Prueba estadística Ji-cuadrada

• Esta es la prueba más comúnmente usada. En general, puede ser

usada para cualquier distribución.

• A partir de un histograma, se comparan las frecuencias

observadas con las frecuencias obtenidas de la distribución
específica (frecuencias esperadas).

Frecuencia Frecuencia
Intervalo
Observada Esperada
I1 O1 E1
I2 O2 E2
… … …
Ik Ok Ek
Total Total
 Hipótesis nula. Ho: no hay diferencia entre frecuencias
observadas y esperadas.

 Hipótesis alternativa. Ha o H1 : existe una diferencia entre

frecuencias observadas y esperadas.

Estadístico de prueba:

Si el ajuste es exacto, c02 es cero, pero por aleatoriedad no lo

será. Se puede demostrar que tiene distribución ji-cuadrado con
k-1 grados de libertad.
Distribución Ji-cuadrada
 Prueba estadística Ji-cuadrada

Los grados de libertad son iguales a: número de filas - 1

Región de Rechazo:

c  c ,k 1
2
0
2

En esta prueba se debe

cuidar que las frecuencias
esperados sean mayores
o iguales a 5.
Prueba estadística Ji-cuadrada
Ejercicio

Generador:
xn+1 = (75 ・xn) mod 231 – 1
Con semilla = 1, los primeros 200 números generados.

Realizar la prueba estadística ji-cuadrada para probar si los

valores vienen de una distribución uniforme.
Usar nivel de significancia =  = 0.05

 Ho: Los valores provienen de una distribución uniforme.

 Ha: Los valores NO provienen de una distribución uniforme.
 Frecuencia Frecuencia (observado - esperado) 2
Intervalo
Observada Esperada esperado
[0, 0.1) 21 20 0.05
[0.1, 0.2) 19 20 0.05
[0.2, 0.3) 20 20 0
[0.3, 0.4) 16 20 0.8
[0.4, 0.5) 25 20 1.25
[0.5, 0.6) 20 20 0
[0.6, 0.7) 20 20 0
[0.7, 0.8) 17 20 0.45
[0.8, 0.9) 20 20 0
[0.9, 1.0) 22 20 0.2
Total 200 200 2.8

c 
2
10
Oi  Ei  2
 2.8 Estadístico de prueba
0
i 1 Ei
Solución de prueba estadística

Región de Rechazo:

c 02  c2 ,k 1

c2 ,k 1  c 02.05,9
 16.919
2.8 no es mayor que 16.919,
por lo que el estadístico de Conclusión: Ho NO se rechaza.
prueba NO cae en la región Los valores generados sí parecen
de rechazo. venir de una distribución uniforme
 Semillas y torrentes
Un generador de números aleatorios que comience con
la misma semilla, siempre producirá la misma torrente o
secuencia de números.
Diferentes semillas generarán diferentes secuencias. Si
las semillas se eligen con valores no cercanos (en el ci-
clo del generador), entonces las secuencias de números
generados (torrentes) parecerán y actuarán como
números aleatorios independientes entre sí con lo que
colaborarán en la generación de v.a. Independientes
entre sí.
 Semillas y torrentes
Al comparar los efectos de distintas políticas en un
modelo, (p. ej el número de camas) es importante que las
corridas del modelo, se ejecuten con los mismos valores
(tiempos) en las actividades y las variables de decisión.
Cuando generamos v.a., si utilizamos la misma
secuencia de números pseudo-aleatorios, generamos
las misma secuencia de valores (muestras) de esas v.a. .
Para obtener valores esperados de las v.a., se realizan
varias corridas. En cada corrida deben ser usadas
diferentes torrentes de números e independientes entre
si ( n 0 distinto para c/v.a.). El valor de la muestra debe ser
dado en un intervalo de confianza.