MLG

1. 1La regresión linear simple relaciona una variable respuesta de tipo continuo con:

   1. Avarias variables explicativas de tipo continuo
   2. Buna variable explicativa de tipo categórico
   3. Cvarias variables explicativas de tipo categórico
   4. Duna variable explicativa de tipo continuo
2. 2La variable respuesta en una regresión también se conoce como:

   1. Avariable independiente
   2. Bpredictor
   3. Cvariable dependiente
   4. Dvariable explicativa
3. 3Pronosticaré el número de especies de aves [1] en varios países por su latitud [2]. Ambas son:

   1. AVariable respuesta [1] / Variable explicativa [2]
   2. BVariable independiente [1] / Variable dependiente [2]
   3. CVariable predictora [1] / Variable dependiente [2]
   4. DVariable respuesta [1] / Variable dependiente [2]
4. 4El coeficiente ß (beta) asociado a un predictor es

   1. Ael error de la regresión
   2. Bla intercepta de la regresión
   3. Cla pendiente de esa variable
   4. Dla ordenada en el origen de la regresión
5. 5El coeficiente ß (beta) asociado a un predictor indica

   1. Ala magnitud y el signo de la relación
   2. Bel error de la regresión
   3. Cla intercepta de la regresión
   4. Dla ordenada en el origen
6. 6La ‘intercepta’ ('alfa') de una regresión es

   1. Ala pendiente de la regresión
   2. Bel valor cuando la variable explicativa es cero
   3. Cla magnitud y el signo de la relación
   4. Del error de la regresión
7. 7Se asume que los errores en una regresión

   1. Atodas son ciertas
   2. BSigan una distribución de campana de Gauss
   3. Ctengan una media de cero
   4. Dsean normales
8. 8Las unidades muestrales con las que se construye una regresión deben ser

   1. ADependientes
   2. BLineares
   3. CNormales
   4. DIndependientes
9. 9La 'Suma de cuadrados total' (SST) indica

   

   1. ALa información explicada
   2. BLa cantidad de información que se puede llegar a explicar
   3. CEl error de la regresión
   4. DLa varianza del predictor
10. 10La 'Suma de cuadrados total' (SST) se calcula

    1. ARestando a cada predicción el valor de la media
    2. BRestando a cada observación el valor de la media
    3. CRestando a cada observación el valor de su predicción
    4. DRestando a cada predicción la media de las predicciones

11. 11La 'suma de cuadrados residual' (SSREsidual) se calcula

    

    1. ARestando a cada observación el valor de su predicción
    2. BRestando a cada predicción el valor de la media
    3. CRestando a cada predicción la media de las predicciones
    4. DRestando a cada observación el valor de la media
12. 12Los residuos de una regresión son

    1. ADistancia de las predicciones a la media de las observaciones
    2. BDistancia de las observaciones a la media de las predicciones
    3. CLa diferencia entre las observaciones y las predicciones
    4. DDiferencia entre predicciones y observaciones al cuadrado
13. 13La 'suma de cuadrados residual' (SSResidual) indica

    

    1. ALa varianza del predictor
    2. BLa información explicada
    3. CLa cantidad de información que se puede llegar a explicar
    4. DEl error de la regresión
14. 14La 'suma de cuadrados de la regresión' (SSRegresion) indica

    

    1. AEl error de la regresión
    2. BLa varianza del predictor
    3. CLa información explicada
    4. DLa cantidad de información que se puede llegar a explicar
15. 15La 'suma de cuadrados de la regresión' (SSRegresion) se calcula

    1. ARestando a cada predicción la media de las observaciones
    2. BRestando a cada observación el valor de la media
    3. CRestando a cada observación el valor de su predicción
    4. DRestando a cada predicción el valor de la media
16. 16Una regresión con buena capacidad predictiva tiene

    1. AUna suma de cuadrados residual grande
    2. BUna suma de cuadrados residual pequeña
    3. CUna suma de cuadrados totales pequeña
    4. DUna suma de cuadrados totales grande
17. 17Con qué función de R extraes los valores ajustados por el modelo:

    1. Aresiduals
    2. Bpredict
    3. Cplot
    4. Dsummary
18. 18Con qué función de R extraes los errores del modelo

    1. Aresiduals
    2. Bsummary
    3. Cpredict
    4. Dplot
19. 19Con el modelo de la imagen, ¿cuál es la eficiencia de un vehículo de 2 unidades de peso?

    

    1. A26.60
    2. B46.60
    3. C36.60
    4. D16.60
20. 20¿Qué quiere decir que el residuo para el modelo de coche Datsun 710 es -2.08?

