Universidad de Medellín

Facultad de ingenierías
Programa de ingeniería financiera-industrial

ESTADÍSTICA APLICADA

Proyecto de aula

INTEGRANTES:
Diego Alejandro Fernández Hernández
Carolina Giraldo Soto
Alejandro Guarín Cardona
Maria Paula Márquez Venegas

PRESENTADO A:
Luz Marcela Restrepo Tamayo

Medellín, Colombia
01 Noviembre de 2018
 I. INTRODUCCION
Actualmente vivimos en un entorno globalizado y altamente
competitivo, lo cual impone que hoy nuestras industrias se vean
enfrentadas principalmente a tres grandes retos: la optimización
de recursos y procesos, la reducción de los costos y la
disminución de los riesgos. Es aquí donde las herramientas de
inferencia estadística y regresión lineal simple, permiten
alcanzar en gran medida estos objetivos, a través de la
experimentación y análisis de escenarios visualizados donde se
pueda conocer el comportamiento de las variables en el tiempo,
realizar modificaciones experimentales de los parámetros de un
sistema y conocer las estadísticas e indicadores para tomar
decisiones basadas en información exacta y oportuna. Con base
en esto, el desarrollo de este proyecto se enfoca en buscar
cumplir todos estos ideales en los casos y escenarios
presentados, de este modo por medio de los análisis y estudios
ejecutados realizar un diagnóstico y toma de decisiones
óptimas. Enfocado desde el campo de la ingeniería empleando
los conceptos vistos en la materia estadística aplicada y
realizando estudios estadísticos se permitirá tener una mayor
certeza y claridad a la hora de tomar decisiones, con lo cual se
busca facilitar la utilización de herramientas estadísticas en la
industria y otros campos de aplicación.
 II. DESARROLLO
INTEL / GOOGLE
PUNTO #1 Nivel de significancia (α) 0,05
Estadistico de pruba (Z) -0,838888607
(1.a) Tabla #1. Intervalos de confianza al 95% α/2 0,025
Z α/2 1,96

INTERVALO DE CONFIANZA AL 95% Ho: μ1-μ2 = 0

Ha: μ1-μ2 ≠ 0
Z α/2 1,96 R/ No se rechaza Ho por que -0,8389<1.96
INTERVALO DE CONFIANZA AL 99%
MICROSOFT / GOOGLE
Z α/2 2,58 Nivel de significancia (α) 0,05
Estadistico de pruba (Z) -1,033275839
Intervalo confianza del 95% Intervalo confianza del 99% α/2 0,025
Z α/2 1,96
Limite inferior Limite superior Limite inferior Limite superior
INTEL 0,000274397 0,000341663 0,000263757 0,000352303 Ho: μ1-μ2 = 0
MICROSOFT - 0,001818459 - 0,001481712 - 0,001871724 - 0,001428447 Ha: μ1-μ2 ≠ 0
AMAZON 0,003957237 0,004303786 0,003902421 0,004358601 R/ No se rechaza Ho por que -1,033<1.96
GOOGLE 0,0008 0,000917543 0,000838033 0,000928402 AMAZON / GOOGLE
Nivel de significancia (α) 0,05
Para el rendimiento promedio de las acciones de Intel, Amazon Estadistico de pruba (Z) 1,28846657
α/2 0,025
y Google podemos notar que con un 95% de confianza los Z α/2 1,96

intervalos de los promedios de cada uno son positivos lo que Ho: μ1-μ2 = 0
Ha: μ1-μ2 ≠ 0
quiere decir que al hacer inversión se espera obtener utilidades R/ No se rechaza Ho por que -1,2885 < 1.96
en cambio para el caso de Microsoft se esperaría obtener
perdidas. Si se incrementa el nivel de confianza a un 99% lo que (1.c) Podemos decir que existe una diferencia significativa en
sucederá con los intervalos sus rangos aumentaran los pares de acciones Microsoft /Google y Amazon/Google lo
disminuyendo así el nivel de exactitud donde se encuentra el que nos indica que las volatilidades en estos pares de acciones
valor real de la media. son diferentes es decir que una es más volátil que la otra, caso
contrario a lo que ocurre en cada uno de los otros casos, donde
(1.b) En cada una de las 6 combinaciones el estadístico de sus volatilidades son similares dando por entendido que el
prueba es menor al valor critico razón por la cual se decide riesgo de inversión es más pequeño.
rechazar la hipótesis nula (Ho: μ1-μ2 = 0), lo que nos lleva a
decir que el comportamiento de los rendimientos de las acciones Tabla #3. Volatilidades diarias de los rendimientos
son muy similares es decir que ambas suben y bajan casi de INTEL / MICROSOFT
igual manera, lo que significa que no existe un criterio definido Nivel de significancia (alfa) 0,05
Estadistico de pruba (Z) 0,0399007
para llevar acabo la decisión al momento de elegir un activo es alfa/2 0,025
F(alfa/2,n1-1,n1-2) 1,15
indiferente cuál tome.

