Inteligencia Artificial - Segundo parcial - 214 preguntas
|
|
Título del Test:
![]() Inteligencia Artificial - Segundo parcial - 214 preguntas Descripción: Repaso de Inteligencia Artificial para el segundo parcial |



| Comentarios |
|---|
NO HAY REGISTROS |
|
Una empresa quiere definir qué decisión comercial debe mejorar antes de analizar los datos. ¿Qué fase de CRISP-DM corresponde?. Modelado. Comprensión del negocio. Normalización. Despliegue. Un equipo explora columnas, errores y distribuciones para entender qué información posee. ¿Qué etapa de CRISP-DM realiza?. Despliegue. Comprensión de los datos. Optimización por gradiente. Evaluación del modelo. Eliminar registros duplicados y tratar campos faltantes pertenece principalmente a: Preparación de los datos. Inferencia. Aprendizaje por refuerzo. Despliegue. Una vez entrenado el modelo, el equipo comprueba si resuelve el objetivo original. ¿Qué etapa aplica?. Inicialización de centroides. Evaluación. Localización global. Recolección de sensores. Instalar un clasificador entrenado dentro de la aplicación utilizada por clientes es la etapa de: Comprensión de los datos. Generación de etiquetas. Clustering. Despliegue. En un registro clínico se cargó una edad de 230 años. ¿Qué dimensión de calidad falla?. Exactitud. Relevancia. Varianza. Completitud. El diagnóstico de un paciente figura como «positivo» en una tabla y «negativo» en otra para el mismo estudio. ¿Qué dimensión falla?. Consistencia. Recall. Normalización. Relevancia. En un conjunto de datos faltan casi todas las fechas de alta. ¿Qué dimensión de calidad está comprometida?. Separabilidad lineal. Completitud. Regularización. Exactitud de entrenamiento. Se incorporan datos sobre color de zapatillas para predecir fallas en un servidor sin relación demostrada. ¿Qué dimensión conviene revisar?. Densidad. Completitud. Relevancia. Política. Crear la variable «velocidad promedio» a partir de distancia y tiempo es un ejemplo de: Dropout. K-Means. Ingeniería de características. Data drift. Transformar una variable para que tome valores dentro de una escala común, como 0 a 1, es: Clasificación. Aumento de parámetros. Normalización. Backpropagation. Transformar datos para que tengan media 0 y desviación estándar 1 se denomina: Reducción de clases. Clustering jerárquico. Codificación de acciones. Estandarización. En un sistema de fraude aparece una transferencia extremadamente alta. ¿Qué conviene hacer con ese outlier?. Eliminarlo siempre. Descartar toda la variable. Sustituirlo obligatoriamente por cero. Evaluar si representa precisamente el fraude buscado. Un modelo predice si una radiografía corresponde a una clase A o B. Es un problema de: Regresión continua. Clasificación. Planificación de trayectorias. Clustering sin etiquetas. Un modelo estima cuántos días durará una internación. Es un problema de: Clasificación binaria. Detección de bordes. Segmentación de instancias. Regresión. Un sistema acierta 95 de 100 predicciones. ¿Qué métrica expresa ese porcentaje total?. Recall. Silueta. Inercia. Accuracy. De 20 alarmas emitidas, solo 15 correspondían a amenazas reales. ¿Qué mide la proporción 15/20?. Recall. Precision. Factor de descuento. Varianza explicada. De 100 pacientes realmente enfermos, el modelo detecta 80. ¿Qué métrica representa 80/100?. Recall. Error de odometría. Precision. Inercia. Si perder un caso positivo real es mucho más grave que emitir una falsa alarma, ¿qué métrica interesa priorizar?. Recall. Inercia. Distancia Manhattan. Silueta. Solo el 2% de operaciones son fraudulentas. Un modelo predice «normal» siempre y logra 98% de accuracy. ¿Qué problema ilustra?. Gran precisión para detectar fraude. Falta de grados de libertad. Desbalance de clases que vuelve engañosa la exactitud. Uso de un clasificador generativo. Un modelo obtiene resultados excelentes en entrenamiento y malos en datos nuevos. ¿Qué le ocurre?. Subajuste necesariamente. Explosión de sensores. Clustering jerárquico. Sobreajuste. Un modelo demasiado simple falla incluso sobre los ejemplos usados para entrenarlo. ¿Qué problema tiene?. Sobreajuste. Fusión sensorial. Loop closure. Subajuste. ¿Qué procedimiento entrena y valida varias veces usando distintas particiones de los datos?. Búsqueda A*. Dropout de sensores. K-Means. Validación cruzada k-fold. Los hábitos de compra cambian meses después del entrenamiento y el modelo pierde rendimiento. ¿Qué fenómeno describe?. Data drift. Backpropagation. Loop closure. Redundancia cinemática. Un modelo utiliza los ejemplos vistos para responder correctamente a situaciones que nunca encontró. ¿Qué capacidad demuestra?. Filtrado de partículas. Generalización. Reducción de muestreo. Memorización literal. Se desea predecir el precio de una vivienda mediante una combinación lineal de metros y habitaciones. ¿Qué método corresponde?. Regresión lineal. Filtro de Kalman. Q-Learning. DBSCAN. Un modelo estima la probabilidad de abandono de clientes y clasifica «sí/no» usando una sigmoide. ¿Cuál es?. Regresión lineal simple. PCA. Regresión logística. PRM. Un sistema clasifica préstamos mediante preguntas sucesivas y reglas auditables. ¿Qué algoritmo utiliza?. Naive Bayes necesariamente. K-Means. SVM. Árbol de decisión. Se combinan decenas de árboles entrenados sobre muestras diferentes para obtener una clasificación. ¿Qué método es?. DBSCAN. Un único perceptrón. Regresión lineal. Random Forest. Un clasificador separa clases procurando maximizar el margen alrededor de un hiperplano. ¿Qué método describe?. PCA. Regresión logística como regla de máximo margen. SVM. K-Means. La clase de un paciente se determina según la mayoría de los cinco casos clínicos más cercanos. ¿Qué algoritmo es?. k-NN. Isolation Forest. Dijkstra. Naive Bayes. Un algoritmo arma reglas secuenciales «si ocurre A, preguntar B» que pueden explicarse paso a paso. ¿Cuál tiene esa ventaja?. Transformer. Árbol de decisión. GMM. Filtro de partículas. ¿Cuál de estos algoritmos se conoce por combinar varios árboles de decisión?. PCA. Random Forest. ReLU. k-NN. Un equipo busca un método supervisado que pueda utilizar kernels para separar clases no lineales. ¿Cuál elige?. Inercia. K-Means. DBSCAN. SVM. ¿Qué diferencia básica hay entre clasificación y regresión?. Clasificación predice categorías y regresión valores continuos. Regresión siempre predice dos categorías. Clasificación siempre agrupa sin etiquetas. Clasificación no usa datos y regresión sí. En un modelo de k-NN se aumenta mucho el número de dimensiones y las distancias pierden capacidad discriminativa. ¿Con qué problema se relaciona?. Maldición de la dimensionalidad. Reward hacking. Deriva odométrica. Early stopping. El equipo compara varias predicciones de árboles entrenados por separado y combina sus resultados. ¿Qué técnica general usa?. Loop closure. Softmax. Bagging. Cinemática directa. Un algoritmo entrena modelos sucesivamente para corregir errores de los anteriores. ¿Cuál es la estrategia general?. Bagging de manera secuencial obligatoria. Boosting. PCA. Odometría. En una matriz de confusión, un enfermo clasificado como sano es un: Falso negativo. Falso positivo. Verdadero positivo. Verdadero negativo. En una matriz de confusión, un sano clasificado como enfermo es un: Verdadero positivo. Verdadero negativo. Falso positivo. Falso negativo. ¿Cuál de estas métricas combina precisión y recall?. Gamma. Davies-Bouldin. F1-score. Inercia. Si el modelo detecta todos los fraudes, pero emite muchísimas falsas alarmas, ¿qué puede ocurrir?. Alto recall con menor precision. Recall igual a cero necesariamente. Inercia alta en clusters. No existe desbalance de clases. ¿Cuándo conviene utilizar un conjunto de prueba separado?. Para medir el rendimiento final con datos no empleados para elegir y ajustar el modelo. Para fijar la semilla del robot. Para sustituir las etiquetas. Para memorizar las respuestas del entrenamiento. Se buscan grupos de clientes sin disponer de etiquetas previas. ¿Qué paradigma se aplica?. Aprendizaje no supervisado. Regresión logística binaria. Cinemática inversa. Aprendizaje supervisado. Un algoritmo exige indicar K centros, asigna puntos al más cercano y recalcula medias. ¿Cuál es?. K-Means. Naive Bayes. DBSCAN. Isolation Forest. Un algoritmo reúne regiones densas y puede considerar algunos puntos como ruido. ¿Cuál es?. Regresión logística. DBSCAN. K-Means. Backpropagation. Un método agrupa observaciones y presenta una estructura de fusiones mediante un dendrograma. ¿Cuál es?. Softmax. Clustering jerárquico. PCA. K-Means obligatorio. Se supone que los grupos pueden superponerse y cada observación recibe probabilidades de pertenencia. ¿Qué modelo se usa?. Dijkstra. GMM, modelo de mezclas gaussianas. k-NN. DBSCAN. Un punto pertenece con probabilidad 0,7 a un grupo y 0,3 a otro. ¿Qué método refleja esa asignación flexible?. K-Means de asignación rígida. GMM. DBSCAN con solo ruido. Árbol de decisión. ¿Qué propiedad distingue a DBSCAN frente a K-Means?. Necesita etiquetas correctas. Obliga a definir K de antemano. Puede dejar observaciones aisladas sin cluster como ruido. Usa siempre centroides como medias. ¿Qué limitación frecuente tiene K-Means?. Solo sirve con imágenes etiquetadas. Tiende a funcionar mejor con grupos compactos y sufre con outliers. Produce necesariamente grupos jerárquicos. No puede actualizar centroides. En DBSCAN, ¿qué representa epsilon (ε)?. El radio de la vecindad de cada punto. El tamaño de cada píxel. El gradiente de una red. La cantidad total de clases etiquetadas. En DBSCAN, ¿para qué se utiliza MinPts?. Para contar capas ocultas. Para definir la cantidad mínima de puntos requerida en una vecindad densa. Para determinar el período de un robot. Para fijar el número K de centroides. Reducir cien variables a unas pocas conservando las direcciones de mayor varianza describe: DBSCAN. K-Means. Random Forest. PCA. Una técnica conserva principalmente relaciones locales entre