Escolar Documentos
Profissional Documentos
Cultura Documentos
-1-
2 k 1
( fe fo )2 = fe i =1
k
En este caso las hiptesis nula y alternativa que se consideran en la prueba de hiptesis son: Hiptesis nula: Ho: La variable tiene la distribucin supuesta (en este lugar se especifican los aspectos a probar, ya sea una descripcin de cmo distribuye, o con el nombre de la distribucin conocida y sus parmetros correspondientes) Hiptesis alternativa: H1: La variable no sigue la distribucin supuesta En las pruebas chi cuadrado de bondad de ajuste, siempre se coloca el riesgo de no aceptar la hiptesis nula siendo sta cierta (el nivel de significacin, ) en el extremo superior de valores de la distribucin chi cuadrado, como muestra la siguiente figura. Figura Prueba chi cuadrado de bondad de ajuste-Ubicacin de la zona de rechazo
Fuente: elaboracin propia, con captura de imagen de distribucin chi cuadrado de http://media.photobucket.com/image/distribuci%2525C3%2525B3n%20chi%20cuadrad o/BlogAqueronte/Estadistica/Tablas/Ji%20Cuadrado/JiCuadrado.gif
-2-
Como puede observarse en el estadstico de prueba, el valor que surja a partir de los datos mustrales ser elevado cuando difieran sistemticamente las frecuencias observadas de las esperadas (que se construyen teniendo en cuenta la distribucin hipottica indicada en la hiptesis nula). Por ello es que valores elevados del estadstico caern en la zona de rechazo. Veamos una aplicacin completa de esta prueba. Se supone que el nmero de defectos en un dispositivo para pagos electrnicos sigue una distribucin Poisson. Toma una muestra aleatoria de 43 dispositivos y se observa el nmero de defectos. Los resultados obtenidos fueron los siguientes: Nmero de defectos 0 1 2 3 ms Frecuencia observada 25 10 6 2
En primer lugar, explicitaremos las hiptesis de la prueba. Ho: El nmero de defectos en el dispositivo tiene una distribucin de Poisson. H1: El nmero de defectos en el dispositivo no tiene una distribucin de Poisson. Si trabajamos con un =0,05, el valor crtico de chi cuadrado con 3 grados de libertad ser 7,83. La regla de decisin quedar entonces: Si el estadstico muestral es inferior a 7,83, no se rechaza Ho. Si el estadstico muestral es mayor o igual a 7,83, se rechaza Ho.
-3-
A los fines de construir la tabla de distribucin terica, o frecuencias esperadas, deberemos estimar en primer lugar el valor de , ya que no nos ha sido proporcionado. Calcularemos entonces, el valor esperado con los datos de la muestra:
28 43
= 0,65
Podemos utilizar ahora el parmetro estimado =0,65, para calcular con la frmula de la distribucin de Poisson o con la tabla las frecuencias esperadas:
e x P( x) = x!
Con esta frmula obtuvimos las siguientes probabilidades, que luego aplicaremos al tamao total de la muestra para calcular las frecuencias esperadas. Defectos 0 1 2 3 ms Probabilidad 0,52205 0,33933 0,10519 0,03343
-4-
Frecuencias esperadas: Defectos 0 1 2 3 o ms Total Frecuencia Esperada 22,44815 14,59119 4,52317 1,43749 43
2 k 1
( fe fo )2 = fe i =1
k
Defectos
Frecuencia Frecuencia fe-fo (fe-fo)2 (fe-fo)/fe esperada observada 0 22,44815 25 -2,55185 6,51193842 0,29008798 1 2 14,59119 4,52317 1,43749 43 10 6 2 43 4,59119 21,0790256 1,44464061 -1,47683 2,18102685 0,48218989 -0,56251 0,3164175 0,22011805 2,43703653
3 ms Total
Teniendo en cuenta la regla de decisin, no se rechaza la hiptesis nula. En sntesis, con la evidencia aportada por la muestra, no podemos descartar, con una significacin de 0,05, que el nmero de defectos se distribuye Poisson.
