Test de independencia de Fisher

Vicente Arias, Roberto Moreno, Cristopher Salazar, Estudiantes de Ingeniería en Electricidad

U .T.E.Q
F.C.I

cris_esl@hotmail.es

 totales >1000 los resultados de los test aproximados son muy

Abstract—. The purpose of this document is to present the
function to perform the fisher independence test and to test its
usefulness in some examples.
Index Terms—. Test de independencia de Fisher, Test Exacto de
Fisher, R project.
I. INTRODUCCIÓN
L a prueba de Fisher se utiliza con tablas de contingencia 2x2
y es la más aconsejable cuando exista una o más celdas con
frecuencias esperadas menores que 5.
La prueba se basa en la determinación, a partir de una
distribución hipergeometrica, de la probabilidad de obtener las
frecuencias observadas cuando los totales de filas y columnas
son constantes, teniendo como hipótesis nula que las variables
son independientes.
Esta prueba se comprobó con distintos ejemplos realizados
mediante la función incorporada en R.
parecidos. [1]
Es importante tener en cuenta que el test de Fisher está
diseñado para situaciones en las que las frecuencias marginales
de filas y columnas (los totales de cada fila y columna) son fijas,
se conocen de antemano. [1]
Si esta condición no se satisface el test de Fisher deja de ser
exacto, por lo general pasando a ser más conservativo. [1]
B. Hipótesis
Ho: Las variables son independientes por lo que una variable
no varía entre los distintos niveles de la otra variable. [1]
Ha: Las variables son dependientes, una variable varía entre
los distintos niveles de la otra variable. [1]
C. Condiciones del test
Independencia: las observaciones de la muestra deben ser
independientes unas de otras. [1]

