Repaso final

Si tuviéramos que crear en R una función que realizara una serie de operaciones sobre una lista, ¿qué partícula usaríamos?

• “if”, ya que hay que bifurcar entre varias opciones disponibles en la lista.

• “else”, ya que es lo que hay que hacer como alternativa a una primera premisa

• “for”, ya que hay que recorrer la lista realizando una operación en cada elemento

• “library”, ya que hay que cargar la librería específica que hace operaciones en listas

¿Qué diferencia hay entre un histograma y un gráfico de barras?

• El histograma se representa en colores distintos y el gráfico de barras no.

• No hay diferencias, son el mismo tipo de gráficas.

• El gráfico de barras se representa horizontalmente y el histograma es vertical.

• El gráfico de barras representa una variable numérica respecto a categorías y el histograma representa la distribución de densidad de una única variable numérica.

En un gráfico de caja o boxplot, ¿qué representan los puntos fuera de los márgenes de la caja?

• Son los valores atípicos, valores numéricos extremos que están fuera del rango común de la variable.

• Son los valores faltantes, indica que se espera que las posiciones que no se conocen tomen ese valor.

• Son marcas del rango máximo y mínimo de la variable, indicadas por los valores más importantes de los datos.

• Son embellecedores de la gráfica para que visualmente entendamos mejor el rango de la variable.

La probabilidad de tener una enfermedad es de 0.7. Si tenemos a 20 personas en un hospital, ¿qué distribución sigue la variable “número de personas enfermas en el hospital”?

• Discreta, porque toma valores separados.

• Exponencial, porque toma valores positivos y en un rango continuo.

• Normal, porque tiene un centro y se disipa rápidamente alrededor.

• Binomial, porque cuenta la cantidad de éxitos de un suceso con una probabilidad fijada de éxito.

La variable “vida útil de una máquina cosechadora (en horas)” sigue una distribución:

• Bernouilli, porque es éxito o fracaso.

• Exponencial, porque toma valores positivos y en un rango continuo.

• Uniforme discreta, ya que toma ciertos valores separados en un rango finito.

• Poisson, ya que cuenta el número de horas hasta estropearse.

En un contraste de hipótesis, la opción conservadora es la hipótesis nula. ¿Qué representa el p-valor?

• El grado de verosimilitud de que sucedan los eventos empíricos bajo la hipótesis nula. Si es mayor que 0.05, se rechaza la hipótesis nula.

• El grado de verosimilitud de que sucedan los eventos empíricos bajo la hipótesis alternativa. Si es mayor que 0.05, se rechaza la hipótesis nula.

• El grado de verosimilitud de que sucedan los eventos empíricos bajo la hipótesis nula. Si es menor que 0.05, se rechaza la hipótesis nula.

• Ninguna de las respuestas anteriores es correcta.

Si poseemos un modelo de regresión logística que realiza diagnósticos de tumores malignos y benignos a pacientes y no queremos diagnosticar como sano a ningún enfermo, ¿qué métrica debemos optimizar?

• Precission, ya que minimiza los falsos positivos.

• Recall, ya que minimiza los falsos negativos.

• Accuracy, ya que representa la agregación del rendimiento del modelo.

• F1-score, ya que representa la ponderación de ambas métricas.

En estadística, bajo dos hipótesis o modelos que arrojan resultados similares seleccionamos:

• La más simple siempre.

• La más compleja siempre.

• La que tiene menos sesgo, ya que ajusta mejor los datos.

• La que tiene un equilibrio mejor entre sesgo y varianza, ya que generalizará mejor.

Si realizas faceting sobre un histograma en base a tres variables discretas con 2, 3 y 5 valores cada una, ¿cuántos histogramas obtendrás como resultado?

• 10 histogramas, uno por cada combinación de los valores discretos de las variables por las que se factoriza

• 30 histogramas, uno por cada combinación de los valores discretos de las variables por las que se factoriza

• 2, 3 o 5, dependiendo en qué variable por las que se factoriza es más predictiva.

• Solo uno, el original, solo que se dará información por colores de las variables por las que se factoriza.

¿Cuándo es recomendable estudiar la normalidad de los residuos?

• Siempre, en caso de que no sigan una normalidad, podrá indicar que los residuos siguen un sesgo hacia valores altos o bajos.

• Solo si el test de Shapiro-Wilk indica normalidad.

• No es necesario, con los tests no paramétricos podemos hacernos una idea.

• No es necesario, con los tests paramétricos podemos hacernos una idea.