s i e 2

Question 1

1. Para describir la asociación de dos variables cuantitativas en un estudio de casos y controles se usa:
   a) El coeficiente de correlación de Pearson.
   b) El coeficiente de correlación de Spearman.
   c) La distancia Chi-cuadrado o el riesgo relativo.
   d) La distancia Chi-cuadrado o la Odds ratio.

Answer 1

a) El coeficiente de correlación de Pearson.

Question 2

2. El riesgo relativo y la Odds ratio de una tabla de contingencia son casi idénticos:
   a) Siempre.
   b) Nunca.
   c) Cuando el suceso que se analiza es muy poco frecuente.
   d) Cuando el suceso que se analiza es muy frecuente.

Answer 2

c) Cuando el suceso que se analiza es muy poco frecuente.

Question 3

3. En los modelos de regresión lineal simple el efecto de la variable independiente sobre la variable respuesta se estima calculando:
   a) El riesgo relativo
   b) La Odds ratio
   c) La distancia Chi-cuadrado
   d) La pendiente

Answer 3

d) La pendiente

Question 4

4. Los modelos de regresión lineal múltiple:
   a) Estiman el efecto de cada una de las variables explicativas de forma independiente.
   b) Analizan solo variables explicativas cualitativas.
   c) Analizan solo variables explicativas cuantitativas.
   d) Identifican las variables explicativas estadísticamente significativas, pero no cuantifican su efecto real.

Answer 4

a) Estiman el efecto de cada una de las variables explicativas de forma independiente.

Question 5

5. El valor p (nivel de significación) se puede interpretar como:
   a) La probabilidad a posteriori de que la hipótesis nula sea cierta.
   b) La probabilidad a posteriori de que la hipótesis nula no sea cierta.
   c) La probabilidad a posteriori de equivocarte si aceptamos la hipótesis nula es cierta.
   d) El error alfa.

Answer 5

a) La probabilidad a posteriori de que la hipótesis nula sea cierta.

Question 6

6. En los modelos de regresión múltiple, la intensidad, la relación entre la variable respuesta y el factor explicativo es:
   a) Siempre idéntica que la estimada en el análisis bivariante.
   b) Siempre es diferente a la estimada en el análisis bivariante.
   c) Es diferente a la estimada en análisis bivariante si existe interacción o confusión con otros factores de riesgo.
   d) Solo es idéntica a la estimada en el análisis bivariante si existe interacción o confusión con otros.

Answer 6

c) Es diferente a la estimada en análisis bivariante si existe interacción o confusión con otros factores de riesgo.

Question 7

7. Las condiciones de aplicación de una prueba estadística para decidir en un contraste de hipótesis:
   a) Se deben cumplir para poder calcular correctamente el valor p.
   b) Solo se deben cumplir si aceptamos la hipótesis nula.
   c) Solo se deben cumplir si aceptamos la hipótesis alternativa.
   d) Se deben cumplir para poder calcular el error beta.

Answer 7

a) Se deben cumplir para poder calcular correctamente el valor p.

Question 8

8. La interferencia estadística nos permite:
   a) Crear sin error leyes universales a partir de resultados obtenidos con muestras finitas.
   b) Crear, con un error muy pequeño, leyes universales a partir de resultados obtenidos con leyes finitas.
   c) Analizar censos y describir poblaciones.
   d) Representar gráficamente los resultados de los análisis estadísticos.

Answer 8

b) Crear, con un error muy pequeño, leyes universales a partir de resultados obtenidos con leyes finitas.

Question 9

9. En los modelos de análisis de la varianza con un error del 5%, la comparación múltiple de k medias se realiza aplicando la corrección de Bonferroni y con error alfa de cada comparación es:
   a) 0,05/k
   b) 0,05*k
   c) 0,05
   d) Desconocido y próximo a 0

Answer 9

a) 0,05/k

Question 10

10. En los modelos estadísticos, el error que asumimos cuando estimamos los valores de la variable respuesta para cada individuo ha de ser una variable aleatoria con distribución:
    a) Normal
    b) Binomial
    c) Desconocida
    d) De la misma familia que la variable dependiente

Answer 10

a) Normal

Question 11

11. Existe interacción entre dos variables explicativas de un modelo si:
    a) Las dos presentan efectos fijos únicos.
    b) Una de ellas presenta efectos diferentes para cada nivel (o valor) de la otra variable.
    c) Una es estadísticamente significativa y la otra no.
    d) Ninguna de las dos presenta efectos fijos.

Answer 11

b) Una de ellas presenta efectos diferentes para cada nivel (o valor) de la otra variable.

Question 12

12. Para evaluar si una variable sigue un modelo de distribución de probabilidad normal se usa:
    a) Prueba Chi-cuadrado
    b) Prueba t de Student
    c) Prueba F razón de varianzas
    d) QQ-plot

Answer 12

d) QQ-plot

Question 13

13. Un modelo de regresión lineal presenta una R cuadrado corregida de 0,72. Esto se interpreta como:
    a) El error recoge el 72% de la variabilidad de la variable dependiente.
    b) El modelo explica el 28% de la variabilidad de la variable dependiente.
    c) El error recoge el 28% de la variabilidad de la variable dependiente.
    d) La variable dependiente se explica con el 72% de los factores estudiados.

