{"id":3558,"date":"2026-05-06T15:45:50","date_gmt":"2026-05-06T14:45:50","guid":{"rendered":"https:\/\/www.gironi.it\/blog\/?p=3558"},"modified":"2026-07-15T09:21:21","modified_gmt":"2026-07-15T08:21:21","slug":"campionamento-e-dimensione-campionaria-quanti-dati-servono","status":"publish","type":"post","link":"https:\/\/www.gironi.it\/blog\/campionamento-e-dimensione-campionaria-quanti-dati-servono\/","title":{"rendered":"Campionamento e dimensione campionaria: quanti dati servono?"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\">Due sondaggi politici: uno su 800 persone, uno su 20.000. \u00c8 ovvio che il secondo sia pi\u00f9 affidabile? Non necessariamente. Se il primo \u00e8 stato estratto casualmente dalla popolazione e il secondo \u00e8 composto da volontari raccolti online, il primo pu\u00f2 essere molto pi\u00f9 preciso del secondo.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">La <strong>qualit\u00e0 del campione viene prima della sua dimensione<\/strong>. \u00c8 una frase che vale la pena ricordare, perch\u00e9 ribalta l&#8217;intuizione comune.<\/p>\n\n\n\n<!--more-->\n\n\n\n<div class=\"wp-block-group has-background\" style=\"background-color:#f5f7f9;margin-top:2.5rem;margin-bottom:2.5rem;padding-top:1.5rem;padding-right:1.5rem;padding-bottom:1.5rem;padding-left:1.5rem\"><div class=\"wp-block-group__inner-container is-layout-flow wp-block-group-is-layout-flow\">\n<p><strong>Di cosa parleremo<\/strong>:<\/p>\n<ul>\n<li><a href=\"#due-domande\">Due domande distinte<\/a><\/li>\n<li><a href=\"#tipi-campionamento\">Come scegliere chi misurare: i tipi di campionamento<\/a><\/li>\n<li><a href=\"#formula-dimensione\">La dimensione campionaria: la matematica dietro la stima<\/a><\/li>\n<li><a href=\"#esempio-codice\">Calcoliamolo in R e Python<\/a><\/li>\n<li><a href=\"#seo-esempio\">Un esempio SEO concreto<\/a><\/li>\n<li><a href=\"#errori-comuni\">Errori comuni<\/a><\/li>\n<li><a href=\"#collegamento-ab-test\">Dalla stima all&#8217;A\/B Testing<\/a><\/li>\n<li><a href=\"#faq\">FAQ<\/a><\/li>\n<\/ul>\n<\/div><\/div>\n\n\n\n\n\n<h2 class=\"wp-block-heading\" id=\"due-domande\">Due domande distinte<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Quando pianifichiamo una raccolta dati, dobbiamo rispondere a due domande separate, e la prima viene prima della seconda:<\/p>\n\n\n\n<ol class=\"wp-block-list\"><li><strong>Il campione rappresenta davvero la popolazione?<\/strong> Questo dipende dal <em>metodo di campionamento<\/em>, non dalla quantit\u00e0 di dati.<\/li><li><strong>Il campione \u00e8 sufficientemente grande?<\/strong> Questo dipende dalla <em>variabilit\u00e0 dei dati<\/em> e dalla <em>precisione che cerchiamo<\/em>.<\/li><\/ol>\n\n\n\n<figure class=\"wp-block-table\"><table><thead><tr><th>Domanda<\/th><th>Da cosa dipende<\/th><\/tr><\/thead><tbody><tr><td>Il campione \u00e8 rappresentativo?<\/td><td>Metodo di campionamento<\/td><\/tr><tr><td>Quante osservazioni servono?<\/td><td>Variabilit\u00e0, effetto atteso, livello di confidenza, margine di errore<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Nel web marketing ci troviamo continuamente di fronte a entrambi i problemi. Un test A\/B lanciato solo su utenti mobile ci dice poco sugli utenti desktop (problema di rappresentativit\u00e0), anche se raccogliamo milioni di visite. Un test con 100 visitatori per variante non ci dice nulla di utile (problema di numerosit\u00e0), anche se il campionamento \u00e8 perfettamente casuale.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"tipi-campionamento\">Come scegliere chi misurare: i tipi di campionamento<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Prima di capire <em>quanti<\/em> dati ci servono, dobbiamo capire <em>come<\/em> raccoglierli. I tre metodi principali sono:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li><strong>Campionamento casuale semplice<\/strong>: Ogni utente ha esattamente la stessa probabilit\u00e0 di essere scelto. \u00c8 il gold standard, quello che cerchiamo di ottenere quando randomizziamo gli utenti in un A\/B test.<\/li><li><strong>Campionamento stratificato<\/strong>: Dividiamo gli utenti in gruppi (es. traffico Mobile e Desktop) e campioniamo casualmente all&#8217;interno di ogni gruppo, rispettando le proporzioni originali. Assicura che nessuna minoranza importante venga ignorata.