Prima di entrare nel dettaglio dei test parametrici e non parametrici, vediamo come funziona un test statistico. Il Modulo di analisi dei dati Ellistat consente di eseguire questi test.
Un test statistico funziona come segue:
- Consideriamo un'ipotesi nulla in cui non vi è alcuna differenza tra i campioni.
- Si calcola la probabilità di cadere nella stessa configurazione ottenuta con i campioni osservati sotto l'ipotesi nulla. Questa probabilità è nota come "rischio alfa" o "valore p".
- Se il rischio alfa è < 5%, si ritiene troppo improbabile ottenere una tale configurazione sotto l'ipotesi nulla. Si rifiuta quindi l'ipotesi nulla e si ritiene che la differenza tra i campioni sia significativa. Per questo motivo, tutti i risultati dei test statistici proposti da Ellistat saranno associati a un valore di rischio alfa con la seguente scala:

La cifra sotto la scala è pari al rischio alfa del test:
- Se il rischio alfa è < 0,01, la differenza sarà considerata altamente significativa<.
- Se il rischio alfa è < 0,05, la differenza è considerata significativa.
- Se il rischio alfa è inferiore a 0,1, la differenza è considerata borderline (non si può dire che ci sia una differenza significativa, ma l'ipotesi è interessante).
- Se il rischio alfa è > 0,1, la differenza sarà considerata non significativa
Esempio
Per illustrare il funzionamento di un test statistico, prendiamo il seguente esempio.
Supponiamo di voler rilevare il fatto che una moneta viene lanciata lanciando testa o croce. Supponiamo che la moneta cada sempre su croce.
Lancio n°1
Dopo il primo lancio, la moneta cade su croce. Possiamo dedurre da questo che la moneta è stata ribaltata?
A prima vista, sarebbe piuttosto rischioso scommettere che la moneta è un pipedding, dato che potrebbe benissimo essere successo con una moneta standard.
In questo caso, l'ipotesi nulla è: la moneta non è rovesciata, quindi ha una possibilità su due di uscire testa o croce. La probabilità che una moneta non rovesciata esca testa è 50%.
Di conseguenza, la probabilità di ottenere croce dopo il primo lancio di una moneta non lanciata è 50%, si dice che il rischio alfa del test è:Rischio alfa = 50%
In altre parole, c'è una probabilità di 50% di ottenere lo stesso risultato seguendo l'ipotesi nulla.
Lancio n°2
Dopo il secondo lancio, la moneta cade nuovamente su croce. Il rischio alfa diventa: Rischio alfa = 25%
Ma questo significa che il gioco è truccato?
Sorge quindi la domanda: a quale rischio alfa possiamo dire che la moneta è stata ribaltata?
Come regola generale, nell'industria il limite di rischio alfa è fissato a 5%.
In altre parole :
- Se il rischio alfa è inferiore a 5%, l'ipotesi nulla viene rifiutata e la moneta viene considerata ribaltata.
- Se il rischio alfa è superiore al 5%, non si può affermare che la moneta sia truccata. Ciò non significa però che la moneta non sia truccata, poiché dipende dal numero di lanci effettuati.
Esempio continuato
Continuiamo con il nostro esempio:
-3th Lancio: la moneta cade su croce: rischio alfa = 12,5%
-4th Lancio: la moneta cade su croce: rischio alfa = 6,75%
-5th Lancio: la moneta cade su croce: rischio alfa = 3,375%
In questo caso, da 5th Possiamo quindi affermare che la moneta è ribaltata con un rischio inferiore a 5%.
Test parametrici e non parametrici
Quando si effettuano confronti tra popolazioni o si confronta una popolazione con un valore teorico, esistono due tipi principali di test: i test parametrici e i test non parametrici.
Test parametrici
I test parametrici partono dal presupposto che i dati a disposizione seguano una legge di distribuzione nota (generalmente la legge normale).