Answer 13

d) La variable dependiente se explica con el 72% de los factores estudiados.

Question 14

14. La homocedasticidad de los errores de un modelo lineal implica que la varianza de los residuos:
    a) Sigue un modelo de distribución normal.
    b) Que su varianza es constante y no varía en los diferentes niveles de factor.
    c) Que su varianza es 0.
    d) Que su media es 0 y su varianza muy pequeña.

Answer 14

b) Que su varianza es constante y no varía en los diferentes niveles de factor.

Question 15

15. En los diseños no experimentales y no randomizados se entiende por efecto bruto de los factores explicativos a las estimaciones realizadas usando:
    a) Modelos estadísticos que incluyen todos los factores y variables explicativas.
    b) Modelos estadísticos que incluyan solo un factor estudiado o variable.
    c) Riesgos relativos estratificados por una tercera variable.
    d) Todas las propuestas.

Answer 15

a) Modelos estadísticos que incluyen todos los factores y variables explicativas.

Question 16

16. Una estimación con un intervalo de confianza del 95% se interpreta como:
    a) El intervalo de valores que puede tomar el parámetro estimado con una probabilidad del 95%.
    b) El intervalo de valores que puede tomar el parámetro estimado con un error del 5%.
    c) La probabilidad de que el intervalo contenga el valor del parámetro del 95%.
    d) La probabilidad de error de que la estimación puntual sea cierta es del 5%.

Answer 16

b) El intervalo de valores que puede tomar el parámetro estimado con un error del 5%.

Question 17

17. Para evaluar la cantidad de ajuste de un modelo a unos datos empíricos usamos:
    a) El valor p
    b) El coeficiente de determinación (R2)
    c) El análisis de residuos
    d) El coeficiente de determinación y el análisis de residuos

Answer 17

c) El análisis de residuos

Question 18

18. En un análisis de varianza de 3 grupos, las comparaciones múltiples de pares de medias de acuerdo con la corrección de Bonferroni se realizan con un riesgo alfa de:
    a) 0,05
    b) 0,01
    c) 0,016
    d) 0,008

Answer 18

c) 0,016

Question 19

19. Para evaluar la homocedasticidad de un modelo lineal se usa:
    a) QQ-plot
    b) La gráfica de dispersión entre la variable dependiente Y y los residuos
    c) El histograma de la variable dependiente
    d) La significación estadística de los parámetros del modelo

Answer 19

b) La gráfica de dispersión entre la variable dependiente Y y los residuos

Question 20

20. Cuando introducimos una segunda variable independiente en una regresión y se modifica el efecto de la primera, entendemos que:
    a) Había efecto confusión y se ha corregido.
    b) Había efecto confusión y no se ha corregido.
    c) Había efecto intersección y se ha corregido.
    d) Había efecto intersección y no se ha corregido.

Answer 20

a) Había efecto confusión y se ha corregido.

Question 21

21. Los modelos de análisis de varianza (ANOVA) permiten analizar la dependencia de una variable cuantitativa con:
    a) Solo una cuantitativa
    b) Una o varias cuantitativas
    c) Una o varias cualitativas
    d) Solo una cualitativa

Answer 21

c) Una o varias cualitativas

Question 22

22. Un modelo de análisis de varianza (ANOVA) presenta una p= 0,055. ¿Cuál de las afirmaciones es cierta?
    a) Acepto hipótesis alternativa con error alfa.
    b) No hay evidencias para rechazar la hipótesis nula.
    c) Rechazo hipótesis alternativa con error beta.
    d) Acepto hipótesis nula con error alfa.

Answer 22

b) No hay evidencias para rechazar la hipótesis nula.

Question 23

23. En los modelos de análisis de la varianza (ANOVA) de un factor se estima:
    a) Solo la varianza residual.
    b) La varianza intra grupo y la varianza residual.
    c) c) La varianza entre grupos y la varianza residual.
    d) Solo la varianza entre grupos.

Answer 23

c) c) La varianza entre grupos y la varianza residual.

Question 24

24. los modelos de regresión lineal se pueden usar si:
    a) Hay heterocedasticidad.
    b) Los residuos no son normales.
    c) Las observaciones no son independientes.
    d) Las observaciones son independientes, hay homocedasticidad y los residuos siguen una Normal (0,sigma).

Answer 24

d) Las observaciones son independientes, hay homocedasticidad y los residuos siguen una Normal (0,sigma).

Question 25

25. En un modelo estadístico si dos variables interaccionan:
    a) Los efectos de una de ellas están condicionados por los valores de la otra.
    b) Los efectos brutos y corregidos de ambas variables no varían.
    c) Se debe eliminar una de ellas del modelo.
    d) Los efectos de las dos son independientes.

Answer 25

a) Los efectos de una de ellas están condicionados por los valores de la otra.

Question 26

26. Se desea evaluar si existe relación entre el tiempo de enfriamiento (minutos) de un plato precocinado y su contaminación alimentaria (Si/No). Para ello se utilizará:
    a) Regresión lineal.
    b) Correlación r de Pearson.
    c) Chi-cuadrado.
    d) Comparación de medias.

Answer 26

d) Comparación de medias.