observaciones para visualizarlas en dos dimensiones. ¿Cuál es?. k-NN como proyección. t-SNE. Dijkstra. ReLU. ¿Qué método no lineal de reducción de dimensiones es conocido por visualizar relaciones locales y parte de la estructura global?. UMAP. PCA exclusivamente lineal. SVM. Q-Learning. Un sistema identifica registros raros dividiendo aleatoriamente el espacio y aislándolos rápidamente. ¿Cuál es?. DBSCAN como único procedimiento posible. Random Forest de clasificación. Isolation Forest. Regresión lineal. ¿Para qué se utiliza el índice de silueta en clustering?. Actualizar recompensas de un agente. Evaluar cohesión de los grupos y separación frente a otros. Estimar torque de un robot. Calcular pesos de una CNN. La inercia de K-Means representa principalmente: La cantidad de etiquetas conocidas. El número de capas del modelo. El error de odometría. La suma de distancias cuadradas internas a los centroides. Una métrica de clustering en la que valores menores suelen indicar mejor relación entre compacidad y separación es: Accuracy. F1-score. Índice Davies-Bouldin. Recall. ¿Qué distancia suma diferencias absolutas por coordenada?. Hamming como norma continua. Euclidiana al cuadrado necesariamente. Manhattan. Similitud coseno. ¿Qué medida compara la dirección de dos vectores más que su magnitud?. Recall. Similitud coseno. Distancia Manhattan. Inercia. Para detectar cuántas posiciones son distintas entre dos secuencias del mismo tamaño se usa: Factor gamma. Distancia euclidiana espacial. Distancia Hamming. Softmax. Una red recibe datos, los transforma en capas ocultas y emite una predicción. ¿Qué realiza la capa de entrada?. Ejecuta la recompensa del agente. Recibe las variables de entrada. Clasifica puntos de DBSCAN. Mide distancia LiDAR. ¿Qué se ajusta principalmente durante el entrenamiento de una red neuronal?. Densidades de un mapa. Cantidad de ruedas físicas. Posiciones GPS de cada nodo. Pesos y sesgos. Un perceptrón simple no puede separar correctamente un problema como XOR. ¿Por qué?. No es linealmente separable. Exige datos no etiquetados. Necesita siempre una cámara estéreo. No tiene función de salida. ¿Qué permite a un perceptrón multicapa aprender fronteras no lineales?. Reemplazar datos por recompensas. Capas ocultas y activaciones no lineales. Usar siempre una sola línea recta. Eliminar todos los pesos. En capas ocultas profundas, ¿qué función se utiliza ampliamente porque conserva la derivada para entradas positivas?. ReLU. Softmax. Sigmoide como única opción. Función lineal pura. Una función transforma una salida en un valor entre 0 y 1 para clasificación binaria. ¿Cuál?. Sigmoide. DBSCAN. Tanh con intervalo negativo. PCA. Una salida multiclase debe expresar probabilidades que sumen 1. ¿Qué función corresponde?. Softmax. L1. Manhattan. ReLU. ¿Qué función de activación produce salidas en el intervalo aproximado de -1 a 1?. ReLU. Tanh. Max-pooling. Softmax. La red calcula una predicción propagando información desde la entrada hacia la salida. ¿Qué paso es?. Backpropagation. Planificación global. Loop closure. Forward propagation. Después de obtener el error, la red calcula gradientes hacia atrás usando la regla de la cadena. ¿Qué algoritmo aplica?. Backpropagation. RRT. K-Means. Filtro de partículas. ¿Para qué sirve una función de pérdida?. Cuantificar el error del modelo. Medir longitud de un robot. Convertir nodos ROS en actuadores. Decidir automáticamente la cantidad de clusters. Un problema de clasificación utiliza habitualmente como pérdida: Recompensa acumulada sin clases. Entropía cruzada. Distancia a un obstáculo. Inercia de K-Means. Para regresión, una pérdida que penaliza especialmente errores grandes es: Recall. MSE, error cuadrático medio. Índice de silueta. Softmax. Las primeras capas apenas actualizan pesos porque la señal del error disminuye hacia atrás. ¿Qué ocurre?. Data drift de sensores. Overfitting necesariamente. Desvanecimiento del gradiente. Explosión del gradiente. Un entrenamiento se vuelve inestable por gradientes excesivamente grandes. ¿Qué problema aparece?. Desvanecimiento del gradiente. Explosión del gradiente. Localización global. Clustering jerárquico. ¿Qué técnica apaga neuronas aleatoriamente durante entrenamiento para reducir sobreajuste?. Dropout. Softmax. ROS Actions. Dijkstra. Detener el entrenamiento cuando deja de mejorar el error de validación se llama: K-Means. Early stopping. Normalización Min-Max. Backtracking robótico. ¿Qué red utiliza filtros convolucionales para detectar bordes y patrones en imágenes?. CNN. GMM. Q-Learning. RNN tradicional. ¿Qué arquitectura es adecuada para secuencias por mantener un estado oculto entre pasos?. Árbol de decisión necesariamente. PCA. RNN. Isolation Forest. ¿Qué arquitectura usa puertas de entrada, olvido y salida para conservar dependencias largas?. Capa física del gemelo. K-Means. LSTM. Perceptrón simple. ¿Qué variante de LSTM más sencilla integra puertas de actualización y