4.

1 BONDAD DE AJUSTE

EJERCICIOS

A lo largo de este curso nos ocupamos de la prueba de hipótesis estadísticas acerca de

parámetros de una población como , y P. Ahora se considera una prueba para
determinar si una población tiene una distribución teórica específica. La prueba se basa en
qué tan buen ajuste se tiene entre la frecuencia de ocurrencia de las observaciones en una
muestra observada y las frecuencias esperadas que se obtienen a partir de la distribución
hipotética.

La fórmula que se utilizará para calcular el valor de chi-cuadrada es igual a la de la sección

anterior, con el mismo concepto de grados de libertad.

Ejemplo:

Una moneda fue lanzada al aire 1000 series, de 5 veces cada serie y se observó el número
de caras de cada serie. El número de series en los que se presentaron 0, 1, 1, 3, 4 y 5 caras
se muestran en la siguiente tabla.

Número de series
Número de
caras (frecuencia
observada)

0 38

1 144

2 342

3 287

4 164

5 25

Total 1000

Ajustar una distribución binomial a los datos con un = 0.05.

Solución:
H0; Los datos se ajustan a una distribución binomial.

H1; Los datos no se ajustan a una distribución binomial.

Para obtener los valores esperados se tiene que utilizar la formula de la distribución

binomial: , donde n en este ejercicio vale 5, p y q son las probabilidades

respectivas de cara y sello en un solo lanzamiento de la moneda. Para calcular el valor
de p, se sabe que =np en una distribución binomial, por lo que = 5p.

Para la distribución de frecuencias observada, la media del número de caras es:

Por lo tanto . Así pues, la distribución binomial ajustada viene dada

por p(x) = .

Al seguir esta fórmula se calcula la probabilidad de obtener caras, según el valor de la

variable aleatoria. La probabilidad multiplicada por 1000 nos dará el valor esperado. Se
resumen los resultados en la tabla siguiente:

Número de caras Frecuencia Frecuencia

P(x caras)
(x) esperada observada

0 0.0332 33.2 38

1 0.1619 161.9 144

2 0.3162 316.2 342

3 0.3087 308.7 287

4 0.1507 150.7 164

5 0.0294 29.4 25

Para los grados de libertad el valor de m será uno, ya que se tuvo que estimar la media de
la población para poder obtener el valor de p y así poder calcular los valores esperados.
Grados de libertad: k-1-m = 6-1-1 = 4

Regla de decisión:

Si X2R 9.49 no se rechaza Ho.

Si X2R >9.49 se rechaza Ho.

Cálculos:

Justificación y decisión:

Como el 7.54 no es mayor a 9.49, no se rechaza H0 y se concluye con un

= 0.05 que el ajuste de los datos a una distribución binomial es bueno.

Se propone que el número de defectos en las tarjetas de circuito impreso sigue una
distribución Poisson. Se reúne una muestra aleatoria de 60 tarjetas de circuito impreso y se
observa el número de defectos. Los resultados obtenidos son los siguientes:

Número de Frecuencia
defectos observada

0 32

1 15

2 9

3 ó más 4
¿Muestran estos datos suficiente evidencia para decir que provienen de una distribución
Poisson?. Haga la prueba de la bondad del ajuste con un = 0.05.

Solución:

H0; La forma de la distribución de los defectos es Poisson.

H1; La forma de la distribución de los defectos no es Poisson.

La media de la distribución Poisson propuesta en este ejemplo es desconocida y debe

estimarse a partir de los datos contenidos en la muestra.

A partir de la distribución Poisson con parámetro 0.75, pueden calcularse las probabilidades
asociadas con el valor de x. Esto es la fórmula de la Poisson es:

Con esta fórmula se calculan las probabilidades, mismas que se multiplican por 60 para
obtener los valores esperados.

Número de Frecuencia Frecuencia

Probabilidad
defectos esperada observada

0 0.472 28.32 32

1 0.354 21.24 15

2 0.133 7.98 9

3 ó más 0.041 2.46 4

Puesto que la frecuencia esperada en la última celda es menor que 5, se combinan las dos
últimas celdas.

Número de Frecuencia Frecuencia

defectos esperada observada

0 28.32 32
 1 21.24 15

2 ó más 10.44 13

Los grados de libertad serían 3-1-1=1, debido a que la media de la distribución Poisson fue
estimada a partir de los datos.

Regla de decisión:

Si X2R 3.84 no se rechaza Ho.

Si X2R >3.84 se rechaza Ho.

