M. de Datos

1. Un modelo de regresión logística estima P(Riesgoso) para un cliente. Si la política del banco define umbral 0.70, ¿cuándo se clasifica como Riesgoso?. Cuando el árbol llega a una hoja con mayoría Riesgoso. Cuando el cliente es similar a sus 3 vecinos más cercanos. Cuando P(Riesgoso) ≤ 0.70. Cuando P(Riesgoso) ≥ 0.70.

Un falso positivo ocurre cuando: El modelo predice positivo y es realmente negativo. El modelo acierta negativo. El modelo predice negativo y es positivo. El modelo acierta positivo.

El PCA (Análisis de Componentes Principales) es una técnica: Supervisada. De clasificación. De regresión. No supervisada.

¿Cuál es una ventaja clave de las gráficas interactivas?. Eliminan valores atípicos. Reducen el tamaño del dataset. Reemplazan la minería de datos. Permiten explorar subconjuntos de datos.

Si se quisiera conservar al menos el 80 % de la información original, la acción más adecuada sería: Usar únicamente CP1. No aplicar PCA. Eliminar variables manualmente. Aumentar el número de componentes.

Caso: Una empresa tiene información de clientes, pero no sabe quiénes son “buenos” o “malos”. Solo desea agrupar clientes según comportamiento de compra. ¿Qué enfoque es el más adecuado?. Clustering, porque no hay etiquetas y se buscan grupos por similitud. Clasificación, porque asigna una clase conocida. Recomendación, porque sugiere productos de inmediato. Predicción, porque estima valores futuros.

Ventaja del aprendizaje no supervisado: Predice con exactitud. Descubre patrones ocultos. Usa etiquetas. Requiere variable objetivo.

¿Qué se entiende por dimensión en un conjunto de datos?. Un algoritmo. Un registro del dataset. Un modelo predictivo. Una variable o característica.

El aprendizaje supervisado se caracteriza porque: Solo agrupa datos. No usa datos históricos. Trabaja con datos etiquetados. No requiere variable objetivo.

En K-NN, un nuevo estudiante es comparado con los K estudiantes más similares. ¿Cómo se determina la clase final (p. ej., “Aprueba/No aprueba”) en la forma más común de K-NN para clasificación?. Se construye una jerarquía de reglas desde una raíz. Se calcula una probabilidad con el teorema de Bayes. Se ajusta una recta y se predice un valor continuo. Se elige la clase más frecuente entre los K vecinos.

Patrones de fallas industriales pertenecen a: Política. Educación. Turismo. Manufactura.

Empareje el tipo de gráfico con su uso principal: Histograma. Gráfico de barras. Gráfico de dispersión. Boxplot.

Clasificar correos como spam/no spam es: Exploratorio. Supervisado. Descriptivo. No supervisado.

Naive Bayes se basa en: Varianza máxima. Árboles jerárquicos. Distancia euclidiana. Teorema de Bayes.

La regresión sirve para: Clasificar. Asociar productos. Predecir valores numéricos. Agrupar.

Si NO se hubiera aplicado StandardScaler antes de PCA, el resultado más probable sería: Las variables de mayor escala dominarían los componentes. No se podría calcular la varianza. PCA no funcionaría. CP1 y CP2 serían iguales.

¿Qué tipo de datos maneja principalmente la minería de datos?. Datos manuales. Solo datos pequeños. Grandes volúmenes de datos. Datos no estructurados únicamente.

¿Qué disciplina aporta técnicas como indexación y acceso eficiente a los datos?. Visualización. Inteligencia Artificial. Bases de Datos. Estadística.

¿Cuál es una aplicación actual típica de la minería de datos?. Sistemas de recomendación. Contabilidad básica. Escritura Manual. Procesamiento de texto simple sin análisis.

La reducción de dimensionalidad busca principalmente: Aumentar el número de variables. Simplificar el dataset sin perder información relevante. Crear bases de datos. Convertir variables categóricas en numéricas.

En minería de datos, un modelo se define como: Un reporte visual. Un conjunto de tablas. Un software de análisis. Una representación matemática o estadística construida a partir de datos.

¿Cuál de los siguientes métodos es una técnica de extracción de características?. Eliminación de columnas. Filtrado manual. Discretización. PCA.

¿Cuál afirmación es correcta?. Supervisado es predictivo y no supervisado descriptivo. Ninguno usa datos. Ambos son iguales. Supervisado es descriptivo.

Empareje tarea y resultado: Predicción. Clasificación. Regresión.