II. OBJETIVO  Muestreo aleatorio.

 Tamaño de la muestra < 10% población.
 Determinar la función para realizar la prueba de  Cada observación contribuye únicamente a uno de los
independencia de Fisher y sus parámetros. niveles.
 Comprobar el funcionamiento de la prueba por medio
de ejemplos. Las frecuencias marginales de columnas y filas tienen que
ser fijas. Si esta condición no se cumple, el test de Fisher deja
III. DESCRIPCIÓN METODOLÓGICA de ser exacto. [1]
A. Test de independencia de Fisher
La prueba de Fisher es el test exacto utilizado cuando se D. Cálculo del p-value
quiere estudiar si existe asociación entre dos variables El test exacto de Fisher se basa en la distribución
cualitativas, es decir, si las proporciones de una variable son hipergeométrica, que permite calcular la probabilidad exacta de
diferentes dependiendo del valor que adquiera la otra variable. obtener una determinada distribución de eventos dentro de una
En la gran mayoría de casos, el test de Fisher se aplica para tabla. Supóngase la siguiente tabla de contingencia: [1]
comparar dos variables categóricas con dos niveles cada una
(tabla 2x2). Es posible utilizarlo con tablas 2xK niveles pero los .. nivel-A1 nivel-A2 total
requerimientos de cálculo son altos. [1]
nivel-B1 a b a+b
El test de Fisher es más preciso que sus equivalentes
aproximados (test chi-square de independencia o G–test de nivel-B2 c d c+d
independencia) cuando el número de eventos esperado por
total a+c b+d n= a+b+c+d
nivel es pequeño. Se recomienda utilizarlo siempre que sea
posible (tiempo de computación) aunque para observaciones
 Si las frecuencias marginales son fijas (conocidas), sabiendo
el valor de una celda se puede calcular el valor de las demás. La
probabilidad de que a adquiera un determinado valor (dentro de
las limitaciones impuestas por las frecuencias marginales) se
corresponde con la fórmula de la distribución hipergeométrica:
[1]
El test de Fisher calcula las probabilidades de todas las
posibles tablas y suma las de aquellas tablas que tengan
probabilidades menores o iguales que la tabla observada,
generando así el p-value de dos colas. [1]
E. Test de Fisher en R
En R, puede utilizar la función fisher.test para realizar la
prueba exacta de Fisher: [2]
fisher.test(x, y = NULL, workspace =
200000, hybrid = FALSE, control
= list(), or = 1, alternative =
"two.sided", conf.int = TRUE,
conf.level = 0.95,
simulate.p.value = FALSE, B = 2000)
He aquí una descripción de los argumentos para fisher.test.
Argumento Descripción
Especifica los datos simples que se
utilizarán para la prueba. Ya sea una matriz
x
(que representa una tabla de contingencia
bidimensional) o un factor.
Especifica los datos de la muestra que se
utilizarán para la prueba. Si x es un factor,
y NULL
entonces y debería ser un factor. Si x es
una matriz, entonces y se ignora.
Un valor entero que especifica el tamaño
Workspace del espacio de trabajo a utilizar en el
algoritmo de red (en unidades de 4 bytes).
En el caso de los cuadros de tamaño
superior a 2 × 2, especifíquese si deben
Hybrid calcularse las probabilidades exactas
(hybrid=FALSE) o si debe utilizarse una
aproximación (hybrid=TRUE).
Una lista de componentes con nombre para
el control de bajo nivel de fisher.test;
Control
consulte el archivo de ayuda para obtener
más información.
Or
La relación de probabilidades hipotética
para el caso de 2 × 2.
La hipótesis alternativa. Debe ser uno de
Alternative
"dos caras", "mayor" o "menor".
Un valor lógico que especifica si se deben
Conf.int calcular y devolver los intervalos de
confianza en los resultados.
Especifica el nivel de confianza que se
Conf.level utilizará para calcular el intervalo de
confianza.
Valor lógico que indica si se debe utilizar
Simulate.p.value la simulación de Monte Carlo para calcular
valores p en tablas mayores de 2 × 2.
Un número entero que indica el número de
B réplicas a utilizar en las simulaciones de
Monte Carlo.
Si usted especifica x e y como factores, entonces R calculará
una tabla de contingencia a partir de estos factores.
Alternativamente, puede especificar una matriz para x que
contenga la tabla de contingencia.
. solo nacimiento, no un solo embarazo).
IV. EJEMPLOS
A continuación se muestran algunos ejemplos de la prueba
de independencia de Fisher:
A. Ejemplo 1
En este ejemplo, usamos el conjunto de datos de nacimientos
de 2006 del package nutshell. Echaremos un vistazo al número
de bebés de ambos sexos que nacieron en julio de 2006, según
el método de parto. Tomaremos un subconjunto de nacimientos
durante julio donde se conocía el método de parto y luego
tabularemos los resultados: [2]
Teniendo en cuenta que los métodos de parto fueron en
realidad ligeramente desequilibrados por género durante julio
de 2006:
births.july.2006=births2006.smpl[births2006.smpl$DMETH_
REC!="Unknown"&births2006.smpl$DOB_MM==7,]
> nrow(births2006.smpl)
[1] 427323
> nrow(births.july.2006)
[1] 37060
>
method.and.sex=table(births.july.2006$SEX,as.factor(as.chara
cter(births.july.2006$DMETH_REC)))
> method.and.sex
Predeterminado C-section Vaginal
F 5326 12622
M 6067 13045
Los resultados fueron ligeramente desequilibrados por
género durante julio del 2006.
> 5326 / (5326 + 6067)
200000 [1] 0.46748
> 12622 / (12622 + 13045)
[1] 0.4917598
FALSE Sin embargo, no hay una razón intuitiva para que esto sea
cierto. Comprobamos entonces si esta diferencia es
estadísticamente significativa: ¿la diferencia se debe al azar o
List() es probable que estas dos variables (método de parto y sexo)
sean independientes? Podemos usar la prueba exacta de Fisher
1 para responder a esta pregunta:
“two.sided”
TRUE
0.95
FALSE
El valor p es la probabilidad de obtener resultados que estaban al
menos tan alejados de la independencia como estos resultados. En este
2000
caso, el valor p es muy bajo, lo que indica que los resultados estaban
muy lejos de lo que esperaríamos si las variables fueran
verdaderamente independientes. Esto implica que debemos rechazar la
hipótesis de que las dos variables son independientes.
Como segundo ejemplo, veamos sólo los nacimientos de
gemelos. (Tenga en cuenta que cada registro representa un
>
twins.2006=births2006.smpl[births2006.smpl$DPLURAL=="
2 Twin" & births2006.smpl$DMETH_REC != "Unknown",]
>
method.and.sex.twins=table(twins.2006$SEX,as.factor(as.char #Realización del test Fisher
acter(twins.2006$DMETH_REC))) fisher.test(tabla)
> method.and.sex.twins

