Come Calcolare e Confrontare gli Intervalli di Confidenza: Guida Pratica con Wilson e Plus-Four (Test Z)

Siamo onesti: quando scegliamo un ristorante o un hotel, la prima cosa che guardiamo sono le stelline.

Ma un locale con 10 recensioni tutte a 5 stelle è davvero migliore di uno con 300 recensioni e una media di 4.5? Il nostro cervello ci spinge verso il punteggio perfetto, ma la statistica la pensa diversamente.
In questo articolo smontiamo l’illusione delle recensioni perfette.

Vedremo come strumenti robusti come l’Intervallo di Wilson e la correzione “Plus-Four” ci permettono di stimare la vera qualità di un servizio, anche quando i dati scarseggiano. E se due hotel se la giocano sul filo del rasoio, useremo il Test Z per capire se uno è davvero superiore all’altro o se è solo questione di fortuna.

Pronti a fare i conti?

Esercizio 1: Il ristorante e il “plus-four”

Livello: Medio-Difficile

Un ristorante ha raccolto 15 recensioni su un portale: 10 sono positive (4 o 5 stelle) e 5 negative. Il proprietario vuole stimare la proporzione di recensioni positive.

1. Calcola l’intervallo di Wilson standard al 95%.
2. Applica la correzione “plus-four” di Wilson (aggiungi 2 successi e 2 insuccessi) e ricalcola.
3. Confronta i risultati e spiega quando è consigliabile usare plus-four.

---

Risoluzione

Step 1: Wilson standard

[math]\displaystyle \begin{aligned}
x &= 10, \quad n = 15 \\
\hat{p} &= \frac{10}{15} \approx 0,667 \\
z &= 1,96 \\
\frac{z^2}{n} &= \frac{3,8416}{15} = 0,2561 \\
1 + \frac{z^2}{n} &= 1,2561 \\
\frac{z^2}{2n} &= \frac{3,8416}{30} = 0,12805 \\
\hat{p} + \frac{z^2}{2n} &= 0,667 + 0,12805 = 0,79505 \\
\end{aligned}[/math]

Calcolo del termine sotto radice:

[math]\displaystyle \begin{aligned}
\text{Calcolo } \hat{p}(1-\hat{p}) &= 0,667 \cdot 0,333 = 0,222 \\
\frac{0,222}{15} &= 0,0148 \\
\frac{3,8416}{4 \cdot 15^2} &= \frac{3,8416}{900} = 0,004268 \\
\sqrt{0,0148 + 0,004268} &= \sqrt{0,019068} = 0,1381 \\
\end{aligned}[/math]

Calcolo del Margine di Errore (ME) e dell’Intervallo di Confidenza (IC):

[math]\displaystyle \begin{aligned}
ME &= 1,96 \cdot 0,1381 = 0,2707 \\
IC &= \frac{1}{1,2561} \cdot (0,79505 \pm 0,2707) \\
&{} \quad = 0,7961 \cdot (0,52435 \ ; \ 1,06575) \\
\end{aligned}[/math]

Il limite superiore supera 1? Attenzione: [math]0,79505 + 0,2707 = 1,06575[/math]. Moltiplicato per [math]0,7961[/math] dà 0,848.

Il calcolo corretto è:

[math]\displaystyle \begin{aligned}
L_{lower} &= \frac{0,52435}{1,2561} = 0,417 \\
L_{upper} &= \frac{1,06575}{1,2561} = 0,848 \\
IC_{standard} &= (0,417 \ ; \ 0,848) \\
\end{aligned}[/math]

Step 2: Plus-four correction 💡

Che cos’è la Correzione Plus-Four?

La correzione plus-four è una variante dell’intervallo di confidenza di Agresti-Coull. Nasce per risolvere un problema comune della statistica classica: quando il numero di osservazioni è basso (es. meno di 30-40) o la proporzione è molto vicina a 0 o 1, i metodi standard tendono a essere imprecisi.

Come si applica?

Il nome deriva dalla procedura pratica: si “immagina” di aver effettuato 4 osservazioni supplementari, di cui 2 sono successi e 2 sono insuccessi.

[math]\displaystyle \begin{aligned}
\text{Nuovo numero di successi} &: \tilde{x} = x + 2 \\
\text{Nuova dimensione del campione} &: \tilde{n} = n + 4 \\
\text{Nuova proporzione stimata} &: \tilde{p} = \frac{x + 2}{n + 4} \\
\end{aligned}[/math]

Perché si usa? (L’intuizione statistica)

In statistica, questo approccio è noto come “contrazione verso la media” (shrinkage). Ecco i vantaggi principali:

• Evita i limiti estremi: Se hai 5 recensioni positive su 5, il metodo standard direbbe che il 100% delle persone ti amerà. La correzione plus-four trasforma il dato in [math]7/9 \approx 77\%[/math], una stima più cauta.
• Stabilità del Margine di Errore: Stabilizza la varianza aggiungendo dati “fittizi”.
• Copertura Reale: Più vicino al 95% dichiarato rispetto al metodo di Wald.

Quando è raccomandato?

• Il campione [math]n[/math] è piccolo (tipicamente [math]n < 40[/math]).
• Vuoi un calcolo manuale veloce ma accurato.
• Il livello di confidenza è il 95%.

Curiosità matematica: Il numero “4” deriva dal fatto che [math]z^2[/math] per il 95% è [math]1,96^2 \approx 3,84[/math], arrotondato a 4 per semplicità.