Tabla #2. Rendimientos promedio diario Ho: sigma1 = sigma 2

Ha: sigma1 ≠ sigma 2
R/ No se rechaza Ho por que 0,0399 < 1.15
INTEL / MICROSOFT
INTEL / AMAZON
Nivel de significancia (α) 0,05
Nivel de significancia (alfa) 0,05
Estadistico de pruba (Z) 0,799307428 Estadistico de pruba (Z) 0,037675402
α/2 0,025 alfa/2 0,025
Z α/2 1,96 F(alfa/2,n1-1,n1-2) 1,15

Ho: μ1-μ2 = 0
Ha: μ1-μ2 ≠ 0 Ho: sigma1 = sigma 2
R/No se rechaza Ho por que 0.7993<1.96 Ha: sigma1 ≠ sigma 2
R/ No se rechaza Ho por que 0,03768 < 1.15
INTEL / AMAZON MICROSOFT / AMAZON
Nivel de significancia (α) 0,05 Nivel de significancia (alfa) 0,05
Estadistico de pruba (Z) -1,517835506 Estadistico de pruba (Z) 0,944228394
α/2 0,025 alfa/2 0,025
F(alfa/2,n1-1,n1-2) 1,15
Z α/2 1,96

Ho: μ1-μ2 = 0 Ho: sigma1 = sigma 2

Ha: μ1-μ2 ≠ 0 Ha: sigma1 ≠ sigma 2
R/ No se rechaza Ho por que -1,5178 < 1.96 R/ No se rechaza Ho por que 0,9442 < 1.15
MICROSOFT / AMAZON INTEL / GOOGLE
Nivel de significancia (α) 0,05 Nivel de significancia (alfa) 0,05
Estadistico de pruba (Z) -1,676907502 Estadistico de pruba (Z) 0,960054252
α/2 0,025 alfa/2 0,025
Z α/2 1,96 F(alfa/2,n1-1,n1-2) 1,15

Ho: μ1-μ2 = 0
Ho: sigma1 = sigma 2
Ha: μ1-μ2 ≠ 0 Ha: sigma1 ≠ sigma 2
R/ No se rechaza Ho por que -1,6769 < 1.96 R/ No se rechaza Ho por que 0,9601 < 1.15
 MICROSOFT / GOOGLE AMAZON / GOOGLE
Nivel de significancia (alfa) 0,05 Nivel de significancia (alfa) 0,05
Estadistico de pruba (Z) 24,06107017 t(alfa,n-2) 1,647
alfa/2 0,025 Estadistico de pruba (T) 126,6247335
F(alfa/2,n1-1,n1-2) 1,15
Ho: P1 = 0
Ho: sigma1 = sigma 2 Ha: P1 ≠ 0
Ha: sigma1 ≠ sigma 2 R/ Se rechaza Ho por que 126,6247 > 1.647
R/ Se rechaza Ho por que 24,0611 > 1.15
AMAZON / GOOGLE (1.2) Decidimos utiliza la prueba de normalidad de
Nivel de significancia (alfa) 0,05
Estadistico de pruba (Z) 25,48225653 Kolmogorov-Smirnov ya que esta tiene una mayor vigencia
alfa/2 0,025
F(alfa/2,n1-1,n1-2) 1,15 para los datos centrales y no es tan sensible como la prueba que
propone Anderson-Darling, el cual es muy eficiente, pero es
Ho: sigma1 = sigma 2
Ha: sigma1 ≠ sigma 2
sensible a los valores a típicos, valores que son muy probables
R/ Se rechaza Ho por que 25,4823 > 1.15 de encontrar debido a nuestro tipo de muestra.
(1.d) En la correlación non existe una diferencia significativa, Para los rendimientos de las acciones Intel, Google, Microsoft
analizando cauda uno de pares de acciones podemos decir que y Amazon, por el estadístico Kolmogorov-Smirnov el valor p
las correlaciones entre las acciones son diferentes de 0, en 5 de nos arrojó un valor de cero, por ende, como este valor es menor
los 6 casos analizados previamente decimos que hay una baja que 0.5 se rechaza nuestra hipótesis nula de normalidad (0 < 0.5)
linealidad en el comportamiento de las acciones excepto en y por lo tanto los datos no se ajustan a la distribución normal.
Microsoft que notamos un linealidad negativa o inversa debido
a una correlación negativa. (1.3) De acuerdo al programa @Risk, ninguna distribución se
ajustó de manera adecuada a los rendimientos diarios de las
Tabla #4. Correlación entre los rendimientos diarios de las acciones Microsoft y Amazon, dado que todos los valores p
acciones dieron un valor de cero, no hay ninguna distribución que se
INTEL / MICROSOFT ajuste por el programa utilizado. Pero para las acciones de Intel
Nivel de significancia (alfa) 0,05 y Google nos arrojó un valor p de 0,0320 y 0,0100
t(alfa,n-2) 1,647
Estadistico de pruba (T) 53,3124149 respectivamente, por ende, se concluye que para el
Ho: P1 = 0 comportamiento de los datos la distribución que mejor se ajusta
Ha: P1 ≠ 0 es Laplace puesto que tiene el valor p más alto, lo que indica
R/ Se rechaza Ho por que 53,3124 > 1.647
INTEL / AMAZON que puede medir mejor el comportamiento de los datos.
Nivel de significancia (alfa) 0,05
t(alfa,n-2) 1,647 Tabla #5. Percentiles al 1% y 95%
Estadistico de pruba (T) 97,93011744

