When should I use Z-test vs Chi-Square for A/B testing?

For 2 groups with binary outcomes, both give identical results (chi-square = z-squared). Z-test also provides confidence intervals. Chi-Square supports 3+ groups.

When should I use Fisher's exact test?

Use Fisher's exact test when sample sizes are small and expected cell counts are below 5, where chi-square approximation is unreliable.

What confidence level should I use for my A/B test?

95% is the industry standard. Use 90% for exploratory tests, 99% for high-stakes decisions.

Calculadora de test A/B de conversiones

Question: Is there a statistically significant difference between my A/B test conversion rates?

Analiza los resultados de conversión de tu test A/B con tres métodos estadísticos intercambiables: Z-test de proporciones, test Chi-Cuadrado y test exacto de Fisher. Introduce visitantes y conversiones de cada variante para obtener resultados instantáneos con valores p, intervalos de confianza y visualizaciones de distribución.

Cómo usar esta calculadora

Introduce el número de visitantes y conversiones del grupo de control (A) y del grupo variante (B). Selecciona el nivel de confianza deseado (95% es el estándar de la industria) y si deseas un test de una cola o dos colas. Los resultados se actualizan en tiempo real a medida que escribes, sin necesidad de pulsar ningún botón.

Cómo funcionan las matemáticas

Esta calculadora ofrece tres métodos para comparar tasas de conversión. El Z-test utiliza el test z de dos proporciones, calculando la diferencia de proporciones dividida por el error estándar combinado. El test Chi-Cuadrado compara frecuencias observadas vs esperadas en una tabla de contingencia. El test exacto de Fisher calcula la probabilidad exacta para muestras pequeñas donde las aproximaciones pueden no ser fiables. Los tres métodos determinan si la diferencia en tasas de conversión es estadísticamente significativa.

Cuándo usar esta calculadora

Utiliza esta calculadora después de ejecutar un test A/B para determinar si la diferencia observada en las tasas de conversión es estadísticamente significativa o si podría deberse al azar. Este es el análisis más común para experimentos de marketing, pruebas de funcionalidades de producto y optimización de experiencia de usuario.

Errores comunes en tests A/B

Los errores más comunes incluyen revisar los resultados antes de alcanzar el tamaño de muestra requerido (lo que infla la tasa de falsos positivos), ejecutar tests con potencia insuficiente que no pueden detectar diferencias significativas, no corregir por comparaciones múltiples al probar más de dos variantes, y detener los tests demasiado pronto basándose en tendencias iniciales.