Sei sulla pagina 1di 44

Modelo Lineal Generalizado

1er. Cuatrimestre de 2010

52

M.L.G. Ana M. Bianco FCEyN 2010

Estimaci
on y Tests de Bondad de Ajuste
Supongamos que tenemos un muestreo multinomial y obtenemos la tabla
(X, Y ) en n individuos.
Y =1 Y =2
Y =J
X = 1 n11
n12
n1J
X = 2 n21
n22
n2J

X = I nI1
nI2
nIJ
Cuadro 1: Tabla de I J

Sea ni j el numero de individuos que tienen P (X = i , Y = j), de manera que


n=

i =1 j=1

ni j

53

M.L.G. Ana M. Bianco FCEyN 2010

Por lo que ya vimos los estimadores de maxima verosimilitud de i j son


ni j
i j =
i , j .
n
Si las dos variables categ
oricas fueran independientes, tendramos

i j = i j

i , j ,

luego por la propiedad de invariancia de los estimadores de maxima verosimilitud,


bajo independencia el estimador de maxima verosimilitud de i j sera:
ni +n+j
i j = i j =
n2

Dado que ni j Bi (n, i j ),

i , j .

54

M.L.G. Ana M. Bianco FCEyN 2010

mi j = E(ni j ) = ni j .
Bajo el supuesto de independencia, el EMV es
ni +n+j

m
=
n

=
ij
ij
n
Estos estimadores tienen la propiedad de tener las mismas marginales que la
tabla:
mi +

m
+j

ni +n+j
=
= ni +
n
j=1
I ni + n+j

= n+j
=
n
i =1
J

Test de Bondad de Ajuste


Pearson (1900) present
o un test que sirve para evaluar si una distribuci
on

55

M.L.G. Ana M. Bianco FCEyN 2010

multinomial tiene ciertas probabilidades i j0 propuestas.


Como antes, vectorizaremos la tabla notando {n1, . . . , nN } a las casillas y
{1, . . . , N } las probabilidades correspondiente y n =

i =1

ni .

Supongamos que las hip


otesis a testear son
H0 : i = i 0,

j=1

i 0 =

j=1

i = 1

H1 : i : i 6= i 0

Pearson propuso el siguiente estadstico:


(ni mi 0)2
=
mi 0
j=1
2

donde mi 0 = ni 0

La idea intuitiva es que comparamos el valor observado (ni ) con el valor


esperado (mi 0) bajo H0, suele decirse :
(obser v ado esper ado)2
.
esper ado

56

M.L.G. Ana M. Bianco FCEyN 2010

Intuitivamente rechazaremos H0 cuando esto sea muy grande. Cuan grande?


El argumento heurstico que dio Pearson es el siguiente: si n1, . . . , nN fueran
v.a. independientes tales que ni P(mi ), bajo ciertas condiciones
ni mi

mi

apr ox.

N(0, 1)

entonces

2
ni mi apr ox.

2N


mi
i =1
N

Si ademas agregasemos la restricci


on

i =1

ni = n, sera natural perder un grado

de libertad y que la distribuci


on asint
otica del estadstico resultase 2N1.Por
todo esto, la regla de decisi
on sera
Rechazamos H0 si 2 > 2N1,

57

M.L.G. Ana M. Bianco FCEyN 2010

En el caso en que N = 2, el estadstico queda

2
p

(p 0)
(p 0)
(p 0)

+n
=n
=
n

0
1 0
0(1 0)
0(1 0)/n

que es el cuadrado del test habitual para testear


H0 : = 0

H1 : 6= 0

que tiene distribuci


on asint
otica normal y en consecuencia, su cuadrado lo
compararamos con una 21.
Veamos la justificaci
on te
orica de este test. Comenzaremos por presentar algunos resultados te
oricos.

