PRUEBA DE INDEPENDENCIA
UNIVERSIDAD ANDINA DEL CUSCO
ESCUELA PROFESIONAL DE INGENIERÍA CIVIL
CURSO: EDUCACION AMBIENTAL
INFORME
PRUEBA DE INDEPENDENCIA
ALUMNO:
- Cristofer Cornejo Cueva
DOCENTE:
CUSCO - PERU
ESTADISTICA GENERAL 1
PRUEBA DE INDEPENDENCIA
Prueba de independencia
INTRODUCCIÓN
Existe una variedad de procedimiento para el procesamiento y análisis estadístico de datos,
una vez recogidos los datos, procesados y convertidos en información valiosa para el estudio que se
realiza, pueden utilizarse varias técnicas que permitan sacar el máximo provecho de la información
disponible, sin embargo, la utilización de técnicas de Estadística No Parametricas son poco utilizada,
a pesar de la potencia y certeza de sus resultados, y que por lo general no se dispone de información
suficiente sobre la población de la cual se extrajeron los datos que den soporte la realización de
inferencia con base en la muestra observada.
En esta investigación se desarrollan algunas técnicas de análisis estadístico no paramétrico
tales como la prueba de independencia, la corrección de Yates en tablas de contingencia de 2x2, las
pruebas de homogeneidad y se hace un estudio sobre el análisis de varianza por medio de la tabla
ANOVA, analizando la rutina general de este tipo de análisis, para terminar con comentarios sobre
la importancia del software en este tipo de análisis.
ESTADISTICA GENERAL 2
PRUEBA DE INDEPENDENCIA
PRUEBA DE INDEPENDENCIA
Cuando cada individuo de la población a estudio se puede clasificar según dos criterios A y B,
admitiendo el primero a posibilidades diferentes y b el segundo, la representación de las frecuencias
observadas en forma de una matriz a x b recibe el nombre de Tabla de contingencia. Los datos se
disponen de la forma
siendo nij el número de individuos que presentan simultáneamente la i-ésima modalidad del
carácter A y la j-ésima del B.
La hipótesis nula a contrastar admite que ambos caracteres, A y B, se presentan de forma
independiente en los individuos de la población de la cual se extrae la muestra; siendo la alternativa
la dependencia estocástica entre ambos caracteres. La realización de esta prueba requiere el cálculo
del estadístico
donde:
son las frecuencias absolutas marginales y
el tamaño muestral total.
ESTADISTICA GENERAL 3
PRUEBA DE INDEPENDENCIA
El estadístico L se distribuye como una con (a - 1)(b - 1) grados de libertad. El contraste se
realiza con un nivel de significación del 5%.
Ejemplo de Aplicación
Para estudiar la dependencia entre la práctica de algún deporte y la depresión, se seleccionó
una muestra aleatoria simple de 100 jóvenes, con los siguientes resultados:
Sin depresión Con depresión
Deportista 38 9 47
No deportista 31 22 53
69 31 100
L = (38 – 32,43)2/32,43 + (31 – 36,57)2/36,57 + (9 – 14,57)2/14,57 + (22 – 16,43)2/16,43
= 0,9567 + 0,8484 + 2,1293 + 1,8883 = 5,8227
El valor que alcanza el estadístico L es 5,8227. Buscando en la tabla teórica de Chi Cuadrado
para 1 grado de libertad se aprecia Lt = 3,84146 < 5,8227 lo que permite rechazar la hipótesis de
independencia de caracteres con un nivel de significación del 5%, admitiendo por tanto que la
práctica deportiva disminuye el riesgo de depresión.
CORRECCIÓN DE YATES PARA TABLAS DE CONTINGENCIA DE 2X2
Un caso especial de pruebas de independencia es aquel que emplea una tabla de contingencia
de 2x2. Si se utiliza una tabla cuádruple puede aplicarse una fórmula simplificada para calcular el
Valor L, por χ2.