<\/li><li><strong>Campionamento sistematico<\/strong>: Scegliamo un utente ogni <em>k<\/em> (es. un utente ogni 10). Facile da implementare, ma insidioso quando nei dati si nasconde una ciclicit\u00e0 (immaginiamo di campionare un utente ogni 7: se prendiamo solo i luned\u00ec, la stima sar\u00e0 deformata in partenza).<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Nella <a href=\"\/blog\/la-distribuzione-normale-cose-e-come-si-calcola\/\">distribuzione normale<\/a> abbiamo visto che la variabilit\u00e0 campionaria si riduce all&#8217;aumentare delle osservazioni \u2014 ma solo se il campione \u00e8 rappresentativo. Un campione distorto e grande d\u00e0 stime precise ma sbagliate, ed \u00e8 molto peggio di un campione piccolo ma ben raccolto.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"formula-dimensione\">La dimensione campionaria: la matematica dietro la stima<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Supponiamo ora di aver risolto il problema della rappresentativit\u00e0. Il campione \u00e8 ben raccolto. Quanto deve essere grande?<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">L&#8217;intuizione \u00e8 semplice: pi\u00f9 \u00e8 piccolo l&#8217;effetto che cerchiamo (o pi\u00f9 i dati sono variabili), pi\u00f9 dati ci servono per distinguerlo dal rumore di fondo. Se tutti gli individui della popolazione fossero quasi identici fra loro, basterebbero poche osservazioni. Pi\u00f9 la popolazione \u00e8 eterogenea, maggiore dovr\u00e0 essere il campione per descriverla con precisione.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Perch\u00e9 la popolazione conta pochissimo<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">\u00c8 uno dei risultati pi\u00f9 sorprendenti della statistica. Che un sito abbia 10.000 visitatori al mese o 10 milioni, il campione necessario per stimare una proporzione \u00e8 praticamente lo stesso. Raddoppiare la popolazione non significa dover raddoppiare il campione. Una volta raggiunte popolazioni molto grandi, ci\u00f2 che determina la precisione \u00e8 soprattutto il margine di errore desiderato.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Ci\u00f2 che davvero conta \u00e8 la <strong>variabilit\u00e0 interna<\/strong> dei dati, non quanti utenti ci sono in tutto.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">I tre ingredienti<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Per calcolare il numero esatto, ci servono tre ingredienti:<\/p>\n\n\n\n<ul class=\"wp-block-list\"><li><strong>Livello di confidenza<\/strong>: Quanto vogliamo essere sicuri? Di solito si usa il 95% (che corrisponde a uno Z-score di 1,96). Ne abbiamo parlato negli <a href=\"\/blog\/intervalli-di-confidenza-cosa-sono-come-calcolarli-e-cosa-non-significano\/\">intervalli di confidenza<\/a>.<\/li><li><strong>Margine di errore (E)<\/strong>: L&#8217;errore massimo che siamo disposti ad accettare (es. 1% o 0,01).<\/li><li><strong>Proporzione attesa (p)<\/strong>: La stima del tasso di conversione. Se non ne abbiamo idea, usiamo 0,5 (50%): \u00e8 il caso di massima incertezza e dar\u00e0 il campione pi\u00f9 grande possibile, quindi la scelta pi\u00f9 conservativa.<\/li><\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">La formula per stimare una proporzione (come il Conversion Rate) \u00e8:<\/p>\n\n\n\n\\( n = \\frac{Z^2 \\cdot p(1-p)}{E^2} \\\\ \\)\n\n\n\n<p class=\"wp-block-paragraph\">dove Z \u00e8 il quantile della normale corrispondente al livello di confidenza scelto (1,96 per il 95%).<\/p>\n\n\n\n<div class=\"wp-block-group has-background\" style=\"background-color:#f5f7f9;margin-top:2.5rem;margin-bottom:2.5rem;padding-top:1.5rem;padding-right:1.5rem;padding-bottom:1.5rem;padding-left:1.5rem\"><div class=\"wp-block-group__inner-container is-layout-flow wp-block-group-is-layout-flow\">\n<p><strong>Cosa fa crescere il campione<\/strong> (in parole): &#8211; un <strong>margine di errore pi\u00f9 stretto<\/strong> \u2192 pi\u00f9 dati (l&#8217;E \u00e8 al quadrato al denominatore: dimezzare l&#8217;errore quadruplica il campione) &#8211; una <strong>confidenza maggiore<\/strong> \u2192 pi\u00f9 dati (Z cresce) &#8211; un <strong>effetto atteso pi\u00f9 piccolo<\/strong> \u2192 pi\u00f9 dati (la differenza da rilevare \u00e8 pi\u00f9 sottile) &#8211; una <strong>variabilit\u00e0 pi\u00f9 alta<\/strong> \u2192 pi\u00f9 dati (p(1-p) massimo quando p=0,5) \u00c8 una checklist mentale utile: prima di partire con una raccolta dati, chiediamoci su quali di questi quattro punti abbiamo margine di manovra.