Contraste de hipótesis
Hipótesis nula, valor p, prueba t y prueba de chi-cuadrado con scipy.stats.
Contraste de hipótesis es una lección gratuita de Learn AI with Python en CoddyKit. Esta es la lección 3 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de Learn AI with Python, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de Learn AI with Python incluye 4 lecciones en total.
¿Qué es una prueba de hipótesis?
Una prueba de hipótesis utiliza datos para decidir si un efecto observado es real o se debe simplemente al azar. Es la forma en que los científicos de datos justifican afirmaciones como "el nuevo diseño aumentó los clics".
Hipótesis nula frente a alternativa
La hipótesis nula H0 afirma que NO existe ningún efecto (la posición predeterminada y escéptica). La alternativa H1 afirma que SÍ existe un efecto. Intentamos reunir evidencia contra H0.
El valor p
El valor p es la probabilidad de observar datos tan extremos como estos SI H0 fuera verdadera. Un valor p pequeño significa que los datos resultan sorprendentes bajo H0, por lo que dudamos de H0.
Nivel de significación
Comparamos p con un umbral alpha (normalmente 0.05). Si p < alpha, rechazamos H0; de lo contrario, no podemos rechazarla. alpha es la tasa de falsos positivos aceptable.
Lo que NO significa p
El valor p NO es la probabilidad de que H0 sea verdadera ni el tamaño del efecto. Un valor p diminuto con una muestra enorme puede reflejar una diferencia trivialmente pequeña. Informe siempre también del tamaño del efecto.
Prueba t de una muestra
ttest_1samp comprueba si la media de una muestra difiere de un valor conocido; por ejemplo, si el tiempo medio de respuesta difiere de un objetivo de 200 ms.
from scipy import stats
import numpy as np
times = np.array([198, 205, 210, 195, 220, 208])
t, p = stats.ttest_1samp(times, popmean=200)
print(t, p)Prueba t de dos muestras
ttest_ind compara las medias de dos grupos INDEPENDIENTES, el análisis estándar de una prueba A/B.
control = np.array([20, 22, 19, 24, 21])
treat = np.array([25, 27, 24, 29, 26])
t, p = stats.ttest_ind(control, treat)
print(t, p) # small p -> groups differInterpretar el resultado
Compare el valor p con alpha y exprese una conclusión en lenguaje sencillo. La significación es una decisión, no una prueba de certeza.
alpha = 0.05
if p < alpha:
print("Reject H0: the groups differ significantly")
else:
print("Fail to reject H0: no significant difference")Prueba de independencia de chi-cuadrado
chi2_contingency comprueba si dos variables CATEGÓRICAS están asociadas, utilizando una tabla de contingencia con sus recuentos.
table = np.array([[30, 10], [20, 40]]) # rows: group, cols: outcome
chi2, p, dof, expected = stats.chi2_contingency(table)
print(chi2, p)Errores de tipo I y de tipo II
Un error de tipo I (falso positivo) rechaza una H0 verdadera; su tasa es alpha. Un error de tipo II (falso negativo) no rechaza una H0 falsa; su tasa es beta. La potencia = 1 - beta es la probabilidad de detectar un efecto real.
Compensaciones
Reducir alpha disminuye los falsos positivos, pero aumenta la tasa de falsos negativos (menor potencia). Las muestras más grandes reducen ambos tipos de error, por lo que planificar el tamaño de la muestra antes de un experimento es importante.
Comprobación rápida
Ponga a prueba sus conocimientos sobre pruebas de hipótesis.
Resumen
Fundamentos de las pruebas de hipótesis:
- H0 (sin efecto) frente a H1 (con efecto); reúna evidencia contra H0
- valor p = P(datos tan extremos | H0); rechace si p < alpha
- p NO es P(H0 verdadera) ni el tamaño del efecto
ttest_1samp,ttest_ind,chi2_contingency- Tipo I (falso positivo, tasa alpha) frente a tipo II (falso negativo, tasa beta); potencia = 1-beta
Preguntas frecuentes
¿La lección «Contraste de hipótesis» es gratis?
Sí — el texto completo de «Contraste de hipótesis» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de Learn AI with Python, actualiza a CoddyKit PRO. El curso de Learn AI with Python incluye 4 lecciones en total.
¿Qué aprenderé en «Contraste de hipótesis»?
Hipótesis nula, valor p, prueba t y prueba de chi-cuadrado con scipy.stats. Practicas Learn AI with Python con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar Learn AI with Python?
No se requiere experiencia previa. Learn AI with Python en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 3 de 4.
¿Cuánto tiempo toma la lección «Contraste de hipótesis»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de Learn AI with Python?
Sí. Cada lección de Learn AI with Python incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Estadística descriptiva y distribuciones
- Probabilidad y teorema de Bayes
- Contraste de hipótesis
- Correlación y covarianza