You are on page 1of 22
MATERIA: ESTADISTICA APLICADA NOMBRE DEL PROFESOR: LIC. GUERRA RIOS ADER NOMBRE DEL ESTUDIANTE: GRUPO A CARRERA:

MATERIA:

ESTADISTICA APLICADA

NOMBRE DEL PROFESOR: LIC. GUERRA RIOS ADER

NOMBRE DEL ESTUDIANTE: GRUPO A

CARRERA: CONTABILIDAD

CICLO: III

TEMA DEL TRABAJO: CHI CUADRADO

PUCALLPA,28 DEMAYO 2017

INTRODUCCION DE PRUEBA DE CHI-CUADRADO

Una prueba de chi-cuadrado es una prueba de hipótesis que compara la distribución observada de los datos con una distribución esperada de los datos.

Existen varios tipos de pruebas de chi-cuadrado:

Prueba de chi-cuadrado de bondad de ajuste

Utilice este análisis para probar qué tan bien una muestra de datos categóricos se ajusta a una distribución teórica.

Por ejemplo, usted puede comprobar si un dado es justo, lanzando el dado muchas veces y utilizando una prueba de chi-cuadrado de bondad de ajuste para determinar si los resultados siguen una distribución uniforme. En este caso, el estadístico chi-cuadrado cuantifica qué tanto varía la distribución observada de conteos con respecto a la distribución hipotética.

Pruebas de chi-cuadrado de asociación e independencia

Los cálculos para estas pruebas son iguales, pero la pregunta que se está tratando de contestar puede ser diferente.

Prueba de asociación: utilice una prueba de asociación para determinar si una variable está asociada a otra variable. Por ejemplo, determine si las ventas de diferentes colores de automóviles dependen de la ciudad donde se venden.

Prueba de independencia: utilice una prueba de independencia para determinar si el valor observado de una variable depende del valor observado de otra variable. Por ejemplo, determine si el hecho de que una persona vote por un candidato no depende del sexo del elector.

.

CHI-CUADRADO DE AJUSTE E INDEPENDENCIA

Las pruebas chi-cuadrado son un grupo de contrastes de hipótesis que sirven para comprobar afirmaciones acerca de las funciones de probabilidad (o densidad) de una o dos variables aleatorias.

Estas pruebas no pertenecen propiamente a la estadística paramétrica pues no establecen suposiciones restrictivas en cuanto al tipo de variables que admiten, ni en lo que refiere a su distribución de probabilidad ni en los valores y/o el conocimiento de sus parámetros.

Se aplican en dos situaciones básicas:

  • a) Cuando queremos comprobar si una variable, cuya descripción parece adecuada, tiene una determinada función de probabilidad. La prueba correspondiente se llama chi-cuadrado de ajuste.

  • b) Cuando queremos averiguar si dos variables (o dos vías de clasificación) son independientes estadísticamente. En este caso la prueba que aplicaremos ser la chi-cuadrado de independencia o chi-cuadrado de contingencia.

CHI-CUADRADO DE AJUSTE

En una prueba de ajuste la hipótesis nula establece que una variable X tiene una cierta distribución de probabilidad con unos determinados valores de los parámetros. El tipo de distribución se determina, según los casos, en función de: La propia definición de la variable, consideraciones teóricas al margen de esta y/o evidencia aportada por datos anteriores al experimento actual.

A menudo, la propia definición del tipo de variable lleva implícitos los valores de sus parámetros o de parte de ellos; si esto no fuera así dichos parámetros se estimarán a partir de la muestra de valores de la variable que utilizaremos para realizar la prueba de ajuste.

Como en casos anteriores, empezaremos definiendo las hipótesis.

Hipótesis nula: X tiene distribución de probabilidad f(x) con

parámetros y 1

,

...

,

y p

Hipótesis alternativa: X tiene cualquier otra distribución de probabilidad.