Tenga en cuenta que este tema (prueba de bondad de ajuste) no se encuentra desarrollado en la bibliografa bsica de la materia.
-5-
Fuente: elaboracin propia La prueba Chi cuadrado que presentaremos permite establecer si existe relacin entre escalas como las planteadas en el ejemplo. La prueba Chi cuadrada es una prueba de carcter general que se utiliza cuando se desea determinar si las frecuencias absolutas obtenidas en la observacin (como en la tabla del ejemplo previo), difieren significativamente o no de las que se esperaran bajo
-6-
cierta hiptesis planteada de interrelacin de las categoras de las variables consideradas. Tabla cruzada: Datos observados, frecuencias absolutas, porcentajes totales, en filas y en columnas
Tabla cruzada: cambio en la situacin econmica * grupo de edad
Total
Adultos plenos
Adultos mayores
Total
-7-
Considerando los datos de la tabla previa, se puede observar que entre los que mejoraron, es ms elevada la proporcin de jvenes, respecto del total, en tanto, entre los que se mantuvieron, la proporcin que se destaca es la de Adultos plenos. Finalmente, entre los individuos que vieron desmejorar su situacin econmica, presentan proporcionalmente una mayor presencia de Adultos mayores que el resto. A los fines de corroborar si tal observacin puede sostenerse, o bien si se trata slo de una casualidad presente en los datos de la muestra, la prueba Chi cuadrado permite someter a contraste las siguientes hiptesis:
Ho: Las variables son independientes entre s (es decir, no tienen relacin) H1: Las variables no son independientes. Observe que si bien estamos interesados en considerar la vinculacin entre las variables, la hiptesis nula parte del supuesto neutral de no relacin o independencia. En el caso de rechazar la hiptesis nula, detectaremos la relacin que suponemos que existe, que motiv el estudio. El estadstico justamente considerar esta situacin, en la cual, si los valores observados se distancian significativamente del valor esperado bajo el supuesto de independencia, el estadstico resultar en un valor elevado (ubicado en la zona de rechazo), y se rechazar la hiptesis nula. El estadstico Chi cuadrado est dado por:
2 =
( fo fe )2 fe
Este estadstico se distribuye Chi cuadrado con (c-1).(f-1) grados de libertad. Donde fo: frecuencias observadas fe: frencuencias esperadas c= nmero de columnas f= nmero de filas Tambin en la prueba chi cuadrado de independencia se localizaa el riesgo de no aceptar la hiptesis nula siendo sta cierta (el nivel de significacin, ) en el extremo superior de valores de la distribucin chi cuadrado, como muestra la siguiente figura.
-8-
Fuente: elaboracin propia, con captura de imagen de distribucin chi cuadrado de http://media.photobucket.com/image/distribuci%2525C3%2525B3n%20chi%20cuadrad o/BlogAqueronte/Estadistica/Tablas/Ji%20Cuadrado/JiCuadrado.gif
Nuevamente puede observarse que si las frecuencias esperadas (bajo la hiptesis nul cierta de independencia o no relacin entre variables), difieren sistemticamente de las observadas, tendremos elementos como para descartar la independencia, y concluiremos que existe relacin entre las variables. En tal caso, el valor del estadstico asumir valores elevados. De lo contrario, si en general, las frecuencias esperadas (bajo la hiptesis de no relacin) no difieren de las observadas, no tendremos elementos para descartar la independencia. Continuemos ahora con el ejemplo, obteniendo las frecuencias esperadas y completando el test. Suponiendo una significacin de 0,05, dado que se trabaja con 4 grados de libertad (tres filas y tres columnas), el valor crtico del estadstico chi cuadrado es: 9,5. La regla de decisin ser: Si el estadstico obtenido con datos muestrales es inferior a 9,5, no se rechazar la hiptesis nula. Si el estadstico basado en los datos muestrales es mayor a 9,5, se rechazar la hiptesis nula de independencia, y se concluir que existe relacin entre las variables.
