INVESTIGACIÓN INDIVIDUAL II

Análisis estadístico

Adaptado :Germán Tenorio Biología

Diploma BI

Docentes: Gloria Chanca y Liliana Peralta

IMAGEN: delusionalmiasma.blogspot.com.es 1
 Bioestadística
 La Bioestadística es la rama de las Matemáticas
que permite tomar muestras de pequeñas
porciones de hábitats, comunidades o poblaciones
biológicas, y sacar conclusiones sobre la población
mayor.

IMAGEN: educabarrie.org

 La estadística mide las

IMAGEN:unpasomas.fundacion.telefonica.com diferencias y entre
dos o más conjuntos de datos.
relaciones
2
 ¿Qué es un dato?
 Un dato es un antecedente necesario para al conocimiento
llegar exacto de una cosa (Diccionario Espasa-
Calpe,1988).

 Los datos pueden tomarse

a partir de una población
(encuesta).
 Los datos también pueden
tomarse a partir
de un proceso
(experimentación).
 Existen 2 tipos de
datos:
Cualitativos

y
IMAGEN: unpasomas.fundacion.telefonica.com
cuantitativos.

3
 Datos cuantitativos
 La información que nos proporcionan
hace referencia a datos contados
(discretos) o medidos (continuos)
usando una escala numérica.
 Ejemplos:
- Concentración
- Temperatura
- Longitud
- Actividad enzimática…,etc.
 Por tanto, los datos cuantitativos se
obtienen mediante la medición
(cuantificación).
 Cuando se hacen mediciones pueden
ocurrir errores, lo cual hace que los
datos obtenidos sean imprecisos. Se
distinguen dos tipos de errores.
IMAGEN: danielaza.files.wordpress.com/2012/01/medici1.jpg
4
 Errores sistemáticos versus aleatorios
 Los errores aleatorios son aquellos errores inevitables que se producen
por eventos imposibles de controlar durante el proceso de medición.
 Son numerosos y pequeños, y su acumulación hace que las medidas
fluctúen alrededor de una media.
 Las fuentes de los errores aleatorios son difíciles de identificar o sus efectos
no pueden corregirse del todo, pero se pueden mantener en un nivel
mínimo mediante una selección meticulosa del material y bajo un cuidado
control de las variables.

IMAGEN: virtual.unal.edu.co
5
 Errores sistemáticos versus aleatorios
 Ejemplos de errores aleatorios son:
- El tiempo de respuesta a la hora de pulsar un cronómetro, ya que
algunas veces se pulsará antes y otras después, por lo que se medirá
más o menos.
- Las fluctuaciones aleatorias a temperatura ambiente.
- El contenido en agua de distintas patatas procedentes de la misma
bolsa.

IMAGEN: viverosdelpozo.com

IMAGEN: googledrive.com IMAGEN: mscjoseapacheco.files.wordpress.com 6

 Errores sistemáticos versus aleatorios
 Los errores sistemáticos son aquellos errores que se producen de igual
modo y en la misma dirección en todas las mediciones que se realizan de
una magnitud.
 Puede estar originado en un defecto del instrumento o deberse a una
particularidad del operador o del proceso de medición, etc.
 Este error no tiende a cero al aumentar el tamaño de la muestra, ya que
está implícito en el diseño del estudio, pero puede prevenirse su
aparición a través de un buen diseño del estudio y de la elección de
instrumental.

IMAGEN: virtual.unal.edu.co 7
 Errores sistemáticos versus aleatorios
 Ejemplos de errores sistemáticos son:
- Cuando una balanza está mal calibrada y no el cero
mide apropiadamente.
- Cuando un cronómetro no funciona bien y siempre se obtiene el
mismo intervalo de tiempo mayor (o menor).

