Sintetizar la información estadística y visual es una habilidad fundamental para interpretar los resultados de pruebas A/B y formular recomendaciones accionables. Al revisar una cuadrícula de resultados de pruebas A/B, se debe combinar la comprensión de los **valores p**, **intervalos de confianza** y representaciones visuales como **gráficas de barras** o **barras de error**. Comienza examinando el `p-value`: un valor por debajo del umbral predeterminado (comúnmente `0.05`) sugiere significancia estadística, pero esto por sí solo no es suficiente. Luego, revisa el **intervalo de confianza** para el efecto estimado; si no cruza cero, esto respalda la existencia de una diferencia estadísticamente significativa, y el rango indica el posible tamaño del efecto. Las **visualizaciones** ayudan a identificar rápidamente patrones, valores atípicos o superposiciones entre grupos, reforzando o cuestionando lo que sugieren los números. Al integrar estos elementos, se puede interpretar con confianza si la diferencia observada es significativa y qué acción práctica debe seguir, como implementar una nueva funcionalidad, realizar más pruebas o mantener el estado actual.


import unittest
import user_code
import ast
import re   
import importlib
import csv
import unittest
import pandas as pd
import importlib

class TestTask(unittest.TestCase):
    def setUp(self):
        self.user_code = importlib.import_module("user_code")

    def test_recommendation_column_added(self):
        results_data = {
            "test_scenario": ["A", "B"],
            "p_value": [0.01, 0.2],
            "confidence_interval": [(0.05, 0.10), (-0.01, 0.03)],
            "mean_difference": [0.08, 0.01]
        }
        df = pd.DataFrame(results_data)
        df_out = self.user_code.interpret_ab_results(df)
        has_column = "recommendation" in df_out.columns
        correct_length = len(df_out["recommendation"]) == len(df_out)
        _dynamic_test(self,
            has_column and correct_length,
            "Adds 'recommendation' column with one entry per scenario.",
            f"Recommendation column missing or wrong length. Columns: {df_out.columns}, length: {len(df_out['recommendation']) if has_column else 'N/A'}"
        )

    def test_recommend_rollout(self):
        results_data = {
            "test_scenario": ["C"],
            "p_value": [0.01],
            "confidence_interval": [(0.01, 0.05)],
            "mean_difference": [0.03]
        }
        df = pd.DataFrame(results_data)
        df_out = self.user_code.interpret_ab_results(df)
        rec = df_out["recommendation"][0]
        _dynamic_test(self,
            "rollout" in rec.lower() and "improvement" in rec.lower(),
            "Recommends rollout when p < 0.05 and CI above zero.",
            f"Expected rollout recommendation, got: {rec}"
        )

    def test_recommend_do_not_rollout(self):
        results_data = {
            "test_scenario": ["D"],
            "p_value": [0.01],
            "confidence_interval": [(-0.08, -0.01)],
            "mean_difference": [-0.05]
        }
        df = pd.DataFrame(results_data)
        df_out = self.user_code.interpret_ab_results(df)
        rec = df_out["recommendation"][0]
        _dynamic_test(self,
            "do not rollout" in rec.lower() or ("not rollout" in rec.lower()),
            "Recommends not rolling out when p < 0.05 and CI below zero.",
            f"Expected do not rollout recommendation, got: {rec}"
        )

    def test_recommend_investigate_further(self):
        results_data = {
            "test_scenario": ["E"],
            "p_value": [0.01],
            "confidence_interval": [(-0.02, 0.03)],
            "mean_difference": [0.00]
        }
        df = pd.DataFrame(results_data)
        df_out = self.user_code.interpret_ab_results(df)
        rec = df_out["recommendation"][0]
        _dynamic_test(self,
            "investigate" in rec.lower(),
            "Recommends to investigate further when p < 0.05 and CI crosses zero.",
            f"Expected investigate further recommendation, got: {rec}"
        )

    def test_recommend_maintain(self):
        results_data = {
            "test_scenario": ["F"],
            "p_value": [0.2],
            "confidence_interval": [(-0.01, 0.03)],
            "mean_difference": [0.01]
        }
        df = pd.DataFrame(results_data)
        df_out = self.user_code.interpret_ab_results(df)
        rec = df_out["recommendation"][0]
        _dynamic_test(self,
            "maintain" in rec.lower() or "no statistically significant difference" in rec.lower(),
            "Recommends maintaining current version when p >= 0.05.",
            f"Expected maintain recommendation, got: {rec}"
        )

def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)

def normalize_text(text):
    text = text.lower()
    text = re.sub(r"\\s{2,}", " ", text)
    text = re.sub(r"\\s*([,:?])\\s*", r"\\1 ", text)
    return text.strip()

def change_var(code: str, var_name: str, value: str) -> str:
    tree = ast.parse(code)
    lines = code.splitlines()
    changed = False
    # Collect all assignment nodes to modify
    assign_nodes = [
        (i, node)
        for i, node in enumerate(tree.body)
        if isinstance(node, ast.Assign)
        and any(isinstance(target, ast.Name) and target.id == var_name for target in node.targets)
    ]

    # If nothing to change, return unmodified code
    if not assign_nodes:
        return code

    # Perform replacements for all matching assignments (from last to first to not break line offsets)
    for i, node in reversed(assign_nodes):
        start_line = node.lineno - 1
        line = lines[start_line]
        indent = ' ' * (len(line) - len(line.lstrip()))
        lines[start_line] = f"{indent}{var_name} = {value}"
        next_line = len(lines)
        for next_node in tree.body[i+1:]:
            if hasattr(next_node, 'lineno'):
                next_line = next_node.lineno - 1
                break
        if next_line > start_line + 1:
            lines[start_line+1:next_line] = []
        changed = True

    return '\\n'.join(lines) if changed else code

if __name__ == "__main__":
    unittest.main()


test_main.py

Domina el arte y la ciencia de las pruebas A/B utilizando Python. Este curso abarca los fundamentos estadísticos, el diseño experimental y la implementación práctica de pruebas A/B, con un fuerte énfasis en la práctica y escenarios del mundo real. Aprende a analizar resultados, evitar errores comunes y comunicar hallazgos de manera efectiva.

Explora los aspectos esenciales de las pruebas A/B: desde la terminología básica y el método científico hasta los flujos de trabajo prácticos utilizados en tecnología y marketing. Esta sección proporciona una base integral, incluyendo el contexto histórico, la justificación de la experimentación y el vocabulario esencial necesario para una comunicación efectiva en entornos orientados a los datos.

Domina las habilidades necesarias para diseñar pruebas A/B robustas: desde la formulación de hipótesis y la aleatorización hasta el cálculo del tamaño de la muestra y la selección de métricas. Esta sección cubre en detalle la creación de hipótesis, la aleatorización, la determinación del tamaño de la muestra y la selección de métricas, con ejemplos prácticos y ejercicios interactivos.

Sumérgete en los conceptos estadísticos que sustentan las pruebas A/B, incluyendo significancia, valores p, tipos de error e intervalos de confianza. Esta sección ofrece explicaciones detalladas, ejemplos prácticos de código y ejercicios prácticos para consolidar tu comprensión.

Sumérgete en los fundamentos del análisis práctico de pruebas A/B: simula datos, interpreta resultados, crea visualizaciones atractivas y comunica hallazgos a las partes interesadas. Aprende a comunicar hallazgos de manera efectiva, crear visualizaciones impactantes y evitar errores comunes en la interpretación.

Challenge: Interpretación de Resultados de Pruebas A/B

Solución