Cálculos:

Justificación y decisión:

Como el 2.94 no es mayor a 3.84, no se rechaza H0 y se concluye con un

= 0.05 que la distribución de defectos en las tarjetas de circuito impreso es Poisson.

Pruebe la hipótesis de que la distribución de frecuencia de las duraciones de baterías dadas

en la siguiente tabla, se puede aproximar mediante una distribución normal con media =
3.5 y desviación estándar =0.7. Utilice un

= 0.05.

Frecuencias
Límites de clase
observadas

1.45 – 1.95 2
 1.95 – 2.45 1

2.45 – 2.95 4

2.95 – 3.45 15

3.45 – 3.95 10

3.95 – 4.45 5

4.45 – 4.95 3

Solución:

Se procede a elaborar el histograma, para visualizar los datos:

Como se puede observar el histograma tiene una forma que aparenta ser normal, se
probará esta hipótesis.

H0; Los datos provienen de una distribución normal.

H1; Los datos no provienen de una distribución normal.

En este ejercicio en particular se cuenta con la media y desviación estándar de la población,

por lo que no se tiene que estimar. En caso de que no se tuviera, se estimarían a partir de
los datos agrupados con las fórmulas que se vieron en la Unidad III del curso de
probabilidad y estadística, tomando en cuenta que para los grados de libertad el valor
de m sería 2, ya que se estimaría la media y la desviación estándar.
Se procederá a calcular los valores de z para encontrar las probabilidades en la tabla.

Recordando que , se sustituye el valor de x por los límites de clase comenzando

con el límite de 1.95

Límite real P(x)

1.95 -2.21 P(x 1.95) = 0.01355

2.45 -1.50 P(x 2.45) = 0.06680

2.95 -0.79 P(x 2.95) = 0.21476

3.45 -0.07 P(x 3.45) = 0.47210

3.95 0.64 P(x 3.95) = 0.26109

4.45 1.36 P(x 4.45) = 0.08691

La razón por la cual se comienza con el límite de 1.95 y se termina con el límite de 4.45, es
porque la suma de todas las probabilidades debe ser 1, bajo la curva normal.

A continuación se muestra la curva normal con sus respectivas probabilidades, según los
limites reales. Las probabilidades que no se muestran en la tabla anterior y están en la
curva se calcularon por diferencias.
P(1.95 x 2.45) = 0.0668-0.013553 = 0.053254

P(2.45 x 2.95) = 0.21476-0.0668 = 0.147953

P(2.95 x 3.45) = 0.4721-0.21476 = 0.25734

P(3.45 x 3.50) = 0.50-0.4721 = 0.0279

P(3.50 x 3.95) = 0.50-0.26109= 0.23891

P(3.95 x 4.45) = 0.26109-0.086915 = 0.17417

Con estas probabilidades se calcularán los valores esperados, multiplicando cada

probabilidad por 40.

Frecuencias Frecuencia
Límites de clase Probabilidad
observadas esperada

1.45 – 1.95 2 0.01355 0.54212

1.95 – 2.45 71 0.05325 2.13016

2.45 – 2.95 4 0.14795 5.91812

2.95 – 3.45 15 0.25734 10.29360

 3.45 – 3.95 10 0.26681 10.67240

3.95 – 4.45 85 0.17417 6.96680

4.45 – 4.95 3 0.08691 3.47660

Grados de libertad: k-1-m = 4-1-0 = 3

Regla de decisión:

Si X2R 7.815 no se rechaza Ho.

Si X2R >7.815 se rechaza Ho.

Cálculos:

Justificación y decisión:

Como el 3.06 no es mayor de 7.815, no se rechaza H0 y se concluye con un

= 0.05 que el ajuste de los datos a una distribución normal es bueno.

4.1.1 ANALISIS JI-CUADRADA

En realidad la distribución ji-cuadrada es la distribución muestral de s2. O sea que si se

extraen todas las muestras posibles de una población normal y a cada muestra se le calcula
su varianza, se obtendrá la distribución muestral de varianzas.

Para estimar la varianza poblacional o la desviación estándar, se necesita conocer el

estadístico X2. Si se elige una muestra de tamaño n de una población normal con

varianza , el estadístico:
tiene una distribución muestral que es una distribución ji-cuadrada con gl=n-1 grados de
libertad y se denota X2 (X es la minúscula de la letra griega ji). El estadístico ji-cuadrada
esta dado por:

donde n es el tamaño de la muestra, s2 la varianza muestral y la varianza de la

población de donde se extrajo la muestra. El estadístico ji-cuadrada también se puede dar
con la siguiente expresión:

Propiedades de las distribuciones ji-cuadrada

Los valores de X2 son mayores o iguales que 0.