IMAGEN: mscjoseapacheco.files.wordpress.com

IMAGEN: femto.es 8
 Precisión versus exactitud
 Precisión se refiere a la dispersión del conjunto de valores obtenidos de
mediciones repetidas de una magnitud. Cuanto menor es la dispersión
mayor la precisión. Una medida común de la variabilidad es la
desviación estándar de las mediciones y la precisión se puede estimar
como una función de ella. Es el grado de ausencia de error aleatorio.
 Exactitud se refiere a cómo de cerca del
valor real se encuentra el valor medido.

IMAGEN: encrypted-tbn3.gstatic.com/
IMAGEN: es.wikipedia.org 9
 Cuantificación = medición
 La toma de datos en la muestra de estudio debe ser medida
cuidadosamente, utilizando el equipamiento del laboratorio (sensor de pH,
balanza, pipeta, termómetro, etc.).

 El límite de medición del equipamiento usado añade cierta incertidumbre a

los datos obtenidos.
 Todos los equipos tienen una cierta incertidumbre, por lo que en
mediciones cuantitativas, se debe indicar el nivel de incertidumbre
del instrumento utilizado, que dependerá de su grado de precisión.
10
 ¿Cómo determinar la incertidumbre?
 Para los grados de precisión, la regla
más sencilla es que el grado de
precisión es más/menos (±) la división
menor en el instrumento (división de
lectura mínima). Esto se aplica a los
instrumentos con pantallas digitales
y a las reglas.
 El límite de error de un instrumento es
con frecuencia la mitad del valor de la
división menor, es decir, de su grado de
precisión.
Por ejemplo, si el valor de una bureta es
20,1 cm3 se convierte en 20,10 cm3
(±0,05 cm3), ya que su lectura mínima
es de 0,1 cm3. Hay que tener en cuenta
que el valor del volumen se menciona
ahora con un decimal más para que
haya coherencia con la incertidumbre.
11
¿Cómo determinar la incertidumbre?
 En la práctica, resulta imposible conocer el valor
exacto de una magnitud medida, por lo que en lugar
de dar un único valor numérico, se expresa como un
intervalo (denominado incertidumbre) alrededor
del valor resultante de la medida, que se entiende
como el valor convencionalmente verdadero.
 Normalmente, la incertidumbre viene indicada en
el instrumento de medida por el fabricante, pero
si no se especifica, como regla general se usa
+/- la mitad de la división menor de medida.
 Por ejemplo, en un termómetro de mercurio se suele
leer hasta la mitad de la división de lectura mínima.
Esto implica que si su lectura mínima es de 1 ºC y
marca un valor de 23 ºC, se convierte en 23,0 ºC
(±0,5 ºC).
 Hay que asegurarse de que el número de cifras
significativas en la tabla de datos o gráfico refleje la
la incertidumbre del instrumento utilizado.
12
 Medida de la tendencia central
 Moda: Es el valor que aparece más frecuentemente. (Datos: 10, 11, 12,
12, 9, 8) Moda=12. Se usa con datos no numéricos.
 Mediana: Es el valor en el que la mitad de los datos son mayores que él,
y la otra mitad son menores que él. Mediana=10.
 Media: El más usado para determinar la tendencia central de los datos, y
es el promedio aritmético de los datos. Media= 10+11+12+12+9+8=
62/6 = 10.3

IMAGEN: www.monografias.com
13
 Comparando medias
Cuando necesitamos medir con
precisión algo, repetimos la
medida varias veces y
calculamos un valor medio.
Realizamos el mismo
procedimiento para
nuestra próxima
medida.

14
 Comparando medias
 Una vez que se han obtenido las medias para cada conjunto de datos,
los valores pueden ser presentados conjuntamente en una gráfica,
para visualizar la relación entre ambos.

Pero, ¿cómo podemos

estar seguros de que
estos valores son
realmente diferentes?

Tal vez, nuestras

medidas son muy
no
precisas....

15
 Representando barras de error
 Las barras de error muestran la distancia entre el valor medio y la
medida más alejada de éste. Es decir, representan la variabilidad de
los datos o la desviación típica de los mismos.

