{"id":3855,"date":"2026-06-23T11:25:43","date_gmt":"2026-06-23T10:25:43","guid":{"rendered":"https:\/\/www.gironi.it\/blog\/statistica-inferenziale\/"},"modified":"2026-06-23T11:25:43","modified_gmt":"2026-06-23T10:25:43","slug":"statistica-inferenziale","status":"publish","type":"page","link":"https:\/\/www.gironi.it\/blog\/statistica-inferenziale\/","title":{"rendered":"Statistica inferenziale: il percorso completo, dai test agli A\/B test"},"content":{"rendered":"\n

Ogni volta che guardiamo un numero salire o scendere \u2014 le conversioni di una landing, il tempo sulla pagina, il tasso di apertura di una mail \u2014 ci poniamo, pi\u00f9 o meno consapevolmente, una sola domanda: questo effetto \u00e8 reale, oppure \u00e8 solo il caso che si \u00e8 messo in posa per la foto? La statistica inferenziale nasce esattamente da qui. \u00c8 l’arte di passare da quel poco che osserviamo \u2014 un campione, qualche settimana di dati, due varianti di una pagina \u2014 a un’affermazione difendibile su ci\u00f2 che non possiamo vedere: la realt\u00e0 di fondo, la popolazione intera, l’effetto vero.<\/strong> Senza questo passaggio la SEO e il marketing restano, come abbiamo scritto altrove, un armamentario di trucchi: si guarda un numero e si decide a naso.<\/p>\n\n\n\n

Imparare la statistica inferenziale, per\u00f2, non significa accumulare formule sparse. Significa percorrere una strada che parte dal capire perch\u00e9<\/em> dai campioni si possa inferire qualcosa, attraversa i test che mettono alla prova le nostre ipotesi, impara a cavarsela quando i dati non rispettano le regole del manuale, e arriva fino agli esperimenti controllati \u2014 gli A\/B test \u2014 che restano il modo pi\u00f9 pulito di stabilire se una nostra mossa funziona davvero.<\/p>\n\n\n\n

Questa pagina \u00e8 quella strada, ordinata. Non rispieghiamo qui la teoria: ogni tappa \u00e8 un articolo del blog, e l’ordine in cui li abbiamo messi \u00e8 l’ordine in cui conviene leggerli. Chi parte da zero pu\u00f2 seguirli in sequenza, dal primo all’ultimo; chi ha gi\u00e0 delle basi pu\u00f2 saltare al gruppo che gli serve. Le quattro sezioni che seguono \u2014 le fondamenta, i test classici, i casi in cui i dati non collaborano, e infine la misura e la sperimentazione \u2014 sono i quattro movimenti di uno stesso percorso. Cominciamo dalle fondamenta.<\/p>\n\n\n\n

Le fondamenta<\/h2>\n\n\n\n

Prima dei test serve capire su cosa poggiano. Le tre tappe di questa sezione rispondono alle domande di base: perch\u00e9 un campione possa dirci qualcosa sulla popolazione, come si formula un’ipotesi e la si mette alla prova, e come si quantifica l’incertezza di una stima.
Sono i mattoni su cui regge tutto il resto: saltarle significa usare i test senza sapere cosa promettono davvero.<\/strong><\/p>\n\n\n\n

Il teorema del limite centrale<\/a> \u00e8 il punto di partenza non negoziabile. Spiega perch\u00e9, sommando o mediando tante piccole variazioni casuali, otteniamo quella curva a campana che ritorna ovunque in statistica. \u00c8 il motivo per cui possiamo dire qualcosa di sensato su una popolazione enorme guardando un campione modesto, ed \u00e8 la base teorica di quasi tutti i test che verranno dopo.<\/p>\n\n\n\n

Il test delle ipotesi<\/a> \u00e8 la procedura logica con cui trasformiamo la domanda “questo effetto \u00e8 reale?” in qualcosa di decidibile. Qui si imparano i concetti che torneranno in ogni articolo successivo: ipotesi nulla, p-value<\/em>, soglia di significativit\u00e0, e cosa significhi (e cosa non significhi) “rifiutare l’ipotesi nulla”. \u00c8 la grammatica di tutto il percorso.<\/p>\n\n\n\n

Gli intervalli di confidenza<\/a> completano il quadro spostando l’attenzione dal s\u00ec\/no del test alla misura dell’incertezza. Invece di una risposta secca, ci danno un intervallo plausibile per il valore vero. Capire come si costruiscono \u2014 e soprattutto cosa non<\/em> vogliono dire \u2014 \u00e8 ci\u00f2 che separa chi legge un numero da chi lo sa interpretare.<\/p>\n\n\n\n