Ho: P1 = 0 1% 95%
Ha: P1 ≠ 0
INTEL -0,03501324 0,02184668
R/ Se rechaza Ho por que 97,9301 > 1.647
MICROSOFT / AMAZON
MICROSOFT -0,03859233 0,0208115
Nivel de significancia (alfa) 0,05 AMAZON -0,039935 0,02536643
t(alfa,n-2) 1,647 GOOGLE -0,03387133 0,01944992
Estadistico de pruba (T) -4629,855489

Ho: P1 = 0 En el percentil del 1% se puede observar que en este intervalo

Ha: P1 ≠ 0
se obtendrán rendimientos negativos ya que es muy pequeño, y
R/ No se rechaza Ho por que -4629,8555 < 1.647
en el percentil del 95% se puede evidenciar que se obtendría
INTEL / GOOGLE rendimientos positivos, ya que todos dieron valores positivos.
Nivel de significancia (alfa) 0,05
t(alfa,n-2) 1,647
Estadistico de pruba (T) 338,7040762 PUNTO #2
Ho: P1 = 0
Ha: P1 ≠ 0 (2.1) Después de haber realizado las regresiones lineales se
R/ Se rechaza Ho por que 338,7041 > 1.647 determinaron sus respectivas ecuaciones, las cuales fueron:
MICROSOFT / GOOGLE
Nivel de significancia (alfa) 0,05
t(alfa,n-2) 1,647 Intel = Y = -0,048740697 + 0,049093277(X)
Estadistico de pruba (T) 93,35669733
Microsoft = Y = -0,023281388 + 0,021653236(X)
Ho: P1 = 0
Ha: P1 ≠ 0
R/ Se rechaza Ho por que 93,3567 > 1.647
Amazon = Y = -0,080129798 + 0,084332233(X)
Google = Y = -0,045625725 + 0,04655043 (X)
De las anteriores ecuaciones se escogió Amazon para explicar
los términos de la ecuación
 Amazon = Y = -0,080129798 + 0,084332233(X)
Donde X = rentabilidad del índice, Y = rentabilidad del activo
Si la rentabilidad del índice es 0 mínimamente la rentabilidad
del activo será de -0,080129798, la rentabilidad del activo
aumentara en 0,084332233 por cada unidad que aumenta la
rentabilidad del índice.
En el gráfico de los errores residuales para Amazon, podemos
ver que como no existe una dispersión significativa en los
residuos respecto a los rendimientos, ósea que no existe una
varianza entre estos, el modelo no sirve [1]
Grafica #1. Gráfico de Residuales para Amazon
Rendimiento S&P500
Gráfico de los residuales
5 = 0,06289514; podemos determinar que el beta del portafolio es
Residuos
0
0 0,5 1 1,5
-5
Rendimiento S&P500
(2.2) Como se puede observar en el Anexo 1 el β para cada uno
de los modelos es menor a uno, lo que nos indica que el beta es
de valor defensivo, por lo tanto las acciones tienen una menor
variabilidad (volatilidad) que el S&P500 o también que posee
un menor riesgo con respecto al mercado.
(2.3)
Tabla #6. Beta de los activos
INTEL MICROSOFT AMAZON GOOGLE
β 0,04909328 0,021653236 0,084332233 0,0465504
A pesar que el β de cada uno de los activos de nuestro portafolio
toman valores pequeños, realizando un análisis en relación al
comportamiento del índice (S&P500) se puede decir que el
activo que de pronto pueda estar cercano a 1 es la acción de
Amazon, aunque se encuentra un poco alejado el valor 0,084 de
1 es el más cercano a estarlo, lo que lo podría convertir en una
acción con beta de valor neutro lo que índice que la acción se
estaría comportando en la misma proporción que el índice
S&P500.
(2.4) El rendimiento diario de INTEL es de 0,0030764,
MICROSOFT -0,00164798, AMAZON 0,0041252, GOOGLE
0,0008821.
Se puede concluir que Amazon tiene mayor rentabilidad que las
otras acciones, pero también se puede observar que es la que
mayor riesgo tiene. Donde se podría observar el dilema
rendimiento vs riesgo; puesto que a mayor rendimiento que
esperemos estaremos expuestos a un mayor riesgo.
Tabla #7. Rendimiento promedio diario
INTEL MICROSOFT AMAZON GOOGLE
Desviación 0,01341048 0,06713574 0,0690901 0,0136867
Promedio Rendimientos 0,00030764 -0,00164798 0,0041252 0,0008821
(2.5) La inversión en el portafolio está distribuida de la siguiente
manera:
Tabla #8. Distribución de portafolio
INTEL MICROSOFT AMAZON GOOGLE
2% 4% 46% 48%
De acuerdo a los resultados obtenidos a partir de la regresión: β
poco sensible al cambio, lo que quiere decir que el portafolio es
poco volátil ante el índice de estudio, además se comprobó que
el riesgo del portafolio con un valor de 0,004183448 es
diversificable, lo cual significa que es el riesgo que obtiene el
portafolio con respecto a el riesgo del mercado, y el riesgo no
diversificable es de 0,99581655, lo cual es el riesgo del
mercado incluyéndole el riesgo propio del portafolio
PUNTO #3
(3.1) Para analizar el tiempo de producción de las piezas y
realizar inferencias basadas en la información que nos
proporcionan los datos obtenidos, se empleó un análisis
descriptivo de las mediciones realizadas, con el fin de resumir
la información contenida en los estadísticos muéstrales
proporcionados por el análisis (Anexo 1). Los cuales nos
ayudaran a identificar las características más relevantes de las
variables, para así comprender la estructura de los datos, a
manera de detectar su comportamiento, con el fin de que ayuden
a decidir qué métodos estadísticos pueden ser empleados en
etapas posteriores del análisis y de este modo obtener
