PRUEBAS ESTADSTICAS CON LA DISTRIBUCIN CHI-CUADRADO

1. BONDAD DE AJUSTE Las pruebas de bondad de ajuste tienen por objetivo determinar si los datos se ajustan a una determinada distribucin, esta distribucin puede estar completamente especificada (hiptesis simple) o perteneciente a una clase paramtrica (hiptesis compuesta). Con mucha frecuencia no se conoce la distribucin de probabilidad de la variable aleatoria en estudio, digamos X, y se desea probar la hiptesis de que X sigue una distribucin de probabilidad particular. Por ejemplo, podra ser de inters probar la hiptesis de que X sigue una exponencial, etc. Existen dos procedimientos para realizar pruebas de bondad de ajuste que son los ms conocidos. El primero se basa en una tcnica grfica muy til llamada grfica de probabilidad y el segundo procedimiento se basa en la distribucin Chi-cuadrada. distribucin normal, una

2. INTRODUCCIN A LA CHI-CUADRADO La prueba de Chi- cuadrado (X2), permite calcular la probabilidad de obtener resultados que nicamente por efecto del azar se desven de las expectativas en la magnitud observada si el modelo es correcto. Para realizar una prueba de Chi-cuadrado, el primer paso es comparar el nmero de individuos observado en cada categora con los nmeros esperados considerando el tamao de la muestra y el modelo propuesto. Las desviaciones son elevadas al cuadrado y divididas por los valores esperados, lo cual proporciona un valor de Chi-cuadrado. Se utiliza el nmero de individuos y no las proporciones, X2 toma en consideracin el tamao de la muestra.

La formula para X2 es como se indica a continuacin:

(resultados observados
i

resultados esperados

resultados esperados

El siguiente paso es determinar los grados de libertad. Los grados de libertad son el nmero de categoras o clases variables independientes que existe. Generalmente, esto es igual a uno menos el nmero total de clases. Por ejemplo, si hay dos clases de semillas, amarillas y verdes, nicamente una de ellas es variable independientemente una vez se conozca el nmero de semillas amarillas en un tamao de muestra determinado, tambin se conoce el nmero de semillas verdes. Por lo tanto, los grados de libertad en este ejemplo son uno. El paso final en la aplicacin de la prueba de Chi-cuadrado es buscar el valor de Chi-cuadrado y los grados de libertad en una tabla o grafica como las que se presentan a continuacin y determinar el valor de la probabilidad. Este valor es la probabilidad de que el azar por s mismo pudiera ser responsable de una desviacin tan grande o mayor que la observada, si la hiptesis es correcta. Si la probabilidad es alta se considera que los datos estn de acuerdo con el modelo, lo cual no prueba que el modelo sea correcto, sino que simplemente no se puede demostrar que sea incorrecto. Si la probabilidad es baja, la desviacin no es debida al azar y se considera que los datos no respaldan el modelo. Seguidamente se tiene que decidir que tan baja probabilidad es posible aceptar antes de rechazar el modelo propuesto. Generalmente, el nivel de confianza escogido es de 5%. Si la probabilidad es menor de 0.05, la diferencia es significativa, y si es menor de 0.01, esta es considerada altamente

significativa. Las probabilidades en estos intervalos generalmente causan el rechazo de un modelo, sin embargo, el rechazo de la hiptesis al nivel del 5% significa que se rechazan hiptesis correctas 5% de las veces.

Tabla Distribucin de ji-cuadrado

Grados de libertad 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 40 50 60 70 80 90 100

0,1 2,71 4,61 6,25 7,78 9,24 10,64 12,02 13,36 14,68 15,99 17,28 18,55 19,81 21,06 22,31 23,54 24,77 25,99 27,20 28,41 29,62 30,81 32,01 33,20 34,38 35,56 36,74 37,92 39,09 40,26 51,81 63,17 74,40 85,53 96,58 107,57 118,50

