lOMoARcPSD|2965507

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.
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.
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
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.
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.
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.
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.

Downloaded by Dana Dana ([email protected])

 lOMoARcPSD|2965507

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.
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
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
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.
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
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.
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.
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.
Downloaded by Dana Dana ([email protected])
 lOMoARcPSD|2965507

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%.
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
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
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
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.
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
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.
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) La varianza entre grupos y la varianza residual.
d) Solo la varianza entre grupos.
Downloaded by Dana Dana ([email protected])
 lOMoARcPSD|2965507

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).
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.
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.

Downloaded by Dana Dana ([email protected])

 lOMoARcPSD|2965507

1. Las condiciones de aplicación de un modelo ANOVA en un diseño con observaciones

independientes son:
A) Únicamente homocedas?cidad.
B) Normalidad de los residuos y homocedas?cidad
C) Un numero de individuos per tratamiento mayor a 30
D) Únicamente normalidad de los residuos

2. Cuando realizaremos comparaciones a posteriori o post-hoc después de realizar una

ANOVA?
a) Siempre
b) Cuando rechazamos la hipótesis nula de igualdad de varianzas
c) Cuando aceptamos la hipótesis nula de igualdad de medias
d) Cuando rechazamos la hipótesis nula de igualdad de medias.

3. Cuando aplicamos corrección de Bonferroni en una comparación posteriori.

a) Se incrementa el error alfa o el nivel de signiOcación
b) La media de la muestra se reduce
c) El signiOcado incrementa en función de los niveles del factor.
d) El nivel de signiOcación se reduce en función del número de comparaciones a
realizar.

4. Indica que aOrmación es FALSA

a) Para u?lizar estadís?co de la t-studen tenemos que contrastar la homogeneidades
de las varianzas poblacionales entre los grupos
b) El estadís?co de la t-studen se puede u?lizar para comparar medias en mas de dos
grupos
c) El estadís?co de la t-studen es diferente si no existe homogeneidad de varianzas
d) Para u?lizar ll estadís?co de la t-Studen. La variable estudiada tuene que seguir una
distribución normal o el tamaño de la muestra dene ser mayor a 30.

5. Los modelos de regresión lineal generales solo se pueden aplicar si:

a) El coeOciente de determinación es 1
b) La variancia residual es cero
c) El coeOciente de determinación es 0
d) La variable dependiente y los residuos siguen un modelo normal (Gausiano)

6. En los modelos de regresión lineal múl?ple, la homocedas?cidad se evalúa mediante:

a) El diagrama de caja y bigotes de los residuos
b) El graOco de residuos y valores predichos por el modelo
c) El histograma de los valores predichos por el modelo.
d) El diagrama de cuar?les de los residuos.

Downloaded by Dana Dana ([email protected])

 lOMoARcPSD|2965507

7. En un modelo de regresión logís?ca, cual de las siguientes aOrmaciones sobre el

coeOciente de una variable es FALSA:
a) Si hay relación signiOca?va entre la variable explica?va i la respuesta, el intervalo
de conOanza de la exponencial del coeOciente incluiría el 0.
b) Si el coeOciente es signiOca?vamente diferente de 0, indica que hay relación entre
la variable explica?va y la respuesta (outcome).
c) El exponencial del coeOciente es la ODDS RATIO
d) SI hay relación signiOca?va entre la variable explicada y la respuesta, el intervalo de
conOanza del coeOciente de regresión incluirá el 0.

8. En un modelo de regresión lineal múl?ple, el coeOciente de regresión de una variable

explica?va se interpreta como:
a) El efecto de la variable explica?va cuando las otras variables explica?vas toman el
valor de 0.
b) El efecto de la variable explica?va ajustado o controlado por las otras variables
explica?vas.
c) El efecto de la variable explica?va independientemente de las otras variables
explica?vas.
d) El efecto de la variable respuesta sobre las variables explica?vas.

