Paso 4 - Descripción de La Información.

TRABAJO COLABORATIVO
Unidad 3: Pasó 4. Descripción de la información
Estudiantes
Ena Raquel de la Ossa
Tatiana del Carmen Percy
Janelle Figueroa
Mónica Patricia Jiménez
Claudia Patricia Cadena
Grupo del Curso
140
Presentado a
Astrid Segura
Fecha
28 de Noviembre de 2018
Introducción
La regresión es una técnica estadística utilizada para simular la relación existente entre dos o
más variables. Por lo tanto se puede emplear para construir un modelo que permita predecir el
comportamiento de una variable dada.
La regresión es muy utilizada para interpretar situaciones reales, pero comúnmente se hace de
mala forma, por lo cual es necesario realizar una selección adecuada de las variables que van a
construir las ecuaciones de la regresión, ya que tomar variables que no tengan relación en la
práctica, nos arrojará un modelo carente de sentido, es decir ilógico.
Sin embargo obtener el modelo de regresión no es suficiente para establecer la regresión, ya
que es necesario evaluar que tan adecuado es el modelo de regresión obtenido. Para esto se hace
uso del coeficiente de correlación R, el cual mide el grado de relación existente entre las
variables.
Por lo tanto el análisis de regresión es una herramienta estadística que permite analizar y
predecir o estimar observaciones futuras de dos o más variables relacionadas entre sí, es decir
una herramienta útil para la planeación.
Es frecuente que estudiemos sobre una misma población los valores de dos variables
estadísticas distintas, con el fin de ver si existe alguna relación entre ellas, es decir, si los
cambios en una de ellas influyen en los valores de la otra. Si ocurre esto decimos que las
variables están correlacionadas o bien que hay correlación entre ellas.

La apreciación visual de la existencia de correlación no es suficiente. Usaremos un parámetro,
llamado coeficiente de correlación que denotaremos con la letra r, que nos permite valorar si ésta
es fuerte o débil, positiva o negativa.
Cuando observamos una nube de puntos podemos apreciar si los puntos se agrupan cerca de
alguna curva. Aquí nos limitaremos a ver si los puntos se distribuyen alrededor de una recta. Si
así ocurre diremos que hay correlación lineal. La recta se denomina recta de regresión.
Estos conceptos estadísticos, son aplicados a las variables cuantitativas encontradas en la
base de datos del caso de estudio, en el servicio de urgencias del hospital Federico Lleras de
Ibagué.
Justificación
En innumerables situaciones de nuestra vida, encontramos problemas en los cuales existe una
relación entre dos o más variables y es necesario encontrar la naturaleza de esta relación.
En este trabajo encontramos una situación real del servicio de urgencias en el hospital Federico
Lleras de Ibagué donde se tienen los ingresos de pacientes con sus respectivos detalles y datos,
los cuales conforman variables cualitativas y cuantitativas para el respectivo estudio estadístico.
Para esto se hizo uso de la técnica de Regresión y Correlación, la cual resulta una herramienta
muy útil a la hora de analizar el comportamiento de dos o más variables relacionadas.
Se pretende entonces establecer mediante una regresión la relación entre dichos datos y
pronosticar comportamientos en las variables suministradas.

Objetivos
General
Destacar la importancia y la utilidad de la Regresión y Correlación lineal simple para
modelar e investigar la relación entre dos variables a partir de la base de datos “Calidad en el
servicio de urgencias 2018-16-4 del hospital Federico lleras (Ibagué)”
Específicos.
Aplicar la técnica de correlación y regresión lineal simple a las variables suministradas a
través de la información obtenida de la base de datos “Calidad en el servicio de urgencias 2018-
16-4 del hospital Federico lleras (Ibagué)”.
Realizar el diagrama de dispersión de las dos variables seleccionada.
Determinar el tipo de asociación entre las variables.
Construir el modelo matemático que más se ajuste a la serie de datos recolectados.
Determinar el grado de relación de las dos variables.
Analizar la relación entre las dos variables cuantitativas seleccionadas.

