ASIGNATURA: AMPLIACION DE ESTADISTICA

Titulación: Grado en Tecnologı́as Industriales

Curso Académico: 2013/2014

PRUEBA ESCRITA 2. 25 Mayo 2015

Examen tipo A

Nombre:

TABLA DE RESPUESTAS

1 2 3 4 5 6 7 8 9 10

11 12 13 14 15 16 17 18 19 20

21 22 23 24 25 26 27 28 29 30

1. En un estudio para relacionar el consumo de electricidad con los dı́as de

la semana, se tomaron datos para un dı́a donde hubo huelga en el sector
industrial.
(a) El dato correspondiente a ese dı́a será un dato atı́pico.
(b) El dato correspondiente a ese dı́a será una observación influyente.
(c) Los residuos dejarán de seguir una distribución normal debido a este
hecho.
(d) La hipótesis de independencia no se cumplirá debido a este hecho.

1
2. Se pretende analizar una serie temporal mediante el método clásico. La
serie presenta datos horarios tomados cada diez minutos. Los datos de las
2 primeras horas se presentan en la siguiente tabla:

Hora 1 35 43 45 44 48 51
Hora 2 41 44 45 49 51 52

El valor de T̂t (7) vale:

(a) No se puede calcular.
(b) 45.8.
(c) 46.
(d) 45.92.
3. ¿Cuál de los siguientes gráficos de residuos no se usa en el análisis de
regresión lineal múltiple?
(a) Residuos frente a valores ajustados.
(b) Gráfico Q-Q.
(c) Residuos en orden cronológico.
(d) Residuos frente a observaciones.
4. En un modelo de regresión lineal múltiple se ha calculado SSE = 2. Las
observaciones, y, son y = (1, 2, 3, 4, 5).
(a) No es posible calcular SSR
(b) R2 = 0.25.
(c) R2 = 0.8.
(d) Los grados de libertad de SSR son mayores que los grados de li-
bertad de SSE

2
5. Al analizar una serie temporal se ha encontrado el siguiente gráfico de
desviaciones tı́picas frente a medias.

10
8
6
y2

4
2
0

2 4 6 8 10

(a) La serie sigue un esquema multiplicativo.

(b) La serie sigue un esquema aditivo.
(c) La serie sigue un esquema mixto.
(d) No es posible que el gráfico de desviaciones tı́picas frente a medias
presente una relación negativa.
6. Para una serie temporal con estacionalidad que sigue un esquema aditivo, se
puede aproximar la componente tendencia ciclo por un modelo cuadrático:
T̂t = 2.5 + 0.38 · t + 1.5 · 10−3 · t2 . Los datos son anuales y se toman por
semestres, siendo Ê1 = 1.21 y Ê2 = 1.87. Si se han tomado datos durante
10 años y la variable t es una variable discreta secuencial t = 1, 2, . . ., se
pide la predicción para los dos semestres del año 11.
(a) 12.35 y 13.46.
(b) 11.14 y 11.59.
(c) 13.48 y 21.67.
(d) No se pueden calcular porque necesitarı́amos conocer valores ini-
ciales para las componentes estacionales.

3
7. La dependencia de una variable y respecto de otra x puede modelizarse
como y = β1 · x + β2 · x2 + β3 · x3 . Se quiere plantear si x1 y x3 tienen
influencia nula sobre y de forma simultánea, es decir, nos planteamos:

H0 : β1 = β3 = 0
H1 : Algún βi 6= 0, i = 1, 3
Se han registrado las siguientes observaciones en la toma de datos:

y = (5.75, 4.79, 5.44, 9.09, 8.59, 5.09)

Por otro lado, los valores ajustados para el modelo completo, y el modelo
reducido son, respectivamente:

y1 = (5.29, 5.29, 5.38, 8.84, 8.84, 5.10)

y0 = (6.21, 6.21, 5.87, 8.26, 8.26, 3.91)

El estadı́stico F para el contraste de hipótesis anterior vale:

(a) 10.22.
(b) 4.54.
(c) 43.47.
(d) 1.39.
8. En un modelo de regresión lineal múltiple, conocemos la siguiente matriz.
!
0 −1 0.25 0.01
(X X) =
0.034 0.12

(a) Puede tratarse de un modelo de regresión lineal simple.

(b) Puede tratarse de un modelo con dos regresores sin término inde-
pendiente.
(c) No hay datos suficientes para contestar.
(d) Hay más de una respuesta correcta.

4
 9. ¿Cómo podemos “ajustar” el R2 ajustado a partir del coeficiente de deter-
minación R2 ?
(a) Con el tamaño muestral.
(b) Con el número de regresores.
(c) Con el tamaño muestral y el número de regresores.
(d) Ninguna de las anteriores.
10. En la prueba de significación de un modelo de regresión lineal múltiple
con 2 regresores y 8 observaciones, el valor del estadı́stico muestral de la
prueba F vale 4.5. El intervalor para el p-valor de la prueba es:
(a) p-valor > 0.1.
(b) p-valor < 0.01.
(c) p-valor ∈ [0.05 − 0.1].
(d) p-valor ∈ [0.025 − 0.05].
11. En regresión lineal múltiple, el intervalo de confianza para la respuesta
promedio:
(a) Es siempre más ancho que el intervalo de confianza para la
predicción.
(b) Es siempre más estrecho que el intervalo de confianza para la
predicción.
(c) Puede ser más ancho o más estrecho. Depende de los datos del
problema.
(d) Nos indica, si contiene al cero, si la predicción es no significativa.
12. Si una variable cualitativa tiene 4 categorı́as, ¿cuántas variables indicadoras
se deben crear en un análisis de regresión?
(a) 3.
(b) 4.
(c) 5.
(d) 6.