Probabilidad de un valor superior 0,05 0,025 0,01 3,84 5,02 6,63 5,99 7,38 9,21 7,81 9,35 11,34 9,49 11,14 13,28 11,07 12,83 15,09 12,59 14,45 16,81 14,07 16,01 18,48 15,51 17,53 20,09 16,92 19,02 21,67 18,31 20,48 23,21 19,68 21,92 24,73 21,03 23,34 26,22 22,36 24,74 27,69 23,68 26,12 29,14 25,00 27,49 30,58 26,30 28,85 32,00 27,59 30,19 33,41 28,87 31,53 34,81 30,14 32,85 36,19 31,41 34,17 37,57 32,67 35,48 38,93 33,92 36,78 40,29 35,17 38,08 41,64 36,42 39,36 42,98 37,65 40,65 44,31 38,89 41,92 45,64 40,11 43,19 46,96 41,34 44,46 48,28 42,56 45,72 49,59 43,77 46,98 50,89 55,76 59,34 63,69 67,50 71,42 76,15 79,08 83,30 88,38 90,53 95,02 100,43 101,88 106,63 112,33 113,15 118,14 124,12 124,34 129,56 135,81

0,005 7,88 10,60 12,84 14,86 16,75 18,55 20,28 21,95 23,59 25,19 26,76 28,30 29,82 31,32 32,80 34,27 35,72 37,16 38,58 40,00 41,40 42,80 44,18 45,56 46,93 48,29 49,65 50,99 52,34 53,67 66,77 79,49 91,95 104,21 116,32 128,30 140,17

3. TABLAS DE CONTINGENCIA En estadstica las tablas de contingencia se emplean para registrar y analizar la relacin entre dos o ms variables, habitualmente de naturaleza cualitativa, nominales u ordinales. Las tablas de contingencia tienen dos objetivos fundamentales: 1) Organizar la informacin contenida en un experimento cuando sta es de carcter bidimensional, es decir, cuando est referida a dos factores (variables cualitativas). 2) A partir de la tabla de contingencia se puede adems analizar si existe alguna relacin de dependencia o independencia entre los niveles de las variables cualitativas objeto de estudio. El hecho de que dos variables sean independientes significa que los valores de una de ellas no estn influidos por la modalidad o nivel que adopte la otra. Supngase que se dispone de dos variables, la primera el sexo (hombre o mujer) y la segunda que recoge si consume o no alimentos ecolgicos. Se ha observado esta pareja de variables en una muestra aleatoria de 100 individuos. Se puede emplear una tabla de contingencia para expresar la relacin entre estas dos variables, del siguiente modo:

CONSUME 43 44 87

NO CONSUME 9 4 13

TOTAL 52 46 100

HOMBRE MUJER

TOTAL

Las cifras en la columna de la derecha y en la fila inferior reciben el nombre de frecuencias marginales y la cifra situada en la esquina inferior derecha es el gran total. La tabla nos permite ver de un vistazo que la proporcin de hombres consumidores es aproximadamente igual a la proporcin de mujeres consumidoras. Sin embargo, ambas proporciones no son idnticas y la significacin estadstica de la diferencia entre ellas puede ser evaluada con el test Chi Cuadrado de Pearson, supuesto que las cifras de la tabla son una muestra aleatoria de una poblacin. Si la proporcin de individuos en cada columna vara entre las diversas filas y viceversa, se dice que existe asociacin entre las dos variables. Si no existe asociacin se dice que ambas variables son independientes. El grado de asociacin entre dos variables se puede evaluar empleando distintos coeficientes: el ms simple es el coeficiente phi que se define por

donde 2 se deriva del test de Pearson, y N es el total de observaciones -el gran total-. puede oscilar entre 0 (que indica que no existe asociacin entre las variables) y 1 (asociacin total). Para identificar relaciones de dependencia entre variables cualitativas se utiliza un contraste estadstico basado en el estadstico

(Chi-cuadrado),

cuyo clculo nos permitir afirmar con un nivel de confianza estadstico determinado si los niveles de una variable cualitativa influyen en los niveles de la otra variable nominal analizada. Siguiendo con el ejemplo propuesto, el clculo de la Chi-cuadrado nos permitira saber si el sexo de una persona es un factor determinante en que dicha persona fume o no fume.

