Kansei_T6_EspacioDeSintesis

¿Qué conecta el Espacio de Síntesis en la Ingeniería Kansei?. El espacio semántico y el espacio de propiedades. El espacio semántico y las emociones del usuario. Los requisitos funcionales y los diseños mecánicos. Los modelos matemáticos y las opiniones del mercado.

¿Qué tipo de métodos se emplean en el Espacio de Síntesis?. Económicos y sociales. Biométricos, psicométricos y conexionistas. Mecánicos y estructurales. Cualitativos exclusivamente.

¿Qué representa "Y" en el modelo matemático Y=f(x1,x2,...xk)?. Las variables independientes. El coeficiente de regresión. La valoración Kansei según los encuestados. El tamaño del espacio de propiedades.

Según los supuestos del modelo de regresión lineal, ¿qué condición debe cumplirse?. El número de observaciones debe ser mayor que el número de variables independientes más 1 (n > k + 1). Todas las variables independientes deben ser categóricas. Las variables dependientes deben ser dicotómicas. No se deben introducir variables dummy.

¿Qué técnica emplea la Clasificación por Categorías (KES I)?. Algoritmos de aprendizaje profundo. Teoría Fuzzy. Identificación manual basada en encuestas. Redes neuronales.

¿Qué método estadístico es más popular en la Ingeniería Kansei Tipo II?. Algoritmos genéticos. Redes neuronales artificiales. Teoría de Cuantificación Tipo I (QT1). Teoría Rough Set.

¿Cómo se definen las RNA?. Redes de neuronas biológicas conectadas artificialmente. Un conjunto de conexiones lógicas binarias. Un sistema de aprendizaje inspirado en el cerebro humano. Un modelo matemático que clasifica datos ordinales.

¿Cuál es el modelo más utilizado de RNA en Ingeniería Kansei?. Teoría Fuzzy Set. Redes convolucionales. Perceptrón multicapa. Algoritmos supervisados.

¿Qué principio biológico imitan los Algoritmos Genéticos?. Selección natural y supervivencia del más apto. Conductividad neuronal. Retropropagación del error. Agrupación jerárquica de datos.

¿Cuál es el objetivo principal de los Algoritmos Genéticos en la Ingeniería Kansei?. Reducir el error en modelos supervisados. Optimizar combinaciones de propiedades para un diseño óptimo. Clasificar datos de usuarios en categorías emocionales. Crear redes neuronales de mayor precisión.

¿Cuál es el objetivo principal de QT1 en Ingeniería Kansei?. Realizar clasificaciones jerárquicas de los productos. Integrar métodos cualitativos con técnicas conexionistas. Cuantificar la relación entre palabras Kansei y propiedades del producto. Crear árboles de decisión basados en datos emocionales.

¿Qué peculiaridad tiene el método QT1 respecto a las variables utilizadas?. Utiliza variables categóricas o cualitativas como independientes. Todas las variables deben ser continuas. Las variables dependientes no pueden ser emocionales. Solo admite análisis univariantes.

Según el modelo QT1, ¿qué representa el Coeficiente de Propiedad (CP)?. La cantidad de datos perdidos en la regresión. La diferencia entre propiedades correlacionadas. La contribución de un atributo a la valoración Kansei. El ajuste de los datos al modelo cuadrático.

¿Qué nivel mínimo debe alcanzar el CCM (Coeficiente de Correlación Múltiple) para ser considerado significativo en Ingeniería Kansei?. 50%. 60%. 70%. 80%.

¿Cómo se obtienen las variables dummy en QT1?. Asignando "1" si la propiedad está presente y "0" si no lo está. Codificando números continuos como variables discretas. Usando únicamente variables dependientes. Transformando variables cuantitativas en ordinales.

¿Qué se busca al aplicar una Red Neuronal en la Ingeniería Kansei?. Predecir emociones que evocará un diseño basado en propiedades. Generar combinaciones óptimas de datos cualitativos. Sustituir modelos de regresión por sistemas cualitativos. Integrar redes neuronales en algoritmos genéticos.

