QU ES Y CMO SE CALCULA LA DISTRIBUCIN CHI CUADRADO?
ANTECEDENTES HISTRICOS DE LA DISTRIBUCIN CHI CUADRADO:
El matemtico Karl Pearson (18571936), advirti que cuando un cientfico realiza un experimento de resultados aleatorios, generalmente tiene en mente como referente un modelo terico ideal que de antemano establece cmo debera ser el comportamiento y cules deberan ser los resultados estadsticos esperados del experimento. Sin embargo, en el mundo real es muy normal que los resultados empricos obtenidos dentro de Muestras Estadsticas sobre la realizacin de un experimento aleatorio no coincidan plenamente con los resultados tericos esperados. En muchos casos es normal que ocurran grandsimas fluctuaciones en los resultados observados en el experimento aleatorio, y an as es posible seguir afirmando que esos resultados fluctuantes todava estn ocurriendo dentro de los lmites previstos por el modelo terico ideal. Justamente, una gran dificultad a la que se enfrentaron los primeros cientficos de la Modernidad fue cmo hallar una frmula matemtica para determinar con exactitud que las fluctuaciones o variaciones observadas en los resultados de un experimento eran suficientemente significativas como para permitir concluir que esos resultados ya no respondan a las expectativas del modelo terico.
Por ese motivo Karl Pearson hacia 1900 propuso uno de los primeros Tests Estadsticos que desde la ptica de las distribuciones de la probabilidad sirve para calcular si los resultados estadsticos de un experimento se alejan significativamente o no de los resultados esperados del modelo terico, test que actualmente es conocido como el Test Chi Cuadrado. Luego otros importantes matemticos han propuesto la axiomatizacin de diversas funciones matemticas o estadsticas que permiten definir y calcular los lmites ideales a partir de los cuales se puede afirmar con gran certeza que los resultados observados en un experimento aleatorio definitivamente ya no responden a las expectativas tericas del modelo ideal, es decir, permiten concluir que realmente son muy significativas las disparidades existentes entre los resultados observados y los resultados esperados. Algunas de las ms importantes funciones estadsticas empleadas para ese propsito son la prueba Fisher, la prueba T-Student, la prueba Z, el test Wishart, la prueba McNemar, la prueba Q de Cochran, los tests de Bondad de Ajuste, etc.
A continuacin tratare sobre la Distribucin Chi-Cuadrado de la probabilidad y su relacin con el Test Chi-Cuadrado, recalcando su aplicacin en los denominados Contrastes de Significacin que se pueden realizar entre los resultados tericos esperados y los resultados empricos observados de un experimento.
COMPRENDIENDO EL MODELO IDEAL DE LA DISTRIBUCIN CHI CUADRADO:
La denominada Distribucin Chi Cuadrado (que usualmente se escribe y se lee como: Ji Cuadrado), es una distribucin cuadrtica de la probabilidad que utiliza bsicamente variables aleatorias continuas. La Distribucin Chi Cuadrado de la probabilidad se denota mediante la letra griega minscula ji elevada al cuadrado (2), y consiste en establecer un espacio continuo delimitado por la suma de los cuadrados de n variables aleatorias que son independientes entre s, espacio dentro del cual la variable X puede asumir cualquiera de los infinitos valores que lo conforman, y por tanto para establecer el valor aproximado de una variable X dentro de ese espacio se procede a incluir una estimacin de sus posibles lmites que estn dados por los distintos Grados de Libertad que pueden existir entre las variables aleatorias analizadas que dan origen al referido espacio. En otras palabras, la Distribucin Chi Cuadrado en un delimitado espacio conjuga un determinado nmero de variables aleatorias independientes entre s, con unos valores de probabilidad ubicados entre 1 y 0 que son atribuibles a esas variables, y con unos lmites de la probabilidad para el verdadero valor de X delimitados por los Grados de Libertad atribuibles a las variables aleatorias analizadas.
La Distribucin Chi Cuadrado permite calcular la probabilidad existente para que una variable X, que tiene un determinado Grado de Libertad frente a otras variables del mismo conjunto, permanezca dentro de unos lmites ideales previstos para X cuando tiene ese especfico Grado de Libertad o independencia. En otras palabras, la Distribucin Chi Cuadrado suministra un modelo ideal sobre los lmites probables que deberan regir las fluctuaciones en la aparicin de un determinado valor aleatorio X dependiendo del Grado de Libertad que tiene ese valor frente a otras variables similares dentro de un conjunto de datos analizados. La frmula matemtica para calcular la probabilidad de que una variable X permanezca dentro del lmite ideal correspondiente al respectivo Grado de Libertad es la siguiente:
2k (X) = Xk / 2 1 e X / 2
2k /2 (k / 2)
En esta ecuacin la letra k que aparece como un subndice de la expresin 2 indica el Grado de Libertad que se toma como lmite para calcular la probabilidad de la variable aleatoria X. Esta ecuacin para ser despejada requiere el uso de la compleja Funcin Gamma (representada por la letra griega mayscula gamma: ), y por tanto generalmente para solucionar esta ecuacin se emplean mtodos basados en la consulta de tablas o en el uso de algoritmos para ordenador que permiten obtener los valores de probabilidad respectivos.