    1. AQue se observa un valor real superior al predicho
    2. BQue el error está subestimado
    3. CQue la regresión subestima la eficacia de este vehículo
    4. DQue la regresión sobreestima la eficacia de este vehículo
21. 21La suma de cuadrados, como medida de información, tiene este problema

    1. AQue mide la variación en los datos
    2. BQue se calcula restando la media
    3. CQue se mide la varianza de los datos
    4. DQue depende del número de unidades con que se calcule
22. 22Al dividir una suma de cuadrados por los grados de libertad correspondientes

    1. ASe obtiene el error de la regresión
    2. BSe obtiene un test de significación
    3. CNo se puede realizar esta operación
    4. DSe consigue una estima de la varianza
23. 23El cociente entre dos varianzas

    1. ANinguna de las otras es cierta
    2. BSigue una distribución normal
    3. CIndica si los residuos son significativos
    4. DSigue una distribución de la F
24. 24Para examinar gráficamente si las predicciones del modelo se ajustan a las observaciones, mejor

    1. AUn gráfico de residuos frente a predicciones
    2. BUn gráfico de observaciones frente a predicciones
    3. CUn gráfico de normalidad de residuos
    4. DUn gráfico de residuos frente a observaciones
25. 25Un gráfico diagnóstico de residuos frente a predicciones es el mejor para revelar

    1. ASi los residuos son normales
    2. BSi el predictor debe ser transformado
    3. CSi las predicciones se ajustan a las observaciones
    4. DSi el modelo es muy explicativo
26. 26En una regresión múltiple, el test para cada coeficiente asociado a un predictor

    1. ATodas son correctas
    2. BComprueba si la pendiente es significativa
    3. CComprueba si la pendiente es distinta de cero
    4. DComprueba si la pendiente es distinta de la horizontal
27. 27La variación atribuible a los predictores en una regresión se calcula como

    1. ALa suma de los cuadrados de predictores y los residuos
    2. BSuma de cuadrados de los predictores partida por el total
    3. CLa suma de los cuadrados de todos los predictores
    4. DLa suma de los cuadrados medios de todos los predictores
28. 28El ANOVA de una vía relaciona una variable respuesta de tipo continuo con:

    1. AUna variable explicativa de tipo continuo
    2. Bvarias variables explicativas de tipo categórico
    3. Cvarias variables explicativas de tipo continuo
    4. Duna variable explicativa de tipo categórico
29. 29La variable explicativa en un ANOVA de una vía se conoce como

    1. Avariable independiente continua
    2. Bfactor
    3. Cpredictor continuo
    4. Dvariable dependiente
30. 30Pronosticaré el nº de aves en varios países según al continente en que se encuentren. Ambas son

    1. AVariable independiente / Variable dependiente
    2. BVariable respuesta / Variable explicativa
    3. CVariable predictora / Variable dependiente
    4. DVariable respuesta / Variable dependiente
31. 31La 'suma de cuadrados total' (SST) se basa en

    1. Ael valor de cada observación menos el valor de la media
    2. Bel valor de cada observación menos la media del grupo
    3. Cla media de cada grupo menos la media total
    4. Del valor de cada observación menos el valor de la predicción
32. 32La ‘suma de cuadrados entre grupos’ indica

    1. Ala cantidad de información que se puede explicar
    2. Blas diferencias entre las observaciones
    3. Cla variabilidad total de los datos
    4. Dlas diferencias entre los grupos
33. 33El coeficiente asociado al nivel de un factor que no es el de referencia se interpreta como

    1. Ala diferencia respecto el nivel de referencia
    2. Bla pendiente del factor
    3. Cla magnitud y el signo de la relación
    4. Del valor cuando el predictor es cero
34. 34Se asume que los errores en un ANOVA

    1. Atodas son ciertas
    2. BSigan una distribución de campana de Gauss
    3. Ctengan una media de cero
    4. Dsean normales
35. 35En un modelo de ANOVA satisfactorio

    1. ASS entre grupos > SS dentro de grupos
    2. BSST > SSR
    3. CSS dentro de grupos > SS entre grupos
    4. DSST > SS dentro de grupos
36. 36Los ‘cuadrados medios’ son

    1. Ala media de los errores
    2. Bla varianza de los factores
    3. CEl error del ANOVA
    4. Dla variación de los factores
37. 37En tu próximo artículo con ANOVA desearás que

    1. Ala varianza del factor bajo estudio > varianza de residuos
    2. Bla varianza total > varianza entre de grupos
    3. Cla varianza de los residuos > que la del factor bajo estudio
    4. Dninguna del resto
38. 38El ANCOVA de una vía relaciona una variable respuesta de tipo continuo con:

    1. Avarias variables explicativas de tipo continuo
    2. Bvarias variables explicativas de tipo continuo y categórico
    3. Cuna variable explicativa de tipo categórico
    4. Dvarias variables explicativas de tipo categórico
39. 39Pronosticaré el tamaño del cerebro en función del tamaño del cuerpo y del grupo taxonómico

    1. Anecesito al menos una variable continua y otra categórica
    2. Bnecesito interacción entre tamaño cerebro y grupo taxonómico
    3. Cnecesito incluir una interacción entre el tamaño y el grupo
    4. Dnecesito una interacción entre dos variables continuas
40. 40Con una interacción entre un predictor continuo y otro categórico examino si…

    1. Alos efectos son significativos
    2. Bel factor es más importante que el predictor continuo
    3. Cel efecto de la continua depende del nivel del factor
    4. Del predictor continuo es más importante que el factor
41. 41Si la interacción entre un predictor continuo y otro categórico es significativa

