AYUDA SPSS - CHI CUADRADO-NOTAS METODOLÓGICA 1/19

AYUDA SPSS

CHI CUADRADO – NOTAS METODOLÓGICAS

Rubén José Rodríguez
Octubre de 2004

INTRODUCCIÓN

Chi Cuadrado de Pearson es un estadístico no paramétrico y es una potente herramienta para

pruebas de significación de la hipótesis nula de independencia estadística entre variables
categoriales en tablas de contingencia. Para poder realizar una correcta aplicación e
interpretación de Chi Cuadrado se han desarrollado estas Notas Metodológicas que sistematizan
las consideraciones de los principales tratadistas en la materia. Se hace hincapié en los análisis
de los residuos (diferencias entre las frecuencia observadas y esperadas), específicamente en
los residuos tipificado corregidos (o residuos ajustados), dado que nos permiten interpretar con
precisión el significado de la asociación detectada, en términos del puntaje standardizado Z.
También se desarrolla formulas alternativas del Chi Cuadrado de Pearson para ciertas
condiciones de uso. Se compara la Prueba de Independencia de la Ley del producto o de la
probabilidad compuesta en el marco de la Teoría matemática de la probabilidad 'a prior' de Pierre
Simón Laplace, con los resultados de Chi Cuadrado. Se expone la Regla de Hans Zeizel para
calcular los porcentajes de celdas. Se introduce la noción de celda falsificadora de la hipótesis
nula (y las celdas verificadoras de la hipótesis alternativa o del investigador). Se realizar una
lectura de los porcentajes de celdas y se interpreta la diferencia porcentual. Se utiliza la prueba t
de diferencia de media de proporciones para muestras independientes como vía alternativa
de establecer la significación estadística de la diferencia entre porcentajes condicionales o de
celdas. Por último se expone el caso TITANIC (ver Ayuda SPSS - Chi Cuadrado_Caso TITANIC)
para ejemplificar lo desarrollado es estas notas metodológicas y brindar una definición e
interpretación del P-value. Se resume el modelo Chi Cuadrado, se formulan las hipótesis
estadísticas (nula y del investigador), se establecen las reglas de decisión de Pearson y Fisher, y
se adjunta la tabla de Chi Cuadrado para identificar el Chi Cuadrado teórico según determinados
grados de libertad y nivel de significación.

Notas I [RJR]:
a) “Razón de Verosimilitud Ji-cuadrado: La razón de verosimilitud Ji-cuadrado es
una alternativa al estadístico Ji-cuadrado (X2 = Chi cuadrado) de Pearson para
contrastar la hipótesis de independencia entre las variables. Mientras el estadístico Ji-
cuadrado de Pearson se basa en las diferencias entre las frecuencias observadas y las
frecuencias esperadas, la razón de verosimilitud Ji-cuadrado se basa en el
cociente entre ellas…(si) el p-valor asociado a la razón de verosimilitud Ji-cuadrado
(“Significance=0,00000”) también es menor que Pα = 0,05. En consecuencia, al nivel
de significación 0,005, también se rechazará la hipótesis nula de independencia entre
las variables…podría suceder que, para un mismo nivel de significación, el p-valor
asociado a uno de estas test, fuera menor que el nivel de significación, mientras que
el p-valor asociado a la otra prueba fuera mayor, en dicho caso, debería optarse por
el más conservador (por el que presente menor p-valor)”.
Ferrán Aranaz, Magdalena (1996). SPSS para Windows. Programación y análisis
estadístico. Madrid, Editorial McGraw-Hill. 1996. ISBN 84-481-0589-3, págs. 144-
145.

b) El Test de la Razón de Verosimilitudes: Como alternativa al contraste Chi-

cuadrado, S. Wiks (1935), (“The Likelihood test of independence in contingency
 AYUDA SPSS - CHI CUADRADO-NOTAS METODOLÓGICA 2/19

tables”, Annals of Mathematical Statistics, Nº 6, pág. 190), ha propuesto el siguiente

estadístico:

F 
G 2  2 Fi * ln  i 
 Ei 
siendo :
Fi : Frecuencias observadas (fo ), es decir, la cantidad de casos
o de valores que se han registrado para cada valor de la variable,
si es una tabla de contingencia.
E i : Frecuencias esperadas (f e ), suponiendo que la hipótesis
nula que se ensaya es verdadera.