Es importante destacar que el rechazo de la hipótesis nula no implica que sean falsos todos sus aspectos sino únicamente el conjunto de ellos; por ejemplo, podría ocurrir que el tipo de distribución fuera correcto pero que nos hubiésemos equivocado en los valores de los parámetros.

Obviamente, necesitaremos una muestra de valores de la variable X. Si la variable es discreta y tiene pocos valores posible estimaremos las probabilidades de dichos valores mediante sus frecuencias muestrales; si la variable es continua o si es una discreta con muchos o infinitos valores estimaremos probabilidades de grupos de valores (intervalos).

Metodológicamente, la prueba se basa en la comparación entre la serie de frecuencias absolutas observadas empíricamente para los valores de la variable (Oi) y las correspondientes frecuencias absolutas teóricas obtenidas en base a la función de probabilidad supuesta en la hipótesis nula (Ei).

Así pues, una vez calculadas las frecuencias absolutas de cada valor o intervalo de valores, obtendremos el número total de observaciones de la muestra (T) sumando las frecuencias observadas

Hipótesis alternativa: X tiene cualquier otra distribución de probabilidad. Es importante destacar que el rechazo de

Para calcular las frecuencias esperadas repartiremos este número total de observaciones (T) en partes proporcionales a la probabilidad de cada suceso o grupo de sucesos. Para ello calcularemos dichas probabilidades utilizando la función de probabilidad definida en la hipótesis nula f(x), de modo que, cada valor Ei tendrá la siguiente expresión:

Hipótesis alternativa: X tiene cualquier otra distribución de probabilidad. Es importante destacar que el rechazo de

Por tanto, tendremos los siguientes datos para la prueba:

Valor de la variable

x 1

x 2

x 3

...

x i

...

x k

Frecuencias

O 1

O 2

O 3

...

O i

...

O k

observadas

Frecuencias esperadas

E 1

E 2

E 3

...

E i

...

E k

Si la hipótesis nula es cierta, las diferencias entre valores observados y esperados (que siempre existirán por tratarse de una muestra aleatoria) son atribuibles, exclusivamente, al efecto del azar. En estas condiciones, se puede calcular un parámetro que depende de ambos, cuya distribución se ajusta a una chi-cuadrado.

observadas Frecuencias esperadas E E E ... E ... E Si la hipótesis nula es cierta,

Si, por el contrario, la hipótesis nula fuera falsa los Ei ya no serían, realmente, los valores esperados de las frecuencias; por tanto, las diferencias entre los valores "esperados" y los observados reflejarían no sólo el efecto del azar sino también las diferencias entre los Ei y la auténtica serie de valores esperados (desconocida) Como consecuencia, las diferencias de los numeradores de la expresión anterior tienden a ser más grandes y, por estar elevadas al cuadrado, la suma de cocientes ser positiva y mayor que lo que se esperaría para los valores de una chi-cuadrado.

observadas Frecuencias esperadas E E E ... E ... E Si la hipótesis nula es cierta,

Por tanto, el parámetro anterior será el estadístico de contraste de la prueba de hipótesis y la región crítica se encontrar siempre en la cola derecha de la distribución chi-cuadrado. Evidentemente, esta prueba será siempre de una sola cola.

Estadístico de contraste

observadas Frecuencias esperadas E E E ... E ... E Si la hipótesis nula es cierta,

Se acepta la hipótesis nula si distribución chi-cuadrado con

  • , el percentil 1 – α de la

    • grados de libertad.

Cabe señalar que en las pruebas chi-cuadrado lo corriente es que pretendamos comprobar que una variable tiene una cierta distribución y, por tanto, habitualmente, nos vemos obligados a colocar nuestra propia hipótesis en la hipótesis nula. Únicamente podremos colocar nuestra hipótesis en la alternativa en el caso excepcional de que pretendamos demostrar que cierto tratamiento produce una distorsión de la distribución básica de la variable en estudio.