    1. Aincluiré solo la interacción en el modelo
    2. Bexcluiré los predictores no significativos del modelo
    3. Cincluiré ambos en el modelo, aunque no sean significativos
    4. Dninguna de las anteriores es correcta
42. 42En un ANCOVA ¿crees que se asume que los errores…?:

    1. Asean normales
    2. Btodas son ciertas
    3. Ctengan una media de cero
    4. DSigan una distribución de campana de Gauss
43. 43Los Modelos Lineales Generalizados difieren de los Modelos Lineares Generales en que

    1. Apueden usar datos dependientes
    2. Bninguna del resto es correcta
    3. Cpueden usar variables de distribución no-normal
    4. Dpueden ajustar relaciones no lineares
44. 44En los Modelos Lineales Generalizados

    1. Ano se asume que la varianza es constante
    2. Btodas son correctas
    3. Cdeben usar datos independientes
    4. Dlos errores no siguen una distribución normal
45. 45El predictor linear en un GLM:

    1. Adescribe la distribución de la variable respuesta
    2. Bes una función de las variables explicativas
    3. Cdescribe cómo la varianza depende de la media
    4. Drelaciona los valores predichos con los observados
46. 46La función vínculo en un GLM:

    1. Arelaciona los valores predichos con los observados
    2. Bes una función de las variables explicativas
    3. Cdescribe cómo la varianza depende de la media
    4. Ddescribe la distribución de la variable respuesta
47. 47Si el rango de tu variable respuesta está en el rango (0, infinito) es mejor usar un modelo

    1. Ade regresión logística
    2. Bde regresión binomial
    3. Cde regresión de Poisson
    4. Dde regresión linear
48. 48En la regresión de Poisson la media

    1. Aes igual a la varianza
    2. Bes mayor que la varianza
    3. Ces igual a la varianza al cuadrado
    4. Des menor que la varianza
49. 49La distribución de Poisson con media muy alta es

    1. Asesgada a la izquierda
    2. Bmuy asimétrica
    3. Ctiende a la asimetría
    4. Dsimétrica
50. 50La función vínculo canónica de la distribución de Poisson es

    1. Ael logaritmo
    2. Bla función identidad
    3. Cfunción exponencial
    4. Dla media
51. 51A qué concepto de un modelo linear es equivalente la ‘desvianza’ en un GLM:

    1. Aa la variabilidad
    2. Ba los residuos
    3. Ca la varianza
    4. Da la variación
52. 52A qué concepto de un modelo linear es equivalente la ‘desvianza’ nula en un GLM:

    1. Aninguna del resto es correcta
    2. Bvarianza de la regresión
    3. Cvarianza de los residuos
    4. Dvarianza total
53. 53La diferencia de desvianzas entre dos modelos anidados (encajados) se distribuye como:

    1. AUna F
    2. Buna normal
    3. CUna Χ2
    4. Duna t
54. 54Un modelo muy explicativo tiene una desvianza residual

    1. Apequeña en comparación con la desvianza nula
    2. Bninguna de las otras es correcta
    3. Cigual que la desvianza nula
    4. Dgrande en comparación con la desvianza nula
55. 55La regresión de Poisson asume que el parámetro de dispersión φ

    1. Aes grande
    2. B= 0
    3. C= 1
    4. Des pequeño
56. 56La regresión de Poisson puede incorporar en el predictor linear

    1. Aninguna de las otras es correcta
    2. Bsolo variables explicativas continuas
    3. Csolo variables explicativas categóricas
    4. Dvariables explicativas continuas y categóricas
57. 57La varianza en la distribución binomial negativa

    1. Atodas las otras son ciertas
    2. Bes proporcional a la media
    3. Ces proporcional a la media al cuadrado
    4. DEs mayor que la varianza de Poisson
58. 58Se puede entender que

    1. ALa regresión binomial negativa y la de Poisson no convergen
    2. BLa regresión binomial negativa es un caso particular de la Poisson
    3. CLa regresión de Poisson es un caso particular de la binomial negativa
    4. DLa regresión binomial negativa y la de Poisson son sinónimas
59. 59Dos modelos con los mismos datos tienen estos gráficos de residuos, ¿denotan problemas?

    

    1. Aambos están bien
    2. Bambos denotan no normalidad
    3. Cel de la derecha heterocedasticidad, prefiero el de la izquierda
    4. Del de la izquierda heterocedasticidad, prefiero el de la derecha
60. 60La regresión binomial sirve para modelar

    1. Adatos en proporciones
    2. Bcocientes binomiales
    3. Ctodas son correctas
    4. Drespuesta dada en porcentaje
61. 61¿Qué afirmación se corresponde mejor con el coeficiente binomial de la imagen?

    

    1. Auno de cada diez dentistas recomienda lavarse los dientes
    2. Bnueve de cada diez dentistas recomiendan lavarse los dientes
    3. Chay nueve dentistas que recomiendan lavarse los dientes
    4. Ddiez de cada nueve dentistas recomiendan lavarse los dientes
62. 62Para el análisis de porcentajes ¿qué alternativa a un GLM binomial existe?