(en general), se obtienen resultados muy similares en todos los casos y, por lo tanto,
el uso de uno u otro procedimiento sería, en principio, indiferente. Ello no obstante, el
test de la razón de verosimilitud presenta una ventaja con respecto al Chi-
cuadrado: No requiere que todas frecuencias esperadas sean mayores de 5”
García, Roberto M. (1995). Contraste Chi-cuadrado. Buenos Aires, Cuadernos de
UADE nº 123, Departamento de Matemática y Métodos Cuantitativos, UADE, 1995,
ISBN 987-519-1-012-8, pág. 27.

c)
Chi cuadrado de la razón de verosimilitud Likelihood ratio chi square
Estadístico de bondad de ajuste similar al Chi cuadrado de Pearson. Para tamaños de
muestra grandes, los dos estadísticos son equivalentes. La ventaja del chi cuadrado
de la razón de verosimilitud es que puede subdividirse en una serie de partes
interpretables por separado que, sumadas, equivalen al total.
Diccionario Estadístico, http://www.estadistico.com/dic.html?p=122

d)
“…cuando se pide el test de Ji-Cuadrado al programa, SPSS proporciona además la
Razón de Verosimilitud (Likelihood Ratio), y el “Mantel-Haenzel Test” (Asociación
lineal por lineal). El primero de estos está basado en la teoría de máxima
verosimilitud, y su valor es dos veces la suma de las frecuencias observadas de cada
celda multiplicadas por el logaritmo neperiano de la frecuencia observada dividida
entre la frecuencia teórica. Con grandes tamaños de muestra adopta valores similares
al test Ji-Cuadrado. El “Mantel-Haenzel Test” es una medida de avocación que analiza
la relación existente entre las filas y columnas de una tabla; y se calcula multiplicando
el coeficiente de correlación de Pearson por el número de casos menos uno. Como ha
señalado Norusis, hay que tener en cuenta que únicamente debe ser utilizado con
variables ordinales y de intervalo (Norusis, 1990:131).
Díaz de Rada, Vidal (1999): Técnicas de análisis de datos para investigadores
sociales. Aplicaciones prácticas con SPSS para Windows: Madrid, Ra-Ma, 1999, p.
171. [RJR]

Nota II [RJR]:
“Análisis de los Residuos: La prueba de la Ji-cuadrada que hemos explicado
en 6.3.1. sirve para ver si la relación entre un par de variables es estadísticamente
significativa. El análisis de los residuos va a utilizar las ideas de la ji-cuadrada para
 AYUDA SPSS - CHI CUADRADO-NOTAS METODOLÓGICA 3/19

estudiar de una manera pormenorizada la tabla: en lugar de ver si las dos variables
están relacionadas estudiamos la relación entre cada pareja de categorías.
Básicamente, el análisis de los residuos (diferencia entre valor observado (fo),
Oij) y el valor esperado (fe), Eij) es una aplicación de la Ji-cuadrada al estudio de las
parejas de categorías: observamos las frecuencias obtenidas y las comparamos con
las esperadas…si la pareja de categorías no estuviera relacionada –el cálculo se
realiza según el procedimiento explicado en 6.3.1. De la magnitud del residuo
concluiremos sobre la relación entre las categorías…Cada casilla de la tabla
incluye el número de casos, o valores observados (COUNT), los valores esperados
(EXPECTED), la diferencia entre observados y esperados (RESID), los residuos
estandarizados (SRESID) y estos mismos residuos ajustados según procedimiento de
Haberman (ASRESID). Veamos el cálculo de cada uno de estos valores:

 Los residuos (RESID):

(RESID) R ij  (Oij  Eij )

donde Oij y Eij son los valores observados y esperados, respectivamente, en casilla
definida por la fila i y la columna j”.
Sánchez Carrión, Juan Javier (1995): Manual de análisis estadístico de los datos,
2ª ed. Revisada, Madrid, Alianza Editorial, 1999, capítulo 6: Las tablas de
contingencia: relación entre variables nominales (ordinales), pp. 341-344. [RJR].

“La diferencia entre un valor observado y el valor pronosticado por el modelo. El valor
pronosticado es el número de casos que se esperarían en la casilla si no hubiera
relación entre las dos variables. Un residuo positivo indica que hay más casos en la
casilla de los que habría en ella si las variables de fila y columna fueran
independientes”.
SPSS 11.51, Ayuda contextual, Tablas de Contingencia, Chi Cuadrado, Mostrar en
las celdas, Residuos. [RJR]

 Los residuos estandarizados (SRESID):

(SRESID) SR ij  (Oij  Eij ) / Eij

Estos residuos eliminan el efecto que sobre el valor del residuo puedan tener
los marginales de ambas variables”
Sánchez Carrión (1995: 341-344). [RJR]
“El residuo dividido por una estimación de su error típico. Los residuos tipificados, que
son conocidos también como los residuos de Pearson o residuos estandarizados,
tienen una media de 0 y una desviación típica de 1”.
SPSS 11.51, Ayuda contextual, Tablas de Contingencia, Chi Cuadrado, Mostrar en
las celdas, Residuos tipificados. [RJR]

 Los residuos ajustados (ASRESID):

 AYUDA SPSS - CHI CUADRADO-NOTAS METODOLÓGICA 4/19

(SRESID) AR ij  SRij / Vij

donde Vij es la varianza estimada de SRij ,de valor igual a:

Vij  1  (Oi. / n)  1  (O. j / n) 

siendo Oi. y O.j son las frecuencias observadas, respectivamente, en la fila i y la

columna j, y n el tamaño de la muestra…Cuanto mayor sea el valor absoluto del
residuo ajustado, mayor será la relación entre la pareja de categorías”.
Sánchez Carrión (1995: 341-344). [RJR]

“El residuo de una casilla (valor observado menos valor pronosticado) dividido por
una estimación de su error típico. El residuo tipificado resultante viene expresado en
unidades de desviación típica, por encima o por debajo de la media”.
SPSS 15.0, Ayuda contextual, Tablas de Contingencia, Chi Cuadrado, Mostrar en
las celdas, Residuos tipificados corregidos [RJR].

