Inicio · Parte 10 — Estadística e inferencia
reportar: efecto, IC, n, α, potencia y semilla
IC paramétrico frente a IC bootstrap como comprobación cruzada
d de Cohen = diferencia / desviación combinadaEl capstone ejecuta un estudio completo con la disciplina de la parte entera: diseño de dos grupos independientes, semilla fija, análisis decidido de antemano, y reporte que incluye tanto lo que se concluye como lo que no. El objetivo no es obtener un resultado llamativo sino uno defendible.
La reproducibilidad empieza por la semilla. Un análisis que no se puede reejecutar y obtener los mismos números no es verificable, y no serlo es un defecto tan grave como un error de cálculo. Fijar la semilla, versionar los datos y dejar el código ejecutable es lo mínimo exigible.
El reporte debe llevar el efecto con su intervalo, no solo el p-value. Y conviene calcular el intervalo por dos vías —paramétrica y bootstrap— porque su coincidencia es evidencia de que los supuestos se sostienen, y su discrepancia es una señal de alarma que merece investigarse antes de publicar.
Por último, un estudio honesto declara sus límites: la población a la que se puede extrapolar, los supuestos que se han hecho, las comparaciones que se han realizado y las preguntas que este diseño no puede responder. Escribir esa sección obliga a mirar las debilidades, y esa mirada es lo que separa el análisis del marketing con números.
Estudio de dos grupos con n = 60 por brazo, semilla fija.
semilla = 20260827
diseño: dos grupos independientes, n = 60 cada uno
media control = 73,1961
media tratamiento = 75,2439
diferencia = 2,0478
IC 95 % paramétrico: (−0,9648 , 5,0604)
IC 95 % bootstrap: (−0,9531 , 5,0442) coinciden ✓
El intervalo contiene el cero → no se rechaza H0.
p ≈ 0,18 d de Cohen ≈ 0,25 (efecto pequeño)
Potencia para d = 0,25 con n = 60 por grupo: ≈ 30 %
→ el estudio no tenía potencia para detectarlo
Conclusión honesta: no hay evidencia suficiente; el diseño
no permite descartar un efecto de hasta 5 puntos.Capstone: estudio completo, reproducible y con límites declarados.
python classes/part-10-estadistica-e-inferencia/220-capstone-estudio-estadistico-reproducible/lab.py
compmath run 220semilladiseñomedia_controlmedia_tratamientodiferenciaIC_95%_parametricoIC_95%_bootstrapestadistico_td_de_Cohenpotencia_aproximadasignificativolimites_declaradosreproducible{
"semilla": 20260827,
"diseño": "dos grupos independientes, n=60 cada uno",
"media_control": 73.1961,
"media_tratamiento": 75.2439,
"diferencia": 2.0478,
"IC_95%_parametrico": [
-0.9648,
5.0604
]
}Informes técnicos, tarjetas de modelo, publicaciones científicas, auditorías internas y documentación de experimentos de producto.
Evaluar un modelo es inferencia estadística: métricas con intervalo, comparaciones múltiples corregidas y detección de leakage.
9781108601375 verificado en International ISBN Agency (2026-08-19).10.1371/journal.pcbi.1005510 verificado en Crossref (2026-08-19).