    1. Arespuesta como tasa relativa: log(valor final/valor inicial)
    2. BANCOVA: valor final como respuesta; inicial como predictor
    3. Ctransformación arcoseno para datos de cobertura vegetal
    4. Dtodas son correctas
63. 63De los tres coeficientes binomiales de la imagen, ¿a cuál dará más peso la regresión binomial?

    

    1. Aal segundo
    2. Ba todos por igual
    3. Cal tercero
    4. Dal primero
64. 64Encuentro 35 ácaros muertos de 50 total; lo más probable es que la probabilidad de muerte sea:

    1. A1.4
    2. B0.15
    3. C0.35
    4. D0.7
65. 65En la regresión binomial la función vínculo más habitual es la

    1. Alog
    2. Bnormal
    3. Cidentidad
    4. Dlogit
66. 66¿Cuál de estas sintaxis de R ajusta correctamente una regresión binomial?

    

    1. Ala segunda por arriba
    2. Bla tercera por arriba
    3. Cla de más abajo
    4. Dla primera por arriba
67. 67En la validación de una regresión Binomial debemos examinar el parámetro de dispersión

    1. Afrecuentemente
    2. Bsiempre
    3. Ca veces
    4. Dnunca
68. 68La relación entre las predicciones de una regresión Binomial y los predictores es

    1. Acomo una curva normal
    2. Bcomo una recta
    3. Ccomo una curva sigmoidal
    4. Dninguna de las otras
69. 69¿Sugiere esta tabla que podría retirar del modelo la variable ‘Pesticides’?

    

    1. Así, porque esa variable no es significativa
    2. Bno, porque esa variable entra en la interacción
    3. Cdepende de si se quiere simplificar el modelo
    4. Dninguna de las otras
70. 70La regresión logística está diseñada para modelizar respuestas de tipo

    1. Anormales
    2. Ben forma de proporción
    3. CDe Poisson
    4. Dbinarias
71. 71La función vínculo canónica en un GLM para datos dicotómicos es:

    1. Afunción exponencial
    2. Bfunción identidad
    3. Cfunción logaritmo
    4. Dfunción logit
72. 72La regresión logística tiene como variable respuesta:

    1. Ala cuota (o probabilidad relativa)
    2. Bel logaritmo de la cuota (o probabilidad relativa)
    3. Cel exponencial de la probabilidad
    4. Dla probabilidad como frecuencia de un evento
73. 73Las predicciones de una regresión logística se pueden entender como:

    1. Aninguna de las otras
    2. Bprobabilidad de que suceda una de dos eventos contrarios
    3. Cprobabilidad en relación al número de casos
    4. Dnúmero de veces que sucederá un evento respecto un conjunto
74. 74La cuota, o probabilidad relativa (‘odds’) es:

    1. Ala probabilidad absoluta de un evento
    2. Bprobabilidad en relación al número de casos
    3. Ccociente entre prob de un evento y la de su complementario
    4. Dninguna de las otras
75. 75La tasa de clasificación correcta es:

    1. Acociente entre aciertos y fallos
    2. Bninguna de las otras
    3. Ccociente entre fallos y aciertos
    4. Dcociente entre aciertos y número de sucesos
76. 76La especificidad mide:

    1. Aninguna de las otras
    2. Bfrecuencia con que el modelo acierta los casos negativos
    3. Cfrecuencia con que el modelo acierta
    4. Dfrecuencia con que el modelo acierta los casos positivos
77. 77La frecuencia con que el modelo acierta los casos positivos es:

    1. Ala especificidad
    2. Bla sensibilidad
    3. Cninguna de las otras
    4. Dla tasa de aciertos
78. 78A medida que aumenta el umbral de exigencia para declarar un caso como positivo

    1. Ala sensibilidad disminuye
    2. Bla sensibilidad aumenta
    3. Cla especificidad disminuye
    4. Dla tasa de aciertos aumenta
79. 79De acuerdo a la imagen, cuál modelo tendría mayor capacidad predictiva:

    

    1. Ael de la derecha, porque tiene menor número de fallos
    2. Bel de la derecha, porque es más sencillo.
    3. Cel de la izquierda, porque es más sencillo
    4. Del de la izquierda, porque tiene mayor número de aciertos
80. 80Los Modelos Lineares Mixtos extienden el modelo linear general en que:

    1. Apueden ajustar relaciones no lineares
    2. Bpueden usar variables de distribución no-normal
    3. Cpueden usar datos dependientes
    4. Dninguna del resto es correcta
81. 81La regresión linear considera que:

    1. Adeben usar datos independientes
    2. Bla relación entre respuesta y predictores es universal
    3. Ctodas son correctas
    4. Dlos errores siguen una distribución normal
82. 82¿Cuántos parámetros estima una regresión con un solo predictor (variable continua)?