“Los Residuos tipificados corregidos de Haberman (1973). Estos residuos se

distribuyen normalmente con media 0 y desviación típica 1. Se calculan dividiendo el
residuo de cada casilla por su Error Típico (ES o SE), que en tablas bidimensionales se
obtienen como la raíz cuadrada de: mij (1-ni) (1-nj)/n2 .
La gran utilidad de los Residuos tipificados corregidos radica en que, puesto que
se distribuye normalmente con media cero y desviación típica uno, N (0,1), son
fácilmente interpretables: utilizando un nivel de confianza de 0,95, podemos afirmar
que los residuos mayores de 1,96 delatan casillas con más casos de los que debería
haber en esa casilla si las variables estudiadas fueran independientes; mientras que
los residuos menores de -1,96 delatan casillas con menos casos de los que cabría
esperar bajo la condición de independencia.
En tablas de contingencia con variables nominales, una vez que hemos establecido
que entre dos variables existe asociación significativa (mediante el estadístico Chi-
cuadrado) y que hemos cuantificado esa asociación con algún índice de asociación
(Coeficiente de Contingencia, CC), los residuos tipificados corregidos constituyen la
mejor herramienta disponible para poder interpretar con precisión el significado de la
asociación detectada…Los distintos porcentajes pueden ayudarnos a intuir posibles
pautas de asociación, pero son los Residuos tipificados corregidos los que nos
permite interpretar de forma precisa la relación existente entre las
variables…Basta con fijarnos en aquellos (puntajes z) que son mayores que
+1,96 o menores que -1,96.”. [Ver ejemplo Tabla 5 y 6 en Nota IV d)]
Guía 10.0 SPSS para el Análisis de Datos, capítulo 12: Análisis de variables
categóricas, p. 39 y 41. (En línea):
http://www.uca.es/serv/sai/manuales/spss/Pantalla/12contin.pdf [Consulta: 10 de
octubre de 2004]
 AYUDA SPSS - CHI CUADRADO-NOTAS METODOLÓGICA 5/19

Nota III: [RJR]

“Prueba Estadística de Fisher: Prueba estadística ideada para el caso de tablas
dicotómicas en las que no se pueda aplicar el test X2 por ser la frecuencia o
frecuencias de alguna de sus casillas más bajas que lo permitido por dicho test, es
decir, inferiores a cinco.

Fórmula:

(a+b)!(c+d)!(a+c)!(b+d)!
P=
N! a! b! c! d!

Tiene el inconveniente de la dificultad de su cálculo por el número de factoriales (!)

que comprende la fórmula (El paquete estadístico SPSS calcula automáticamente esta
prueba)”.
Sierra Bravo, Restituto (1991): Diccionario Práctico de Estadística, Madrid,
Editorial Paraninfo, 1991, p. 379. [RJR]
“En caso de tablas de 2 X 2 (las dos variables dicotómicas o dicotomizadas mediante
un punto de corte), p-value asociado al estadístico Ji-cuadrado de Pearson puede ser
poco preciso. En el caso de que el número total de observaciones en la muestra sea
grande, una alternativa al estadístico Ji-cuadrado de Pearson, que incorpora una
corrección por continuidad y, por lo tanto, un p-value más preciso, es Ji-
cuadrado por Corrección de Continuidad de Yates puede ser poco preciso. En el
caso de que el número total de observaciones en la muestra sea grande, una
alternativa al estadístico. Si el tamaño muestral es pequeño, mediante la prueba
de la probabilidad exacta de Fisher, se puede calcular la probabilidad exacta de
observar un conjunto particular de frecuencias en una tabla 2 X 2. El propio
programa SPSS optará por una u otra de las pruebas en función del tamaño
muestral y de las frecuencias esperadas en las celdas”
Ferrán Aranaz, Magdalena (1996): SPSS para Windows. Programación y Análisis
Estadístico, Madrid, McGraw-Hill, 1996, capítulo 7: Tablas de contingencia y medidas
de asociación, p. 145. [RJR]

Nota IV: [RJR]