Valor más
alejado de
la media

D
i
s
t
a
n
c
i
a

c 16
a
 ¿Qué sugieren las barras de error?
 Si las barras de error se solapan, es probable que no haya una diferencia
significativa entre los valores medios medidos.

Si las barras de error para

dos valores medios no se
solapan, es justificable
concluir que dichas medias
son diferentes.

 Las barras de error representan el valor calculado

de la
desviación estándar (SD). 17
¿Cómo puede representarse gráficamente la longitud
de las hojas?

IMAGEN: ime.usp.br/~rvicente/IntroEstatistica.pdf 18
 Distribución normal
 Simplemente midiendo la longitud de cada una y representando cuantas
pertenencen a cada longitud.

IMAGEN: ime.usp.br/~rvicente/IntroEstatistica.pdf 19
 Distribución normal
 Si lo alisamos, el histograma adquiere esta forma de campana o curva de
distribución gaussiana.

 Exencialmente, significa que en todos los estudios con un número

suficiente de datos medidos, un número significativo de los resultados
tenderán a estar cercanos a la media.
20
 Desviación estándar (SD)
 Es una medida de cómo las observaciones individuales medidas de un
conjunto de datos se distribuyen en torno a la media.
 La SD es un indicador más sofisticado para indicar la precisión de un
conjunto de datos medidos, y puede usarse para dibujar las barras
de error en un gráfico.

IMAGEN: images.cnitblog.com/ 21
 Curva de distribución típica

 En una distribución normal, en torno al 68% de todos los datos se

encuentran en +/- 1 desviación típica de la media (área roja). Ej:
Media=10.3 y SD=1.1; El 68% datos entre 9.2-11.4
 Así mismo, en una distribución normal, en torno al 95% de todos los
datos se encuentran en +/- 2 desviaciones típicas de la media (área
roja + verde). Ej: Media=10.3 y SD=1.1; El 95% datos entre 8.1-12.5
22
 Curva de distribución típica

-3sd -2sd +/-1sd +2sd +3sd

 En unadistribución normal, en torno al 99% de todos los
datos se
encuentran en +/- 3 desviaciones típicas de la media (área roja + verde
+ azul). Ej: Media=10.3 y SD=1.1; El 99% datos entre 7-13.6

23
 Resumiendo la SD
 La desviación típica es un parámetro estadístico que indica como de
cerca se disponen todos los datos en torno a la media en un conjunto
de mediciones. La SD se considera pequeña si es menos del 33% de la
media.

 Cuando los datos se mantienen

muy juntos y forman una buena
curva en forma de campana, la
desviación típica es pequeña
(resultados precisos, pequeña SD).

 Cuando los datos se esparcen y

forman una curva en forma de
campana bastante aplanada, la
desviación típica es grande
(resultados menos precisos,
grande SD).

24
 Contraste de hipótesis
 Aunque el objetivo al llevar a cabo una investigación es, por lo general,
conocer las características de los individuos de una población, en la
práctica suele ser difícil, cuando no imposible.
 Para obviar estos inconvenientes, se recurre al estudio de
una muestra, a partir de la cual podemos inferir o
estimar las características de la población entera de la cual
aquella ha sido extraída (estadística inferencial).

IMAGEN: virtual.unal.edu.co

25
 Contraste de hipótesis
 La estadística inferencial comprueba hipótesis estadísticas, por lo que son
diferentes de las hipótesis experimentales. Para entender su significado,
veamos el siguiente ejemplo.
 EJEMPLO: Se realiza un experimento para comprobar el “efecto del
nitrógeno sobre el crecimiento del maíz”. La hipótesis experimental es que sí
lo favorece, al ser un bioelemento necesario para síntesis de proteínas y
ácidos nucleicos. Para comprobar esta hipótesis, se cultiva una parcela de
plantas de maíz con nitrógeno y otra sin el mismo. Al cabo de un mes, se
mide el ancho de la hoja de 10 plantas de cada parcela, obteniéndose una
media de 56.2 cm y 48.5 cm, respectivamente.
¿Indica este resultado que hay
una diferencia entre las dos
poblaciones y que el nitrógeno
promueve el crecimiento
vegetal? ¿O se debe la
diferencia observada entre
ambas medias al simple azar?
IMAGEN: pastaoro.com.ve

