# Qué es un test A/B bayesiano

> Un test A/B bayesiano es un test que se analiza con estadística bayesiana: en lugar de un p-valor, te dice directamente qué probabilidad hay de que cada versión sea la mejor, cuánto mejora probablemente y cuánto perderías si eliges la equivocada.

- Source: https://bixlow.com/es/glossary/bayesian-ab-testing
- Language: es
- Updated: 2026-11-02
- Publisher: Bixlow

## La idea, en dos frases

El método bayesiano parte de lo que sabes antes de empezar (a menudo, casi nada) y lo va actualizando con cada visitante y cada conversión. Al final tienes una distribución de valores posibles para la conversión de cada versión, y con ella puedes responder preguntas de negocio.

La pregunta que todo el mundo hace después de un test es: ¿cuál gana y con qué seguridad? El enfoque bayesiano responde exactamente a eso. El clásico responde a otra cosa y hay que traducirla.


## Bayesiano frente a frecuentista

|  | Frecuentista (clásico) | Bayesiano |
| --- | --- | --- |
| Resultado principal | p-valor y nivel de significación | Probabilidad de que cada versión sea la mejor |
| Cómo se interpreta | Hay que traducirlo, y suele leerse mal | Se lee tal cual: 97 % es 97 % de que gana |
| Cuánto mejora | Intervalo de confianza | Intervalo creíble: dónde está la mejora real con un 95 % de probabilidad |
| Riesgo de equivocarte | No lo cuantifica | Pérdida esperada: cuánta conversión pierdes si eliges mal |
| Mirar los resultados a menudo | Infla los falsos ganadores | Se tolera mejor, siempre con mínimos de muestra y duración |


## Las tres cifras que vas a ver

Un buen informe bayesiano no se queda en un número. Te da tres, y cada una responde a una duda distinta.

- Probabilidad de ser la mejor: de todas las versiones, cuál tiene más papeletas de convertir más. Si la variante tiene un 96 %, en 96 de cada 100 escenarios compatibles con los datos es la ganadora.
- Pérdida esperada: si eliges esta versión y resulta que no era la mejor, cuánta conversión pierdes de media. Cuando es casi cero, elegirla es una apuesta segura aunque la probabilidad no sea altísima.
- Intervalo creíble: el rango donde probablemente está la mejora real. Un +8 % con intervalo entre +2 % y +14 % es un resultado sólido; entre −5 % y +21 %, todavía no.


> **Ejemplo.** Tras tres semanas, la variante de tu página de carrito tiene un 97 % de probabilidad de ser la mejor, una mejora estimada del +6 % con intervalo creíble entre +1 % y +11 %, y una pérdida esperada casi nula. Traducido: casi seguro que es mejor, probablemente algo entre un poco y bastante, y si te equivocas pierdes muy poco.


## Lo que no arregla

Bayesiano no significa que puedas decidir con 300 visitantes. Con poca muestra, la probabilidad baila mucho de un día a otro. Por eso un buen motor bayesiano exige además una muestra mínima por versión y una duración mínima, para cubrir al menos una semana con sus días buenos y malos.

Tampoco te salva de un test mal montado. Si una variante no carga para una parte de los visitantes, ningún cálculo lo corrige. Para eso está la comprobación de sample ratio mismatch.


## Cómo lo trata Bixlow

Bixlow analiza cada test con un modelo Beta-Binomial y una previa uniforme Beta(1,1), es decir, sin suponer nada sobre tu conversión antes de empezar. Declara un ganador solo cuando la probabilidad de ser la mejor llega al 95 % con una pérdida esperada baja, cada versión alcanza la muestra mínima y el test cumple la duración mínima. Si la comprobación de sample ratio mismatch falla, no da veredicto.


## FAQ

### ¿Es mejor el método bayesiano que el frecuentista?

Los dos son correctos si se usan bien. El bayesiano responde de forma directa a lo que pregunta un equipo de negocio y aguanta mejor que mires los resultados a menudo.

### ¿Qué es la previa y por qué importa?

Es lo que el modelo supone antes de ver datos. Una previa uniforme, como Beta(1,1), no favorece ninguna tasa de conversión, así que el resultado lo deciden tus datos.

### ¿Puedo parar el test en cuanto vea un 95 %?

Solo si además se cumplen la muestra y la duración mínimas. Un 95 % el segundo día con 200 visitantes por versión no es fiable.

### ¿Un test bayesiano necesita menos tráfico?

No hace milagros. Necesitas un volumen parecido para detectar el mismo efecto con la misma seguridad. Lo que gana es claridad al leer el resultado.

## Para seguir leyendo

- [La estadística de Bixlow](https://bixlow.com/es/platform/statistics)
- [Qué es la significación estadística](https://bixlow.com/es/glossary/statistical-significance)
- [Qué es el sample ratio mismatch](https://bixlow.com/es/glossary/sample-ratio-mismatch)
- [Tests A/B con Bixlow](https://bixlow.com/es/platform/ab-testing)