# 📋 Evaluación Parcial Presencial: Unidades 2 y 3 **Pontificia Universidad Católica Argentina (UCA)** **Facultad de Ingeniería y Ciencias Agrarias** **Estadística Aplicada y Modelos de Regresión (Ciclo Lectivo 2026)** *Cátedra: Prof. Sergio / Dopazo* --- ### 📌 Pautas Generales y Condiciones de Aprobación * **Modalidad:** Presencial, individual. * **Materiales permitidos:** Papel, bolígrafo, calculadora científica estándar (no programable / sin conexión) y el formulario / tablas estadísticas provistas al final de este enunciado. **No se permite el uso de computadoras, notebooks, tabletas ni teléfonos móviles.** * **Duración:** 120 minutos. * **Puntaje total:** 100 puntos (Escala 0 a 100). Aprobación: 60 puntos (equivalente a 4). * **Equilibrio Pedagógico de Cátedra:** * **50% Planteos Matemáticos y Cálculos Numéricos:** Aplicación rigurosa de fórmulas, desarrollo paso a paso, redondeo a 3 decimales y exactitud de cuentas. * **50% Interpretaciones Conceptuales y Decisiones de Negocio / Ingeniería:** Justificación metodológica, diagnóstico de supuestos de Gauss-Markov, lectura de tests y toma de decisiones operativas. --- ## 🏛️ Problema 1: Inferencia de Dos Muestras y Diagnóstico de Supuestos (25 puntos) *Unidad 2: Contraste de Hipótesis y Comparación de Poblaciones* Una empresa de infraestructura en la nube está evaluando migrar su arquitectura de microservicios desde el clúster actual (**Clúster A**) hacia una nueva configuración optimizada con nodos ARM (**Clúster B**). Se registraron los tiempos de procesamiento (latencia en milisegundos) de $n_1 = 16$ transacciones críticas en el Clúster A y $n_2 = 16$ transacciones idénticas en el Clúster B, tomadas en momentos de carga similar de forma independiente: * **Clúster A:** $n_1 = 16, \quad \bar{X}_1 = 78.40\text{ ms}, \quad s_1^2 = 36.00\text{ ms}^2 \quad (s_1 = 6.00\text{ ms})$ * **Clúster B:** $n_2 = 16, \quad \bar{X}_2 = 85.20\text{ ms}, \quad s_2^2 = 81.00\text{ ms}^2 \quad (s_2 = 9.00\text{ ms})$ El análisis exploratorio previo arrojó gráficos Q-Q normales con los puntos alineados a la recta de 45° y los siguientes resultados del test de Shapiro-Wilk sobre los residuos de cada grupo: * Clúster A: $W_1 = 0.965, \quad p\text{-valor} = 0.420$ * Clúster B: $W_2 = 0.958, \quad p\text{-valor} = 0.380$ ### Consignas: 1. **[CÁLCULO - 7 pts] Test de Homocedasticidad:** Plantee el juego formal de hipótesis ($H_0$ y $H_1$) para verificar si las varianzas de ambas arquitecturas pueden asumirse homogéneas al nivel de significación $\alpha = 0.05$. Calcule el estadístico de prueba $F_{\text{obs}}$, determine el valor crítico correspondiente en la tabla estadística provista y decida formalmente si se cumple el supuesto de homocedasticidad. 2. **[CÁLCULO - 6 pts] Contraste de Diferencia de Medias:** En función de la decisión tomada en el punto anterior, plantee el test de hipótesis formal para determinar si existe una diferencia estadísticamente significativa entre las latencias medias de ambos clústeres ($H_0: \mu_1 = \mu_2$ vs $H_1: \mu_1 \neq \mu_2$) a un nivel $\alpha = 0.05$. Calcule la varianza agrupada ($s_p^2$), el error estándar de la diferencia, el estadístico $t_{\text{obs}}$, defina los grados de libertad y concluya. 