Modelado estadístico

1. ¿Qué es la regresión lineal?

A) Un método para modelar la relación entre una variable dependiente y una o más variables independientes.
B) Un proceso para seleccionar una muestra aleatoria.
C) Un tipo de gráfico de barras.
D) Un método para calcular la mediana de un conjunto de datos.

2. ¿Qué supuesto es importante en la regresión lineal clásica?

A) Distribución normal de los residuos.
B) Independencia de las observaciones.
C) Linealidad de la relación entre las variables independientes y dependiente.
D) Homocedasticidad de los residuos.

3. ¿Qué es la multicolinealidad en la regresión?

A) La presencia de valores atípicos en los datos.
B) La relación no lineal entre las variables.
C) La falta de normalidad de los residuos.
D) Cuando las variables independientes están altamente correlacionadas entre sí.

4. ¿Qué es la validación cruzada en el modelado estadístico?

A) Un método para calcular la varianza de los residuos.
B) Una técnica para calcular el coeficiente de determinación de un modelo.
C) Un enfoque para añadir interacciones entre variables en un modelo.
D) Una técnica para evaluar el rendimiento de un modelo al dividir los datos en subconjuntos de entrenamiento y prueba.

5. ¿Qué distribución se supone generalmente para los errores en un modelo de regresión lineal?

A) Distribución normal.
B) Distribución binomial.
C) Distribución exponencial.
D) Distribución uniforme.

6. ¿Qué es la regresión no paramétrica?

A) Un método que solo se usa para datos categóricos.
B) Un método que requiere que los errores sean independientes y homocedásticos.
C) Un tipo de regresión que solo involucra una variable independiente.
D) Un enfoque para modelar la relación entre variables sin hacer suposiciones sobre la forma funcional de la relación.

7. ¿Qué es el overfitting en un modelo predictivo?

A) Una técnica para mejorar la precisión del modelo.
B) Cuando el modelo es muy simple y no puede capturar la complejidad de los datos.
C) Un error en la recolección de datos que introduce sesgo en el modelo.
D) Cuando el modelo se ajusta demasiado a los datos de entrenamiento y no puede generalizar bien a nuevos datos.

8. ¿Qué es el método de mínimos cuadrados en el contexto de regresión?

A) Un método para encontrar los coeficientes del modelo que minimizan la suma de los cuadrados de los residuos.
B) Un método para calcular la correlación entre variables.
C) Una técnica para hacer predicciones sin ajustar un modelo.
D) Un método para seleccionar las variables independientes más importantes.

9. ¿Qué es la heterocedasticidad en un modelo de regresión?

A) La presencia de valores atípicos en los datos.
B) Cuando la varianza de los errores no es constante en función de los valores de las variables independientes.
C) La distribución no normal de los datos.
D) La falta de linealidad en la relación entre las variables.

Examen creado con That Quiz — donde la práctica de matemáticas se hace fácil.