> ## Documentation Index > Fetch the complete documentation index at: https://docs.kameleoon.com/llms.txt > Use this file to discover all available pages before exploring further. # Elegir el método estadístico adecuado para las pruebas A/B > Compare los enfoques frecuentista, bayesiano y de pruebas secuenciales para seleccionar el método estadístico que mejor se adapte a los objetivos de experimentación y la tolerancia al riesgo de su equipo. ## Introducción Las pruebas A/B consisten en tomar decisiones con un nivel de riesgo controlado. Kameleoon admite tres enfoques estadísticos para interpretar sus resultados: frecuentista, bayesiano y pruebas secuenciales. Esta guía compara los tres enfoques para que pueda elegir el más adecuado para los objetivos de experimentación y la tolerancia al riesgo de su equipo. ## Enfoques disponibles Cada enfoque tiene sus propias ventajas e inconvenientes, y emplea una metodología distinta. ### Frecuentista de muestra fija El método frecuentista de muestra fija exige que defina su hipótesis y el tamaño de la muestra antes de lanzar una prueba. Si sigue ese plan sin modificarlo en función de los resultados provisionales, obtiene un control óptimo sobre el riesgo estadístico. #### Ventajas * Ofrece la máxima potencia estadística. * Es el método más utilizado para ensayos controlados aleatorizados. #### Inconvenientes * Exige un tamaño de muestra y una duración de prueba rígidos y predefinidos. #### Ideal para * Equipos de experimentación maduros que entienden el riesgo de desviarse del método. ### Bayesiano El método bayesiano ofrece más flexibilidad al incorporar el conocimiento existente al análisis a través de probabilidades a priori. Este enfoque es ideal cuando se dispone de abundantes datos previos para calcular la probabilidad a posteriori. #### Ventajas * Le permite aprovechar su conocimiento. * Le da acceso a datos clave basados en la distribución estimada. #### Inconvenientes * Puede llevarle en la dirección equivocada si los datos previos son incorrectos. #### Ideal para * Equipos de experimentación con experiencia en métodos bayesianos y distribuciones de probabilidad. ### Secuencial Las pruebas secuenciales resuelven el problema de la terminación prematura del experimento causada por resultados intermedios que se desvían de las expectativas. A diferencia de las pruebas de tamaño de muestra fijo, las pruebas secuenciales le permiten tomar decisiones de forma dinámica a medida que se acumulan los datos. Esta flexibilidad puede ayudarle a llegar antes a conclusiones, pero también puede producir una estimación menos precisa del tamaño del efecto. #### Ventajas * Se adapta a los datos acumulados sin necesidad de estimar el tamaño de la muestra por adelantado. * Proporciona un intervalo de confianza válido en cualquier momento durante la ejecución del experimento. #### Inconvenientes * Ofrece menor potencia estadística que los métodos de muestra fija. #### Ideal para * Equipos que avanzan rápido, quieren más flexibilidad de la que permite el marco de muestra fija y están dispuestos a sacrificar algo de potencia estadística a cambio. Para obtener las ventajas de ambos enfoques, combine las metodologías secuencial y de tamaño de muestra fijo. Utilice las pruebas secuenciales para detener el experimento antes cuando los resultados alcancen significancia, y utilice tamaños de muestra fijos para mantener el rigor estadístico de sus hallazgos. Establecer umbrales para la parada temprana y validar los hallazgos con el método de muestra fija le permite acelerar la obtención de información sin comprometer la fiabilidad. ## Técnicas complementarias ### Corrección de pruebas múltiples Probar varias variaciones simultáneamente acelera el ritmo general de la experimentación. Sin embargo, para mantener la integridad estadística al hacerlo, aplique métodos de corrección que reduzcan el riesgo de resultados falsos positivos. ### CUPED CUPED reduce el tamaño de muestra que necesita un experimento al aprovechar los datos previos al experimento, lo que mejora la potencia estadística y acelera la experimentación. Combine CUPED con una metodología de tamaño de muestra fijo para detectar resultados significativos de forma temprana sin perder potencia estadística. CUPED funciona mejor cuando: * Su experimento incluye visitantes recurrentes. * Ha ejecutado muchos experimentos en Kameleoon. * Existe una correlación entre las conversiones del objetivo antes del inicio del experimento y durante el experimento en vivo. ## Más información Para obtener más detalles sobre cómo funciona el motor estadístico de Kameleoon, lea el [documento estadístico de Kameleoon](https://storage.googleapis.com/kameleoon-storage-documentation/user-manual/pdf/statistics-at-kameleoon.pdf).