I test classici<\/h2>\n\n\n\n

Con le fondamenta a posto, si entra nella cassetta degli attrezzi vera e propria. Questa sezione raccoglie i test che si incontrano nel 90% dei casi reali: confrontare due medie, capire se due caratteristiche sono associate, mettere a confronto pi\u00f9 gruppi insieme.
Ogni test ha il suo campo d’uso, e la difficolt\u00e0 non \u00e8 il calcolo \u2014 quello lo fa il software \u2014 ma scegliere lo strumento giusto per la domanda giusta.<\/strong><\/p>\n\n\n\n

La distribuzione t e il test delle ipotesi<\/a> \u00e8 il primo passo concreto. Quando i campioni sono piccoli e non conosciamo la variabilit\u00e0 vera della popolazione, la curva a campana non basta pi\u00f9: serve la distribuzione t<\/em>, un po’ pi\u00f9 prudente perch\u00e9 tiene conto di quanto poco sappiamo. \u00c8 il ponte tra la teoria delle fondamenta e i test applicati.<\/p>\n\n\n\n

Il t-test per due campioni<\/a> \u00e8 probabilmente il test pi\u00f9 usato di tutti: serve a stabilire se due gruppi hanno medie davvero diverse. Qui si impara la distinzione cruciale tra campioni dipendenti e indipendenti \u2014 la stessa pagina misurata prima e dopo, oppure due pagine diverse \u2014 perch\u00e9 sceglierne la versione sbagliata falsa il risultato.<\/p>\n\n\n\n

Il test del chi quadrato<\/a> cambia tipo di dato: non pi\u00f9 medie, ma conteggi e categorie. Serve a capire se due caratteristiche sono associate \u2014 il canale di provenienza e la conversione, per esempio \u2014 oppure se una distribuzione osservata si scosta da quella attesa. \u00c8 lo strumento d’elezione quando i nostri dati sono tabelle di frequenze.<\/p>\n\n\n\n

L’analisi della varianza (ANOVA)<\/a> estende il confronto a pi\u00f9 di due gruppi in un colpo solo. Quando le varianti da testare sono tre, quattro o pi\u00f9, ripetere tanti t-test a coppie \u00e8 un errore: l’ANOVA \u00e8 la risposta corretta, e capirne la logica \u00e8 il passo che porta dai test elementari a quelli pi\u00f9 strutturati.<\/p>\n\n\n\n

Quando i dati non collaborano<\/h2>\n\n\n\n

I test classici poggiano su un’assunzione comoda ma fragile: che i dati seguano, almeno all’incirca, la curva a campana. Nella realt\u00e0 operativa capita spesso che non sia cos\u00ec \u2014 distribuzioni storte, valori anomali, scale ordinali.
Questa sezione affronta quel territorio: come riconoscere quando le condizioni dei test parametrici non reggono, e quali strumenti usare al loro posto senza rinunciare al rigore.<\/p>\n\n\n\n

Test statistici parametrici e non parametrici<\/a> \u00e8 la mappa concettuale di questo bivio. Spiega cosa assume davvero un test parametrico, come si capisce se quelle assunzioni sono soddisfatte, e perch\u00e9 in molti casi reali conviene affidarsi a metodi che non chiedono nulla sulla forma della distribuzione. \u00c8 il passo che insegna a non applicare un test a occhi chiusi.<\/p>\n\n\n\n

Il test di Wilcoxon<\/a> \u00e8 l’alternativa concreta al t-test quando i dati non sono normali. Invece dei valori grezzi lavora sui loro ranghi, e questo lo rende robusto agli outlier<\/em> e alle distribuzioni storte. Sapere quando preferirlo al t-test \u00e8 una competenza che, nella pratica quotidiana, fa la differenza tra una conclusione solida e una fragile.<\/p>\n\n\n\n

Misurare e sperimentare<\/h2>\n\n\n\n

Arriviamo al cuore operativo: non basta sapere se<\/em> un effetto esiste, dobbiamo sapere quanto<\/em> \u00e8 grande e come progettare un esperimento che lo misuri onestamente.
Questa sezione raccoglie le tappe che portano la statistica inferenziale dentro il lavoro quotidiano di chi fa SEO e marketing \u2014 gli A\/B test \u2014 e include due calcolatori pronti all’uso e l’insidia pi\u00f9 sottile in cui si cade dopo aver imparato tutto il resto.<\/p>\n\n\n\n