C-section Vaginal
F 4924 1774
M 5076 1860

Ahora veamos si hay una diferencia estadísticamente

significativa en los métodos de parto entre los dos sexos:

Conclusión: Si hay asociación entre las variables, es decir, el

bajo peso y el fumar durante la gestación están asociados de
manera significativa (p-value <0.05)

En este caso, el valor p (0.67) es muy alto, por lo que es muy
probable que las dos variables sean independientes.
EJEMPLO # 2
Supongamos que se quiere estudiar la posible asociación entre
el hecho de que una gestante fume durante el embarazo y que
el niño presente bajo peso al nacer. Por lo tanto, se trata de ver
si la probabilidad de tener bajo peso es diferente en gestantes
que fumen o en gestantes que no fumen durante la gestación.
Para responder a esta pregunta se realiza un estudio de
seguimiento sobre una cohorte de 2000 gestantes, a las que se
interroga sobre su habito durante la gestación y se determina
además el peso del recién nacido. Los resultados de este estudio
se muestran a continuación:
EJEMPLO # 3
Se quiere estudiar si la reacción alérgica a un compuesto y una
determinada mutación en un gen están relacionados. Para ello
se realiza un test alérgico sobre un grupo de individuos
seleccionados al azar y se genotipa el estado del gen de interés
¿Existe un diferencia significativa en la incidencia de la
mutación entre los alérgicos y no alérgicos?
Planteamiento de las hipótesis
Ho= No existe una diferencia significativa en la incidencia de
la mutación entre los alérgicos y no alérgicos.
Ha= Existe una diferencia significativa en la incidencia de la
mutación entre los alérgicos y no alérgicos.
Se realiza para un conjunto de 30 datos los cuales representaran
el número de personas alérgicas y no alérgicas.

Cuadro. 1. Tabla de contingencia para estudiar la asociación >sujeto=c(rep("No alergico",14),rep("alergico",16))

entre fumar durante la gestación y el bajo peso del niño al nacer. >Estado_gen=c(rep("FALSE",11),rep("TRUE",3),rep("FALS
Estudio de seguimiento de 2000 gestantes E",6),rep("TRUE",10))

El test de Fisher trabaja con frecuencia de eventos, por lo tanto

con tablas de contingencia en las que se sumariza el número de
eventos de cada tipo.

>tabla=table(sujeto, Estado_gen)
>tabla
Planteamiento de la hipótesis:
H0: No hay asociación entre las variables (en el ejemplo, el bajo
peso del niño y el hecho de fumar durante la gestación son
independientes o no están asociados).
H1: Si hay asociación entre las variables, es decir, el bajo peso
y el fumar durante la gestación están asociados.
#Formación de la tabla de contingencia a estudiar
Si<-c(43,105) Test de Fisher
Ahora el comando para realizar el análisis del test de Fisher es
No<-c(207,1645)
el siguiente:
tabla<-data.frame(Si,No)
>fisher.test(tabla)
rownames(tabla)<-c("Fumadores","No fumadores")
tabla
A la tabla del test de Fisher se la representará con el nombre de
Fisher, para poder desclasificar cada variable de la tabla y tomar
solo los valores que nos interesen en este caso p_value que es
el valor de P:

Ahora lo redondearemos a 3 decimales:

Como se observa el valor p_value que representa al valor de P,

es 0,033 siendo inferior a 0,05 que representa al 5% del nivel
de significancia y entonces por lo tanto se rechaza la hipótesis
nula.

V. CONCLUSIONES
 Se determinó la función para realizar la prueba de
Fisher o Test exacto de Fisher.
 Se comprobó la prueba de Fisher en ejemplos donde
se rechazaba y aceptaba la hipótesis de independencia
con éxito.

VI. REFERENCIAS

[1] J. A. Rodrigo, «https://rpubs.com,» Enero 2016. [En

línea]. Available: https://rpubs.com/Joaquin_AR/220579.
[Último acceso: 10 Agosto 2018].
[2] J. Adler, R in a Nutshell, 2012.