Anda di halaman 1dari 19

ESTADSTICA NO PARAMTRICA: PRUEBA CHI-CUADRADO 2

ESQUEMA DE CONTENIDOS

________________________

Estadstica no Paramtrica

Prueba CHI-CUADRADO

UNA VARIABLE

w w w .M at em at ic a1 .c om

DOS VARIABLES

Prueba de Bondad del Ajuste

Prueba de Homogeneidad

Prueba de Independencia

OBJETIVOS

________________________

El objetivo de este e-block es el estudio de varias cuestiones en relacin con v.a. cualitativas cuantitativas cuyos datos estn recogidos en forma de tabla de frecuencias. El denominador comn a todas ellas es que su tratamiento estadstico est basado en la misma distribucin terica: la distribucin 2 (chi-cuadrado ji-cuadrado). En esencia se van a abordar tres tipos de problemas: a) Prueba de Bondad de Ajuste, consiste en determinar si los datos de cierta muestra corresponden a cierta distribucin poblacional. En este caso es necesario que los valores de la variable en la muestra y sobre la cual queremos realizar la inferencia est dividida en clases de ocurrencia, o equivalentemente, sea cual sea la variable de estudio, deberemos categorizar los datos asignado sus valores a diferentes clases o grupos. b) Prueba de Homogeneidad de varias muestras cualitativas, consiste en comprobar si varias muestras de una carcter cualitativo proceden de la misma poblacin (por ejemplo: estas tres muestras de alumnos provienen de poblaciones con igual distribucin de aprobados?. Es necesario que las dos variables medibles estn representadas mediante categoras con las cuales construiremos una tabla de contingencia. c) Prueba de Independencia, consistente en comprobar si dos caractersticas cualitativas estn relacionadas entre s (por ejemplo: el color de ojos est relacionado con el color de los cabellos?). Aunque conceptualmente difiere del anterior, operativamente proporciona los mismos resultados. Este tipo de contrastes se aplica cuando deseamos comparar una variable en dos situaciones o poblaciones diferentes, i.e., deseamos estudiar si existen diferencias en las dos poblaciones respecto a la variable de estudio.

CONCEPTOS FUNDAMENTALES

Este math-block supone ciertos conocimientos bsicos de estadstica (inferencia y probabilidad), as como conocimientos bsicos del software estadstico MINITAB.

.M

at

em

CONOCIMIENTOS PREVIOS

at

ic
________________________ ________________________
Muestra: Parte de una poblacin que se toma cuando es imposible acceder a toda ella. La eleccin de la muestra se hace con la intencin de, a partir de la informacin que ella proporciona, extender sus resultados a toda la poblacin a la que representa. Muestra aleatoria: (Muestra elegida al azar) Aquella muestra tomada de la poblacin en la que todo individuo tiene la misma probabilidad de resultar elegido para ella, y esto con independencia entre individuos. Funcin de Distribucin: Funcin que hace corresponder a cada uno de los valores de una variable aleatoria la probabilidad de que tal variable aleatoria tome un valor igual o inferior al dado. Funcin de Probabilidad: Funcin que hace corresponder a cada uno de los valores de la variable aleatoria discreta su probabilidad. Contraste de hiptesis: Conjunto de reglas tendentes a decidir cul de dos hiptesis la nula la alternativa- debe aceptarse en base al resultado obtenido en una muestra. Es de dos colas cuando la alternativa es la negacin de la nula. De una cola en caso contrario.

a1

.c

om

Variable aleatoria: Toda funcin que toma diversos valores numricos, dependiente de los resultados de un fenmeno aleatorio, con distintas probabilidades. Variable aleatoria discreta. Las variables aleatorias discretas son aquellas que presentan un nmero finito de valores, constituyen una sucesin numerable. Variable aleatoria continua. Las variables aleatorias continuas pueden tomar un nmero infinito de valores en un intervalo determinado. Variable categrica. Una variable categrica es una variable que clasifica cada individuo de una poblacin en una de las varias clases mutuamente excluyentes en que sta se divide. Variable numrica. Corresponde a los datos expresados en una escala continua numrica.

.M

at

em

at

ic

a1

.c

om

PRUEBA DE BONDAD DE AJUSTE


INTRODUCCIN ___________________

Estamos interesados en determinar si los datos disponibles de una muestra aleatoria simple de tamao n corresponden a cierta distribucin terica. El primer paso a realizar consiste en descomponer el recorrido de la distribucin terica en un nmero finito de subconjuntos: A1, A2, ..., Ak. Despus, clasificar las observaciones muestrales, segn el subconjunto a que pertenezcan. Y, por ltimo, comparar las frecuencias observadas de cada Ai con las probabilidades que les corresponderan con la distribucin terica a contrastar.