M.L.G. Ana M. Bianco FCEyN 2010

58

Proposici
on 1:
Sean Xn = (X1n , . . . , Xkn )0 una sucesi
on de v.a. y = (1, . . . , k )0 <k .
Si <k
D
1X1 + . . . + k Xk ,
0Xn = 1X1n + . . . + k Xkn

donde X = (X1, . . . , Xk )0 F, entonces la distribuci


on lmite de Xn =
(X1n , . . . , Xkn )0 existe y es F.
Teorema Central del Lmite Multivariado (TCLM)
Sea Un = (U1n , . . . , Ukn )0 una sucesi
on de vectores aleatorios tales que E(Un ) =
y Un = , n = 1, 2, . . .
n = (U1n , . . . , Ukn )0 es el vector de promedios, donde para cada 1 i k
Si U
n
1

Ui j , entonces
Ui n =
n j=1

59

M.L.G. Ana M. Bianco FCEyN 2010

D
n )
n(U
Nk (0, ) .

n.
Segun la Proposici
on 1 debemos estudiar la distribuci
on de 0U
n = 1U1n + . . . + k Ukn
0 U
n
n

Ukj
U1j
+ . . . + k j=1
= 1 j=1
n
n
n
1
0Uj
=
n j=1
n
1
=
Wj
n j=1

= W
donde E(Wi ) = 0, V ar (Wi ) = 0.
Por el TCL univariado, tenemos que

60

M.L.G. Ana M. Bianco FCEyN 2010

D
n 0)
n(W
Nk (0, 0) ,

es decir,

D
n 0)
Nk (0, 0) ,
n(0U

que corresponde a la distribuci


on de 0U, con U Nk (0, )
por lo que

D
n )
n(U
Nk (0, ) .
Proposici
on 2:
D
Z y g es una funci
on continua, entonces
Si Zn
D
g(Zn )
g(Z) .

61

M.L.G. Ana M. Bianco FCEyN 2010

En < tenemos que si

D
n(Xn )
N(0, 2)

entonces bajo condiciones de suavidad de la funci


on g,

D
n(g(Xn ) g())
N(0, 2(g 0())2)
El siguiente lema, conocido como Metodo generaliza este resultado para una
funci
on de vector aleatorio.

M.L.G. Ana M. Bianco FCEyN 2010

62

Lema 2: M
etodo una funci
on de vector aleatorio.
Supongamos que Tn = (Tn1, . . . , TnN ) es una sucesi
on de vectores aleatorios
tal que

D
N(0, )
n((Tn1, . . . , TnN ) (1, . . . , N ))

Sea g una funci


on tal que g : <N < diferenciable. Luego si
g
|t= ,
= (i ) =
ti
entonces

D
N(0, 0)
n(g(Tn1, . . . , TnN ) g(1, . . . , N ))

Analogamente, si en lugar de un campo escalar tenemos un campo vectorial,


es decir g : <N <q , donde cada componente gi es diferenciable como en
el lema anterior, obtenemos

63

M.L.G. Ana M. Bianco FCEyN 2010

donde

D
Nq (0, GG 0)
n(g(Tn1, . . . , TnN ) g(1, . . . , N ))

gi
Gi j =
|
tj t=

Ahora estudiaremos la distribuci


on asint
otica de ( nn1 , . . . , nN1
n ) cuando
0

(n1, . . . , nN ) M(n, 1, . . . , N )

i =1

i = 1.

ni
.
n
Consideremos el vector Yi M(1, 1, . . . , N ) que ya definimos con todas
sus componentes iguales a 0 y un unico 1 en la coordenada j-esima si en la
i -esima observaci
on ocurri
o la categora j:
Llamemos p = (p1, . . . , pN )0, pi =

Yi = (0, . . . , 1 , . . . , 0)0
j

1i n

64

M.L.G. Ana M. Bianco FCEyN 2010

Recordemos que si Yi M(1, 1, . . . , N )


E(Yi ) =
Yi = () 0
Podemos escribir al vector p en terminos de los Yi :
n
1
Yi = (Y1, . . . , YN )
n i =1
entonces por el T.C.L multivariado sabemos que

p=

D
n(p )
NN (0, () 0) .

Ya hemos visto que como los i s estan relacionados, = () 0 no es


invertible.
= (p1, . . . , pN1)0 y
= (1, . . . , N1)0.
Definamos p

65

M.L.G. Ana M. Bianco FCEyN 2010

Notemos que p
= Tp, siendo T es una transformaci
on lineal, luego aplicando
el T.C.L. multivariado a Tp

D
n(
p
)
NN1(0, (
)

0) ,

donde (
)

0 s es invertible.
Esto quiere decir que bajo H0

D
0) ,
n(
p
0)
NN1(0,

0 = (
donde
0)
0
00.