Pruebas de independencia:
Es necesario sistematizar las distintas opciones estadístico-metodológicas de analizar la
independencia estadística entre dos variables, dado que en la bibliografía según sea la disciplina
que trate –estadística o metodología- no desarrollan de modo exhaustivo los diferentes modos
alternativos de analizar o probar la existencia o no de independencia estadística: Existen cinco
modos alternativos para analizar la independencia estadística:
a) Una manera es calculando la proporción entre la frecuencia condicional de una celda y la
frecuencia marginal de columna, comparándola con la proporción entre la
correspondiente frecuencia marginal, de esa fila, y la frecuencia total. Si se da una
igualdad entre ambas proporciones, se comprueba que ambas variables son independientes. Es
decir, que la distribución condición es igual a la distribución marginal, o lo que es lo mismo, la
distribución bivariada se comporta del mismo modo que la distribución univariada. Por lo que
la conclusión es que la introducción de la segunda variable en las columnas no afecta, no
modifica las distribuciones condicionales. En caso contrario, que se de una desigualdad entre
las proporciones, se sostiene la No independencia entre las categorías, y generalizando, entre
las variables comparadas. Obsérvese que no se afirma la dependencia entre las variables, sino
la No independencia entre las mismas.
 AYUDA SPSS - CHI CUADRADO-NOTAS METODOLÓGICA 6/19

b) Otro modo de comprobar lo mismo es recurrir a la Prueba de independencia, en el marco de la

Teoría de Clásica de la Probabilidad formulada por Jean Batiste Laplace, donde se compara la
probabilidad simple de un evento con su probabilidad condicional.
En las siguientes tablas se dan simbólicamente, y se expresan analíticamente ambos casos.
TABLA I

Variable X
Variable Y 0 1 Total
1 a b a+b
0 c d c+d
Total a+c b+d n
[Elaboración propia][RJR]

a) Igualdad de proporciones entre distribuciones condicionales y marginales:

d cd
SI:   Independencia
bd n

a) Un segundo método de la cálculo lo brinda la Prueba de independencia de la 2ª Ley de la

Multiplicación de Laplace para sucesos simultáneos dependientes:

P(A)=P A/B  Independencia

(Se lee: Si la P(A) es igual a su Probabilidad Condicional, es decir, la P(A sabiendo que se ha
dado B), se concluye que ambas categorías son independientes)

Aplicando ambos criterios a una tabla empírica, para averiguar si el Sexo es independiente o
no respecto del Estado Civil, tenemos:
TABLA 2

Sexo
Estado Civil Hombre Mujer Total
Solteros 8.000 5.000 13.000
Casados 10.000 12.000 22.000
Viudos 1.000 4.000 5.000
Total 19.000 21.000 40.000

Sierra Bravo (1991: 365) PA/B P(A)

 AYUDA SPSS - CHI CUADRADO-NOTAS METODOLÓGICA 7/19

b) La proporción entre la distribución condicional comparada con la distribución marginal,

del ejemplo, da:
f (viudo)/f (total) ≠ f (viudo y mujer)/f (mujer)

5.000/40.000 ≠ 4.000/21.000

0,125 ≠ 0,191  No independencia

La desigualdad nos confirma que el hecho de ser mujer No es independiente del Estado Civil que
se posee. Se pueden comparar las proporciones de cada una de las celdas y se obtendrá la misma
conclusión para cada par de categorías. Por lo que podemos generalizar las conclusiones para el
conjunto del cuadro bivariado: el Sexo No es independiente del Estado Civil.

b) Si P(A) es la Probabilidad Simple de que una persona sea “Viudo”, es decir, la Probabilidad de
ser Viudo, es igual a la cantidad de Viudos divido el Total de personas, es decir:

P (Viudo) = 5.000/40.000= 0,125

Y P (B) la Probabilidad Simple de que una persona sea “Mujer”, es igual:

P (Mujer)= 21.000/40.000= 0,525

Pero, P(A/B) es la Probabilidad Condicional de “Ser Viudo sabiendo que es Mujer”, es decir, la
Probabilidad de ser Viudo condicionado a que sea Mujer, es igual a:
P (Viudo/Mujer)= 4.000/21.000= 0,191
Comparando los resultados, comprobamos que ambas probabilidades son distintas:
P (Viudo) ≠ P (Viudo/Mujer)

0,125 ≠ 0,191  No independencia

Obsérvese que analíticamente, la expresión

P (Viudo/Mujer)= f (viudo y mujer)/f (mujer),

con lo cual se demuestra que ambos criterios (a) y (b) de Prueba de Independencia son equivalente.
c) Un tercer modo alternativo de análisis empírico de un cuadro bivariado es convertir las
frecuencias absolutas en frecuencias relativas, es decir en porcentajes, y calcular la Diferencia
Porcentual (d%). Para ello debemos tener en cuenta la Regla de Hans Zeisel 1: Porcentuar en el