<\/p>\n<\/div><\/div>\n\n\n\n<figure class=\"wp-block-image size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1020\" height=\"675\" src=\"https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/campionamento-curva.png\" class=\"wp-image-4237\" alt=\"Pi\u00f9 dati raccogliamo, pi\u00f9 siamo precisi (ma sempre meno)\" srcset=\"https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/campionamento-curva.png 1020w, https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/campionamento-curva-300x199.png 300w\" sizes=\"auto, (max-width: 709px) 85vw, (max-width: 909px) 67vw, (max-width: 1362px) 62vw, 840px\" \/><figcaption class=\"wp-element-caption\">Pi\u00f9 dati raccogliamo, pi\u00f9 siamo precisi (ma sempre meno)<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">La figura racconta la storia meglio di mille parole. All&#8217;inizio, aggiungere dati migliora tantissimo la precisione. Poi la curva si appiattisce: ogni nuovo centinaio di osservazioni riduce il margine d&#8217;errore sempre meno. \u00c8 il principio dei rendimenti decrescenti applicato ai dati. Dimezzare il margine d&#8217;errore (passare da E = 3% a E = 1,5%) non richiede il doppio dei dati, ma quattro volte tanto. <strong>Non esiste un campione grande in assoluto: esiste solo un campione sufficientemente grande per la domanda che stiamo cercando di porre.<\/strong><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Perch\u00e9? Perch\u00e9 l&#8217;errore standard diminuisce con la <strong>radice quadrata<\/strong> della numerosit\u00e0 campionaria. Per dimezzare il margine d&#8217;errore non basta raddoppiare il campione: occorre quadruplicarlo. \u00c8 una di quelle idee che cambiano il modo di ragionare sui dati.<\/p>\n\n\n\n<figure class=\"wp-block-table\"><table><thead><tr><th>Campione<\/th><th>Margine d&#8217;errore (circa, 95%)<\/th><\/tr><\/thead><tbody><tr><td>100<\/td><td>\u00b1 10%<\/td><\/tr><tr><td>400<\/td><td>\u00b1 5%<\/td><\/tr><tr><td>1.600<\/td><td>\u00b1 2,5%<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Naturalmente sono valori indicativi (assumendo p = 0,5). Il punto \u00e8 un altro: per ottenere la met\u00e0 dell&#8217;errore serve quattro volte il campione. La tabella lo rende immediato.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Se invece leggiamo la curva dall&#8217;altro lato \u2014 fissiamo il margine d&#8217;errore desiderato e chiediamo &#8220;quanto campione serve?&#8221; \u2014 otteniamo un&#8217;altra figura utile:<\/p>\n\n\n\n<figure class=\"wp-block-image size-large\"><img loading=\"lazy\" decoding=\"async\" width=\"1020\" height=\"675\" src=\"https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/campionamento-curva-n.png\" class=\"wp-image-4296\" alt=\"Campione necessario al variare del margine d'errore\" srcset=\"https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/campionamento-curva-n.png 1020w, https:\/\/www.gironi.it\/blog\/wp-content\/uploads\/2026\/07\/campionamento-curva-n-300x199.png 300w\" sizes=\"auto, (max-width: 709px) 85vw, (max-width: 909px) 67vw, (max-width: 1362px) 62vw, 840px\" \/><figcaption class=\"wp-element-caption\">Campione necessario al variare del margine d&#8217;errore<\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">La curva sale lentamente per margini ampi (da E = 10% a E = 5% servono poche centinaia di osservazioni in pi\u00f9), poi impenna: passare da E = 2,5% a E = 1% richiede oltre 5.000 osservazioni aggiuntive. \u00c8 il costo della precisione, reso visibile in un colpo d&#8217;occhio.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"esempio-codice\">Calcoliamolo in R e Python<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Facciamo un esempio al volo. Vogliamo stimare il Conversion Rate di una nuova pagina con un margine di errore dell&#8217;1% (0,01) e un livello di confidenza del 95% (Z = 1,96). Per cautela, impostiamo p = 0,5.