M.L.G. Ana M. Bianco FCEyN 2010

66

Por lo tanto, como x0D1x es una funci


on continua de x por la proposici
on 2
tenemos que
D
1
n(
p
00)
p
0)
2N1
0 (
Calculando efectivamente la forma cuadratica que estamos considerando, veremos que
N (pi i 0 )2

0 1
p
0) = n
n(
p
0) 0 (
i 0
j=1

67

M.L.G. Ana M. Bianco FCEyN 2010

Ejemplo: Leyes de Mendel


El test de Pearson fue usado para testear las leyes de herencia de la teora de
Mendel. Mendel cruz
o arvejas de cepa amarilla con arvejas de cepa verde puras
y predijo que la segunda generaci
on de hbridos seran un 75 % amarillas y un
25 % verdes, siendo las amarillas las de caracter dominante.
En un experimento de n = 8023 semillas, resultaron n1 = 6022 amarillas y
n2 = 2001 verdes. Las frecuencias relativas esperadas eran 1 = 0.75 y 2 = 0.25,
por lo tanto m1 = 6017.25 y m2 = 2005.75.
Luego, si queremos testear la hip
otesis nula
H0 : 1 = 0.75, 2 = 0.25
el estadstico 2 es:
2
2
(n

2005.75)
(n

6017.25)
2
1
+
= 0.015
2 =
6017.25
2005.75
con un p-valor=0.88, lo que no contradice la teora de Mendel.

M.L.G. Ana M. Bianco FCEyN 2010

68

Cuando puede yacer en cualquier lugar de S decimos que el modelo es


saturado. Este modelo tiene N 1 parametros. Sin embargo, con frecuencia
suponemos que yace en un subconjunto de menor dimensi
on de S.
Por jemplo, los elementos de podran estar determinados por q parametros
desconocidos = (1, . . . , q )0, como muestran los siguientes ejemplos.
Test de Independencia
Independencia en una tabla de 2 2
Supongamos que X = (X11, X12, X21, X22)0 es el vector de frecuencias de una
tabla de 2 2.
Luego, Xi j es el numero de individuos para los cuales (A = i , B = j). Si A y
B no estan relacionados, entonces en todas las casillas valdra:

69

M.L.G. Ana M. Bianco FCEyN 2010

B=1 B=2
A = 1 X11
X12

A = 2 X21
X22 1

1
Cuadro 2:

i j = P (A = i , B = j) = P (A = i )P (B = j)
Llamemos = P (A = i ) y = P (B = j), luego

11

12 (1 )
=
=

21 (1 )

22
(1 )(1 )

Este es un modelo restringido que depende del parametro


= (, )0 ,

M.L.G. Ana M. Bianco FCEyN 2010

70

donde 0 1, 0 1.
Para hallar los estimadores de maxima verosimilitud de y tenemos que
maximizar:

L = L(X11, X12, X21, X22, , ) =


n!
=
()X11 ((1 ))X12 ((1 ))X21 ((1 )(1 ))X22
X11!X12!X21!X22!

Despues de tomar logaritmo, obtenemos:


l = ln(L) = cte + X11 ln() + X12 ln((1 ))
+ X21 ln((1 )) + X22 ln((1 )(1 ))

71

M.L.G. Ana M. Bianco FCEyN 2010

Despues de derivar e igualar a 0, queda:


l
X11 + X12 X21 + X22
(1) :
=

=0

1
X11 + X21 X12 + X22
l
=

=0
(2) :

1
por lo tanto
X11 + X12
.
=
n

X11 + X21
=
.
n
En el caso general de una tabla de I J, el modelo sera i j = i ++j .

En el caso general, es decir en las tablas de contingencia de I J con muestreo

72

M.L.G. Ana M. Bianco FCEyN 2010

multinomial puede ser de interes testear la hip


otesis de independencia, es decir:
H0 : i j = i ++j

i , j

es decir, la hip
otesis nula depende de ciertos parametros.
Por esto si bien para testear esta hip
otesis usaremos un test de tipo Pearson,
antes sera necesario estudiar la distribuci
on asint
otica de dicho estadstico bajo
estas condiciones.
Otro ejemplo es el de las tablas simetricas.
Ejemplo: Tabla de 2 2 con simetra
Consideremos X = (X11, X12, X21, X22)0 como en el ejemplo anterior, pero
supongamos) que ahora A y B representan dos caractersticas medidas en dos
oportunidades distintas. Por ejemplo, A podra ser la respuesta a
A : Apoya usted la gesti
on de gobierno?

