Intervallo di confidenza: cos’è, formula e come si interpreta

Un responsabile marketing guarda una slide: “il tasso di conversione è salito al 5%”. Il numero sembra incoraggiante, ma la domanda vera arriva subito dopo: quanto possiamo fidarci di questa stima? Se quel valore guida un investimento, una campagna o una modifica di prodotto, il numero da solo non basta. Serve sapere quanto è solido — ed è esattamente ciò che l’intervallo di confidenza misura.

In questa guida vediamo cos’è un intervallo di confidenza, come si calcola e come si interpreta senza cadere nell’errore più comune. E poi il passaggio che nei manuali di statistica manca quasi sempre: come comunicarlo in un report o in una dashboard a chi non fa statistica di mestiere.

Cos’è l’intervallo di confidenza: definizione

L’intervallo di confidenza è l’insieme di valori entro cui, con un livello di fiducia prestabilito (di solito il 95%), si stima che si trovi il valore vero di una popolazione a partire dai dati di un campione. Invece di un singolo numero — la stima puntuale — restituisce una forbice: “il tasso di conversione è tra il 2,9% e il 7,1%”.

La logica è questa: ogni volta che misuriamo qualcosa su un campione (utenti, clienti, visite) e non sull’intera popolazione, la stima porta con sé un’incertezza. L’intervallo di confidenza rende visibile quell’incertezza invece di nasconderla dietro un numero secco.

Come si interpreta (e l’errore che fanno quasi tutti)

La lettura intuitiva — “c’è il 95% di probabilità che il valore vero sia in questo intervallo” — è sbagliata, anche se si sente in molte riunioni. Il valore vero della popolazione è fisso: non ha probabilità di stare da una parte o dall’altra. Ciò che varia da campione a campione è l’intervallo.

L’interpretazione corretta: se ripetessimo la misurazione molte volte con lo stesso metodo, il 95% degli intervalli costruiti così conterrebbe il valore vero. Il 95% è la percentuale di successo del metodo, non del singolo risultato.

Come dirlo in riunione senza perdere la sala: “con questo metodo, 19 volte su 20 la forbice cattura il valore reale”. È rigorosa e si capisce.

Quando serve (e a cosa) l’intervallo di confidenza

La regola è semplice: ogni volta che un numero arriva da un campione e non dall’intera popolazione, accanto a quel numero dovrebbe esserci un intervallo di confidenza. Nella pratica aziendale i casi ricorrenti sono quattro.

Il primo sono le ricerche e i sondaggi: soddisfazione dei clienti, NPS, quote di mercato. Un “72% di soddisfatti” misurato su duecento persone è una stima, non un fatto, e la forbice dice quanto è affidabile. Il secondo sono i KPI stimati su un sottoinsieme: un tasso di conversione, un tempo medio di gestione, un ticket medio calcolati su un periodo o un segmento. Il terzo sono i test: A/B test su landing, email o prezzi, dove l’intervallo serve a capire se una differenza è reale o è rumore. Il quarto sono le previsioni, dove l’intervallo diventa una banda che accompagna la stima e comunica onestamente quanto il futuro sia incerto.

Al contrario, l’intervallo di confidenza non serve quando hai il dato dell’intera popolazione — se conti tutte le vendite di dicembre, quel totale è esatto, non stimato. Distinguere i due casi evita sia di nascondere l’incertezza dove c’è, sia di inventarla dove non serve.

La formula dell’intervallo di confidenza

Per la media di un campione la formula è:

IC = x̄ ± z × (σ / √n)

• x̄ è la media campionaria (la stima puntuale);
• z è il valore critico legato al livello di confidenza: 1,645 per il 90%, 1,96 per il 95%, 2,576 per il 99%;
• σ è la deviazione standard;
• n è la dimensione del campione.

Il termine z × (σ / √n) è il margine di errore: la semiampiezza della forbice.

Esempio numerico: il tasso di conversione

Un e-commerce misura un tasso di conversione del 5% su 400 utenti. L’intervallo di confidenza al 95% per una proporzione si calcola con p̂ ± 1,96 × √(p̂(1−p̂)/n):

5% ± 1,96 × √(0,05 × 0,95 / 400) = 5% ± 2,1 punti → tra 2,9% e 7,1%.

