Estadística para

Administradores

Capítulo 12

Aplicaciones de la 2

Lic. Daniel Fortuna Chap 12-1

 Objetivos de aprendizaje
En este capítulo aprenderá:
 Cómo usar la prueba de 2 para la diferencia entre 2
proporciones.
 Cómo usar la prueba de 2 para la diferencia entre más de 2
proporciones.
 Cómo usar la prueba de 2 para la independencia de variables.
 Cómo usar la prueba de 2 para la homogeneidad de variables.
 Cómo utilizar el procedimiento de Marascuilo para determinar
diferencias de pares de casos para evaluar mas de dos
proporciones
 Cómo usar la prueba de 2 para evaluar la bondad de ajuste de
un conjunto de datos a una distribución de probabilidad
especificada
Chap 12-2
 Tablas de Contingencia

Tablas de Contingencia
 Útil para involucrar múltiples proporciones
poblacionales
 Usadas para clasificar muestras de
observaciones de acuerdo a dos o mas
características
 También llamada tabla de cross-tabulation.

Chap 12-3
Ejemplo de Tabla de Contingenia

Zurdos vs. Género

Mano Dominante : Izquierda vs. Derecha
Genero: Hombres vs Mujeres

 2 categorías para cada variable

llamada tabla 2 x 2

 Supongamos que examinamos una

muestra de tamaño 300

Chap 12-4
 Tablas de Contingencia
(continua)

Resultado de muestras organizadas en una tabla de contingencia

Tamaño de la muestra = n Preferencia de

= 300: Mano
Sobre 120 mujeres Género
Izquierda Derecha
son zurdas, 12
Sobre 180 hombres, Mujer 12 108 120
24 son zurdos
Hombre 24 156 180

36 264 300

Chap 12-5
 2 Prueba para la diferencia
entre dos proporciones
H0: π1 = π2 ( La proporción de mujeres que son
zurdas es igual a la proporción de hombres
zurdos)
H1: π1 ≠ π2 (las dos proporciones no es la misma
La preferencia de la utilización de la
mano y el género no son independientes)

 Si H0 es verdadera, luego la proporción de mujeres zurdas sera la

misma que la proporción de hombres zurdos
 Las proporciones de zurdos son iguales entre hombres y mujeres

Chap 12-6
 El estadístico de la Prueba 2

El estadístico de la prueba 2 es:

( f  f ) 2
2   o e

todaslasceldas fe
 donde:
fo = frecuencias observadas en una celda particular
fe = frecuencias esperadas en una celda particular
para los casos presentados en la tabla 2 x 2 tiene 1 grado
de libertad

Suponiendo que cada celda de la tabla de contingencia

tiene frecuencias esperadas de como mínimo 5.

Chap 12-7
 Regla de decisión
El estadístico de la prueba 2 aproximadamente
sigue una distribución chi-cuadrado con un grado
de libertad

Regla de decisión :
Si 2 > 2U, rechazo
H0, en otro caso no 
rechazo H0
0
No Rechazo 2
rechazo H0
2U
H0

Chap 12-8
 Calculamos la
proporción promedio
La proporción p  X1  X2  X
promedio es: n1  n2 n

De las 120 mujeres, Aquí

12 son zurdas de
12  24 36
los 180 hombres, p   0.12
24 son zurdos 120  180 300

p.ej., la proporción total de zurdos es 0.12,o sea, 12%

Chap 12-9
 Encontrando Frecuencias
Esperadas

 Para obtener las frecuencias esperadas para las

mujeres zurdas, se multiplica las proporciones de
zurdas (p) por el numero total de las mujeres
 Para obtener las frecuencias esperadas de los hombres
zurdos, se multiplica la proporción promedio de zurdas
(p) por el numero total de hombres zurdos
Si las dos proporciones son iguales, luego
P(zurdas| Mujeres) = P(zurdos | Hombres) = .12

p.ej, nosotros esperamos(.12)(120) = 14.4 mujeres zurdas

(.12)(180) = 21.6 hombres zurdos

Chap 12-10
 Frecuencias Observadas vs.
Esperadas

Preferencias de uso de mano

Género Izquierda Mano
Observadas = 12 Observadas = 108
Mujeres 120
Esperadas = 14.4 Esperadas= 105.6

