Evaluación interactiva

Test

Jugadas 0

Crear copia

Sobre esta actividad

Pon a prueba tus conocimientos con este cuestionario elaborado a partir del contenido teórico sobre el Modelo Lineal Simple y Múltiple.

Creada por

Diego Jesús

Venezuela

Descarga la versión para jugar en papel

Top 10 resultados

Todavía no hay resultados para este juego. ¡Sé el primero en aparecer en el ranking! Inicia sesión para identificarte.

Crea tu propio juego gratis desde nuestro creador de juegos

Compite contra tus amigos para ver quien consigue la mejor puntuación en esta actividad

Crear reto

		%
	Anónimo	%
		%
		%

Imprime tu juego

Evaluación interactiva


Evaluación interactivaVersión en línea Pon a prueba tus conocimientos con este cuestionario elaborado a partir del contenido teórico sobre el Modelo Lineal Simple y Múltiple. por Diego Jesús 1 En el contexto de la inferencia estadística para modelos lineales, el Teorema de Gauss-Markov establece que, bajo ciertos supuestos, el estimador MCO (mínimos cuadrados ordinarios) es: a El mejor estimador lineal insesgado. b El estimador de máxima verosimilitud para cualquier distribución de los errores. c El estimador que minimiza el error cuadrático medio sin importar los supuestos. d Un estimador sesgado pero consistente para muestras grandes. 2 ¿Cuál de los siguientes no es un supuesto clásico del modelo de regresión lineal para la inferencia estadística? a Linealidad en los parámetros. b Homocedasticidad (varianza constante de los errores). c Normalidad de los errores (para muestras pequeñas). d Multicolinealidad perfecta entre las variables predictoras. 3 El coeficiente de determinación R² en un modelo de regresión lineal mide: a La correlación entre los residuos y la variable dependiente. b El nivel de significancia global del modelo. c La proporción de la variabilidad total de la variable dependiente explicada por el modelo d La magnitud promedio de los coeficientes estimados. 4 En el Modelo Lineal Simple (MLS), la estructura matemática que relaciona la variable dependiente (Y) con la independiente (X) se expresa como Y = β₀ + β₁X + u. ¿Qué representa el término "u" en esta ecuación? a El coeficiente de determinación del modelo. b La perturbación aleatoria o error estocástico. c La componente determinística o sistemática del modelo. d El valor esperado de Y condicionado a X. 5 En el MLS Normal, el estimador de la varianza de la perturbación aleatoria (σ²) está directamente vinculado con la distribución: a F de Snedecor. b t de Student. c χ² (Chi-cuadrado) de Pearson. d Normal estándar. 6 Un intervalo de confianza al 95% para un coeficiente βⱼ que NO contiene el valor cero implica que: a El coeficiente no es estadísticamente significativo al nivel del 5%. b El modelo presenta multicolinealidad. c El coeficiente es estadísticamente significativo al nivel del 5%. d La variable predictora debe ser eliminada del modelo. 7 El intervalo de predicción para una observación individual Y₀ es más amplio que el intervalo de confianza para la respuesta media E[Y\|X₀] porque: a Incorpora la variabilidad propia del error aleatorio (σ²). b Utiliza un nivel de confianza mayor. c Se basa en una muestra de menor tamaño. d No requiere el supuesto de normalidad. 8 La prueba t de Student para un coeficiente individual en un modelo de regresión múltiple evalúa la hipótesis nula de que: a El coeficiente es igual a cero (βⱼ = 0). b El coeficiente es igual a uno (βⱼ = 1). c La variable predictora no está correlacionada con las demás. d El error estándar del coeficiente es mínimo. 9 Para realizar inferencia estadística válida sobre los parámetros del MLS (β₀ y β₁), se requiere transicionar al: a Modelo Lineal Simple Normal. b Modelo de Mínimos Cuadrados Ordinarios. c Modelo de Máxima Verosimilitud. d Modelo de Análisis de Varianza. 10 ¿En qué se descompone la variabilidad total de Y? a Variabilidad explicada por el modelo y variabilidad residual b Variabilidad entre grupos y variabilidad dentro de los grupos. c Variabilidad de los coeficientes y variabilidad de los residuos. d Variabilidad de X y variabilidad de Y. Explicación 1 El Teorema de Gauss-Markov afirma que, si se cumplen los supuestos de linealidad, independencia, homocedasticidad y no correlación de los errores, el estimador MCO es el mejor estimador lineal insesgado (MELI). 2 La multicolinealidad perfecta (correlación exacta entre predictores) viola el supuesto de rango completo y hace que los parámetros no sean identificables. No es un supuesto deseado, sino un problema a evitar. 3 R² = 1 - (SCR / SCT), donde SCR es la suma de cuadrados de los residuos y SCT es la suma de cuadrados total. Indica qué porcentaje de la variación de Y es explicado por el modelo. 4 En el MLS, "u" es el término de error o perturbación aleatoria, que recoge todos los factores no observados que afectan a Y. Es un componente estocástico que permite que el modelo sea probabilístico. 5 En el modelo lineal normal, el estimador de σ² (la varianza del error) está relacionado con una distribución χ². Concretamente, SCR/σ² ~ χ²(n - k - 1), donde SCR es la suma de cuadrados de los residuos. 6 Si el intervalo de confianza para βⱼ no contiene el cero, entonces se rechaza H₀: βⱼ = 0 al nivel de significancia correspondiente (5%). Esto indica que la variable tiene un efecto significativo sobre Y. 7 El intervalo de predicción para una observación individual incluye tanto la incertidumbre en la estimación de la media como la variabilidad aleatoria intrínseca del error (σ²), mientras que el intervalo para la respuesta media solo considera la primera fuente de incertidumbre. Por eso el primero es más amplio. 8 La prueba t individual contrasta H₀: βⱼ = 0 frente a H₁: βⱼ ≠ 0. Si se rechaza H₀, se concluye que la variable Xⱼ tiene un efecto estadísticamente significativo sobre Y, controlando por las demás variables del modelo. 9 Para poder realizar inferencia estadística válida sobre los parámetros del modelo (β0 y β1), se requiere transicional al Modelo Lineal Simple Normal. 10 A partir de la descomposición de variabilidad total de la variable dependiente Y, en la variabilidad explicada por el propio modelo de regresión y la variabilidad residual, se utiliza la distribución F de Snedecor para contrastar globalmente la validez de la regresión