-9-
Para calcular las frecuencias esperadas de cada celda de la tabla de contingencia, se debe multiplicar la frecuencia marginal de la fila de la celda por la frecuencia marginal de la columna de la celda, y luego dividir ese resultado por el tamao total de la muestra. Por ejemplo, para calcular la frecuencia esperada de la celda Jvenes que mejoraron su situacin econmica, realizamos la siguiente operacin:
fe =
420.370 1090
La siguiente tabla sintetiza las frecuencias marginales para poder calcular las frecuencias esperadas de todas las celdas interiores de la tabla.
Tabla de contingencia: frecuencias marginales Cambios en la situacin econmica personal en el ltimo ao Edades Mejor Se mantuvo igual Empeor Total 420 370 300 1090
Frecuencias esperadas
- 10 -
Edades
Cambios en la situacin econmica personal en el ltimo ao Mejor Se mantuvo Empeor igual 142,569 125,596 101,835 370 430 118,349 290 79,817 145,963 165,688 98,440 111,743
Total
La siguiente tabla surge de comparar los valores observados y esperados: Cambios en la situacin econmica personal en el ltimo ao Mejor Se mantuvo Empeor igual 37,431 Adultos plenos Adultos mayores 5,596 31,835 18,349 34,037 50,183 15,688 28,440 21,743
Edades
Jvenes
Finalmente los valores que suman de cada celda para construir el estadstico muestral. El valor del estadstico basado en datos muestrales es: 76,3, que cae en la zona de rechazo, por lo tanto se concluye las variables grupo de edad de los encuestados se relaciona con la percepcin de cambio en su situacin econmica en el ltimo ao.
- 11 -
Tabla con los valores que se suman para obtener el estadsitico muestral, cada ( f fe )2 celda contiene los valores de o , para la celda ij, respectivamente. fe ij
Cambios en la situacin econmica personal en el ltimo ao Mejor Se mantuvo igual Empeor
Edades
5. ANLISIS DE VARIANZA
- 12 -
La separacin de la suma de cuadrados La idea bsica del ANOVA es el hecho de que las varianzas pueden ser divididas, es decir separadas. Se debe recordar que la varianza se calcula como la suma de desviaciones al cuadrado respecto de la media general (o gran media), dividida por n-1 (el tamao de la muestra menos uno). Por eso, para una muestra de tamao n, la varianza es una funcin de las sumas de cuadrados (de desvos), a la cual denominaremos SS. La particin de la varianza funciones como mostraremos a continuacin: Figura. Descomposicin de la suma de cuadrados
Fuente. Elaboracin propia La nomenclatura que usaremos en este tema difiere levemente de la empleada en el texto de la bibliografa bsica. Todos los valores correspondientes a las sumas de cuadrados entre grupo se identificarn en este caso con una letra E (mientras que en el texto se utiliza una A, por among). Todos los valores correspondientes a las sumas de cuadrados dentro grupo se identificarn en este caso con una letra D (mientras que en el texto se utiliza una W, por within).
Lgica bsica del ANOVA El propsito del anlisis de varianza es probar si son estadsticamente significativas las diferentes en las medias para tres ms grupos de casos. Para ello se analiza la varianza, particionando la varianza total en sus componentes: el que se debe al error aleatorio (Suma de cuadrados dentro de los grupos) y el que se debe a las diferencias entre las medias (Suma de cuadrados entre los grupos).
