Se hai mai provato ad aprire un software di analisi dati, ti sarai imbattuto in quella misteriosa sigla: df (dall’inglese degrees of freedom) o gdl (Gradi di Libertà). Spesso i manuali liquidano il concetto con una formuletta preconfezionata, come il classico n – 1. Ma cosa significa davvero?
I gradi di libertà sono la valuta energetica della statistica. Rappresentano il potere informativo che hai a disposizione e che spendi ogni volta che cerchi di estrarre un senso dal caos dei numeri. In questo articolo faremo un viaggio logico e geometrico per capire da dove nascono, come funzionano e perché sono la chiave per non farsi ingannare dai test statistici e dai modelli predittivi.
1. L’Origine: Dalla fisica allo spazio dei dati
Il concetto di “grado di libertà” nasce nella fisica e nella meccanica classica per descrivere il numero di movimenti indipendenti che un oggetto può compiere nello spazio.
- Un treno sui binari può muoversi solo in avanti o all’indietro: ha 1 grado di libertà.
- Una nave che naviga sulla superficie del mare ha 2 gradi di libertà (avanti/indietro, destra/sinistra).
- Un drone che vola nel cielo ha 3 gradi di libertà di movimento nello spazio tridimensionale.
Tra la fine dell’Ottocento e l’inizio del Novecento, i padri della statistica moderna compresero che i dati si comportano esattamente come lo spazio fisico.
Immagina di raccogliere le misurazioni di un campione di 10 persone. In quel momento iniziale, stai creando uno “spazio matematico” a 10 dimensioni. Ogni persona è un’informazione unica, indipendente e libera di fluttuare come vuole. All’inizio del tuo studio, il tuo dataset ha esattamente 10 gradi di libertà.
2. Il Vincolo: Come si “spendono” i gradi di libertà?
I problemi (e i calcoli) iniziano quando decidi di fare qualcosa con questi dati. Ogni volta che calcoli una statistica o imponi una regola matematica, stai introducendo un vincolo geometrico che blocca una dimensione.
Vediamolo con un esempio numerico immediato. Ti chiedo di scegliere 3 numeri a caso:
- Scegli il primo: 15. (Sei totalmente libero)
- Scegli il secondo: 5. (Sei totalmente libero)
- Scegli il terzo: 100. (Sei totalmente libero)
In questo caso, hai usato 3 gradi di libertà. I numeri potevano essere qualunque cosa nell’universo.
Ora cambiamo le regole. Ti chiedo di scegliere 3 numeri, ma ti impongo un vincolo rigido: la loro media deve essere obbligatoriamente 10. Se la media deve essere 10, significa che la loro somma totale deve fare esattamente 30 .
- Scegli il primo numero: 12. (Sei libero)
- Scegli il secondo numero: 14. (Sei libero)
- Ora devi scegliere il terzo numero. Puoi scegliere quello che vuoi? Assolutamente no.
Affinché la somma sia 30, il terzo numero è matematicamente bloccato. Deve essere per forza 4 (30 – 12 – 14).
Avevi 3 elementi grezzi n = 3, ma poiché hai dovuto calcolare e fissare un parametro (la media), hai perso 1 grado di libertà. Te ne sono rimasti solo 3 – 1 = 2.
La legge fondamentale: Ogni volta che calcoli un parametro dai tuoi dati (come una media) per usarlo nei calcoli successivi, “spendi” un grado di libertà. La formula diventa df = n – k dove n è la dimensione del campione e k è il numero di parametri stimati.
3. Perché la Varianza ha bisogno dei Gradi di Libertà?
Questo meccanismo spiega uno dei più grandi dubbi di chi studia statistica: perché nella formula della varianza campionaria si divide per n-1 e non per n?
La varianza misura quanto i dati oscillano attorno alla media. Per calcolarla, prendiamo ogni dato, calcoliamo la sua distanza dalla media del campione e la eleviamo al quadrato.
Se dividessimo per n, commetteremmo un errore. La media del nostro piccolo campione non è la media perfetta di tutta la popolazione mondiale; è solo una stima. I dati del nostro campione tenderanno a essere artificialmente più vicini alla loro media rispetto a quella reale dell’intera popolazione. Dividere per n ci darebbe una varianza troppo piccola e ottimistica.
Dividendo per i reali gradi di libertà rimasti n-1, che è un numero leggermente più piccolo, correggiamo matematicamente questa distorsione. Stiamo dicendo al calcolo: “Attenzione, non hai più n informazioni indipendenti per misurare il rumore, perché una l’hai già spesa per fissare la media!”
4. Il ruolo dei Gradi di Libertà nei Test Statistici (Z, T, P-value)
Quando eseguiamo un test (come il T di Student per confrontare due medie), il software calcola un punteggio finale, ad esempio un valore T = 2.5. Questo numero esprime un concetto semplice: indica quante volte il segnale che hai trovato è più grande del rumore casuale di fondo.
Ma un valore di 2.5 è eccezionale o del tutto normale? Dipende interamente dai tuoi gradi di libertà, perché la statistica non usa una sola curva per giudicare il caso, ma adatta la severità del giudizio in base alle tue risorse.