OBJETIVOS

___________________

Comprender la importancia de este mtodo para medir si los datos resultantes de una muestra provienen de una distribucin terica. Metodologa til para validar las hiptesis sobre la distribucin terica en la poblacin que se realiza en la estadstica paramtrica, i.e., contrastes de hiptesis, intervalos de confianza, regresin lineal, etc.

CONOCIMIENTOS PREVIOS

___________________

Supongamos que tenemos un nmero k de clases en las cuales se han ido registrado un total de n observaciones (n ser pues el tamao muestral). Denotaremos las frecuencias observadas en cada clase por O1, O2, ..., O k (Oi es el nmero de valores en la clase Ai). Se cumplir: O1 + O2 + ... + O k = n Lo que queremos es comparar las frecuencias observadas con las frecuencias esperadas (tericas), a las que denotaremos por E1, E2, ..., E k . Se cumplir: E1 + E2 + ... + E k = n

CLASE 1 CLASE 2 ... CLASE K

FRECUENCIA OBSERVADA O1 O2 ... OK

BONDAD DEL AJUSTE (I)

.M

at

em

at

Es preciso conocer el manejo de algn paquete estadstico y recomendable algunas nociones del paquete MINITAB.

ic

a1

.c

om

Se debe poseer unos conocimientos mnimos de Inferencia Estadstica, i.e., Estadstica Descriptiva, Intervalos de Confianza y Contrastes de Hiptesis.

___________________

FRECUENCIA ESPERADA E1 E2 ... EK

Total

Se tratar ahora de decidir si las frecuencias observadas estn o no en concordancia con las frecuencias esperadas (es decir, si el nmero de resultados observados en cada clase corresponde

aproximadamente al nmero esperado). Para comprobarlo, haremos uso de un contraste de hiptesis usando la distribucin Chi-cuadrado: El estadstico de contraste ser 2 =

i=1

(O i E i )2
Ei

Observar que este valor ser la suma de k nmeros no negativos. El numerador de cada trmino es la diferencia entre la frecuencia observada y la frecuencia esperada. Por tanto, cuanto ms cerca estn entre s ambos valores ms pequeo ser el numerador, y viceversa. El denominador permite relativizar el tamao del numerador. Las ideas anteriores sugieren que, cuanto menor sean el valor del estadstico 2 , ms coherentes sern las observaciones obtenidas con los valores esperados. Por el contrario, valores grandes de este estadstico indicarn falta de concordancia entre las observaciones y lo esperado. En este tipo de contraste se suele rechazar la hiptesis nula (los valores observados son coherentes con los esperados) cuando el estadstico es mayor que un determinado valor crtico. Notas: (1) El valor del estadstico 2 se podr aproximar por una distribucin Chi-cuadrado cuando el tamao muestral n sea grande (n > 30), y todas las frecuencias esperadas sean iguales o mayores a 5 (en ocasiones deberemos agrupar varias categoras a fin de que se cumpla este requisito). (2) Las observaciones son obtenidas mediante muestreo aleatorio a partir de una poblacin particionada en categoras.

1. Consiste en n pruebas idnticas e independientes. 2. Para cada prueba, hay un nmero k de resultados posibles. 3. Cada uno de los k posibles resultados tiene una probabilidad de ocurrencia pi asociada (p1 + p2 + ... + pk = 1), la cual permanece constante durante el desarrollo del experimento. 4. El experimento dar lugar a un conjunto de frecuencias observadas (O1, O2, ..., Ok) para cada resultado. Obviamente, O1 + O2 + ... + Ok = n. En ocasiones estaremos interesados en comparar los resultados obtenidos al realizar un experimento multinomial con los resultados esperados (tericos). Ello nos permitir saber si nuestro modelo terico se ajusta bien o no a las observaciones. Para ello, recurriremos a la distribucin Chi-cuadrado, la cual nos permitir realizar un contraste sobre la bondad del ajuste. Concretamente, usaremos el estadstico 2 =

Un experimento multinomial es la generalizacin de un experimento binomial:

.M

at

BONDAD DEL AJUSTE (II)

em

at

ic

a1

.c

om

___________________

i=1

(O i E i )2
Ei

con k 1 grados de libertad.

