UNIVERSIDAD REGIONAL AUTÓNOMA DE LOS ANDES

“UNIANDES”

Carrera de Medicina

INVESTIGACIÓN Y BIOESTADÍSTICA l
Dr. Nestor Quinapanta
Estudiante: Mena Robayo Josafat Nain
Curso: Tercero “E”
Requisitos para regresión lineal:
1. Distribución normal las variables
2. las observaciones sean independientes entre sí
3. Homocedasticidad

Variables entradas/eliminadasa
Variables Variables
Modelo entradas eliminadas Método
b
1 Altura . Introducir
a. Variable dependiente: Peso
b. Todas las variables solicitadas introducidas.

Resumen del modelo

Error estándar
R R cuadrado de la
Modelo R cuadrado ajustado estimación
a
1 ,149 ,022 ,014 11,03502
a. Predictores: (Constante), Altura
R CUADRADO:
Interpretación

El coeficiente R cuadrado proporciona información sobre la proximidad del modelo a la

realidad y cuánta variabilidad en la variable dependiente (Y) se explica por la variabilidad
en la variable independiente (X). En este análisis, se observa que el R cuadrado es bajo,
específicamente 2.2%, indicando que solo una pequeña fracción de la variabilidad en el
peso se explica a partir de la variabilidad en la altura.

En términos prácticos, esto significa que el modelo tiene una capacidad limitada para
explicar la relación entre la altura y el peso, ya que solo el 2.2% de la variabilidad en el
peso puede ser atribuido a las variaciones en la altura. En general, un R cuadrado tan bajo
sugiere que el modelo no es eficaz para explicar la relación entre estas dos variables y
puede considerarse insuficiente para describir la realidad de manera significativa.
ANOVAa
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 341,947 1 341,947 2,808 ,096b
Residuo 14977,925 123 121,772
Total 15319,872 124
a. Variable dependiente: Peso
b. Predictores: (Constante), Altura

Estadístico F

Variable dependiente: Peso

Predictor: Altura

No solo se aplica para ESTADÍSTICO F sino se aplica para 3 pruebas principalmente; en

regresiónlineal, en ANOVA y en Levene.
ESTADÍSTICO F se aplica para regresión lineal también.
ANOVA compara grupos, en regresión lineal compara cada una de las unidades que
conforman X, y si hay diferencia entre las unidades.

H0: indica igualdad entre cada uno de los grupos de X, no existe relación lineal
H1: indica desigualdad entre cada uno de los grupos de X, si existe relación lineal
Interpretación:

• Suma de cuadrados explicado por la regresión nos da 341,947, es decir de

15319,872 cosas mi modelo explica apenas 341,947 cosas, es muy poco, y deja de
explicar 14977,925 cosas de 15319,872 lo que quiere decir que dejas de explicar
casi todo

• Por si solo el valor F no tiene ningún valor, pero tenemos la significación estadística
de 0.096, lo que nos quiere decir que 0.096 es mayor que 0.05, como es mayor, no
se rechaza la hipótesis.
• En este caso, es mayor que 0.05 así que no se rechaza la hipótesis nula, lo que
indica que no existe relación lineal entre las dos variables, aparte es un mal modelo
para explicar dicha relación, por lo cual concluyo que no tiene relación lineal.
• Tengo la variable X que es la independiente y Y que es la dependiente, por cada
cambio de valores de X cambia también los valores de Y, y si hay cambio en los
valores de Y, concluimos que existe una relación lineal.
 Coeficientesa
Coeficientes
Coeficientes no estandarizado
estandarizados s
Modelo B Desv. Error Beta t Sig.
1 (Constante 43,952 16,211 2,711 ,008
)
Altura ,172 ,103 ,149 1,676 ,096
a. Variable dependiente: Peso

Explorar

Resumen de procesamiento de casos

Casos
Válido Perdidos Total
Porcentaj Porcentaj
N e N e N Porcentaje
Peso 125 100,0% 0 0,0% 125 100,0%
Altura 125 100,0% 0 0,0% 125 100,0%