¿Qué disciplina aporta conceptos como media, varianza y regresión?. Estadística. Visualización de datos. Aprendizaje automático. Base de datos.

¿Qué librerías se usan para visualización en Python?. Plotly. Sklearn. Matplotlib. Seaborn.

Reducir dimensionalidad siempre implica: No perder nunca información. Posible pérdida parcial de información. Mejor desempeño garantizado. Convertir variables categóricas.

28. Predecir inundaciones corresponde a: Ciencias y medio ambiente. Educación. Marketing. Turismo.

Clasificar una transacción como fraude o no fraude es un ejemplo de: Agrupamiento (clustering). Clasificación. Regresión. PCA.

¿Qué ventaja ofrece el proceso KDD frente a aplicar solo algoritmos de minería de datos?. Elimina la necesidad de validación. Asegura un proceso completo desde datos crudos hasta conocimiento útil. Reduce el tamaño de los datos. Automatiza decisiones sin intervención.

Con el porcentaje de varianza obtenido, ¿para qué escenario NO sería suficiente usar solo dos componentes?. Visualización exploratoria. Modelado predictivo. Identificación de outliers. Detección de patrones generales.

¿Cuál de las siguientes NO es una estrategia de reducción de datos?. Reducción de dimensionalidad. Compresión de datos. Reducción de numerosidad. Normalización de bases de datos.

Un modelo que estima la demanda futura de un producto es: No supervisado. Descriptivo. Exploratorio. Predictivo.

¿Cuáles son ejemplos de tareas de clasificación?. Estimar costos. Aprobar / Reprobar. Detectar Fraude. Predecir ventas.

Identifique el tipo de problema predictivo descrito. Una empresa desea estimar el costo mensual de mantenimiento según el número de usuarios. Clustering. Regresión logística. Regresión lineal. Clasificación.

Empareje la librería de Python con su función: plotly. seaborn. pandas. matplotlib.

¿Cuál NO es objetivo de un modelo descriptivo?. Identificar patrones. Explorar datos. Predecir valores futuros. Resumir información.

¿Qué caracteriza a un patrón “interesante” en minería de datos?. Que sea complejo. Que sea matemático. Que sea útil, válido y comprensible. Que use IA.

En el proceso general de minería de datos (recolección → preparación → construcción → evaluación → uso), ¿en qué fase se aplica directamente un algoritmo de clasificación (p. ej., K-NN, Naive Bayes, árbol, regresión logística)?. Uso del modelo en nuevos datos. Construcción del modelo. Preparación de datos. Recolección de datos.

¿Por qué la minería de datos es especialmente útil en análisis exploratorios?. Porque permite descubrir conocimiento sin supuestos iniciales. Porque confirma hipótesis previas. Porque elimina la necesidad de expertos. Porque genera reportes automáticos.

¿Por qué no se observan indicios claros de valores atípicos en la variable edad?. Porque la edad máxima no se aleja significativamente del resto de los valores y la distribución es más equilibrada. Porque la edad es una variable categórica. Porque no existen valores mínimos en la edad. Porque la edad tiene una media muy alta.

¿Por qué es importante clasificar las variables en numéricas y categóricas antes del análisis?. Porque cada tipo requiere análisis y gráficas distintas. Para reducir el tamaño del dataset. Para usar el mismo gráfico en todas. Para eliminar columnas.

Un modelo con alto accuracy pero clases desbalanceadas puede: Ser siempre excelente. Ser no supervisado. No ser confiable. No tener errores.

¿Qué gráfico permite analizar la relación entre dos variables numéricas?. Gráfico de barras. Gráfico de dispersión. Histograma. Gráfico de líneas.

Reducir el dataset a dos componentes principales significa que: Se conservaron solo dos columnas originales. Cada registro ahora se describe con dos combinaciones de variables. Se eliminaron variables irrelevantes. El dataset perdió la mayoría de los registros.

¿Qué tipo de atributo es la variable ¨ciudad¨?. Numérico continuo. Numérico discreto. Categórico. Date.

La línea de código df[num_cols].describe() en Pandas sirve para generar un resumen estadístico descriptivo de las columnas numéricas ( num_cols ) seleccionadas dentro de un DataFrame ( df ). La media del monto de compra es mayor que la mediana. ¿Qué indica esto?. Distribución simétrica. Distribución uniforme. Distribución asimétrica con sesgo a la derecha. Distribución normal.

Un modelo con buen accuracy puede NO ser adecuado en salud si (seleccione todas las correctas): Presenta muchos falsos negativos. No considera impacto humano. Se usa como única fuente de decisión. Tiene muchas variables predictoras.