Podemos calcular cada frecuencia esperada (terica) multiplicando el nmero total de pruebas n por la probabilidad de ocurrencia asociada, es decir: Ei = n * pi i = 1, ..., k

CASOS PRCTICOS__________________________________________________
EJEMPLO: En cierta mquina Expendedora de Refrescos existen 4 canales que expiden el mismo tipo de bebida. Estamos interesados en averiguar si la eleccin de cualquiera de estos canales se hace de forma aleatoria o por el contrario existe algn tipo de preferencia en la seleccin de alguno de ellos por los consumidores. La siguiente tabla muestra el nmero de bebidas vendidas en cada uno de los 4 canales durante una semana. Contrastar la hiptesis de que los canales son seleccionados al azar a un nivel de significacin del 5%. Canal 1 2 3 4 SOLUCIN: Para realizar el contraste de Bondad de Ajuste debemos calcular las frecuencias esperadas de cada suceso bajo la hiptesis de uniformidad entre los valores. Si la seleccin del canal fuera aleatoria, todos los canales tendran la misma probabilidad de seleccin y por lo tanto la frecuencia esperada de bebidas vendidas en cada uno de ellos debera ser aproximadamente la misma. Como se han vendido en total 70 refrescos, la frecuencia esperada en cada canal es Nmero de bebidas consumidas mediante este expendedor 13 22 18 17

2 =

(13 17.5) 2 (22 17.5) 2 (18 17.5) 2 (17 17.5) 2 + + + = 2.3428 17.5 17.5 17.5 17.5

.M

at

El estadstico del contraste sera:

em

at

Ei = n * pi = 70* = 17.5

i = 1, ..., k

ic

a1

.c

om

Este valor debemos compararlo con el valor crtico de la distribucin libertad. Este valor es:

con (4-1)=3 grados de

0.95

(3) = 7.81

Puesto que el valor del estadstico (2.34) es menor que el valor crtico, no podemos rechazar la hiptesis de que los datos se ajustan a una distribucin uniforme. Es decir, que los canales son seleccionados aleatoriamente entre los consumidores.

EJEMPLO: Estamos interesados en comprobar la perfeccin de un dado cbico (un dado normal de 6 caras). Para esto realizamos 100 lanzamientos del dado anotando los puntos obtenidos en cada lanzamiento. A la vista de los resultados obtenidos, podemos concluir que el dado no es perfecto?. Nivel de significacin (5%)

Puntuacin en el dado 1 2

Nmero de veces que se obtiene la puntuacin. 14 22

3 4 5 6

18 17 20 9

SOLUCIN: Si el dado estuviera equilibrado, en el resultado de lanzarlo sucesivamente se deberan obtener aproximadamente el mismo nmero de veces cada una de las caras del dado. En este ejercicio debemos contrastar si la distribucin del dado es una distribucin uniforme, con probabilidad de obtener cada una de las caras igual a 1/6. Podemos calcular de una forma muy sencilla el nmero esperado de resultados obtenidos en cada clase multiplicando la probabilidad de obtener cada una de las caras (p = 1/6) por el nmero de lanzamientos (n = 100).

Podemos observa que los valores observados y esperados no parecen coincidir, por lo tanto, a priori parece haber evidencias de irregularidades en el dado. Calculemos el estadstico Calculator de MINITAB.

.M

at

em

at

ic

a1

.c

om

con ayuda del

Calc > Calculator

w w w .M at em at ic a1 .c om

Calc > Column Statistics

Column Sum

Calculemos finalmente el p-valor asociado a este estadstico. En este caso, como trabajamos con un contraste unilateral, p-valor= P( >6,4675) = 1- P( < 6,4675) donde Chi-cuadrado con k-1=5 grados de libertad. Por tanto:
2 2

Sum of CHI-CUADRADO = 6,4675

.M

at

em

at

ic

Con el resultado:

a1

.c

om

2 sigue

una distribucin

Calc > Probability Distributions > Chi-square

x 6,4675

P( X <= x) 0,7367

As pues, p-valor = 1 0,7367 = 0, 2633 . Por tanto, podemos considerar que el p-valor no es significativo. Concluiremos, a pesar de las evidencias que haban en un principio, que no hay evidencias para rechazar que el dato fuera correcto, i.e., no podemos rechazar la distribucin uniforme para los posibles resultados del dado.