Supóngase que las frecuencias observadas en una tabla de contingencia de 2x2 sean a, b, c
y d de la siguiente forma:
A B Total
X a b a+b
Y c d c+d
Total a+c b+d n
El valor χ2 puede calcularse entonces con la fórmula siguiente:
ESTADISTICA GENERAL 4
PRUEBA DE INDEPENDENCIA
que tiene (2 – 1)(2 – 1) = 1 grado de libertad
Con frecuencia se aplica la Corrección de Continuidad de Yates, similar a la corrección de
continuidad de la aproximación normal a la binomial, para mejorar la aproximación a la probabilidad
exacta. El valor χ2 corregido se calcula a partir de la siguiente fórmula:
Ejemplo de Aplicación
En un estudio para determinar si existe relación entre el sexo y el propósito de elegir una
carrera técnica se entrevistaron a 120 aspirantes a la universidad. Los resultados se observan en la
siguiente tabla de contingencia:
Aspira a Carrera Técnica
Sexo
Si No Total
Masculino 40 30 70
Femenino 10 40 50
Total 50 50 120
Se aplicará la fórmula para encontrar χ2
χ2 = (120(40x40 – 10x30)2)/70x50x50x70 = 16,56
De la tabla teórica de Chi Cuadrado se tiene que para un grado de libertad el valor de χ 2 que
separa 0,1% superior es 10,828. Por lo tanto, la hipótesis según la cual existe independencia entre
el sexo y el propósito de elegir una carrera técnica debe ser rechazada.
Si se tiene en cuanta la corrección por continuidad de Yates se obtiene:
χ2 = (120(|40x40 – 10x30| - 0,5(120))2)/70x50x50x70 = 15,06
ESTADISTICA GENERAL 5
PRUEBA DE INDEPENDENCIA
Que es ligeramente inferior al valor antes obtenido, pero aun así, la hipótesis de
independencia debe ser rechazada.
PRUEBA DE HOMOGENEIDAD
Se plantea el problema de la existencia de homogeneidad entre r poblaciones, para lo cual se
realizan muestras independientes en cada una de ellas. Los datos muestrales vienen clasificados en
s clases y sus frecuencias absolutas se presentan en forma de una matriz r x s:
siendo nij el número de observaciones en la i-ésima población pertenecientes a la j-ésima
clase.
Se quiere contrastar la hipótesis nula de que las probabilidades asociadas a las s clases son
iguales en las r poblaciones. El estadístico para este contraste es
donde
es el tamaño muestral para la i-ésima población,
es la frecuencia marginal de la j-ésima clase y
es el tamaño muestral total.
El estadístico L se distribuye como una con (r - 1)(s - 1) grados de libertad. El contraste se
realiza con un nivel de significación del 5%.
Ejemplo de Aplicación
ESTADISTICA GENERAL 6
PRUEBA DE INDEPENDENCIA
Un estudio sobre caries dental en niños de seis ciudades con diferentes cantidades de fluor
en el suministro de agua, ha proporcionado los resultados siguientes:
Nº niños Nº niños
Comunidad
sin caries con caries
A 38 87 125
B 8 117 125
C 30 95 125
D 44 81 125
E 64 61 125
F 32 93 125
216 534 750
L= (38 – 36)2/36 + (8 – 36)2/36 + (30 – 36)2/36 + (44 – 36)2/36 + (64 – 36)2/36 + (32 – 36)2/36
+ (87 – 89)2/89 (117 – 89)2/89 + (95 – 89)2/89 + (81 – 89)2/89 + (61 – 89)2/89 + (93 –
89)2/89
L= 0,1111 + 21,7778 + 1,0000 + 1,7778 + 21,7778 + 0,4444 + 0,0449 + 8,8089 + 0,4045 +
0,7191 + 8,8089 + 0,1797
L= 65,85
Se quiere saber si la incidencia de caries infantil es igual en las seis poblaciones.