- 13 -
Estos componentes de la varianza son sometidos a la prueba de significacin estadstica, y si resulta significativa, se rechaza la hiptesis nula referida a la no existencia de diferencia entre las medias y se concluye que hasta nueva evidencia se mantiene como vlida la hiptesis alternativa referida a que las medias de la poblacin son diferentes entre s (o ms precisamente, que al menos una de las medias consideradas lo es). Analizaremos un problema especfico para presentar todos los conceptos y procedimientos de la prueba. Una cadena de supermercados posee tres sucursales en una ciudad, cada una ubicada en zonas con caractersticas diferenciadas, que determinan una aparente distinta frecuencia mensual de compra por parte de los clientes. Interesa saber si efectivamente las zonas presentan diferencia en este aspecto, para lo cual se llev a cabo un seguimiento de tres clientes seleccionados al azar en cada sucursal durante el ltimo mes, y se registr el nmero de veces que realizaron compras en la sucursal respectiva. La siguiente tabla resume lo observado. Tabla: Frecuencia mensual de concurrencia a la sucursal correspondiente Zona 1 Observacin 1 Observacin 2 Observacin 3 Media del grupo 2 3 1 2 Zona 2 6 7 5 6 Zona 3 8 8 7 7,67
En la prueba ANOVA, las hiptesis se explicitan de la siguiente manera: Hiptesis nula: Ho: Las medias de los c grupos son iguales
Hiptesis alternativa: Al menos una de las medias de los grupos es diferente a las dems. En el ejemplo planteado, quedaran expresadas de la siguiente manera.
- 14 -
Hiptesis nula: Ho: Las medias de frecuencia mensual de compra de las 3 zonas son iguales Hiptesis alternativa: Al menos una de las medias de las zonas es diferente a las dems.
SST = ( xij x ) 2
j =1 i =1
Donde
nj
x es la gran media
xij
es la i-sima observacin del grupo j
nj indica la cantidad de casos del grupo j c es la cantidad de grupos Tabla: Clculo de la gran media y de la SST Zona 1 Observacin 1 Observacin 2 Observacin 3 Media del grupo Gran Media Suma de cuadrados totales 2 3 1 2 5,2 55,56 Zona 2 6 7 5 6 Zona 3 8 8 7 7,67
- 15 -
SSA = n j ( x j x ) 2
j =1
Donde
xj
SSD =
j =1
Donde
(x
i =1
nj
ij
x j )2
xj
Veamos los resultados de las SSE y SSD para los datos del ejemplo:
Zona 2 6 7 5 6
Zona 3 8 8 7 7,67
- 16 -
Zona 2 2
Zona 3 0,67
4,67
50,86
5,2 55,56
Las medias de los tres grupos, parecen ser bastante diferentes. Las sumas de cuadrados en cada grupo son relativamente reducidas. En total suma 4,56. Por otra parte, si analizamos la SS total, obtenemos 55,56. En definitiva, calcular la varianza (suma de cuadrados) basados en la variabilidad en los grupos conduce a una estimacin mucho menor de la varianza que calcularla basada sobre la variabilidad total. La razn para ello en este ejemplo es que hay una gran diferencia entre las medias, y esta diferencia genera la diferencia entre las SS. Cada una de las sumas de cuadrados descriptas tiene asociados grados de libertad diferentes: La SST tiene n-1 grados de libertad, ya que pierde un grado de libertad respecto del total de datos de la muestra, por el clculo de la gran media La SSE tiene c-1 grados de libertad, tambin debido a que si se conoce la gran media, al menos uno de los valores de las medias de los grupos quedar automticamente determinado. La SSD tiene n-c grados de libertad, ya que en cada uno de los c grupos resultan (nj -1) grados de libertad, ya que en cada grupo se pierde un grado de libertad por el clculo de la media muestral de ese grupo.
Suma de cuadrados del Error (Suma de Cuadrados Dentro) y Suma de cuadrados del Efecto (Suma de Cuadrados Entre) La variabilidad dentro de los grupos es generalmente denominada Varianza de Error. Este trmino denota el hecho de que no podemos realmente explicarlo o tenerlo en cuenta en este diseo que estamos considerando. Sin embargo, la variabilidad entre grupos (Efecto), puede ser explicada. Como su nombre lo indica, esta variabilidad se debe a las diferencias en las medias entre los grupos. Explicado de otra forma, ser miembro de un grupo explica esta variabilidad ya que conocemos que esto se asocia con las diferencias en las medias.