reinicio?. SVM. Softmax. CNN. GRU. ¿Qué arquitectura se caracteriza por usar atención para relacionar partes de una secuencia?. Filtro de Kalman. Transformer. DBSCAN. Random Forest. ¿Qué mecanismo permite ponderar qué elementos de una secuencia son más relevantes?. Odometría. Inercia. Normalización Min-Max. Atención. ¿Qué técnica agrega penalización a los pesos para reducir sobreajuste, favoreciendo incluso ceros exactos?. Dropout de sensores físicos. Regularización L2 necesariamente igual. Full SLAM. Regularización L1. ¿Cuál es el objetivo general de Batch Normalization?. Crear más grados de libertad. Asignar probabilidades GMM. Estabilizar el aprendizaje al normalizar activaciones internas. Calcular la ruta de A*. Un modelo actualiza su estimación de riesgo al observar una prueba nueva. ¿Qué principio permite actualizar probabilidades?. Dijkstra. Regla de K-Means. Backpropagation necesariamente. Teorema de Bayes. La probabilidad de una hipótesis antes de ver evidencia nueva se llama: Gradiente. Probabilidad previa o prior. Recall. Reward. La probabilidad calculada después de considerar la evidencia nueva se denomina: Probabilidad posterior. Inercia. ReLU. Silueta. Un modelo estima directamente P(Y|X), la probabilidad de una etiqueta dados los atributos. ¿Qué enfoque es?. Clustering jerárquico. Generativo por definición. Discriminativo. Aprendizaje por refuerzo. Un modelo representa la distribución conjunta P(X,Y) o cómo se generan datos según la clase. ¿Qué enfoque es?. Discriminativo exclusivamente. Detección de bordes. Cinemática directa. Generativo. ¿Cuál es la suposición característica de Naive Bayes?. Independencia condicional de características dada la clase. Que siempre existen K centroides. Que todos los valores son iguales. Que los estados no cambian. Una alarma se activa, pero las amenazas son muy poco frecuentes. ¿Qué información también debe considerarse para evaluar el riesgo?. La probabilidad previa de que exista una amenaza. La longitud de un brazo. Únicamente la última recompensa. Solo el color del panel. Un modelo mezcla varias gaussianas y asigna pertenencia probabilística a cada grupo. ¿Cuál es?. GMM. DBSCAN. K-Means puro. Filtro de Kalman. Un sistema genera datos nuevos mediante una red generadora y otra discriminadora que compiten. ¿Qué arquitectura describe?. VAE. LSTM. GAN. SVM. Un modelo generativo aprende a producir imágenes quitando progresivamente ruido. ¿Qué familia corresponde?. Árbol de decisión. Dijkstra. Modelos de difusión. Regresión logística. Una red aprende una representación latente probabilística y reconstruye muestras. ¿Qué modelo se describe?. K-Means. Filtro de partículas. Random Forest. VAE. Un robot aprende a superar obstáculos probando acciones y recibiendo consecuencias. ¿Qué paradigma aplica?. Aprendizaje por refuerzo. Clasificación supervisada pura. Clustering jerárquico. PCA. Un sistema coordina semáforos según el tráfico cambiante para reducir retrasos acumulados. ¿Qué paradigma conviene usar?. Regresión logística binaria por sí sola. Aprendizaje por refuerzo. k-NN como única política. SVM sin estados ni acciones. En aprendizaje por refuerzo, ¿cómo se denomina al sistema que selecciona acciones?. Agente. Centroide. Gradiente. Píxel. La estrategia que utiliza un agente para escoger acciones en cada estado se llama: Distribución de Poisson. Algoritmo de mapeo. Dendrograma. Política. ¿Cuáles son los cinco componentes de un MDP?. K, centroides, inercia, silueta y ruido. Sensores, ruedas, LiDAR, cámara y GPS. Capas, activaciones, píxeles, etiquetas y motores. Estados, acciones, transiciones, recompensas y factor de descuento. Un factor gamma cercano a uno hace que el agente considere relativamente más: Las distancias Manhattan. Recompensas futuras. La cantidad de cámaras. Solo recompensas inmediatas. El agente prueba acciones nuevas aun cuando conozca una alternativa que ya funciona. ¿Qué conducta representa?. Sobreajuste. Exploración. Clustering. Explotación. El agente usa la acción conocida con mayor recompensa estimada. ¿Qué conducta representa?. Exploración. Explotación. SLAM. Data drift. Un algoritmo aprende el valor de cada acción en un estado para elegir decisiones convenientes. ¿Cuál es?. K-Means. Random Forest. PCA. Q-Learning. ¿Qué método combina Q-Learning con una red neuronal profunda?. DQN. DBSCAN. PRM. GMM. En lugar de estimar primero una función de valor para derivar una política, un método ajusta directamente la política. ¿Cuál?. Naive Bayes. Dijkstra. K-Means. Policy Gradient. ¿Qué algoritmo de refuerzo actualiza valores según la acción realmente seleccionada por la política actual?. CNN. DBSCAN. SARSA. PCA. Una recompensa mal definida hace que el agente maximice puntos mediante atajos que no cumplen la tarea real. ¿Qué problema surge?. Data augmentation. Loop closure. Reward hacking. Regresión lineal. Un dron entrenado por refuerzo adapta su trayectoria a una situación que nunca vio. ¿Qué capacidad muestra?. Fallo