3. **[INTERPRETACIÓN - 6 pts] Diagnóstico de Normalidad y Contingencia No Paramétrica:** Explique conceptualmente qué evidencia brindan los gráficos Q-Q y los tests de Shapiro-Wilk presentados. Si el tamaño muestral hubiese sido pequeño ($n=8$) y el test de Shapiro-Wilk hubiese arrojado un $p\text{-valor} = 0.003$ con marcado alejamiento de la diagonal, ¿por qué resultaría inválido aplicar el test $t$ de Student y qué test estadístico no paramétrico alternativo debería emplearse en su lugar? 4. **[INTERPRETACIÓN - 6 pts] Decisión Ingenieril y Evaluación de Negocio:** Construya el intervalo de confianza del 95% para la diferencia de medias $(\mu_1 - \mu_2)$. Si el acuerdo de nivel de servicio (SLA) de la compañía penaliza financieramente cualquier arquitectura cuya latencia media supere los $80\text{ ms}$, y el costo operativo del Clúster B es un 20% más elevado que el del Clúster A, ¿cuál es su recomendación técnica y económica fundamentada para el equipo de DevOps? --- ## 🔬 Problema 2: ANOVA de Un Factor y Comparaciones Múltiples de Tukey (25 puntos) *Unidad 2: Análisis de la Varianza (DCA)* Un equipo de Data Science comparó $k = 4$ algoritmos de búsqueda y ajuste de hiperparámetros (**A1:** Grid Search, **A2:** Random Search, **A3:** Bayesian Optimization, **A4:** Tree-structured Parzen Estimator - TPE) para un pipeline de Computer Vision. Se evaluó la métrica F1-score (expresada en porcentaje, 0 a 100) en $n = 8$ ejecuciones independientes por algoritmo bajo condiciones idénticas de datos y hardware ($N = 32$ ejecuciones totales). Las medias muestrales obtenidas para cada algoritmo fueron: $$\bar{Y}_1 = 65.00\%, \quad \bar{Y}_2 = 72.00\%, \quad \bar{Y}_3 = 78.00\%, \quad \bar{Y}_4 = 79.00\%$$ La tabla ANOVA de diseño completamente aleatorizado (DCA) arrojó los siguientes valores parciales: | Fuente de Variación | Suma de Cuadrados ($SS$) | Grados de Libertad ($GL$) | Cuadrado Medio ($MS$) | Estadístico $F_{\text{obs}}$ | $p\text{-valor}$ | | :--- | :---: | :---: | :---: | :---: | :---: | | **Entre Algoritmos (Tratamientos)** | $252.00$ | *(a)* | *(c)* | *(e)* | $< 0.001$ | | **Dentro de Algoritmos (Error Residual)** | *(b)* | $28$ | *(d)* | — | — | | **Total Corregido** | $420.00$ | $31$ | — | — | — | ### Consignas: 1. **[CÁLCULO - 6 pts] Completar la Tabla ANOVA:** Calcule de forma explícita los valores faltantes marcados como *(a)*, *(b)*, *(c)*, *(d)* y *(e)*. Escriba las fórmulas utilizadas. 2. **[CÁLCULO - 6 pts] Diferencia Mínima Significativa de Tukey:** Considerando un nivel de significación global $\alpha = 0.05$ y sabiendo que el valor crítico de la distribución de rango estudentizado es $q_{0.05}(4, 28) = 3.86$, calcule la Diferencia Significativa Honesta de Tukey ($HSD$ / $DMS$). Luego, calcule las diferencias absolutas entre todos los pares posibles de medias muestrales ($|\bar{Y}_i - \bar{Y}_j|$). 3. **[INTERPRETACIÓN - 7 pts] Formación de Grupos Homogéneos y Selección:** Con base en la comparación de las diferencias de medias contra el $HSD$ calculado: * Identifique formalmente cuáles pares presentan diferencias estadísticamente significativas y cuáles no. * Asigne letras de grupos homogéneos (ej. Grupo A, Grupo B, Grupo C). * Concluya qué algoritmo(s) recomendaría implementar en producción si el algoritmo A4 (TPE) requiere el doble de tiempo de cómputo que el algoritmo A3 (Bayesian Opt). 