Universidad Santa María

Facultad de Faces
Nucleo Oriente
Estudiante: Yaremis Ojeda 28.286.334
Estadísticas III. Trabajo 2.
La compañía ACME da servicios de mantenimiento a los sistemas de filtración
de agua ella desea predecir el tiempo necesario para la reparación y cumplir con la
solicitud de servicio de mantenimiento. La compañía tiene la siguiente data:
Tiempo en horas Meses transcurridos Tipo de reparación Persona que realiza
necesario para la desde el último la reparación
reparación servicio

2.9 2 Eléctrico Dave Newton

3.0 6 Mecánico Dave Newton
4.8 8 Eléctrico Bob Jones
1.8 4 Mecánico Dave Newton
2.9 2 Eléctrico Dave Newton
4.9 7 Eléctrico Bob Jones
4.2 9 Mecánico Bob Jones
4.8 8 Mecánico Bob Jones
4.4 4 Eléctrico Bob Jones
4.5 6 Eléctrico Dave Newton

a) Obtenga la ecuación de regresión lineal estimada que permita predecir el

tiempo que se requiere para una reparación dados los meses transcurridos
desde la última reparación, el tipo de reparación y la persona que realizo la
reparación.
b) Empleando como nivel de significancia de α =0.05 , realice una prueba para
ver si la ecuación de regresión estimada representa una relación significativa
entre las variables dependientes y la variable independiente
1) Determinación de los tipos de variables:
Se tienen dos covariables:
 “Meses transcurridos desde el último servicio”, variable cuantitativa.
 “Tipo de reparación”, variable cualitativa.

2) Creación de una variable binaria para representar la variable cualitativa “tipo de

reparación”. Una variable cualitativa con k niveles ingresa al modelo como k-1 variables
binarias, por lo que:
 “Tipo de reparación: Eléctrico” toma el valor 1.
 “Tipo de reparación: Mecánico” toma el valor 0.

Meses transcurridos Tipo de reparación. Tiempo en horas

No Solicitud de
desde el último Eléctrica=1 necesario para la
Servicio
servicio Mecánica=0 reparación

1 2 1 3.9
2 6 0 3
3 8 1 4.8
4 4 0 1.8
5 2 1 2.9
6 7 1 4.9
7 9 0 4
8 8 0 4.8
9 4 1 4.4
10 6 1 4.5

Con lo que se obtiene el siguiente modelo lineal:

T i=β 0 + β 1 M i+ β2 Ri +∈i
Donde:

T = Tiempo en horas necesario para la reparación.

M = Meses transcurridos desde el último servicio.
R = Tipo de reparación,

{
Ri 1 si eltipo de reparación es Eléctrico
0 si eltipo de reparación es Mecánico .

E ( T i|R i=1 ) =β 0+ β 1 M i + β 2 1=β 0 + β 1+ β 2

E ( T i|R i=0 ) =β 0 + β 1 M i + β 1 0=β 0+ β1

3) Ingreso de datos al programa SPSS:

4) Aplicación de regresión lineal con variables dicotómicas, donde la variable T

(tiempo en horas necesario para la reparación) es la variable dependiente y M y Y son las
variables independientes:
5) Obtención de resultados a través del programa SPSS:

6) Interpretación de los resultados:

Correlaciones
T M R
Correlación de Pearson T 1,000 ,524 ,420
M ,524 1,000 -,395
R ,420 -,395 1,000
Sig. (unilateral) T . ,060 ,114
M ,060 . ,129
R ,114 ,129 .
N T 10 10 10
M 10 10 10
R 10 10 10

Interpretación de las Correlaciones:

 Las correlaciones no tienen un coeficiente mayor a .9 en ninguna de las variables,
y la correlación entre M y R es menor al 5% (α=0.05), por lo cual no es estadísticamente
significativa.
 Resumen del modelo
Estadísticos de cambio
R cuadrado Error estándar de
Modelo R R cuadrado Cambio en R Sig. Cambio
ajustado la estimación Cambio en F gl1 gl2
cuadrado en F
1 ,860 a
,740 ,666 ,59258 ,740 9,970 2 7 ,009
a. Predictores: (Constante), R, M

Interpretación del resumen del modelo:

 En la primera columna llamada R se presentan el valor del coeficiente de
correlación múltiple entre los predictores y la variable criterio. El valor de R es resultados
de la correlación entre los meses transcurridos desde el último servicio y el tipo de
reparación con el tiempo en horas necesario para la reparación; que en este caso es de
0.860, lo que indica una correlación fuerte.
 R cuadrada indica qué tanto el cambio en la variable de interés es debido a las
variables predictoras, que en este caso es de 0,740 o 74% de la varianza en el tiempo en
horas necesario para la reparación.
 El R cuadrado ajustado indica qué tan generalizable es el modelo y lo ideal es que
su valor sea el mismo o muy cercano a R cuadrado. La varianza entre ambos es de 7,4%
(74%-66,6%), lo que indica que si el modelo se derivara de toda la población en lugar de
una muestra como en este caso, representaría aproximadamente un 1,6% menos de
varianza en el resultado.

ANOVAa
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 7,002 2 3,501 9,970 ,009b
Residuo 2,458 7 ,351
Total 9,460 9
a. Variable dependiente: T
b. Predictores: (Constante), R, M

Interpretación del análisis de varianza (ANOVA):

 El valor de F representa la proporción de la mejora en la predicción del modelo, en
relación con la inexactitud que todavía existe. Al valor de F ser mayor que uno, la mejora
debida al ajuste del modelo de regresión es mucho mayor a la inexactitud dentro del
 modelo. SPSS calcula la probabilidad exacta de obtener el valor de F por casualidad.
Para el modelo, la relación F es 9,970, lo cual es muy poco probable que haya sucedido
por casualidad siendo el valor crítico de F estadísticamente significativo (menor al 5%
(α=0.05)).

Coeficientesa
Coeficientes no Coeficientes
Estadísticas de colinealidad
Modelo estandarizados estandarizados t Sig.
B Desv. Error Beta Tolerancia VIF
(Constante) 1,140 ,651 1,750 ,124
1 M ,335 ,086 ,818 3,898 ,006 ,844 1,185
R 1,475 ,416 ,743 3,542 ,009 ,844 1,185
a. Variable dependiente: T

Interpretación los coeficientes obtenidos:

 Se substituyen los coeficientes obtenidos para determinar el modelo lineal que
relaciona las variables:
T^ i=1,14+ 0,335 M i +1,475 R i

Donde R=0 (cuando el Tipo de reparación es Mecánico), ya está incluida dentro del
intercepto 1,14. Y se observa que los estadísticos t de los tres coeficientes son
estadísticamente significativos (menor al 5% (α=0.05)).

 El modelo lineal obtenido permite particularizar cada variable:

T^ R =0 i =1,14+0,335 M i

T^ R =1 i=1,14 +0,335 M i+ ( 1,475 ×1 ) → T^ R=1 i=1,14+0,335 M i +1,475

→ T^ R=1 i=2,615+0,335 M i

Siempre teniendo en cuenta los valores de error típico, que presentan el porcentaje
de variación que puede haber entre los valores obtenidos al aplicar el modelo lineal y la
información registrada por la compañía ACME.