Estadística inferencial
Pruebas de hipótesis, intervalos de confianza, p-value, t-test, chi-cuadrado, ANOVA, regresión lineal
1¿Qué es la hipótesis nula (H₀) en una prueba de hipótesis?
¿Qué es la hipótesis nula (H₀) en una prueba de hipótesis?
Respuesta
La hipótesis nula (H₀) es la afirmación por defecto que asume la ausencia de efecto o diferencia significativa. Es la hipótesis que buscamos rechazar o no rechazar según los datos recopilados. Por ejemplo, H₀ podría afirmar que un nuevo tratamiento no tiene efecto en comparación con un placebo. La prueba estadística evalúa si los datos proporcionan evidencia suficiente para rechazar esta hipótesis a favor de la hipótesis alternativa (H₁).
2¿Qué representa la p-value en una prueba estadística?
¿Qué representa la p-value en una prueba estadística?
Respuesta
El p-value es la probabilidad de obtener un resultado al menos tan extremo como el observado, asumiendo que la hipótesis nula es verdadera. Un p-value bajo (típicamente < 0.05) indica que los datos observados son poco probables bajo H₀, llevando a su rechazo. Nota: el p-value no es la probabilidad de que H₀ sea verdadera, ni la probabilidad de que los resultados se deban al azar.
3¿Qué es un error de tipo I en estadística inferencial?
¿Qué es un error de tipo I en estadística inferencial?
Respuesta
Un error de tipo I (falso positivo) ocurre cuando rechazamos la hipótesis nula cuando es realmente verdadera. El nivel de significación α (a menudo 0.05) representa la probabilidad máxima aceptable de cometer este error. Por ejemplo, concluir que un medicamento es efectivo cuando no lo es constituye un error de tipo I. Este error se controla mediante la elección del nivel de significación.
¿Qué es un error de tipo II en estadística inferencial?
¿Qué representa un intervalo de confianza del 95%?
+21 preguntas de entrevista
Otros temas de entrevista Data Science & ML
Fundamentos de Python
Programación Orientada a Objetos en Python
Estructuras de datos en Python
Fundamentos de Git
Fundamentos de SQL
Fundamentos de NumPy
Fundamentos de Pandas
Jupyter & Google Colab
SQL Joins y consultas avanzadas
Pandas avanzado
Visualización con Matplotlib & Seaborn
Visualizaciones interactivas con Plotly
Estadística descriptiva
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisado: Regresión
ML Supervisado: Clasificación
Árboles de Decisión y Ensembles
ML No Supervisado
Pipelines ML y Validación
Series Temporales y Pronóstico
Fundamentos de Deep Learning
TensorFlow & Keras
CNN y clasificación de imágenes
RNN y Secuencias
Transformers y Attention
NLP y Hugging Face
GenAI y LangChain
MLOps y Despliegue
Domina Data Science & ML para tu próxima entrevista
Accede a todas las preguntas, flashcards, tests técnicos, ejercicios de code review y simuladores de entrevista.
Empieza gratis