    1. A2
    2. B1
    3. C3
    4. D4
83. 83Un ANCOVA de un predictor continuo, un factor y su interacción:

    1. Agenera una predicción por cada predictor
    2. Bgenera una predicción normal
    3. Cgenera una predicción distinta por cada nivel del factor
    4. Dgenera una predicción poblacional
84. 84Un ANCOVA de un predictor continuo y un factor sin su interacción

    1. Aninguna del resto es correcta.
    2. Bsus predicciones se representan como líneas que se cruzan
    3. Csus predicciones se representan como una sola línea
    4. Dsus predicciones se representan como líneas paralelas
85. 85¿Cuántos parámetros debe estimar el modelo de la imagen? (9 rectas)

    

    1. A3
    2. B4
    3. C11
    4. D10
86. 86El Modelo mixto con intercepta aleatoria ajusta

    1. Apredicciones paralelas para cada nivel del factor aleatorio
    2. Bpredicciones cruzadas para cada nivel del factor aleatorio
    3. Cuna única predicción poblacional
    4. Dpredicciones convergentes para cada nivel del factor
87. 87La intercepta para un nivel j del factor aleatorio en un modelo mixto de intercepta aleatoria:

    1. A= α + aj
    2. B= α + aj + β
    3. C= α
    4. D= aj
88. 88La intercepta aleatoria aj para un nivel j del factor aleatorio indica

    1. Ala intercepta de la recta para ese nivel
    2. Bel efecto diferente del predictor en ese nivel j
    3. Cel valor predicho cuando la variable explicativa vale cero
    4. Dlo que se separa ese nivel j de la media poblacional
89. 89En este modelo: Riquezaij = α + aj + β*NAPij + εij, el componente aleatorio es

    1. Aα, aj, εij
    2. Bεij
    3. Cα, β
    4. Daj, εij
90. 90En este modelo: Riquezaij = α + aj + β*NAPij + εij, β es

    1. Ala estima del efecto aleatorio del predictor
    2. Bninguna de las otras
    3. Cla estima del efecto poblacional del predictor
    4. Dla pendiente para un nivel del factor
91. 91En un modelo mixto de intercepta aleatoria donde aj~N(0,sigma²a) y εij~N(0,sigma²ε) la relación entre las sigmas puede ser

    1. Asigma²a ≠ sigma²ε
    2. Bsigma²a = sigma²ε ó sigma²a ≠ sigma²ε
    3. Csigma²a = sigma²ε
    4. Dsigma²a > sigma²ε
92. 92En este modelo: Riquezaij = α + aj + β*NAPij + εij, para cada punto i y cada playa j

    1. Asigma²a indica la variabilidad entre playas
    2. Bninguna de las otras
    3. Csigma²a indica la variabilidad entre puntos
    4. Dsigma²a indica la variabilidad del efecto de NAP
93. 93En un modelo mixto donde aj~N(0,sigma²a) y εij~N(0,sigma²ε), si sigma²a >>> sigma²ε

    1. Aestamos más cerca de la regresión que del ANCOVA
    2. Bestamos equidistantes entre el ANCOVA y la regresión
    3. Cestamos más cerca del ANCOVA que de la regresión
    4. Des equivalente a un ANOVA
94. 94En la imagen (corresponde al modelo Riquezaij = α + aj + β*NAPij + εij) si sigma²a fuera mayor

    

    1. Ala distancia entre las líneas aumentaría
    2. Bla distancia entre las líneas disminuiría
    3. Cla distancia entre los puntos disminuiría
    4. Dla distancia entre los puntos aumentaría
95. 95Los modelos mixtos con intercepta y pendiente aleatoria:

    1. Aajustan menos parámetros que el ancova con interacción
    2. Bajustan los mismos parámetros que el ancova.
    3. Cajustan más parámetros que el ancova con interacción
    4. Dajustan los mismos parámetros que el ancova con interacción
96. 96El Modelo mixto con intercepta y pendiente aleatoria ajusta:

    1. Apredicc. convergentes para cada nivel del factor aleatorio
    2. Bpredicciones paralelas para cada nivel del factor aleatorio
    3. Cuna única predicción poblacional
    4. Dpredicciones cruzadas para cada nivel del factor aleatorio
97. 97La pendiente para un nivel j del factor en un modelo de intercepta y pendiente aleatorias:

    1. A= bj
    2. B= β
    3. C= α + aj
    4. D= β + bj
98. 98La pendiente aleatoria bj para un nivel j del factor aleatorio indica

    1. Ala intercepta de la recta para ese nivel
    2. Blo que se separa ese nivel j de la media poblacional
    3. Cel efecto diferente del predictor en ese nivel j
    4. Del valor predicho cuando la variable explicativa vale cero
99. 99En este modelo: Riquezaij = α + aj + β*NAPij + bj*NAPij + εij, el componente aleatorio es

    1. Aα, β
    2. Bεij
    3. Cα, aj, εij
    4. Daj, bj, εij
100. 100En este modelo: Riquezaij = α + aj + β*NAPij + bj*NAPij + εij, β es

     1. Ala estima del efecto poblacional del predictor
     2. Bla pendiente para un nivel del factor
     3. Cninguna de las otras
     4. Dla estima del efecto aleatorio del predictor
101. 101En un modelo mixto donde sigma²a = 10, sigma²b = 5 y sigma²ε = 5 (puntos dentro de playas)

     1. Ala variación no explicada entre playas es del 50%
     2. Bla variación no explicada entre playas es del 100%
     3. Cla variación no explicada entre playas es del 75%
     4. Dla variación no explicada entre playas es del 25%
102. 102Los modelos mixtos con intercepta y pendiente aleatoria:

     1. Aajustan menos parámetros que el ancova con interacción
     2. Bajustan los mismos parámetros que el ancova.
     3. Cajustan más parámetros que el ancova con interacción
     4. Dajustan los mismos parámetros que el ancova con interacción
103. 103En este modelo: Riquezaij = α + aj + β*NAPij + bj*NAPij+ εij, para cada punto i y cada playa j

     1. Asigma²b indica la variabilidad entre playas
     2. Bsigma²b indica la variabilidad del efecto de NAP
     3. Cninguna de las otras
     4. Dsigma²b indica la variabilidad entre puntos
104. 104En un modelo mixto si sigma²a + sigma²b>>> sigma²ε

     1. Aestamos equidistantes entre el ANCOVA y la regresión
     2. Bestamos más cerca del ANCOVA + interacción que de regresión
     3. Cestamos más cerca de regresión que del ANCOVA + interacción
     4. Des equivalente a un ANOVA
105. 105Para construir un modelo mixto se recomienda

     1. Aajustar primero el componente aleatorio y después el fijo
     2. Bajustar cualquier componente primero, orden es irrelevante
     3. Cajustar simultáneamente ambos componentes
     4. Dajustar primero el componente fijo y después el aleatorio
106. 106El protocolo de construcción de un modelo mixto

     1. Aemplea un único algoritmo de estimación de parámetros
     2. Bse sigue de una forma unánime
     3. Cno está aceptado de forma universal
     4. Des totalmente arbitrario
107. 107Si tienes 100 filas en tu base de datos, se recomienda que el modelo que construyas con ella

     1. Ano requiera calcular más de 4 parámetros
     2. Bno requiera calcular más de 20 parámetros
     3. Cno tiene limitación en el número de parámetros
     4. Dno requiera calcular más de 10 parámetros
108. 108Ajustar la estructura óptima del componente aleatorio en un modelo significa

     1. Aincluir factores aleatorios que más variabilidad expliquen
     2. Bconstruir modelo con tantos factores aleatorios como fijos
     3. Cseleccionar los elementos del componente fijo del modelo
     4. Ddecidir qué elementos aleatorios incluir
109. 109Los modelos mixtos lineares se ajustan, por defecto, por el algoritmo

     1. Acualquiera de ellos
     2. BMáxima verosimilitud restringida (REML)
     3. CMáxima verosimilitud (ML)
     4. DMínimos cuadrados (LS)
110. 110El algoritmo de máxima verosimilitud (ML):

     1. Atodas son correctas
     2. Bse emplea para ajustar modelos lineares
     3. Cequivale, para la regresión, al de mínimos cuadrados
     4. DDifiere respecto el REML
111. 111Si el AIC de mis tres modelos A, B y C es, respectivamente, 247, 239, 242, el más plausible es:

     1. AEl C
     2. BEl A
     3. Cson igualmente plausibles
     4. DEl B
112. 112El test de razón de verosimilitudes (log-likelihood ratio test) compara:

     1. Amodelo complejo con otro con subconjunto de sus parámetros
     2. Btodas son correctas
     3. Csi la diferencia de desvianzas residuales es significativa
     4. Dlas desvianzas residuales de dos modelos encajados
113. 113¿Qué problema técnico existe para hacer un test de que la varianza es 0?:

     1. Aque la distribución de la varianza no es normal
     2. BQue los tests son demasiado liberales (mayor error tipo I)
     3. Cninguna de las otras
     4. Del 0 está en el límite de la distribución posible de sigma
114. 114Bajo qué argumento se podría optar por no ajustar el componente aleatorio de un modelo mixto

     1. Abajo ninguno, siempre es necesario seleccionar este comp.
     2. Bsi se considera que el comp. aleatorio es parte del diseño
     3. CCuando el componente aleatorio no es Normal
     4. Dsi el componente no es significativo
115. 115Los tests de Wald:

     1. AComprueban la hipótesis de que H0: β = 0
     2. Btodas son ciertas
     3. Cson menos preferidos que las comparaciones encajadas
     4. Dse emplean en selección de estructura óptima del comp. fijo
116. 116La comparación encajada de modelos para seleccionar estructura del comp. fijo debe emplear

     1. Acualquiera de los dos
     2. BEl algoritmo ML
     3. CEl algoritmo REML si el modelo es de intercepta aleatoria
     4. DEl algoritmo REML
117. 117El ajuste final de un modelo mixto ha de hacerse con:

     1. AEl algoritmo REML si el modelo es de intercepta aleatoria
     2. Bcualquiera de los dos
     3. CEl algoritmo REML
     4. DEl algoritmo ML
118. 118En un diseño factorial cruzado

     1. Ase miden individuos varias veces a lo largo del tiempo
     2. Btodos los niveles de los factores se combinan entre sí
     3. Cno se puede aleatorizar completamente la asignación de tratamientos
     4. Dninguna del resto es correcta
119. 119En un modelo mixto con dos factores aleatorios independientes