Cmo podemos determinar si existe una relacin de dependencia o independencia entre las variables analizadas? Dos variables son independientes si: a) las frecuencias relativas condicionadas son iguales a las frecuencias relativas marginales, es decir:

1 = f 1

n n

11 1

= f 1 = 2

n n

12 1

i = = f j

n n

1j 1

2 = f 1

n n

21 2

= f 2 = 2

n n

22 2

2 = = f j

n n

2j 2

Frecuencias relativas marginales: = f i j

n n

ij

f
=

ij

= f j i

n n

ij

ji

b) O bien si se cumple que la frecuencia relativa conjunta es igual al producto de las frecuencias relativas marginales:

n ( ) = n =n x
ij i i j

De esta forma, comparando las frecuencias tericas esperadas en caso de independencia entre los factores con las frecuencias observadas en la muestra, podremos concluir si existe una relacin de dependencia o independencia entre los factores o atributos analizados. Segn la notacin de la tabla inicial, y utilizando el concepto frecuentalista de probabilidad, podemos estimar la probabilidad de que se de un suceso determinado a partir de sus frecuencias relativas:

ij

ij

De esta forma, si las variables son independientes

ij

ij

n xn
i

donde Eij sera el nmero de casos o frecuencia absoluta esperada o terica en condiciones de independencia. Por lo tanto podremos calcular las frecuencias esperadas:

ij =

n xn
i

En lugar de los Eij , habremos observado los nij. Tendremos tantos valores Eij y nij como celdas de la matriz, concluyendo que si hay poca diferencia entre estos valores los atributos sern independientes, no

pudindose afirmar lo mismo en caso contrario. Supuesto que el atributo A tiene n filas y el atributo B, k columnas, la tabla ser de orden nxk. Pearson plante la utilizacin del estadstico c2 para analizar la independencia, definido por:

(nij ij )
h k i =1 j =1

ij

La hiptesis nula a contrastar ser la de independencia entre los factores, siendo la hiptesis alternativa la de dependencia entre los factores. El valor de

calculado se compara con el valor tabulado de una

para un nivel de confianza determinado y (n-1) (k-1) grados de libertad. Si el valor calculado es mayor que el valor de tablas de una

x(

2 n 1)( k 1)

, significar que

las diferencias entre las frecuencias observadas y las frecuencias tericas o esperadas son muy elevadas y por tanto diremos con un determinado nivel de confianza que existe dependencia entre los factores o atributos analizados.

Resumiendo:

x x(
2

2 n 1)( k 1)

Rechazar hiptesis nula (dependencia entre las variables)

x x(
2

2 n 1)( k 1)

Aceptar hiptesis nula (independencia entre las variables)

Vemoslo con el mismo ejemplo anterior:

ALIMENTOECOLGICO

CONSUME NOCONSUME MARGINAL

SEXO HOMBRE MUJER 65 58 43 67 108 125

MARGINAL 123 110 233

Frecuencias relativas marginales: P (ser hombre) = 108/ 233 = 46.4% P (ser mujer) = 125/ 233 = 53.6% P (consumir) = 123/ 233 = 52.8% P (no consumir) = 110/ 233 = 47.2%

Frecuencias relativas conjuntas: P (hombre y consumir) = 65/ 233 = 27.9% P (hombre y no consumir) = 43/ 233 = 18.5% P (mujer y consumir) = 58/ 233 = 24.9% P (mujer y no consumir) = 67/ 233 = 28.8%

Frecuencias relativas tericas esperadas en caso de independencia: E (hombre y consumir) = 46.4% x 52.8% = 24.5% E (hombre y no consumir) = 46.4% x 47.2% = 21.9% E (mujer y consumir) = 53.6% x 52.8% = 28.3% E (mujer y no consumir) = 53.6% x 47.2% = 25.3%

Frecuencias absolutas tericas esperadas en caso de independencia: E (hombre y consumir) = 123 * 108 /233 = 57 E (hombre y no consumir) = 108*110/233 = 51 E (mujer y consumir) = 123*125/233 = 66 E (mujer y no consumir) = 125*110/233 = 59

Valor de la Chi-cuadrado:

(nij ij )
h k i =1 j =1

(6557) + (5866) + (4351) + (6759) = 4,42 =

2 2 2 2

ij

57

66

51

59

Dado que el valor calculado de la

para un nivel de confianza del 95%

(5% nivel de significacin) es mayor que el valor de tablas, se rechaza la hiptesis nula de independencia entre los factores, aceptando por tanto que el sexo de una persona influye en que sta sea consumidora o no de alimentos ecolgicos.