La forma de una distribución X2 depende del gl=n-1. En consecuencia, hay un número

infinito de distribuciones X2.

El área bajo una curva ji-cuadrada y sobre el eje horizontal es 1.

Las distribuciones X2 no son simétricas. Tienen colas estrechas que se extienden a la

derecha; esto es, están sesgadas a la derecha.

Cuando n>2, la media de una distribución X2 es n-1 y la varianza es 2(n-1).

El valor modal de una distribución X2 se da en el valor (n-3).

La siguiente figura ilustra tres distribuciones X2. Note que el valor modal aparece en el valor
(n-3) = (gl-2).
La función de densidad de la distribución X2 esta dada por:

para x>0

La tabla que se utilizará para estos apuntes es la del libro de probabilidad y estadística de
Walpole, la cual da valores críticos (gl) para veinte valores especiales de . Para
denotar el valor crítico de una distribución X2 con gl grados de libertad se usa el
símbolo (gl); este valor crítico determina a su derecha un área de bajo la curva
X2 y sobre el eje horizontal. Por ejemplo para encontrar X20.05(6) en la tabla se localiza 6
gl en el lado izquierdo y a o largo del lado superior de la misma tabla.

Cálculo de Probabilidad

El cálculo de probabilidad en una distribución muestral de varianzas nos sirve para saber
como se va a comportar la varianza o desviación estándar en una muestra que proviene de
una distribución normal.

Ejemplos:

Suponga que los tiempos requeridos por un cierto autobús para alcanzar un de sus destinos
en una ciudad grande forman una distribución normal con una desviación estándar =1
minuto. Si se elige al azar una muestra de 17 tiempos, encuentre la probabilidad de que la
varianza muestral sea mayor que 2.

Solución:

Primero se encontrará el valor de ji-cuadrada correspondiente a s2=2 como sigue:

El valor de 32 se busca adentro de la tabla en el renglón de 16 grados de libertad y se
encuentra que a este valor le corresponde un área a la derecha de 0.01. En consecuencia,
el valor de la probabilidad es P(s2>2)

Encuentre la probabilidad de que una muestra aleatoria de 25 observaciones, de una

población normal con varianza

, tenga una varianza muestral:

Mayor que 9.1

Entre 3.462 y 10.745

Solución.

Primero se procederá a calcular el valor de la ji-cuadrada:

Al buscar este número en el renglón de 24 grados de libertad nos da un área a la derecha

de 0.05. Por lo que la P(s2 >9.1) = 0.05

Se calcularán dos valores de ji-cuadrada:

Aquí se tienen que buscar los dos valores en el renglón de 24 grados de libertad. Al buscar
el valor de 13.846 se encuentra un área a la derecha de 0.95. El valor de 42.98 da un área
a la derecha de 0.01. Como se está pidiendo la probabilidad entre dos valores se resta el
área de 0.95 menos 0.01 quedando 0.94.

Por lo tanto la P(3.462 s2 10.745) = 0.94

Estimación de la Varianza

Para poder estimar la varianza de una población normal se utilizará la distribución ji-
cuadrada.

Al despejar esta fórmula la varianza poblacional nos queda:

Los valores de X2 dependerán de nivel de confianza que se quiera al cual le

llamamos . Si nos ubicamos en la gráfica se tiene:

Ejemplos:

Los siguientes son los pesos, en decagramos, de 10 paquetes de semillas de pasto

distribuidas por cierta compañía: 46.4, 46.1, 45.8, 47.0, 46.1, 45.9, 45.8, 46.9, 45.2 y 46.
Encuentre un intervalo de confianza de 95% para la varianza de todos los paquetes de
semillas de pasto que distribuye esta compañía, suponga una población normal.
Solución:

Primero se calcula la desviación estándar de la muestra:

al elevar este resultado al cuadrado se obtiene la varianza de la muestra s2= 0.286.

Para obtener un intervalo de confianza de 95% se elige un = 0.05. Después con el uso
de la tabla con 9 grados de libertad se obtienen los valores de X2.

Se puede observar en la gráfica anterior que el valor de X2 corre en forma normal, esto es
de izquierda a derecha.

