Está en la página 1de 13

Estadística

Introducción y Objetivo

Vamos a analizar nuevamente los datos de los tiempos en los que se divide el tiempo
quirúrgico total y determinaremos la relación entre las variables dependientes y la
independientes y determinaremos cuales variables influyen en el tiempo Total de Cirugía.
Los datos analizados son de los últimos 26 meses el promedio de tiempo por mes.

Los tiempos a estudiar son: Tiempo de instalación de equipo, Tiempo de inducción de


anestesia, Tiempo de cirugía y Tiempo Total, siendo el Tiempo Total la única variable
dependiente.

El objetivo es detectar cual variable es la que más tiene influencia y priorizar los esfuerzos
a modificar la de mayor impacto.

Dentro de los modelos causales o asociativos encontramos el análisis de regresión o


regresión lineal, que es un método con enfoque cuantitativo que nos permite dar un
pronóstico. Agrupa una variable dependiente (TIEMPO TOTAL) con una o más variables
independientes a través de una ecuación lineal.

Los modelos de regresión lineal múltiple pueden ser utilizados como predictores de el
valor de la variable dependiente o para evaluar la influencia que tienen los predictores
sobre ella.

Estos modelos y coeficientes nos permiten formar hipótesis y poder comprobarlas de


forma numérica.

SE ANEXA ARCHIVO DE EXCEL PARA LA REVISION DE CALCULOS Y GRAFICOS.

Los datos obtenidos son del concentrado de cirugías y dictados quirúrgicos de


enfermería y quirófanos del Hospital Star Médica Lomas Verdes.

2
Análisis

Al realizar el gráfico de dispersión  es razonable pensar que existe una relación lineal
entre el Tiempo de Instalación de los Equipos y el Tiempo Total, para visualizar mejor está
afirmación se agrega una línea de tendencia que se realiza mediante los mínimos
cuadrados. Así a cada gráfico para cada variable independiente contra una dependiente.

GRAFICO 1

Tiempo de Instalación del Equipo vs Tiempo Total


170

150 f(x) = 0.94 x + 77.67


R² = 0.47

130
Tiempo Total

110

90

70

50
30 40 50 60 70 80 90

Tiempo de Instalación del Equipo

3
Estadísticas de la regresión
Coeficiente de correlación
múltiple 0.688211324
Coeficiente de determinación R^2 0.473634826
R^2 ajustado 0.450749384
Error típico 14.00150677
Observaciones 25

ANÁLISIS DE VARIANZA
Grados de
  libertad
Regresión 1
Residuos 23
Total 24

  Coeficientes
Intercepción 77.67118994
Variable X 1 0.942341364

A pesar de existe poca relación directa entre las variables lo que es revelado por el
resultado del coeficiente de determinación no es de tanto impacto como se pensaría con
un 0.473634 y ajustado 0.450749 lo que traduce que no alcanza ni el 50% de impacto
sobre el Tiempo Total.

4
GRAFICO 2

Tiempo de Inducción Anestesica vs Tiempo Total


170

150

130
f(x) = 0.22 x + 127.11
R² = 0
Tiempo Total

110

90

70

50
10 12 14 16 18 20 22

Tiempo de Inducción Anestesica

Estadísticas de la regresión
Coeficiente de correlación
múltiple 0.028144061
Coeficiente de determinación R^2 0.000792088
R^2 ajustado -0.042651734
Error típico 19.29119509
Observaciones 25

ANÁLISIS DE VARIANZA
Grados de
  libertad
Regresión 1
Residuos 23
Total 24

  Coeficientes
Intercepción 127.1095652
Variable X 1 0.22173913

5
En la gráfica 2 podemos observar una línea de tendencia casi horizontal, Los
errores positivos indican que el punto se encuentra sobre la línea de tendencia central y
los negativos por debajo.

En esta gráfica como se puede inferir por la distribución de la nube no tiene relación entre
sus variables como se comprueba con el coeficiente de determinación de 0.000792088
y ajustado -0.0426517 lo que revela poca relación inversa entre las variables.

GRAFICO 3

Tiempo de Cirugía vs Tiempo Total


170

150 f(x) = 0.9 x + 76.94


R² = 0.45

130
Tiempo Total

110

90

70

50
25 35 45 55 65 75 85 95

Tiempo de Cirugía

Estadísticas de la regresión
Coeficiente de correlación 0.66804953

6
múltiple
Coeficiente de determinación
R^2 0.44629017
R^2 ajustado 0.42221583
Error típico 14.3605912
Observaciones 25

ANÁLISIS DE VARIANZA
Grados de
  libertad
Regresión 1
Residuos 23
Total 24

  Coeficientes
Intercepción 76.9410412
Variable X 1 0.90376365

En el grafico 3 podemos observar una distribución muy similar a la de gráfico 1 donde a


simple vista y por la distribución de la nube interpretaríamos que existe una relación entre
las variables analizadas, sin embargo existe poca relación directa entre las variables
según el coeficiente de determinación de 0.44629017 y ajustado 0.42221583.