1
Galtung, Johan (1966): Teoría y métodos de la investigación social, 2ª ed., Buenos Aires, Eudeba, Tomo
II, 1969, p. 234: “La regla es muy simple: sacar porcentajes tomando siempre como base los valores de lo
que se considera variable independiente en el modelo subyacente”.
 AYUDA SPSS - CHI CUADRADO-NOTAS METODOLÓGICA 8/19

sentido de la variable independiente, -tomando como base el marginal de esta última- y comparar
los porcentajes en sentido opuesto. También debemos observar la forma de la distribución
condicional relativa (distribución diagonal o rinconal), e identificar las celdas verificadoras
(circuladas en rojo en el ejemplo) y las celdas falsificadoras de la hipótesis que subyace al cuadro.
En nuestro ejemplo:
TABLA 3

Sexo (%)
Estado Civil Hombre Mujer % d%
Solteros 42,1 23,8 32,5 18,3
Casados 55,6 57,1 55,0 -1,5
Viudos 5,3 19,1 12,5 -13,8
Total 100,0 100,0 100,0 ∑: 0

Obsérvese que los porcentajes resaltados en azul, coinciden con las proporciones y probabilidades
obtenidas mediante los criterios alternativos (a) y (b). La Diferencia porcentual, nos indica la
fuerza o intensidad relativa de la asociación entre las variables, y no solamente es una Prueba
de Independencia. Si la d% = 0 indica independencia estadística, o asociación nula, y si la d% =
100, estaría señalando máxima asociación. En nuestro ejemplo, (d% = -13,8) indica leve
asociación. Hubiese existido asociación nula –según los subíndices de la TABLA 1- si los
porcentajes hubiesen sido iguales:

p 00  p01

p viudo y hombre = p viudo y mujer

Y hubiese existido algún grado de asociación si los porcentajes hubiesen sido:

p 00  p 01

p viudo y hombre  p viudo y mujer

No obstante que, la diferencia porcentual como medida de asociación, actúa como medida de
influencia de una variable X sobre otra Y, debe ser interpretada mediante la prueba t de
diferencia de medias de proporciones para muestras independientes (Galtung, 1969, II: 241)
para medir la significación estadística del tamaño de la diferencia, pues una d% = 10%, puede ser
tanto la diferencia entre 95-85% como entre 25-15%. Si bien en ambos casos la d% es igual al
10%. En el primer caso la diferencia del 10% en proporción al porcentaje menor representa un
incremento porcentual (∆%) del 11,76%:
 AYUDA SPSS - CHI CUADRADO-NOTAS METODOLÓGICA 9/19

 95  85 
%  100    11, 76%
 85 

Mientras que en el segundo caso la diferencia del 10% en proporción al 15% representa un
incremento (∆%) del 66,67%. En este sentido, se puede opinar que es más significativo este
segundo caso que el primero.

 25  15 
%  100    66, 67%
 15 

d) Un cuarto modo es, justamente, la prueba t de diferencias de proporciones de

dos muestras independientes, que permite verificar diferencias entre proporciones
o porcentajes (d%) de dos muestra (grandes) independientes. Los componentes del
modelo y los pasos para el cálculo del estadístico de prueba, son:
 Modelo estadístico: Distribución de diferencias de proporciones muestrales,
con media igual a la Media de la distribución diferencias de proporciones
muestrales y con Desvío Standard igual al Error Estándar de las diferencias
de proporciones muestrales. En símbolos:

D  0

p1  q1 p2  q2
D   = ESD
n1 n2

 Hipótesis estadísticas: La hipótesis nula plantea la igualdad de las

proporciones en las dos muestras, o lo que es lo mismo, que su diferencia es igual
a 0. Mientras que la hipótesis alternativa, la hipótesis del investigador, plantea
que las proporciones muestrales son distintas, es decir, que sus diferencias son
distintas de 0, divergiendo del mero azar. Simbólicamente:

H 0  p1  p2  D  0

H1  p1  p2  0; o D  0

 Estadístico de prueba:
Caso I: t de Student para diferencias de proporciones muestrales
independientes (muestras grandes).
 AYUDA SPSS - CHI CUADRADO-NOTAS METODOLÓGICA 10/19

p1  p2 d%
t p p  
1 2
p1  q1 p2  q2  D

n1 n2

 Estadístico de prueba:
Caso II: t de Student diferencias de medias de muestras independientes
(muestras grandes).

t X1  X 2 
X 1  X 2   D

DX X
1 2

s
2 2
s2 D
1

n1 n2

 Cálculo del estadístico de prueba: Si aplicamos la prueba t para el caso II, al

Fichero Ventas-Beneficios-1994-95 X 83 empresas2 para poner a prueba la
hipótesis nula de la no existencia de diferencia entre las medias de Beneficios
antes de impuestos en l995 (bai95) entre empresas del sector servicios e
industriales. Para ello, debemos dar los siguientes pasos:
i. Recodificar la variable Sector (sector) asignando los viejos códigos del sector de
actividad de la variable sector a la nueva variable dicotomizada sectorb,
categorizada en Sector Servicios (1) y Sector Industrial (2). Dato que la prueba t
compara dos medias en base a una variable de agrupación dicotómica.
ii. Luego se abre la cuadro de diálogo: Comparar medias>Prueba T para
muestras independientes…, del menú Analizar.
iii. En dicho cuadro seleccionamos la variables bai95 y la pasamos a la ventana
Contrastar variables (Test Variable), en Variables de agrupación,
seleccionamos la nueva variable que recodifica los sectores: sectorb.