conclusiones válidas que den soporte a la toma de decisiones.
(3.2) Después de realizar los diagramas de cajas y bigotes
(Anexo 1) a los tiempos que tardan las 3 máquinas, se pudieron
obtener las siguientes conclusiones. La máquina 1 en la mayor
parte del tiempo, para ser exacto un 50% de las ocasiones tarda
entre 4,2 y 5,9 segundos para producir piezas plásticas, en un
25% de las veces tarda entre 2,04 y 4,2 segundos y el otro 25%
restante tarda entre 5,9 y 8,67 segundos, la mediana de sus datos
se encuentra alrededor de los 4,98 segundos, también se puede
observar que para la medición de los tiempos de la maquina 1
se cuenta con la presencia de 3 datos atípicos (8,49, 8,65, 8,67)
los cuales se encuentran por encima del límite de control (Anexo
1).
En cuanto a la maquina 2 un 50% de las ocasiones tarda entre
5,1 y 6,1 segundos para producir piezas plásticas, un 25% de las
veces tarda entre 2,93 y 5,1 segundos y el otro 25% restante
tarda entre 6,1 y 8,03 segundos, la mediana de sus datos se
encuentra alrededor de los 5,5 segundos, en esta máquina
también se cuenta con la presencia de datos atípicos, tanto por
encima como por debajo del límite de control, por debajo se
tienen (2,93, 3,22, 3,39, 3,49) y por encima (7,57, 7,72, 8,03)
(Anexo 1).
En la maquina 3 tenemos que en un 50% de las ocasiones se
tarda entre 3,48 y 6,2 segundos para fabricar las piezas plásticas,
un 25% de las veces se tarda menos de 3,48 segundos y en el
otro 25% de las ocasiones tarda entre 6,2 y 10,03 segundos para
fabricar las piezas, su mediana se encuentra alrededor de 4,8
segundos, en esta máquina no se cuenta con la presencia de
datos atípicos, aunque considerando que estamos hablando de
tiempos se podría considerar que el 0 es un valor atípico, pues
es algo absurdo que no tarde nada en producir una pieza, pero
teóricamente nos indica que el tiempo de producción se
encuentra dentro de sus límites de control (Anexo 1).
Comparando las 3 máquinas, podemos concluir que la maquina
2 aunque presente mayor cantidad de datos atípicos es la que
posee menor variabilidad en el tiempo de producción de piezas,
este dato también se puede soportar en el análisis descriptivo del
punto anterior, lo cual nos indica que aunque en ocasión
presente errores, es la más estable en cuanto tiempo de
producción se trata, lo cual podemos comprobarlo mirando el
RIC, donde confirmamos que la mayor parte de las piezas las
produce entre 5,1 y 6,1 segundos, y aunque posea valores
atípicos por encima del límite de control, es la que tiene un valor
máximo más pequeño que las otras dos máquinas, lo cual nos
indica que en el peor de los casos es la maquina que posee el
menor tiempo alto de producción. Analizando la maquina uno
podemos ver que en comparación con las demás es la que en
promedio fabrica las piezas más rápido, pero posee una
variabilidad un poco mayor a la maquina 2 y menor a la maquina
3, a su vez podemos observar que posee valores atípicos más
altos que la maquina 2 lo que quiere decir que en ocasiones se
demora más tiempo en fabricar las piezas. Finalmente la
maquina 3 podemos observar que es la que presenta el tiempo
de producción más alto como la variabilidad más elevada entre
las tres aunque teóricamente no presenta valores atípicos
podemos ver que no posee unos valores muy elevados y otros
muy pequeños que pueden significar errores en la máquina.
(3.3) Para el análisis de los tiempos que tardan las maquinas en
producir las piezas, una de las cosas fundamentales es el tamaño
de muestra de la cantidad de datos que deben ser seleccionados,
para tomar una referencia de que tanto podemos creer en la
representatividad de la muestra con cierto nivel de confianza, en
este caso para el calcular el tamaño de muestra la primera
consideración que se tuvo fue utilizar un nivel de confianza del
95% y un error del 5% ya que el muestreo realizado es realmente
aleatorio[2] y de este modo se podría representar esta situación
con una distribución normal, teniendo en cuenta el nivel de
confianza y el tipo de distribución se tomó un valor (Za/2)
correspondiente a cada cola de la distribución normal partiendo
del nivel de significancia, como la distribución normal es
simétrica en cada extremo se toma el valor Z a partir de la mitad
del nivel de significancia. De igual modo se tiene en cuenta la
desviación estándar con el fin que el valor obtenido para el
tamaño de muestra sea lo más exacto posible [3], finalmente con
la media de los datos pre-seleccionados se puede determinar el
error en la estimación del tamaño de muestra, lo cual sería lo
que estoy dispuesto a equivocarme en el cálculo del tamaño de
muestra, aplicando la siguiente formula se determinó el tamaño
de muestra necesario para realizar los análisis pertinentes
(Anexo 1).
𝑆 ∗ 𝑍𝛼/2 2
𝑛= ( )
𝐾∗𝑋
(3.4) Con el fin de conocer en que intervalo de valores se