4. TABLAS PIVOTE EN EXCEL Tambin llamadas tablas dinmicas, es una tabla interactiva que contiene campos, la que se usa para resumir y analizar los datos de mltiples filas de informacin de una tabla o de una lista original. Una tabla dinmica puede actualizarse cada vez que se modifiquen los datos originales de la misma, o sea los utilizados para su confeccin.

EJEMPLO: Disponemos de una hoja de clculo con las horas trabajadas durante una semana por los trabajadores de una planta de procesado de fruta de una empresa segn los diferentes cargos que ocupa.

Queremos crear una tabla dinmica que muestre, para cada empleado de la empresa, en pginas individuales, el total de horas trabajadas en cada uno de las funciones durante la ltima semana. 1. Sitate en una de las celdas que contienen los datos y ve a Datos (Men principal), Asistente para tablas dinmicas. Se iniciar el Asistente, que consta de cuatro cuadros de dilogo consecutivos. 2. En el primer cuadro de dilogo (paso 1 de 4) se solicita el origen de los datos a organizar en forma de tabla dinmica. En este caso, dejamos la opcin preseleccionada (Lista o base de datos de Microsoft Excel) y pulsamos Siguiente. 3. El siguiente cuadro de dilogo (paso 2 de 4) permite seleccionar el rango de celdas en el que estn situados los datos a organizar.

4. En el tercer cuadro de dilogo (paso 3 de 4) se disear la distribucin de los campos en la tabla a crear. En la parte derecha de la ventana se muestra un botn para cada campo de la lista y en la parte izquierda aparece el rea en donde se disear la tabla, que est dividida en cuatro secciones (PGINA, FILA, COLUMNA y DATOS), en las que se pueden colocar los distintos campos, pulsando sobre el botn del campo y arrastrndolo a una seccin. A la hora de organizar los datos en nuestro ejemplo deber tenerse en cuenta lo siguiente:

1. El campo que se coloque en la seccin PGINA aparecer en forma de una lista desplegable desde la que se podr seleccionar aquel elemento del que se desee mostrar el resumen. Existir adems la posibilidad de mostrar el resumen correspondiente a cada empleado en una hoja diferente. 2. El campo que se coloque en la seccin FILA mostrar sus elementos como encabezados o ttulos de las filas en la tabla 3. El campo que se coloque en la seccin COLUMNA, mostrar sus elementos como encabezados de las columnas de la tabla 4. En cuanto al campo que se coloque en la seccin DATOS, sus datos se sometern a una determinada operacin de clculo: Suma (es la que se ofrece por defecto cuando los datos de este campo son todos numricos), Contar (la que se ofrece por defecto en los dems casos), Promedio, Mnimo, Mximo, Producto, etc.

En nuestro ejemplo, por tanto, colocaremos los campos del siguiente modo: El campo Empleado en la seccin PGINA El campo Proyecto en la seccin FILA El campo Fecha en la seccin COLUMNA El campo Horas (que contiene los valores que queremos sumar) en la seccin DATOS, aceptando la funcin de SUMA que Excel propone por defecto.

Notas: a) La forma elegida aqu para organizar los datos slo es una de entre

todas las posibles. Cabe organizar los datos de otra manera; no obstante, hemos de procurar que la forma elegida sea la ms clara y fcil de interpretar. b) Aunque los datos de una tabla dinmica tienen el mismo aspecto que

cualquier hoja de clculo, no se pueden introducir ni editar los datos directamente en ella. Para modificar sus resultados debern modificarse forzosamente los datos a partir de los cuales se ha creado.

c)

No obstante, las tablas dinmicas no se actualizan automticamente

cuando los datos de origen cambian, sino que, cambiados los datos fuente es necesario seleccionar con el botn derecho del ratn una celda cualquiera de la tabla y elegir la opcin Actualizar datos del men contextual correspondiente. d) Una vez creada la tabla dinmica, se puede cambiar fcilmente su diseo arrastrando los botones sombreados con los nombres de los campos a otras posiciones de la tabla (por esta razn se llaman dinmicas, precisamente)

5. DISTRIBUCIN CHI-CUADRADO EN EXCEL

DISTR.CHI Devuelve la probabilidad de una variable aleatoria continua siguiendo una distribucin chi cuadrado de una sola cola. La distribucin 2 est asociada a una prueba 2. Utilice la prueba 2 para comparar los valores observados con los esperados. Por ejemplo, un experimento gentico podra estar basado en la hiptesis de que la prxima generacin de plantas presentar un conjunto determinado de colores. Al comparar los resultados observados con los resultados esperados, puede decidir si su hiptesis original es vlida. Sintaxis DISTR.CHI(x;grados_de_libertad) X es el valor al que desea evaluar la distribucin.