El número de grados de libertad de la variable chi-cuadrado se calcula de la siguiente forma:

  • A priori, tendrá tantos grados de libertad como parejas frecuencia observada - frecuencia esperada.

  • A esta cantidad se debe restar el número de restricciones lineales impuestas a las frecuencias observadas, es decir, el número de parámetros que es necesario calcular directamente a partir de los valores observados para establecer los valores esperados. Este número es, como mínimo, uno ya que siempre tendremos que calcular el número total de observaciones de la muestra.

Una condición básica para que podamos llevar a cabo una prueba chi- cuadrado es que las frecuencias de las distintas clases deben ser suficientemente altas como para garantizar que pequeñas desviaciones aleatorias en la muestra no tengan importancia decisiva sobre el valor del estadístico de contraste.

Las reglas que determinan cuando es posible o no realizar el contraste varían mucho de unos autores a otros. En un extremo de máxima rigidez se encuentran aquellos que opinan que no se puede realizar la prueba cuando alguna de las frecuencias, observadas o esperadas, sea menor que 5. En el otro extremo se encuentran quienes opinan que, para que la prueba sea viable ninguna de las frecuencias esperadas debe ser menor que 1 y no más del 25% pueden ser menores que 5; en lo que refiere a las frecuencias observadas no existirían límites. La autora de este texto simpatiza más con la segunda postura, no sólo por razones prácticas, sino porque lo razonable es que la distribución esperada esté adecuadamente definida y, por tanto, no debe incluir valores muy bajos; sin embargo, los valores extremos en la distribución observada simplemente reflejan diferencias importantes entre la distribución supuesta por la hipótesis nula y la real.

Sea cual sea el criterio que elijamos, si resultara que la prueba no es viable podríamos recurrir a englobar los valores o clases de valores con sus vecinos más próximos y pasar así a engrosar sus frecuencias. Este procedimiento no puede llevarse hasta el absurdo pero proporciona una salida

digna a situaciones complejas. En casos excepcionales se pueden englobar valores que no sean vecinos porque exista algún nexo lógico de conexión entre ellos.

Cuando sea necesario agrupar valores, los grados de libertad no se deben calcular hasta que tengamos establecidas definitivamente las parejas de frecuencias observadas y esperadas con las que calcularemos el estadístico de contraste.

HI-CUADRADO DE CONTINGENCIA O INDEPENDENCIA

La prueba chi-cuadrado de contingencia sirve para comprobar la independencia de frecuencias entre dos variables aleatorias, X e Y.

Las hipótesis contrastadas en la prueba son:

Hipótesis nula: X e Y son independientes.

Hipótesis alternativa: X e Y no son independientes (No importa cual sea la relación que mantengan ni el grado de esta.

La condición de independencia, tal como fue definida en la página anterior era: X e Y son independientes si y sólo si para cualquier pareja de valores x e y la probabilidad de que X tome el valor x e Y el valor y, simultáneamente, es igual al producto de las probabilidades de que cada una tome el valor correspondiente.

digna a situaciones complejas. En casos excepcionales se pueden englobar valores que no sean vecinos porque

Por tanto, todo lo que necesitamos serán unas estimas de las funciones de probabilidad de ambas variables por separado (f(x) y f(y)) y de la función de probabilidad conjunta (f(x,y))

Empezaremos la prueba tomando una muestra de parejas de valores sobre la que contaremos la frecuencia absoluta con la que aparece cada combinación de valores (x i ,y j ) o de grupos de valores (i,j) (O ij ) La tabla siguiente, en la que se recogen estos datos, es en realidad nuestra estimación de la función de probabilidad conjunta multiplicada por el número total de datos (T).