 Se require un test para discriminar entre

estadístico posibilidades. ambas
26
 Contraste de hipótesis
 Tras realizar un experimento o investigación, hay que determinar si los
resultados son estadísticamente significativos o no. En una
investigación es erróneo contrastar datos sin una hipótesis previa.
 El contraste de hipótesis
consiste en evaluar una
población a través de una
muestra aleatoria de la
misma, con objeto de
determinar si existen
evidencias para que una
hipótesis formulada sobre la
población deba ser
rechazada o no. IMAGEN: 1.bp.blogspot.com

 El propósito de un contraste de hipótesis es rechazar la hipótesis nula

(Ho), aquella en la que no existe relación entre ambas variables de estudio
o que dos medias no son diferentes.
 Únicamente rechazando la Ho podremos quedarnos con la hipótesis
alternativa (H1) o hipótesis formulada por el investigador, aquella en la
que sí existe una relación entre ambas variables de estudio o que dos medias
sí son diferentes. 27
 Contraste de hipótesis
 Para poder comprobar (rechazar) la hipótesis nula, hay que escoger un test
estadístico concreto, como el t-test o el test de chi-cuadrado, ya que
cada uno tiene una función diferente.
 El resultado de dicho test será un valor de p que indique la probabilidad
de que los resultados se deban al azar, es decir, no sean
estadísticamente significativos.
 El valor p solo
estardeen 0 puede y
menor sea el 1.valor Cuanto
de p
obtenido, mejor.
 La comunidad científica
acepta un nivel de
significación estadística o
valor de p ≤ 0.05 (5%) para
rechazar la hipótesis nula, lo
que indica que existe una
probabilidad del 95% de que
los resultados sean
significativos y no debidos al
azar.
IMAGEN: 28
images.slideplayer.
¿Cómo saber si la diferencia entre dos conjuntos de
datos es significativa?
 En nuestro ejemplo del efecto del nitrógeno sobre el maíz, encontramos
que existe una diferencia entre las medias de nuestras dos muetras. Sin
embargo, necesitamos determinar si esta diferencia es significativa, es
decir, si indica una diferencia real en las medias de las poblaciones de
ambas áreas debido a la concentración de nitrógeno.
 Para determinar si la diferencia existente entre las medias de dos
conjuntos de datos es significativa (real), se utiliza el t-test o t-Student.

IMAGEN: pastaoro.com.ve
29
 t-test
Se aplica cuando los datos:
 Son independientes.
 Tienen una distribución normal (curva gausiana).
 Tienen un tamaño mínimo de muestra de 10 valores cada conjunto
de datos.
 Tienen una variabilidad similar.
 El valor de t se calcula usando la fórmula:

30
 t-test
 Una vez calculado, dicho valor
se busca en una tabla
estandarizada de valores de t.
 En dicha tabla, hay dos
columnas denominadas “grados
de libertad” y “nivel de
significación o probabilidad
(valores de p)”.
 Los grados de libertad se
calculan como (n1 + n2)-2.
 El nivel de significación de
referencia es p ≤ 0.05.
 Si el valor de t obtenido (tobt) >
la hipótesis nula se
t0.05,
rechaza.

31
 t-Test: Ejemplo práctico
 Ejemplo: Un grupo de investigación ha estudiado el uso de hormonas
como forma de aumentar la tasa de crecimiento en animales. Para ello,
han inyectado la hormona tiroxina (afecta a la tasa metabólica) a 12
ratas, mientras que usaron otras 12 ratas como grupo control.
 Tras cuatro semanas, se volvieron a pesar las ratas y la diferencia en
masa observada se recogió en la siguiente tabla:

Grupo experimental/ g ± 0,1 g Grupo control/ g ± 0,1 g

3,1 3,0 3,0 2,7
4,1 4,0 2,6 3,0
4,0 3,8 2,7 2,8
3,5 2,9 2,4 2,5
3,5 2,9 2,4 2,5
3,0 4,2 2,9 3,0

¿Cuál sería la hipótesis nula? ¿Puede ser rechazada?

