Una de las preguntas más recurrentes entre mis alumnos, clientes y lectores es:
¿Qué es el p-valor y cómo se interpreta correctamente?
La respuesta puede parecer muy compleja si empezamos directamente con fórmulas y estadística matemática.
Pero también puede explicarse de una forma mucho más intuitiva y práctica.
Me quedo con la segunda opción 😉
En este artículo y en la vídeo clase que encontrarás más abajo aprenderás a interpretar el p-valor con criterio.
La idea es que puedas comprender mejor los resultados que aparecen en tu software estadístico y que seas más crítico tanto con tus propios análisis como con los resultados de otros estudios.
¿Preparado?
¡Vamos a ello!
Qué es el p-valor
El p-valor es un resultado que aparece en muchos programas estadísticos con nombres como p, Sig. o significación.
En esta imagen puedes verlo:
El p-valor aparece en comparaciones de grupos, correlaciones, modelos de regresión y muchos otros análisis.
Pero no representa simplemente si un resultado es «bueno» o «malo».
De forma práctica, podemos definirlo así:
El p-valor indica hasta qué punto los datos observados serían compatibles con la hipótesis nula, suponiendo que esa hipótesis fuera cierta y que se cumplieran los supuestos del análisis.
Cuando el p-valor es pequeño, los datos observados serían poco habituales bajo la hipótesis nula.
Esto nos lleva a cuestionar esa hipótesis nula.
Sin embargo, el p-valor no demuestra automáticamente que nuestra hipótesis de investigación sea cierta.
El p-valor siempre está relacionado con una hipótesis
Cada p-valor se interpreta en relación con una hipótesis nula concreta.
Por ejemplo, en una comparación de medias podríamos plantear:
- Hipótesis nula (H0): no existen diferencias entre las medias de los grupos.
- Hipótesis alternativa (H1): existen diferencias entre las medias de los grupos.
En una correlación, las hipótesis serían diferentes:
- H0: no existe asociación lineal en la población.
- H1: existe una asociación lineal en la población.
Por eso no puedes interpretar un p-valor sin saber primero qué hipótesis está evaluando.
En una tabla con ocho p-valores puedes estar evaluando ocho hipótesis distintas.
Antes de mirar si un resultado es significativo, pregúntate:
¿Qué hipótesis nula está poniendo a prueba este p-valor?
Descubre cómo analizar los datos de tus proyectos con éxito.
Sin perder miles de horas descifrando fórmulas estadísticas incomprensibles.
Vídeo clase: qué es el p-valor y cómo interpretarlo
Quédate con esta idea antes de ver el vídeo:
El p-valor no responde directamente si una hipótesis es verdadera o falsa.
Nos ayuda a evaluar la compatibilidad de los datos con la hipótesis nula.
Con esto claro, vamos a por la clase:
Después de ver el vídeo, repasamos los puntos más importantes.
Por qué aparece la incertidumbre en un análisis estadístico
En la mayoría de las investigaciones no podemos estudiar a toda la población.
Trabajamos con una muestra y utilizamos sus datos para extraer conclusiones más generales.
El problema es que dos muestras diferentes de una misma población no producirán exactamente los mismos resultados.
Existe variabilidad muestral.
La estadística inferencial nos ayuda a trabajar con esa incertidumbre mediante herramientas como:
- los intervalos de confianza;
- los contrastes de hipótesis;
- los tamaños del efecto;
- y los modelos estadísticos.
El p-valor forma parte de este proceso, pero no cuantifica por sí solo toda la incertidumbre ni sustituye al resto de resultados.
Cómo interpretar el p-valor usando un nivel de significación
Antes de realizar el análisis se fija normalmente un nivel de significación, representado por la letra griega alfa.
Un valor frecuente es:
α = 0,05
Después comparamos el p-valor con ese umbral.
- Si p < 0,05: rechazamos la hipótesis nula al nivel de significación establecido.
- Si p ≥ 0,05: no rechazamos la hipótesis nula.
La expresión correcta es «no rechazamos H0», no «aceptamos H0».
Un resultado no significativo no demuestra que no exista ninguna diferencia o relación.
Puede ocurrir que:
- el efecto sea pequeño;
- la muestra sea insuficiente;
- haya mucha variabilidad;
- o el estudio tenga poca potencia estadística.
Por eso, «no significativo» no significa necesariamente «no existe efecto».
Qué no significa el p-valor
Esta es la parte que más errores genera.