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Calcoliamo in R:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>Z &lt;- 1.96\np &lt;- 0.5\nE &lt;- 0.01\n\nn &lt;- (Z^2 * p * (1-p)) \/ E^2\nprint(paste(\"Dimensione necessaria:\", round(n)))\n# Output: Dimensione necessaria: 9604<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Verifichiamo in Python:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>Z = 1.96\np = 0.5\nE = 0.01\n\nn = (Z**2 * p * (1-p)) \/ E**2\nprint(f\"Dimensione necessaria: {round(n)}\")\n# Output: Dimensione necessaria: 9604<\/code><\/pre>\n\n\n\n<p class=\"wp-block-paragraph\">Servono circa 9.604 utenti per quella precisione. Se accettassimo un margine di errore del 2% (E = 0,02), il numero crollerebbe a circa 2.401. \u00c8 l&#8217;effetto dell&#8217;E al quadrato a denominatore: dimezzare la pretesa di precisione significa dividere per quattro il campione richiesto. Va sempre tenuto bene a mente quando si decide quale margine accettare.<\/p>\n\n\n\n<div class=\"wp-block-group has-background\" style=\"background-color:#f5f7f9;margin-top:2.5rem;margin-bottom:2.5rem;padding-top:1.5rem;padding-right:1.5rem;padding-bottom:1.5rem;padding-left:1.5rem\"><div class=\"wp-block-group__inner-container is-layout-flow wp-block-group-is-layout-flow\">\n<p><strong>Popolazioni finite: quando la formula standard sopravvaluta il campione<\/strong> La formula che abbiamo usato assume una popolazione infinita (o molto grande), il che va bene per il traffico web. Ma se stai facendo un sondaggio su una lista chiusa, per esempio una newsletter con N = 5.000 iscritti, la formula standard ti dir\u00e0 che servono migliaia di risposte \u2014 e poi scopri che la lista \u00e8 finita e molte di quelle risposte non esistono. In questi casi si applica la <strong>correzione per popolazioni finite<\/strong>: $\\( n_{adj} = \\frac{n}{1 + \\frac{n-1}{N}} \\)$ dove n \u00e8 il campione calcolato con la formula standard (infinita) e N \u00e8 la dimensione della popolazione. Se la formula standard d\u00e0 n = 1.000 e la popolazione \u00e8 N = 2.000, il campione corretto scende a circa 667. Se invece N = 100.000, la correzione \u00e8 trascurabile. La regola pratica: se il campione supera il 5-10% della popolazione, la correzione vale la pena.<\/p>\n<\/div><\/div>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"seo-esempio\">Un esempio SEO concreto<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Una pagina riceve 38 clic in una settimana e il CTR passa dal 5% al 7%. \u00c8 davvero migliorata? Con un numero cos\u00ec ridotto di impression potremmo stare osservando solo rumore statistico. La domanda giusta non \u00e8 &#8220;il CTR \u00e8 aumentato?&#8221; ma &#8220;i dati che abbiamo sono sufficienti per distinguere un cambiamento reale dalla fluttuazione casuale?&#8221;.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Altro caso. Modifichiamo il title di una landing page e dopo tre giorni il CTR aumenta del 20%. Possiamo gi\u00e0 festeggiare? Probabilmente no: prima dobbiamo chiederci se il campione raccolto (le impression dei tre giorni) \u00e8 sufficiente per avere una stima stabile.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">In entrambi i casi, la formula del campionamento ci d\u00e0 un&#8217;indicazione preziosa: quanti dati ci servono prima di poter dire qualcosa di sensato.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">C&#8217;\u00e8 per\u00f2 un&#8217;altra domanda che chi lavora con i dati si trova ad affrontare ogni giorno: quanti dati <strong>vale la pena<\/strong> raccogliere? Ogni osservazione aggiuntiva ha un costo \u2014 in tempo, in risorse, in complessit\u00e0. Il problema statistico non \u00e8 solo raggiungere una certa precisione, ma trovare il punto in cui l&#8217;incremento di precisione giustifica ancora il tempo e le risorse impiegate. \u00c8 esattamente il problema che la <a href=\"\/blog\/la-potenza-statistica-di-un-test-cose-e-perche-e-importante\/\">power analysis<\/a> e l&#8217;<a href=\"\/blog\/effect-size-la-misura-dellimportanza-pratica-nei-test-statistici\/\">effect size<\/a> affrontano nei test A\/B.