32
 t-Test: Ejemplo práctico
 Para calcular el t-test a partir de la fórmula, tan solo hay
que completar la siguiente tabla usando Excel:

Media del grupo experimental (X1) 3,5

Media del grupo control (X2) 2,7
X1-X2 0,8
SD del grupo experimental (S1) 0,5
SD del grupo control (S2) 0,2
(S1)2 0,256
(S2)2 0,054
(S1)2/n1 0,021
(S2)2/n2 0,004
(S1)2/n1 + (S2)2/n2 0,026
0,16
tobtenido 5,22

33
 t-Test: Ejemplo práctico
 Grados de libertad: (12 + 12) - 2
= 22
 Para un grado de libertad de 22,
tenemos que el valor de t crítico es
2.08 (p=0.05) o mayor.
 Como el valor calculado
tobt
(5.22)
de es mayor que el valor crítico
para t0.05 (2.08), concretamente en
torno al valor de podemos
t0.001,
concluir que existe una probabilidad
>99% de que la diferencia entre
* ambas medias sea significativa.
Por tanto, podemos rechazar la
hipótesis nula, es decir, que las
hormona tiroxina no tiene efecto
sobre el crecimiento de las ratas.

34
 t-Test: Ejercicio
 Se ha investigado si la longitud de la concha de los percebes pudiera estar
condicionada por la cercanía de estos al mar. Para ello, se comparó la
longitud de la concha de dos grupos de percebes, un grupo 1 que vive
más cerca del agua que otro grupo 2. Se ha medido la longitud de 15
percebes de cada grupo, cuyos resultados se encuentran a continuación:

Grupo 1/ cm ± 0,1 cm Grupo 2/ cm ± 0,1 cm

4,0 3,5 4,0 3,0 3,7 3,7
4,0 3,9 3,5 3,8 3,0 3,8
4,1 4,1 3,8 3,7 3,8 3,0
3,8 4,0 4,0 3,6 3,9 3,0
4,0 4,0 3,1 3,5 3,5 3,0

¿Cuál sería la hipótesis nula en esta investigación? ¿Puede ser rechazada?

35
 Correlaciones
 Frecuentemente parece que dos variables pudieran estar ligadas. Por
ejemplo, la intensidad de luz y la densidad de vegetación.
 Dos conjuntos de datos pueden ser respresentados gráficamente y
hallada la línea de mejor ajuste. Esta línea puede mostrar que existe una
correlación positiva, negativa o no haberla.

 Existe un test estadístico para la correlación, el coeficiente de

correlación de Spearman (rs), que varía de +1 (correlación perfecta)
pasando por 0 (no correlación) hasta –1 (perfecta correlación negativa).
36
 Test de correlación de Spearman
Se aplica cuando las variables:
 Son aleatorias.
 Son continuas.
 El valor de rs se calcula usando la fórmula:

37
 Test de correlación de Spearman
 Una vez calculado, dicho valor se busca en una tabla estandarizada de
valores de rs, siendo n el número de datos.
 Como siempre, el nivel de significación de referencia es p ≤ 0.05, de
manera que si el valor de rsobtenido > rs0.05, la hipótesis nula se rechaza.

38
 Test de correlación de Spearman: Ejemplo
 ¿Existe una correlación entre el número de árboles que hay en
una determinada zona y el número de animales que pasan por ella?

Zona Nº animales rango Nº árboles rango d d2

1 40 8

2 8 2

3 25 5
4 60 15
5 12 7
6 18 3
7 19 4
8 27 8
9 24 7
10 21 6
11 64 19
12 70 22
39
 Test de correlación de Spearman: Ejemplo
 El rango se determina de mayor a menor, siendo el 1º la zona con más
animales o árboles, y el 12º la que menos, pudiendo o no coincidir.