Estimar el precio de una vivienda según su tamaño y ubicación corresponde a: Reglas de asociación. Clustering. Resumen. Regresión.

Con base en los histogramas de los Dataset A y B, ¿Cuáles afirmaciones son correctas? (Seleccione todas las correctas). El Dataset A presenta una distribución aproximadamente simétrica. En el Dataset B los valores altos aparecen con menor frecuencia. Ambos datasets presentan una distribución uniforme. El Dataset B presenta una distribución sesgada a la derecha.

Una institución tiene datos (horas de estudio, asistencia, participación) y además conoce si cada estudiante aprobó o reprobó. Se entrena un modelo para predecir si un nuevo estudiante aprobará. ¿Qué tipo de aprendizaje es?. Reforzado. No supervisado. Semi - supervisado. Supervisado.

Un sistema analiza correos con variables como presencia de palabras (“gratis”, “oferta”), número de enlaces y remitente. ¿Qué algoritmo del tema se asocia clásicamente a este escenario por su enfoque probabilístico?. K -NN. Naive Bayes. Regresión Lineal. Clustering K - means.

Los dos primeros componentes explicaron aproximadamente el 48.9 % de la varianza total. Esto indica que el dataset: Perdió información irrelevante. Es simple y fácil de resumir. No es adecuado para PCA. Contiene información distribuida en varias dimensiones.

¿Cuál de las siguientes afirmaciones sobre PCA es correcta?. Selecciona variables originales. Es una técnica supervisada. Combina variables para crear nuevas. Funciona solo con datos categóricos.

¿Cuál es el objetivo principal de los modelos predictivos?. Predecir valores futuros o desconocidos. Explorar los datos. Visualizar información. Agrupar registros.

Selección de personal usa: Educación. Turismo. Web. Recursos Humanos.

En la práctica, los dos primeros componentes explicaron ≈49 % de la varianza total. ¿Qué se puede concluir correctamente?. No era necesario escalar. El dataset es complejo y requiere más componentes. PCA falló. La información es insuficiente para análisis exploratorio.

¿Por qué la minería de datos se considera una disciplina multidisciplinaria?. Porque solo usa bases de datos. Porque integra técnicas de estadística, aprendizaje automático, bases de datos y visualización. Porque reemplaza a la estadística. Porque funciona únicamente con Big Data.

¿Cuál de los siguientes problemas surge al analizar datasets con muchas variables?. Menor tiempo de procesamiento. Mayor consumo de recursos y complejidad. Mayor facilidad de interpretación. Resultados más claros automáticamente.

¿Qué categoría de producto presenta la mediana de monto de compra más alta?. Ropa. Alimento. Otros. Electrónica.

Un sistema de recomendación combina: Solo clustering. Solo clasificación. Solo regresión. Técnicas de clasificación y predicción.

Una plataforma de streaming usa historial y calificaciones previas para predecir si un usuario dará una calificación positiva a una nueva película. Este problema es de: Exploración. Supervisado. No supervisado. Agrupamiento.

PCA se usa principalmente para: Predecir valores. Reducir dimensionalidad. Clasificar. Detectar fraude.

¿Cuáles son características del Análisis de Componentes Principales ?. PCA elimina filas. PCA combina variables. PCA categorizar los datos. PCA puede usarse antes de clustering.

Detectar fraude en tarjetas corresponde a: Medicina. Finanzas y banca. Marketing. Educación.

¿Por qué el gráfico de barras es más adecuado que un gráfico de líneas para comparar ventas por trimestre?. Porque los trimestres son categorías discretas. Porque permite observar correlaciones. Porque muestra mejor los valores atípicos. Porque reduce el número de datos.

El proceso KDD incluye: Solo aplicar un algoritmo. Preparación, selección de técnica, aplicación e interpretación/validación. Hacer un gráfico final. Crear una base de datos.

¿Qué librería se usa para gráficos interactivos en Python?. Plotly. Matplotlib. Pandas. Seaborn.

¿Cuál es el objetivo principal de la minería de datos?. Almacenar grandes volúmenes de datos. Generar reportes estáticos. Diseñar bases de datos relacionales. Descubrir patrones y conocimiento útil en los datos.

La selección de características consiste en: Transformar datos en gráficos. Aplicar clustering. Eliminar variables irrelevantes o redundantes. Crear nuevas variables combinadas.

Un sistema recibe correos etiquetados como “spam” o “no spam” y aprende a clasificar nuevos correos. Este es un ejemplo de: Agrupamiento. Exploratorio. Supervisado. No supervisado.