¿Qué algoritmo de aprendizaje se usa comúnmente en el perceptrón multicapa?. Gradient Boosting. Retropropagación (Backpropagation). Algoritmo de clasificación KNN. Redes de Bayes.

¿Cómo se caracteriza un Perceptrón Simple?. Por tener dos capas: una de entrada y una de salida. Por usar múltiples capas ocultas. Por ser capaz de clasificar datos no lineales. Por no tener funciones de activación.

¿Qué característica define la función de activación escalón utilizada en perceptrones?. Permite clasificar patrones en dos categorías binarias. Multiplica las entradas por sus pesos sinápticos. Se basa en distribuciones normales. Reduce el número de parámetros.

¿Qué representa una neurona sigmoidea en una red neuronal?. Una función de activación binaria. Una conexión entre capas sensoriales. Una función de activación que permite clasificaciones suaves. Un algoritmo de aprendizaje supervisado.

¿Qué significa que un individuo tiene mayor "fitness" en un algoritmo genético?. Es el más complejo de todos los individuos. Es el que contiene más variables categóricas. Tiene mayor capacidad de adaptarse a las condiciones del entorno. Maximiza los errores en la solución.

¿Cuál es un paso clave en la aplicación de Algoritmos Genéticos en Ingeniería Kansei?. Generar redes neuronales aleatorias. Asignar variables dummy a las propiedades. Evaluar combinaciones de propiedades basadas en el kansei. Utilizar teorías de regresión polinómica.

¿Qué técnicas pueden complementar los Algoritmos Genéticos?. Redes convolucionales y clasificación supervisada. QT1 y análisis jerárquico de procesos (AHP). Perceptrón multicapa y fuzzy logic. Métodos de agrupación estadística.

¿Cuál de las siguientes NO es una etapa de los Algoritmos Genéticos?. Selección. Cruzamiento. Clasificación por rangos. Mutación.

En la aplicación Kansei, ¿qué representa la función de aptitud?. Un modelo de agrupación de datos. La calidad de la solución propuesta. Un método de clasificación supervisada. Una medida de normalidad de las variables.

¿Cuál es una ventaja principal de los métodos manuales en Ingeniería Kansei?. Mayor precisión en datos grandes. Requieren menos recursos y son fáciles de usar. Mayor capacidad predictiva que los métodos estadísticos. Facilitan el uso de redes neuronales.

¿Qué herramienta es característica de los métodos manuales en Ingeniería Kansei?. Teoría Rough Set. Regresión PLS. Clasificación por Categorías. Algoritmos genéticos.

¿Qué técnica estadística utiliza el análisis PLS?. Análisis de Componentes Principales. Análisis de correlación simple. Redes conexionistas. Métodos jerárquicos.

¿Qué tipo de datos analiza preferentemente PLS?. Datos ordinales de encuestas. Variables independientes exclusivamente categóricas. Conjuntos grandes y correlacionados de predictores. Datos no estructurados y cualitativos.

¿Qué ventaja tiene la regresión PLS frente a otros métodos?. Mayor facilidad de interpretación. Exclusividad en datos categóricos. Manejo eficiente de multicolinealidad y pocas observaciones. Integración con variables dummy automáticamente.

¿Qué relación establece la síntesis en la Ingeniería Kansei?. La relación entre propiedades y precios de mercado. La relación entre componentes principales y variables latentes. La relación entre las propiedades de diseño y las palabras Kansei. La relación entre el espacio de propiedades y el diseño funcional.

¿Qué propiedad física puede influir en el Kansei de confort térmico?. Temperatura. Colores del producto. Tamaño del producto. Estilo del diseño.

¿Qué implica el término "impacto afectivo" en el Espacio de Síntesis?. La relación entre propiedades visuales y físicas. El modelo matemático subyacente al diseño. La magnitud de la influencia de propiedades sobre emociones Kansei. La percepción directa del mercado objetivo.