La propia tabla hace pensar que la incidencia de la enfermedad no es igual en todas las
poblaciones; basta observar los datos correspondientes a las comunidades B y E. El contraste arroja
un valor del estadístico L de 65,85, lo que lleva a rechazar la hipótesis de homogeneidad y aceptar
que el diferente contenido de fluor en el suministro del agua puede ser la causa de la disparidad en
el número de niños con caries. El Lt esperado según la tabla de las distribución Chi Cuadrado es
11,0705 que es menor 65,85.
ANÁLISIS DE LA VARIANZA
Del mismo modo que el contraste χ2 generalizaba el contraste de dos proporciones, es
necesario definir un nuevo contraste de hipótesis que sea aplicable en aquellas situaciones en las
que el número de medias se quieren comparar sea superior a dos. Es por ello por lo que el Análisis
de la Varianza, ANOVA surge como una generalización del contraste para dos medias de la t de
Student, cuando el número de muestras a contrastar es mayor que dos.
ESTADISTICA GENERAL 7
PRUEBA DE INDEPENDENCIA
Por ejemplo, supóngase que se tienen 3 muestras de diferentes tamaños que se suponen que
provienen de tres poblaciones normales con la misma varianza:
Si se quiere realizar el contraste
Es decir que la muestras provienen de poblaciones independientes unas de las otras, se podría
plantear como primer método el fijar una cantidad α próxima a cero y realizar los
contrastes siguientes con α como nivel de significación:
De modo que se aceptaría H1 y se rechazaría H0 sólo si alguna de las hipótesis alternativas
H1', H1'' ó H1''' es aceptada y rechazada su correspondiente hipótesis nula. El error de tipo I para este
contraste es:
ESTADISTICA GENERAL 8
PRUEBA DE INDEPENDENCIA
Por ello el nivel de significación obtenido para este contraste sobre la igualdad de medias de
tres muestras no es como hubiésemos esperado obtener inicialmente, sino. (1 – (1 – α)3) Por
ejemplo, si se toma un nivel de significación α = 0,1 para cada uno de los contrastes de igualdad de
dos medias, se obtendría que el nivel de significación (error de tipo I) para el contraste de las tres
medias es de 1 - 0,93 = 0,27, lo que es una cantidad muy alta para lo que se acostumbra usar.
En consecuencia, no es adecuado realizar el contraste de igualdad de medias de varias
muestras mediante una multitud de contrastes de igualdad de medias de dos muestras.
Una técnica que permite realizar el contraste de modo conveniente es la que expone en este
trabajo y que se denomina Análisis de la Varianza.
ANOVA con un factor
Se denomina modelo factorial con un factor o ANOVA con un factor al modelo (lineal) en el
que la variable analizada va a depender de un sólo factor de tal manera que las causas de su
variabilidad son englobadas en una componente aleatoria que se denomina error experimental:
Considérese una variable sobre la que actúa un factor que puede presentarse bajo un
determinado número de niveles, t. Por ejemplo se puede considerar un fármaco que se administra a
t = 3 grupos de personas y se les realiza cierta medición del efecto causado:
Resultado de la medición
Gripe (nivel 1) 5 3 2 5 4 3 n1 = 6
Apendicitis (nivel
8 9 6 7 8 9 10 8 10 n2 = 8
2)
Sanos (nivel 3) 2 3 2 1 2 3 2 n3 = 6
ESTADISTICA GENERAL 9
PRUEBA DE INDEPENDENCIA
En este caso los factores que influyen en las observaciones son tres: el que la persona
padezca la gripe, apendicitis, o que esté sana.
De modo general se pueden representar las t muestras (o niveles) del siguiente modo:
tamaños
Niveles Observaciones de X
muestrales
x11 x12 x1n1 n1
Nivel
x21 x22 x2n2 n2
Nivel
... ... ...
xt1 xt2 xtnt nt
Nivel
Donde por supuesto, los tamaños de cada muestra ni, no tienen por que ser iguales. En este
caso se dice que se trata del modelo no equilibrado.