- Bassi Gradi di Libertà (Campione piccolo, es. df = 2): Se hai pochissimi dati, il caso può facilmente fare cose bizzarre ed estreme (pensa a quante volte capita di fare “testa” tre volte di fila lanciando una moneta). La curva di probabilità teorica del caso ha code molto alte e spesse. In questa situazione, un punteggio di T = 2.5 capita spesso per puro caso. Il P-value sarà alto (es. 13%): c’è troppa incertezza e il risultato non è significativo.
- Alti Gradi di Libertà (Campione grande, es. df = 99): Se lanci una moneta 100 volte, è quasi impossibile fare 100 volte testa. Il caso è costretto a essere stabile. La curva si stringe e le sue code diventano sottilissime. Su questa curva, lo stesso identico punteggio di T = 2.5 diventa un evento straordinariamente raro. Il P-value crolla (es. 1.4%): l’incertezza si azzera e il risultato è altamente significativo.
Gradi di libertà ALTI = Grande quantità di informazioni indipendenti = Bassa incertezza sul verdetto.
5. La Geometria della Regressione: Cosa succede quando mancano i dati?
Il legame profondo tra spazio geometrico e gradi di libertà emerge in modo cristallino nella regressione lineare, dove cerchiamo di prevedere un target (Y) usando diverse caratteristiche (features, X).
Immagina di voler prevedere il Fatturato usando 3 features: Spesa in Marketing, Numero di Dipendenti e Anni di attività. Per farlo, l’algoritmo deve calcolare 4 parametri: i pesi delle 3 features più l’intercetta fissa (il punto di partenza). I tuoi gradi di libertà per valutare l’errore saranno df = n – 4.
Vediamo cosa succede geometricamente al variare del campione (n):
Scenario A: Campione inferiore alle Features (n = 2) aziende)
I tuoi gradi di libertà sono negativi: 2 – 4 = -2. Matematicamente hai più incognite da calcolare che dati a disposizione. Dal punto di vista geometrico, è come cercare di bloccare un foglio nello spazio tridimensionale usando solo due punti fluttuanti: il foglio può ruotare all’infinito su quell’asse. Una dimensione rimane del tutto indeterminata. Il computer va in blocco (divisione per zero) e il calcolo fallisce.
Scenario B: Campione uguale alle Features (n = 4 aziende)
I tuoi gradi di libertà sono pari a zero: 4 – 4 = 0. Il modello usa fino all’ultima informazione disponibile per incastrare il piano di previsione millimetricamente tra i 4 punti. L’errore sarà esattamente pari a zero e la precisione sarà del 100%. È un’illusione ottica pericolosa chiamata overfitting totale. Il modello ha solo imparato a memoria i dati. Avendo esaurito i gradi di libertà, il software non può calcolare alcun p-value: non hai modo di sapere se le tue features sono utili o se è solo un incastro casuale.
6. Il collasso geometrico: La Multicollinearità
Cosa succede se hai tantissimi dati (es. n = 1000 aziende), ma due delle tue features dicono la stessa identica cosa? Ad esempio, cerchi di prevedere il Fatturato usando sia il Numero di Dipendenti (X_{1}) che il Numero di Scrivanie in ufficio (X_{2}), sapendo che per politica aziendale ogni dipendente ha esattamente una scrivania.
Qui entriamo nel territorio della multicollinearità, che è a tutti gli effetti un problema di mancanza di varianza indipendente (o varianza corretta).
Per tracciare un piano predittivo stabile in 3D, l’algoritmo ha bisogno che i dati si muovano in modo diffuso sul pavimento formato da X_{1} e X_{2}. Ha bisogno di vedere cosa succede quando aumentano i dipendenti ma le scrivanie restano ferme. Questa è la varianza corretta: una nuvola di dati larga che fa da base solida al modello.
SITUAZIONE NORMALE (Varianza diffusa) MULTICOLLINEARITÀ (Mancanza di varianza)
X2 X2
| . : . | / (I dati crollano
| . * . | / su una linea)
| : . | /
+------------ X1 +------------ X1
(Base solida, piano stabile) (Base a nastro, piano instabile)Se le due variabili sono perfettamente collegate, sul pavimento dello spazio 3D i tuoi dati perdono la loro larghezza e si schiacciano su una singola linea diagonale. La varianza laterale diventa zero.
Salendo nello spazio tridimensionale verso il Target (Y), i tuoi punti non formeranno una nuvola, ma si disporranno come una fune tesa nel vuoto.
- Se la multicollinearità è perfetta al 100% (Spessore = Zero), il computer si trova a dover dividere per l’area della base (che è zero). Il sistema va in arresto cardiaco matematico perché esistono infiniti piani perfetti che possono ruotare usando quella fune come perno.
- Se nella realtà c’è un minimo di spessore (es. un’azienda ha una scrivania vuota), il nastro sul pavimento è largo appena
0.00001. Il computer evita la divisione per zero e calcola un piano, ma quel piano sarà incredibilmente instabile ed oscillerà al minimo refolo di vento. L’errore standard esploderà e i tuoi p-value diventeranno altissimi e inutilizzabili.
Conclusione
I gradi di libertà non sono un semplice conteggio burocratico dei dati. Sono il guardiano della robustezza statistica. Ci ricordano che per scoprire relazioni complesse (molte features) o per essere sicuri dei nostri risultati (p-value bassi), dobbiamo offrire alla matematica una quantità adeguata di informazioni indipendenti e varianza ben distribuita. Solo così i nostri modelli geometrici poggeranno su basi solide, resistendo al rumore del caso.