.M

Chi-Square with 5 DF

at

em

Cumulative Distribution Function

at

ic

a1

.c

om

PRUEBA DE HOMOGENEIDAD
INTRODUCCIN ___________________

Estamos interesados en determinar si los datos correspondientes a dos o ms muestras aleatorias provienen de la misma poblacin. Nuevamente el conjunto de posibles valores de las observaciones se divide en k conjuntos disjuntos: A1, A2, ..., Ak.; clasificando en ellos las observaciones de cada muestra. Si nij representa el nmero de observaciones de la muestra i que pertenecen al conjunto Aj , los datos pueden tabularse en lo que se denomina una tabla de contingencia. Muestra 1 2 ... A1 A2 ... Ak. Total

n11 n21 n m1 n.1

n12 n 22 nm 2 n.2

n1k n2 k n mk n.k

n1.
n 2.

m
Total

n m. n

Comprender la importancia de este mtodo para medir si dos muestras aleatorias provienen de la misma poblacin. Notar que en la estadstica no paramtrica, como es este contraste, no se realizan contrastes sobre parmetros de la poblacin (contraste de igualdad de medias),i.e., se realizan contrastes sobre la poblacin origen. Metodologa muy til para comparar diversas muestras y extraer conclusiones sobre la igualdad en las distribuciones poblacionales de cada una de ellas.

CONOCIMIENTOS PREVIOS

OBJETIVOS

.M

at

em

at

La hiptesis de que las m poblaciones son homogneas, se traduce en que cada conjunto Aj debe tener una probabilidad terica pj, desconocida, pero que no varia de la poblacin i a la poblacin i. Esto debe verificarse para todas las categoras, i.e., las categoras deben ser homogneas en las diversas muestras.

ic

a1

.c

om

___________________

___________________

Se debe poseer unos conocimientos mnimos de Inferencia Estadstica, i.e., Estadstica Descriptiva, Intervalos de Confianza y Contrastes de Hiptesis. Es preciso conocer el manejo de algn paquete estadstico y recomendable algunas nociones del paquete MINITAB.

CONCEPTOS FUNDAMENTALES

___________________

Del mismo modo que la Prueba de Bondad de Ajuste, en este caso debemos comparar las frecuencias observadas en cada una de las muestras y para cada categora con las frecuencias bajo el supuesto de homogeneidad en las poblaciones. En este caso las frecuencias observadas corresponde al nmero de individuos de la muestra i en la clase j, i.e., nij. El estadstico de contraste ser

=
i =1

j =1

(n

ij

eij ) eij

Donde eij es la frecuencia esperada bajo el supuesto de homogeneidad, que puede representarse como ni pj , es decir, el nmero de individuos en la muestra i por la probabilidad de que ocurra la caracterstica j en la poblacin. Para el clculo de las probabilidades de pertenecer un individuo a cada una de las categoras podemos utilizar:

pi = n. j / n
Por lo tanto : eij = ni . n. j / n Observar que este valor ser la suma de n*k nmeros no negativos. El numerador de cada trmino es la diferencia entre la frecuencia observada y la frecuencia esperada. Por tanto, cuanto ms cerca estn entre s ambos valores ms pequeo ser el numerador, y viceversa. El denominador permite relativizar el tamao del numerador. Las ideas anteriores sugieren que, cuanto menor sean el valor del estadstico 2 , ms coherentes sern las observaciones obtenidas con los valores esperados. Por el contrario, valores grandes de este estadstico indicarn falta de concordancia entre las observaciones y lo esperado. En este tipo de contraste se suele rechazar la hiptesis nula (los valores observados son coherentes con los esperados) cuando el estadstico es mayor que un determinado valor crtico.

(3) El valor del estadstico 2 se podr aproximar por una distribucin Chi-cuadrado cuando el tamao muestral n sea grande (n > 30), y todas las frecuencias esperadas sean iguales o mayores a 5 (en ocasiones deberemos agrupar varias categoras a fin de que se cumpla este requisito). (4) Las observaciones son obtenidas mediante muestreo aleatorio en cada muestra a partir de una poblacin particionada en categoras.