Para obtener las estimas de las funciones de probabilidad marginales debemos sumar por filas y por

Para obtener las estimas de las funciones de probabilidad marginales debemos sumar por filas y por columnas los valores de las frecuencias conjuntas. Las sumas de filas (F i ) son, en cada caso, el número de veces que hemos obtenido un valor de X (x i ) en cualquier combinación con distintos valores de Y, es decir, son nuestra estima de la función de probabilidad de X multiplicada por el número total de observaciones; análogamente, las sumas de columnas (C j ) son nuestra estima de la función de probabilidad de Y multiplicada por el número total de observaciones.

El número total de observaciones lo podemos obtener como la suma de todas las frecuencias observadas o, también, como la suma de las sumas de filas o de las sumas de columnas:

Para obtener las estimas de las funciones de probabilidad marginales debemos sumar por filas y por

Así pues, si las variables fueran independientes debería cumplirse que

Para obtener las estimas de las funciones de probabilidad marginales debemos sumar por filas y por

Naturalmente, nadie espera que esta condición se cumpla exactamente debido al efecto de los errores de muestreo aleatorio. Por tanto, nuestro problema consiste en distinguir entre las diferencias producidas por efecto del muestreo y diferencias que revelen falta de independencia.

Podemos convertir la ecuación anterior a frecuencias absolutas multiplicando por T:

Si X e Y son independientes, O ij debe ser igual a

 Si X e Y son independientes, O debe ser igual a por tanto, bajo la

por tanto,

bajo la hipótesis de independencia, esperado de O ij (E ij )

 Si X e Y son independientes, O debe ser igual a por tanto, bajo la

es el valor

y,

Tal como pasaba en la prueba anterior, si las variables son independientes, es decir, si las frecuencias E ij son realmente los valores esperados de las frecuencias O ij , se puede calcular un parámetro que depende de ambas que tiene distribución chi-cuadrado,

 Si X e Y son independientes, O debe ser igual a por tanto, bajo la

Por otra parte, si las variables no son independientes, las diferencias entre las series de frecuencias observadas y esperadas serán mayores que las atribuibles al efecto del azar y, al estar elevadas al cuadrado en el numerador de la expresión anterior, ésta tenderá a ser mayor que lo que suele ser el valor de una variable chi-cuadrado.

 Si X e Y son independientes, O debe ser igual a por tanto, bajo la

Por tanto, el parámetro anterior ser el estadístico de la prueba de hipótesis y la región crítica se encontrar siempre en la cola derecha de la distribución chi-cuadrado. Nuevamente, esta prueba será siempre de una sola cola.

Estadístico de contraste

 Si X e Y son independientes, O debe ser igual a por tanto, bajo la

Se acepta la hipótesis nula si distribución chi-cuadrado con

  • , el percentil 1 – α de la

    • grados de libertad.

Tal como ocurría en la prueba anterior lo corriente es que queramos demostrar que dos variables son independientes, es decir, que, habitualmente, nos veremos obligados a colocar nuestra hipótesis en la hipótesis nula.

El número de grados de libertad de la chi-cuadrado que sirve de contraste se calcula de la siguiente forma:

  • A priori tendremos tantos grados de libertad como combinaciones de valores x i , y j tengamos (I J)

  • A este número tendremos que restarle I debido a que, para calcular las frecuencias esperadas, necesitamos calcular las I sumas de filas en la tabla anterior. Conocidas las sumas de filas obtenemos el número total de observaciones sin perder ningún grado de libertad.

  • A continuación, necesitaremos calcular, a partir de las frecuencias observadas J - 1 de las sumas de columnas; la restante podemos obtenerla restando la suma de las anteriores del total de observaciones (T).

En resumen, el número de grados de libertad de la prueba es el producto del número de filas menos uno por el número de columnas menos uno.

Tal como ocurría en la prueba anterior lo corriente es que queramos demostrar que dos variables

En cuanto a la magnitud mínima necesaria de las frecuencias observadas y esperadas, rigen las mismas normas que en el caso de la prueba de ajuste. En este caso, si nos viéramos obligados a juntar valores para sumar frecuencias, debemos unir columnas o filas completas (y contiguas). Obviamente, los grados de libertad no deben calcularse hasta que no se hayan realizado todas las agrupaciones necesarias y quede claro cual es el número de filas y columnas de la tabla definitiva.