4. **[INTERPRETACIÓN - 6 pts] Justificación del Procedimiento Post-Hoc y Riesgo Tipo I:** ¿Por qué no es metodológicamente válido realizar 6 tests $t$ de Student independientes con $\alpha = 0.05$ entre cada par de algoritmos? Demuestre numéricamente cuál sería la probabilidad de cometer al menos un error de Tipo I ($\alpha_{\text{global}}$) si se procediera de esa forma errónea. Indique además qué prueba alternativa no paramétrica se utilizaría si el supuesto de homogeneidad de varianzas no se cumpliese. --- ## 📈 Problema 3: Regresión Lineal Simple y Diagnóstico de Perturbaciones (25 puntos) *Unidad 3: Regresión Lineal y Supuestos de Gauss-Markov* Para planificar el aprovisionamiento de energía en un centro de datos sustentable, se modeló el consumo de potencia eléctrica del servidor principal ($Y$, en Kilovatios-hora, kWh) en función del índice de carga de transacciones concurrentes ($X$, en miles de peticiones/minuto). Se recolectaron $n = 12$ observaciones durante turnos operativos representativos. A partir de los datos, el analista calculó las siguientes sumas de cuadrados y productos cruzados: $$\sum_{i=1}^{12} X_i = 120.00, \quad \sum_{i=1}^{12} Y_i = 360.00$$ $$\sum_{i=1}^{12} (X_i - \bar{X})^2 = S_{xx} = 200.00$$ $$\sum_{i=1}^{12} (Y_i - \bar{Y})^2 = S_{yy} = 500.00$$ $$\sum_{i=1}^{12} (X_i - \bar{X})(Y_i - \bar{Y}) = S_{xy} = 300.00$$ ### Consignas: 1. **[CÁLCULO - 7 pts] Estimación MCO y Bondad de Ajuste:** * Calcule los estimadores de mínimos cuadrados ordinarios $\hat{\beta}_1$ (pendiente) y $\hat{\beta}_0$ (ordenada al origen). Escriba la ecuación de la recta de regresión estimada. * Calcule la suma de cuadrados del error ($SSE$), la varianza residual muestral ($s_e^2$) y el error estándar de la regresión ($s_e$). * Calcule el coeficiente de determinación $R^2$ e interprete el porcentaje de varianza explicada. 2. **[CÁLCULO - 6 pts] Inferencia sobre la Pendiente e Intervalo de Predicción:** * Calcule el error estándar del estimador de la pendiente $s(\hat{\beta}_1)$ y realice el test de significancia estadística ($H_0: \beta_1 = 0$ vs $H_1: \beta_1 \neq 0$) al nivel $\alpha = 0.05$ ($t_{10, 0.975} = 2.228$). * Calcule un intervalo de predicción del 95% para el consumo eléctrico $Y_0$ de una futura hora en la que se proyecta una carga de $X_0 = 14$ mil transacciones/minuto. 3. **[INTERPRETACIÓN - 6 pts] Interpretación Física y Económica de los Parámetros:** Explique detalladamente qué significado físico y operativo tienen en este centro de cómputos los valores numéricos obtenidos para $\hat{\beta}_0$ y $\hat{\beta}_1$. ¿Tiene sentido físico la ordenada al origen en este contexto o se trata de una extrapolación? 