por no usar etiquetas. Memorización exacta del entrenamiento. Generalización de la política. Explotación de tablas hash. ¿Qué estrategia suele elegir la mejor acción conocida, pero ocasionalmente explora una alternativa al azar?. Softmax como único algoritmo. Epsilon-greedy. K-Means. Dijkstra. Un robot recibe imágenes de una cámara para conocer los obstáculos cercanos. ¿Qué tipo de componente obtiene esa información?. Actuador. Efector final. Función de pérdida. Sensor. Un módulo combina las mediciones de sensores y genera órdenes para motores. ¿Qué componente es?. Batería. Controlador. Cámara pasiva. Etiqueta de datos. Los motores ejecutan las órdenes y producen movimiento físico. ¿Qué componente representan?. Sensores. Actuadores. Centroides. Mapas topológicos. Un robot inspecciona una galería sin que un operario indique cada movimiento. ¿Qué capacidad demuestra?. Memorización obligatoria. PCA. Codificación fija. Autonomía. Respecto de la autonomía robótica, ¿qué afirmación es correcta?. Requiere controlar cada movimiento a distancia. Implica ausencia de sensores. Puede existir en diferentes grados. Es siempre una condición completamente binaria. Un vehículo debe circular principalmente por pisos lisos de fábrica. ¿Qué locomoción suele ofrecer mejor eficiencia y control sencillo?. RRT. Manipuladores fijos. Ruedas. Patas como única opción. El robot atraviesa piedras grandes y desniveles abruptos. ¿Qué locomoción permite adaptarse mejor a la geometría irregular?. Ruedas en cualquier situación. Codificación CNN. Brazos fijos sin desplazamiento. Patas. ¿Qué desventaja caracteriza a la locomoción con patas frente a ruedas sobre suelo plano?. No puede adaptarse a irregularidades. No requiere actuadores. Control más complejo y mayor consumo energético. Imposibilidad absoluta de superar escalones. Para inspeccionar desde el aire una estructura inaccesible por tierra, ¿qué modalidad puede ser apropiada?. Manipulador industrial fijo. Solo mapas de ocupación. Locomoción aérea con dron. Únicamente ruedas. Un brazo industrial mueve una pinza para ensamblar piezas sin desplazar la base. ¿Qué tipo de robot es?. Dron autónomo. Sensor de rango. Vehículo con ruedas. Manipulador. ¿Cómo se denomina a la herramienta situada en el extremo de un brazo robótico?. Mapa métrico. Efector final. Controlador reactivo. Centroide. Un robot conoce los ángulos de sus articulaciones y calcula la posición de la pinza. ¿Qué resuelve?. Cinemática inversa. Filtro de partículas. Cinemática directa. SLAM. Se conoce dónde debe llegar una pinza y se buscan los ángulos articulares. ¿Qué problema es?. Regresión logística. Cinemática directa. Capa de conectividad. Cinemática inversa. Un problema de cinemática inversa no tiene solución para una posición fuera del alcance del brazo. ¿Por qué?. La cinemática siempre da una única solución. El brazo no tiene sensores LiDAR. Se necesitan etiquetas de entrenamiento. La posición deseada puede estar fuera del espacio de trabajo. Un objeto en el espacio tridimensional necesita controlar tres coordenadas de posición y tres de orientación. ¿Cuántos DoF representan?. Dos grados de libertad. Tres grados de libertad. Nueve cámaras. Seis grados de libertad. Un brazo tiene más grados de libertad de los estrictamente necesarios para alcanzar una pose. ¿Cómo se llama?. Brazo redundante. Robot topológico. Brazo sin cinemática. Brazo de exactamente seis DoF. Un brazo puede alcanzar la misma posición con diferentes configuraciones de articulaciones porque posee más de seis DoF. ¿Qué propiedad presenta?. Una sola pose posible. Sobreajuste de datos. Redundancia cinemática. Desvanecimiento del gradiente. ¿Qué disciplina estudia los movimientos de un robot sin ocuparse de las fuerzas que los producen?. Clustering. Visión por eventos. Cinemática. Dinámica. ¿Qué disciplina se ocupa de fuerzas y torques involucrados en el movimiento?. Simulación sin física. PCA. Cinemática como única disciplina. Dinámica. Un controlador reacciona de inmediato cuando el robot pierde equilibrio por un empujón. ¿Qué nivel de control representa?. Planificación estratégica de tareas. Clustering jerárquico. Control reactivo. Capa de aplicación del gemelo. Un controlador calcula una trayectoria libre de obstáculos para llevar un robot de una posición a otra. ¿Cuál es?. Controlador de planificación de movimiento. Controlador reflejo sin planificación. Efector final. Sensor IMU. Un módulo decide si el robot debe inspeccionar, cargar o regresar a la base. ¿Qué nivel de decisión representa?. Sensor ultrasónico. Control de alto nivel. Cinemática directa. Capa física exclusivamente. Un robot regula la relación entre fuerza y movimiento cuando toca una superficie. ¿Qué concepto se relaciona con esa conducta?. K-Means. Regresión logística. Control de impedancia. Loop closure. Analizar vibración y temperatura para anticipar una falla antes de que ocurra es: Mantenimiento predictivo. Mantenimiento por calendario fijo