Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 53 vistas

    Problema 12.12

    Cargado por

    Luisa María Reyes García
    Este documento presenta un análisis de regresión para predecir las horas de trabajo mensuales (Y) en 17 hospitales utilizando cinco variables independientes (X1-X5). El modelo resultante es estadísticamente significativo y explica el 96.82% de la variación en Y. Sin embargo, ninguna de las variables independientes contribuye de manera individualmente significativa al modelo. El resumen también identifica algunos puntos de datos atípicos.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd

    Problema 12.12

    Cargado por

    Luisa María Reyes García
    53 vistas5 páginas
    Este documento presenta un análisis de regresión para predecir las horas de trabajo mensuales (Y) en 17 hospitales utilizando cinco variables independientes (X1-X5). El modelo resultante es estadísticamente significativo y explica el 96.82% de la variación en Y. Sin embargo, ninguna de las variables independientes contribuye de manera individualmente significativa al modelo. El resumen también identifica algunos puntos de datos atípicos.

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento presenta un análisis de regresión para predecir las horas de trabajo mensuales (Y) en 17 hospitales utilizando cinco variables independientes (X1-X5). El modelo resultante es estadísticamente significativo y explica el 96.82% de la variación en Y. Sin embargo, ninguna de las variables independientes contribuye de manera individualmente significativa al modelo. El resumen también identifica algunos puntos de datos atípicos.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    53 vistas5 páginas

    Problema 12.12

    Cargado por

    Luisa María Reyes García
    Este documento presenta un análisis de regresión para predecir las horas de trabajo mensuales (Y) en 17 hospitales utilizando cinco variables independientes (X1-X5). El modelo resultante es estadísticamente significativo y explica el 96.82% de la variación en Y. Sin embargo, ninguna de las variables independientes contribuye de manera individualmente significativa al modelo. El resumen también identifica algunos puntos de datos atípicos.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    de 5

    INSTITUTO TECNOLOGICO DE PUEBLA

    ESTADISTICA INFERENCIAL II

    EJERCICIO EN MINITAB

    M.I OSCAR RAMOS ZAMORA

    LUISA MARIA REYES GARCIA. N°C: 1722010

    HORARIO: 13:00-15:00/LUN 6 MIE/ 13:00-14:00/VIE


    12.12 Los siguientes datos reflejan información obtenida en 17 hospitales de la
    marina estadounidense ubicados en diversos sitios del mundo. Los regresores son
    variables de la carga de trabajo, es decir, conceptos que dan como resultado la
    necesidad de personal en un hospital. A continuancion se presenta una
    descripción breve de las variables.
    Y= Horas de trabajo mensuales

    X₁= Carga diaria promedio de pacientes

    X₂=Exposiciones de rayos X mensuales

    X₃=días-cama ocupados por mes

    X₄= población elegible en el área/1000

    X₅O=Duración promedio de la estancia de un paciente en días.

    Sitio X₁ X₂ X₃ X₄ X₅ Y
    1 15.57 2463 472.92 18 4.45 566.52
    2 44.02 2048 1339.75 9.5 6.92 696.82
    3 20.42 3940 620.25 12.8 4.28 1033.15
    4 18.74 6505 568.33 36.7 3.9 1003.62
    5 49.2 5723 1497.6 35.7 5.5 1611.37
    6 44.92 11520 1365.83 24 4.6 1613.27
    7 55.48 5779 1687 43.3 5.62 1854.17
    8 59.28 5969 1639.92 46.7 5.15 2160.55
    9 94.39 8461 2872.33 78.7 6.18 2305.58
    10 128.02 20106 3655.08 180.5 6.15 3503.93
    11 96 13313 2912 60.9 5.88 3571.59
    12 131.42 10771 3921 103.7 4.88 374.4
    13 127.21 15543 3865.67 126.8 5.5 4026.52
    14 252.9 36194 7684.1 157.7 7 10343.81
    15 409.2 34703 12446.33 169.4 10.75 11732.17
    16 463.7 39204 14098.4 331.4 7.05 15414.94
    17 510.22 86533 15524 371.6 6.35 18854.45