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"errori-comuni\">Errori comuni<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Alcuni equivoci ricorrono continuamente quando si parla di campionamento:<\/p>\n\n\n\n<ol class=\"wp-block-list\"><li><strong>Pensare che 1.000 osservazioni siano sempre sufficienti.<\/strong> Dipende tutto dalla variabilit\u00e0 e dalla precisione richiesta. Per un&#8217;elezione con margine stretto servono decine di migliaia di intervistati; per stimare la media di un processo industriale stabile possono bastare poche decine.<\/li><li><strong>Credere che conti solo la dimensione della popolazione.<\/strong> Come abbiamo visto, una volta che la popolazione \u00e8 grande, ci\u00f2 che davvero conta \u00e8 la variabilit\u00e0 interna.<\/li><li><strong>Ignorare il metodo di campionamento.<\/strong> Un campione grande ma distorto \u00e8 peggio di uno piccolo ma rappresentativo.<\/li><li><strong>Aumentare il campione finch\u00e9 non si trova un risultato significativo.<\/strong> Questa pratica, nota come <em>p-hacking<\/em>, \u00e8 uno degli errori pi\u00f9 insidiosi della statistica applicata. Pi\u00f9 dati raccogliamo, pi\u00f9 \u00e8 probabile trovare differenze statisticamente significative anche quando non esistono \u2014 perch\u00e9 la significativit\u00e0 statistica dipende anche dalla dimensione del campione, non solo dall&#8217;effetto reale. Ne abbiamo parlato a proposito del <a href=\"\/blog\/il-p-value-significato-e-malintesi-di-una-misura-controversa\/\">p-value<\/a>.<\/li><\/ol>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"collegamento-ab-test\">Dalla stima all&#8217;A\/B Testing<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">La formula vista finora serve a stimare una singola proporzione. Ma nella pratica quotidiana della CRO il problema \u00e8 quasi sempre un altro: <em>confrontare<\/em> due proporzioni, come in un A\/B test.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">In quel caso la logica \u00e8 la stessa, ma la formula si complica perch\u00e9 entrano in gioco due concetti nuovi: l&#8217;<strong>Effect Size<\/strong> (la minima differenza che vogliamo rilevare) e la <strong>Potenza Statistica<\/strong> (power). Sono i temi dei prossimi articoli del percorso, insieme ai <a href=\"\/blog\/test-di-ipotesi-sullintuizione-e-la-procedura\/\">test d&#8217;ipotesi<\/a> e alla <a href=\"\/blog\/la-potenza-statistica-di-un-test-cose-e-perche-e-importante\/\">power analysis<\/a>.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Per evitare di calcolarlo a mano ho preparato un <a href=\"\/blog\/calcolatore-sample-size-ab-test\/\">calcolatore interattivo del sample size per A\/B test<\/a>: fa il lavoro sporco al posto nostro e indica anche per quanti giorni far girare il test, dato il traffico medio della pagina.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\" id=\"faq\">FAQ<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Qual \u00e8 la differenza tra errore campionario e bias?<\/strong><br> L&#8217;errore campionario \u00e8 la fluttuazione casuale che si riduce aumentando il campione. Il bias \u00e8 un errore sistematico che non si riduce con pi\u00f9 dati \u2014 anzi, un campione grande e distorto d\u00e0 stime precise ma sbagliate.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>La formula funziona per popolazioni finite?<\/strong><br> S\u00ec, con una correzione: se il campione supera il 5-10% della popolazione totale, si applica un fattore di correzione per popolazioni finite. Nella web analytics \u00e8 raramente necessario perch\u00e9 la popolazione (tutti i visitatori) \u00e8 virtualmente infinita.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Cosa fare se non ho idea della proporzione attesa p?<\/strong><br> Usa p = 0,5: \u00e8 il caso di massima incertezza e produce il campione pi\u00f9 grande possibile. \u00c8 la scelta conservativa.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><strong>Posso usare la stessa formula per un A\/B test?<\/strong><br> No, per un A\/B test servono formule specifiche che coinvolgono effect size e potenza statistica. La formula qui presentata stima una proporzione singola. Per i test A\/B usa il <a href=\"\/blog\/calcolatore-sample-size-ab-test\/\">calcolatore dedicato<\/a>.