Qué es una prueba de chi-cuadrada?
Más información sobre Minitab 18
Una prueba de chi-cuadrada es una prueba de hipótesis que compara la distribución observada de
los datos con una distribución esperada de los datos.
Existen varios tipos de pruebas de chi-cuadrada:
Prueba de bondad de ajuste de chi-cuadrada
Utilice este análisis para probar qué tan bien una muestra de datos categóricos se ajusta a una
distribución teórica.
Por ejemplo, usted puede comprobar si un dado es justo, lanzando el dado muchas veces y
utilizando una prueba de bondad de ajuste de chi-cuadrada para determinar si los resultados
siguen una distribución uniforme. En este caso, el estadístico de chi-cuadrada cuantifica qué tanto
varía la distribución observada de los conteos con respecto a la distribución hipotética.
Pruebas de chi-cuadrada de asociación e independencia
Los cálculos para estas pruebas son iguales, pero la pregunta que se está tratando de contestar
puede ser diferente.
Prueba de asociación: Utilice una prueba de asociación para determinar si una variable está
asociada a otra variable. Por ejemplo, determine si las ventas de diferentes colores de automóviles
dependen de la ciudad donde se venden.
Prueba de independencia: Utilice una prueba de independencia para determinar si el valor
observado de una variable depende del valor observado de otra variable. Por ejemplo, determine
si el hecho de que una persona vote por un candidato no depende del sexo del elector.
El procedimiento Prueba de Kolmogorov-Smirnov para una muestra compara la función de
distribución acumulada observada de una variable con una distribución teórica determinada, que
puede ser la normal, la uniforme, la de Poisson o la exponencial. La Z de Kolmogorov-Smirnov se
calcula a partir de la diferencia mayor (en valor absoluto) entre las funciones de distribución
acumuladas teórica y observada. Esta prueba de bondad de ajuste contrasta si las observaciones
podrían razonablemente proceder de la distribución especificada.
Ejemplo. Muchas pruebas paramétricas requieren que las variables se distribuyan de forma
normal. La prueba de Kolmogorov-Smirnov para una muestra se puede utilizar para comprobar
que una variable (por ejemplo ingresos) se distribuye normalmente.
Estadísticos. Media, desviación estándar, mínimo, máximo, número de casos no perdidos y
cuartiles.
Prueba de Kolmogorov-Smirnov para una muestra: Consideraciones sobre los datos
Datos. Utilice variables cuantitativas (a nivel de medición de razón o de intervalo).
Supuestos. La prueba de Kolmogorov-Smirnov asume que los parámetros de la distribución de
prueba se han especificado previamente. Este procedimiento estima los parámetros a partir de la
muestra. La media y la desviación estándar de la muestra son los parámetros de una distribución
normal, los valores mínimo y máximo de la muestra definen el rango de la distribución uniforme,
la media muestral es el parámetro de la distribución de Poisson y la media muestral es el
parámetro de la distribución exponencial. La capacidad de la prueba para detectar desviaciones a
partir de la distribución hipotetizada puede disminuir gravemente. Para contrastarla con una
distribución normal con parámetros estimados, considere la posibilidad de utilizar la prueba de K-S
Lillliefors (disponible en el procedimiento Explorar).
Prueba Kolmogorov-Smirnov para una muestra: Es una prueba de bondad de ajuste. Se emplea en
una muestra independiente. El tipo de variable es cuantitativa continua (debe ser medida en
escala al menos ordinal). Esta prueba responde a la pregunta: ¿Ajusta la distribución empírica de
datos muestrales de una variable ordinal o cuantitativa a una distribución teórica conocida? Esta
prueba no requiere que los datos sean agrupados, lo que permite que ésta haga uso de toda la
información del conjunto de datos. Puede utilizarse con muestras de cualquier tamaño (mientras
que la X2 requiere que las muestras tengan un tamaño mínimo). Hipótesis: H0: F(x) = FT(x) para
toda x desde - ∞ hasta + ∞ H1: F(x) ≠ FT(x) para al menos una x Como es una prueba de bondad de
ajuste aquí interesa no rechazar la hipótesis nula, es decir, interesa que el valor de p sea mayor de
0,05 para no rechazar la hipótesis nula (queremos que p > 0,05).
