Pruebas de hipótesis sin un título en estadística: una guía en lenguaje claro
Las pruebas de hipótesis suenan a algo que requiere un título en estadística para tocarlo. No es así. En esencia son una forma estructurada de responder a una pregunta honesta: «¿Esta diferencia es real, o podría ser solo ruido?». En la fase Analizar de un proyecto DMAIC de Lean Six Sigma, esa pregunta surge constantemente —¿de verdad el turno de noche fue más lento, mejoró realmente la calidad el nuevo proveedor— y a lo largo de 2021, cuando tantos procesos estaban alterados, distinguir un cambio real de la variación aleatoria se convirtió en una habilidad práctica de supervivencia, no en un ejercicio de aula.
La lógica, en términos sencillos
Toda prueba de hipótesis plantea dos afirmaciones rivales y luego pregunta a los datos cuál creer. No tienes que calcular nada a mano para entender el razonamiento.
Enuncia la hipótesis nula. Es el aburrido valor por defecto: «no hay diferencia real». Dos proveedores rinden igual; el cambio no tuvo efecto. La supones cierta hasta que la evidencia diga lo contrario.
Enuncia la alternativa. Es lo que sospechas: «hay una diferencia real». El nuevo proceso es más rápido; la tasa de defectos de verdad bajó. Es la afirmación que intentas respaldar.
Mira el valor p. El software te da un número entre 0 y 1. Responde: si de verdad no hubiera diferencia, ¿qué tan probable es un resultado así de extremo solo por azar? Un valor p pequeño significa «poco probable que sea suerte».
Compáralo con tu umbral. Elige un punto de corte antes de mirar —comúnmente 0,05—. Si el valor p está por debajo, rechazas la nula y tratas la diferencia como real. Si está por encima, no tienes evidencia suficiente para afirmar una diferencia.
Ese es todo el motor. El software se encarga de la aritmética; tu trabajo es plantear la pregunta con honestidad y leer la respuesta sin pensamiento ilusorio.
Dónde se equivocan los principiantes
La matemática rara vez es el problema. Lo es el razonamiento. Un puñado de trampas atrapan a casi todos las primeras veces.
Confundir «no significativo» con «sin diferencia». Un valor p alto significa que te falta evidencia, no que el efecto esté probado ausente; a menudo solo necesitas más datos.
Confundir significación estadística con importancia. Con una muestra enorme puedes probar que una diferencia de medio segundo es «real» siendo del todo irrelevante para el cliente.
Elegir el umbral después de ver el resultado. Decide tu corte primero, o solo estarás racionalizando la respuesta que querías.
Olvidar que la prueba supone datos recogidos de forma justa. Una muestra sesgada —por ejemplo, medir solo los casos fáciles durante un trimestre alterado de 2021— deja sin sentido cualquier valor p.
Bien usadas, las pruebas de hipótesis mantienen honesto a un equipo de Lean Six Sigma. Te impiden celebrar una mejora que en realidad fue solo una buena semana, y te impiden abandonar un cambio que sí funcionó pero parecía plano entre el ruido normal. No necesitas las fórmulas; necesitas la disciplina de plantear la pregunta con claridad y respetar la respuesta.
Si tu equipo toma decisiones de mejora por intuición y quiere distinguir la señal del ruido con confianza, la asesoría estratégica de XNM puede ayudarte a incorporar ese rigor en cómo decides.