Observación
De ahora en adelante se asume que las siguientes condiciones son verificadas por las t
muestras:
- Las observaciones proceden de poblaciones normales;
- Las t muestras son aleatorias e independientes. Además, dentro de cada nivel las
observaciones son independientes entre sí.
- En el modelo de un factor se supone que las observaciones del nivel i, xij, provienen de
una variable Xij de forma que todas tienen la misma varianza; Hipótesis de
Homocedasticidad:
o lo que es lo mismo,
De este modo μi es el valor esperado para las observaciones del nivel i, y los errores eij son
variables aleatorias independientes, con valor esperado nulo, y con el mismo grado de dispersión
para todas las observaciones.
Otro modo de escribir lo mismo consiste en introducir una cantidad μ que sea el valor esperado
para una persona cualquiera de la población (sin tener en cuenta los diferentes niveles), y considerar
los efectos αi introducidos por los niveles, de modo que
ESTADISTICA GENERAL 10
PRUEBA DE INDEPENDENCIA
Especificación del modelo
Con todo lo anterior, el modelo ANOVA de un factor puede escribirse como
y con la siguiente interpretación:
μ es una constante común a todos los niveles;
αi es el efecto producido por el i-ésimo nivel. Al sumarlos todos deben compensarse los efectos
negativos con los positivos para que la media común a todos los niveles sea realmente μ. Esto
implica en particular que los efectos, αi, de los niveles no son independientes;
eij es la parte de la variable Xij no explicada por μ ni αi, y que se distribuye del mismo modo
(aunque independientemente) para cada observación, según la ley Gaussiana:
Ésta es la condición de homocedasticidad, y es fundamental en el análisis de la varianza.
Obsérvese que ahora se puede escribir el contraste de que los diferentes niveles no tienen
influencia sobre la observación de la variable como:
o bien
Observación
ESTADISTICA GENERAL 11
PRUEBA DE INDEPENDENCIA
Se utiliza el nombre de análisis de la varianza ya que el elemento básico del análisis estadístico
será precisamente el estudio de la variabilidad. Teóricamente es posible dividir la variabilidad de la
variable que se estudia en dos partes:
La originada por el factor en cuestión;
La producida por los restantes factores que entran en juego, conocidos o no, controlables o
no, que se conocen con el nombre de error experimental.
Si mediante los contrastes estadísticos adecuados la variación producida por cierto factor es
significativamente mayor que la producida por el error experimental se puede aceptar la hipótesis de
que los distintos niveles del factor actúan de forma distinta.
Ejemplo: Considérese dos muestras tomadas en diferentes niveles de una variable, de forma
que ambas tengan la misma varianza muestral (lo que indica que no se puede rechazar la igualdad
de varianzas poblacionales) y medias muestrales bastante diferentes. Por ejemplo:
La dispersión calculada al medir la de los dos niveles conjuntamente es mucho mayor que la
de cada uno de ellos por separado. Por tanto puede deducirse que ambos niveles no tienen el mismo
valor esperado.
Algo de notación relativa al modelo
A continuación se va a introducir alguna notación para escribir los términos que serán más
importantes a la hora de realizar un contraste por el método ANOVA. En primer lugar se tiene:
ESTADISTICA GENERAL 12
PRUEBA DE INDEPENDENCIA
Usando estos términos se va a desglosar la variación total de la muestra en variación total
dentro de cada nivel (intravariación) más la variación entre los distintos niveles (intervariación).
Donde:
Observación
En el cálculo del estadístico SCT intervienen N cantidades, ligadas por una relación:
ESTADISTICA GENERAL 13
PRUEBA DE INDEPENDENCIA
De este modo el número de grados de libertad de este estadístico es N – 1 Por razones
análogas se tiene que el número de grados de libertad de SCD es N – t y el de SCE es t –1 Así
introducimos los siguientes estadísticos:
Estos son los estadísticos que realmente interesan a la hora de realizar el contraste de
igualdad de medias. Cuando la diferencia entre los efectos de los diferentes niveles sea muy baja,
es de esperar que la cuasivarianza total sea próxima a la intravarianza, o lo que es lo mismo, que la
intervarianza sea pequeña en relación con la intravarianza.