Por lo tanto, el intervalo de confianza de 95% para la varianza es:

Graficamente:
Se observa que la varianza corre en sentido contrario, pero esto es sólo en la gráfica. La
interpretación quedaría similar a nuestros temas anteriores referentes a estimación. Con un
nivel de confianza del 95% se sabe que la varianza de la población de los pesos de los
paquetes de semillas de pasto esta entre 0.135 y 0.935 decagramos al cuadrado.

En trabajo de laboratorio se desea llevar a cabo comprobaciones cuidadosas de la

variabilidad de los resultados que producen muestras estándar. En un estudio de la cantidad
de calcio en el agua potable, el cual se efectúa como parte del control de calidad, se analizó
seis veces la misma muestra en el laboratorio en intervalos aleatorios. Los seis resultados
en partes por millón fueron 9.54, 9.61, 9.32, 9.48, 9.70 y 9.26. Estimar la varianza de los
resultados de la población para este estándar, usando un nivel de confianza del 90%.

Solución:

Al calcular la varianza de la muestra se obtiene un valor de s2= 0.0285.

Se busca en la tabla los valores correspondientes con 5 grados de libertad, obteniéndose

dos resultados. Para X2(0.95,5)= 1.145 y para X2(0.0,5)= 11.07.

Entonces el intervalo de confianza esta dado por:

Ensayo de Hipótesis para la Varianza de una Población Normal

En la mayoría de los casos se tiene el problema de desconocer la varianza o desviación

estándar de la población, en donde las distribuciones son normales. Si se desea probar una
hipótesis acerca de la varianza se puede hacer utilizando las medidas estadísticas con las

que se construyó el intervalo de confianza , esto es con la distribución Ji- cuadrada.

Ejemplos:
Una compañía que produce una parte maquinada para un motor, afirma que tiene una
varianza de diámetro no mayor a 0.0002 pulgadas. Una muestra aleatoria de 10 de dichas
partes dio una varianza de muestra s2 = 0.0003. Si se supone que las medidas del diámetro
se distribuyen en forma normal, ¿hay evidencia para refutar lo que afirma el proveedor?
Use = 0.05.

Solución:

Como en todos los ensayos de hipótesis que se han realizado anteriormente el

procedimiento es el mismo. Después de que se identifican los datos, se plantea la hipótesis
para determinar el tipo de ensayo.

Datos:

= 0.0002

n = 10

s2 = 0.0003

= 0.05

Ensayo de hipótesis:

Ho; = 0.0002

H1; > 0.0002

Regla de decisión:

Si X2R 16.919 no se rechaza Ho.

Si X2R>16.919 se rechaza Ho.

Cálculos:
Justificación y decisión:

Como 13.5 no es mayor que 16.919 por lo tanto no se rechaza Ho y se concluye con un
nivel de significancia de 0.05 que no se puede refutar la afirmación del proveedor.

Este ejercicio se puede aprovechar para calcular el valor de P. En la tabla se busca el valor
de 13.5 en el renglón de 9 grados de libertad. Interpolando entre 0.10 y 0.20 se obtiene un
valor de P de 0.1484.

El contenido de azúcar del almíbar de los duraznos enlatados tiene una distribución normal,

donde se cree que la varianza es = 18 mg2. Se toma una muestra de 10 latas dieron
una desviación estándar de 4.8 mg. ¿Muestran estos datos suficiente evidencia para decir
que la varianza ha cambiado?. Use un = 0.05 y calcule el valor de P.

Solución:

Datos:

= 18

n = 10

s = 4.8

= 0.05

Ensayo de hipótesis:

Ho; = 18

H1; 18
Regla de decisión:

Si 2.7 X2R 19.023 no se rechaza Ho.

Si X2R<2.7 ó si X2R>19.023 se rechaza Ho.

Cálculos:

Justificación y decisión:

Como 11.52 está entre 2.7 y 19.023, no se rechaza Ho, y se concluye con un nivel de
significancia de 0.05 que la varianza del contenido de azúcar del almíbar no ha cambiado,
esto es es de 18 mg2.

