# Estadística inferencial (Data Science & ML)

> Pruebas de hipótesis, intervalos de confianza, p-value, t-test, chi-cuadrado, ANOVA, regresión lineal

- 24 preguntas de entrevista
- Mid-Level
- [Preguntas de entrevista: Data Science & ML](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista.md)

## 1. ¿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?

**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?

**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.

## 21 preguntas más disponibles

- ¿Qué es un error de tipo II en estadística inferencial?
- ¿Qué representa un intervalo de confianza del 95%?

Regístrate gratis: https://sharpskill.dev/es/login

## Otros temas de entrevista Data Science & ML

- [Fundamentos de Python](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/python-basics.md): 25 preguntas, Junior
- [Programación Orientada a Objetos en Python](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/python-oop.md): 20 preguntas, Junior
- [Estructuras de datos en Python](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/python-data-structures.md): 20 preguntas, Junior
- [Fundamentos de Git](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/git-fundamentals.md): 18 preguntas, Junior
- [Fundamentos de SQL](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/sql-basics.md): 20 preguntas, Junior
- [Fundamentos de NumPy](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/numpy-fundamentals.md): 22 preguntas, Junior
- [Fundamentos de Pandas](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/pandas-basics.md): 22 preguntas, Junior
- [Jupyter & Google Colab](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/jupyter-colab.md): 16 preguntas, Junior
- [SQL Joins y consultas avanzadas](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/sql-joins-advanced.md): 22 preguntas, Mid-Level
- [Pandas avanzado](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/pandas-advanced.md): 24 preguntas, Mid-Level
- [Visualización con Matplotlib & Seaborn](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/matplotlib-seaborn.md): 20 preguntas, Mid-Level
- [Visualizaciones interactivas con Plotly](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/plotly-interactive.md): 18 preguntas, Mid-Level
- [Estadística descriptiva](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/statistics-descriptive.md): 20 preguntas, Mid-Level
- [Web Scraping](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/web-scraping.md): 18 preguntas, Mid-Level
- [BigQuery & Cloud Data](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/bigquery-cloud.md): 18 preguntas, Mid-Level
- [Feature Engineering](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/feature-engineering.md): 22 preguntas, Mid-Level
- [ML Supervisado: Regresión](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/ml-supervised-regression.md): 24 preguntas, Mid-Level
- [ML Supervisado: Clasificación](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/ml-supervised-classification.md): 24 preguntas, Mid-Level
- [Árboles de Decisión y Ensembles](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/ml-trees-ensembles.md): 24 preguntas, Mid-Level
- [ML No Supervisado](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/ml-unsupervised.md): 22 preguntas, Mid-Level
- [Pipelines ML y Validación](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/ml-pipelines-validation.md): 22 preguntas, Mid-Level
- [Series Temporales y Pronóstico](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/time-series-forecasting.md): 22 preguntas, Mid-Level
- [Fundamentos de Deep Learning](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/deep-learning-fundamentals.md): 24 preguntas, Senior
- [TensorFlow & Keras](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/tensorflow-keras.md): 22 preguntas, Senior
- [CNN y clasificación de imágenes](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/cnn-image-classification.md): 24 preguntas, Senior
- [RNN y Secuencias](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/rnn-sequences.md): 22 preguntas, Senior
- [Transformers y Attention](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/transformers-attention.md): 24 preguntas, Senior
- [NLP y Hugging Face](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/nlp-huggingface.md): 24 preguntas, Senior
- [GenAI y LangChain](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/genai-langchain.md): 24 preguntas, Senior
- [MLOps y Despliegue](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/mlops-deployment.md): 24 preguntas, Senior

---

Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack.
HTML version of this page: https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/statistics-inferential