Come calcolare l'intervallo di confidenza: la formula è CI = x̄ ± z·(σ/√n) per grandi campioni (n ≥ 30) con distribuzione normale, oppure CI = x̄ ± t·(s/√n) per piccoli campioni con distribuzione t di Student. Per il livello di confidenza standard al 95% si usa z = 1,96 (normale) o t da tabella con df = n-1. L'intervallo rappresenta l'intervallo plausibile per la vera media della popolazione data la stima ottenuta dal campione.

Formula e parametri

L'intervallo di confidenza (Confidence Interval, CI) quantifica l'incertezza statistica di una stima puntuale. La media campionaria x̄ è circondata da un margine di errore ME = z·(σ/√n), dove σ/√n è l'errore standard della media (Standard Error of the Mean, SEM). Il valore critico z dipende dal livello di confidenza scelto (1-α): per α=0,05 (95% CI) z=1,96; per α=0,01 (99% CI) z=2,576; per α=0,10 (90% CI) z=1,645. Quando la varianza della popolazione σ² è ignota e il campione è piccolo (n<30), si sostituisce σ con la deviazione standard campionaria s e z con t di Student a n-1 gradi di libertà.

Storia e contesto scientifico

Jerzy Neyman introdusse formalmente il concetto di intervallo di confidenza nel 1937, distinguendolo dall'inferenza bayesiana. La distribuzione t di Student fu scoperta da William Sealy Gosset nel 1908 (pubblicata sotto pseudonimo "Student" perché Guinness, il suo datore di lavoro, gli proibiva di pubblicare). Ronald Fisher formalizzò il framework dei gradi di libertà negli anni '20. L'ASA (American Statistical Association) ha pubblicato nel 2016 un'importante dichiarazione contro l'uso meccanico di p<0,05, raccomandando di riportare gli intervalli di confidenza accanto ai valori p per una migliore comunicazione dell'incertezza nei risultati statistici.

Tabella dei valori critici z e t

• 90% CI: z = 1,6449 (normale); t (df=10) = 1,8125; t (df=30) = 1,6973
• 95% CI: z = 1,9600; t (df=10) = 2,2281; t (df=30) = 2,0423; t (df=∞) = 1,9600
• 99% CI: z = 2,5758; t (df=10) = 3,1693; t (df=30) = 2,7500
• 99,9% CI: z = 3,2905; t (df=10) = 4,5869
• Soglia di transizione: per n ≥ 30 t e z differiscono di meno del 5%, si può usare z senza grande errore
• Effetto della dimensione: raddoppiare n riduce SEM di √2 ≈ 1,41× (non di 2)

Esempi numerici dettagliati

Esempio 1 — IQ con n=25. Media x̄ = 100, sd s = 15, n = 25, livello 95%, distribuzione t (n<30). df = 24, t = 2,0639. SEM = 15/√25 = 3. ME = 2,0639·3 = 6,19. CI 95% = [100 - 6,19; 100 + 6,19] = [93,81; 106,19]. Interpretazione: con il 95% di confidenza la vera media IQ della popolazione è tra 93,81 e 106,19.

Esempio 2 — sondaggio elettorale n=1000. Proporzione p̂ = 0,52 (52% favorevoli). SEM_p = √(p̂·(1-p̂)/n) = √(0,52·0,48/1000) = 0,0158. ME al 95% = 1,96·0,0158 = 0,031 = 3,1%. CI = [48,9%; 55,1%]. Risultato statisticamente significativo (esclude 50%, soglia di pareggio).

Esempio 3 — controllo qualità n=36. Diametro medio rilevato 10,02 mm, σ noto da specifica = 0,05 mm, n = 36, 99% CI con normale. SEM = 0,05/√36 = 0,00833. ME = 2,576·0,00833 = 0,0215. CI = [9,9985; 10,0415] mm. Tolleranza specifica ±0,02 mm parzialmente eccede il limite superiore; rivedere il processo produttivo.

Esempio 4 — statura n=100. Media x̄ = 170 cm, s = 8 cm, n = 100, 95%. n>30 → uso normale. SEM = 8/10 = 0,8. ME = 1,96·0,8 = 1,57. CI = [168,43; 171,57]. Stretto perché n è grande.

Esempio 5 — esperimento clinico n=12. Riduzione media pressione sistolica 12 mmHg, s = 6 mmHg, n=12 pazienti, 95% CI con t. df = 11, t = 2,2010. SEM = 6/√12 = 1,732. ME = 2,2010·1,732 = 3,81. CI = [8,19; 15,81] mmHg. La riduzione è significativa (intervallo non include 0).

Limiti del modello e assunzioni

1. Il campione deve essere casuale e indipendente: campionamento sistematico o per cluster richiede formule corrette.
2. Per n piccolo (n<30) la popolazione deve essere normale o approssimativamente tale; verificare con Q-Q plot o test di Shapiro-Wilk.
3. Per popolazioni asimmetriche, considerare la mediana e bootstrap intervals.
4. Il CI è una proprietà del metodo, non della singola stima: il 95% si riferisce alla frequenza con cui CI ottenuti da molti campioni includono il vero parametro.
5. NON corretto interpretare un CI 95% come "c'è il 95% di probabilità che il vero valore sia nell'intervallo" (interpretazione bayesiana).
6. Per outlier estremi, considerare metodi robusti (mediana, intervalli trimmed).
7. In caso di dipendenze temporali o spaziali, l'errore standard è sottostimato (autocorrelazione).
8. Per piccoli campioni (n<10) il CI è instabile; aumentare n se possibile.

Applicazioni pratiche

1. Sondaggi e indagini: errore di campionamento (es. ±3% per n=1000).
2. Studi clinici: efficacia farmaci, riduzione pressione, glicemia (CI sulla differenza media tra trattato e placebo).
3. Controllo qualità: ISO 5725, conformità di medie produttive a specifiche.
4. Marketing: conversion rate, ROI, AB testing.
5. Finanza: VaR (Value at Risk), CI su rendimenti medi.
6. Psicologia/sociologia: test psicometrici, scale Likert, ricerche sociali ISTAT.
7. Agronomia: rese medie per ettaro, esperimenti su parcelle.
8. Chimica analitica: misure di laboratorio, calibrazione strumenti, ISO/IEC 17025.
9. Sport scienza: prestazioni medie, comparazione gruppi.
10. Politica: exit poll, intenzioni di voto, sondaggi pre-elettorali.

Errori comuni

1. Usare z invece di t per piccoli campioni (sottostima del CI).
2. Confondere SEM (s/√n) con deviazione standard s.
3. Riportare un CI senza il livello (95%? 99%?).
4. Calcolare CI su dati non normali senza verifica.
5. Interpretare 95% CI come "il vero valore è dentro con 95% probabilità".
6. Sovrastimare significatività con campioni dipendenti.
7. Ignorare outlier che gonfiano s.
8. Confondere CI sulla media con CI di predizione (più ampio).

Per supporto

Per domande tecniche o segnalazioni: info@calcoi.com. Strumento didattico per il calcolo dell'intervallo di confidenza. Per analisi statistiche professionali consultare un biostatistico secondo le linee guida ISTAT, ISO 5725 o ISO/IEC 17025.

Aggiornato a luglio 2026