Regresión y Correlación Lineal Simple
Estudiante 1: Ena Raquel de la Ossa
Variable Y: Estatura (M)
Variable X: Peso (Kg)
Diagrama de Dispersión
Tipo de asociación de las variables Relación directa

Modelo matemático Y=,0136X+0,7524
R2 0,8645
R 9297915%
Confiabilidad Es confiable
% de explicación 86,45%
Grado de relación Fuerte
Análisis e interpretación de resultados

Existe una relación directa entre las variables peso y estatura del 9297915%, su dirección es
positiva y la fuerza o intensidad de esta correlación es fuerte.
El modelo matemático es confiable, debido a que R2= 86,45%
Teniendo en cuenta los datos suministrados de la sala de urgencias del Hospital Federico
Lleras se relacionaron las variables peso y estatura, identificamos que cuando la variable peso
aumenta también aumenta el valor de la variable estatura, tienen relación directa, su dirección es
positiva, la fuerza y densidad de esta correlación es fuerte, el modelo matemático es confiable.
Estudiante 2: Tatiana del Carmen Percy
Variable Y: Estatura
Variable X: Peso
EDAD VS ESTATURA
2.5
y = 0.0084x + 1.2276
2
R² = 0.3417
1.5
Estatura
0.5
0
0 20 40 60 80 100
Edad
Modelo matemático Y=1.2276+0.0084X
R2 0,3417
R 0,5845
Confiabilidad No es confiable
Grado de relación Regular
La relación entre las variables de edad (m) y peso (kg) es directamente proporcional dado que
la pendiente (m=0,00837) es positiva, lo cual indica que por cada incremento en la edad, también
aumenta la estatura,
Dado un Coeficiente de Determinación igual a 34.16% se puede decir que la variabilidad de
la recta está dada en su mayoría por los errores, por ello no es un modelo muy bueno o confiable.
A partir de la información otorgada de la sala de urgencias del Hospital Federico Lleras de
Ibagué, se relacionaron las variables Edad vs Estatura, dando así la una recta de regresión que
nos indica que por cada aumento en la edad, aumenta también la estatura. Sin embargo, la recta
de regresión no es muy buena, por esto los pronósticos no serán eficientes, dado su correlación
regular y la variabilidad de errores.
Estudiante 3: Janelle Figueroa Peñaranda
Variable Y: Estatura (M)
Variable X: Peso (Kg)


Modelo matemático y = 0,0136x + 0,7524
R2 0,8645
R 9297915%
Grado de relación Excelente
Existe una correlación entre la variable peso y estatura, el peso depende de la estatura.
Este modelo es confiable en un 86.45%
El grado de relación de las dos variables estatura (M) y peso (kg) es de 9,297
A través de la información anterior de las variables peso y estatura podemos decir que existe
una relación ya que a mayor estatura mayor peso. El peso depende de la estatura.
Estudiante 4: Mónica Patricia Jiménez
Variable Y: Tiempo para Triage (min)
Variable X: Cantidad de Visitas en el Ultimo Trimestre
400
Tiempo de espera para triage (min)
350
300
250
200 y = 2.955x + 174.87

R² = 0.0005
150
100
50
0
0 0.5 1 1.5 2 2.5 3 3.5
Cantidad de Visitas en el ultimo trimestre
Tipo de asociación de las variables Incorreción

R2 0,0005
R 0,02199052
Confiabilidad Nada confiable.
Grado de relación No hay correlación
En la figura se observa que la variable independiente (número de visitas en el último
trimestre) es discreta (solo tiene tres valores) pues no es posible hacer visitas a medias, a cambio
la variable dependiente es continua.
La asociación en las dos variables cantidad de visitas en el último trimestre y tiempo de
espera para el triage tiene una incorrelación, los valores son altos o bajos.
Este modelo no es nada confiable, pues no representa los datos de dispersión, que son dados
al azar y no a una correlación propiamente dicha
No hay una correlación entre las variables escogidas, son totalmente independientes.
Estudiante 5: Claudia Patricia Cadena
Variable Y: Peso (kg)
Variable X: Edad
EL HOSPITAL FEDERICO LLERAS DE IBAGUE
EDAD vs PESO (Kg)
100.00
y = 0.6007x + 35.544
90.00 R² = 0.3749
80.00
70.00
Peso (Kg)
60.00
50.00
40.00
30.00
20.00
10.00
0.00
0 20 40 60 80 100
Edad

Modelo matemático Y=35,544+0,6007x
R2 0,3749
R 0,61226305
Confiabilidad No es confiable
Grado de relación Regular
Análisis e interpretación de resultados.
La Asociación de las variables Edad y Peso (kg) es directamente proporcional, esto es
debido a que la pendiente de la ecuación es positiva, esto indica que a medida que aumenta el
valor la variable Edad aumenta también el valor de la variable peso (Kg).
El modelo matemático no es muy confiable debido a que el Coeficiente de Determinación R2
en este caso es de 37,49%.