Effect size e power analysis<\/a> sposta il discorso da “\u00e8 significativo?” a “quanto conta, e quanti dati mi servono per accorgermene?”. L’effect size<\/em> misura l’ampiezza reale di un effetto, la power analysis<\/em> dice quanto campione serve per coglierlo. \u00c8 il passaggio che distingue un esperimento progettato da uno improvvisato.<\/p>\n\n\n\n

La guida ai test statistici per analisi A\/B<\/a> tira le fila di tutto il percorso applicandolo al caso che interessa di pi\u00f9 chi lavora nel digitale. Mostra come scegliere il test giusto a seconda del tipo di metrica \u2014 conversioni, tempi, valori medi \u2014 e collega gli strumenti visti finora a una decisione concreta di marketing.<\/p>\n\n\n\n

L’A\/B testing<\/a> \u00e8 la disciplina degli esperimenti controllati: due varianti, l’assegnazione casuale, il confronto rigoroso. Qui si vede come tutto il percorso \u2014 campionamento, ipotesi, test, effect size<\/em> \u2014 converge nel metodo pi\u00f9 pulito per stabilire se una modifica funziona davvero invece di affidarsi all’opinione.<\/p>\n\n\n\n

Per non rifare i conti a mano ogni volta, due strumenti pratici accompagnano questa fase. Il calcolatore di sample size per A\/B test<\/a> risponde alla domanda da fare prima<\/em> di lanciare un test: quanti visitatori servono per cogliere una differenza di una certa ampiezza con la certezza voluta. Il calcolatore di significativit\u00e0 per A\/B test<\/a> interviene invece dopo<\/em>: dati i numeri raccolti, dice se la differenza osservata tra le due varianti \u00e8 statisticamente solida o compatibile con il caso.<\/p>\n\n\n\n

C’\u00e8 infine un’ultima insidia, e arriva proprio quando crediamo di avere tutto sotto controllo. Il peeking problem<\/a> mostra come sbirciare i risultati di un A\/B test prima della fine \u2014 fermandosi appena il dato ci d\u00e0 ragione \u2014 gonfi silenziosamente i falsi positivi, anche se ogni singolo test \u00e8 fatto a regola d’arte. \u00c8 la tappa che insegna a diffidare della propria fretta: il momento in cui si decide di guardare conta quanto il risultato che si vede.<\/p>\n\n\n\n

Da dove cominciare<\/h2>\n\n\n\n

Se questo \u00e8 il primo contatto con la materia, il punto d’ingresso \u00e8 uno solo: il teorema del limite centrale<\/a> e, subito dopo, il test delle ipotesi<\/a>. Sono le due tappe da cui tutto il resto prende senso; affrontate le altre fuori sequenza, prima o poi, si torna sempre l\u00ec.<\/p>\n\n\n\n

Questo \u00e8 il primo dei percorsi tematici che stiamo costruendo per orientarsi tra gli articoli del blog. Ne arriveranno altri, dedicati a temi affini \u2014 la regressione, le serie storiche, i tranelli dei dati di marketing \u2014 pensati come questo: non spiegazioni nuove, ma mappe che mettono in fila ci\u00f2 che gi\u00e0 c’\u00e8. La statistica inferenziale, per\u00f2, viene prima di tutti: \u00e8 la cassetta degli attrezzi da cui ogni altro percorso, presto o tardi, finisce per attingere.<\/p>\n","protected":false},"excerpt":{"rendered":"

Ogni volta che guardiamo un numero salire o scendere \u2014 le conversioni di una landing, il tempo sulla pagina, il tasso di apertura di una mail \u2014 ci poniamo, pi\u00f9 o meno consapevolmente, una sola domanda: questo effetto \u00e8 reale, oppure \u00e8 solo il caso che si \u00e8 messo in posa per la foto? La … Leggi tutto “Statistica inferenziale: il percorso completo, dai test agli A\/B test”<\/span><\/a><\/p>\n","protected":false},"author":2,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_uag_custom_page_level_css":"","footnotes":""},"class_list":["post-3855","page","type-page","status-publish","hentry"],"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":"Ogni volta che guardiamo un numero salire o scendere \u2014 le conversioni di una landing, il tempo sulla pagina, il tasso di apertura di una mail \u2014 ci poniamo, pi\u00f9 o meno consapevolmente, una sola domanda: questo effetto \u00e8 reale, oppure \u00e8 solo il caso che si \u00e8 messo in posa per la foto? La…","_links":{"self":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/pages\/3855","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/types\/page"}],"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=3855"}],"version-history":[{"count":0,"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/pages\/3855\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.gironi.it\/blog\/wp-json\/wp\/v2\/media?parent=3855"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}