Per calcolare il rischio alfa del test statistico, è sufficiente calcolare la media e la deviazione standard del campione per accedere alla legge di distribuzione del campione.

Con la legge di distribuzione perfettamente nota, il rischio alfa può essere calcolato sulla base dei calcoli teorici per la distribuzione gaussiana.
Questi test sono generalmente molto validi, ma richiedono che i dati seguano effettivamente la distribuzione ipotizzata. In particolare, sono molto sensibili ai valori anomali e non sono consigliati se vengono rilevati valori anomali.
Test non parametrici
I test non parametrici non fanno ipotesi sul tipo di legge di distribuzione dei dati. Si basano esclusivamente sulle proprietà numeriche dei campioni. Ecco un esempio di test non parametrico:
Vogliamo verificare che la mediana di una popolazione sia diversa da un valore teorico. Misuriamo 14 pezzi e otteniamo il seguente campione:

11 volte sullo stesso lato su 14
11 volte su 14, il risultato è inferiore alla mediana teorica. Se la mediana della popolazione è uguale al valore teorico, dovremmo avere 50% di monete sopra la mediana e 50% di monete sotto. Per determinare se la deviazione della mediana dalla mediana teorica è significativa, basta verificare se la frequenza di 11 volte su 14 è significativamente diversa da 50%.

Questo divario è al limite.
Come nell'esempio precedente, i test non parametrici non hanno bisogno di assumere un particolare tipo di distribuzione per calcolare il rischio alfa del test. Sono molto eleganti e si basano su proprietà numeriche. Inoltre, non sono molto sensibili agli outlier e sono quindi consigliati in questo caso.
Tabella: quale test parametrico, quale equivalente non parametrico?
| La sua domanda | Test parametrico | Equivalente non parametrica |
|---|---|---|
| Una media è diversa da un valore target? | Test T su un campione | Wilcoxon, test dei segni |
| Una deviazione standard è diversa da un valore target? | Test del chi² | — |
| I due campioni indipendenti hanno la stessa posizione? (due fornitori, due macchine) | Test T a due campioni | Mann-Whitney |
| Due serie abbinate sono diverse? (stesse parti misurate prima e dopo, oppure con due strumenti diversi) | Test T appaiato | Wilcoxon, test dei segni sulle differenze |
| Ci sono tre o più gruppi che hanno la stessa posizione? | ANOVA | Kruskal-Wallis |
| Tre o più gruppi con misure appaiate? | ANOVA appaiata | Friedman |
| Due distribuzioni sono diverse? | Test F | Levene, Fligner-Killeen |
| Le diverse dispersioni sono diverse tra loro? | Bartlett | Levene |
| Le distribuzioni complete sono diverse? | — | Cramér-von Mises (2 campioni), prova di energia (3 o più) |
Non sottovalutate la linea della dispersione. Nella produzione, due macchine possono avere la stessa media ma dispersioni molto diverse, ed è proprio la dispersione a determinare la capacità. Per approfondire l'argomento, consultate il nostro articolo sulla confronto tra distribuzioni mediante i test di Cramér-von Mises e dell’energia illustra in dettaglio questi approcci.
Come scegliere tra un test parametrico e uno non parametrico?
Ponetevi quattro domande, in questo ordine:
- Quanti campioni mettete a confronto, e sono appaiati? Misurare due volte gli stessi pezzi (prima e dopo una modifica, oppure con due metodi di misurazione) richiede un test appaiato. Confrontare pezzi diversi richiede un test indipendente.
- I dati seguono una distribuzione normale? Verificatelo con un test di normalità e un istogramma. Una distribuzione chiaramente asimmetrica fa propendere per un test non parametrico.
- Ci sono valori anomali? Se sì, e se non sono dovute a un errore di inserimento dati o di misurazione, è preferibile ricorrere a un test non parametrico. Un test dei valori anomali aiuta a decidere.