La stessa misura su 10.000 utenti: 5% ± 0,4 punti → tra 4,6% e 5,4%. Stesso valore centrale, decisioni molto diverse: nel primo caso “il 5%” può essere quasi la metà o quasi il doppio; nel secondo è un dato su cui costruire.

Campioni piccoli: la distribuzione t di Student

La formula con z presuppone campioni sufficientemente grandi (indicativamente sopra le 30 osservazioni). Con campioni piccoli l’incertezza è maggiore, e usare z sottostima la forbice: si usa allora la distribuzione t di Student, che ha “code più larghe” e produce intervalli un po’ più ampi per compensare. La formula è identica, ma al posto di z si usa il valore t, che dipende dai gradi di libertà (n − 1).

Un esempio. Vuoi stimare il tempo medio di consegna di un fornitore e hai solo 10 rilevazioni: media 5 giorni, deviazione standard 1,5 giorni. Con n = 10 i gradi di libertà sono 9, e il valore t al 95% è 2,262 (più alto dell’1,96 di z, proprio perché il campione è piccolo):

IC = 5 ± 2,262 × (1,5 / √10) = 5 ± 2,262 × 0,474 = 5 ± 1,07 → tra 3,93 e 6,07 giorni.

Con soli dieci dati, “consegna in 5 giorni” significa in realtà “plausibilmente tra 4 e 6 giorni”: un’informazione ben diversa da un numero secco, e molto più onesta verso chi deve prendere impegni con un cliente.

Cosa allarga (o restringe) l’intervallo

Tre leve determinano l’ampiezza della forbice:

• La dimensione del campione: più dati, intervallo più stretto. Attenzione però: l’ampiezza scende con la radice quadrata di n — per dimezzare la forbice servono il quadruplo dei dati.
• La variabilità dei dati: fenomeni più dispersi producono stime più incerte. Segmentare su gruppi omogenei aiuta.
• Il livello di confidenza scelto: più garanzia chiedi (99% invece di 95%), più larga diventa la forbice. È un trade-off, non un difetto.

Confrontare due gruppi: l’intervallo di confidenza in un A/B test

Nella pratica aziendale l’intervallo di confidenza serve soprattutto per una cosa: capire se una differenza è reale o è rumore. È il cuore di ogni A/B test, e l’errore più costoso è dichiarare vincente una variante che ha solo avuto fortuna nel campione.

Immagina un test su due versioni di una landing. La versione A converte al 6% su 500 visitatori, la versione B al 4,5% su 500. La differenza osservata è di 1,5 punti a favore di A: sembra chiara. Ma dobbiamo costruire l’intervallo di confidenza della differenza. L’errore standard della differenza tra due proporzioni è:

√(0,06 × 0,94 / 500 + 0,045 × 0,955 / 500) = √(0,0001128 + 0,0000860) ≈ 0,0141 (1,41 punti).

Al 95% il margine è 1,96 × 1,41 = 2,76 punti, quindi:

differenza = 1,5 ± 2,76 punti → da −1,26 a +4,26 punti.

L’intervallo include lo zero: significa che, con questi numeri, non possiamo escludere che le due versioni siano equivalenti (o addirittura che B sia migliore). La differenza dell’1,5% non è statisticamente significativa: prima di dichiarare vincente A servirebbe più traffico. È esattamente il tipo di lettura che un intervallo di confidenza protegge e un numero secco no.

Intervallo di confidenza e significatività statistica

L’intervallo di confidenza e il famoso “p-value” raccontano la stessa cosa da due angolazioni diverse, ed è utile capirne il legame perché nei report si citano spesso insieme. In un confronto tra due gruppi, dire che la differenza è statisticamente significativa al 5% equivale a dire che l’intervallo di confidenza al 95% della differenza non include lo zero. Sono due formulazioni dello stesso risultato.

Il vantaggio dell’intervallo di confidenza è che dice qualcosa in più del semplice “sì/no” del test di significatività: comunica anche quanto è grande l’effetto e con quale precisione. Un p-value ti dice se una differenza è probabilmente reale; l’intervallo ti dice se è reale e se è abbastanza grande da contare. Una differenza può essere statisticamente significativa ma così piccola da non avere alcun valore pratico — e solo l’intervallo te lo mostra a colpo d’occhio.