exclusivamente. Localización global. Cinemática inversa. ¿Cuál de estos enfoques de mantenimiento depende solamente de revisiones programadas según un cronograma?. Aprendizaje por refuerzo necesariamente. SLAM online. Mantenimiento predictivo con sensores. Mantenimiento preventivo. Antes de construir un robot, el equipo prueba su equilibrio en un entorno virtual. ¿Qué herramienta utiliza?. Simulación. Sensor ultrasónico. Localización global. Regresión logística. Cada modificación del diseño puede evaluarse virtualmente en minutos sin fabricar prototipos. ¿Qué ventaja destaca?. Loop closure. Desvanecimiento del gradiente. Velocidad de iteración. Mayor dependencia de pruebas físicas. Se entrenan miles de robots virtuales en paralelo sin desgastar hardware real. ¿Qué beneficio principal se aprovecha?. Necesidad de construir miles de robots físicos. Escalabilidad y reducción de costos de experimentación. Sustitución de cualquier dato real. Garantía de comportamiento físico idéntico. En simulación se recrean situaciones peligrosas sin exponer personas a un robot real. ¿Qué ventaja predomina?. Reducción de la resolución. Clasificación supervisada. Seguridad. Aumento del torque real. Un modelo virtual recibe datos actualizados constantemente de sensores de una fábrica real. ¿Qué es?. GRU. Gemelo digital. Árbol de decisión. Simulación aislada sin conexión. ¿Qué distingue a un gemelo digital de una simulación tradicional?. Que siempre es un modelo estático sin sensores. Que usa necesariamente ruedas. La sincronización con el sistema físico mediante datos reales. Que no permite predicciones. En la arquitectura del gemelo digital, ¿qué capa reúne máquinas y sensores instalados?. Capa física. Capa de aplicación. Capa de conectividad. Capa de procesamiento. Los datos viajan desde sensores hacia la plataforma virtual. ¿Qué capa se encarga de su transmisión?. Capa de aplicación. Capa de conectividad. Capa de visualización semántica. Capa física exclusivamente. Modelos físicos, estadísticos y de IA estiman cómo cambiará la calidad del aire en dos horas. ¿Qué capa realiza esta función?. Capa de aplicación. Capa de conectividad. Capa de procesamiento. Capa física. Los resultados del gemelo digital aparecen en tableros, paneles e interfaces y pueden generar órdenes de control. ¿Qué capa es?. Capa física. Capa de aplicación. Representación geométrica aislada. Capa de conectividad. ¿Con qué expresión se identifica el análisis de los datos y la anticipación del comportamiento futuro en un gemelo digital?. Procesamiento. Fusión motriz. Manipulación de muestras. Monitoreo como única función. ¿Por qué un gemelo digital pierde valor si deja de recibir datos de la instalación real?. Porque sus motores físicos se detienen obligatoriamente. Porque la simulación debe usar cero sensores siempre. Porque se borran todas las etiquetas. Porque la representación virtual deja de reflejar el estado físico actualizado. Un robot camina bien en el simulador y pierde estabilidad en el mundo físico. ¿Qué fenómeno explica la diferencia?. Clustering. Sim2Real gap. Early stopping. Loop closure. ¿Qué técnica varía iluminación, fricción y texturas de manera aleatoria durante el entrenamiento simulado?. Segmentación semántica. Full SLAM. Regresión logística. Domain Randomization. Medir propiedades reales del robot y calibrar con ellas el modelo de simulación es: K-Means. Dropout. System Identification. Dijkstra. Entrenar ampliamente en simulación y luego ajustar con pocos datos reales corresponde a: Localización global. Clustering jerárquico. Data augmentation como única técnica. Transfer Learning. Crear imágenes rotadas, recortadas o modificadas para ampliar la variedad del entrenamiento es: Cinemática inversa. Transfer Learning entendido como reentrenar con una tarea diferente. ROS servicio. Data augmentation. Reducir discrepancias entre distribuciones de datos simuladas y reales es el objetivo de: Silueta. Domain Adaptation. Control de impedancia. Random Forest. En un simulador se puede controlar qué casos raros aparecen y con qué frecuencia. ¿Qué ventaja se obtiene?. Garantía de no necesitar pruebas reales. Imposibilidad de repetir escenarios. Eliminación de toda incertidumbre física. Generación controlada y variada de experiencia. Una mina quiere una réplica conectada a sensores para anticipar fallas de ventilación en tiempo real. ¿Qué solución corresponde?. Solo un dibujo CAD estático. Un brazo redundante. Un árbol de decisión sin datos físicos. Gemelo digital. Una réplica virtual de una turbina calcula fallas futuras a partir de sensores y modelos estadísticos. ¿Qué funcionalidad del gemelo es central?. Dibujar la carcasa sin actualizarla. Captura de fotografías solamente. Predicción a partir de datos procesados. Reemplazar todos los sensores. ¿Por qué el entrenamiento en simulación puede no transferirse perfectamente al mundo real?. Porque los sensores reales son siempre exactos. Porque toda simulación está conectada