encuentra el valor real de la media poblacional, de los tiempos
que tardan las maquinas en producir la piezas, se realiza un
intervalo de confianza a cada máquina para estimar el valor real
de la media, donde se obtuvieron los siguientes resultados.
Para la maquina 1 se estimó que el valor real de la media
poblacional se encuentra entre los 1,97 y los 3,24 segundos, con
un margen de error en la estimación de 0,636 segundos, para la
maquina 2 se estimó que el valor real del promedio que tarda en
fabricar las piezas se encuentra entre los 5,22 y los 5,80
segundos con un margen de error en la estimación de 0,2877
segundos, en la maquina 3 tenemos que el valor real del
promedio de tiempo que tarda en fabricar las piezas se encuentra
entre los 4,55 y 5,01 segundos, con un margen de error de 0,23
segundos (Anexo 1).
Comparando las 3 máquinas podemos observar que la máquina
3 es la que posee el margen de error más bajo en la estimación
del valor real de la media, y que la maquina 1 es la que posee
mayor margen de error en la estimación de la media, en cuanto
a la maquina 2 podemos ver que también posee un margen de
error bajo, pero es el intervalo de confianza más alto, en
conclusión, podemos decir que realmente en promedio la
maquina 1 es la que tarda menos en la fabricación de piezas,
pero al tener un margen de error tan alto comparado con las dos
máquinas podemos decir que presenta problemas de variación
en la estimación del tiempo promedio de fabricación, las
maquinas 2 y 3 aunque en promedio tardan más que la 1 en
fabricar piezas son más estables en cuanto la estimación del
promedio real de sus tiempos de producción, por ende se puede
tener más certeza del valor proporcionado en ambos intervalos.
(3.5) Para obtener una aproximación lo más exacta posible al
valor real de las variaciones de los tiempos de producción
correspondientes a cada máquina, se realizaron los intervalos de
confianza de la varianza poblacional con el fin de estimar estos
valores para cada una de las maquinas donde se obtuvieron los
siguientes resultados.
Para la maquina 1 se estimó que el valor real de la varianza
poblacional de los tiempos de producción se encuentra entre los
0,032 s2 y los 0,1588 s2, por ende su desviación se encuentre
entre los 0,178 y 0,398 segundos con un margen de error de 0,14
segundos. Para la maquina 2 se estimó que el valor real de la
varianza poblacional se encuentra en un intervalo comprendido
entre los 0,3417 s2 y los 0,9928 s2 por lo tanto la estimación real
de la desviación se encuentra entre los 0,5845 y 0,9963
segundos, con un margen de error de 0,256 segundos,
Finalmente para la maquina 3 se estimó que el valor real de la
varianza poblacional esta entre los 3,2 s2 y los 4,48 s2 por lo
tanto su desviación se encuentra entre los 1,78 y los 2,11
segundos obteniendo un margen de error en la estimación de
0,17 segundos (Anexo 1).
Con base en estos datos y haciendo un análisis comparativo
entre las 3 máquinas, podemos concluir que la maquina 1 es la
que posee una desviación real en los tiempos de producción más
pequeña en comparación a las otra dos máquinas, también
podemos observar que es la que posee un menor margen de error
en la estimación del parámetro, por ende basándonos en estos
resultados se podría decir que es la más estable cuanto al tiempo
de producción, en la maquina 2 podemos observar que la
estimación del valor real de la desviación también se encuentra
en un tiempo muy bajo, pero presenta el margen de error más
alto, aun así el intervalo de confianza sigue siendo relativamente
bajo, por último en la maquina 3 tenemos que el intervalo de
confianza donde se encuentra el valor real de la desviación es el
más alto de los 3 y posee un margen de error más bajo en
comparación a la maquina 2, a lo cual en general podemos
concluir que la maquina 3 es la que presenta mayor variabilidad
en los tiempos de producción y la maquina 1 es la más estable
seguida de la maquina 2.
(3.6) Después de realizar un intervalo de confianza para la
relación de las varianzas entre los tiempos de las maquina 2 y 3,
con el fin de determinar cuál de estas podría servir de remplazo
para la maquina 1 se obtuvieron los siguientes resultados.
Intervalo de confianza relación de varianzas M2 Y M3
L.I 0,087830655
L.S 0,268785581
Clara mente se puede evidenciar que como el intervalo de
confianza es menor a uno, se puede concluir que en la
estimación del valor real entre la relación de las varianzas en los
tiempos de producción de ambas maquinas, la deviación de la
maquina 3 es mayor que la maquina 2, por ende, la maquina 2
al tener una desviación más pequeña es la que serviría de
reemplazo para la maquina 1, pues en comparación con la 3 es
más estable.
(3.7) Para determinar si el planteamiento del coordinador de
manteamiento respecto a que la maquina 3 es más estable que