Ejemplo:
Las puntuaciones obtenidas por una muestra de sujetos en una prueba de habilidad han
sido las siguientes:
48,1; 47,8; 45.1; 46,3; 45,4; 47,2; 46,6; y 46.
Sabiendo que la media en dicha prueba es 40 y su desviación típica es 3, ¿podemos afirmar
que la distribución de las puntuaciones sigue una normal, con un α = 0,01?
Solución:
1. Hipótesis:
H0: F (X) = Fs (X) de una N(µ, σ)
H1: F (X) ≠ Fs (X) de una N(µ, σ)
2. Muestra: 8 observaciones indep.
3. Tipificamos las puntuaciones para poder trabajar con una N (0,1).
Xi Zi
48,1 2,7
47,8 2,6
45,1 1,7
46,3 2,1
45,4 1,8
47,2 2,4
46,6 2,2
46 2
2
4. Ordenamos las puntuaciones, obtenemos Fs (X) y S (X) y calculamos la diferencia entre
ambas para cada valor de X.
Zi Fs (X) S(X) │Fs(X) – S(X)│
1,7 0,9554 0,125 0,8304
1,8 0,9641 0,250 0,7141
2,0 0,9772 0,375 0,6022
2,1 0,9821 0,500 0,4821
2,2 0,9861 0,625 0,3611
2,4 0,9918 0,750 0,2418
2,6 0,9953 0,875 0,1203
2,7 0,9965 1.000 0.0035
Para α = 0,01 y n = 8 en la tala encontramos un valor de 0,543, por tanto, se rechaza H0
Estadística Inferencial
Tema 8: Estimación
Tema 9: Contraste de Hipótesis
Tema 10: Inferencia paramétrica
Tema 11: Inferencia no paramétrica
1 Introducción
2 Pruebas de un grupo
2.1 Binomial
2.2 Kolmogorov
3 Dos o más grupos
4 Datos categóricos
2.2 Kolmogorov
La prueba de Kolmogorov es una prueba de bondad de ajuste, es decir, del grado en que la
distribución observada difiere de otra distribución. Es una alternativa a la prueba Ji Cuadrado de
bondad de ajuste cuanto el número de datos es pequeño. La prueba no debe ser aplicada si hay
muchos empates.
a) Supuestos. Los datos están medidos al menos a nivel ordinal.
b) Hipótesis Nula: No hay diferencias entre las distribuciones comparadas.
c) Estadístico de contraste: D (mayor diferencia entre las frecuencias relativas de las
distribuciones).
d) Distribución del estadístico de contraste: Específico dependiendo de la distribución con que se
compare la distribución observada.
Ejemplo
Desean saber si una muestra de debe datos pertenece a una población normalmente distribuida.
Los datos (ordenados de menor a mayor) son:
b) Hipótesis Nula: No hay diferencia estadísticamente significativa entre la distribución de la
población a que pertenece la muestra y la distribución Normal.
Hipótesis Alternativa: Hay diferencia estadísticamente significativa entre la distribución de la
población a que pertenece la muestra y la distribución Normal.
c) Estadístico de contraste. Obtención del estadístico de contraste:
Tipificar la muestra:
Obtener los valores típicos que corresponden a diez intervalos de una distribución Normal:
-1.28, -0.84, -0.52, -0.25, 0, 0.25, 0.52, 0.84, 1.28
(Valores que corresponden a los puntos cuya función de distribución Normal estandarizada son
0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8 y 0.9)
Emparejar las distribuciones tipificadas hipotética (Normal en el ejemplo) y observada:
(Notas:
* F(X) se refiere al límite superior del intervalo.
* Los valores en la columna F(X)obs son funciones de la distribución Normal estandarizada y son
los que correspondería a las puntuaciones observadas si ajustaran a la distribución Normal, es
decir, si la Hipótesis Nula fuera verdadera)
D=0.2
e) Significación del estadístico de contraste: De acuerdo con las tablas de la prueba es igual a 0.81
f) Se acepta la Hipótesis Nula por ser mayor la significación del estadístico de contraste que el nivel
previamente establecido (alfa= 0.05)