Per questo, quando puoi scegliere, in un report è quasi sempre meglio riportare l’intervallo di confidenza piuttosto che il solo p-value: è più informativo e molto più leggibile per un pubblico non tecnico. “La differenza è tra +1 e +5 punti percentuali” comunica di più, e meglio, di “p = 0,03”.

Un caso completo: dal dato grezzo alla frase per la slide

Vediamo l’intero percorso su un esempio realistico. Hai condotto un sondaggio di soddisfazione su 200 clienti e 140 si dichiarano soddisfatti: la stima puntuale è il 70%. Prima di scrivere “il 70% dei clienti è soddisfatto” sulla slide, costruisci l’intervallo di confidenza al 95% per una proporzione:

70% ± 1,96 × √(0,70 × 0,30 / 200) = 70% ± 1,96 × 0,0324 = 70% ± 6,4 punti → tra il 63,6% e il 76,4%.

Ora hai un’informazione onesta. La domanda successiva è: questo intervallo cambia la decisione? Se l’obiettivo aziendale era “superare il 60% di soddisfatti”, la risposta è sì con sicurezza, perché anche il limite inferiore della forbice (63,6%) è sopra la soglia. Se invece l’obiettivo era “superare il 75%”, non puoi cantare vittoria: il valore puntuale lo supererebbe, ma l’intervallo arriva fino al 76,4% e scende al 63,6%, quindi non hai prove sufficienti.

La frase da mettere sulla slide, allora, non è “il 70% è soddisfatto” e basta, ma qualcosa come: “Soddisfazione stimata al 70% (plausibilmente tra il 64% e il 76%), sopra l’obiettivo del 60%.” Una riga in più che trasforma un numero potenzialmente fuorviante in una base solida per decidere — ed è esattamente il tipo di rigore comunicativo che separa un report che informa da uno che illude.

Come visualizzare l’intervallo di confidenza in report e dashboard

Qui la statistica incontra il data storytelling. Un intervallo calcolato bene ma comunicato male non protegge nessuna decisione. Saper scegliere il grafico giusto per ogni tipo di dato — incertezza compresa — è il cuore della Data Shaping Masterclass. Tre soluzioni visive che funzionano:

• Barre di errore sui punti o sulle colonne: la scelta standard nei confronti tra gruppi o periodi. Se le barre di due valori si sovrappongono ampiamente, la differenza che il grafico “mostra” potrebbe non esserci — proprio come nell’esempio dell’A/B test qui sopra.
• Bande ombreggiate attorno alle linee di tendenza: comunicano l’incertezza senza appesantire, ideali per serie temporali e previsioni.
• Annotazione in linguaggio naturale: una riga sotto il KPI — “stima 5%, plausibilmente tra 2,9% e 7,1%” — vale più di un simbolo che nessuno decodifica.

Gli errori di lettura più comuni nei report

Un intervallo di confidenza mal letto è peggio di nessun intervallo, perché dà una falsa sicurezza. Gli errori che ricorrono più spesso nei report aziendali sono quattro:

• Confondere “non significativo” con “nessun effetto”. Un intervallo che include lo zero dice che non abbiamo prove sufficienti, non che l’effetto sia zero. Spesso serve solo più dati.
• Leggere la sovrapposizione al contrario. Se due intervalli non si sovrappiono, la differenza è quasi certamente reale; se si sovrappongono un po’, bisogna guardare l’intervallo della differenza, non a occhio.
• Mostrare la forbice solo quando conviene. Nascondere l’incertezza sulle metriche scomode e mostrarla su quelle comode è un modo sottile di manipolare la lettura.
• Riempire ogni grafico di barre d’errore. L’eccesso opposto: se l’incertezza non cambia la decisione, aggiungerla ovunque genera solo rumore. La regola è una: l’incertezza si mostra quando sposta la decisione.

Se il tema è come portare questi numeri davanti a un pubblico non tecnico senza perderlo, ne parliamo anche in come spiegare i dati a un pubblico non tecnico.

Attenzione: l’intervallo vale solo se il campione è buono

C’è un limite che nessuna formula corregge, ed è il più insidioso: l’intervallo di confidenza misura l’incertezza dovuta al caso del campionamento, non gli errori dovuti a un campione mal costruito. Se il campione è distorto, l’intervallo sarà preciso e sbagliato allo stesso tempo — la peggiore combinazione, perché dà una falsa sicurezza.

