1930_Dig. T5

1. ¿Qué es el big data?. Un programa para crear bases de datos pequeñas. Un conjunto de herramientas y tecnologías para gestionar y analizar grandes volúmenes de datos. Un tipo de red social para empresas. Un sistema operativo para ordenadores.

2. ¿Qué significa la “V” de Volumen en big data?. La velocidad con la que se analizan los datos. La variedad de formatos de los datos. La gran cantidad de datos generados continuamente. El valor económico de los datos.

3. La característica “Velocidad” del big data se refiere a: La cantidad de datos almacenados. La rapidez con la que los datos se producen y analizan. La calidad de los datos recogidos. La seguridad de la información.

4. ¿Cuál de los siguientes es un ejemplo de datos no estructurados?. Una base de datos relacional. Un archivo en formato XML. Un documento en formato JSON. Un vídeo o una imagen.

5. ¿Cuál es el objetivo principal del big data según la “V” de Valor?. Guardar datos sin analizarlos. Eliminar información antigua. Extraer información útil para tomar decisiones estratégicas. Reducir el número de datos generados.

6. ¿Qué significa la “V” de Veracidad en el big data?. La rapidez con la que se almacenan los datos. La calidad y fiabilidad de los datos. El valor económico que generan los datos. La variedad de formatos de información.

7. La “V” de Variabilidad hace referencia a: La gran cantidad de datos que se generan. La dificultad para guardar los datos en la nube. La inconsistencia en la frecuencia y el formato de los datos. La velocidad de conexión a internet.

8. ¿Cuál es un ejemplo de aplicación que requiere alta velocidad en el procesamiento de datos?. Guardar fotos antiguas en un disco duro. Escribir un documento en Word. La detección de fraudes financieros en tiempo real. Imprimir un archivo en papel.

9. ¿Qué es un dato?. Un conjunto de información ya analizada. Una representación básica y sin procesar que carece de contexto. Un informe con conclusiones finales. Una decisión tomada a partir de un análisis.

10. ¿Cuál de los siguientes ejemplos es un dato?. Un informe sobre el cambio climático. Una predicción meteorológica para mañana. El número “42”. Un análisis de ventas anual.

11. ¿Cuándo se convierten los datos en información?. Cuando se almacenan en un ordenador. Cuando se copian en una base de datos. Cuando se procesan y se les da contexto y significado. Cuando se eliminan los datos antiguos.

11. ¿En qué consiste la ingeniería de características?. En almacenar grandes volúmenes de datos sin analizarlos. En identificar, crear o modificar variables para utilizarlas en modelos de análisis. En eliminar todos los datos antiguos de una base de datos. En diseñar programas informáticos sin utilizar datos.

13. ¿Qué se hace con las variables redundantes en la ingeniería de características?. Se duplican para mayor seguridad. Se eliminan porque no aportan valor significativo al análisis. Se guardan sin utilizarlas. Se convierten automáticamente en información.

14. ¿Qué se hace en la fase de modelado predictivo?. Se recopilan los datos sin procesarlos. Se entrena, evalúa y compara el desempeño de distintos modelos de aprendizaje automático. Se realiza únicamente la limpieza de los datos. Se presentan los resultados finales al usuario sin análisis previo.

15. ¿Para qué se dividen los datos en entrenamiento, validación y prueba?. Para ahorrar espacio en la base de datos. Para que los algoritmos se ejecuten más rápido. Para entrenar el modelo, ajustar parámetros y evaluar su desempeño. Para eliminar datos innecesarios y reducir errores.

16. ¿Cuál es el principal objetivo de Data Science?. Interpretar datos históricos para mejorar procesos existentes. Crear modelos predictivos complejos y descubrir nuevos conocimientos a partir de grandes volúmenes de datos. Realizar gráficas y tablas básicas sin análisis profundo. Gestionar bases de datos sin aplicar análisis avanzado.

17. ¿Qué caracteriza principalmente a Data Analytics?. Uso de inteligencia artificial para generar conocimiento nuevo. Análisis e interpretación de datos para resolver problemas específicos o mejorar procesos. Creación de modelos complejos de predicción sin interpretar los datos. Procesamiento exclusivo de datos no estructurados.

18. ¿Cuál de estas afirmaciones es correcta sobre Data Science y Data Analytics?. Data Science y Data Analytics son exactamente lo mismo. Data Science se enfoca en análisis simples y Data Analytics en modelos predictivos. Data Science crea modelos predictivos complejos, mientras Data Analytics interpreta datos para decisiones prácticas. Data Analytics usa inteligencia artificial avanzada como su enfoque principal.

19. ¿Cuál de las siguientes tareas corresponde a Data Analytics más que a Data Science?. Desarrollar un modelo de predicción de ventas para el próximo año. Analizar datos de ventas pasadas para identificar productos más vendidos. Crear un algoritmo de aprendizaje automático para clasificar clientes. Construir un modelo de recomendación personalizado para usuarios.

20. ¿Qué busca Amazon al analizar el comportamiento de los usuarios?. Reducir el número de productos en la web. Identificar patrones de compra y preferencias para comprender mejor a los usuarios. Evitar que los clientes compren productos similares. Solo recopilar datos sin ningún uso práctico.

20. ¿Cuál es el objetivo de la segmentación de clientes en Amazon?. Clasificar a los usuarios en grupos según hábitos de consumo para mejorar recomendaciones y campañas. Cobrar diferentes precios según el grupo de clientes. Restringir el acceso a ciertos productos. Aumentar la velocidad de envío sin analizar preferencias.

22. ¿Cómo personaliza Amazon la experiencia de compra de sus usuarios?. Mostrando siempre los mismos productos a todos los clientes. Sugiriendo productos relevantes, ofreciendo descuentos adaptados y optimizando los resultados de búsqueda según el historial del usuario. Ocultando productos que otros usuarios han comprado. Limitando la navegación solo a categorías populares.