ESTADISTICA GENERAL 14
PRUEBA DE INDEPENDENCIA
Figura: En la figura de superior no existe una evidencia significativa en contra de que las medias de
los tres grupos de observaciones coinciden. En la figura inferior sí.
ESTADISTICA GENERAL 15
PRUEBA DE INDEPENDENCIA
RUTINA GENERAL DE UN ANÁLISIS DE VARIANZA
Considérese el contraste
Y suponiendo que se está en las condiciones del modelo factorial de un factor. Si H0 es cierta
se puede demostrar que el siguiente estadístico se distribuye como una de Snedecor:
Luego si al calcular Fexp obtenemos que donde es un nivel de
significación dado, deberemos de rechazar la hipótesis nula (ya que si H0 fuese cierta, era de esperar
que fuese pequeño en relación con ).
Método reducido para el análisis de un factor
En este apartado se va a resumir lo más importante de lo visto hasta ahora, indicando la forma
más sencilla de realizar el contraste. En primer lugar se calculan los siguientes estadísticos a partir
de la tabla de las observaciones en cada nivel:
ESTADISTICA GENERAL 16
PRUEBA DE INDEPENDENCIA
Niveles Observaciones de X Cálculos al margen
Nivel 1 x11 x12 x1n1 n1
Nivel 2 x21 x22 x2n2 n2
... ... ... ...
Nivel t xt1 xt2 xtnt nt
N B A
Entonces las siguientes cantidades admiten una expresión muy sencilla:
Se calcula
Y dado el nivel de significación α buscamos en una tabla de la distribución F de Snedecor el
valor
ESTADISTICA GENERAL 17
PRUEBA DE INDEPENDENCIA
Se rechaza H0 si Fexp>Fteo, como se aprecia en la Figura
Figura: Región crítica en un contraste ANOVA.
Ejemplo: Se aplican 4 tratamientos distintos a 4 grupos de 5 pacientes, obteniéndose los
resultados de la tabla que se adjunta. Queremos saber si se puede concluir que todos los
tratamientos tienen el mismo efecto. Para ello vamos a suponer que estamos en condiciones de
aplicar el modelo de un factor
Tratamientos Observaciones ni
Tratamiento 1 -1 1 2 0 -1 5 1 1/5 7
Tratamiento 2 -2 -4 -5 -4 -7 5 -22 484/5 110
Tratamiento 3 0 -1 -2 -4 -1 5 -8 64/5 22
Tratamiento 4 1 4 6 3 8 5 22 484/5 126
N=20 A=265
ESTADISTICA GENERAL 18
PRUEBA DE INDEPENDENCIA
grados
Fuente de
de Suma cuadrados Cuasivarianzas Estadístico
variación
libertad
Entre t-1=3 = B-C Fexp
tratamientos
=204,15 =68,167 =18,676
Dentro de los N-t=16 = A-B Fteo = Ft-1,N-t
tratamientos
=58,4 =3,65 =3,24
Figura: Se rechaza la hipótesis de que los tratamientos tienen el mismo efecto en los tres
grupos.
ESTADISTICA GENERAL 19
PRUEBA DE INDEPENDENCIA
En conclusión, Fexp>Fteo, como se observa en la Figura por tanto se ha de rechazar la igualdad
de efectos de los tratamientos.
En la Figura se representan las observaciones de cada nivel de tratamiento mediante una
curva normal cuyos parámetros se han estimado puntualmente a partir de las observaciones.
Obsérvese que las diferencias más importantes se encuentran entre Los tratamientos 2 y 4. Esto
motiva los contrastes de comparaciones múltiples (dos a dos), para que, en el caso en que la
igualdad de medias sea rechazada, se pueda establecer qué niveles tuvieron mayor influencia en
esta decisión.
Figura: Las diferencias más importantes se encuentran entre los niveles 2 y 4.