Descriptivos
Error
Estadístico estándar
Peso Media 71,0675 ,99417
Límite inferior 69,0998
 95% de intervalo de Límite 73,0353
confianza para la media superior
Media recortada al 5% 70,8746
Mediana 70,0000
Varianza 123,547
Desv. estándar 11,11519
Mínimo 47,00
Máximo 96,00
Rango 49,00
Rango intercuartil 17,50
Asimetría ,255 ,217
Curtosis -,631 ,430
Altura Media 157,49 ,863
95% de intervalo de Límite inferior 155,78
confianza para la media Límite 159,20
superior
Media recortada al 5% 157,42
Mediana 156,00
Varianza 93,026
Desv. estándar 9,645
Mínimo 105
Máximo 180
Rango 75
Rango intercuartil 10
Asimetría -,754 ,217
Curtosis 6,433 ,430

Pruebas de normalidad
Kolmogorov-Smirnova Shapiro-Wilk
Estadístico gl Sig. Estadístico gl Sig.
Peso ,086 125 ,024 ,976 125 ,025
Altura ,107 125 ,001 ,900 125 <,001
a. Corrección de significación de Lilliefors
Kolmogorov Smirnov

Se aplicó Kolmogorov Smirnov porque es una muestra mayor de 30, se debe hacer antes
de regresión lineal

H0: indica igualdad, si sigue una distribución normal

H1: indica desigualdad, no sigue una distribución normal
Interpretación:

• En la prueba de normalidad obtuvimos que el valor es menor a 0.05 por lo que

rechazamos la hipótesis nula y aceptamos la hipótesis alternativa, quiere decir que
no sigue una distribución normal.
• Ninguna de las dos sigue una distribución normal.
• La prueba de Kolmogorov Smirnov compara la distribución de una distribución
normal teórica que es la campana de Gauss con una distribución muestral.
• En este caso la hipótesis alternativa me dice que la campana de Gauss no es igual a
la distribución de datos muestral, así que concluyo que rechazo la H0 y acepto la
H1, por tanto, no sigue una distribución normal, ni el peso ni la altura siguen una
distribución normal.

Peso
Interpretación:

• Se ve claramente que el peso no sigue una distribución normal, y es de tipo

asimétrica positiva.

Interpretación:
• Se observa que muy pocos datos o casi ninguno caen encima de la línea, la mayoría
cae fuera de la recta por lo tanto puedo confirmar que no sigue una distribución
normal.
UNIVERSIDAD REGIONAL AUTÓNOMA DE LOS ANDES
“UNIANDES”
Altura

Interpretación:

• Se observa claramente que no sigue una distribución normal y es de tipo asimétrica

negativa.
Interpretación:
• Se observa que muy pocos datos o casi ninguno caen encima de la línea, la mayoría
cae fuera de la recta por lo tanto puedo confirmar que no sigue una distribución
normal.
Prueba T

Estadísticas de grupo
SEXO Desv. Media de error
RECODIFICADA N Media estándar estándar
Peso ,00 62 71,4226 9,30537 1,18178
1,00 63 70,7181 12,71421 1,60184

- Se transforma la variable sexo para poder aplicar en la prueba T de Student, porque

no se puede utilizar una variable cualitativa.
 Prueba de muestras independientes
Prueba de Levene de igualdad
de varianzas prueba t para la igualdad de medias

Significación
P de un P de dos Diferencia de Diferencia
F Sig. t gl factor factores medias error estánd
Peso Se asumen varianzas 7,067 ,009 ,353 123 ,362 ,725 ,70449 1,995
iguales
No se asumen varianzas ,354 113,642 ,362 ,724 ,70449 1,990
iguales

T de Student

Es una prueba paramétrica para contraste de hipótesis para 2 medias dependientes o 2 medias independientes o 1 media
dependiente. Me sirve para hacer contraste de hipótesis.

