Quando i Dati Sono Imperfetti, la Tua Analisi Non Deve Esserlo
I tuoi dati non seguono una curva a campana perfetta. I campioni sono piccoli, magari raccolti da un sondaggio su Instagram o da un primo test utente. L’idea di usare un classico t-test ti preoccupa, perché i suoi presupposti sembrano un dogma invalicabile. E ora?
Questa non è la fine della tua analisi, è l’inizio. Esiste uno strumento robusto, flessibile e sorprendentemente intuitivo, pensato proprio per queste situazioni “imperfette” ma incredibilmente comuni. È il test di Mann-Whitney U, un coltellino svizzero della statistica che non ti chiede di forzare i tuoi dati in stampi innaturali. Invece di medie e varianze, parla il linguaggio dei ranghi, permettendoti di scoprire se due gruppi sono realmente diversi, anche quando i numeri sono pochi e bizzarri.
Attraverso 6 esercizi pratici, passeremo dal mondo dei social media a quello delle smart home, mostrando non solo come si calcola, ma perché è la scelta giusta in contesti reali. 💡
6 Esercizi Svolti sul Test di Mann-Whitney U
Ecco sei esercizi pratici con soluzioni passo-passo per capire a fondo il test.
Esercizio 1: Confrontare il tempo di risposta sui social media (Livello Facile)
Contesto: Come Social Media Manager, vuoi sapere se il tempo di risposta ai commenti è diverso tra Instagram e TikTok. Affrontiamo uno scenario classico: pochi dati, nessuna garanzia di normalità. Qui il Mann-Whitney U brilla.
Il valore critico per n₁=5, n₂=5 e α=0.05 (test a due code) è 2.
Poiché U = 2 ≤ 2 (il nostro valore è uguale o inferiore al valore critico), rifiutiamo l’ipotesi nulla (H₀).
Conclusione: C’è una differenza statisticamente significativa nei tempi di risposta tra le due piattaforme.
Esercizio 2: Valutare l’efficacia di un’app per il fitness (Livello Facile-Medio)
Contesto: Come Product Manager, stai valutando se una nuova versione “premium” di un’app di fitness porta a bruciare più calorie rispetto alla versione “base”.
Poiché U = 12 > 2, non rifiutiamo l’ipotesi nulla (H₀).
Conclusione: Non c’è una differenza statisticamente significativa tra la versione base e quella premium.
Esercizio 3: Analisi di recensioni su e-commerce (Livello Medio)
Contesto: Come E-commerce Analyst, devi capire se i prodotti “eco-friendly” ricevono valutazioni (da 1 a 5 stelle) diverse da quelli tradizionali. I dati sono ordinali, quindi il Mann-Whitney è la scelta ideale.
Il valore critico per n₁=6, n₂=6 e α=0.05 (due code) è 5.
Poiché U = 2 < 5, rifiutiamo l’ipotesi nulla (H₀).
Conclusione: I consumi energetici sono significativamente diversi; le case con AI consumano di meno.
Esercizio 5: Confronti in telemedicina (Livello Medio-Difficile)
Contesto: Come Analista Sanitario, vuoi testare l’ipotesi specifica che i tempi di attesa in telemedicina siano inferiori per i pazienti urbani rispetto a quelli rurali. Questa è un’ipotesi direzionale.
Il valore critico per n₁=7, n₂=7 e α=0.05 (test unilaterale) è 11.
Poiché U = 0 < 11, rifiutiamo l’ipotesi nulla (H₀).
Conclusione: I tempi di attesa per i pazienti urbani sono significativamente inferiori a quelli dei pazienti rurali.
Esercizio 6: Impatto ambientale di veicoli (Livello Difficile)
Contesto: Come Analista Ambientale, confronti le emissioni di CO₂ (g/km) tra veicoli elettrici e ibridi. Con campioni un po’ più grandi, possiamo introdurre l’approssimazione a Z.
Per α=0.05 (due code), il valore critico di Z è ±1.96.