Zona Nº animales rango Nº árboles rango d d2

1 40 4 8 4,5 -0,5 0,25

2 8 12 2 12 0 0

3 25 6 5 9 -3 9
4 60 3 15 3 0 0
5 12 11 7 6,5 4,5 20,25
6 18 10 3 11 -1 1
7 19 9 4 10 -1 1
8 27 5 8 4,5 0,5 0,25
9 24 7 7 6,5 0,5 0,25
10 21 8 6 8 0 0
11 64 2 19 2 0 0
12 70 1 22 1 0 0
40
 Test de correlación de Spearman: Ejemplo
 Sustituyendo en la fórmula:
6Σd2 192

n(n2-1) 1716

6Σd2/n(n2-1)
0,111
rs
0,888

 Para n=12, tenemos que el

valor de rs crítico es 0.591
(p=0.05) o mayor.
 Como el valor calculado de rs
(0.888) es mayor que ese
valor crítico y de p = 0.01,
podemos rechazar la hipótesis
nula, ya que existe una
probabilidad >99% de que la
correlación entre ambas
variables sea estadísticamente
significativa. 41
 Correlaciones
 Otra forma de comprobar cómo de buena es la correlación entre dos
variables es el coeficiente de determinación (R2), que mide la bondad del
ajuste realizado y que permite decidir si el ajuste lineal es suficiente o se
deben buscar modelos alternativos.
 También se le denomina bondad
del ajuste, ya que es una
medida de la proximidad o de
ajuste de la recta de regresión a
la nube de puntos.
 Varía de 0 (el modelo no explica
nada de la variable y a partir de
la variable x) a 1 (ajuste perfecto
donde una variable depende
funcionalmente de la otra.

 La R2 del gráfico indica que el 85% de la variabilidad en el contenido en

aceite del aguacate puede atribuirse a una relación lineal con su contenido en
materia seca. 42
 Correlación vs relación
causal
 Es importante resaltar que aunque el análisis estadístico de los datos
indique una correlación entre la variable independiente y la dependiente,
esto no prueba que exista una relación causal. Solo posteriores
investigaciones revelarán el efecto causal entre las dos variables.
 La correlación no implica relación causal. Ejemplo: Las ventas de
helados y el número de ataques por tiburones a los bañistas están
correlacionados.
 Claramente se observa que no hay
una interacción real entre los
factores implicados, solo una
simple coincidencia de los datos.
 Una vez que una correlación entre
dos factores ha sido establecida a
partir de los datos experimentales,
es necesario avanzar en la
investigación para determinar cual
pudiera ser la relación causal entre
ambos.
43
 ¿Cómo saber si la presencia de una especie está
influenciada por la de otra (asociación)?
 Ejemplo:
En una investigación se estudió la distribución de las madrigueras de la
ardilla roja en los árboles de un determinado lugar. Se quería averiguar si
esta especie de ardilla tiene preferencia por una especie de árbol sobre
otras. Los datos observados recogidos y los esperados se muestran en la
siguiente tabla:

Nidos Pino Encina Alcornoque Roble Total

Observados 25 12 18 15 70

Esperados 17,5 17,5 17,5 17,5 70

 Encontramos que existen diferencias en cada categoría pero,

¿son significativas o están debidas al azar?
 Para determinar si dos variables son independientes o están relacionadas,
se utiliza la prueba de hipóstesis chi-cuadrado test.
44
 chi-cuadrado test
Se aplica cuando los datos:
 Son catagóricos/nominales.
 La muestra tomada de la población es aleatoria.
 Tienen un tamaño mínimo de 5 valores esperados.
 Las observaciones son independientes.
 El valor de X2 se calcula usando la fórmula:

45
 chi-cuadrado test
 Una vez calculado, dicho valor se busca en una tabla estandarizada de
valores de X2.
 Los grados de libertad se calculan restando 1 al número de categorías en
la investigación.
 Como siempre, el nivel de significación de referencia es p ≤ 0.05, de
manera que si el valor de X2obt > X20.05, la hipótesis nula se rechaza.