Observadas = 24 Observadas = 156

Hombres 180
Esperadas= 21.6 Esperadas = 158.4

36 264 300

Chap 12-11
 El estadístico de la prueba 2
Preferencias de mano
Genero Izquierda Derecha
Observadas = 12 Observadas = 108
Mujeres 120
Esperadas = 14.4 Esperadas = 105.6
Observadas = 24 Observadas = 156
Hombres 180
Esperadas = 21.6 Esperadas = 158.4
36 264 300
El estadístico de la prueba es:
(fo  fe )2
χ  
2

all cells fe
(12  14.4) 2 (108  105.6) 2 (24  21.6) 2 (156  158.4) 2
     0.7576
14.4 105.6 21.6 158.4
Chap 12-12
 Regla de decisión

El estadistic o de la prueba es χ 2  0.7576 , χ U2 con 1 gl.  3.841

Regla de decisión :
Si 2 > 3.841, rechazo H0, en
otro caso no rechazo rechazo
H0
Aquí,
2 = 0.7576 < 2U = 3.841,

así no rechazamos H0 y
concluímos que no hay
0
No Rechazar H0 2 suficiente evidencia para
rechazar H0
2U=3.841 concluir que las dos
proporciones son
diferentes para  = 0.05
Chap 12-13
 Prueba Chi con PH Stat
Observed Frequencies
Preferencia
Género de Mano Calculations
Izquierda Derecha fo-fe
Mujer 12 108 120 -2,4 2,4
Hombre 24 156 180 2,4 -2,4
36 264 300

Expected Frequencies
Preferencia de Mano
0 Izquierda Derecha Total (fo-fe)^2/fe
Mujer 14,4 105,6 120 0,4 0,05454545
Hombre 21,6 158,4 180 0,26666667 0,03636364
Total 36 264 300

Data
Level of Significance 0,05
Number of Rows 2
Number of Columns 2
Degrees of Freedom 1

Results
Critical Value 3,84145882
Chi-Square Test Statistic 0,75757576
p-Value 0,38408825
Do not reject the null hypothesis

Chap 12-14
 Prueba 2 para las diferencias de
mas de dos proporciones

 Extendemos la prueba 2 para el caso que

tengamos mas de dos proporciones para mas
de dos poblaciones independientes:

H0: π1 = π2 = … = πc
H1: No todas las πj son iguales (j = 1, 2, …, c)

Chap 12-15
 El estadístico de la prueba de 2

El estadístico de la prueba de 2 es:

( f  f ) 2
2   o e

todaslasceldas fe
 donde:
fo = frecuencias observadas en una celda particular de una
tabla 2 x c
fe = frecuencias esperadas en un celda particular si H0 es
verdadera

2 para el caso 2 x c tiene (2-1)(c-1) = c - 1 grados de libertad

(Suponiendo: cada celda en la tabla de contingencia tiene
frecuencias eseradas como mínimo 1)
Chap 12-16
 Grados de Libertad

Columna 1 Columna 2 Columna 3 Columna 4

Fila 1 Total Fila 1
Fila 2 Total Fila 2
Fila 3 Total Fila 3
Total Total Total Total
Columna 1 Columna 2 Columna 3 Columna 4

Valores que se pueden expresar libremente

Valores que no se pueden expresar libremente

Chap 12-17
 Calculo de la proporción total
La proporción total es: X1  X2    Xc X
p 
n1  n2    nc n

 Las frecuencias esperadas para las c categorías son

calculadas como en el caso de la tabla 2 x 2, y la regla
de decisión es la misma:

Regla de decisión : Donde 2U es l

Si 2 > 2U, rechazo distribución de la chi-
H0, en otro caso no cuadrada con c – 1
rechazo H0 grados de libertad

Chap 12-18
 Prueba 2 para las diferencias de
más de dos proporciones (ejemplo)

Una empresa está pensando cambiar el horario de los turnos.