/h

2
Visauta Vinacua, Bienvenido (1997): Análisis estadístico con SPSS para Windows (6.1), Madrid,
McGraw-Hill, 1997, capítulo 4: Test de hipótesis: Comparación de medias, pp. 111-114.
 AYUDA SPSS - CHI CUADRADO-NOTAS METODOLÓGICA 11/19

iv. Luego se definen los grupos: Usar valores especificados O Punto de corte.
Oprimir Continuar para volver a la ventana original o primaria. Y luego Aceptar.

SPSS ejecuta el comando T-Test y arroja dos tablas con los resultados que se
observan en el Visor de SPSS:

TABLA 4
Estadísticos de grupo

Sector-Servicio-
N Media Desviación típ. Error típ. de la media
Industria
Beneficios antes de
Sector Servicios 39 23.068,74 50.154,834 8.031,201
impuestos (1995)

Sector Industrial 36 10.774,83 32.247,476 5.374,579

TABLA 5
Prueba de muestras independientes

Prueba de
Levene para la
Prueba T para la igualdad de medias
igualdad de
varianzas
Sig.( Error típ.
95% Intervalo de confianza
bilate Diferencia de la
para la diferencia
F Sig. t gl ral) de medias diferencia

Beneficios
antes de Inferior Superior
impuestos
Se han
(1995)
asumido -
2,356 ,129 1,251 73 ,215 12.293,91 9.827,639 31.880,367
varianzas 7.292,546
iguales
No se han
asumido -
1,272 65,413 ,208 12.293,91 9.663,658 31.591,256
varianzas 7.003,436
iguales
 AYUDA SPSS - CHI CUADRADO-NOTAS METODOLÓGICA 12/19

vi. Luego para visualizar los resultados reemplazamos en la fórmula del

estadístico t los datos obtenidos en el output y confirmamos el t-value:

t X1  X 2 
X 1  X 2   D

DX X
1 2

s
2 2
s2 D
1

n1 n2

12.293,91
t X1  X 2   1, 251
9.827,639

vii. Por último, tomamos la decisión estadística con relación a la hipótesis nula.
Dado que aplicando la Regla de Decisión de Fisher, tenemos que:

Si P-Value < P H0 y H1

Pero: Si 0,215 > 0,05 H0 y H1

y concluimos que no hay diferencias en los Beneficios antes de impuestos en
1995, en las 83 empresas entre los Sectores Servicios e Industria.
d) Por ultimo, una quinta forma de probar la hipótesis de independencia es
mediante el estadístico Chi Cuadrado.
En la tabla 6: Destino de sobrevivientes al hundimiento del TITANIC by
Sexo, ponemos a prueba la hipótesis nula de que no hay diferencias entre los
hombres y mujeres que perecieron. En cambio el investigador sostendrá que en
los datos se puede poner a prueba la hipótesis de que en el siniestro del TITANIC
se evidenció una vez más la aplicación del principio marinero “Primero las mujeres
y los niños y segundo los hombres”. Por lo que esperaríamos hallar en la celda
verificadora (rayado oblicuo en rojo) ‘mujeres/niños’ y ‘sobrevieron’ una
proporción (p) mayor que en la celda ‘hombre’ y ‘sobrevivieron’. Observemos qué
decisión nos indica tomar Chi Cuadrado respecto de la hipótesis nula.

H 0  phombres y sobrevivieron  pmujeres y sobrevivieron  d %  0

H1  phombres y sobrevivieron  pmujeres y sobrevivieron  d %  0
 AYUDA SPSS - CHI CUADRADO-NOTAS METODOLÓGICA 13/19

TABLA 6

Tabla de contingencia: Destino en el hundimiento del TITANIC según el Sexo del pasajero

Sexo del pasajero

Mujeres-
Hombres Total d%
Niños
Recuento 637 163 800
% de Sexo de
82,2% 32,0% 62,3% +50,2%
pasajero
Perecieron Residuo 154,5 -154,5
Residuos
7,0 -8,7
tipificados
Residuos
18,2 -18,2
Destino en el corregidos
hundimiento Recuento 138 347 485
% de Sexo de
17,8% 68,0% 37,7% -50,2%
pasajero

Se salvaron Residuo -154,5 154,5

Residuos
-9,0 11,1
tipificados
Residuos
-18,2 18,2
corregidos
Total Recuento 775 510 1285
% de Sexo de
100,0% 100,0% 100,0%
pasajero