46
 chi-cuadrado test: Ejemplo práctico
 Para calcular el chi cuadrado test a partir de la fórmula, tan
solo hay que completar la siguiente tabla usando Excel:

Especie de árbol Pino Encina Alcornoque Roble

Resultados 25 12 18 15
obervados (O)
Resultados 17,5 17,5 17,5 17,5
esperados (E)
O-E
7,5 -5,5 0,5 -2,5
(O-E)2
56,25 30,25 0,25 6,25
(O-E)2/E
3,214 1,729 0,014 0,357
Σ(O-E)2/E
5,314

 La hipótesis nula (Ho) sería: La ardilla roja no tiene preferencias por una
especie de árbol en concreto para poner sus madrigueras.

47
 chi-cuadrado test: Ejemplo práctico
 Grados de libertad: 4 - 1 = 3
 Para un grado de libertad de 3, tenemos que el valor de X2 crítico es 7.82
(p=0.05) o mayor.
 Como el valor calculado de X2 (5.314) es menor que ese valor crítico, y se
encuentra entre p = 0.1 y 0.2, podemos concluir que existe una
probabilidad del 10-20% de que los resultados no sean significativos.

 Por tanto, como solo

se permite ≤ 5%,
podemos aceptar la
hipótesis nula, es
decir, que las ardillas
rojas no expresan
preferencias por una
especie de árbol en
concreto para poner
sus nidos.

48
 Chi-cuadrado test: Ejercicio
 En la mosca de la fruta la longitud del ala grande domina sobre la
pequeña mientras que el color del ojo rojo domina sobre el blanco. Se
realizó un cruzamiento entre moscas de la frutas todas ellas
heterocigóticas para ambos caracteres, obteniéndose un total de 448
descendientes en la F1. La siguiente tabla muestra los resultados
observados. ¿Podemos asegurar que ambos caracteres siguen un patron
de herencia 9:3:3:1 típico de caracteres autosómicos independientes con
dominancia?
Descendencia Observados

Alas grandes, ojos rojos 257

Alas grandes, ojos blancos 81

Alas pequeñas, ojos rojos 86

Alas pequeñas, ojos blancos 24

TOTAL 448

 La hipótesis nula (H0) es que no existen diferencias entre los resultados

observados y esperados. 49
 Chi-cuadrado test: Ejercicio
 Para realizar el test de chi-cuadrado, hay que completer la siguiente tabla
de contingencia:

Descendencia Observados (O) Esperados (E) O-E (O-E)2 (O-E)2/E

Alas grandes, 257

ojos rojos
Alas grandes, 81
ojos blancos
Alas pequeñas, 86
ojos rojos
Alas pequeñas, 24
ojos blancos
TOTAL 448 Σ=

50
 Chi-cuadrado test: Ejercicio
 Para determiner los resultados esperados, se divide el total (448) entre 16
(9+3+3+1). El resultado obtenido equivale al ratio de 1.
Descendencia Observados (O) Esperados (E) O-E (O-E)2 (O-E)2/E

Alas grandes, 257 252 5 25 0,1

ojos rojos
Alas grandes, 81 84 -3 9 0,1
ojos blancos
Alas pequeñas, 86 84 2 4 0,04
ojos rojos
Alas pequeñas, 24 28 -4 16 0,57
ojos blancos
TOTAL 448 448 0 Σ=0,81

 Como hay 4 categorías, el número de grados de libertad es 4-1 = 3.

 Para un grado de libertad de 3, tenemos que el valor de X2 crítico es 7.82
(p=0.05) o mayor. Como el valor calculado de X2 (0.81) es menor que ese
valor crítico, la diferencia observada no es estadísticamente significativa,
por lo que se acepta la hipótesis nula. 51