Si recordamos al principio de este tema se dijo que la media de la distribución ji-cuadrada

es (n-1), por lo tanto la media de este ejercicio es de 9. Como el valor real de X2R = 11.52
este número se encuentra a la derecha de la media, lo cual quiere decir que el valor de P/2
será el área a la derecha del valor de X2R. Al buscar el valor de 11.52 en la tabla se obtiene
un área de 0.2423, por lo tanto P/2 = 0.2423 y P= (2)(0.2423) = 0.4846

Experiencia anterior indica que el tiempo que se requiere para que los estudiantes de último
año de preparatoria completen una prueba estandarizada es una variable aletoria normal
con una desviación estándar de seis minutos. Se toma una muestra aleatoria de 20
estudiantes de último año de preparatoria y se obtiene una desviación estándar de 4.51.
¿Muestran estos datos suficiente evidencia para decir que la desviación estándar
disminuyó?. Utilice el valor de P para su decisión.
Solución:

Datos:

=6

n = 20

s = 4.51

Ensayo de hipótesis:

Ho; =6

H1; <6

Cálculos:

Para obtener el valor de P, se busca en la tabla el 10.735 con 19 grados de libertad, y el

área que se encuentra es la que está a la derecha de este valor. Como la media de esta
distribución ji-cuadrada es de 19, por lo tanto el valor de 10.735 queda a la izquierda de la
media. El valor de P es de 0.07, y con esto se puede concluir que si hubiéramos utilizado
un nivel de significancia de 0.10, se rechaza Ho y se concluye que la desviación estándar
disminuyo, pero si se utiliza un valor de = 0.05, entonces no se rechaza Ho y se
concluiría que la desviación estándar no disminuyó. La decisión depende del error tipo I que
esté dispuesto a tolerar el investigador.

Error tipo II ó

El error tipo II se calcula de la misma forma en la que se calculó con la distribución z. Se

realizarán algunos ejercicios en los cuales se determinará la probabilidad de cometer el
error tipo II, utilizando la tabla de la distribución Ji-cuadrada.

Se tiene un ensayo de hipótesis unilateral derecho, con n=20 y = 0.05

Ho; = 0.10

H1; > 0.10

Se quiere calcular el error tipo II ó si las desviaciones estándar verdaderas fueran de

0.12 y 0.14.

Solución:

Para poder calcular el error tipo II, primero se debe encontrar el valor de la varianza muestral
límite, esto es s2L, para poder calcular los valores de X2 y posteriormente calcular el área.
Al buscar en la tabla X2(0.05,19)=30.144, este valor se sustituirá en la formula. Al despejar
de la fórmula original de X2 se obtiene:

Encontrar el error tipo II para el ejercicio 2 de esta sección, en donde el ensayo es bilateral
pues se quiere ver si la varianza del contenido de azúcar en el almíbar de los duraznos ha
cambiado. Suponga una varianza real de 20 y 26.

Solución:
Como este es un ensayo bilateral se tendrán dos valores de s2L. Los cuales se calcularán
utilizando las ji-cuadradas límites que eran de de 2.7 y 19.023.

Estos dos valores se utilizarán para calcular las nuevas ji-cuadradas para calcular el valor
de .
4.1.2 PRUEBA DE INDEPENDENCIA

Sí la calculada es mayor que la tabulada con (C-1)(R-1) grados de libertad para

determinado nivel de significación, entonces rechazo la hipótesis nula, que en éste caso es
que la proporción de fumadores es similar en ambas muestras, lo que sugiere que en éste
caso H1: P11¹ P12 , o sea la proporción de fumadores es diferente en ambos grupos.

La lógica de esta regla de decisión se basa en que si se cumple la hipótesis nula Ho: P11=
P12 se deben producir escasas discrepancias entre los valores observados presentes
en la tabla de frecuencias observadas y los valores esperados estimados, produciendo un
valor del estadígrafo pequeño, que no permitiría rechazar la hipótesis nula de igualdad de
proporciones.

Sin embargo si la hipótesis nula no se cumple las discrepancias serán grandes y entonces
el valor del estadígrafo será grande también, por lo que en éste caso si rechazaría la
hipótesis nula de igualdad de proporciones, entonces en éste caso podría interpretar estos
resultados como que la proporción de fumadores es diferente en ambos grupos, o sea. que
se cumple la H1: P11¹ P12 .

En nuestro ejemplo obtuvimos una C 2 calculada = 5.42 que es mayor que

la C 2 tabulada = 3.84 con 1 grado de libertad y un a= 0.05 entonces se rechaza la hipótesis
nula, por lo que si rechazo que la proporción de fumadores es similar en ambas
muestras, entonces hay diferencias estadísticas significativas entre el habito de fumar y el
cáncer del pulmón.

Si realizamos la prueba con un paquete estadístico en una computadora obtendríamos los

resultados siguientes:

C2 = 5.42 Grados de Libertad = 1 p= 0.0198649

Entonces como verificaría si todos los valores esperados son mayores que 5, como en éste
caso se cumple esta restricción podemos usar esta prueba.