Requisitos para aplicar la prueba T de Student:

1. Sigan una distribución normal las variables
2. Las variables tengan homocedasticidad
3. Datos menores de 30
Variable dependiente: Peso (cuantitativa)
Variable agrupación: Sexo (cualitativa dicotómica)

H0: indica igualdad, la media del peso de los hombres y la media del peso de las mujeres
es igual.
H1: indica desigualdad, la media del peso de los hombres y la media del peso de las
mujeres no es igual.

Interpretación:

• La significación nos da 0.725 que es mayor que 0.05, así que no se rechaza la
hipótesis nula, lo que nos indica que, si existe igualdad, la media del peso de los
hombres y la media del peso de las mujeres es igual, es lo mismo.

Prueba de Levene

Es para comparar las varianzas.

Me sirve para saber si hay homocedasticidad o no.

H0: indica igualdad, si hay homocedasticidad y que la varianza 1 es igual a la varianza 2.

H1: indica desigualdad, no hay homocedasticidad y que la varianza 1 no es igual a la
varianza 2.

Interpretación:
• La significación nos da 0.09 que es mayor que 0.05, así que se rechaza la hipótesis
nula y se acepta la hipótesis alternativa, lo que nos indica que no son iguales las
varianzas, no hay homocedasticidad, si no hay homocedasticidad en teoría no se
debería aplicar T de Student.

Tamaños de efecto de muestras independientes

Intervalo de confianza al
Standardizer Estimación de 95%
a puntos Inferior Superior
Peso d de Cohen 11,15463 ,063 -,288 ,414
corrección de 11,22322 ,063 -,286 ,411
Hedges
delta de Glass 12,71421 ,055 -,296 ,406
Unidireccional

ANOVA

Suma de Media
cuadrados gl cuadrática F Sig.
Entre grupos 2056,960 11 186,996 1,480 ,148
Dentro de 14272,832 113 126,308
grupos
Total 16329,792 124

ANOVA

Sirve para analizar las varianzas entre más de dos muestras independientes o
dependientes.
Compara la variabilidad entre grupos que lo compara con la suma de cuadrados y la
variabilidad dentro de los grupos que lo compara con la suma de cuadrados.

Variable resultado: Edad

Variable independiente: Estancia hospitalaria
Tenemos 11 grupos y voy a comparar entre ellos la variable cuantitativa edad, para saber
si los que estuvieron más días hospitalizados, porque las personas de mayor edad duran
más días hospitalizados que las personas jóvenes.
 H0: indica igualdad, no hay diferencia en la varianza de la edad en los distintos
días deestancia hospitalaria.
H1: indica desigualdad, si hay diferencia en la varianza de la edad en los distintos
días deestancia hospitalaria.

Interpretación:

Se realizó un análisis utilizando la F de Fisher, obteniendo un valor de 1.480, el

cual, por sí solo, no proporciona información significativa. Al evaluar la
significación, que resultó en 0.148 (mayor que 0.05), no se rechaza la hipótesis
nula. Esto sugiere que no existe una diferencia significativa en la varianza de la
edad en los distintos días de estancia hospitalaria, indicando que, en promedio,
la edad es similar en todos los días de estancia.

En consecuencia, no se observa una disparidad significativa en las edades entre

los diferentes períodos de estancia hospitalaria. En otras palabras, aquellos que
estuvieron hospitalizados durante 14 días compartían una edad similar a
aquellos que estuvieron solo 3 días, sin diferencias estadísticamente
significativas. Además, se concluye que la edad no ejerce un impacto
significativo en la duración de la estancia hospitalaria, ya que no se encontraron
diferencias significativas en este contexto.
Tamaños de efecto ANOVAa,b
Intervalo de confianza al
Estimación de 95%
puntos Inferior Superior
Edad Eta cuadrado ,126 ,000 ,164
Epsilon cuadrado ,041 -,097 ,082
Omega cuadrado efecto ,041 -,096 ,082
fijo
Omega cuadrado efecto ,004 -,008 ,008
aleatorio