9. En un diseño de dos factores, la tabla completa de la descomposición de la varianza

contendrá los siguientes elementos¿
a) La suma de cuadrados de la interacción de los dos factores y la de los residuos.
b) La suma de cuadrados de los factores principales a y B, la de su interacción u la de
los residuos.
c) La suma de cuadrados de los factores principales a y B y de su interacción.
d) La suma de cuadrados de los factores principales a y B

10. Si queremos evaluar el efecto de la magnitud de una exposición sobre una variable
respuesta cuan?ta?va en presencia de variables confusoras y variables modiOcadores
del efecto, u?lizare:
a) Regresión logís?ca múl?ple
b) Test t-student
c) Regresión lineal múl?ple.
d) Test ANOVA de un factor.
11. Si disponemos de dos modelos para explicar la variabilidad de una variable
dependiente Y, el que tenga mayor coeOciente de determinación (R Cuadrado)
a) Sera el modelo que peor explique Y
b) Sera el que la varianza residual sea nega?va
c) Sera el que la varianza residual sea menor.
d) Sera el que la varianza residual sea mayor.
12. Queremos modela la variable “presencia y ausencia de enferemedad”. Para ellos
debemos u?lizar?
a) Modelo ANOVA
b) Modelo regresión lineal mul?ple

Downloaded by Dana Dana ([email protected])

 lOMoARcPSD|2965507

c) Ninguno modelo anterior

d) Modelo regresión logís?ca
13. Para iden?Ocar posibles valores extremos de la variable dependiente Y usaremos:
a) Diagrama de barras
b) Histograma
c) Diagrama de cajas y bigotes.
d) GraOco de cuar?les
14. Si en una regresión lineal, incorporemos una variable cualita?va con tres catergorias,
cuantos coeOcientes de regresión obtendremos en esta variable¿
a)4
b) 2
c) 1
D)3
15. En los modelos de regresión logís?ca el efecto de las variables independientes se
interpreta como:
a) Odds ra?o
b) Probabilidades
c) diferencia de medias
d) Pendientes

16. Si existe una relación indirecta entre dos variables.

a) la covarianza será posi?va
b) Alguna de las variancias de variables será nega?va
c) El coeOciente de correlación de PAerson presentara un valor inferior a 0.
d) El coeOciente de determinación será nega?vo

17. Se realiza una regresión lineal simple entre dos variables cuan?ta?vas. Si obtenemos
un coeOciente de regresión de la variable explica?va nega?vo, indica cual de las
siguientes aOrmaciones es CIERTA.
a) la coordenada en el origen será nega?va
b) El coeOciente de correlación entre las dos variables será nega?vo.
c) Con los datos disponibles podemos aOrmar que la variable explicada presenta
asociación estadís?camente signiOca?va
d) indica que cuando incrementemos una unidad la variable explica?va la variable
respuesta incrementa,
18. Se calcula el Odds Ra?o de un factor respecto una enfermedad, se ob?ene un valor
inferior de 1.
a) el factor explica signiOca?vamente estadís?co la enfermedad
b) El factor es protector de la enfermedad
c) el factor es de riesgo de la enfermedad.
d) el factor no inluye en la enfermedad.
19. Si en una tabla anova la interacción entre dos factores es estadís?camente signiOca?va.
a) El efecto de un factor es igual en función de los niveles del otro factor.
b) La variabilidad asociada a la interacción será superior a la variabilidad total
c) EL efecto de un factor es diferente en función de los niveles del otro factor.

Downloaded by Dana Dana ([email protected])

 lOMoARcPSD|2965507

d) el p-valor asociado al efecto interacción será superior a 0.05

20. En un modelo de regresión logís?ca las variables explica?vas deben ser_

a) exclusivamente categóricas (de dos categorías o mas)
b) Pueden ser categóricas binarias (dummy), categóricas o cuan?ta?vas
c) Exclusivamente cuan?ta?vas
d) Exclusivamente categóricas binarias.

Downloaded by Dana Dana ([email protected])