Grados_de_libertad es el nmero de grados de libertad. Observaciones

Si uno de los argumentos no es numrico, DISTR.CHI devuelve el valor de error #VALOR! Si el argumento x es negativo, DISTR.CHI devuelve el valor de error #NUM! Si el argumento grados_de_libertad no es un entero, se trunca. Si el argumento grados_de_libertad < 1 o si grados_de_libertad 10^10, DISTR.CHI devuelve el valor de error #NUM! DISTR.CHI se calcula como DISTR.CHI = P(X>x), donde X es una variable aleatoria de 2.

PRUEBA.CHI Devuelve la prueba de independencia. PRUEBA.CHI devuelve el valor de la distribucin chi cuadrado (2) para la estadstica y los grados de libertad apropiados. Las pruebas 2 pueden utilizarse para determinar si un experimento se ajusta a los resultados tericos. Sintaxis PRUEBA.CHI(rango_actual;rango_esperado) Rango_actual es el rango de datos que contiene observaciones para probar frente a valores esperados. Rango_esperado es el rango de datos que contiene la relacin del producto de los totales de filas y columnas con el total global.

Observaciones

Si rango_actual y rango_esperado tienen un nmero diferente de puntos de datos, PRUEBA.CHI devuelve el valor de error #N/A. La prueba 2 primero calcula una estadstica 2 y despus suma las diferencias entre los valores reales y los valores esperados. La ecuacin para esta funcin es PRUEBA.CHI=p( X>2 ), donde: y donde: Aij = frecuencia actual en la isima fila, jsima columna Eij = frecuencia esperada en la isima fila, jsima columna r = nmero de filas c = nmero de columnas PRUEBA.CHI devuelve la probabilidad para una estadstica 2 y grados de libertad, gl, donde gl = (r - 1)(c - 1).

PRUEBA.CHI.INV Devuelve para una probabilidad dada, de una sola cola, el valor de la variable aleatoria siguiendo una distribucin chi cuadrado. Si el argumento probabilidad = DISTR.CHI(x;...), entonces PRUEBA.CHI.INV(probabilidad,...) = x. Utilice esta funcin para comparar los resultados observados con los resultados esperados, a fin de decidir si la hiptesis original es vlida. Sintaxis PRUEBA.CHI.INV(probabilidad;grados_de_libertad) Probabilidad es una probabilidad asociada con la distribucin chi cuadrado. Grados_de_libertad es el nmero de grados de libertad.

Observaciones

Si uno de los argumentos no es numrico, PRUEBA.CHI.INV devuelve el valor de error #VALOR! Si probabilidad < 0 o si probabilidad > 1, PRUEBA.CHI.INV devuelve el valor de error #NUM! Si el argumento grados_de_libertad no es un entero, se trunca. Si grados_de_libertad < 1 o si grados_de_libertad 10^10, PRUEBA.CHI.INV devuelve el valor de error #NUM!

PRUEBA.CHI.INV usa una tcnica iterativa para calcular la funcin. Dado un valor de probabilidad, PRUEBA.CHI.INV itera hasta que el resultado tenga una exactitud de 3x10^-7. Si PRUEBA.CHI.INV no converge despus de 100 iteraciones, la funcin devuelve el valor de error #N/A.

6. BIBLIOGRAFA I. http://64.233.183.104/search?q=cache:ieq5iAYRk9EJ:ininweb.uprm.edu/ cc/PRUEBA%2520DE%2520BONDAD%2520Y%2520AJUSTE%2520.d oc+bondad+de+ajuste&hl=es&ct=clnk&cd=7&gl=es II. http://cete.iespana.es/genetica/pragen10.pdf III. http://www.wiphala.net/research/manual/statistic/chi_cuadrado.html IV. http://www.uam.es/personal_pdi/economicas/eva/pdf/tab_conting.pdf V. http://es.wikipedia.org/wiki/Tablas_de_contingencia VI. http://www.uam.es/personal_pdi/economicas/eva/pdf/tab_conting.pdf VII. http://iteso.mx/~luisfnc/practica%207.htm