Crear
Descargar
Obtener Plan Académico
Compartir juego
Intégralo en tu plataforma

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.
Descargar
Has superado el número máximo de juegos que puedes integrar en Google Classroom con tu Plan actual.

Para integrar tantos juegos como quieras en Google Classroom, necesitas un Plan Académico o un Plan Comercial.

Has superado el número máximo de juegos que puedes integrar en Microsoft Teams con tu Plan actual.

Para integrar tantos juegos como quieras en Microsoft Teams, necesitas un Plan Académico o un Plan Comercial.

La descarga de juegos es una característica exclusiva para usuarios con un Plan Académico o un Plan Comercial.

Obtén ahora tu Plan Académico o Comercial y comienza a integrar tus juegos en tu LMS, web o blog.

Si lo deseas, puedes descargar un juego de prueba aquí y probar su integración:

Análisis multivariado aplicado: regresión múltiple, componentes principales y agrupamiento.

Sí o No

Jugadas 0

Sobre esta actividad

Sentencias sobre análisis multivariado.

Creada por

Colombia

Descarga la versión para jugar en papel

Crea tu propio juego gratis desde nuestro creador de juegos
Compite contra tus amigos para ver quien consigue la mejor puntuación en esta actividad

Top juegos

%
Anónimo
Anónimo
%
%
%
Has superado el número máximo de juegos que puedes imprimir con tu Plan actual.

Para imprimir tantos juegos como quieras, necesitas un Plan Académico o un Plan Comercial.

Imprime tu juego
Análisis multivariado aplicado: regresión múltiple, componentes principales y agrupamiento.
 

Análisis multivariado aplicado: regresión múltiple, componentes principales y agrupamiento.Versión en línea

Sentencias sobre análisis multivariado.

por Universidad FUCS
1

La regresión múltiple modela la relación entre una variable dependiente y varios predictores.

2

La regresión múltiple asume que los predictores no están correlacionados entre sí.

3

El clustering jerárquico requiere especificar el número exacto de clusters al inicio.

4

El algoritmo k-means asigna cada observación al grupo cuyo centroide está más cercano.

5

El PCA garantiza que las dos primeras componentes explican siempre más del 90% de la varianza.

6

El PCA sintetiza grandes conjuntos de variables en componentes que capturan la mayor parte de la variabilidad de los datos.

7

La inercia dentro del cluster no tiene relación con la coherencia de los grupos.

8

La multicolinealidad puede afectar la estabilidad de los coeficientes estimados en regresión.

9

El índice de inflación de la varianza (VIF) mide la variabilidad de la variable dependiente.

10

Después de obtener clusters, se pueden evaluar su calidad usando métricas como la inercia y el coeficiente de silueta.

¿Estás seguro que quieres abandonar la página?

Al abandonar la página perderás el progreso del juego.