Estadística Descriptiva

Un estadístico es: Un suceso. Una variable aleatoria. Una variable discreta. Una variable nominal.

Para una variable estadística de tipo número cualquiera: Es posible el calcular cualquier tipo de medida. No es posible calcular cualquier tipo de medida. Hay que utilizar un determinado tipo de medida. Ninguna de las demás respuestas es correcta.

La media, mediana y moda: Son medidas de centralización. Son medidas de forma. Son medidas de dispersión. Ninguna de las demás respuestas es correcta.

La media, mediana, moda y percentiles son: Estadísticos. Variables discretas. Variables nominales. Variables ordinales.

La moda se puede aplicar cuando: Existe un valor de mayor frecuencia absoluta. Cuando todos los valores tienen misma frecuencia. Cuando tienen frecuencia relativa. Ninguna de las demás respuestas es correcta.

la mediana es una distribución de datos: Tiene que ser un único valor. Tiene varios valores. Tiene 2 valores. Ninguna de las demás respuestas es correcta.

La moda es una medida de centralización aplicable a variables. cualitativas y cuantitativas. Ninguna de las demás respuestas es correcta. Solamente cualitativas. Solamente cuantitativas.

La mediana, como medida de centralización, es aplicable a variables. En escala ordinal o superior. En escala Nominal. En escala Nominal u Ordinal. Ninguna de las demás respuestas es correcta.

La mediana como medida de posición es aplicable: Variables cuantitativas. Variables cualitativas. Variables nominales. Variables ordinales.

La media como medida de posición es aplicable. Únicamente para variables en escala cuantitativas. Únicamente para variable en escala cualitativas. Únicamente para variable es escala nominal. Únicamente para variables en escala ordinal.

La varianza como medida de dispersión. No siempre será aplicable, dependerá del tipo de variables. Será aplicable a las variables cuantitativas. Será aplicable a variables cualitativas. Ninguna de las demás respuestas es correcta.

El rango es una medida de dispersión aplicable a: Variables ordinales o superiores. Ninguna es correcta. Únicamente a variables nominales. Únicamente a variables ordinales.

si el coeficiente de asimetría toma valores próximos a cero, indica que: mo ~ me ~ X(Raya). mo ~ me <= X(Raya). mo ~ me = X(Raya). mo = me ~ X(Raya).

Si el coeficiente de asimetría toma valores positivos indica que: mo <= me <= X(raya). mo < me <= X(raya). mo <= me < X(raya). mo < me < X(raya).

En una tabla de contingencia bidimensional, las frecuencias marginales: Coinciden con las frecuencias unidimensionales. Coinciden con las frecuencias dimensionales. Coinciden con las frecuencias absolutas. Ninguna de las demás respuesta es correcta.

En una tabla de contingencia bidimensional, las frecuencias condicionales: Ninguna es correcta. Se interpretan como el porcentaje de individuos de cada categoría de una variable con respecto a los totales marginales de cada categoría de la otra variable. Se interpretan como el porcentaje de individuos de cada categoría de una variable con respecto a los individuos de cada categoría de la otra variable. Se interpretan como los totales marginales de cada categoría de la otra variable con respecto al porcentaje de individuos de cada categoría de una variable.

Para analizar el grado de relación entre dos variables ordinales: Es posible usar la X^2 de Pearson y los coeficientes predictivos (landa). Únicamente se puede utilizar el X^2 de Pearson. Únicamente se puede utilizar el coeficiente de Pearson. Ninguna de las demás respuestas es correcta.

Para analizar el grado de relación entre dos variables Nominales: Es posible usar el coeficiente de X^2. Ninguna es correcta. No es posible aplicar ninguna medida. Únicamente se puede utilizar V de Cramer.

Para analizar el grado de relación entre dos variables en escala por ratios: Es posible usar el coeficiente de correlación de Pearson. Ninguna es correcta. Se utiliza únicamente el coeficiente de correlación de Pearson. Se utiliza únicamente el coeficiente de correlación de cramer.

Para analizar el grado de relación entre dos variables en escala por intervalos: Es posible usar el coeficiente de X^2 de Pearson y los coeficientes predictivos (landa). Sólo se utiliza el coeficiente de X^2 de Pearson. Sólo se utiliza el coeficiente de correlación múltiple. Sólo se puede utilizar el coeficiente de determinación.

Para analizar el grado de relación entre dos variables cualesquiera. Es posible usar el coeficiente de correlación de Pearson. Ninguna de las demás respuestas es correcta. Hay que construir previamente la tabla de contingencia. No es posible usar el coeficiente X^2 de Pearson.

El mejor coeficiente coeficiente para analizar el grado de relación entre dos variables en escala por ratios: El coeficiente de correlación lineal de Pearson. El coeficiente de determinación. El coeficiente C de contingencia. El coeficiente P de Pearson.

Si Cov(X, Y) > 0. Rxy > 0. Rxy < 0. Rxy >= 0. Rxy = 0.

Si Cov(X, Y) >= 0. Rxy >= 0. Rxy <= 0. Rxy > 0. Rxy = 0.