    Análisis de regresión: C6 vs. C1, C2, C3, C4, C5


    Análisis de Varianza
    Fuente GL SC Ajust. MC Ajust. Valor F Valor p
    Regresió 5 50138851 100277702 66.95 0.000
    n 2
      C1 1 1079726 1079726 0.72 0.414
      C2 1 6703113 6703113 4.48 0.058
      C3 1 1489164 1489164 0.99 0.340
      C4 1 141989 141989 0.09 0.764
      C5 1 41618 41618 0.03 0.871
    Error 11 16476039 1497822    
    Total 16 51786455      
    1

    Resumen del modelo


    S R-cuad. R-cuad. R-cuad.
    (ajustado) (pred)
    1223.8 96.82% 95.37% 78.80%
    6

    Coeficientes
    Término Coef EE del Valor T Valor p FIV
    coef.
    Constant -551 2046 -0.27 0.793  
    e
    C1 -158 186 -0.85 0.414 9581.57
    C2 0.0857 0.0405 2.12 0.058 7.94
    C3 5.87 5.89 1.00 0.340 8920.23
    C4 4.2 13.6 0.31 0.764 23.19
    C5 67 400 0.17 0.871 4.26

    Ecuación de regresión
    C6 = -551 - 158 C1 + 0.0857 C2 + 5.87 C3 + 4.2 C4 + 67 C5

    Ajustes y diagnósticos para observaciones poco comunes


    Obs C6 Ajuste Resid Resid
    est.

    12 374 3408 -3034 -2.89 R


    16 15415 14245 1170 2.33 R
    Residuo grande R
    Gráficas de residuos para Y
    Gráfica de probabilidad normal vs. ajustes
    99
    1000
    90
    Porcentaje

    Residuo
    50 -1000

    10 -2000

    -3000
    1
    -3000 -1500 0 1500 3000 0 5000 10000 15000 20000
    Residuo Valor ajustado

    Histograma vs. orden


    6.0
    1000
    4.5
    Frecuencia

    3.0 Residuo -1000

    1.5 -2000

    -3000
    0.0
    -3000 -2000 -1000 0 1000 2 4 6 8 10 12 14 16
    Residuo Orden de observación

    REPORTE
    Se obtiene el siguiente modelo matemático:
    C6 = -551 - 158 C1 + 0.0857 C2 + 5.87 C3 + 4.2 C4 + 67 C5
    Con este modelo podemos hacer predicciones de nuestra variable dependiente Y
    que representa las horas de trabajo mensuales, a través de proporcionar nuevos
    valores a nuestras variables independientes.
    En el apartado de arriba llamado resumen del modelo. Podemos visualizar nuestro
    coeficiente de determinación el cual nos proporciona una confiabilidad alta de este
    modelo para poder predecir nuestra variable Y. En la siguiente columna tenemos
    el ajuste, que solo nos baja un 1% aproximadamente de confiabilidad, lo cual es
    bueno porque la confiabilidad de este modelo sigue siendo alta para predicciones
    futuras.
    En el apartado de análisis de varianzas mediante nuestro estadístico de Fisher
    analizamos que nuestra F calculada es 66.95 y la de tablas a un NC de confianza
    del 95% es:
    F calculada F de tablas
    66.95 > 3.20

    Analizando esto, con una prueba de hipótesis donde la regla se rechazó nos dice
    que si F calculada es > F de tablas; la hipótesis se rechaza. En este caso se
    rechaza, esto quiere decir que nuestro modelo es significativo, donde al menos
    una de nuestras variables nos está proporcionando información valiosa para la
    confiabilidad del modelo.
    Se prosigue con analizar ahora nuestras T, En el apartado de coeficientes, donde
    tenemos las siguientes T calculadas contra las T de tablas. Con un NC del 95%
    T calculada T de tablas
    -0.85 < 2.2010
    2.12 < 2.2010
    1.00 < 2.2010
    0.31 < 2.2010
    0.17 < 2.2010

    Por lo que podemos observar con una prueba de hipótesis donde se va a rechazar
    H cero si T calculada es mayor a T de tablas. Es esta ocasión ninguna variable se
    rechazó por lo tanto, en este caso ninguna variable independiente está aportando
    significativamente al modelo.
    En las gráficas podemos notar que hay ciertos puntos de residuos que no se
    ajustan mucho en la primera gráfica. El las otras también hay ciertas anomalías en
    los puntos y sobre todo uno que se encuentra muy disperso de los demás.

    También podría gustarte