El p-valor:
- no es la probabilidad de que la hipótesis nula sea verdadera;
- no es la probabilidad de que la hipótesis alternativa sea verdadera;
- no es la probabilidad de haberte equivocado al rechazar H0;
- no mide el tamaño ni la importancia del efecto;
- no demuestra causalidad;
- y no sustituye la interpretación científica o profesional.
Un p-valor de 0,01 no significa que exista un 1 % de probabilidad de que el resultado sea falso.
Significa que, bajo la hipótesis nula y los supuestos del análisis, observar unos datos tan extremos como los obtenidos —o más extremos— tendría una probabilidad del 1 %.
Significación estadística no significa relevancia práctica
Imagina que comparas dos tratamientos y encuentras una diferencia media muy pequeña, pero el p-valor es inferior a 0,05.
La diferencia puede ser estadísticamente significativa, pero quizá no sea clínicamente, científicamente o profesionalmente importante.
También puede ocurrir lo contrario: encontrar una diferencia potencialmente relevante que no alcanza significación estadística porque la muestra es pequeña.
Por eso deberías interpretar el p-valor junto con:
- el tamaño del efecto;
- el intervalo de confianza;
- el tamaño de la muestra;
- la calidad del diseño;
- los supuestos del análisis;
- y el contexto de la investigación.
El p-valor es una pieza del análisis, no la conclusión completa.
Un ejemplo sencillo de interpretación
Imagina que comparas la presión arterial media entre dos tratamientos y obtienes:
- diferencia media: 4,2 mmHg;
- intervalo de confianza del 95 %: entre 1,1 y 7,3 mmHg;
- p = 0,008.
Una interpretación adecuada podría ser:
Se observó una diferencia media de 4,2 mmHg entre los tratamientos. El intervalo de confianza del 95 % osciló entre 1,1 y 7,3 mmHg y el resultado fue estadísticamente significativo al nivel del 5 % (p = 0,008).
Después necesitarías valorar si una diferencia de esa magnitud es relevante en tu contexto.
No basta con escribir «p < 0,05».
Errores habituales al interpretar el p-valor
Evita estas conclusiones:
- «Como p < 0,05, mi hipótesis es verdadera».
- «Como p ≥ 0,05, no existe ninguna diferencia».
- «Un p-valor más pequeño implica un efecto más grande».
- «Si el resultado es significativo, entonces es importante».
- «La regresión demuestra que una variable causa la otra».
Una interpretación correcta siempre necesita contexto, diseño y una lectura conjunta de todos los resultados.
Resumen: cómo interpretar correctamente un p-valor
- Identifica la hipótesis nula que se está evaluando.
- Comprueba que el análisis y sus supuestos sean adecuados.
- Compara el p-valor con el nivel de significación definido previamente.
- Si p < α, rechaza H0; si p ≥ α, no rechaces H0.
- Interpreta también el tamaño del efecto y el intervalo de confianza.
- Valora la relevancia científica, clínica o profesional del resultado.
- Explica siempre las limitaciones del estudio.
El p-valor es un concepto abstracto, pero comprenderlo cambia por completo la forma de analizar, interpretar y comunicar resultados.
Espero que esta guía te ayude a dejar de mirar únicamente si aparece un número menor que 0,05 y a empezar a interpretar el análisis completo.
Aprende a interpretar tus análisis con seguridad
Si quieres aprender estadística aplicada con un método que te ayude a elegir técnicas, interpretar resultados y justificar tus decisiones, he preparado un training gratuito para ti.
En esta clase aprenderás a transformar las preguntas de tu investigación en una estrategia de análisis clara, sin limitarte a ejecutar pruebas estadísticas automáticamente.
Acceso gratuito · Estadística aplicada · Método paso a paso
¡A por los conceptos claros! 🙂
Un abrazo,
Jordi
Muchas gracias por el minicurso. Ahora entiendo lo que es el p-valor. Gracias
Una pregunta como se calcula el p-valor sin saber cual es la población total. Nosotros solo disponemos de la muestra y en la mayoría de los casos no sabemos cual es la población total
Excelente explicación, felicitaciones! Haces ver el lado práctico y hasta divertido de la estadística. Tengo la misma pregunta de Julián, afecta en algo no conocer el dato total de la población?
Gracias Daniela, por tu mensaje. Me alegra que te haya gustado la explicación.
Un saludo
Te entendí a la perfección. Muchas gracias por tu explicación. Había buscado información del Valor P en otras partes pero me quedaban dudas.