipotizzando che la distribuzione delle vendite giornaliere sia normale (a campana).
   Nella realtà, le vendite potrebbero essere asimmetriche (es. molti giorni bassi, pochi picchi alti) o avere code pesanti. In tal caso, la regola empirica e i calcoli basati sulla normalità potrebbero essere inaccurati.

📊 Osservazioni:

• La regola empirica è uno strumento pratico per stimare intervalli di variazione se la distribuzione è normale.
• Nella gestione delle scorte, si usa spesso la formula stock = media + z · s, dove z dipende dal livello di servizio desiderato.

Domanda di riflessione:
Cosa succederebbe all’intervallo di previsione se la deviazione standard aumentasse a 40, a parità di media? Cosa implicherebbe per la gestione del magazzino?

Risposte alle domande di riflessione:

• Es.1: Si divide per [math]n-1[/math] nella varianza campionaria perché si usa come stimatore corretto della varianza della popolazione. Dividendo per [math]n[/math] si otterrebbe una sottostima sistematica (specialmente per piccoli campioni). Si chiama correzione di Bessel.
• Es.2: Una deviazione standard di 1.05 con media 3 significa che circa il 68% dei giorni (se la distribuzione è normale) le vendite sono tra 2 e 4 tablet. Quindi la variabilità è bassa rispetto alla media: vendite stabili.
• Es.3: No, se le medie sono diverse, confrontare le deviazioni standard assolute è fuorviante. Si usa il coefficiente di variazione [math]CV=s/\bar{x}[/math] per confrontare la variabilità relativa.
• Es.4: Potresti calcolare il rapporto [math]s_2^2/s_1^2[/math] per vedere di quanto è aumentata la variabilità assoluta, o confrontare i coefficienti di variazione prima e durante la promozione: [math]CV=s/\bar{x}[/math].
• Es.5: Il coefficiente di variazione è adimensionale perché è il rapporto tra due grandezze con la stessa unità di misura (che si semplificano). È preferibile quando si confrontano gruppi con medie molto diverse (es. prodotti di lusso vs prodotti di massa) o misurate in unità diverse.
• Es.6: Se [math]s[/math] aumenta a 40, l’intervallo [math]\pm 2s[/math] diventa [math]200 \pm 80 \rightarrow [120, 280][/math], molto più ampio. Per coprire il 95% della domanda servirebbero 280 pezzi di stock (invece di 250), quindi maggiore capitale immobilizzato e rischio di invenduto se la domanda è sovrastimata.