4. **[INTERPRETACIÓN - 6 pts] Diagnóstico de Residuos y Heterocedasticidad:** Al graficar los residuos estandarizados $e_i / s_e$ versus los valores predichos $\hat{Y}_i$, el ingeniero observa un claro patrón en forma de embudo o abanico divergente (*fan-shaped*), donde la dispersión de los residuos crece proporcionalmente a medida que la carga $X$ aumenta. * ¿Qué supuesto fundamental de Gauss-Markov se está vulnerando? * ¿Qué consecuencias tiene esta violación sobre la insesgadez y la eficiencia de los estimadores MCO, y sobre la validez de los intervalos de confianza calculados? * Describa dos técnicas correctivas recomendadas por la cátedra para solucionar este problema (ej. transformación de variables o estimadores robustos de varianza). --- ## 🧠 Problema 4: Regresión Múltiple, Selección de Modelos y Diagnóstico Avanzado (25 puntos) *Unidad 3: Metodología de Cátedra de Selección de Modelos y PCA* En una empresa de software como servicio (SaaS), la gerencia financiera desea predecir el costo mensual de infraestructura en la nube ($Y$, en miles de USD) utilizando cuatro variables explicativas candidatas: * $X_1$: Horas de CPU acumuladas (en miles de horas de procesamiento vCPU). * $X_2$: Capacidad de almacenamiento en disco rápido SSD asignada (en Terabytes). * $X_3$: Tráfico total de red saliente transferido (en Gigabytes). * $X_4$: Cantidad promedio de usuarios corporativos concurrentes. Se dispone de una muestra histórica de $n = 30$ meses cerrados. Aplicando el protocolo de selección de modelos de la cátedra sobre las $2^4 - 1 = 15$ combinaciones posibles, el software estadístico generó la siguiente tabla resumen con los 4 modelos más representativos (presentada sin ordenar por PRESS): | Modelo | Variables Predictoras Incluidas | Número de Parámetros ($p$) | Determinante de Correlación ($D$) | Mallows ($C_p / p$) | $R^2_{\text{adj}}$ | Varianza Residual ($s^2$) | PRESS | | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | | **M1** | $X_1, X_3$ | 3 | **0.05** | 1.80 | 0.610 | 18.20 | 580.40 | | **M2** | $X_1, X_2$ | 3 | **0.82** | **0.75** | 0.745 | 11.50 | **310.20** | | **M3** | $X_1, X_2, X_4$ | 4 | **0.60** | **0.90** | 0.752 | 11.20 | 345.80 | | **M4** | $X_1, X_2, X_3, X_4$ (Completo) | 5 | **0.03** | 1.00 | 0.748 | 11.40 | 390.10 | *Nota metodológica:* El número de parámetros $p = k_{\text{sub}} + 1$ incluye la ordenada al origen $\beta_0$. ### Consignas: 1. **[CÁLCULO - 6 pts] Filtro de Multicolinealidad de Cátedra:** * Aplique el filtro de multicolinealidad cuantitativo exigido por la cátedra ($D = \det(R_{xx}) > 0.10$). Indique con precisión cuáles modelos deben ser descartados de inmediato en esta primera etapa y justifique su decisión. * Se conoce que el coeficiente de correlación simple de Pearson entre $X_1$ y $X_3$ es $r_{13} = 0.975$ ($r_{13}^2 \approx 0.950$). Calcule el Factor de Inflación de la Varianza ($\text{VIF}$) asociado y confirme si supera el umbral crítico ($\text{VIF} > 10$). 2. **[CÁLCULO - 6 pts] Filtro de Sesgo de Especificación de Mallows:** * Para los modelos que superaron el filtro de multicolinealidad, aplique el criterio de cátedra sobre el cociente $C_p / p < 5.0$. ¿Presenta alguno de ellos evidencia de sesgo de especificación inaceptable por omisión de variables relevantes? * Compare cuantitativamente los modelos supervivientes evaluando la ganancia marginal en $R^2_{\text{adj}}$ frente al incremento en la complejidad paramétrica ($p$). 