la maquina 2 se plantea una prueba de hipótesis para determinar
la validez de este argumento donde el resultado fue el siguiente.
Ho = 𝜎22 = 𝜎32
Ha = 𝜎22 > 𝜎32
Fa, v1, v2 = 1,5175
EP = 0,144182803
Como el estadístico de prueba no es mayor al valor critico
0,1441 < 1,5175 no se rechaza la Ho, ósea se rechaza la Ha, por
ende el coordinador de mantenimiento está equivocado
(3.8) Con el fin de saber si el planteamiento del analistas de
procesos es válido, se realizó un intervalo de confianza para la
diferencia de las medias de la maquina 2 y la maquina 3 (µ2-
µ3) y conocer en realidad en promedio cual demora menos
tiempo, el resultado fue el siguiente.
L.I 0,366272615
L.S 1,099579386
Como podemos observar el intervalo de confianza es mayor a
cero, lo cual nos indica que la maquina el promedio real del
tiempo de fabricación de la maquina 2 es mayor que el promedio
real del tiempo de fabricación de la maquina 3, por ende el
argumento del analista de procesos no es válido, la maquina dos
tarda más tiempo que la maquina 3.
(3.9) Después de realizar un análisis profundo sobre el
comportamiento de los tiempos de producción de las tres
máquinas y apoyados en los cálculos y estimaciones realizadas,
le diríamos al gerente que efectivamente conservar la maquina
1 es buena decisión, ya que observando los análisis realizados
se llegaron a las siguientes conclusiones, la maquina 3 en
promedio es la que fabrica piezas más rápido, pero posee una
alta variabilidad del tiempo, lo cual traería problemas de
estandarización al proceso, pues en ocasiones se puede demorar
mucho más de lo esperado y de este modo no tener una certeza
clara sobre el tiempo de producción que ayude a la toma de
decisiones, la maquina 2 en promedio es la que tarda más tiempo
en la fabricación de las piezas, pero posee una menor
variabilidad en los tiempos de producción, lo cual es bueno
porque ayudaría tener un mejor control de la producción al
permitir tener el proceso más estandarizado, pero la producción
sería un poco más demorada, lo cual no sería lo ideal, pues en
caso de tener demandas muy altas no podría satisfacerlas
completamente y se pueden generar retrasos, mientras que la
maquina 1 posee un tiempo de producción menor a la maquina
2 y una variabilidad en los tiempos menor a la maquina 3, por
ende es más rápida que la 2 y más estable que la 3, aunque
podemos ver en los análisis que también presenta alguno
problemas con la presencia de datos atípicos, para ello le
podemos hacer 3 sugerencias al gerente. La primera es que si
las opciones se limitan específicamente a estas 3 maquina, que
deje la maquina 1 y la haga revisar para mirar si de pronto
presenta problemas de funcionamiento y de este modo corregir
el error, la otra sugerencia es que en caso de que se arrepienta
de la decisión y deba escoger entre la 2 y la 3 mejor escoja la
Como se puede observar con ambos test se cumplía el supuesto
dos, pues esta máquina haría que el proceso fuera más estable y
de normalidad, pero lo más adecuado sería utilizar el test de
de este modo tendría un mejor control en la producción, y la
Anderson Darling, ya que posee una mayor ponderación en las
ultima es que busque otras máquinas en mercado y que como
colas de la distribución, además como la Kolmogorov Smirnov
referencia puede buscar una que sea más eficiente que la
se utiliza específicamente para muestras pequeñas, la Anderson
maquina uno en cuanto tiempo y variabilidad.
Darling le realiza un pequeño ajuste a la Kolmogorov [4], pero
(3.10) Después de realizar ambas pruebas de bondad de ajuste en este caso es indiferente debido a que por ambas se cumple el
(tanto la Kolmogorov Smirnov, como la Anderson Darling) a supuesto.
los tiempos que tardan las maquinas en producir las piezas, se
(3.11) Como se pudo observar en el punto anterior, la
llegó a la conclusión de que el supuesto de normalidad era
distribución que mejor se ajusta a los tiempos de producción de
adecuado para los tiempos que tardan las 3 máquinas, ya que
cada una de las máquinas, es la distribución normal, pero de
con ambos test se cumplía el supuesto como se puede evidenciar
igual forma se verifico en el software @Risk (Anexo 1),
a continuación.
posteriormente se analizaron los cuartiles correspondientes
Ilustración #1. Pruebas de bondad de ajuste, test de donde se obtuvo que; Para la maquina 1 el 25% de los datos se
normalidad, Kolomogorov-Smirnov, Anderson Darling encuentra por debajo de los 4,22 segundos y por encima de este
(Ilustraciones propias) valor se encuentra el 75% de los datos, la mediana
correspondiente al cuartil 2 es de 4,98 segundos, lo cual nos
india que por debajo de este valor se encuentran el 50% de los
datos y el otro 50% se encuentra por encima, finalmente
tenemos que el cuartil 3 es 5,92 segundos lo que indica que el
25% de los datos restantes están por encima de este valor y el
otro 75% está por debajo (Anexo 1).