Análisis de los resultados del ANOVA: Comparaciones múltiples
Una vez contrastado el que existen diferencias significativas mediante el análisis de la
varianza, interesa conocer que niveles del factor son los que han influido más para que se de este
resultado. Como ilustración, en el último ejemplo se ve claramente que los tratamientos segundo y
cuarto dan resultados muy diferentes, y probablemente de hay venga el que se haya rechazado la
igualdad de todos los efectos.
El método más utilizado consiste en realizar todas las comparaciones por parejas:
lo que corresponde a los ya conocidos contrastes de la t de Student, que tienen en este caso
como estadístico experimental a (de nuevo suponiendo la homocedasticidad en todas las muestras):
ESTADISTICA GENERAL 20
PRUEBA DE INDEPENDENCIA
Ya que la intravarianza ŜD, es un estimador de con N – t grados de libertad.
ANOVA de Varios Factores
Se ha estudiado el modelo ANOVA de un factor, también denominado modelo de efecto fijo.
Existen otros modelos denominados ANOVA de varios factores que no se van a estudiar aquí, pero
que van a ser enunciados brevemente.
Como ilustración se puede escribir el modelo ANOVA de dos factores con interacción en el
cual se tiene
Si se supone que no hay interacción entre ambos factores, es decir, cada factor actúa
independientemente del otro, se tiene el modelo de efectos aditivos:
En ambos casos se supone que las cantidades son independientes para todos los
niveles i1 e i2 y todos los individuos jdentro de esos niveles, estando equidistribuidos y con la misma
varianza según una ley Gaussiana:
Consideraciones sobre las hipótesis subyacentes en el modelo factorial
Para aplicar el modelo de un factor se ha hecho, entre otras, las siguientes suposiciones:
- Las observaciones de cada muestra han de ser independientes y también la de las
muestras entre sí. Para ello se puede aplicar cualquiera de los contrastes no paramétricos
de aleatoriedad. En principio esta aleatoriedad es algo que es bastante razonable admitir
si la metodología para elegir los datos (muestreo) ha sido realizada siguiendo técnicas
adecuadas.
ESTADISTICA GENERAL 21
PRUEBA DE INDEPENDENCIA
- Los datos han de ser normales en cada una de las muestras. Esto es algo que debería
ser contrastado previamente antes de utilizar el ANOVA de un factor mediante, por
ejemplo, el test de ajuste a la distribución normal mediante el estadístico χ 2 que ya
conocemos, o bien el test de d'Agostino.
- Las varianzas de cada muestra son todas iguales, es decir:
ESTADISTICA GENERAL 22
PRUEBA DE INDEPENDENCIA
BIBLIOGRAFÍA
BioMates (2003) Procesamiento de Estadístico de Datos Médicos. [Documento en Línea]
disponible en: http://es.geocities.com/riotorto/nopa/nopa.htm, [Consulta: 2004, abril 22]
Chao, Lincoln (1999) Estadística para las Ciencias Administrativas. México. Mc Graw-Hill, Tercera
Edición
García, A. Navarro, H. y R. Vélez (1995) Estadística II. Madrid UNED
Siegel Sidnay y John Castellan N. Estadística No Paramétrica; Aplicada a las ciencias de la
conducta. México. Editorial Trillas
Universidad de Málaga (s/f) Bioestadística; Métodos y Aplicaciones. Malaga – España. Facultad de
Medicina. Universidad de Málaga. [Documento en línea] Disponible en:
http://ftp.medprev.uma.es/libro/html.htm, [Consulta: 2004, abril 22]
Hernández Mendo, Antonio y Raúl Ramos Pollán (2001) ¿Qué es la informática aplicada a las
ciencias del deporte? [Documento en línea] disponible en:
http://www.efdeportes.com/efd33a/informa2.htm, Revista Digital - Buenos Aires - Año 6 - N°
33 - Marzo de 2001, [Consulta: 2004, abril 23]
ESTADISTICA GENERAL 23