Al considerar un a=0.05 , como la p asociada al valor del estadígrafo p= 0.0198649 es

menor que a=0.05 , se rechaza la hipotesis nula de no diferencias entre las proporciones
, por lo que llegamos a la conclusión que hay diferencia estadística significativa entre
ambas muestras en relación a la distribución de esta variable.

Limitaciones de la Prueba:

Al igual que se expreso en el caso de la Prueba de Independencia en esta Prueba se

mantienen las mismas restricciones, que se repiten a continuación;

Siempre que en mas del 20% de las celdas de la tabla de contingencia existan valores
esperados menores que 5 o que en una sola celda haya un valor esperados menor que 1,
no debe usarse así la prueba. En este caso deben agruparse las categorías siguiendo un
sentido lógico para así poder aumentar también los valores esperados.

En el caso de la tabla de 2x2 si existe una sola celda con valor esperado menor que 5 , esto
representaría un 25% , en éste tipo de tabla no es posible unir categorías , entonces en
éste caso podría usarse en lugar de esta prueba la de las Probabilidades exactas de
Fisher.

Planteamiento y solución de una situación práctica.

Se necesita probar la efectividad de 3 tratamientos para controlar la hipertensión arterial,

para lo cual se seleccionan 3 muestras aleatorias de pacientes hipertensos y se asignan
aleatoriamente los tratamientos a los pacientes estudiados. La variable respuesta es el
control de la hipertensión arterial a los 6 meses de tratamiento, los resultados obtenidos se
relacionan a continuación:

HIPERTENSION TRATAMIENTOS
ARTERIAL

1 2 3

CONTROLADA 50 160 185

NO CONTROLADA 50 40 15

TOTAL 100 200 200

Considere a=0.05.

En éste caso tenemos 3 muestras aleatorias y se quiere determinar si existen diferencias

estadísticas significativas entre 2 variables cualitativas (tratamientos e hipertensión
controlada) por lo que la prueba que debe utilizarse es la de Homogeneidad.

Las Hipótesis a plantear serian las siguientes:

Ho: Ptto 1= Ptto 2 = Ptto 2 Þ No existen diferencias entre ttos

H1::: Ptto 1¹ Ptto 2 ¹ Ptto 2 Þ Si existen diferencias entre ttos.

Debemos verificar si se cumplen las condiciones para realizar una Prueba Chi Cuadrado,
calculando los valores esperados mediante la expresión ni. x n.j/n.., obtenemos los
resultados siguientes:

HIPERTENSION TRATAMIENTOS
ARTERIAL
TOTAL
 1 2 3

CONTROLADA 79 158 158 395

NO 21 42 42 105
CONTROLADA

TOTAL 100 200 200 500

Puede observarse que en todas las celdas las frecuencias esperadas son mayores que 5,
por lo que puede realizarse la prueba C2.

Si ya conocemos los valores observados y los valores esperados sólo necesitamos un

estadígrafo con una distribución conocida que nos permita determinar si hay diferencias
significativas entre los valores observados y los valores que se esperarían bajo el supuesto
que la hipotesis nula fuera cierta ,o sea si se cumpliera que la distribución de las
proporciones en ambas muestras es similar.

El estadígrafo que nos permite determinar lo anterior es:

®C2 con (C- 1) (R – 1) grados de libertad.

Entonces como estamos trabajando con una tabla de contingencia de 2 filas

( HTA controlada o no) y 3 columnas ( 3 ttos) y) , tenemos una TC de 2x3 en la que

podemos trabajar con el estadígrafo C2 sin la corrección de Yates, como aparece en la
expresión anterior.

Sustituyendo los datos en la expresión anterior tenemos:

C2 = 10.65 + 0.02 + 4.61 + 40.05 +0.09 + 17.36 = 72.78

Tenemos que buscar el valor de la C2 tabulada para una confiabilidad de 5% con (C=2)-1
x (R=3)-1 grados de libertad, o sea con 1 x 2 = 2 grados de libertad que es 5.99, por lo que
como 72.78 es mayor que 5.99 rechazo la hipotesis nula

de proporciones iguales.

Observemos como se comportan las proporciones de pacientes mejorados:

 TRATAMIENTOS PACIENTES TOTAL DE POR CIENTO
MEJORADOS PACIENTES
MEJORADOS

1 50 100 50.0

2 160 200 80.0

3 185 200 92.5

TOTAL 395 500 79.0

Llegamos entonces a la conclusión de que la efectividad de los tratamientos es diferente,

se observa que el tratamiento 1 es el menos eficiente mientras que el tratamiento 3 es el
que produce mayor por ciento de hipertensos mejorados

Si realizamos la prueba con un paquete estadístico en una computadora obtendríamos los

resultados siguientes:

C2 = 72.78 Grados de Libertad = 2 p= 0.000000

Entonces como verificaría si todos los valores esperados son mayores que 5, como en éste
caso se cumple esta restricción podemos usar esta prueba.