a un gemelo. Porque los algoritmos nunca aprenden en entornos virtuales. Porque es difícil representar todas las condiciones y variaciones físicas reales. La empresa prepara muchas versiones de un terreno virtual con distintas fricciones para mejorar robustez. ¿Qué método emplea?. SVM. GMM. Domain Randomization. Mapa topológico. ¿Qué afirmación sobre la sincronización de un gemelo digital es adecuada?. La transmisión siempre es innecesaria. Solo se necesita una captura al crear el modelo. Su utilidad no depende nunca de los cambios físicos. Debe mantenerse actualizado con las mediciones del sistema real. Si se evalúan decenas de alternativas de diseño antes de fabricar un único prototipo, ¿cuál es la ventaja más directa?. Incremento obligatorio del número de prototipos físicos. Ausencia total de errores de implementación. No requerir un modelo del sistema. Iteración rápida y ahorro de pruebas físicas. Un robot entra por primera vez en un edificio y no sabe su posición inicial. ¿Qué situación enfrenta?. Cinemática directa. Localización local con pose conocida. Localización global. Loop closure. Un robot conoce aproximadamente su posición inicial y solo necesita seguir su desplazamiento. ¿Qué localización realiza?. Localización local o seguimiento. Segmentación semántica. Sim2Real gap. Localización global desde cero. Un robot que tenía una posición conocida es trasladado sin aviso a otra habitación. ¿Qué problema debe resolver?. Full SLAM con trayectoria ya garantizada. Aprendizaje supervisado. Control reactivo de ruedas. Robot reubicado o secuestrado. Estimar cuánto avanzó un robot según el giro de sus ruedas es usar: Odometría. K-Means. Softmax. GRU. Los pequeños errores de posición se acumulan hasta que el robot cree estar lejos de su ubicación real. ¿Qué ocurre?. Deriva de odometría. Reward hacking. Ensamblaje de sensores. Generalización de la política. Un estimador combina su predicción de posición con mediciones ruidosas para mejorarla. ¿Qué herramienta puede usar?. CNN como único componente. Q-Learning. Filtro de Kalman. K-Means. Para estimar un sistema no lineal mediante linealizaciones locales se utiliza: Filtro de Kalman extendido, EKF. Regresión logística obligatoria. Dijkstra. Dendrograma. El robot mantiene muchas ubicaciones hipotéticas posibles y las repondera con observaciones. ¿Qué estimador usa?. Filtro de promedio simple necesariamente. CNN. K-Means. Filtro de partículas. Un mapa divide una habitación en cuadrados y guarda en cada uno una probabilidad de obstáculo. ¿Qué representación es?. Mapa de ocupación por celdas. Árbol de decisión. Mapa topológico puro. Cadena de Markov. Un mapa representa habitaciones como nodos y puertas como conexiones. ¿Cuál es?. Nube de puntos 3D. GMM. Mapa topológico. Mapa de ocupación necesariamente. Un mapa conserva posiciones y distancias geométricas del entorno. ¿Cómo se llama?. Mapa métrico. Modelo discriminativo. Mapa de etiquetas. Dendrograma. Un LiDAR registra miles de puntos tridimensionales que describen superficies. ¿Qué representación genera?. Matriz de confusión. Política de refuerzo. Árbol de decisión. Nube de puntos. Un mapa guarda puntos característicos como esquinas y bordes para reconocer lugares. ¿Qué tipo es?. Mapa de centroides K-Means. Mapa de acciones. Mapa de características. Matriz de transición de clases. Un robot construye un mapa desconocido y estima a la vez su propia posición en él. ¿Qué problema resuelve?. Clasificación supervisada. Regresión lineal. Cinemática inversa. SLAM. ¿Qué significa la sigla SLAM?. Localización y mapeo simultáneos. Sensores localizados por acciones de movimiento. Segmentación lineal automática de mapas. Simulación y aprendizaje de motores. ¿Cuál es la diferencia central entre SLAM online y Full SLAM?. Full SLAM no construye mapas. SLAM online no necesita sensores. Full SLAM conserva también la trayectoria histórica completa. SLAM online siempre conoce la posición exacta. Un robot reconoce una habitación ya visitada y usa ese hecho para corregir errores acumulados. ¿Qué mecanismo se activa?. Dropout. Loop closure. Domain Randomization. Cinemática directa. Una plataforma conserva todo el historial para reajustar retrospectivamente el recorrido al cerrar un ciclo. ¿Qué enfoque corresponde?. Regresión lineal. Solo localización global sin mapa. Full SLAM. K-Means. Un algoritmo encuentra caminos de menor costo en un grafo con costos no negativos sin usar una estimación de distancia a la meta. ¿Cuál?. Dijkstra. DBSCAN. PCA. A* utilizando heurística necesariamente. ¿Qué algoritmo combina el costo recorrido con una heurística de lo que falta al objetivo?. Filtro de Kalman. Naive Bayes. A*. Dijkstra sin heurística. ¿Qué propiedad debe cumplir una heurística para no comprometer la optimalidad de A* en el caso estándar?. Dar siempre un costo más alto que el real. Asignar etiquetas a los nodos. Ser admisible y no sobreestimar el costo restante. Depender de un sensor RGB-D. Un planificador