Adaptado y reelaborado de Sanchez Carrión (1999: 331-333) (S.S. Titanic, White Star Line, 14
de abril de 1912)[RJR]
 AYUDA SPSS - CHI CUADRADO-NOTAS METODOLÓGICA 14/19

TABLA 7

Pruebas de chi-cuadrado

Sig. asintótica
(bilateral) Sig. exacta Sig. exacta
Valor gl
(bilateral) (unilateral)
P-value
Chi-cuadrado de Pearson 330,307(b) 1 ,000
Corrección por continuidad
328,172 1 ,000
de Yates (a)
Razón de verosimilitud 338,182 1 ,000
Estadístico exacto de
,000 ,000
Fisher

Asociación lineal por lineal 330,050 1 ,000

N de casos válidos 1285

a Calculado sólo para una tabla de 2x2.
b 0 casillas (,0%) tienen una frecuencia esperada inferior a 5. La frecuencia mínima esperada es
192,49.

TABLA 8

Medidas simétricas

Sig.
Valor
aproximada
Nominal por nominal Phi ,507 ,000
V de Cramer ,507 ,000

Coeficiente de Contingencia ,452 ,000

N de casos válidos 1285

a Asumiendo la hipótesis alternativa.
b Empleando el error típico asintótico basado en la hipótesis nula.

Las conclusiones que se pueden obtener a partir de los resultados de las distintas
medias, pruebas y coeficientes, son:
La diferencia porcentual (d% = 82,2-32,0=50,2%) actúa como medida de la
influencia que tuvo el sexo en la suerte corrida por los pasajeros.
Se confirma una distribución diagonal de las frecuencias condicionales relativas,
efectivamente, la celda verificadora esperada según el principio marinero, confirma
que el porcentaje de mujeres/niños que sobrevivieron es 3,8 veces más (68,0/17,8)
que los hombres que se salvaron. Siendo importante esta magnitud de la diferencia
porcentual.
Los Residuos tipificados corregidos (± 18,2) se ubican a 9,2 Desvíos Standard
respecto del valor crítico ±1,96 esperado por azar (18,2/1,96= 9,2), con un intervalo
de confianza de .95. Un tal desvío no puede ser atribuido al azar sino que cabe
esperar que para producirse una tal diferencia es probable (95 veces de cada 100)
 AYUDA SPSS - CHI CUADRADO-NOTAS METODOLÓGICA 15/19

que haya operado una decisión y una voluntad en el alto mando del S.S. TITANIC, de
hacer cumplir el principio marinero de salvar a las mujeres y niños primero.
El valor del Chi cuadrado calculado o empírico (Chi-square value) es de una magnitud
muy grande (330,307) y acusa una Significación asintótica bilateral de .000. Esta
cifra es una probabilidad y significa = P-Value. Cuando esta probabilidad es inferior a
0,05, (P: Nivel de Significación = 5%) se suele rechazar la hipótesis de independencia
Ho de no relación entre las variables –según la Regla de decisión de Fisher-, para
aceptar la hipótesis alternativa H1, que indica que la relación entre las variables existe
y es estadísticamente significativa y no se debe al azar. Se puede concluir que el
capitán del S. S. Titanic hizo honor a la armada británica aplicando con firmeza el
principio marinero que dice: Primero las mujeres y los niños, y luego los hombres,
permitiendo que sobrevivan más mujeres que hombres, más allá del azar, que es lo
sostenido por la hipótesis del investigador. En símbolos:

Resumen del modelo

Chi square value: 330, 337

Chi Cuadrado-Corrección por continuidad de Yates: 328,172
P : 0,05 (Nivel de significación)

P-value: 0,000 (Significación asintótica bilateral)

Grados de Libertad: 1 [df: (c-1)*(f-1)]
Chi Cuadrado de Tabla: 3,841 (Ver Tabla de Chi Cuadrado para 1 gl y P:
0,05)
Regla de decisión de Fisher:

Si P-Value < P  H0 y H1

Si 0,000 < 0,05  H0 y H1

Regla de decisión de Pearson:

Si X 2 calculado > X 2 tabla  H 0 H 1

Si 300,337 > 3,841  H 0 H1

 AYUDA SPSS - CHI CUADRADO-NOTAS METODOLÓGICA 16/19

Distribución de la Curva de Chi-Cuadrado:

Pα  0, 05

Aceptacion H0 Rechazo H 0
P-value= 0,000

Zona de Riesgo

X 2 teo rico  X 2 1;0 , 0 5   3 ,8 4 1 X 2 calculado  Chi  square value  300,337

[Elaboración Propia. RJR]
 Finalmente, la magnitud de los coeficientes de asociación indican,
efectivamente, una relación entre ambas variables del orden de 0,452 y 0,507.
Expresando una mediana fuerza de asociación teniendo en cuenta que estos
coeficientes varían entre 0 y 1.