73

M.L.G. Ana M. Bianco FCEyN 2010

medida en el mes de enero (1=Si, 0=No) y B la misma pregunta hecha tres


meses despues.
Febrero
Enero 1 0
1
11 12
0
21 22
Cuadro 3:

En este tipo de esquema el interes del investigador es detectar un cambio en


el tiempo. Si no hubiera ningun cambio, la probabilidad de Si en enero
P (A = 1) = 11 + 12
sera igual a la probabilidad de Sitres meses despues
P (B = 1) = 11 + 21 .
Observemos P (A = 1) = P (B = 1) si y s
olo si 12 = 21, que se conoce
como la condici
on de simetra. Bajo simetra, = () podra expresarse
como:

74

M.L.G. Ana M. Bianco FCEyN 2010

11

12

=
,
=

21

1 2
22

con = (, )0.

Sera un ejercicio de la practica probar que los EMV bajo este modelo son:

X11
.
n

X12 + X21
=
.
2n

75

M.L.G. Ana M. Bianco FCEyN 2010

Caso Param
etrico General (Rao, Captulo 5e)
Supongamos que X M(n, (0)), donde (0) = (1(0), . . . , N (0)) y
0 <q .
Aun cuando en los dos ejemplos anteriores los EMV tienen una forma cerrada,
en otros modelos mas complicados, los EMV deben ser computados en forma
iterativa.
on de las ecuaciones de score:
En general, es soluci

l((), X) = 0 ,
j

j = 1, . . . , q .

(1)

Demostraremos que bajo condiciones de regularidad del EMV es asint


oticamente normal, es decir

D
n( 0)
Nq (0, (A0A)1)

76

M.L.G. Ana M. Bianco FCEyN 2010

donde


1/2

A = ((0))
.
=0
Este resultado lo deduciremos expresando a en terminos de las frecuencias
relativas, es decir p, y luego aplicando el metodo .
Esto nos permitira derivar la distribuci
on del estadstico 2 en casos bastante
generales.

Para que el EMV de exista, es necesaria una condici


on de identificabilidad
fuerte:
Dado > 0 , existe  > 0 tal que
i (0)

i (0) log
nf
i ()
k 0 k> i =1
N

77

M.L.G. Ana M. Bianco FCEyN 2010

Esta condici
on implica que fuera de la bola k 0k no hay ninguna sucesi
on de puntos r tal que (r ) (0) a medida que r , es decir que
no hay valores lejanos a 0 que den practicamente las mismas probabilidades
que (0).
Es decir:
> 0, exite  > 0 tal que si k 0k > entonces k() (0)k >  .
Bajo la condici
on fuerte de identificabilidad y continuidad de las funciones i (),
se puede demostrar que el EMV de existe y que converge a 0 con probabilidad
1.
Mas aun, si las funciones i () tienen derivadas parciales de primer orden, se
puede demostrar que el EMV es soluci
on de
l
= 0,
j

j = 1, . . . , q .

(2)

78

M.L.G. Ana M. Bianco FCEyN 2010

Por ultimo, si () 6= () si 6= , las funciones i () tienen derivadas parciales de primer orden continuas en 0 y la matriz de informaci
on I
Ir s =

i =1

1 i i
i r s

evaluada en 0 no es singular, entonces existe una raz consistente de (2) que


puede no ser un EMV y que tiene distribuci
on asint
otica normal.
Deduciremos un resultado analogo al que ya vimos para el caso no parametrico

cuando
= ()
y calcularemos grados de libertad de la 2 correspondiente.
El resultado que probaremos es el siguiente:

79

M.L.G. Ana M. Bianco FCEyN 2010

Teorema: Supongamos que las probabilidades de las casillas son 1(), . . . , N ()


que involucran a q parametros = (1, . . . , q )0. Ademas, supongamos que:
a) 0 es un punto interior del espacio parametrico.
b) i (0) > 0i .
c) Cada () admite derivadas parciales continuas de 1er orden en un
entrono de 0.
r ()
} de N q evaluada en 0 tiene rango q.
d) La matriz M = {
s
Luego, tenemos que
2
2
N (ni n
(ni m

i)
i)
=
=

m
n
i =1
i =1
i
i

2N1q

80

M.L.G. Ana M. Bianco FCEyN 2010

Comenzaremos por probar el siguiente resultado auxiliar.