construye un árbol de movimientos muestreando configuraciones al azar. ¿Cuál es?. SVM. K-Means. RRT. Dijkstra. Un planificador crea una red de conexiones entre muestras del espacio libre para consultas de caminos. ¿Cuál es?. ReLU. Policy Gradient. Naive Bayes. PRM. Una ruta general se calcula antes del viaje y luego se hacen desvíos ante personas que aparecen. ¿Qué parte hace esos ajustes próximos?. PCA. Función softmax. Planificación global solamente. Planificación local. ¿Qué integra un sistema de navegación autónoma para desplazarse correctamente?. Solamente el cálculo de una heurística. Percepción, localización, planificación y control. Solo K-Means y GMM. Únicamente una cámara sin controlador. Convertir una imagen en información significativa sobre objetos y escenas corresponde a: Visión artificial. Cinemática directa. Mapeo topológico. Reward hacking. Un sistema indica que una fotografía corresponde a la clase «gato» sin marcar su ubicación. ¿Qué tarea realiza?. Clasificación de imagen. SLAM. Detección de objetos con cajas. Planificación local. Un sistema identifica automóviles y dibuja su ubicación dentro de una foto. ¿Qué tarea realiza?. Solo clasificación global. Regresión lineal. Detección de objetos. Control de impedancia. Una IA asigna a cada píxel una categoría como «persona», «calle» o «cielo», sin separar personas individuales. ¿Qué hace?. GMM. Segmentación semántica. Cinemática inversa. Segmentación de instancias como requisito único. Una escena tiene dos personas juntas y la IA debe identificar por separado a cada una. ¿Qué método conviene?. Normalización de datos. Segmentación semántica sin distinción individual. PCA. Segmentación de instancias. La IA determina la posición del mismo automóvil en fotogramas consecutivos. ¿Qué tarea realiza?. Softmax como tarea. Odometría de ruedas. Seguimiento de objetos. Clasificación estática únicamente. Una cámara obtiene imágenes convencionales desde un solo punto de vista sin profundidad directa. ¿Cuál es?. Cámara monocular. IMU. Cámara estéreo. LiDAR. Dos cámaras observan una escena desde perspectivas distintas para estimar profundidad. ¿Qué sistema es?. Encoder. Cámara monocular necesariamente. Sensor ultrasónico. Cámara estéreo. Una cámara entrega información de color y distancia o profundidad. ¿Cuál es?. Encoder. LiDAR como cámara convencional. Cámara RGB-D. IMU. Un sensor registra cambios de luminosidad por píxel de forma asíncrona en lugar de capturar cuadros completos. ¿Cuál es?. Sensor ultrasónico. Cámara de eventos. Cámara monocular tradicional. Cámara RGB-D necesariamente. Para captar movimientos muy rápidos con baja latencia en microsegundos se prioriza: Encoder de presión. Cámara de eventos. Mapa de ocupación. Filtro de partículas como cámara. Un sensor emite pulsos láser para medir distancias y puede funcionar sin iluminación externa. ¿Cuál es?. Encoder. LiDAR. IMU. Cámara monocular. Un sensor emite sonidos por encima del rango audible y calcula distancia mediante el eco. ¿Cuál es?. LiDAR. GPS. CNN. Sensor ultrasónico. Un dispositivo mide aceleraciones y velocidades angulares del robot. ¿Cuál es?. IMU. K-Means. Sensor de eventos como medidor inercial. Cámara RGB-D. Un sensor mide la rotación o posición de una articulación o un motor. ¿Cuál es?. Encoder. Cámara RGB. Softmax. GMM. Combinar cámara, LiDAR e IMU para estimar el estado del robot con mayor fiabilidad se llama: Regresión logística. K-Means. Fusión sensorial. Normalización Min-Max. Un sistema visual obtiene patrones mediante filtros compartidos que reconocen bordes y texturas. ¿Qué arquitectura de IA utiliza?. Filtro de partículas. CNN. RRT. Q-Learning. Una capa de software no es un sistema operativo completo, pero conecta procesos y herramientas de un robot. ¿Cómo se denomina?. Brazo redundante. Nodo ROS individual. Sensor RGB-D. Middleware robótico. ¿Qué ecosistema es un ejemplo conocido de middleware para desarrollar robots?. PCA. ROS. GMM. SVM. Un proceso independiente de ROS se ocupa solo de recibir mediciones de una cámara. ¿Cómo se denomina?. Tópico como proceso autónomo. Nodo. Actuador físico. Heurística. Una cámara publica continuamente imágenes para otros componentes sin esperar respuesta individual. ¿Qué mecanismo ROS corresponde?. Action de larga duración. Tópico. Filtro de Kalman. Servicio síncrono. Un planificador pide detectar los objetos de una imagen y espera una respuesta puntual. ¿Qué mecanismo corresponde?. Servicio ROS. Action de navegación prolongada. Loop closure. Tópico continuo. El robot debe desplazarse durante varios minutos y reportar avance, resultado y permitir cancelación. ¿Qué mecanismo usa?. Segmentación semántica. Action ROS. Tópico sin retroalimentación. Servicio puntual como único esquema. En ROS 1, ¿qué componente ayuda al registro y descubrimiento de nodos?. ROS Master. K-Means. GRU. LiDAR. En ROS 2, ¿qué tecnología permite descubrimiento y comunicación distribuidos?. DDS. Encoder. Inercia. PCA. |