Para evaluar la idea se consulta en base a una muestra
aleatoria a 100 operarios, 50 administrativos y 20 directivos

Opinión Operarios Administrativos Directivos

A Favor 63 20 37
Se Oponen 37 30 13
Total 100 50 50

A un nivel de significación del 5% ,¿Hay evidencia de

actitudes entre los estudiantes y profesores?
Chap 12-19
 Prueba 2 para las diferencias de
más de dos proporciones (ejemplo)

Chap 12-20
 Prueba 2 para las diferencias de
más de dos proporciones (ejemplo)

Chap 12-21
Chi cuadrado – Resultado de la
prueba
Chi-Square Test

Observed Frequencies
Calculation
Column variable s
Row variable C1 C2 C3 Total fo-fe
R1 0 #¡DIV/0! #¡DIV/0! #¡DIV/0!
R2 0 #¡DIV/0! #¡DIV/0! #¡DIV/0!
Total 0 0 0 0

Expected Frequencies
Column variable
Row variable C1 C2 C3 Total (fo-fe)^2/fe
R1 #¡DIV/0! #¡DIV/0! #¡DIV/0! #¡DIV/0! PHStat
#¡DIV/0! User Note:#¡DIV/0!
#¡DIV/0!
R2 #¡DIV/0! #¡DIV/0! #¡DIV/0! #¡DIV/0! Enter replacement#¡DIV/0!
#¡DIV/0! #¡DIV/0! labels for the
Total #¡DIV/0! #¡DIV/0! #¡DIV/0! #¡DIV/0!
row and column variables as well
Data as the observed frequency
Level of Significance 0.05 counts in the table that starts in
Number of Rows 2 row 3.
Number of Columns 3
Degrees of Freedom 2
Note: The #DIV/0! error
Results messages will disappear after
Critical Value 5.99146455 you enter the observed
Chi-Square Test
Statistic #¡DIV/0!
frequency counts.
p-Value #¡DIV/0!
#¡DIV/0! (Before continuing, press the
Delete key to delete this note.)
Expected frequency assumption
#¡DIV/0!

The Marascuilo procedure results have been placed in worksheet

Marascuilo2.

Chap 12-22
Chi cuadrado – Resultado de la
prueba
Chi-Square Test

Observed Frequencies
Column variable Calculations

Opinión Administrati
Operarios vos Directivos Total fo-fe
A Favor 63 20 37 120 3 -10 7
Se Oponen 37 30 13 80 -3 10 -7
Total 100 50 50 200

Expected Frequencies
Column variable

Administrativo
Opinión Operarios s Directivos Total (fo-fe)^2/fe
A Favor 60 30 30 120 0.15 3.33333333 1.63333333
Se Oponen 40 20 20 80 0.225 5 2.45
Total 100 50 50 200

Data
Level of Significance 0.05
Number of Rows 2
Number of Columns 3
Degrees of Freedom 2

Results
Critical Value 5.99146455
Chi-Square Test Statistic 12.7916667
p-Value
Reject the null hypothesis
0.00166849
p<α
Chap 12-23
 Chi cuadrado – Resultado de la
prueba

El estadistico de la prueba es χ 2  12.7917 , χ U2 con 2 gl.  5.9915

0 2
No Rechazar H0
rechazar H0
2U=5.9915
Rechazamos H0, por lo tanto hay suficiente evidencia para concluir que las
dos proporciones son diferentes para  = 0.05
Chap 12-24
 El procedimiento Marascuilo