Step 2 Alternativo: Metodo Plus-Four “Puro” (Formula di Wald)

Dati corretti:

[math]\displaystyle \begin{aligned}
\tilde{n} &= 15 + 4 = 19 \\
\tilde{x} &= 10 + 2 = 12 \\
\tilde{p} &= \frac{12}{19} \approx 0,632 \\
\end{aligned}[/math]

Applicazione della formula di Wald:

[math]\displaystyle \begin{aligned}
IC &= \tilde{p} \pm z \cdot \sqrt{\frac{\tilde{p}(1 – \tilde{p})}{\tilde{n}}} \\
IC &= 0,632 \pm 1,96 \cdot \sqrt{\frac{0,632 \cdot 0,368}{19}} \\
\end{aligned}[/math]

Svolgimento dei calcoli:

[math]\displaystyle \begin{aligned}
\text{Varianza stimata} &: 0,632 \cdot 0,368 = 0,2326 \\
\text{Errore Standard} &: \sqrt{\frac{0,2326}{19}} \approx 0,1106 \\
\text{Margine di Errore (ME)} &: 1,96 \cdot 0,1106 \approx 0,2168 \\
\end{aligned}[/math]

Risultato Finale:

[math]\displaystyle IC_{plus-four} = (0,415 \ ; \ 0,849)[/math]

Conclusione: Questo intervallo è estremamente vicino a quello di Wilson, ma molto più semplice da calcolare.

---

Step 3: Confronto Finale dei Risultati

Metodo di Calcolo	Intervallo di Confidenza (95%)	Caratteristiche
Wilson Standard	[math](0,417 \ ; \ 0,848)[/math]	Il più accurato, ma complesso.
Wilson + Plus-Four	[math](0,411 \ ; \ 0,809)[/math]	Approccio ridondante.
Wald + Plus-Four (“Puro”)	[math](0,415 \ ; \ 0,849)[/math]	Il miglior compromesso.

Tabella Comparativa Parametri

Parametro	Wilson Standard	Plus-Four Correction
Successi ([math]x[/math])	10	12 (aggiunti 2)
Campione ([math]n[/math])	15	19 (aggiunti 4)
Proporzione ([math]\hat{p}[/math])	[math]\approx 0,667[/math]	[math]\approx 0,632[/math]

Conclusione: L’approccio plus-four agisce come una regolarizzazione, “tirando” la proporzione verso lo 0,5 e stabilizzando l’intervallo per piccoli campioni ([math]n < 40[/math]).

Il Test Z per il Confronto tra due Proporzioni

Per determinare con certezza se la differenza tra l’Hotel A e l’Hotel B è significativa, non basta guardare la sovrapposizione degli intervalli.

Dobbiamo calcolare la statistica [math]Z[/math] basata sulla proporzione combinata ([math]\hat{p}_c[/math]).

Calcolo della Proporzione Combinata ([math]\hat{p}_c[/math])

Immaginiamo che i due hotel facciano parte di un unico grande campione:

[math]\displaystyle \begin{aligned}
\hat{p}_c &= \frac{x_A + x_B}{n_A + n_B} \\
\hat{p}_c &= \frac{230 + 180}{280 + 210} = \frac{410}{490} \approx 0,8367 \\
\end{aligned}[/math]

Calcolo dell’Errore Standard della Differenza ([math]SE_{diff}[/math])

Questo valore rappresenta la variabilità attesa della differenza tra le due proporzioni:

[math]\displaystyle \begin{aligned}
SE_{diff} &= \sqrt{\hat{p}_c \cdot (1 – \hat{p}_c) \cdot \left( \frac{1}{n_A} + \frac{1}{n_B} \right)} \\
SE_{diff} &= \sqrt{0,8367 \cdot 0,1633 \cdot \left( \frac{1}{280} + \frac{1}{210} \right)} \\
SE_{diff} &= \sqrt{0,1366 \cdot (0,00357 + 0,00476)} \\
SE_{diff} &= \sqrt{0,1366 \cdot 0,00833} \approx 0,0337 \\
\end{aligned}[/math]

Calcolo del punteggio [math]Z[/math]

Ora misuriamo quanto è distante la differenza osservata ([math]\hat{p}_B – \hat{p}_A[/math]) dallo zero, in unità di errore standard:

[math]\displaystyle \begin{aligned}
Z &= \frac{\hat{p}_B – \hat{p}_A}{SE_{diff}} \\
Z &= \frac{0,857 – 0,821}{0,0337} = \frac{0,036}{0,0337} \approx 1,068 \\
\end{aligned}[/math]

Interpretazione dei Risultati

Per una confidenza del 95% (test a due code), il valore critico di [math]Z[/math] è 1,96.

• Valore calcolato: [math]Z \approx 1,07[/math]
• Valore critico: [math]Z = 1,96[/math]

Poiché [math]1,07 < 1,96[/math], falliamo nel rifiutare l’ipotesi nulla. La differenza di prestazioni tra i due hotel non è statisticamente significativa. L’Hotel B ha una percentuale più alta nel campione, ma tale distacco potrebbe essere dovuto esclusivamente al caso (fluttuazione campionaria).

In sintesi: Nonostante l’Hotel B sembri migliore “a occhio”, i dati attuali non permettono di dichiarare un vincitore certo.