Estadística :: T3.

Contrastes de bondad de ajuste de variables discretas

Estadística

T3. Contrastes de bondad de ajuste de variables

discretas

Departamento de Ciencias del Mar y Biología Aplicada

Estadística :: T3. Contrastes de bondad de ajuste de variables discretas

Variable aleatoria y su ajuste a una distribución

Oi= Frecuencia absoluta Observada

Ei= Frecuencia absoluta Esperada

0 2 4 6 8 10
Estadística :: T3. Contrastes de bondad de ajuste de variables discretas
2
χ
Método de chi-cuadrado ( )

Ejemplo

En una empresa de acuicultura se quiere hacer un estudio sobre el

nivel de parásitos en la producción de doradas. Para ello, se tomó una
muestra de 5 individuos cada día, repitiendo el experimento durante
550 días. De cada muestra se analizaron los peces determinando
cuantos de ellos contenían parásitos. ¿Se ajusta a un modelo de
distribución Binomial?

X 0 1 2 3 4 5

Oi 17 81 152 180 104 16

• X = Nº de individuos con parásitos

• n = 5 individuos X ≡ B(n, p)
• P = ?
Estadística :: T3. Contrastes de bondad de ajuste de variables discretas
2
χ
Método de chi-cuadrado ( )
n
X ≡ B(n, π ) ∑X F i i
x
µ = nπ p= x= i =1
¡¡¡Ojo, esta N hace referencia
x = np n N al tamaño muestral!!!
(n=550)

X 0 1 2 3 4 5

Oi 17 81 152 180 104 16

0.026 0.141 0.301 0.322 0.173 0.037
pi
14.30 77.55 165.6 177.1 95.15 20.35
Ei
• X = Nº de individuos con parásitos
• n = 5 individuos
• P = ?
x 2.584
p= = = 0.517 X ≡ B(5,0.517)
n 5
Estadística :: T3. Contrastes de bondad de ajuste de variables discretas
2
χ
Método de chi-cuadrado ( )
X ≡ B(n, π ) X ≡ B(5,0.517)
Calcular las probabilidades asociadas a cada valor de X (pi)

X 0 1 2 3 4 5

Oi 17 81 152 180 104 16

0.026 0.141 0.301 0.322 0.173 0.037
pi
14.30 77.55 165.6 177.1 95.15 20.35
Ei

⎛ n ⎞ k n − k
P( X = k ) = ⎜⎜ ⎟⎟ p q o bien usando Tabla Binomial
⎝ k ⎠
Estadística :: T3. Contrastes de bondad de ajuste de variables discretas
2
χ
Método de chi-cuadrado ( )
X ≡ B(n, π ) X ≡ B(5,0.517)
Calcular los valores esperados (Ei)

X 0 1 2 3 4 5

Oi 17 81 152 180 104 16

0.026 0.141 0.301 0.322 0.173 0.037
pi
14.30 77.55 165.6 177.1 95.15 20.35
Ei= N pi
¡¡¡Ojo, esta N hace referencia
al tamaño muestral!!!
(n=550)
Estadística :: T3. Contrastes de bondad de ajuste de variables discretas
2
χ
Método de chi-cuadrado ( )
X ≡ B(n, π ) X ≡ B(5,0.517)
Comprobar condición Ei>5, si no se cumple hay que agrupar clases

X 0 1 2 3 4 5

Oi 17 81 152 180 104 16

0.026 0.141 0.301 0.322 0.173 0.037
pi
14.30 77.55 165.6 177.1 95.15 20.35
Ei= N pi
¿Ei > 5?
Estadística :: T3. Contrastes de bondad de ajuste de variables discretas
2
χ
Método de chi-cuadrado ( )
X ≡ B(n, π ) X ≡ B(5,0.517)
2
¿Cómo difieren Oi y Ei? Calcular chi-cuadrado χ 2
=∑
k
(Oi − Ei )
exp
i =1 Ei

X 0 1 2 3 4 5

Oi 17 81 152 180 104 16

0.026 0.141 0.301 0.322 0.173 0.037
pi
14.30 77.55 165.6 177.1 95.15 20.35
Ei= N pi
2 2 2
χ 2
=
(17 − 14.30 )
+
(81 − 77.55)
+ ... +
(16 − 20.35)
exp
14.30 77.55 20.35
2
χ exp = 3.187 ¿Esta diferencia es grande o pequeña?
Estadística :: T3. Contrastes de bondad de ajuste de variables discretas
2
χ
Método de chi-cuadrado ( )
2
Punto crítico c χ K −m −1,α Obtenido de la Tabla Chi-cuadrado
• K = Nº de intervalos
• m = Nº de parámetros de la distribución estimados con datos de la muestra

Región de aceptación: No rechazo Región crítica: Rechazo

1 − α = 0.95

α = 0.05

Estadístico Umbral:
2 2
χ
exp χK −m −1,α
Estadística :: T3. Contrastes de bondad de ajuste de variables discretas
2
χ
Método de chi-cuadrado ( )
2 2 2
Punto crítico c χ K −m−1,α =χ 6−1−1, 0.05 =χ 4, 0.05

El número de doradas con

parásitos
se ajusta a una distribución
Binomial

1 − α = 0.95

α = 0.05

Estadístico
2 Umbral:
χexp t = 3.187 χ62−1−1,0.05 = 9.488
Región de aceptación: No rechazo Región crítica: Rechazo
Estadística :: T3. Contrastes de bondad de ajuste de variables discretas
2
χ
Método de chi-cuadrado ( )
H0= La muestra se ajusta a la distribución hipotética
H1= La muestra NO se ajusta a la distribución hipotética
2
Rechazamos H0 si: χ 2
=∑
k
(Oi − Ei ) >c
exp
Eii =1
2 2
p − valor = P( χ > χ exp ) < α
2
Punto crítico c χ K −m −1,α
• K = Nº de intervalos
• m = Nº de parámetros de la distribución estimados con datos de la muestra
Restricciones:
• Mín Ei ≥ 5 . En caso contrario se debe agrupar en clases
• Si k ≤ 4 se debe aplicar el estadístico de corrección de Yates:
2

χ2 = ∑
k
(O − E
i i − 0.5)
i =1 Ei