 Usada cuando la hipótesis nula de igualdad de

proporciones, es rechazada
 Permite efectuar la comparación entre pares
 Analiza las diferencias observadas, pj – pj’,
para todas los pares (para j ≠ j’) . . .
 . . .luego comparamos las diferencias absolutas
para calcular el rango crítico

Chap 12-25
 El procedimiento Marascuilo
(continua)

 Rango crítico para el procedimiento Marascuilo:

p j (1  p j ) p j' (1  p j' )
Rango Critico  χ 2
U 
nj n j'
 (Observar: el rango crítico es diferente para la comparación de cada par)
 Un par particular de proporciones es significativamente diferente sí

|pj – pj’| > rango crítico para j y j’

Chap 12-26
 Prueba 2 para las diferencias de
más de dos proporciones (ejemplo)

Una empresa está pensando cambiar el horario de los turnos.

Para evaluar la idea se consulta en base a una muestra
aleatoria a 100 operarios, 50 administrativos y 20 directivos

Opinión Operarios Administrativos Directivos

A Favor 63 20 37
Se Oponen 37 30 13
Total 100 50 50

A un nivel de significación del 5% ,¿Qué grupos tienen

diferente actitud?
Chap 12-27
 Procedimiento Marascuilo : Solución
Excel Output:
Marascuilo Procedure

Level of Significance 0.05

Square Root of Critical Value 2.447746831

Sample Proportions
Group 1 0.63
Group 2 0.4
Group 3 0.74

MARASCUILO TABLE

Proportions Absolute Differences Critical Range

| Group 1 - Group 2 | 0.23 0.206700589 Significant
| Group 1 - Group 3 | 0.11 0.192409094 Not significant
| Group 2 - Group 3 | 0.34 0.227627295 Significant
Chap 12-28
 Prueba 2 de independencia

 Similar a la prueba de 2 para la igualdad de mas de

dos proporciones, pero extendiendo el concepto de
tabla de contingencia con r filas y c columnas

H0: Las variables son independientes

(p.ej., no hay relación entre ellas)
H1: Las variables son dependientes
(p.ej., hay relaciones entre ellas)

Chap 12-29
 Prueba 2 de independencia
(continua)

El estadístico de la prueba 2 es:

( f  f ) 2
2   o e
all cells fe
 donde:
fo = frecuencia observada en una celda particular de la tabla r
xc
fe = frecuencia esperada en una celda particular si H0 es
verdadera

2 para el caso f x c tiene (f-1)(c-1) grados de libertad

(Suponiendo: cada celda tiene frecuencia esperada de la tabla de
contingencia como mínimo 1)
Chap 12-30
 Grados de Libertad

Columna 1 Columna 2 Columna 3 Columna 4

Fila 1 Total Fila 1
Fila 2 Total Fila 2
Fila 3 Total Fila 3
Total Total Total Total
Columna 1 Columna 2 Columna 3 Columna 4

Valores que se pueden expresar libremente

Valores que no se pueden expresar libremente

Chap 12-31
 Frecuencias esperadas de las
celdas

 Frecuencias esperadas de las celdas

total fila × total columna

fe =
n

donde:
total fila = suma de todas las frecuencias en la fila
total columna = suma de todas las frecuencias en la columna
n= tamaño de la muestra

Chap 12-32
 Regla decisional

 La regla decisional es

SI 2 > 2U, rechazo H0, en

otro caso no rechaza H0

donde 2U es la distribución con (r – 1)(c – 1)

grados de libertad

Chap 12-33
 Ejemplo
 El plan de comidas seleccionadas por un grupo de 200 estudiantes es:

Numero de comidas por

semana Total
Clase de 20/ 10/ ninguna
estudiante semana semana
Freshman 24 32 14 70
Sophomore 22 26 12 60
Junior 10 14 6 30
Senior 14 16 10 40
Total 70 88 42 200
Chap 12-34
 Ejemplo
(continua)

 La hipótesis a ser probada es:

H0: El plan de comidas y la clasificación de los

estudiantes son independientes
(p.ej., no están relacionadas)
H1: El plan de comidas y clases son dependientes
(p.ej., hay una relación entre ellos)

Chap 12-35
 Ejemplo:
Frecuencias Esperadas de las
celdas
(continua)
Observadas:
Numero de comidas por
semanas
20/sem 10/se ningun Frecuencias Esperadas en
Clasificación m a Total las celdas si H0 es verdadera:
Fresh. 24 32 14 70
Soph. 22 26 12 60 Numero de comidas
por semana
Junior 10 14 6 30
Clasificación
20/se 10/se ningu
Senior 14 16 10 40
no Total
Total 70 88 42 200
Fresh. 24.5 30.8 14.7 70
Ejemplo para una celda:
Soph. 21.0 26.4 12.6 60
total fila  total columna
fe  Junior 10.5 13.2 6.3 30
n
Senior 14.0 17.6 8.4 40
30  70
  10.5 Total 70 88 42 200
200
Chap 12-36
 Ejemplo para el estadístico de la
prueba:
(continua)

 El valor del estadístico de la prueba es:

( fo  fe )2
  
2

todaslasceldas fe
(24  24.5) 2 (32  30.8) 2 (10  8.4) 2
    0.709
24.5 30.8 8.4

2U = 12.592 para  = 0.05 de la distribución

chi-cuadrado con (4 – 1)(3 – 1) = 6 grados de
libertad

Chap 12-37
 Ejemplo para el estadístico de la
prueba:
(continua)
Chi-Square Test

Observed Frequencies
Column variable Calculations
Row variable 20 10 Ninguna Total fo-fe
Freshman 24 32 14 70 -0.5 1.2 -0.7
Sophomre 22 26 12 60 1 -0.4 -0.6
Junior 10 14 6 30 -0.5 0.8 -0.3
Senior 14 16 10 40 0 -1.6 1.6
Total 70 88 42 200

Expected Frequencies
Column variable
Row variable 20 10 Ninguna Total (fo-fe)^2/fe
Freshman 24.5 30.8 14.7 70 0.01020408 0.04675325 0.03333333
Sophomre 21 26.4 12.6 60 0.04761905 0.00606061 0.02857143
Junior 10.5 13.2 6.3 30 0.02380952 0.04848485 0.01428571
Senior 14 17.6 8.4 40 0 0.14545455 0.3047619
Total 70 88 42 200

Data
Level of Significance 0.05
Number of Rows 4
Number of Columns 3
Degrees of Freedom 6

Results
Critical Value 12.5915872
Chi-Square Test Statistic 0.70933828
p-Value 0.99428731
Do not reject the null hypothesis

Chap 12-38
 Ejemplo:
decisión e Interpretación
(continua)

El estadístic o de la prueba  2  0.709 , U2 con 6 gl.  12.592

Regla de decisión :
Si 2 > 12.592, rechazo H0, en
otro caso no rechazar H0

Aquí,
 2 = 0.709 < 2U = 12.592,
no rechazar H0
0 Conclusión: No hay
No rechazar H0 Rechazar 2 evidencia suficiente, que las
H0
comidas y clase de estudiante
2U=12.592
estén relacionados a un nivel
de significación del  = 0.05
Chap 12-39
 Prueba de Homogeneidad

 Muy parecida a la de independencia, las

diferencias estarán dadas en la formulación de
la hipótesis nula y por ende en el tipo de
conclusiones y su interpretación.

H0: Las variables son homogéneas

H1: Las variables nos osn homogéneas

Chap 12-40
 Prueba de Homogeneidad
 la distinción mas importante entre la
prueba de independencia y la de
homogeneidad es que en la primera las
observaciones provienen de una sola
población, mientras que en la segunda
son de dos ó más poblaciones.