En la maquina 2 se tiene que el 25% de los datos se encuentra

por debajo de los 5,05 segundos y por encima de este valor se
encuentra el 75% de los datos, la mediana correspondiente al
cuartil 2 es de 5,49 segundos, lo cual nos india que por debajo
de este valor se encuentran el 50% de los datos y el otro 50% se
encuentra por encima, finalmente tenemos que el cuartil 3 es
6,05 segundos lo que indica que el 25% de los datos restantes
están por encima de este valor y el otro 75% está por debajo
(Anexo 1).

Por ultimo para para la maquina 3 se obtuvo que el 25% de los

datos se encuentra por debajo de los 3,48 segundos y por encima
de este valor se encuentra el 75% de los datos, la mediana
correspondiente al cuartil 2 es de 5,07 segundos, lo cual nos
india que por debajo de este valor se encuentran el 50% de los
datos y el otro 50% se encuentra por encima, finalmente
tenemos que el cuartil 3 es 6,15 segundos lo que indica que el
25% de los datos restantes están por encima de este valor y el
otro 75% está por debajo (Anexo 1).
PUNTO #4 Para los diferentes intervalos de confianza del 95% de las
divisas analizadas se encontró diferentes rangos para estas estos
(4.1) Grafica #2. Rentabilidad diaria porcentual
intervalos de confianza en todos se ve contenido el cero dentro
de este intervalo lo que nos da como como conclusión la
fluctuación creciente y decreciente que pueden tomar las
divisas.

(4.3) (4.5) (4.7)

Tabla #11. Prueba de hipótesis rentabilidad diaria promedio

TRM EURO/DOLAR LIBRA ESTERLINA/DOLAR
ESTADISTICO DE PRUEBA 0,928867756 ESTADISTICO DE PRUEBA 1,182827044 ESTADISTICO DE PRUEBA -0,01343122
NIVEL DE SIGNIFICANCIA 0,05 NIVEL DE SIGNIFICANCIA 0,05 NIVEL DE SIGNIFICANCIA 0,05
alfa/2 0,025 alfa/2 0,025 alfa/2 0,025
Zalfa/2 1,96 Zalfa/2 1,96 Zalfa/2 1,96

= =
=

R/ no se rechaza Ho por que 0,92886<1,96 R/ no se rechaza Ho por que 1,1828<1,96 R/ no se rechaza Ho por que -0,01343<1,96

No es diferente de cero el rendimiento diario de la TRM,

EURO/DÓLAR/LIBRA ESTERLINA/DOLAR esto se debe a
que el estadístico de prueba es menor que el valor critico por
ende no se rechaza la hipótesis nula Ho: R=0.

(4.8) Tabla #12. Rendimiento promedio libra esterlina/euro

LIBRA ESTERLINA/EURO
Nivel de significancia (alfa) 0,05
Estadistico de pruba (Z) -0,052293342
alfa/2 0,025
Z alfa /2 1,96

Ho: μ1-μ2 = 0
Ha: μ1-μ2 ≠ 0
R/ no se rechaza Ho por que -0,052<1,96

Se puede observar que la gráfica de rendimiento de la TRM es Si existe diferencia significativa entre los rendimientos
mucho más volátil a comparación de las otras dos divisas esto promedios diarios de las dos divisas; esto se debe a que el
se puede dar por la inestabilidad del país y los componentes con estadístico de prueba es menor que el valor critico por ende no
los cuales se evalúa TRM. se rechaza la hipótesis nula Ho: μ1-μ2 = 0.

Los diferentes rendimientos y desviaciones de las diferentes Asumiendo como conclusión final que la diferencia entre los
divisas: promedios de los rendimientos entre las dos divisas es diferente
a 0, el resultado del estadístico de prueba es negativa lo de que
Tabla #9. Rendimientos y desviaciones de las diferentes divisas
se da como resultado dado de que la media de los rendimientos
TRM EUR/USD GBP/USD de la libra esterlina es negativo.
PROMEDIO 0,00035567 0,000250525 -4,28337E-06
DESVIACION 0,00879025 0,004862223 0,007321088 (4.9) Tabla #13. Correlación rendimientos TMR
N 527 527 527
EURUSD/TRM GPUSD/TRM GPUSD/EURO
Nivel de significancia (alfa) 0,05 Nivel de significancia (alfa) 0,05 Nivel de significancia (alfa) 0,05
(4.2) (4.4) (4.6) t(alfa,n-2) 1,65 t(alfa,n-2) 1,65 t(alfa,n-2) 1,65
Estadistico de pruba (T) 113,1101841 Estadistico de pruba (T) 161,414463 Estadistico de pruba (T) 401,203723