- 17 -
El ANOVA es otro ejemplo de prueba en la que se desea conocer la significacin estadstica. En este caso el test o prueba se basa en la comparacin de la varianza debida a la variabilidad entre grupos (Cuadrados medios entre, CME) con la variabilidad dentro de los grupos (Cuadrados medios dentro, CMD, o Cuadrados medios del error). Bajo hiptesis nula (que se expresa como: no hay diferencias entre las medias de los grupos de la poblacin), la varianza estimada basada en la variabilidad dentro de los grupos debera ser aproximadamente la misma que la varianza debida a variabilidad entre grupos. Podemos entonces comparar estas dos estimaciones de la varianza a travs de la prueba F, la cual somete a prueba si el cociente de dos varianzas es significativamente mayor que 1. En el ejemplo, el test es elevadamente significativo, por lo cual se concluye que en efecto las medias de los grupos (al menos una de ellas) son significativamente diferentes entre s. Considerando las sumas de cuadrados y sus respectivos grados de libertad podemos obtener las tres varianzas que caracterizan al problema: Los cuadrados medios totales (o trminos cuadrticos medios totales) se obtienen de la siguiente manera:
CMT =
SST n 1
Los cuadrados medios entre (o trminos cuadrticos medios entre) se obtienen de la siguiente manera:
CME =
SSE c 1
Los cuadrados medios dentro (o trminos cuadrticos medios dentro) se obtienen de la siguiente manera:
CMD =
SSD nc
- 18 -
Contraste de hiptesis en el ANOVA El estadstico de prueba tiene distribucin F, y se construye en base a los datos de la muestra de la siguiente manera:
F=
CME CMD
La distribucin, que corresponde a un cociente de varianzas, tiene asociados grados de libertad del numerador iguales a los de los CME, que son c-1, y grados de libertad en el denominador iguales a los de los CMD, que son n-c. La zona de rechazo en las pruebas ANOVA se establece determinando un valor crtico en la distribucin F, con los grados de libertad mencionados, de manera que resulte por encima de este valor, una probabilidad igual al nivel de significacin elegido. En este caso tambin, la zona de rechazo se ubica en los valores elevados de la distribucin. Este hecho se relaciona con la relacin mencionada previamente de los cuadrados medios dentro y entre como estimadores de la varianza. En trminos intuitivos, puede observarse que un valor elevado del estadstico muestral, proviene de una situacin en la cual los CME son ms elevados (predominantes en cuanto a la fuente de variacin de los datos). En tal situacin, la variabilidad de los datos se asocia principalmente con el grupo al cual pertenece el individuo, y en consecuencia resulta sospechosa la hiptesis de igualdad de todas las medias poblacionales de los grupos. El valor crtico de la prueba en el ejemplo, de una distribucin F, con 2 grados de libertad en el numerador y 6 grados de libertad en el denominador, con una significacin de 0,05, es 5,14. La regla de decisin queda determinada de la siguiente manera: Si el estadstico muestral F es mayor o igual a 5,14, se rechaza la hiptesis nula (y en consecuencia no puede afirmarse que las medias de todos los grupos son iguales). Si el estadstico muestral F es menor a 5,14, no se rechaza la hiptesis nula (y en consecuencia no disponemos de evidencia para descartar que las medias de todos los grupos sean iguales).
- 19 -
El siguiente grfico muestra dnde se ubica la zona de rechazo en las pruebas ANOVA. Figura
Fuente: elaboracin propia, con captura de imagen de distribucin tomada de http://media.photobucket.com/image/distribuci%2525C3%2525B3n%20f/BlogAqueront e/Estadistica/Tablas/f.gif Toda la informacin requerida para un ANOVA se sintetiza en una tabla ANOVA. Para el ejemplo, la siguiente tabla ANOVA, nos permite llevar a cabo la prueba: Tabla de ANOVA Fuente de Suma de variacin cuadrados Entre 50,89 grupos (Efecto) Dentro grupos (Error) Total de 4,67 Grados de libertad 2 Cuadrados medios 25,44 F
32,71 6 0,778
55,56
- 20 -
El valor de estadstico muestral F es 32,71, superior al valor crtico, por lo tanto, en base a la evidencia obtenida, podemos afirmar que al menos una de las zonas donde estn implantadas las sucursales del supermercado, posee una frecuencia promedio de compra de los clientes distinta al resto.