Chap 12-41
 Prueba de χ2 para la Varianza y
la desviación estándar
 Un estadístico de la prueba χ2 se utiliza para
probar si la varianza poblacional. o desviación
estándar es igual a un valor especificado :
H0: σ2 = σ02 (n - 1)S 2
χ2 
Ha: σ2 ≠ σ02 σ2
donde n = tamaño de la muestra
S2 = varianza muestral
σ2 = varianza poblacional hipotetizada
χ2 sigue una distribucion chi-cuadrada con n – 1 g de l

Reject H0 si  STAT >   / 2 or if  STAT <  1 / 2

2 2 2 2

Chap 12-42
 Prueba de χ2 Bondad de Ajuste

 ¿Siguen los datos muestrales una distribución

hipotetizada determinada?
 Ejemplos:

 ¿Es el soporte técnico de llamadas a

través de los días de la semana? (p.ej.,
siguen las llamadas una distribución
uniforme?)
 ¿Siguen las mediciones de un proceso
productivo una distribución normal?

Chap 12-43
 Prueba de χ 2 Bondad de Ajuste
(continua)
 ¿Siguen los datos muestrales una distribución
hipotetizada determinada? (p.ej., ¿siguen las
llamadas una distribución uniforme?)
Datos muestrales para los 10 días elegidos
aleatoriamente de una semana:
Suma de llamadas por día:
Lunes 290
Martes 250
Miércoles 238
Jueves 257
Viernes 265
Sábado 230
Domingo 192

 = 1722

Chap 12-44
 Lógica De la Prueba de bondad
de ajuste

 Si las llamadas están distribuidas

uniformemente distribuidas para las 1722
llamadas, las 1722 llamadas se distribuyen
igualmente divididas por los 7 dias:
1722
 246 llamadas diarias si la distribuci ón es uniforme
7
 Prueba Chi-cuadrada de Bondad de ajuste :
Prueba para ver si los resultados muestrales
son consistentes con los datos esperados

Chap 12-45
 Frecuencias Observadas vs.
Esperadas
Observadas Esperadas
fo fe
Lunes 290 246
Martes 250 246
Miércoles 238 246
Jueves 257 246
Viernes 265 246
Sábado 230 246
Domingo 192 246
TOTAL 1722 1722

Chap 12-46
 estadístico de la Prueba 2
H0: La distribución de las llamadas se distribuye
siguiendo un ley uniforme en los días de la semana
H1: la distribución de las llamadas no es uniforme

 El estadístico de la prueba
es
(f o  f e ) 2
 
2
(donde g. de l.  k  p  1)
k fe
donde:
k = numero de categorías
fo = frecuencias observadas
fe = frecuencias esperadas
p = numero de parámetros estimados desde los datos
Chap 12-47
 La Región de Rechazo
H0: La distribución de las llamadas se distribuye
siguiendo un ley uniforme en los días de la
semana
H1: la distribución de las llamadas no es uniforme

(f  f ) 2
2   o e
k fe

 Rechazar H0 sí  
2 2
α 

0 2
No Rechazar H0
rechazart H0 2 
Chap 12-48
 Los grados de libertad

K=7: Las 7 categorías son los días de la semana.

Como el total de llamadas es 1722, la suma debe ser
1722 Perdemos un grado de libertad

p=1: Estimamos la media Perdemos otro grado de

libertad

g de l: k-1-p 7-1-1 = 5 grados de libertad

Chap 12-49
 El estadístico de la Prueba
H0: La distribución de las llamadas se distribuye siguiendo
una ley uniforme en los días de la semana
H1: la distribución de las llamadas no es uniforme

(290  246)2
(250  246)2
(192  246)2
2    ...   23.05
246 246 246
k – 2 = 5 (k = 7 dias de la semana,
se usan 5 g.de l:
2.05 = 11.0705
 = .05
Conclusión:
2 = 23.05 > 2 = 11.0705
rechazar H0 y concluímos que 0 2
No Rechazar
la distribución no es uniforme rechazar H0 H0