- Qual è la dimensione del campione? In presenza di molti dati, i test parametrici diventano robusti rispetto a deviazioni moderate dalla normalità. Con pochi dati, è difficile verificare la normalità e i test non parametrici rappresentano un approccio più prudente.
In caso di dubbio, è buona prassi eseguire entrambe le famiglie di test. Se i risultati coincidono, la conclusione è solida. Se invece divergono, è segno che le ipotesi del test parametrico meritano di essere esaminate attentamente.
"Non significativo" non significa "uguale": i test di equivalenza
È l’errore di interpretazione più comune nel settore industriale. Un test che non rileva differenze significative non dimostra che i due gruppi sono identici. Con pochi pezzi, anche una differenza effettiva può passare inosservata.
Quando l'obiettivo è dimostrare che un nuovo fornitore, un nuovo strumento o una nuova impostazione offre lo stesso risultato rispetto a prima, bisogna invertire la logica e utilizzare un test di equivalenza. Si stabilisce lo scostamento massimo accettabile, quindi si cerca di dimostrare che lo scostamento effettivo è inferiore. Il modulo Data Analysis lo propone del resto direttamente quando un test di differenza non è significativo.
Un altro aspetto da considerare in anticipo: il numero di pezzi necessari. Un calcolo di potenza prima della campagna di rilevamento, si eviti di concludere che «non vi è alcuna differenza» semplicemente perché il campione era troppo piccolo.
Eseguire questi test con Ellistat
Nel modulo Analisi dei dati di Ellistat, la schermata «Test delle statistiche inferenziali» presenta un selettore «Parametrici» / "Non parametrici". A seconda del numero di campioni e dell'accoppiamento, il software visualizza direttamente i test appropriati, raggruppati per famiglia:
- posizione: test T, ANOVA, Mann-Whitney, Wilcoxon, Kruskal-Wallis, Friedman…;
- dispersione: test F, di Bartlett, di Levene…;
- distribuzione: Cramér-von Mises, test di energia.
Ogni test parametrico è accompagnato da un pittogramma che ne verifica le ipotesi (distribuzione normale, valori anomali, uguaglianza delle varianze). In questo modo si capisce immediatamente se il test è applicabile ai propri dati.
Conclusione
Scegliere tra un test parametrico e test non parametrico equivale a confrontare i propri dati con le ipotesi del test:
- dati normali, senza valori anomali: il test parametrico è il più sensibile;
- distribuzione sconosciuta, asimmetrica o con valori estremi: il test non parametrico è il più affidabile.
In entrambi i casi, tre comportamenti chiave consentono di evitare decisioni sbagliate:
- considerare sia la dispersione che la media;
- non confondere mai «non significativo» con «identico»;
- determinare la dimensione del campione prima di effettuare la misurazione.
FAQ
Qual è la differenza tra un test parametrico e un test non parametrico?
Un test parametrico presuppone che i dati seguano una distribuzione nota, solitamente la distribuzione normale, e si basa sulla media e sulla deviazione standard. Un test non parametrico non formula alcuna ipotesi sulla distribuzione e si basa sui ranghi o sui segni dei dati.
Quando si utilizza un test non parametrico?
Quando i dati non seguono una distribuzione normale, quando contengono valori anomali che non è possibile escludere, oppure quando il campione è troppo piccolo per verificare la normalità.
Qual è l'equivalente non parametrico del test di Student?
Per due campioni indipendenti, si utilizza il test di Mann-Whitney. Per due serie appaiate o un singolo campione confrontato con un valore di riferimento, si utilizzano il test di Wilcoxon e il test dei segni.
Qual è l'equivalente non parametrico dell'ANOVA?
Il test di Kruskal-Wallis per gruppi indipendenti e il test di Friedman per misure appaiate.
Un test non significativo dimostra che due gruppi sono identici?
No. Indica semplicemente che i dati non consentono di dimostrare l’esistenza di una differenza. Per dimostrare che due gruppi sono equivalenti, è necessario un test di equivalenza, con uno scostamento massimo accettabile definito in anticipo.