Lema 1: Supongamos que 0, valor verdadero del parametro, es un punto
interior del espacio parametrico, i (0) > 0 i y que ademas se cumplen las
siguientes condiciones:
a) i () 6= i () para algun i si 6= (condici
on de identificabilidad).
b) i () admite derivadas parciales de 1er orden continuas en 0.
c) La matriz {Ir s } es no singular en 0, donde
N

j (0)
j (0)
Ir s =
s
j=1 j ( 0 ) r
l

= 0 i = 1, . . . , q, ecuaci
on de
Luego, existe una raz consistente de
i
verosimilitud y tomando = tenemos que su distribuci
on asint
otica es normal
qvariada

D
n( 0)
Nq (0, (A0A)1)

81

M.L.G. Ana M. Bianco FCEyN 2010

donde

A = ((0))1/2

(0)
.

Esquema de demostraci
on
(1) Lemita: Si

i =1

ai

i =1

bi , donde ai > 0 y bi > 0, entonces


N

i =1

ai log

y la igualdad se alcanza si ai = bi i .

bi
0
ai

82

M.L.G. Ana M. Bianco FCEyN 2010

(2) Consideremos la funci


on
S() =

i =1

i (0) log

i (0)
i ()

sobre la bola
k 0k
(3) Con esto probamos que
nf

k0 k=

S() >  > 0

(4) A partir de (3) usando un argumento de continuidad, vemos que si


k 0k =
N

i =1

pi log i (0) >

i =1

pi log i ()

punto interior de k 0k .
por lo tanto el maximo se alcanza en ,

83

M.L.G. Ana M. Bianco FCEyN 2010

(5) Probamos que para s (s , 0s )

pi i (0) i ()
=
n

i ()
r
i =1
N

q
N

i =1 s=1

i ()
1
i ()

n (s 0s )

r
s i ()

(6) Finalmente, si definimos A <Nq

(3)

i (0)
j
1/2 ( 0 )
= ((0)
)

por su lmite 0 = (0) en (3) podemos


reemplazando a
= ()
reescribir dicha ecuaci
on como:
{A} = ai j = i (0)1/2

1/2
( 0 ) n(p

(a)

0) = (A A)

Como (A0A) es invertible por c), tenemos que

n( 0)

84

M.L.G. Ana M. Bianco FCEyN 2010

Dado que

(a)
)
n( 0) = (A0A)1 A0 ( 1/2
n(p 0)
0
(a)
= nDZn

deduciremos que

D
n(p (0))
Nq (0, ( 0) 0 00)

D
n( 0)
Nq (0, (A0A)1) .

En realidad, necesitamos algo mas, ya que nos interesa la distribuci


on asint
otica

de ().
Aplicando todos los resultados anteriores obtenemos que:

0
(
)
(
)
0
0
D
(0))
)
(A0A)1
n(()
N(0,

85

M.L.G. Ana M. Bianco FCEyN 2010

Notemos que el estadstico 2 puede escribirse como


2 = nkek2
donde

e0 =

pN N ()
p1 1()

,...,

1()
N ()

Para derivar la distribuci


on asint
otica de 2 necesitaremos la conjunta de

(p, ()).
Recordemos que

(a)
1/2
0
1 0

n( 0) = (A A) A ( 0 ) n(p 0)
(0)
( 0) + op (n1/2)
(
0) =

86

M.L.G. Ana M. Bianco FCEyN 2010

Por lo tanto

de donde

p 0
n
=

donde

I
n(p 0) + op (1)

p 0 D

N(0, )

0
0 00

( 0)
=
D(( 0) 0 0)

(( 0) 0 00)D0
D(( 0) 0 00)D0

Luego, deduciremos que

D
n e
N(0, I (0)1/2 0(0)1/2 A(A0A)1A0)

Para usar el metodo probaremos que:


ei
= i 1/2
pi

87

M.L.G. Ana M. Bianco FCEyN 2010

1 pi + i
ei
=
i
2 i 3/2
ei
ei
=
=0
pj
j
De manera que
e
= (i 1/2)
p
1
e
= ((p) + (
))(
3/2)

88

M.L.G. Ana M. Bianco FCEyN 2010

Teorema: Sea Y un vector con distribuci


on N(, ). Una condici
on necesaria
y suficiente para que (Y)0C(Y) tenga distribuci
on 2 es que CC =
C, donde los grados de libertad seran el rango de C (si es no singular
la condici
on se simplifica a CC = C). (Rao, 1965, p. 150)