2.05 = 11.0705
Chap 12-50
 Ejemplo de Distribución Normal

 ¿Las medidas de un proceso productivo siguen

una distribución normal con μ = 50 y, σ = 15?
 Procedimiento:
 Obtener los datos muestrales
 Agrupar los resultados muestrales en clases (celdas)
(Las observaciones de las Frecuencias Esperadas deben ser
como mínimo 5 para cada celda)
 Comparamos las frecuencias reales con las frecuencias
esperadas

Chap 12-51
 Ejemplo. Distribución Normal
(continua)

 Los datos muestrales se agrupan en clases:

150 Clases Frecuencias
Observaciones Menos de 30 10
muestrales
30 pero < 40 21
80
65 40 pero < 50 33
36 50 pero < 60 41
66
60 pero < 70 26
50
38 70 pero < 80 10
57 80 pero < 90 7
77
90 o más 2
59
…etc… TOTAL 150

Chap 12-52
 Ejemplo Distribución Normal
(continua)
 ¿Cuales son las frecuencias esperadas para las clases
bajo una ley normal con x = 50 y s = 15?
Frecuencias
Clases Frecuencias Esperadas
Menor a 30 10
30 pero < 40 21
40pero < 50 33 ?
50 pero < 60 41
60pero < 70 26
70 pero < 80 10
80pero < 90 7
90 o más 2
TOTAL 150
Chap 12-53
 Frecuencias Esperadas
frecuencias
Esperadas Frecuencias
Valor P(X < valor) Esperadas en una
Menor a 30 0.09121 13.68
muestra de tamaño n
= 150, de una
30 - < 40 0.16128 24.19 distribución normal
40 - < 50 0.24751 37.13 con μ = 50, σ = 15
50 - < 60 0.24751 37.13
Ejemplo:  30  50 
60 - < 70 0.16128 24.19 P(x  30)  P z  
 15 
70 - < 80 0.06846 10.27
 P(z  1.3333)
80 - < 90 0.01892 2.84
 .0912
90 o más 0.00383 0.57
TOTAL 1.00000 150.00 (.0912)(150)  13.68
Combinamos las frecuencias de clase para que las
frecuencias esperadas no sean menores a 1
Chap 12-54
 El estadístico de la Prueba

Frecuencias El estadítico de la prueba es

(observadas, Frecuencias
Clases fo) Esperadas fe
(f  f ) 2
Menor a 30 10 13.68 2   o e
30 - < 40 21 24.19 k fe
40 - < 50 33 37.13
50 - < 60- 41 37.13
 Rechazar H0 sí
60 - < 70 26 24.19
70 - < 80 10 10.27
 
2 2
α
80 o mós 9 3.41

(con k – p – 1 g de l)
TOTAL 150 150.00

Chap 12-55
 La Región de Rechazo
H0: La distribución de los valores sigue una ley normal
con μ = 50 y σ = 15
H1: La distribución de las celdas no sigue una ley
normal

(fo  fe )2 (10  13.68)2 (9  3.41)2

χ 
2
  ...   11.580
k fe 13.68 3.41
8 clases 8 – 2 – 1 = 5 g de l.:

2.05 = 11.0705
Conclusión: =.05
2 = 11.580 > 2 = 11.0705 así
rechazamos H0: Hay evidencia 0 2
suficiente para rechazar que los datos No Rechazar H0
2.05 = 11.0705
rechazar H0
son normales, μ = 50 y σ = 15
Chap 12-56
 Resumen del Capítulo

 Desarrollamos la prueba de 2 para estudiar las

diferencias entre dos proporciones
 Desarrollamos y aplicamos la prueba de 2 para las
diferencias en mas de dos proporciones
 Examinamos la prueba de independencia utilizando la
distribución 2
 Examinamos la prueba de homogeneidad utilizando la
distribución 2
 Estudiamos el Estadístico 2 para hipótesis sobre la
Varianza.
 Estudiamos la prueba 2 para bondad de Ajuste
Chap 12-57