Estadisticas Personal

1. Cual es la forma general de un modelo de regresión lineal simple: y=β0+β1x+ϵ. y=β0+β1x2+β2x2+ϵ. y=β0X+ϵ.

2. Que representa la pendiente (β1) en un modelo de regresión lineal simple. La variabilidad total de los datos. El punto donde la recta corta el eje Y. El Cambio es Y por cada unidad de cambio en X.

3. Si el coeficiente de regresión es 3.5, ¿Qué significa?. Que Y aumenta 3.5 unidades cuando X aumenta una unidad. Que Y disminuye 3.5 unidades cuando X aumenta. Que X aumenta 3.5 unidades cuando Y aumenta.

4. ¿Cuál es la función del coeficiente R2 ?. Indicar la pendiente del modelo. Medir el grado de ajuste del modelo. Medir el tamaño de la muestra.

5. ¿Cuál de las siguientes afirmaciones sobre R2 es Falsa?. Un R2 cercano a 1 indica un buen ajuste. Un r2 alto significa que la regresión es causal. Un R2 bajo indica que el modelo no explica bien los datos.

6. Si el p-valor de la pendiente en un modelo es 0.001, ¿Qué se concluye?. Que la relación entre X e Y es estadísticamente significativa. Que no hay relación entre X y Y. Que el modelo esta mal especificado.

7. ¿Qué supuesto NO es necesario en regresión lineal simple?. Linealidad entre X e Y. Homocedasticidad. Que X sea una variable aleatoria.

8. ¿Cuál es la diferencia entre regresión simple y múltiple?. La regresión Múltiple tiene mas de una variable independiente. La regresión Múltiple solo funciona con variables categóricas. La regresión Múltiple solo predice valores binarios.

9. ¿Qué es la multicolinealidad en regresión múltiple?. Cuando las variables independientes están correlacionadas entre si. cuando los residuos no siguen una distribución normal. Cuando R2 es muy bajo.

10. ¿Cómo se detecta la multicolinealidad en regresión múltiple?. Con el factor de inflación de varianza (VIF). Con el coeficiente de correlación de Pearson. Con el p-valor de la pendiente.

11. ¿si VIF de una variable es mayor a 10. ¿Qué se recomienda?. Eliminar la variable o combinarla con otra. Mantener la variable porque no afecta el modelo. Aumentar la muestra.

12. ¿Qué ocurre si agregamos muchas variables irrelevantes en regresión múltiple?. R2 aumenta, pero el modelo pierde interpretabilidad. R2 siempre disminuye. La significancia del modelo mejora.

13. ¿Cuál es la interpretación de un coeficiente en regresión múltiple?. Es el cambio esperado en Y manteniendo las demás variables constantes. Es el cambio en X cuando Y aumenta una unidad. Es el valor predicho de Y.

14. ¿Qué suposición es esencial en regresión múltiple?. Que los residuos sean independientes y homocedasticos. Que todas las variables tengan el mismo rango. Que R2 sea mayor a 0.8.

15. ¿para que se usa PCA?. Para reducir la dimensionalidad de los datos. Para predecir valores futuros. Para encontrar correlaciones entre variables.

16. ¿Qué mide la varianza explicada en PCA?. La proporción de información retenida en cada componente. La diferencia entre los valores predichos y observados. La correlación entre las variables.

17. ¿Cómo se seleccionan los componentes principales?. Se eligen aquellos que explican al menos el 80% de la varianza. Se seleccionan según su p-valor. Se toma el que tengo mayor numero de variables.

18. ¿Cómo se interpretan los coeficientes en PCA?. Como la contribución de cada variable a cada componente. Como la probabilidad de cada variable. Como el coeficiente de regresión.

19. ¿Qué significa que un componente principal tenga una carga alta para una variable?. Que la variable tiene una fuerte influencia en ese componente. Que la variable no tienen importancia. Que la variable esta mal medida.

20. ¿Cómo se visualizan los resultados de PCA?. Con un gráfico de dispersión de los primeros dos componentes. Con una tabla de correlaciones. Con una curva de regresión.