SI R²xy,z > R²xy. La variable Z amortigua la relación lineal entre X e Y. La variable Z es la causante de la relación real existente entre X e Y. La relación entre las variables X e Y se debe exclusivamente al efecto de la variable Z. Ninguna de las demás respuestas es correcta.

SI R²xy,z < R²xy. La variable Z amortigua la relación lineal entre X e Y. La variable Z es la causante de la relación real existente entre X e Y. La relación entre las variables X e Y se debe exclusivamente al efecto de la variable Z. Ninguna de las demás respuestas es correcta.

SI R²xy,z = 0. La variable Z amortigua la relación lineal entre X e Y. La variable Z es la causante de la relación real existente entre X e Y. La relación entre las variables X e Y se debe exclusivamente al efecto de la variable Z. Ninguna de las demás respuestas es correcta.

Si la varianza del error S²E crece: Disminuye el coeficiente de determinación. Aumenta el coeficiente de determinación. Aumenta el coeficiente de correlación. Aumenta el coeficiente de variación.

En los modelos de regresión Rxy, y Ryx,. Las pendientes de los dos modelos coinciden y los coeficientes de correlación son los mismos. Ninguna de las respuestas es correcta. Los dos modelos tienen los mismos parámetros de ajuste y distintos coeficientes de correlación. Las pendientes de los dos modelos tienen el mismo signo y los coeficientes de correlación son los mismos.

Sean dos variables X e Y en las que el coeficiente de correlación lineal Rxy = 0. X e Y pueden estar relacionadas aunque no de forma lineal. X e Y puede estar relacionadas de forma lineal. X e Y puede estar relacionadas de forma exponencial. Ninguna de las demás respuestas es correcta.

Dado el modelo de regresión Rxy. No es posible obtener los coeficientes del modelo Ryx, hay que aplicar de nuevo el método de mínimos cuadrados. Es posible obtener los coeficientes del modelo Ryx. No es posible obtener los coeficientes del modelo Ryx, ni es posible aplica de nuevo el método de mínimos cuadrados. Ninguna de las demás respuestas es correcta.

Para estimar un modelo que relacione dos variables X e Y. Ninguna de las demás respuestas es correcta. Siempre es mejor estimar el modelo potencial. Siempre es mejor estimar el modelo parabólico. Siempre es mejor estimar el modelo lineal.

Para estimar los parámetros de un modelo lineal múltiple. Es posible obtenerlos por medio de la matriz de covarianzas. Es posible obtenerlos por medio del coeficiente de correlación múltiple. Es posible obtenerlos por medio del coeficiente de determinación. Ninguna de las demás respuestas es correcta.

El método de mínimos Cuadrados para obtener los coeficientes de regresión de un modelo: Es aplicable a cualquier modelo. Sólo es aplicable para modelos tipo potencial. Sólo es aplicable para modelos de tipo parabólico y lineal. Sólo es aplicable para modelos lineales.

El método de Mínimos Cuadrados para estimación de modelos estocásticos: Es tal que la varianza del error es mínima. Consigue hacer mínimos los errores en las estimaciones. Minimiza la media del error. Ninguna de las demás respuestas es correcta.

Al usar el método de mínimos cuadrados para estimar modelos de regresión. El modelo estimado pasa por el centro de gravedad de la distribución bivariante. el modelo estimado es paralelo al eje de abscisas. el modelo estimado pasa por el origen de coordenadas. Ninguna de las demás respuestas es correcta.

Al usar el método de mínimos cuadrados para estimar modelos de regresión. La varianza de los errores es mínima y la media de los errores cero. La varianza de los errores es máxima y la media de los errores uno. La varianza de los errores es cero y la media de los errores cero. Ninguna de las demás respuestas es correcta.

Al usar el método de mínimos cuadrados para estimar el modelos de regresión múltiple. El modelo estimado pasa por el centro de gravedad de la distribución multivariante. El modelo múltiple estimado es paralelo al eje de abscisas. El modelo múltiple estimado es de varianza cero. Ninguna de las demás respuestas es correcta.

Al usar el método de mínimos cuadrados para estimar el modelos de regresión múltiple. La media de los errores es cero. La media de los errores es uno. La varianza de los errores es máxima. La varianza de los errores es uno.

El error medio en las estimaciones de un modelo de regresión múltiple es: 0.0. 0.1. 1.0. Ninguna de las demás respuestas es correcta.

En la intersección entre los modelos de regresión Rxy y de Ryx coincide con: El centro de gravedad de distribución (X(raya), y(raya)). El centro de gravedad de distribución (0.0). Ninguna de las demás respuestas es correcta. El centro de gravedad de distribución (1.0).

Si el coeficiente de determinación R²xy = 0: No existe relación entre las variables. Existe relación entre las variables. Disminuye el error medio de la estimación. Disminuye la varianza de los residuos.

Si el coeficiente de determinación R²xy crece: Aumenta el coeficiente de correlación. Disminuye el coeficiente de correlación. Ninguna de las demás repuestas es correcta. Disminuye el error medio de estimación.

Si el coeficiente de determinación R²xy disminuye: Aumenta la varianza de los residuos. Disminuye la varianza de los residuos. Aumenta el coeficiente de correlación. Ninguna de las demás respuestas es correcta.