RESUMEN DE VARIABLES INDEPENDIENTES VS VARIABLE DEPENDIENTE

7
Estadísticas de la regresión

8
Coeficiente de correlación múltiple 1
Coeficiente de determinación R^2 1
R^2 ajustado 1
Error típico 0.00000000000000538110
Observaciones 25

ANÁLISIS DE VARIANZA
  Grados de libertad
Regresión 3
Residuos 21
Total 24

  Coeficientes
Intercepción (a) 0.00000000000002842171
Variable X 1 (b1) 1
Variable X 2 (b2) 1
Variable X 3 (b3) 1

Y=a+b1.X+b2.X+b3.X Función de Regresión Lineal Múltiple


Y=a+b1.X Función de Regresión Lineal Simple
Y=0.00000000000002842171+1X+1X+1X

Al relacionar todas las variables independientes con Tiempo Total (variable dependiente)
estamos realizando la REGRESIÓN LINEAL MÚLTIPLE y obtenemos un coeficiente de
determinación ajustado a 1, lo que se traduce a una influencia significativa de cada
variable.

Estas cifras traducidas a formulas nos permitirá el caculo del pronóstico de un año. Se
utilizo el año 2019 para el pronóstico arrojando los siguientes resultados con la variable de
Tiempo de Instalación de los Equipos que es la que en hipótesis causaba mayor impacto
sobre el Tiempo Total.

Pronóstico para el segundo semestre 2020 (Julio 2020 a Dic 2020)


120.0735

9
140.8041
114.4197
155.8809
140.8041
127.6119

Conclusión

10
Para nuestro análisis el valor de r se encontró en 1. Como es positivo, esto indica que
existe una relación directa entre las variables. Además, su valor es próximo a 1 indicando
una dependencia lineal muy fuerte.

En todas las áreas del conocimiento se suponen las influencias de las acciones o se
desea conocer el impacto de las decisiones y ajustes que se realizan por supuesto de
acuerdo a pronósticos.

¿Podemos realizar pronósticos equivocados por basarlos solo en suposiciones?


La respuesta es SI.

Los métodos de enfoque cuantitativo son herramientas de la estadística que nos permiten
emitir pronósticos basados en comportamientos documentados y traducidos a datos
numéricos para por medio de cálculos corroborar o descartar nuestras hipótesis acerca
del futuro, disminuyendo así el rango de error.

Recordemos que los pronósticos no son definitivos solo aproximados.

Bibliografía

11
Monroy, S. S. (2005). Estadística descriptiva. Retrieved from
https://ebookcentral.proquest.com

García, R. J. A., Ramos, G. C. D., & Ruiz, G. G. (2008). Estadística administrativa.


Retrieved from https://ebookcentral.proquest.com

García, R. J. A., Ramos, G. C. D., & Ruiz, G. G. (2008). Estadística administrativa.


Retrieved from https://ebookcentral.proquest.com

Pindyck, R., & Rubinfeld, D. (2001). Econometría: Modelos y pronósticos (4a.


ed.). Recuperado de https://ebookcentral.proquest.com

Técnicas experimentales de Física General. (s.f.). Ajuste de una recta por mínimos


cuadrados [PDF en línea]. Recuperado  en
http://www.uv.es/zuniga/08_Ajuste_de_una_recta_por_minimos_cuadrados.pdf

Víquez, M (2019). Regresión [PDF]. México.

Campos-Aranda, D. (2016). Una aplicación hidrológica de la regresión lineal múltiple


ponderada [PDF en línea]. Tecnología y Ciencias del Agua, VII (4), 161-173. Recuperado
en http://www.scielo.org.mx/pdf/tca/v7n4/2007-2422-tca-7-04-00161.pdf

Cívico, A., & Núñez, N., & Gómez-Cortés, P., & Peña, F., & de la Fuente, M., & Juárez,
M., & Martínez, A. (2016). Comunicación breve: estudio del origen de ácido ruménico
presente en la grasa láctea de cabras mediante un modelo de regresión lineal [PDF en
línea]. Revista Científica, XXVI (6), 397-401. Recuperado en
http://cientificajournal.com/index.php/path/article/view/379/374

De la Fuente, J. (2018). Mínimos cuadrados lineales [PDF en línea]. Recuperado en


http://www.jldelafuenteoconnor.es/Clase_mincua_lineal_2018.pdf

Anáhuac Online y Víquez, M. (2016). Regresión en EXCEL [Video]. México: Anáhuac


Online.

Brandon Foltz. (2013). Statistics 101: Simple Linear Regression (Part 1), The Very
Basics [Video]. Recuperado en https://youtu.be/ZkjP5RJLQF4

Brandon Foltz (2013). Statistics 101: Simple Linear Regression (Part 2), Algebra,
Equations, and Patterns [Video]. Recuperado en https://youtu.be/iAgYLRy7e20

Brandon Foltz (2013). Statistics 101: Simple Linear Regression (Part 3), The Least
Squares Method [Video]. Recuperado en https://youtu.be/Qa2APhWjQPc

Universidade de Vigo. (2013). Modelo de regresión lineal múltiple [Video]. Recuperado en


https://youtu.be/yeqQnQlqRmU

MIT OpenCourseWare. (2009). Lec 16 | MIT 18.06 Linear Algebra, Spring 2005 [Video].


Recuperado en https://youtu.be/osh80YCg_GM

12
KhanAcademy. (s.f.). Aproximación por mínimos cuadrados [Video]. Recuperado en
https://es.khanacademy.org/math/linear-
algebra/alternate_bases/orthogonal_projections/v/linear-algebra--least-squares-
pproximation

13