x j x j'
Para todo
j j'
Es decir, para todas las medias de diferentes grupos.
c(c 1) 2
Comparaciones de medias de a pares.
- 21 -
ac = QU ( c , n c )
CMD 1 1 . + 2 n j n j'
Si los tamaos de las muestras de cada grupo son diferentes debe calcularse el ac para cada par de medias de muestra. El valor de Q se obtiene de la tabla correspondiente a la tabla de Tuker Kramer. 3. Finalmente se comparar las diferencias obtenidas en (1) con el ac que le corresponde. Si la diferencia obtenida excede al ac, pueden considerarse distintas las medias respectivas.
- 22 -
3. Homogeneidad de varianzas Las varianzas de todos los grupos deben ser iguales. Este supuesto es crtico, y puede verificarse su cumplimiento a travs de un test de Levene de igualdad de varianzas. Si las muestras tienen igual tamao, no se ver afectado el resultado del ANOVA por la falta de cumplimiento de este supuesto.
- 23 -
Ejercicios
Resolver los siguientes ejercicios con las tcnicas aprendidas.
1. Supongamos que un frmaco que se administra a 3 grupos de personas y se les realiza cierta medicin del efecto causado:
2. Se aplican 4 tratamientos distintos a 4 grupos de 5 pacientes, obtenindose los resultados de la tabla que se adjunta. Queremos saber si se puede concluir que todos los tratamientos tienen el mismo efecto. Tratamientos Observaciones 1 2 0 -1 ni 5 5 5 5
Tratamiento 1 -1
a. Plantee las hiptesis del problema. b. Utilice una significacin de 0,05. c. Escriba una conclusin
- 24 -
3. La tabla siguiente presenta la distribucin de frecuencia del nmero de defectos encontrados en el anlisis de los ltimos 200 artculos producidos en un proceso de produccin. Usando un nivel de confianza del 5% se desea verificar mediante una prueba chi cuadrado si dichos valores proceden de una distribucin de Poisson con una media de3.5 defectos por artculo.
4. Se realiz una encuesta para caracterizar a los lectores de diarios en ciudades pequeas, en reas rurales y en granjas. La respuesta acerca de si lean o no algn diario, result en la siguiente tabla: Comunidad Urbana Rural Granja Total Si 529 373 237 1139 Lectores? No 121 137 89 347 Total 650 510 326 1486
a) Con =0.05 brindan los datos evidencia suficiente para indicar que las proporciones de lectores difieren entre los distintos grupos de comunidades? b) Encuentre el valor p para la prueba. 5. Se realiz un estudio de las decisiones de tres administradores de carteras de acciones, para comparar las ganancias obtenidas. Proporcionan los datos suficiente evidencia para indicar que hay diferencias en las compras exitosas entre los administradores (=0.05)? A 63 37 100 Administrador B 71 29 100 Total C 55 45 100 189 111 300
- 25 -
6. Ante la sospecha de que el hbito de fumar de una embarazada puede influir en el peso de su hijo al nacer, se tomaron dos muestras, una de fumadoras y otra de no fumadoras, y se clasific a sus hijos en tres categoras en funcin de su peso en relacin con los percentiles P10 y P90 de la poblacin. El resultado se expresa en la tabla siguiente: Peso del nio Madre fumadora? Menor de P10 Entre P10 y P90 Mayor de P90 Si No 117 124 529 1147 19 117
Hay una evidencia significativa a favor de la sospecha teniendo en cuenta los resultados de la muestra?
- 26 -