Como hemos visto, = ne ne, luego aplicaremos el resultado de Rao


con = 0, C = I, = I (0)1/2 0(0)1/2 A(A0A)1A0), por lo que
resultara que
2

ne

D
ne
2N1q

89

M.L.G. Ana M. Bianco FCEyN 2010

Volviendo al Test de Independencia:


En una tabla de I J con muestreo multinomial, la hip
otesis nula de independencia equivale a
H0 : i j = i ++j

i , j

Usando el estadstico de Pearson tendramos


2

(ni j m
ij)

m
i =1 j=1
ij
I

Respecto a los grados de libertad, estos estan determinados por la cantidad de


casillas y de parametros, que en este caso seran
I J 1 (I 1) (J 1) = (I 1) (J 1) .
En el siguiente ejemplo se clasifica a los individuos segun su Identificaci
on
Partidaria y el G
enero. En la siguiente tabla tenemos los valores observados

90

M.L.G. Ana M. Bianco FCEyN 2010

y en rojo los valores predichos bajo el modelo de independencia


C:
Identificaci
on
partidaria
Dem
ocrata Independiente Republicano Total
S:Genero
Fem
Masc
Total

279
(261.4)
165
(182.6)
444

73
(70.7)
47
(49.3)
120

225
(244.9)
191
(171.1)
416

577
403
980

Cuadro 4: Datos de la General Social Survey, 1991.

El valor del estadstico test de 2 es 7.01, con IJ 1 (I 1)(J 1) = (I


1)(J 1) = (2 1)(3 1) = 2 grados de libertad. El pvalor correspondiente
es 0.03, de manera que a los valores habituales se rechazara la hip
otesis de
independencia, indicando que el genero y la identificaci
on partidaria estaran
asociados.

91

M.L.G. Ana M. Bianco FCEyN 2010

Otro Ejemplo
Este es otro ejemplo en que las probablidades dependen de una cantidad menor
de parametros desconocidos, .
Una muestra de 156 terneros nacidos en Florida fueron clasificados de acuerdo
a que hayan contrado neumona dentro de los 60 das de haber nacido. Los
terneros que contrayeron neumona fueron a su vez clasificados segun se hayan
infectado o no a los 15 das de haberse curado. La Tabla muestra los datos
recolectados:
Segunda Infecci
on
Si
No
Primera Infecci
on
Si
30
No
0

63
63

Cuadro 5:

Es claro que los terneros que no tuvieron una primera infecci


on no pudieron

92

M.L.G. Ana M. Bianco FCEyN 2010

reinfectarse, es por ello que ninguna observaci


on puede verse en la casilla 21 y
en consecuencia en la tabla n21 = 0. Esto es lo que se conoce como un cero
estructural. El objetivo en este estudio era testear si la probabilidad de una
primera infeci
on era igual que la proabilidad de una segunda infecci
on, dado que
el ternero haba contrado una primera infecci
on.
Es decir, la hip
otesis a testear es
H0 : 11 + 12 =

11
11 + 12

o equivalentemente 11 = (11 + 12)2. De manera que si llamamos =


11 +12 a la probabilidad de infecci
on primaria, el modelo bajo H0 corresponde
a una trinomial como muestra la siguiente tabla:
En este caso el likelihood resulta
( 2)n11 ((1 ))n12 (1 )n22 ,

93

M.L.G. Ana M. Bianco FCEyN 2010

Segunda Infecci
on
Si
No
Total
Primera Infecci
on
Si
2
No

(1 )
1

Cuadro 6:

el loglikelihood queda
n11 log( 2) + n12 log( 2) + n22 log(1 ) ,
Derivando e igualando a 0 resulta

2n11 + n12
2n11 + 2n12 + n22

En la siguiente tabla se muestran en rojo (2do. rengl


on) los valores esperados
bajo H0

94

M.L.G. Ana M. Bianco FCEyN 2010

Segunda Infecci
on
Si
No
Primera Infecci
on
Si
No

30
(38.1)
0
()

63
(39)
63
(78.9)

Cuadro 7:

El estadstico de Pearson da 2 =19.7 con un total de (3-1)-1=1 grados de


libertad. Dado que el pvalor es 0.00001 hay una fuerte evidencia contra H0. Si
miramos la tabla encontramos que muchos mas terneros contraen una primera
infecci
on y no la segunda de lo que el modelo bajo H0 predice. Con esto los
investigadores concluyeron que la primera infecci
on tiene un efecto inmunizador.

Potrebbero piacerti anche