Como hemos visto, esta prueba no hace ninguna suposición acerca del tipo de distribución de ninguna de las variables implicadas y utiliza únicamente información de la muestra, es decir, información contingente. Esta es la razón por la que, habitualmente, se le llama chi-cuadrado de contingencia.

EJEMPLOS

LA SIGUIENTE TABLA MUESTRA LAS FRECUENCIAS OBSERVADAS AL LANZAR UN DADO 120 VECES. ENSAYAR LA

HIPÓTESIS DE QUE EL DADO ESTÁ BIEN HECHO AL NIVEL DE SIGNIFICACIÓN DEL 0.05.

Cara

1

2

3

4

5

6

Frecuencia Observada

25

17

15

23

24

16

Solución:

Ensayo de Hipótesis:

H o ; Las frecuencias observadas y esperadas son significativamente iguales

(dado bien hecho)

H 1 ; Las frecuencias observadas y esperadas son diferentes (dado cargado).

Primero se procede a calcular los valores esperados. Como es bien sabido por todos la probabilidad de que caiga cualquier número en un dado no cargado es de 1/6. Como la suma de los valores observados es de 120, se multiplica este valor por 1/6 dando un resultado de 20 para cada clasificación.

Cara

1

2

3

4

5

6

Total

Frecuencia Observada

25

17

15

23

24

16

120

Frecuencia esperada

20

20

20

20

20

20

Grados de libertad = k-1-m = 6-1-0 = 5

No se tuvo que calcular ningún parámetro para obtener las frecuencias esperadas.

Regla de decisión: Si X 11.1 no se rechaza H . Si X >11.1 se rechaza

Regla de decisión:

Si X 2 R

Si X 11.1 no se rechaza H .

11.1 no se rechaza H o .

Si X 2 R >11.1 se rechaza H o .

Cálculos:

 
Regla de decisión: Si X 11.1 no se rechaza H . Si X >11.1 se rechaza

Justificación y decisión:

Como 5 es menor a 11.1 no se rechaza H o y se concluye con una significación de 0.05 que el dado está bien hecho.

EN LOS EXPERIMENTOS DE MENDEL CON GUISANTES, OBSERVÓ 315 LISOS Y AMARILLOS, 108 LISOS Y VERDES, 101 RUGOSOS Y AMARILLOS Y 32 RUGOSOS Y VERDES. DE ACUERDO CON SU TEORÍA, ESTOS NÚMEROS DEBERÍAN PRESENTARSE EN LA PROPORCIÓN 9:3:3:1. ¿HAY ALGUNA EVIDENCIA QUE PERMITA DUDAR DE SU TEORÍA AL NIVEL DE SIGNIFICACIÓN DEL 0.01?

Solución:

Ensayo de Hipótesis:

H o ; La teoría de Mendel es acertada.

H 1 ; La teoría de Mendel no es correcta.

El número total de guisantes es 315+108+101+32=556. Puesto que los números esperados están el la proporción 9:3:3:1 (9+3+3+1=16), se esperaría:

El número total de guisantes es 315+108+101+32=556. Puesto que los números esperados están el la proporción

lisos y amarillos

El número total de guisantes es 315+108+101+32=556. Puesto que los números esperados están el la proporción

lisos y verdes

El número total de guisantes es 315+108+101+32=556. Puesto que los números esperados están el la proporción

rugosos y amarillos

El número total de guisantes es 315+108+101+32=556. Puesto que los números esperados están el la proporción

rugosos y verdes

Grados de libertad = k-1-m = 4-1-0 = 3

No se tuvo que calcular ningún parámetro para obtener las frecuencias esperadas.