Al considerar un a=0.05 , como la p asociada al valor del estadígrafo

p= 0.000000 es menor que a=0.05 , se rechaza la hipotesis nula de no diferencias entre

las proporciones , por lo que llegamos a la conclusión que hay una diferencia estadística
significativa entre ambas muestras en relación a la distribución de esta variable.

4.1.3 PRUEBA DE LA BONDAD DEL AJUSTE

A lo largo de este curso nos ocupamos de la prueba de hipótesis estadísticas acerca de

parámetros de una población como , y P. Ahora se considera una prueba para
determinar si una población tiene una distribución teórica específica. La prueba se basa en
qué tan buen ajuste se tiene entre la frecuencia de ocurrencia de las observaciones en una
muestra observada y las frecuencias esperadas que se obtienen a partir de la distribución
hipotética.

La formula que se utilizará para calcular el valor de chi-cuadrada es igual a la de la sección

anterior, con el mismo concepto de grados de libertad.

Ejemplo:

Una moneda fue lanzada al aire 1000 series, de 5 veces cada serie y se observó el número
de caras de cada serie. El número de series en los que se presentaron 0, 1, 1, 3, 4 y 5 caras
se muestra en la siguiente tabla.
 Número de series
Número de
caras (frecuencia
observada)

0 38

1 144

2 342

3 287

4 164

5 25

Total 1000

Ajustar una distribución binomial a los datos con un = 0.05.

Solución:

H0; Los datos se ajustan a una distribución binomial.

H1; Los datos no se ajustan a una distribución binomial.

Para obtener los valores esperados se tiene que utilizar la formula de la distribución

binomial: , donde n en este ejercicio vale 5, p y q son las probabilidades

respectivas de cara y sello en un solo lanzamiento de la moneda. Para calcular el valor
de p, se sabe que =np en una distribución binomial, por lo que = 5p.

Para la distribución de frecuencias observada, la media del número de caras es:

Por lo tanto . Así pues, la distribución binomial ajustada viene dada

por p(x) = .
Al seguir esta fórmula se calcula la probabilidad de obtener caras, según el valor de la
variable aleatoria. La probabilidad multiplicada por 1000 nos dará el valor esperado. Se
resumen los resultados en la tabla siguiente:

Número de caras Frecuencia Frecuencia

P(x caras)
(x) esperada observada

0 0.0332 33.2 38

1 0.1619 161.9 144

2 0.3162 316.2 342

3 0.3087 308.7 287

4 0.1507 150.7 164

5 0.0294 29.4 25

Para los grados de libertad el valor de m será uno, ya que se tuvo que estimar la media de
la población para poder obtener el valor de p y así poder calcular los valores esperados.

Grados de libertad: k-1-m = 6-1-1 = 4

Regla de decisión:

Si X2R 9.49 no se rechaza Ho.

Si X2R >9.49 se rechaza Ho.

Cálculos:
Justificación y decisión:

Como el 7.54 no es mayor a 9.49, no se rechaza H0 y se concluye con un

= 0.05 que el ajuste de los datos a una distribución binomial es bueno.

Se propone que el número de defectos en las tarjetas de circuito impreso sigue una
distribución Poisson. Se reúne una muestra aleatoria de 60 tarjetas de circuito impreso y se
observa el número de defectos. Los resultados obtenidos son los siguientes:

Número de Frecuencia
defectos observada

0 32

1 15

2 9

3 ó más 4

¿Muestran estos datos suficiente evidencia para decir que provienen de una distribución
Poisson?. Haga la prueba de la bondad del ajuste con un = 0.05.

Solución:

H0; La forma de la distribución de los defectos es Poisson.

H1; La forma de la distribución de los defectos no es Poisson.

La media de la distribución Poisson propuesta en este ejemplo es desconocida y debe

estimarse a partir de los datos contenidos en la muestra.

A partir de la distribución Poisson con parámetro 0.75, pueden calcularse las probabilidades
asociadas con el valor de x. Esto es la fórmula de la Poisson es:
Con esta fórmula se calculan las probabilidades, mismas que se multiplican por 60 para
obtener los valores esperados.