Notas:

.M

at

Concretamente, usaremos el estadstico 2 =

em

i=1

at

(O i E i )2
Ei

ic

a1

.c
con (n-1)(k 1) grados de libertad.

om

CASOS PRCTICOS
EJEMPLO :

___________________

Estamos interesados en estudiar la fiabilidad de cierto componente informtico con relacin al distribuidor que nos lo suministra. Para realizar esto, tomamos una muestra de 100 componentes de cada uno de los 3 distribuidores que nos sirven el producto comprobando el nmero de defectuosos en cada lote. La siguiente tabla muestra el nmero de defectuosos en para cada uno de los distribuidores. Componentes Defectuosos 16 24 9 49 SOLUCIN: Debemos realizar un contraste de homogeneidad para concluir si entre los distribuidores existen diferencias de fiabilidad referente al mismo componente. Componentes Defectuosos 16 (16.33) 24 (16.33) 9 (16.33) 49 Componentes correctos 94 (83.66) Componentes correctos 94 76 81 251

Distribuidor 1 Distribuidor 2 Distribuidor 3

100 100 100 300

.M

at

Distribuidor 3

em

Distribuidor 2

at

ic

Distribuidor 1

a1

.c

om

100 100 100 300

76 (83.66) 81 (83.66) 251

Las frecuencias esperadas bajo homogeneidad son las representadas entre parntesis. El estadstico del contraste ser:

(16 16.33) 2 (24 16.33) 2 (9 16.33) 2 = + + + 16.33 16.33 16.33 (94 83.66) 2 (76 83.66) 2 (81 83.66) 2 + + + = 8.9632 83.66 83.66 83.66
2

Este valor del estadstico Ji-cuadrado es mayor que el valor para el nivel de significacin del 5%, por lo tanto debemos concluir que no existe homogeneidad y por lo tanto que hay diferencias entre los tres distribuidores.

2 0.05 (2) = 5.99

EJEMPLO: Estamos interesados en estudiar la relacin entre cierta enfermedad y la adiccin al tabaco. Para realizar esto seleccionamos una muestra de 150 individuos, 100 individuos no fumadores y 50 fumadores. La siguiente tabla muestra las frecuencias de enfermedad en cada grupo (Completar la tabla). Padecen la Enfermedad 12 25 37 No Padecen la enfermedad 88 25 113

Fumadores No Fumadores

100 50 150

Realizar un contraste de homogeneidad y obtener las conclusiones sobre la relacin entre las variables. SOLUCIN: Para considerar este contraste como un contraste de Homogeneidad suponemos que las personas fumadoras y las personas no fumadoras constituyen dos poblaciones diferenciadas. Un estudio similar consistira en considerar a los fumadores y no fumadores como una caracterstica de una poblacin y por lo tanto este ejemplo podra plantearse como un contraste de independencia, ver PRUEBA DE INDEPENDENCIA. En este ejemplo queremos contrastar la hiptesis de que las proporciones de enfermos en ambas poblaciones ( Fumadores y No Fumadores) es la misma.

.M

at

em

La representacin de la tabla de contingencia en Minitab debe ser la misma que la anterior:

at

ic

a1

.c

om

Minitab realiza los clculos por nosotros: Stat > Tables > Chi-square Test:

2 Total Chi-Sq =

25 12,33 37

25 37,67 113

Padecen No Padece 12 88 24,67 75,33

Total 100

6,505 + 2,130 + 13,009 + 4,260 = 25,903 DF = 1, P-Value = 0,000

En los resultados aparecen las frecuencias esperadas bajo el supuesto de homogeneidad. Con un p-valor de 0,000 hay suficiente evidencia en contra de que la hiptesis nula sea cierta. Por tanto, la rechazaramos, i.e.; parece evidente que los fumadores tienen una mayor propensin a padecer la enfermedad.

150

50

.M

Expected counts are printed below observed counts

at

em

at

ic

a1

.c

om

PRUEBA DE INDEPENDENCIA
INTRODUCCIN ___________________

Estamos interesados en determinar si dos cualidades o variables referidas a individuos de una poblacin estn relacionadas. Se diferencia de los contrastes anteriores en que en este caso estamos interesados en ver la relacin existente entre dos variables de una misma poblacin, no queremos contrastar la distribucin terica de una variable (prueba de bondad de ajuste) ni en comparar la distribucin de una nica variable en dos poblaciones (prueba de homogeneidad).

OBJETIVOS

___________________

Comprender la importancia de este mtodo para medir relaciones entre variables si realizar supuesto adicionales sobre las distribuciones de estas. Alternativa muy potente para medir relaciones entre variables categricas, donde no es posible aplicar los mtodos clsicos de Inferencia Estadstica como la Regresin Lineal. Tambin es aplicable a variables cuantitativas si no se verifican los supuestos necesarios a satisfacer por otras tcnicas estadsticas. Identificar las diferencias conceptuales entre el test de homogeneidad y el Test de Independencia.