Un esempio classico è l’autoselezione: se il sondaggio di soddisfazione lo compilano soprattutto i clienti molto contenti o molto arrabbiati, il 70% che ottieni non rappresenta la base clienti, per quanti dati tu raccolga. Un altro è il survivorship bias: misurare la soddisfazione solo su chi è ancora cliente ignora proprio chi se n’è andato insaziato. In questi casi aumentare il campione restringe la forbice ma non toglie la distorsione: stai stimando con grande precisione il numero sbagliato.

La regola pratica è quindi doppia. Prima di fidarti di un intervallo stretto, chiediti come è stato raccolto il dato: il campione è casuale e rappresentativo della popolazione che ti interessa? Se la risposta è incerta, l’intervallo di confidenza va accompagnato da una nota sui limiti, non presentato come una garanzia. La statistica onesta comincia da qui: dalla qualità del dato, non dalla larghezza della forbice.

In sintesi

L’intervallo di confidenza trasforma una stima secca in un’informazione onesta: dice il valore più plausibile e quanto potrebbe distarne quello vero. Calcolarlo è la parte facile — la formula sta in una riga. Interpretarlo correttamente, usarlo per distinguere un segnale dal rumore e mostrarlo dove serve è ciò che distingue un report che informa da uno che illude.

Se lavori con i dati e vuoi passare dal “riportare numeri” al “comunicare decisioni difendibili”, è proprio questo l’insieme di competenze su cui puntare: scegliere la rappresentazione giusta per ogni informazione, incertezza compresa, e costruire un messaggio che regge alle domande. È il metodo che insegniamo nelle masterclass dell’Academy, a partire dalla scelta e costruzione dei grafici. E se vuoi provarlo prima, guarda gratis la prima lezione.

—

Domande frequenti

Cosa significa un intervallo di confidenza al 95%?

Significa che, se ripetessimo il campionamento molte volte con lo stesso metodo, circa il 95% degli intervalli così costruiti conterrebbe il valore vero della popolazione. È una garanzia sul metodo, non una probabilità sul singolo intervallo: quello specifico intervallo o contiene il valore vero, o non lo contiene.

Come si calcola l’intervallo di confidenza?

Per una media si parte dalla stima campionaria e si aggiunge e sottrae il margine di errore: media ± z × (deviazione standard / radice di n). Al 95% z vale 1,96; con campioni piccoli (sotto le 30 osservazioni) si usa la distribuzione t di Student al posto di z, con valori un po’ più alti che allargano l’intervallo.

Qual è la differenza tra intervallo di confidenza e margine di errore?

Il margine di errore è la semiampiezza dell’intervallo di confidenza: è il valore che si somma e si sottrae alla stima puntuale. Se un sondaggio dà il 40% con margine di errore del ±3%, l’intervallo di confidenza è 37%–43%.

Perché non si può dire che c’è il 95% di probabilità che il valore vero sia nell’intervallo?

Perché nel quadro frequentista il valore vero è fisso, non casuale: è l’intervallo che cambia da campione a campione. Il 95% descrive quanto è affidabile la procedura sul lungo periodo, non la probabilità di quel singolo risultato. In pratica: “con questo metodo, 19 volte su 20 l’intervallo cattura il valore reale”.

Come si usa l’intervallo di confidenza in un A/B test?

Si costruisce l’intervallo di confidenza della differenza tra le due varianti. Se l’intervallo include lo zero, la differenza osservata non è statisticamente significativa e non basta a dichiarare un vincitore: serve più traffico. Se l’intervallo è tutto sopra (o tutto sotto) lo zero, la differenza è affidabile.

Meglio un livello di confidenza al 90%, al 95% o al 99%?

Dipende dal costo dell’errore. Il 95% è lo standard di fatto. Il 99% dà più garanzia ma produce intervalli più larghi, quindi meno informativi; il 90% restringe l’intervallo ma accetta più rischio. Per decisioni operative reversibili spesso basta il 90–95%; per decisioni costose o irreversibili meglio il 99%.

Come si può restringere un intervallo di confidenza?

In tre modi: aumentare la dimensione del campione (il modo più efficace: l’ampiezza si riduce con la radice quadrata di n), ridurre la variabilità dei dati (misurazioni più precise, segmenti più omogenei) o accettare un livello di confidenza più basso.