EXPLICACIN DE LOS GRADOS DE LIBERTAD USADOS EN LA DISTRIBUCIN CHI CUADRADO:
Dentro de la Distribucin Ji Cuadrado los denominados Grados de Libertad atribuibles a un conjunto de variables equivalen al nmero de datos independientes entre s existentes dentro de ese conjunto que es necesario conocer previamente para poder estimar el valor de cualquier otro dato independiente del mismo grupo. Por ejemplo, si se afirma que en un cesto hay un conjunto de 10 manzanas, conformado por 2 clases independientes de manzanas, pues algunas de esas 10 manzanas son de color rojo y otras son de color verde, entonces en tal caso basta con saber que en el cesto hay 4 manzanas rojas para poder calcular inmediatamente que las restantes son 6 manzanas de color verde, es decir, en este caso hay 2 clases de datos independientes entre s (rojas y verdes), pero para poder conocer el valor de una clase de esos dos datos es siempre necesario conocer previamente el valor de la otra clase de datos, motivo por el cual se concluye que el Grado de Libertad o el grado de independencia existente entre las dos clases de datos tiene un valor de uno (1).
En otro ejemplo, si se afirma que en una sala hay un conjunto de 30 personas, conformado por 3 clases de razas independientes entre s, pues algunas de esas personas son caucsicas, otras son negras y otras son asiticas, entonces basta con saber que en la sala hay 12 personas caucsicas y 9 negras para poder calcular exactamente que las restantes 9 personas son asiticas, es decir, en este caso hay 3 clases de datos independientes entre s, pero para poder conocer cul es el valor de una clase particular de esos datos es siempre necesario conocer previamente el valor de las otras 2 clases de datos; en otras palabras, si slo se sabe que en la sala hay 12 personas caucsicas, ese dato resulta insuficiente para poder saber con exactitud cuntas son negras y cuntas son asiticas dentro de las restantes 18 personas de la sala, y si slo se sabe que en la sala 9 personas son asiticas, ese dato por s slo tambin resulta insuficiente para poder saber cuntas son negras y cuntas son caucsicas dentro de las restantes 21 personas de la sala, motivo por el cual se concluye que el Grado de Libertad o grado de independencia existente entre las tres clases de datos tiene un valor de 2, pues nicamente conociendo el valor de 2 clases de datos se puede saber con exactitud cmo estn distribuidas las tres clases de razas dentro de la poblacin total del conjunto analizado.
En otro ejemplo, si se afirma que existe un conjunto formado por 5 nmeros diferentes que al ser sumados dan como resultado 24, en tal caso no es indispensable conocer previamente todos los cinco nmeros que conforman el conjunto, pero para poder calcular el valor exacto de cualquiera de los 5 nmeros que conforman ese conjunto s es necesario conocer al menos 4 de esos 5 nmeros, como podra ocurrir con la combinacin conformada por los siguientes cinco nmeros: 4+3+10+2+X = 24, combinacin en la cual necesariamente se requiere conocer al menos 4 nmeros para poder calcular directamente que el quinto nmero desconocido (representado por la X) es un 5, es decir, el Grado de Libertad existente entre los cinco datos diferentes tiene un valor de 4.
En sntesis, el Grado de Libertad, que usualmente se representa por las letras G.L., equivale a restarle 1 a un conjunto conformado por k variables consideradas independientes entre s, lo cual se resume en la frmula: G.L. = k 1. As, si el conjunto contiene 5 variables consideradas independientes entre s, entonces el Grado de Libertad que le corresponde a cualquier variable de ese conjunto es de: G.L. = 51 = 4, lo que equivale a que en ese conjunto slo 4 variables una vez conocidas pueden operar de manera independiente sin necesidad de que deba ser conocido el valor exacto de la quinta variable del conjunto. Y si el conjunto contiene 2 variables independientes, como en el ejemplo de las manzanas verdes y las manzanas rojas, entonces el Grado de Libertad es 1, ya que: G.L. = 21 = 1, lo que equivale a que en ese conjunto slo una variable ya conocida puede operar de manera independiente sin necesidad de que deba ser conocido el valor exacto de la otra. REPRESENTACIN GRFICA DEL MODELO IDEAL DE LA DISTRIBUCIN CHI CUADRADO: Un concepto matemtico es mucho ms fcil de comprender si se puede visualizar la forma que generalmente asume en el abstracto mundo de los nmeros.
La anterior grfica muestra los valores de la probabilidad de ocurrencia de X dentro de una Distribucin Chi Cuadrado. En el eje horizontal de las coordenadas se observa que de derecha a izquierda se incluyen todos los valores posibles que puede asumir la variable aleatoria X. Estos valores siempre corresponden a nmeros positivos (no admite nmeros negativos o menores a cero), y tales valores pueden ir desde cero (0) hasta el infinito (), aunque en esta grfica para efectos ilustrativos slo se han incluido algunos valores relevantes ubicados entre 0 y 50. En el eje vertical se han incluido algunos valores representativos de la probabilidad, y por eso ese eje slo admite valores ubicados entre cero (que equivale a Muy Improbable) y 1 (que equivale a Muy Probable). Las lneas curvas numeradas de color verde, que desde la parte superior derecha hasta la parte inferior izquierda surcan toda la grfica, representan algunos Grados de Libertad aplicables a todos los valores que puede asumir X dentro de este espacio perfectamente delimitado.