¿Qué herramienta conecta palabras Kansei con propiedades específicas en regresión múltiple?. Matriz de covarianza. Algoritmo de aprendizaje reforzado. Árbol jerárquico de Nagamachi. Categorías de identificación.

¿Qué característica debe cumplir una propiedad para ser considerada significativa en IK?. Tener una relación directa con el modelo QT1. Tener un Coeficiente de Propiedad (CP) mayor a 0.70. Ser dicotómica y ordinal. Mostrar un impacto visual significativo.

¿Qué se busca al usar la Teoría Fuzzy Set en Ingeniería Kansei?. Identificar relaciones jerárquicas en datos. Manejar incertidumbres y transiciones graduales en propiedades. Generar combinaciones binarias de variables. Optimizar regresiones polinómicas.

¿Qué caracteriza a la Teoría Rough Set en Kansei?. El uso exclusivo de variables cualitativas. Clasificar datos imprecisos o ambiguos. Reducir el número de propiedades dummy. Facilitar modelos predictivos supervisados.

¿Qué tipo de datos maneja mejor la Teoría Fuzzy en comparación con otros métodos?. Datos ordinales discretos. Datos binarios simples. Datos que no tienen fronteras claras entre categorías. Datos altamente estructurados.

¿Qué aspecto analiza la Teoría Rough Set en los productos?. La contribución visual de cada elemento. La semántica detrás de las palabras Kansei. Las similitudes y diferencias dentro de datos incompletos. La regresión múltiple entre variables.

¿Qué método es más adecuado para tratar incertidumbre en datos emocionales?. Teoría Fuzzy Set. Redes Neuronales Artificiales. Regresión Lineal Simple. Algoritmos Genéticos.

¿Qué propiedad fue clave para reforzar el Kansei "Sabroso" en un estudio de envases?. Material de cristal y formas curvas. Diseño plano y colores neutros. Tamaño compacto y etiquetas minimalistas. Base resistente y esquinas rectas.

¿Qué diseño estructural influye positivamente en la calidad percibida según QT1?. Líneas geométricas. Líneas orgánicas. Simetrías en los colores. Texturas ásperas.

En el ejemplo del Mazda Miata, ¿qué representaban los niveles de concepto en el árbol?. Las palabras Kansei evaluadas. Los subconceptos que desglosan estrategias de producto. Los segmentos de mercado seleccionados. Los atributos técnicos del diseño.

En PLS, ¿qué se interpreta de una fuerte correlación en los ejes t1 y t2?. Relevancia de variables independientes con las palabras Kansei. Alta dispersión en los datos predictivos. Relaciones débiles entre propiedades y emociones. Errores significativos en el modelo regresivo.

¿Qué muestra la zona de concentración en un análisis PLS2?. Los puntos de menor correlación. Las emociones Kansei más evocadas por las propiedades. Las combinaciones no significativas de variables. Las áreas de mayor error de predicción.

¿Qué indica un R^2 próximo a 1 en el análisis QT1?. Una relación lineal fuerte entre las variables independientes y dependientes. Que el modelo está sesgado por multicolinealidad. Que las variables independientes no explican las dependientes. Que el error aleatorio es significativo.

¿Por qué es preferible el R^2 ajustado al R^2 estándar?. Reduce el error del modelo. Neutraliza la influencia de variables adicionales en la interpretación. Maximiza la multicolinealidad. Mejora los cálculos de QT1.

¿Qué define al Coeficiente Beta en una regresión?. El impacto directo de variables dependientes. La importancia jerárquica de variables ordinales. La influencia estandarizada de una variable independiente sobre la dependiente. La normalización de errores entre categorías.

En términos de errores en modelos, ¿qué mide el error de estimación?. La desviación típica entre los valores reales y los pronósticos del modelo. El nivel de dispersión de los coeficientes. La correlación parcial de las variables dependientes. El impacto acumulado de las variables dummy.

¿Qué representa un Category Score en QT1?. La media ajustada de los valores Kansei. Un coeficiente sin normalización. El peso relativo de una sub-propiedad respecto a un Kansei. La desviación estándar entre atributos de diseño.