El porcentaje de explicación del modelo se define a partir del Coeficiente de Determinación R2
en este caso es de 37,49% y el grado de relación de las dos variables es establecido por el
Coeficiente de Correlación R en este caso el grado de correlación de las dos variables Edad y
Peso (Kg) es de 0,61263305.
A partir de los datos suministrado de la sala de urgencias del Hospital Federico Lleras de la
ciudad de Ibagué se relacionaron las variables Edad y Peso Kg, donde se identificó que a medida
que la variable Edad aumenta también aumenta el valor de la variable Peso Kg, teniendo un
relación directa, el modelo matemático no es muy eficiente y la correlación lineal es regular.

Conclusiones
Se interpreto la problemática utilizando la correlación y relación lineal simple, a partir de la
base de datos “Calidad en el servicio de urgencias 2018-16-4 del hospital Federico lleras
(Ibagué)”, con dos variables cuantitativas.
Se realizó el diagrama de dispersión de las dos variables seleccionada.
Se determinó el tipo de asociación entre las variables.
Se construyó el modelo matemático que más se ajuste a la serie de datos recolectados.
Se determinó el grado de relación de las dos variables.
Se analizó la relación entre las dos variables cuantitativas seleccionadas.

Referencias Bibliográficas
Bolívar M. (Monibolivar). Monografía Estadística. Recuperado de
https://www.monografias.com/trabajos14/estadistica/estadistica.shtml
Centro de Escritura Javeriano. (2018). Normas APA sexta edición. Recuperado de
https://drive.google.com/file/d/18vu0JpyQ1tGiN2TfZPjYbD_UATdJHDIY/view
Churchill, G.A. (2009). Análisis de Correlación y de Regresión Simple. Mexico City:
Cengage Learning. Páginas 675 – 686. Recuperado
de http://go.galegroup.com/ps/i.do?id=GALE%7CCX4058900232&v=2.1&u=unad&it=r&p=G
VRL&sw=w&asid=e558184ed89e57d11ede116134cfce41
Churchill, G.A.(2009). "Análisis de Regresión Múltiple." Investigación de mercados. Mexico
City: Cengage Learning. Páginas 686 – 695. Recuperado
VRL&sw=w&asid=49575112db86a0eb46dae86bbaf74cb9
Matus, R., Hernández, Martha, and García, E.. Estadística. México, D.F., MX: Instituto
Politécnico Nacional, 2010. ProQuest ebrary. Web. 1 July 2016. Recuperado
de http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?docID=10365616&p00=co
nceptos+generales+estad%C3%ADstica+descriptiva&ppg=12
Montero, J.M. (2007). Regresión y Correlación Simple. Madrid: Paraninfo. Paginas. 130 –
172. Recuperado
VRL&sw=w&asid=b82c81e98fcc1361e1929abe203c8219
Montero, J.M. (2007). Regresión y Correlación Múltiple. Madrid: Paraninfo. Páginas 191 –
225. Recuperado
VRL&sw=w&asid=47eaa8f46c19ad13af26a0a74e510de2
Monroy, S. S. (2005). Estadística descriptiva. México, D.F., MX: Instituto Politécnico
Nacional. Recuperado
de http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?docID=10436604
Sánchez, S. E. A., Inzunza, C. S., & Ávila, A. R. (2015). Probabilidad y estadística 1.
Distrito Federal, MÉXICO: Grupo Editorial Patria. Recuperado
de http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?docID=11230886&p00=c
onceptos+generales+estad%C3%ADstica+descriptiva&ppg=6
Pava, M.F. (2014). OVA. Regresión y Correlación. Recuperado de
http://www.unadzsurlab.com/ovas_ibague/regresion/pagina4.htm
Pava, M.F. (2014). Laboratorio y Correlación Lineal – Excel. Recuperado de
https://issuu.com/riyis/docs/lab_regresion_correlacion_lineal_cead_ibague?layout=http%253A%
252F%252Fskin.issuu.com%252Fv%252Flight%252Flayout.xml&showFlipBtn=true
Anexo
Laboratorio de Regresión y Correlación Lineal
2.1. El rendimiento del producto de un proceso químico está relacionado con la temperatura de
operación del proceso. Se desea establecer la relación que existe entre la pureza (y) del oxígeno
producido y el porcentaje de hidrocarburo (x) que está presente en el condensador principal en
un proceso de destilación, de acuerdo con los siguientes datos:

Proceso de Destilación en el Condensador

Principal
% Hidrocarburos y Pureza
102
100
98 y = 14.947x + 74.283
96 R² = 0.8774
Pureza
94
92
90
88
86
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
% de Hidrocarburos
La Asociación de las variables % hidrocarburos y pureza es directamente proporcional, esto
es debido a que la pendiente de la ecuación es positiva, esto indica que a medida que aumenta el
valor la variable % hidrocarburos aumenta también el valor de la variable pureza.