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<p class=\"wp-block-paragraph\">La domanda &#8220;quanti dati servono?&#8221; \u00e8, in fondo, mal posta. La statistica non cerca un numero magico valido per ogni situazione: cerca un compromesso tra precisione, costi, variabilit\u00e0 e obiettivo dello studio. Due esperimenti possono richiedere campioni molto diversi pur studiando lo stesso fenomeno. La qualit\u00e0 del dato, il metodo di raccolta e la domanda che stiamo ponendo contano pi\u00f9 di qualsiasi formula.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Fin qui abbiamo parlato dei <em>fattori<\/em> che influenzano la dimensione del campione: variabilit\u00e0, margine d&#8217;errore, livello di confidenza, rappresentativit\u00e0, costo. Il passo successivo \u00e8 trasformare queste considerazioni in un calcolo concreto: quanti dati servono per <em>confrontare<\/em> due versioni di una pagina web, o due strategie SEO? \u00c8 il campo della <strong>power analysis<\/strong>, e ne parleremo nel prossimo articolo del percorso.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Per approfondire<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Se vuoi approfondire il tema del campionamento, dei bias che possono distorcerlo e della logica dell&#8217;inferenza statistica, <a href=\"https:\/\/www.amazon.it\/dp\/8806246623?tag=consulenzeinf-21\" rel=\"nofollow sponsored noopener\" target=\"_blank\"><em>L&#8217;arte della statistica<\/em><\/a> di David Spiegelhalter \u00e8 il compagno di viaggio pi\u00f9 adatto. Spiegelhalter dedica pagine illuminanti a casi reali \u2014 sondaggi sbagliati, campioni di convenienza, statistiche che ingannano \u2014 e mostra come la matematica del campionamento valga poco senza una riflessione attenta su <em>come<\/em> i dati vengono raccolti.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Due sondaggi politici: uno su 800 persone, uno su 20.000. \u00c8 ovvio che il secondo sia pi\u00f9 affidabile? Non necessariamente. Se il primo \u00e8 stato estratto casualmente dalla popolazione e il secondo \u00e8 composto da volontari raccolti online, il primo pu\u00f2 essere molto pi\u00f9 preciso del secondo. La qualit\u00e0 del campione viene prima della sua &hellip; <a href=\"https:\/\/www.gironi.it\/blog\/campionamento-e-dimensione-campionaria-quanti-dati-servono\/\" class=\"more-link\">Leggi tutto<span class=\"screen-reader-text\"> &#8220;Campionamento e dimensione campionaria: quanti dati servono?&#8221;<\/span><\/a><\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_uag_custom_page_level_css":"","footnotes":""},"categories":[717,629],"tags":[],"class_list":["post-3558","post","type-post","status-publish","format-standard","hentry","category-seo-it","category-statistica-it"],"lang":"it","translations":{"it":3558,"en":3559},"uagb_featured_image_src":{"full":false,"thumbnail":false,"medium":false,"medium_large":false,"large":false,"1536x1536":false,"2048x2048":false,"post-thumbnail":false},"uagb_author_info":{"display_name":"Paolo Gironi","author_link":"https:\/\/www.gironi.it\/blog\/author\/autore-articoli\/"},"uagb_comment_info":0,"uagb_excerpt":"Due sondaggi politici: uno su 800 persone, uno su 20.000. \u00c8 ovvio che il secondo sia pi\u00f9 affidabile? Non necessariamente. Se il primo \u00e8 stato estratto casualmente dalla popolazione e il secondo \u00e8 composto da volontari raccolti online, il primo pu\u00f2 essere molto pi\u00f9 preciso del secondo. La qualit\u00e0 del campione viene prima della sua&hellip;","_links":{"self":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/3558","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/comments?post=3558"}],"version-history":[{"count":5,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/3558\/revisions"}],"predecessor-version":[{"id":4298,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/posts\/3558\/revisions\/4298"}],"wp:attachment":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/media?parent=3558"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/categories?post=3558"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/tags?post=3558"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}