El número total de guisantes es 315+108+101+32=556. Puesto que los números esperados están el la proporción

Regla de decisión:

Si X 2 R

Si X 11.3 no se rechaza H .

11.3 no se rechaza H o .

Si X 2 R >11.3 se rechaza H o .

Cálculos:

 

Justificación y decisión:

Como 0.470 es menor que 11.3 no se rechaza H o y se concluye con un nivel de significación de 0.01 que la teoría de Mendel es correcta.

Como el valor de 0.470 está cercano a cero, se procede a hacer un ensayo unilateral izquierdo:

Ensayo de Hipótesis:

H o ; La teoría de Mendel es acertada.

H 1 ; La teoría de Mendel es muy acertada.

Justificación y decisión: Como 0.470 es menor que 11.3 no se rechaza H y se concluye

Regla de decisión:

Si X 2 R

Justificación y decisión: Como 0.470 es menor que 11.3 no se rechaza H y se concluye

0.115 no se rechaza H o .

Si X 2 R < 0.115 se rechaza H o .

Como el valor de 0.470 no es menor a 0.115 se concluye que el experimento o la teoría de Mendel solo es buena.

UNA ENCUESTA SOBRE 320 FAMILIAS CON 5 NIÑOS DIO LA DISTRIBUCIÓN QUE APARECE EN LA SIGUIENTE TABLA. ¿ES EL RESULTADO CONSISTENTE CON LA HIPÓTESIS DE QUE EL NACIMIENTO DE VARÓN Y HEMBRA SON IGUALMENTE

 

POSIBLES? USE

POSIBLES? USE = 0.05.

= 0.05.

Número de niños

5

4

3

2

1

0

Número de niñas

0

1

2

3

4

5

Número de familias

18

56

110

88

40

8

Solución:

Ensayo de hipótesis:

H 0 ; El nacimiento de niños y niñas es igualmente probable.

H 1 ; El nacimiento de niños y niñas no es igualmente probable.

Este experimento tiene un comportamiento binomial, puesto que se tienen dos posibles resultados y la probabilidad de éxito se mantiene constante en todo el experimento.

Se le llamará éxito al nacimiento de un varón o niño. Por lo que la variable aleatoria "x" tomará valores desde 0 hasta 5.

Como se quiere ver si es igualmente probable el nacimiento de niños y niñas, la probabilidad de éxito será de 0.5.

Utilizando la fórmula de la distribución binomial se calcularán las probabilidades, que multiplicadas por el número total de familias nos darán los valores esperados en cada clasificación.

Recordando la fórmula de la distribución binomial:

UNA ENCUESTA SOBRE 320 FAMILIAS CON 5 NIÑOS DIO LA DISTRIBUCIÓN QUE APARECE EN LA SIGUIENTE

en donde n = 5 y "x" es el número de niños .

Probabilidad de 5 niños y 0 niñas =

UNA ENCUESTA SOBRE 320 FAMILIAS CON 5 NIÑOS DIO LA DISTRIBUCIÓN QUE APARECE EN LA SIGUIENTE

Probabilidad de 4 niños y 1 niña =

Probabilidad de 4 niños y 1 niña = Probabilidad de 3 niños y 2 niñas =

Probabilidad de 3 niños y 2 niñas =

Probabilidad de 4 niños y 1 niña = Probabilidad de 3 niños y 2 niñas =

Probabilidad de 2 niños y 3 niñas =

Probabilidad de 4 niños y 1 niña = Probabilidad de 3 niños y 2 niñas =

Probabilidad de 1 niño y 4 niñas =

Probabilidad de 4 niños y 1 niña = Probabilidad de 3 niños y 2 niñas =

Probabilidad de 0 niños y 5 niñas =

Probabilidad de 4 niños y 1 niña = Probabilidad de 3 niños y 2 niñas =

Si cada una de estas probabilidades se multiplican por 320 se obtienen los valores esperados:

Número de niños

5

4

3

2

1

0

 

Total

Número de niñas

0

1

2

3

4

5

Número de familias

18

56

110

88

40

8

320

Frecuencias esperadas

10

50

100

100

50

10

Grados de libertad: k-1-m = 6-1-0 = 5

Probabilidad de 4 niños y 1 niña = Probabilidad de 3 niños y 2 niñas =

Regla de decisión:

Si X 2 R

Si X 11.1 no se rechaza H .