3. **[INTERPRETACIÓN - 7 pts] Selección del Modelo Óptimo y Principio de Parsimonia:** * Defina conceptualmente qué mide el estadístico **PRESS** y por qué es superior al $R^2$ convencional para evaluar la capacidad de generalización y extrapolación de un modelo. * Indique cuál es el modelo definitivo que debe seleccionar la empresa (**M2** o **M3**). Fundamente su respuesta articulando el principio de parsimonia, la minimización de PRESS y el riesgo de sobreajuste (*overfitting*). 4. **[INTERPRETACIÓN - 6 pts] Diagnóstico de Puntos Influyentes y PCA:** * En el análisis de diagnóstico del modelo seleccionado se detecta que el mes #18 tuvo un valor de apalancamiento (*leverage*) $h_{18,18} = 0.45$. Si el umbral de advertencia es $2p / n = 2(3)/30 = 0.20$, pero su Distancia de Cook es $D_{18} = 0.12$ (muy por debajo de 1.0), explique si este mes es un "punto influyente" que distorsiona las estimaciones o si es simplemente un "punto atípico de palanca no destructivo". ¿Debe eliminarse del dataset? * Si el analista quisiera forzosamente incluir la información combinada de $X_1, X_2, X_3$ y $X_4$ sin sufrir la inestabilidad numérica por colinealidad detectada en M4, ¿cómo podría utilizar **PCA (Análisis de Componentes Principales)** y por qué es estrictamente obligatorio estandarizar las variables a escala $Z$ antes de calcular los autovalores y autovectores? --- ## 📊 Tablas Estadísticas y Formulario de Referencia ### 1. Fórmulas de Inferencia y Regresión * **Varianza agrupada:** $s_p^2 = \frac{(n_1 - 1)s_1^2 + (n_2 - 1)s_2^2}{n_1 + n_2 - 2}$ * **Estadístico $t$ dos muestras:** $t = \frac{\bar{X}_1 - \bar{X}_2}{s_p \sqrt{\frac{1}{n_1} + \frac{1}{n_2}}}, \quad GL = n_1 + n_2 - 2$ * **ANOVA:** $SST = SSA + SSE$, $\quad MSA = \frac{SSA}{k-1}$, $\quad MSE = \frac{SSE}{N-k}$, $\quad F_{\text{obs}} = \frac{MSA}{MSE}$ * **Diferencia Significativa Honesta de Tukey:** $HSD = q_{\alpha}(k, \, N-k) \sqrt{\frac{MSE}{n}}$ * **Pendiente MCO:** $\hat{\beta}_1 = \frac{S_{xy}}{S_{xx}}$, $\quad \hat{\beta}_0 = \bar{Y} - \hat{\beta}_1 \bar{X}$ * **Varianza residual MCO:** $s_e^2 = \frac{SSE}{n - 2} = \frac{S_{yy} - \hat{\beta}_1 S_{xy}}{n - 2}$ * **Error estándar de $\hat{\beta}_1$:** $s(\hat{\beta}_1) = \sqrt{\frac{s_e^2}{S_{xx}}}$ * **Intervalo de predicción para nueva obs. $X_0$:** $\hat{Y}_0 \pm t_{n-2, \, 1-\alpha/2} \cdot s_e \sqrt{1 + \frac{1}{n} + \frac{(X_0 - \bar{X})^2}{S_{xx}}}$ * **Factor de Inflación de la Varianza:** $\text{VIF}_j = \frac{1}{1 - R_j^2}$ * **Estadístico $C_p$ de Mallows:** $C_p = p + (n - p)\left( \frac{s_p^2}{s^2_{\text{full}}} - 1 \right)$ ### 2. Valores Críticos de Distribuciones #### Distribución $t$ de Student (Bilateral $\alpha = 0.05 \implies t_{0.975}$) | Grados de Libertad ($GL$) | $t_{0.975}$ | | :---: | :---: | | 10 | 2.228 | | 15 | 2.131 | | 20 | 2.086 | | 25 | 2.060 | | 27 | 2.052 | | 28 | 2.048 | | 30 | 2.042 | #### Distribución $F$ de Snedecor ($\alpha = 0.05$) | $GL_1$ (Num) | $GL_2$ (Den) | $F_{0.95}$ | $F_{0.975}$ (Dos colas $\alpha=0.05$) | | :---: | :---: | :---: | :---: | | 15 | 15 | 2.403 | 2.862 | | 3 | 28 | 2.947 | 3.633 | | 4 | 28 | 2.714 | 3.295 | #### Distribución de Rango Estudentizado de Tukey ($q_{0.05}(k, GL_{\text{error}})$) | $k$ (Tratamientos) | $GL_{\text{error}} = 28$ | $GL_{\text{error}} = 30$ | | :---: | :---: | :---: | | 3 | 3.49 | 3.49 | | **4** | **3.86** | 3.85 | | 5 | 4.11 | 4.10 |