Poiché [math]|Z| = 3.24 > 1.96[/math], rifiutiamo l’ipotesi nulla (H₀).
Conclusione: Le emissioni dei veicoli elettrici sono significativamente inferiori a quelle dei veicoli ibridi.
Risorse Pratiche: Codice e Strumenti Utili 💻
Calcolare il test a mano è fondamentale per capirne la logica, ma nella pratica quotidiana userai quasi sempre un software statistico. Ecco come eseguire il test in Python :
Snippet di Codice in Python
In Python, la libreria più comune per le operazioni statistiche è SciPy. La funzione da usare è scipy.stats.mannwhitneyu.
Prendiamo i dati dell’Esercizio 1 (Social Media):
Instagram: [45, 60, 32, 55, 48]
TikTok: [28, 35, 40, 22, 30]
Python
# Importa la funzione necessaria dalla libreria SciPy
from scipy.stats import mannwhitneyu
Definisci i dati dei due campioni
instagram_tempi = [45, 60, 32, 55, 48]
tiktok_tempi = [28, 35, 40, 22, 30]
Esegui il test di Mann-Whitney U (bilaterale di default)
statistica_u, p_value = mannwhitneyu(instagram_tempi, tiktok_tempi, alternative='two-sided')
print(f"Statistica U: {statistica_u}")
print(f"P-value: {p_value}")
Interpreta il risultato in base al livello di significatività (alpha)
alpha = 0.05
if p_value < alpha:
print("Poiché il p-value è minore di alpha, rifiutiamo l'ipotesi nulla: c'è una differenza significativa.")
else:
print("Poiché il p-value non è minore di alpha, non possiamo rifiutare l'ipotesi nulla.")
Output Atteso:
Statistica U: 2.0
P-value: 0.027773229878200878
Poiché il p-value è minore di alpha, rifiutiamo l'ipotesi nulla: c'è una differenza significativa.
Nota: Il valore statistica_u (2.0) corrisponde esattamente a quello che abbiamo calcolato a mano. Il p-value (≈0.028) è inferiore al nostro α di 0.05, confermando la decisione di rifiutare H₀.
Tabella completa per test a due code, con valori critici per n₁ e n₂ da 3 a 20 e α = 0.05, 0.02, 0.01.
Include anche una sezione per test unilaterale. È una risorsa chiara e compatta, ideale per gli esercizi dell’articolo (es. n=5-7).
Perché Questi Esercizi Sono Importanti:
Esercizio 1 (Social Media): È l’entry-level perfetto. Mostra come, anche con pochi dati raccolti in un pomeriggio, si possa trarre una conclusione statistica valida senza complicazioni.
Esercizio 2 (Fitness App): Insegna una lezione di umiltà statistica. Il risultato non è significativo, ricordandoci che una differenza apparente non è sempre una differenza reale. Fondamentale nell’A/B testing.
Esercizio 3 (E-commerce): Introduce due sfide comuni: dati ordinali (le stelle) e valori uguali (ties). Mostra come il test si adatti elegantemente a dati non numerici, un caso d’uso frequentissimo.
Esercizio 4 (Smart Home): Sottolinea l’importanza del disegno sperimentale. La nota sul test di Wilcoxon per dati appaiati (es. stesse case prima e dopo) chiarisce che la scelta del test dipende da come sono stati raccolti i dati, non solo dalla loro natura.
Esercizio 5 (Telemedicina): Illustra la potenza del test unilaterale. Quando si ha un’ipotesi direzionale (“inferiore a” o “superiore a”), questo test è più potente e specifico. Il risultato estremo (U=0) lo rende un esempio chiarissimo.
Esercizio 6 (Veicoli): Fa da ponte verso l’analisi statistica su larga scala. Introduce l’approssimazione a Z, che è la logica usata da tutti i software statistici per calcolare il p-value con campioni più grandi. Stimola anche una riflessione più profonda: ci interessa solo la mediana (Mann-Whitney) o l’intera forma della distribuzione (Kolmogorov-Smirnov)?