Tabla #10. Rentabilidad diaria promedio TMR Ho: P1 = 0 Ho: P1 = 0 Ho: P1 = 0

Ha: P1 ≠ 0 Ha: P1 ≠ 0 Ha: P1 ≠ 0
TRM EURO/DOLAR LIBRAESTERLINA/DOLAR R/ se rechaza Ho por que 113,110>1,65 R/ se rechaza Ho por que 161,414>1,65 R/ se rechaza Ho por que 401,203>1,65

95% 95% 95%

Nivel de confianza Nivel de confianza Nivel de confianza
_𝑍 1,96 _𝑍 1,96 _𝑍 1,96 Analizando las correlaciones de entre pares de divisas se puede
IC DEL 95% IC DEL 95% IC DEL 95% concluir que las correlaciones entre las distintas divisas no son
LIMITE INFERIOR -0,00039482 LIMITE INFERIOR -0,0001646 LIMITE INFERIOR -0,00062934 estadísticamente significativas, ya que el estadístico de prueba
LIMITE SUPERIOR 0,001106174 LIMITE SUPERIOR 0,00066565 LIMITE SUPERIOR 0,00062077
es mucho mayor que el valor critico en los tres casos analizados
rechazando Ho: P1 = 0, esto nos indica que la correlación entre
las divisas es diferente de 0.
Pero también se puede afirmar que la relación lineal entre las alta dado que la libra esterlina es la moneda oficial de Reino
divisas es muy débil en relación EUROUSD/TRM Y Unido y este hasta hace poco hacia parte de la eurozona que son
GPUSD/TRM ya que tienen una correlación del alrededor de países en los cuales su moneda oficial es el euro.
0.20 a 0.28 pero la relación entre la libra y el euro es mucho más

III. CONCLUSIONES
 Gracias a las herramientas de inferencia estadística y
regresión lineal simple, se puede llevar un buen
registro y control de datos y variables que nos permite
conocer de mejor manera los problemas e
inconvenientes que se presentan diariamente en las
empresas y buscar la prevención y solución de los
mismos, pues cuando se conoce la realidad las áreas
afectadas es más fácil dar soluciones, también se
demostró su uso es fundamental para la toma de
decisiones pues ayuda que el proceso de toma de
decisiones sea lo más certero posible.
 Gracias a las pruebas de bondad de ajuste, se pueden
hacer aproximaciones muy cercanas de cómo se
comportan los datos obtenidos de algún proceso de
interés, con el fin de identificar como se pueden
comportar, en este caso las estimaciones realizadas nos
conducen a rechazar la hipótesis de distribución
normal de los rendimientos los de las acciones Intel,
Google, Microsoft y Amazon, pero gracias a la ayuda
de software estadísticos se pude descubrir como es el
comportamiento de estos rendimientos, lo cual nos
ayuda a entender mejor cómo se comportan en el
tiempo y de este modo tener los soportes necesarios
para tomar decisiones de inversión.
 Se observó que gracias a los diversos métodos de
estimación, se pueden comprobar hipótesis realizadas
en casos de toma de decisiones, soportadas en
estadísticos que describen el comportamiento de las
diversas variables que afectan los procesos, en el caso
de las maquinas, se observó que gracias a los diferentes
métodos de estimación se tuvo toda la información
necesaria que detallaba el comportamiento de las 3
máquinas con el fin de poder tomar la mejor decisión
que le fuera más conveniente a la empresa, soportada
en datos con altos niveles de confiabilidad
 Se identificó que con los modelos de regresión lineal
simple, se pueden modelar de mejor manera el
comportamiento de variables sensibles al cambio
como se pudo observar en las regresiones que se le
realizaron a las rentabilidades de los diversos activos,
que por medio de una ecuación se puede resumir y
analizar de mejor manera el comportamiento que
pueden tener este tipo de variables tan sensibles.

IV. BIBLIOGRAFIA

[1] ACADEMIA, «INTERPRETACION DE LAS GRAFICAS DE LOS RESIDUOS», [Online]. Available:

http://www.academia.edu/8439582/Interpretaci%C3%B3n_de_las_graficas_de_residuos

[2] G. KANAWATY, «INTRODUCCION AL ESTUDIO DEL TRABAJO» 4a Edición. (OIT). 1996

[3] W. DENNIS D, M. III .WILLIAM, S. RICHARD L. «ESTADISTICA MATEMATICA CON APLICACIONES» 7a Edición:
CENGAGE Learning. 2008

[4] SIMULACION, «PRUEBA ANDERSON - DARLING», [Online]. Available:

http://simulacionunilibre.blogspot.com/p/prueba-anderson-darling.html

INFORMACIÓN BÁSICA:

BLOOMBERG, PLATAFORMA DE INFORMACIÓN FINANCIERA

V. ANEXOS

[1] Anexo 1. Archivo Microsoft Office Excel (PROYECTO ESTADISTICA APLICADA 2018)