La reducción de dimensionalidad se considera una técnica de: Preprocesamiento. Validación de modelos. Postprocesamiento. Visualización.

¿Cuál de los siguientes es un ejemplo de modelo predictivo?. Identificar productos más vendidos. Agrupar usuarios por intereses. Resumir ventas mensuales. Predecir si una transacción será fraudulenta.

Completa: En el caso Edad → Estatura, el objetivo principal del modelo es: capturar la tendencia promedio. -----------.

Empareja cada algoritmo con su idea central. K -NN. Regresión logística. Árbol de decisión. Naive Bayes.

¿Para qué fue útil PCA en esta práctica? (Seleccione todas las correctas). Identificar outliers. Detectar agrupamientos. Reducir la complejidad visual. Predecir precios de viviendas. Reemplazar el dataset original.

Detectar fraude bancario usa: PCA. Clustering. Clasificación. Visualización.

En un contexto educativo, un falso negativo implica (seleccione todas las correctas): Un estudiante aprobado es clasificado como no aprobado. Posible desmotivación injustificada. Eliminación del error humano. Mejora del rendimiento académico.

La línea de código df[num_cols].describe() en Pandas sirve para generar un resumen estadístico descriptivo de las columnas numéricas (num_cols) seleccionadas dentro de un DataFrame (df). El valor count del resumen estadístico ¿Qué representa este valor?. El valor máximo. El promedio de compras. La cantidad de variables. El número de registros.

Un sistema de recomendación (p. ej., Netflix/Amazon) se apoya en técnicas de minería de datos para sugerir contenido. ¿Cuál opción describe mejor su lógica general?. No usa datos históricos; recomienda aleatoriamente. Solo reglas de asociación, porque no usa modelos supervisados. Combina clasificación y/o predicción sobre datos históricos para sugerir ítems. Solo clustering, porque siempre agrupa usuarios.

Predecir demanda de energía es: No supervisado. Supervisado. Asociación. Agrupamiento.

Netflix puede clasificar contenidos como “Recomendado” o “No recomendado” para un usuario específico, usando historial del usuario y de usuarios similares. Si la salida final es esa etiqueta binaria, ¿qué componente del sistema se parece más a un problema de: Predicción exclusivamente. Clasificación. Asociación exclusivamente. Clustering exclusivamente.

Decisiones paso a paso usan: Clustering. PCA. Árboles de decisión. Reglas de asociación.

En el proceso de minería de datos, ¿cuál es el rol principal del ser humano?. Almacenar los datos. Definir objetivos, interpretar resultados y tomar decisiones. Programar sensores. Ejecutar manualmente los algoritmos.

Completa: La regresión logística se utiliza cuando la variable objetivo representa una: decisión binaria. agrupación sin etiquetas.

¿Cuáles son beneficios de la visualización de datos?. Comprender patrones. Apoyar decisiones. Reemplazar algoritmos. Detectar valores atípicos.

¿Para qué sirve la matriz de confusión?. Identificar falsos positivos. Comparar valores reales y predichos. Analizar errores del modelo. Calcular promedios de variables. Identificar falsos negativos.

¿Qué ventaja tiene usar la línea de regresión para predecir estatura?. Permite obtener una estimación más estable que usar un solo dato puntual. Representa la tendencia general. Utiliza toda la información del conjunto de datos. Ignora la tendencia global de los datos. Garantiza una predicción exacta para cada persona.

Observe la gráfica de dispersión entre Altura y Peso. Seleccione las afirmaciones correctas: El modelo probablemente tendría errores de predicción debido a la dispersión observada. El peso depende únicamente de la altura. Todas las personas con la misma altura tienen exactamente el mismo peso. Existe una relación positiva entre la altura y el peso. La relación entre altura y peso es perfectamente lineal. A medida que aumenta la altura, el peso tiende a aumentar en promedio.

¿Por qué un falso negativo es especialmente peligroso en salud?. Porque reduce el costo computacional. Porque retrasa diagnóstico y tratamiento. Porque mejora la matriz de confusión. Porque aumenta el accuracy.

Identifique el tipo de problema predictivo descrito: Si el resultado a predecir es fraude / no fraude, el problema corresponde a: Regresión lineal. Clustering. Regresión logística. Visualización.

Un falso positivo ocurre cuando: El modelo predice negativo y es positivo. El modelo acierta negativo. El modelo predice positivo y es realmente negativo. El modelo acierta positivo.