     1. Aqueremos medir la diferencia de la respuesta entre factores
     2. Bdeseamos evaluar si hay variación de la respuesta entre factores
     3. Cestudiaremos la variación entre los niveles de los factores
     4. Dnos interesa comprobar la diferencia de la respuesta entre niveles
120. 120Si me interesa especialmente examinar a qué elementos puedo atribuir la variabilidad de los errores de un modelo mixto

     1. Aatenderé principalmente al componente aleatorio
     2. Batenderé a ambos componentes
     3. Catenderé principalmente al componente fijo
     4. DAtenderé principalmente al coeficiente de determinación (R2)
121. 121En un modelo mixto para diseño factorial cruzado, sin variables explicativas en el componente fijo, la intercepta da la

     1. Arespuesta promedio para todas las combinaciones de los factores aleatorios
     2. Brespuesta del último nivel de los factores aleatorios
     3. Crespuesta del primer nivel de los factores aleatorios
     4. Drespuesta promedio de diferencias de los niveles de los factores aleatorios
122. 122¿Por qué podríamos querer construir un modelo mixto sin variables explicativas en su componente fijo?

     1. Aporque los predictores del componente fijo no son significativos
     2. Bsi no podemos definir cuáles serían esas variables explicativas
     3. Ceso no sería correcto
     4. Dporque nos interesa principalmente la variabilidad de la respuesta
123. 123Si en un modelo mixto incluimos un factor A en el componente fijo y otro B en el componente aleatorio, podremos examinar

     1. Alas diferencias de las combinaciones de todos los niveles de A y B
     2. Blas diferencias en la respuesta media de los niveles del factor A
     3. Clas diferencias en la variabilidad del factor A respecto el B
     4. DPodremos examinar la significación de los niveles del factor B
124. 124Cuando se hacen múltiples comparaciones entre los distintos niveles de un factor en un modelo mixto, los p-valores

     1. Aes aconsejable corregirlos
     2. Bcomprueban la hipótesis de que la estima del nivel difiere de cero
     3. CSe comparan con el test de Bonferroni
     4. Dsolo válidas cuando las comparaciones se hacen en el componente aleatorio
125. 125Si en un modelo mixto que describe un análisis factorial cruzado entre dos factores A y B, trasladamos uno al comp. fijo

     1. Ael modelo deja de describir un diseño factorial cruzado
     2. Bno estamos cometiendo ningún error
     3. Ctodas son ciertas
     4. Dcambia totalmente la interpretación del modelo
126. 126En un diseño longitudinal

     1. Aninguna del resto es correcta
     2. Bno se puede aleatorizar completamente la asignación de tratamientos
     3. Ctodos los niveles de los factores se combinan entre sí
     4. Dse miden individuos varias veces a lo largo del tiempo
127. 127En un modelo mixto que describe un diseño longitudinal

     1. Apendiente aleat. = variabilidad efecto de v.explicativa entre individuos
     2. Bintercepta aleat. = variabilidad efecto de v.explicativa entre individuos
     3. Cpendiente aleatoria informa sobre el nivel de referencia de cada individuo
     4. Dninguna es cierta
128. 128¿Por qué querríamos construir un mod. mixto con una misma v. explicativa que aparece en parte fija y aleatoria?

     1. Apara conocer el efecto general de esa variable y su efecto particular
     2. Bse trata de un error, la misma variable no puede aparecer dos veces
     3. Cpara elaborar un modelo cruzado de medidas repetidas
     4. Dpara conocer el nivel de referencia de cada sujeto
129. 129La pendiente aleatoria bj para un sujeto j del factor aleatorio indica

     1. Alo que se separa ese sujeto j de la media poblacional
     2. Bel efecto diferente del predictor en ese sujeto j en particular
     3. Cel valor predicho cuando la variable explicativa vale cero
     4. Dla intercepta de la recta para ese nivel del factor
130. 130En un modelo linear mixto que describe un diseño longitudinal

     1. Atodas son ciertas
     2. Blos errores han de ser normales
     3. Clas interceptas aleatorias se distribuyen según una distribución normal
     4. Dlos niveles de los elementos aleatorios deben distribuirse como una normal
131. 131En un modelo linear mixto que describe un diseño longitudinal

     1. Acorrelación entre interceptas y las pend. aleatorias es significativa
     2. Blas interceptas y las pendientes aleatorias nunca están correlacionadas
     3. Ccorrelación entre interceptas y pend. aleatorias se modela por defecto
     4. Dlas interceptas y las pendientes aleatorias siempre están correlacionadas
132. 132En un modelo linear mixto que describe un diseño longitudinal podríamos eliminar la pendiente aleatoria

     1. Así, pero cambiaría el significado del modelo
     2. Bno, nunca
     3. Cno, porque cambiaría el significado del modelo
     4. Dsí, siempre
133. 133El Análisis de Componentes Principales

     1. Ase basa en las correlaciones (o covarianzas) entre las variables
     2. Btodas son ciertas
     3. Creduce la dimensionalidad de la base de datos
     4. Dsintetiza las variables en un número de combinaciones lineares
134. 134En estudios de ecología donde interesa visualizar las similitudes entre muestras o lugares, normalmente:

     1. Alas variables que describen las muestras van en filas; sitios en columnas
     2. Bvariables y muestras (o sitios) van en columnas
     3. Clas variables que describen las muestras van en columnas; sitios en filas
     4. Des indiferente qué se coloca en filas y en columnas
135. 135Los ejes de un PCA

     1. Ase ordenan de forma aleatoria
     2. Bse ordenan de mayor a menor varianza explicada
     3. Cse ordenan de menor a mayor varianza explicada
     4. Dno se ordenan de acuerdo a la varianza explicada
136. 136El PCA requiere variables de tipo:

     1. Acontinuo
     2. Bindependientes
     3. Cde distribución Normal
     4. Dcategórico
137. 137Se suele recomendar centrar y escalar las variables en un PCA porque

     1. Ael resultado arroja una mayor significación
     2. Bes más bonito
     3. Cno, eso está desaconsejado
     4. Dasí se compensa si las variables se midieron en distintas unidades
138. 138Los ejes de un ACP/PCA

     1. Atodas son ciertas
     2. Bdan la significación de las variables
     3. Cdan la varianza absorbida por cada caso
     4. Ddan las coordenadas en las que se sitúa cada caso
139. 139¿Cuál es el objetivo de la clasificación jerárquica?

     1. Aexplicarnos porqué dos grupos son diferentes
     2. Bmostrarnos las diferencias multivariantes entre pares de observaciones
     3. Cdisminuir la varianza dentro de los grupos
     4. Daumentar la varianza intragrupos
140. 140¿Qué medida de distancia utiliza la clasificación jerárquica para medir la similitud de una observación a un grupo?

     1. Acualquiera de ellas
     2. BLa distancia de Mahalanobis
     3. Cla distancia euclídea
     4. DEl índice de Jaccard
141. 141¿Cuándo se puede usar el índice de Jaccard en la clasificación jerárquica?

     1. Aen cualquier caso
     2. Bcuando las variables sean cuantitativas
     3. Ccuando la varianza de los datos sea alta
     4. Dcuando las variables sean cualitativas
142. 142¿Qué es un algoritmo de agrupación?

     1. Auna fórmula para medir el parecido entre dos observaciones
     2. Btodas ellas son ciertas
     3. Cun criterio que informa de a qué distancia unir una observación a un grupo
     4. Dun test para medir las diferencias entre dos grupos
143. 143¿Qué es un fenograma o dendrograma?

     1. Aun diagrama que representa el grado de heterogeneidad de los grupos
     2. Bun diagrama que muestra el parecido entre todos los pares de observaciones
     3. Ctodas ellas son ciertas
     4. Dun diagrama que representa el parecido entre todos los grupos
144. 144¿Cómo se calcula la distancia de una observación a un grupo de observaciones?

     1. Acualquiera de las tres
     2. Bdistancia a la observación más lejana
     3. Cdistancia media de la observación a todas las del grupo
     4. Ddistancia a la observación más próxima
145. 145¿Cuál es el objetivo de la clasificación K-means?

     1. Ainformar sobre la disimilitud entre pares de observaciones
     2. Bencontrar el numero óptimo de grupos para un conjunto de observaciones
     3. Ccomparar las varianzas de los grupos
     4. Dcomparar las medias de los grupos
146. 146¿Cómo se decide el número de grupos (K) que queremos identificar inicialmente cuando ejecutamos K-means?

     1. Alas dos estrategias son válidas
     2. Bdecidimos el número de grupos según una hipótesis previa
     3. Cempezamos por dos grupos
     4. Dninguna es válida
147. 147¿Qué ocurre cuando aumentamos K?

     1. Ala varianza dentro de los grupos disminuye
     2. Bla media de los grupos se aproxima a la varianza
     3. Cel cociente varianza media se aproxima a 1
     4. Dla varianza de los grupos aumenta
148. 148¿Qué nos indica una mejora en la clasificación K-means?

     1. AUn aumento fuerte de la varianza dentro de los grupos al aumentar K
     2. BUna redución fuerte de la varianza dentro de los grupos al aumentar K
     3. Ccuando las varianzas de los grupos son muy distintas
     4. Dcuando las medias de los grupos son muy distintas
149. 149¿Qué medida de distancia multivariante utiliza K-means para medir la similitud de una observación a un grupo?

     1. Ala distancia euclídea
     2. Bcualquiera de ellos
     3. CEl índice de Jaccard
     4. Del coeficiente de correlación
150. 150¿Cómo se define el número óptimo de grupos en K-means?

     1. AVarianza intragrupos > Varianza intergrupos para un nº elevado de variables
     2. Bcuando las medias de los grupos difieren para un numero alto de variables
     3. CVarianza intragrupos < Varianza intergrupos para un nº elevado de variables
     4. Dcuando hay el mismo número de observaciones dentro de cada grupo

Descrição

Quiz sobre MLG, criado por Ekai Sempere em 05-03-2026.

Autor

Ekai Sempere

Idioma

Español

Visualizações

23

Avaliação

Ainda sem avaliações

Avalie este quiz

Avalie este quiz

Mais sobre Regresión lineal