Fortaleciendo pruebas estadísticas en tabla de contingencia con baja frecuencia y números borrosos a través del escalado lineal

Contenido principal del artículo

Matilde I. Césari
Santiago Pérez

Resumen

Este trabajo presenta una metodología innovadora para fortalecer la aplicación de pruebas estadísticas en tablas de contingencia con baja frecuencia esperada en las celdas. Con esta técnica de escalado lineal, abordamos las limitaciones de pruebas tradicionales, como Chi-Cuadrado y Fisher, al enfrentar valores pequeños y datos borrosos, facilitando un análisis estadístico robusto y adaptado a condiciones de incertidumbre. El análisis clásico de Tabla de Contingencias presenta una limitante para valores muy pequeños, en las celdas de las tablas, con valores decimales menores a uno. En este contexto, métodos que involucran su utilización, como la Prueba de Chi-Cuadrado y Prueba Exacta de Fisher pueden no ser apropiados para manejar adecuadamente la incertidumbre asociada, y en especial, cuando el grado de la misma que poseen los datos no es despreciable.


En este trabajo se desarrolló: una adaptación innovadora de las Tablas de contingencia, que mejora la robustez de las pruebas estadísticas bajo condiciones de muestra subóptima y una herramienta informática que automatiza su aplicación. Asimismo, se discuten ejemplos de la escalabilidad como herramienta para cualquier Tabla de contingencia que enfrente el desafío de valores pequeños, así como también el aprovechamiento eficaz de la información contenida en datos borrosos o imprecisos en una variedad de campos de investigación.

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Cómo citar
Césari, M. I., & Pérez, S. (2025). Fortaleciendo pruebas estadísticas en tabla de contingencia con baja frecuencia y números borrosos a través del escalado lineal. Revista De Ciencia Y Tecnología, 44(1), 10–20. https://doi.org/10.36995/j.recyt.2025.44.001
Sección
Ingeniería, Tecnología e Informática
Recibido 2024-11-12
Aceptado 2025-09-18
Publicado 2025-11-20

Citas

A. Poon, S. Jankly, and T. Chen, “Privacy Preserving Fisher’s Exact Test on Genomic Data,” IEEE International Conference on Big Data (Big Data), Seattle, WA, USA, 2018.

Addinsoft Xlstat versión 2018, licencia para investigación. Análisis estadístico para Microsoft Excel desarrollada por Addinsoft 1996-2018, Available in www.xlstat.com/es/products/xlstat-pro/.

Césari, M. (2024). *DaFu: Automated Linear Scaling for Statistical Analysis in Contingency Tables* [Computer software]. GitHub. https://github.com/matucesari/DaFu

Césari, M. (2024). *DaFu03: Fuzzy Associations Web Application* http://micesari.servehttp.com:3838/DaFu03_AsociacionesDifusas/

H. Kim, “Statistical notes for clinical researchers: Chi-squared test and Fisher's exact test,” Restorative Dentistry & Endodontics, vol. 42, pp. 152-155, 2017.

I. Chen, “A Novel and Fast Distributed Computation Method for Fisher’s Exact Test and Its Application in Gene Expression Profiling Studies,” IEEE MIT Undergraduate Research Technology Conference (URTC), Cambridge, MA, USA, 2022.

J. Angulo-Paniagua, and J. Quirós-Tortós, “Comparing Chi-square-Based Bad Data Detection Algorithms for Distribution System State Estimation,” IEEE PES Transmission & Distribution Conference and Exhibition - Latin America (T&D LA), Montevideo, Uruguay, 2020.

J. Lin, C. Chang, and N. Pal, “A Revisit to Contingency Table and Tests of Independence: Bootstrap is Preferred to Chi-Square Approximations as Well as Fisher’s Exact Test,” Journal of Biopharmaceutical Statistics, vol. 25(3), pp. 438-458, 2015, DOI: 10.1080/10543406.2014.920851.

K. Jafseer, S. Shailesh, and A. Sreekumar, “Feature Drift Detection using Overlapping Window and Mann-Whitney U Test,” 4th International Conference on Innovative Trends in Information Technology (ICITIIT), Kottayam, India, 2023.

K.T. Jafseer, S. Shailesh, and A.Sreekumar, “Feature Drift Detection using Overlapping Window and Mann-Whitney U Test,” 4th International Conference on Innovative Trends in Information Technology (ICITIIT), Kottayam, India, 2023.

M. Aslam, and F. Alamri, “Data analysis for vague contingency data.”, Journal of Big Data, vol. 10(1), pp. 131, 2023.

M. Césari, and R. Césari, “La lógica difusa aplicada para valorar rúbricas de evaluación,” X Congreso Nacional de Ingeniería Informática / Sistemas de Información - CoNaIISI 2022, Facultad

M. Césari, N. Ventrera, and A. Gámbaro, “Análisis de datos sensoriales de tomate triturado con lógica difusa y técnicas multivariadas.”, Revista de la Facultad de Ciencias Agrarias, Universidad Nacional de Cuyo, vol. 50(1), pp. 233-248, 2028.

M. Césari, N. Ventrera, and A. Gámbaro, “Análisis de datos sensoriales de tomate triturado con lógica difusa y técnicas multivariadas,” Revista de la Facultad de Ciencias Agrarias, Universidad Nacional de Cuyo, vol. 50(1), pp. 233-248, 2018.

M. Fetaji, L. Morina, and B. Fetaji, “Devising and evaluating B2B conceptual model for B2B portal for mobile interactive devices using Mann-Whitney U test,” 6th Mediterranean Conference on Embedded Computing (MECO), Bar, Montenegro, 2017.

P. Campos, I. Cantador, F. Díez, and I. Fernández-Tobías, “A Criterion Based on Fisher's Exact Test for Item Splitting in Context-Aware Recommender Systems,” 33rd International Conference of the Chilean Computer Science Society (SCCC), Talca, Chile, 2014.

R. Fisher, “The conditions under which χ 2 measures the discrepancy between observation and hypothesis,” Journal of the Royal Statistical Society, pp. 442-450, 1924.

R. Yano, H. Tanioka, K. Matsuura, M. Sano, and T. Ueta, “Quantitative Measurement and Analysis to Thinking as a Way of Programming for Elementary School in Japan,“ 9th International Congress on Advanced Applied Informatics (IIAI-AAI), Kitakyushu, Japan, 2020.

S. Bolboacă, L. Jäntschi, A. Sestraş, R. Sestraş, and D. Pamfil, “Fisher chi-square statistic revisited. Information,” Pearson, vol. 2(3), pp. 528-545, 2011.

S. Rosidin, G. Fajar Shidik, and A. Zainul Fanani, “Improvement with Chi Square Selection Feature using Supervised Machine Learning Approach on Covid-19 Data,” International Seminar on Application for Technology of Information and Communication, Semarangin, Indonesia, 2021.

Y. Zhai, W. Song, X. Liu, L. Liu, and X. Zhao, “A Chi-Square Statistics Based Feature Selection Method in Text Classification,” in IEEE 9th International Conference on Software Engineering and Service Science (ICSESS), Beijing, China, 1918.

Z Wang, Z. Huang, Y. Xu, Y. Zhang, and X. Li, “Image Noise Level Estimation by Employing Chi-Square Distribution,” 21st International Conference on Communication Tech, Tianjin, China, 2021.

Contador de visualizaciones: Resumen : 1 vistas.