11.1 no se rechaza H o .

Si X 2 R >11.1 se rechaza H o .

Cálculos:

 
Justificación y decisión: Como el 12 es mayor a 11.1, se rechaza H y se concluye

Justificación y decisión:

Como el 12 es mayor a 11.1, se rechaza H 0 y se concluye con

un

Justificación y decisión: Como el 12 es mayor a 11.1, se rechaza H y se concluye

= 0.05 que el nacimiento de hombres y mujeres no es

igualmente probable.

UNA URNA CONTIENE 6 BOLAS ROJAS Y 3 BLANCAS. SE EXTRAEN AL AZAR DOS BOLAS DE LA URNA, SE ANOTA SU COLOR Y SE VUELVEN A LA URNA. ESTE PROCESO SE REPITE UN TOTAL DE 120 VECES Y LOS RESULTADOS OBTENIDOS SE MUESTRAN EN LA SIGUIENTE TABLA. DETERMINAR AL NIVEL DE SIGNIFICACIÓN DEL 0.05 SI LOS RESULTADOS OBTENIDOS SON CONSISTENTES CON LOS ESPERADOS.

 

0

1

2

Bolas blancas

2

1

0

Número de extracciones

6

53

61

Solución:

Este experimento tiene las características de una distribución hipergeométrica, por lo cual se calcularán los valores esperados con el razonamiento de esta distribución.

Se llamara "x" a la variable aleatoria de interés que en este caso serán las bolas rojas. Por lo tanto "x" puede tomar valores desde 0 hasta 2.

La fórmula de la distribución hipergeométrica es:

UNA URNA CONTIENE 6 BOLAS ROJAS Y 3 BLANCAS. SE EXTRAEN AL AZAR DOS BOLAS DE

Se tiene:

UNA URNA CONTIENE 6 BOLAS ROJAS Y 3 BLANCAS. SE EXTRAEN AL AZAR DOS BOLAS DE

Probabilidad de extraer 0 rojas y 2 blancas:

UNA URNA CONTIENE 6 BOLAS ROJAS Y 3 BLANCAS. SE EXTRAEN AL AZAR DOS BOLAS DE

Probabilidad de extraer 1 roja y 1 blanca:

Probabilidad de extraer 2 rojas y 0 blancas: Con las probabilidades anteriores se obtendrán los valores

Probabilidad de extraer 2 rojas y 0 blancas:

Probabilidad de extraer 2 rojas y 0 blancas: Con las probabilidades anteriores se obtendrán los valores

Con las probabilidades anteriores se obtendrán los valores esperados multiplicando por 120.

 

0

1

2

Bolas blancas

2

1

0

Número de extracciones

6

53

61

Frecuencias esperadas

10

60

50

Grados de libertad: k-1-m = 3-1-0 = 2

Probabilidad de extraer 2 rojas y 0 blancas: Con las probabilidades anteriores se obtendrán los valores

Regla de decisión:

Si X 2 R

Probabilidad de extraer 2 rojas y 0 blancas: Con las probabilidades anteriores se obtendrán los valores

5.991 no se rechaza H o .

Si X 2 R >5.991 se rechaza H o .

Cálculos:

Justificación y decisión: Como el 4.83 no es mayor a 5.991, no se rechaza H y

Justificación y decisión:

Como el 4.83 no es mayor a 5.991, no se rechaza H 0 y se concluye con un

Justificación y decisión: Como el 4.83 no es mayor a 5.991, no se rechaza H y

= 0.05 que los resultados son los mismos que los esperados.