PRUEBA DE INDEPENDENCIA

Es preciso conocer el manejo de algn paquete estadstico y recomendable algunas nociones del paquete MINITAB.

.M

at

em

Se debe poseer unos conocimientos mnimos de Inferencia Estadstica, i.e., Estadstica Descriptiva, Intervalos de Confianza y Contrastes de Hiptesis.

at

ic

a1

CONOCIMIENTOS PREVIOS

.c

om
___________________ ___________________
Supongamos que de n elementos de una poblacin se han observado dos caractersticas X e Y, obtenindose una muestra aleatoria simple bidimensional (X1,Y1),(X2,Y2),...,(Xn,Yn). Sobre la base de dichas observaciones se desea contrastar si las caractersticas poblacionales X e Y son independientes o no. Para ello se dividir el conjunto de posibles valores de X en k conjuntos disjuntos A1,A2,...,Ak; mientras que el conjunto de posibles valores Y ser descompuesto en r conjuntos disjuntos: B1,B2,...,Br. Al clasificar os elementos de la muestra, aparecer un cierto nmero de ellos, nij , en cada una de las k r clases as constituidas, dando lugar a una tabla de contingencia de la forma:

A1 B1 B2 ... Br Total n11 n 21 n r1 n.1

A2 n12 n 22 nr 2 n.2

...

Ak. n1k n2 k n rk n.k

Total n1.
n 2.

nr . n

Al

igual
r

que

2 =
i =1

j =1

(n

para
ij

eij eij

el

Test

de

homogeneidad,

el

estadstico

del

contraste

ser

con (k-1)(r-1) grados de libertad.

Donde: eij = ni . n. j / n

EJEMPLO: Para estudiar la dependencia entre la prctica de algn deporte y la depresin, se seleccion una muestra aleatoria simple de 100 jvenes, con los siguientes resultados:

Sin depresin Deportista No deportista 38 31

Con depresin 9 22

Deportista No deportista

Debemos primero calcular las frecuencias esperadas bajo el supuesto de independencia. La tabla de frecuencias esperadas sera: Sin Con depresin depresin

.M

at

32.43 36.57 69

em

SOLUCIN:

at
14.57 16.43 31

ic

a1

Determinar si existe independencia entre la actividad del sujeto y su estado de nimo. Nivel de significacin (5%)

.c

om

47 53 100

Calculamos ahora el estadstico del contraste:

2 =

(38 32.43) 2 (9 14.57) 2 (31 36.57) 2 (22 16.43) 2 + + + = 5.82 32.43 14.57 36.57 16.43

Este valor debemos compararlo con el percentil de la distribucin libertad.

con (2-1)(2-1)=1 grado de

0.95

(1) = 3.84 .

Por lo tanto como el valor del estadstico es superior al valor crtico, concluimos que debemos rechazar la hiptesis de independencia y por lo tanto asumir que existe relacin entre la depresin e los hbitos deportistas del individuo.

EJEMPLO: Un estudio que se realiz con 81 personas referente a la relacin entre la cantidad de violencia vista en la televisin y la edad del televidente produjo los siguientes resultados.

16-34 Poca violencia Mucha Violencia 8 18

34-55 12 15

55 ms 21 7

Indican los datos que ver violencia en la televisin depende de la edad del televidente, a un nivel de significacin del 5%? SOLUCIN: Debemos realizar un test de independencia para ver si existe relacin entre la violencia vista en televisin con el grupo de edad al que pertenece el individuo. Dado que el test de Independencia, no difiere del test de Homogeneidad a nivel operacional, el desarrollo es anlogo al ejercicio de Minitab de la seccin anterior. Introducimos los valores de la tabla de contingencia del siguiente modo:

.M

at

em

at

ic

a1

.c

om

Stat > Tables > Chi-Square Test:

2 Total Chi-Sq =

18 12,84 26

15 13,33 27

7 13,83 28

16-34 8 13,16

34-55 55 ms 12 21 13,67 14,17

.M

Expected counts are printed below observed counts

at

em

Chi-Square Test

Total 41 40 81

2,024 + 0,203 + 2,074 + 0,208 + DF = 2, P-Value = 0,004

3,289 + 3,371 = 11,169

El valor del estadstico del contraste es 11,169. El p-valor asociado a este valor es 0,004. Por lo tanto a un nivel de significacin del 0.005 deberemos rechazar la hiptesis nula de independencia, y por lo tanto concluir que existe diferencias entre el tipo de televisin consumida y la edad del televidente.

at

ic

a1

.c

om