CALCULADORA CHI-CUADRADO3
CORRECCION DE CONTINUIDAD DE YATES

A B SUM

I 637 163 800

II 138 347 485

SUM 775 510 1285

Chi-square value (X): 328.172423

Difference (p<0.05)? yes

Difference (p<0.01)? yes

[RJR]

3
Calculadora Chi Cuadrado-Corrección por continuidad de Yates. (En línea): Disponible:
http://members.tripod.com/~gineco/CHISQUAR.HTM [Consulta: 11 de octubre de 2004]
 AYUDA SPSS - CHI CUADRADO-NOTAS METODOLÓGICAS 17/19

Table: Chi-Square Probabilities

The areas given across the top are the areas to the right of the critical value. To look up an area on the left, subtract it from one, and then look it up (ie: 0.05 on the left is 0.95
on the right)
 AYUDA SPSS - CHI CUADRADO-NOTAS METODOLÓGICAS 18/19

df 0.995 0.99 0.975 0.95 0.90 0.10 0.05 0.025 0.01 0.005
1 --- --- 0.001 0.004 0.016 2.706 3.841 5.024 6.635 7.879

2 0.010 0.020 0.051 0.103 0.211 4.605 5.991 7.378 9.210 10.597
3 0.072 0.115 0.216 0.352 0.584 6.251 7.815 9.348 11.345 12.838
4 0.207 0.297 0.484 0.711 1.064 7.779 9.488 11.143 13.277 14.860
5 0.412 0.554 0.831 1.145 1.610 9.236 11.070 12.833 15.086 16.750
6 0.676 0.872 1.237 1.635 2.204 10.645 12.592 14.449 16.812 18.548
7 0.989 1.239 1.690 2.167 2.833 12.017 14.067 16.013 18.475 20.278
8 1.344 1.646 2.180 2.733 3.490 13.362 15.507 17.535 20.090 21.955
9 1.735 2.088 2.700 3.325 4.168 14.684 16.919 19.023 21.666 23.589
10 2.156 2.558 3.247 3.940 4.865 15.987 18.307 20.483 23.209 25.188
11 2.603 3.053 3.816 4.575 5.578 17.275 19.675 21.920 24.725 26.757
12 3.074 3.571 4.404 5.226 6.304 18.549 21.026 23.337 26.217 28.300
13 3.565 4.107 5.009 5.892 7.042 19.812 22.362 24.736 27.688 29.819
14 4.075 4.660 5.629 6.571 7.790 21.064 23.685 26.119 29.141 31.319
15 4.601 5.229 6.262 7.261 8.547 22.307 24.996 27.488 30.578 32.801
16 5.142 5.812 6.908 7.962 9.312 23.542 26.296 28.845 32.000 34.267
17 5.697 6.408 7.564 8.672 10.085 24.769 27.587 30.191 33.409 35.718
18 6.265 7.015 8.231 9.390 10.865 25.989 28.869 31.526 34.805 37.156
19 6.844 7.633 8.907 10.117 11.651 27.204 30.144 32.852 36.191 38.582
20 7.434 8.260 9.591 10.851 12.443 28.412 31.410 34.170 37.566 39.997
21 8.034 8.897 10.283 11.591 13.240 29.615 32.671 35.479 38.932 41.401
22 8.643 9.542 10.982 12.338 14.041 30.813 33.924 36.781 40.289 42.796
23 9.260 10.196 11.689 13.091 14.848 32.007 35.172 38.076 41.638 44.181
24 9.886 10.856 12.401 13.848 15.659 33.196 36.415 39.364 42.980 45.559
25 10.520 11.524 13.120 14.611 16.473 34.382 37.652 40.646 44.314 46.928
26 11.160 12.198 13.844 15.379 17.292 35.563 38.885 41.923 45.642 48.290
 AYUDA SPSS - CHI CUADRADO-NOTAS METODOLÓGICAS 19/19

27 11.808 12.879 14.573 16.151 18.114 36.741 40.113 43.195 46.963 49.645
28 12.461 13.565 15.308 16.928 18.939 37.916 41.337 44.461 48.278 50.993
29 13.121 14.256 16.047 17.708 19.768 39.087 42.557 45.722 49.588 52.336
30 13.787 14.953 16.791 18.493 20.599 40.256 43.773 46.979 50.892 53.672
40 20.707 22.164 24.433 26.509 29.051 51.805 55.758 59.342 63.691 66.766
50 27.991 29.707 32.357 34.764 37.689 63.167 67.505 71.420 76.154 79.490
60 35.534 37.485 40.482 43.188 46.459 74.397 79.082 83.298 88.379 91.952
70 43.275 45.442 48.758 51.739 55.329 85.527 90.531 95.023 100.425 104.215
80 51.172 53.540 57.153 60.391 64.278 96.578 101.879 106.629 112.329 116.321
90 59.196 61.754 65.647 69.126 73.291 107.565 113.145 118.136 124.116 128.299
100 67.328 70.065 74.222 77.929 82.358 118.498 124.342 129.5