R2 0,8774
R 0,93671538
El modelo matemático es confiable debido a que el Coeficiente de Determinación R2 en este
caso es de 87,74%, se acerca a 1.

El porcentaje de explicación del modelo se define a partir del Coeficiente de Determinación
R2 en este caso es de 87,74% y el grado de relación de las dos variables es establecido por el
Coeficiente de Correlación R en este caso el grado de correlación de las dos variables % de
Hidrocarburo y pureza es de 0,93671538.
Análisis:
Con los resultados obtenidos se puede verificar que la ecuación de la recta tiene una excelente
relación entre las dos variables, es directa o positiva. Coeficiente de Determinación R² nos
asegura además que el modelo explica el 87,74 de la información siendo este confiable y el
Coeficiente de Correlación lineal confirma el grado de relación (0,93671538) entre las dos
variables % de hidrocarburo y Pureza
d. ¿Cuál es el porcentaje de hidrocarburo cuando la pureza del oxígeno es igual a 91,3?
R/
y= 91,3
x= ?
y = 14,947x + 74,283
91,3=14,947x + 74,283
91,3-74,283 = 14,947x
17,02/14947 = x
x = 1,13
El porcentaje de hidrocarburo es 1,13% cuando la pureza del oxígeno es igual a 91,3.
2.2 El número de libras de vapor (y) consumidas mensualmente por una planta
Química, se relaciona con la temperatura ambiental promedio (en o F). Para el año 2014, se
registraron los siguientes valores de temperatura y consumo anual:

Consumo Mensual Para Una Planta Química

Temperatura (oF) y Consumo de Vapor (Lb)
800
700 y = 9.2087x - 6.3184
Consumo de vapor (Lb)
R² = 0.9999
600
500
400
300
200
100
0
0 10 20 30 40 50 60 70 80
Temperatura (oF)
La Asociación de las variables Temperatura (oF) y Consumo de Vapor (Lb) es directamente
proporcional, esto es debido a que la pendiente de la ecuación es positiva, esto indica que a
medida que aumenta el valor la variable Temperatura (oF) aumenta también el valor de la
variable Consumo de Vapor (Lb).

Tipo de asociación de las variables Relación directa.
Modelo matemático y = 9,2087x - 6,3184
R2 0,9999
R 0,99993193
El modelo matemático es confiable debido a que el Coeficiente de Determinación R2 en este
caso es de 99,99%, se acerca a 1.
Coeficiente de Correlación R en este caso el grado de correlación de las dos variables
Temperatura (oF) y Consumo de Vapor (Lb) es de 0,99993193.
Análisis:
Con los resultados obtenidos se puede verificar que la ecuación de la recta tiene una excelente
relación entre las dos variables, es directa o positiva. Coeficiente de Determinación R² nos
asegura además que el modelo explica el 99,99% de la información siendo este confiable y el
Coeficiente de Correlación lineal confirma el grado de relación (0,99993193) entre las dos
variables Temperatura (oF) y Consumo de Vapor (Lb).
d. ¿Cuál es el de consumo de vapor cuando la temperatura es de 70 °F?
R/
y= ?
x= 70
y = 9,2087x - 6,3184
y= 638,2906
El consumo de vapor es 638,2906 cuando la temperatura es de 70 oF.
2.3 Los investigadores están estudiando la correlación entre la obesidad y la respuesta individual
al dolor. La obesidad se mide como porcentaje sobre el peso ideal (x). La respuesta al dolor se
mide utilizando el umbral de reflejo de reflexión nociceptiva (y) que es una medida de sensación
de punzada. Obsérvese que ambas, X e Y, son variables aleatorias:

Porcentaje de Sobrepeso y Umbral de reflejo de

flexión nociceptiva
Umbral de Reflejo de flexión nociceptiva
16
14
12
10
8
6 y = -0.0629x + 11.642
4 R² = 0.1115
2
0
0 20 40 60 80 100
Porcentaje de sobrepeso
La Asociación de las variables Porcentaje de Sobrepeso y Umbral de Reflejo de Flexión
Nociceptiva es leve e indirecta, esto es debido a que la pendiente de la ecuación es negativo, esto
indica que a medida que aumenta el valor la variable Porcentaje de Sobrepeso disminuye el valor
de la variable Umbral de Reflejo de Flexión Nociceptiva.
Tipo de asociación de las variables Relación inversa