5
13. Se ha formulado un modelo de regresión lineal múltiple con dos regresores,
y = β0 + β1 · x1 + β2 · x2 , a partir de 10 observaciones, obtenidas de realizar
2 medidas para cada conjunto de [x1 , x2 ] considerado. La estimación de la
varianza del modelo es σ̂ 2 = 5. ¿Cuánto valdrá la estimación de la varianza
del modelo ANOVA de la prueba de falta de ajuste?
(a) No se puede calcular. Faltan datos.
(b) 2.8.
(c) 7.
(d) 14.
14. La colinealidad puede provocar
(a) Cambios de signo en los coeficientes de regresión.
(b) Errores en la interpretación de la influencia de las variables regre-
soras en la variable independiente.
(c) Una disminución del valor del estadı́stico F en la prueba de signifi-
cación.
(d) Hay más de una repuesta correcta.
15. Se pretenden analizar las ventas de un determinado producto, y (en miles
de euros) en función de la cantidad de habitantes de las poblaciones donde
se venden, x1 (en miles) y del tipo de población, x2 (0=urbana, 1=rural).
El análisis de regresión proporciona los siguientes resultados: ŷ = 1.7 +
0.04 · x1 − 1.57 · x2 . Para dos ventas en áreas con la misma poblaión,
siendo una rural y la otra urbana, el modelo predice:
(a) 1570 euros más de ventas en el área rural.
(b) Las mismas ventas en ambas áreas.
(c) 1570 euros menos de ventas en el área rural.
(d) 1700 euros más de ventas en el área urbana.

6
16. Un método apropiado para identificar colinealidad en un modelo de re-
gresión es:
(a) Examinar un gráfico de residuos.
(b) Examinar la tabla ANOVA del test de significación.
(c) Examinar la matriz de correlaciones.
(d) Examinar el coeficiente de determinación, R2 .
17. La estimación puntual para la predicción en un modelo de regresión lineal
múltiple es ŷ|x0 = 10. Se conoce el extremo superior del intervalo de
confianza al 95% para la predicción, que vale 12. El extremo inferior del
intervalo de confianza al 90% será:
(a) 8.
(b) -12.
(c) 9.
(d) 7.
5
βi · xi .
P
18. Para un modelo lineal con cinco regresores tenemos: y = β0 +
i=1
Los p-valores para los contrastes individuales de los coeficientes del modelo
son, en este orden: (0.048, 0.208, 0.307, 0.019, 0.066, 0.016). Para un nivel
de confianza del 95% podemos decir.
(a) Todas las variables regresoras son significativas.
(b) Dos variables regresoras son significativas.
(c) Tres variables regresoras son significativas.
(d) Faltan datos para poder constestar.

7
19. En un modelo de regresión lineal múltiple con 2 regresores y 10 obser-
vaciones, conocemos los valores ajustados, ası́ como los valores de las
variables regresoras:

Observación 1 2 3 4 5 6 7 8 9 10
x1 0 1 0 1 2 0 2 1 2 3
x2 0 0 1 1 0 2 1 2 2 1
ŷ 1 0 3 2 -1 5 1 4 3 0

(a) β0 = −1, β1 = 1, β2 = −2.

(b) β0 = 1, β1 = −1, β2 = 2.
(c) No hay datos suficientes para contestar pues necesitamos conocer
el valor de las observaciones, no de los valores ajustados.
(d) No hay ninguna respuesta correcta.
20. Tras analizar una serie temporal y calcular los residuos, obtenemos que la
raı́z cuadrada del error cuadrático medio tiene un valor de 0.97.
(a) El ajuste es muy bueno.
(b) Hay que comparar el mismo número con el obtenido con otros
modelos para elegir cuál es el mejor.
(c) No es posible que ese número tenga un valor inferior a 1.
(d) La serie sigue un esquema aditivo.
21. El factor de varianza inflada:
(a) Nos proporciona un intervalo de confianza para la varianza del mod-
elo.
(b) Se usa en la prueba de falta de ajuste cuando tenemos varios valores
de y para el mismo valor de xi .
(c) Nos indicará si el modelo debe ser reformulado considerando menos
variables regresoras.
(d) Es el complemento de R2 en la selección de modelos.

8
22. Al realizar una prueba de falta de ajuste a un modelo de regresión lineal
múltiple, obtenemos un p-valor=0.0001.
(a) El modelo proporciona un mal ajuste.
(b) El modelo propuesto no es adecuado.
(c) Algún βi 6= 0 para i = 1, 2 . . . , k.
(d) Según el principio de parsimonia, habrı́a que eliminar alguna variable
regresora, xi del modelo.
23. Para la siguiente serie temporal de datos cuatrimestrales tomados desde
2010

Xt : 85, 64, 41, 87, 62, 39, 92, 65, 44

calcular el ı́ndice de variación estacional correspondiente al primer cu-
atrimestre si la serie sigue un esquema aditivo.
(a) 25.06.
(b) -0.78.
(c) 1.39.
(d) 0.99.
24. ¿Cuál de los siguientes métodos de selección de modelos en regresión li-
neal múltiple añade variables al modelo una a una pero no re-evalúa la
contribución de una variable que entró previamente?
(a) Eliminación hacia atrás.
(b) Selección por pasos adelante/atrás.
(c) Selección por pasos adelante.
(d) Enumeración completa de modelos.