Puedes integrar el juego en un LMS compatible con LTI 1.1 o LTI 1.3 como Canvas, Moodle, o Blackboard. De esta manera podrás guardar las puntuaciones automáticamente en el libro de calificaciones de esa plataforma.

Evaluación interactiva

Test

Sobre esta actividad

Creada por

Descarga la versión para jugar en papel

Top juegos

Test

Tipos de sintagmas (II)

Test

Cultura general española

Test

Brawl stars preguntas

Test

Verbos irregulares en Inglés

Test

cuanto sabes de Futbol

Evaluación interactivaVersión en línea

por Diego Jesús

En el contexto de la inferencia estadística para modelos lineales, el Teorema de Gauss-Markov establece que, bajo ciertos supuestos, el estimador MCO (mínimos cuadrados ordinarios) es:

¿Cuál de los siguientes no es un supuesto clásico del modelo de regresión lineal para la inferencia estadística?

El coeficiente de determinación R² en un modelo de regresión lineal mide:

En el Modelo Lineal Simple (MLS), la estructura matemática que relaciona la variable dependiente (Y) con la independiente (X) se expresa como Y = β₀ + β₁X + u. ¿Qué representa el término "u" en esta ecuación?

En el MLS Normal, el estimador de la varianza de la perturbación aleatoria (σ²) está directamente vinculado con la distribución:

Un intervalo de confianza al 95% para un coeficiente βⱼ que NO contiene el valor cero implica que:

El intervalo de predicción para una observación individual Y₀ es más amplio que el intervalo de confianza para la respuesta media E[Y|X₀] porque:

La prueba t de Student para un coeficiente individual en un modelo de regresión múltiple evalúa la hipótesis nula de que:

Para realizar inferencia estadística válida sobre los parámetros del MLS (β₀ y β₁), se requiere transicionar al:

¿En qué se descompone la variabilidad total de Y?

Explicación