Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
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
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
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:
Por otro lado, los valores ajustados para el modelo completo, y el modelo
reducido son, respectivamente:
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
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