Número de Frecuencia Frecuencia

Probabilidad
defectos esperada observada

0 0.472 28.32 32

1 0.354 21.24 15

2 0.133 7.98 9

3 ó más 0.041 2.46 4

Puesto que la frecuencia esperada en la última celda es menor que 5, se combinan las dos
últimas celdas.

Número de Frecuencia Frecuencia

defectos esperada observada

0 28.32 32

1 21.24 15

2 ó más 10.44 13

Los grados de libertad serían 3-1-1=1, debido a que la media de la distribución Poisson fue
estimada a partir de los datos.
Regla de decisión:

Si X2R 3.84 no se rechaza Ho.

Si X2R >3.84 se rechaza Ho.

Cálculos:

Justificación y decisión:

Como el 2.94 no es mayor a 3.84, no se rechaza H0 y se concluye con un

= 0.05 que la distribución de defectos en las tarjetas de circuito impreso es Poisson.

4.1.4 TABLAS DE CONTINGENCIA

Ejemplo:

Una compañía tiene que elegir entre tres planes de pensiones. La administración quiere
saber si la preferencia por los planes es independiente de la clasificación laboral y desea
usar α = 0.05.

En la siguiente tabla se muestran las opiniones de una muestra aleatoria de 500 empleados.

Plan de pensión

Clasificación laboral 1 2 3 totales

Trabajadores asalariados 160 140 40 340

Trabajadores por hora 40 60 60 160

Totales 200 200 100 500

Para encontrar las frecuencias esperadas, primero debe calcularse

𝑢̂1 = (340/500) = 0.68, 𝑢̂2 = (160/500) = 0.32, 𝑣̂1 = (200/500) = 0.40 y 𝑣̂3 = (100/500 =
0.20. Ahora pueden calcularse las frecuencias esperadas con la ecuación
𝑐 𝑟
1
𝐸𝑖𝑗 = 𝑛𝑢̂𝑖 𝑣̂𝑗 = ∑ 𝑜𝑖𝑗 ∑ 𝑜𝑖𝑗
𝑛
𝑗=1 𝑖=1
Por ejemplo, el número esperado de trabajadores asalariados que prefieren el plan de
pensión 1 es

𝐸𝑖𝑗 = 𝑛𝑢̂𝑖 𝑣̂𝑗 = 500(0.68)(0.40) = 136

En la siguiente tabla se muestran las frecuencias esperadas.

Plan de pensión

Clasificación laboral 1 2 3 totales

Trabajadores asalariados 136 136 68 340

Trabajadores por hora 64 64 32 160

Totales 200 200 100 500

Ahora puede aplicarse el procedimiento de prueba de hipótesis de ocho pasos en este

problema.

La variable de interés es la preferencia de los empleados entre los planes de pensiones.

H0: la preferencia es independiente de la clasificación laboral asalariado o por horas.

H1: la preferencia no es independiente de la clasificación laboral asalariado o por horas.

α = 0.05

4.2.1 ESCALA DE MEDICION

el estadístico de prueba es
𝑟 𝑐
(𝑂𝑖𝑗 − 𝐸𝑖𝑗)2
𝜒02 = ∑∑
𝐸𝑖𝑗
𝑖=1 𝑗=1

puesto que r = 2 y c = 3, los grados de libertad de ji-cuadrada son

2
(r-1) (c-1)= (1)(2) = 2, se rechazaría H0 si 𝜒02 > 𝜒0.05,2 = 5.99
cálculos
2 3
(𝑂𝑖𝑗 − 𝐸𝑖𝑗)2
𝜒02 = ∑∑
𝐸𝑖𝑗
𝑖=1 𝑗=1

(160 − 136)2 (140 − 136)2 (40 − 68)2 (40 − 64)2 (60 − 64)2
= + + + +
136 136 68 64 64
(60 − 32)2
+ = 49.63
32
2
conclusiones: puesto que 𝜒02 = 49.63 > 𝜒0.05,2 = 5.99, se rechazará la hipótesis de
independencia y se concluye que la preferencia por los planes de pensiones no es
independiente de la clasificación laboral. El valor P para 𝜒02 = 49.63 es P = 1.671 x 10-11.

4.2 PRUEBA NO PARAMETRICA

Solución: En este caso el test apropiado para decimar la hipótesis de interés es el test de
Kruskal-Wallis. Para llevar a cabo el test, tenemos que ordenar todos los datos y calcular
los rangos.

Con estos datos podemos calcular el estadístico H: