PRUEBA Q DE DIXON: DETECCIÓN DE UN VALOR ALEJADO O DATOS SOSPECHOSOS

Teoría

En un conjunto de mediciones repetidas de una cantidad física o química, uno o más de los
valores obtenidos pueden diferir considerablemente de la mayoría del resto. En este caso
siempre hay una fuerte motivación para eliminar esos valores desviados y no incluirlos en
ningún cálculo posterior (por ejemplo, del valor medio y / o de la desviación estándar). Esto
sólo se permite si los valores sospechosos pueden caracterizarse "legítimamente" como valores
atípicos.
Por lo general, un dato sospechoso se define como una observación que se genera a partir de
un modelo diferente o una distribución diferente de la que era el principal "cuerpo" de datos.
Aunque esta definición implica que un valor atípico se puede encontrar en cualquier lugar
dentro del rango de observaciones, es natural sospechar y examinar como posibles valores
atípicos sólo los valores extremos.
El rechazo de las observaciones sospechosas debe basarse exclusivamente en un criterio
objetivo y no en motivos subjetivos o intuitivos. Esto puede lograrse utilizando pruebas
estadísticamente sólidas para "la detección de valores extremos".
La prueba Q de Dixon es la prueba más simple de este tipo y suele ser la única descrita en los
libros de texto de Química Analítica en los capítulos de tratamiento de datos. Esta prueba nos
permite examinar si una (y sólo una) observación de un pequeño conjunto de observaciones
repetidas (típicamente 3 a 10) puede ser "legítimamente" rechazada o no.
Q-test se basa en la distribución estadística de las muestras de datos ordenados, extraídos de la
misma población normal. Por lo tanto, una distribución normal (gaussiana) de los datos se
supone cada vez que se aplica esta prueba. En el caso de la detección y el rechazo de un dato
sospechoso, Q-test no puede volver a aplicarse en el conjunto de las observaciones restantes.

Cómo se aplica el Q-test

En ocasiones, un dato no es coherente con los resultados. Se puede usar el test Q como ayuda
para decidir si se retiene o descarta un dato sospechoso. Dicho test se lleva a cabo de la
siguiente manera:

1) se ordenan los datos en orden creciente para seleccionar el valor discordante, x 1, x2,x3,
…, xN (supuesto discordante).
2) Se calcula la divergencia = xN – XN-1 y el recorrido de la serie = xN– x1
3) El valor de la divergencia se divide entre el recorrido de la serie para obtener el
Qcalculada

el criterio para rechazar el dato es Qcalculada > Qtabulada

Consideramos los siguientes 5 resultados 12.53, 12.56, 12.47, 12.67 y 12.48. ¿es el 12.67 un
“punto rechazable”?. Para aplicar el test Q.
El recorrido es la dispersion total de los datos. La divergencia es la diferencia entre el valor
sospechoso y el valor mas proximo.

Si Qcalculada > Qtabulada, el punto sospechoso se descarta. Para los numeros del ejemplo anterior,
Qcalculada = 0.11/0.20 = 0.55. en la tabla se ve que Qttabulada = 0.64. puesto que Q calculada <
Qtabulada, el punto sospechoso se debe retener. Existe una probabilidad mayor que el 10% de
que el 12.67 sea un miembro de la misma poblacion que los otros 4 numeros . (la tabla se basa
en un nivel de confianza de 90%. Si Qcalculada > Qtabulada hay que descartar el punto sospechoso).

Algunos sostienen que no se debe descartar nunca un dato a menos que se sepa que existe un
error en el procedimiento que condujo a esa medida particular. Otros repetiran la medida
sospechosa varias veces mas, para tener mayor confianza de si la medida realmente esta o no
fuera de lo esperable. La decision depende de uno, y es por tanto una cuestion personal.
TESTS DE FISHER Y DE STUDENT

Los tests de Fisher y de Student sirven para comparar las medias y las varianzas de dos
muestras gaussianas. Retomemos el ejemplo del tratamiento destinado a disminuir los niveles
de colesterol en sangre. Se miden los niveles de colesterol en una población de control sin
tratamiento, se hace lo mismo en un grupo de individuos después del tratamiento. El nivel
promedio de colesterol después del tratamiento es inferior (eso es lo que se espera) al nivel
promedio del grupo de control. El problema es saber si la diferencia observada basta para

rechazar la hipótesis , es decir que el tratamiento no tiene ningún efecto sobre el nivel de
colesterol.

Para el modelo probabilista se consideran dos muestras independientes:

es una muestra de la ley ,

es una muestra de la ley .

Denotamos por:

y las medias empíricas,

y las varianzas
empíricas.
El resultado teórico que permite comparar las medias empíricas, presupone el hacer la

hipótesis que las varianzas teóricas y son iguales. El objetivo del test de Fisher es
comprobar esta hipótesis:

Según el teorema 3.1, los cocientes de las varianzas empíricas por las varianzas exactas siguen
leyes de chi-cuadrado. El cociente ponderado de dos variables aleatorias independientes que
siguen leyes de chi-cuadrado sigue una ley de Fisher.

Teorema 3.3 El cociente:

sigue la ley de Fisher .

El estadígrafo del test de Fisher es:

Si es verdad, sigue la ley . Se rechazará si el valor

observado para es muy grande o muy pequeño. Es, por tanto, untest bilateral cuya regla de

rechazo al umbral es:

Rechazo

de
Bajo la hipótesis de la igualdad de las varianzas, el teorema que presentamos a continuación,
permite evaluar las diferencias entre medias empíricas.

Teorema 3.4 Si , la variable aleatoria:

sigue la ley de Student .

Este resultado permite hacer un test de la hipótesis:

comparando el valor que toma el estadígrafo:

con los cuantiles de la ley de Student . Este procedimiento lleva el

nombre de test de Student. Supongamos que entre los pacientes del grupo de control se

observó un nivel promedio de colesterol de mg/dl con una desviación estándar de

mg/dl. En los pacientes con tratamiento se observó un promedio de mg/dl con una

desviación estándar de mg/dl. El estadígrafo del test de Fisher toma el valor , que
corresponde a un p-valor (para el test bilateral) de:

En consecuencia se aceptará la hipótesis de la igualdad de las varianzas. El estadígrafo del test

de Student toma el valor , con un p-valor de:
Se rechaza al umbral , la disminución de la tasa de colesterol es considerada
como significativa.

La hipótesis de normalidad, bajo la cual se emplean los tests de Fisher y Student, no siempre es
válida. Para muestras de gran tamaño, el Teorema del Límite Central asegura la normalidad
asintótica de las medias empíricas. El siguiente resultado no supone ni que las muestras son
gaussianas ni que sus varianzas son iguales.

Teorema 3.5 Cuando y tienden a infinito, la ley de la variable aleatoria:

converge a la ley normal .

Retomemos los datos del ejemplo anterior. El estadígrafo:

toma el valor , cuyo p-valor con respecto a la ley es:

REGLA DE 4D

Concepto

Regla 4d es un método para rechazar un valor dudoso, exige disponer de un grupo de cuatro
más de 4 valores.

¿Cómo se hace?

 PASO 1
Escogemos el número que creemos se podrá rechazar de la secuencia de valores.
Ejemplo:
1-2-3-4-7
Rechazamos el número 7 por estar más alejado de los demás
 PASO 2
Hacemos la media con los valores nuevos.
Σxi/n
Ejemplo:
1-2-3-4
(1+2+3+4)/4= 2.5
 PASO 3
Hacemos la desviación media de los valores.
Σ/Xi-xmed/ : n
(Siempre en valor absoluto)
Ejemplo:
1-2-3-4

1-2.5=1.5
2-2.5=0.5
3-2.5=0.5
4-2.5=1.5
(1.5+0.5+0.5+1.5)/4= 1
 PASO 4
1) Multiplicamos por cuatro la desviación media.
dm= 1
1x4=4
2) Le restamos al valor rechazado de la serie, la media de los valores.
Valor rechazado= 7
Media= 2.5
7-2.5= 4.5
 PASO 5
Comparamos la desviación media multiplicada por cuatro y la diferencia entre valor
rechazado y media de valores.
dm x4= 4
valor rech.- xmed= 4.5

4.5>4

RESULTADO
Si
valor rech. - xmed > dm x4
podremos rechazar el valor pensado inicialmente.

En nuestro caso:
v. rech. - xmed = 4.5
dm x4= 4

Como 4.5 es más grande que 4, podremos rechazar el valor 7 de la secuencia inicial.