Modelo matemático y = -0,0629x + 11,642
R2 0,1115
R -0,33390799
Confiabilidad No confiable
Grado de relación Mínima
El modelo matemático no es muy confiable debido a que el Coeficiente de Determinación R2
en este caso es de 11,15%, se acerca a 0.
Coeficiente de Correlación R en este caso el grado de correlación de las dos variables porcentaje
de sobrepeso y Umbral de Reflejo de Flexión Nociceptiva es de -0,333908.
Análisis:
Con los resultados obtenidos se puede verificar que la ecuación de la recta tiene una correlación
negativa o inversa, es decir una misma dirección descendiente, la relación de las dos variables es
leve. Coeficiente de Determinación R² nos asegura que el porcentaje del umbral de reflexión
nociceptiva del individuo es de 11,15 que se ven afectados por la variable de % de peso, y el
Coeficiente de Correlación Lineal es mínima o débil (-0,333908) entre las dos variables.
d. ¿Cuál es el umbral de reflejo de flexión nociceptiva, cuando hay un porcentaje de sobrepeso,

de 40?
R/
y= ?
x= 40
y = -0,0629(40) + 11,642
y= 9,126
El umbral de reflexión de flexión nociceptiva es de 9,126, cuando hay un porcentaje de
sobrepeso de 40.

Paso 4 - Descripción de La Información.

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Paso 4 - Descripción de La Información.

Transféré par

Droits d'auteur :

Formats disponibles

TRABAJO COLABORATIVO

Unidad 3: Pasó 4. Descripción de la información

Ena Raquel de la Ossa

Tatiana del Carmen Percy

Mónica Patricia Jiménez

Claudia Patricia Cadena

Grupo del Curso

comportamiento de una variable dada.

práctica, nos arrojará un modelo carente de sentido, es decir ilógico.

Sin embargo obtener el modelo de regresión no es suficiente para establecer la regresión, ya

una herramienta útil para la planeación.

variables están correlacionadas o bien que hay correlación entre ellas.

es fuerte o débil, positiva o negativa.

Estos conceptos estadísticos, son aplicados a las variables cuantitativas encontradas en la

muy útil a la hora de analizar el comportamiento de dos o más variables relacionadas.

pronosticar comportamientos en las variables suministradas.

Destacar la importancia y la utilidad de la Regresión y Correlación lineal simple para

servicio de urgencias 2018-16-4 del hospital Federico lleras (Ibagué)”

Aplicar la técnica de correlación y regresión lineal simple a las variables suministradas a

través de la información obtenida de la base de datos “Calidad en el servicio de urgencias 2018-

16-4 del hospital Federico lleras (Ibagué)”.

Realizar el diagrama de dispersión de las dos variables seleccionada.

Determinar el tipo de asociación entre las variables.

Construir el modelo matemático que más se ajuste a la serie de datos recolectados.

Determinar el grado de relación de las dos variables.

Analizar la relación entre las dos variables cuantitativas seleccionadas.

Estudiante 1: Ena Raquel de la Ossa

Variable Y: Estatura (M)

Variable X: Peso (Kg)

Tipo de asociación de las variables Relación directa

Análisis e interpretación de resultados

positiva y la fuerza o intensidad de esta correlación es fuerte.

El modelo matemático es confiable, debido a que R2= 86,45%

positiva, la fuerza y densidad de esta correlación es fuerte, el modelo matemático es confiable.

Estudiante 2: Tatiana del Carmen Percy

Análisis e interpretación de resultados

Dado un Coeficiente de Determinación igual a 34.16% se puede decir que la variabilidad de

A partir de la información otorgada de la sala de urgencias del Hospital Federico Lleras de

regular y la variabilidad de errores.

Estudiante 3: Janelle Figueroa Peñaranda

Variable Y: Estatura (M)

Variable X: Peso (Kg)

Tipo de asociación de las variables Relación directa

Análisis e interpretación de resultados

Este modelo es confiable en un 86.45%

Variable Y: Tiempo para Triage (min)

Variable X: Cantidad de Visitas en el Ultimo Trimestre

200 y = 2.955x + 174.87

Tipo de asociación de las variables Incorreción

En la figura se observa que la variable independiente (número de visitas en el último

la variable dependiente es continua.

La asociación en las dos variables cantidad de visitas en el último trimestre y tiempo de

al azar y no a una correlación propiamente dicha

Estudiante 5: Claudia Patricia Cadena

Variable Y: Peso (kg)

Tipo de asociación de las variables Relación directa

Análisis e interpretación de resultados.

La Asociación de las variables Edad y Peso (kg) es directamente proporcional, esto es

valor la variable Edad aumenta también el valor de la variable peso (Kg).

El modelo matemático no es muy confiable debido a que el Coeficiente de Determinación R2

en este caso es de 37,49%.

Peso (Kg) es de 0,61263305.

relación directa, el modelo matemático no es muy eficiente y la correlación lineal es regular.