L.A.C.E.

Capítulo I

1. Son los pronósticos donde sólo hay datos subjetivos (opiniones, percepciones, etc).a)Pronósticos cualitativos.b) Pronósticos cuantitativos.c) Pronósticos estadísticos.d) Pronósticos empíricos.

2. En el pronóstico de un producto nuevo se utiliza el análisis cualitativo por:a) La percepción la introducción de productos nuevos es la mejor opción.b) Falta de datos.c) Se tienen demasiados datos de ciclos anteriores.d) Economizar el ciclo de introducción del producto.

3. Técnica de investigación de mercadotecnia en la que el cliente prueba el producto antes de que sea lanzado al mercado.a) Pronósticos analógicos.b) Clínica de producto.c) Modelo Bass para producto nuevo.d) Mercados de prueba.

4. Modelo de pronóstico basado en la observación más reciente de la variable de interés.a) Modelos de pronósticos de evento.b) Modelo de nuevo producto.c) Pronósticos causales. d) Pronósticos ingenuos

5. Para este parámetro un valor de cero significa un pronóstico perfecto.a) MSEb) Sc) U de Theild) ME

L.A.C.E.

Capítulo II

1. Cíclico, estacional, irregular y de tendencia pueden ser componentes de:a) Etapas de introducción del producto nuevo.b) Serie de tiempo.c) Plano cartesiano.d) Distribución normal.

2. Punto central de respuestas ordenadas de mayor a menor.a) Media.b) Moda.c) Mediana.d) Desviación estándar.

3. Normalizar la variable con respecto a la desviación estándar se hace en:a) Distribución normal.b) Distribución normal estándar.c) Distribución t de student.d) Distribución recíproca.

4. Se utiliza cuando el tamaño de la muestra es pequeño o no se cnoce la desviación estándar de la población.a) Distribución normal.b) Distribución normal estándar.c) Distribución t de student.d) Distribución recíproca.

5. Error que se da cuando no se rechaza una hiótesis nula falsa.a) Error Tipo Ib) Error Tipo IIc) Error Tipo IIId) Error Tipo IV

L.A.C.E.

Capítulo III.

1. Calcula el promedio de las observaciones pasadas y éste se convierte en el pronóstico del periodo siguiente.a) Suavización exponencial de Winter.b) Suavización exponencial simple.c) Promedios móvilesd) Suavización exponencial de Holt.

2. Suministra pronósticos autocorrectivos que se ajustan de modo que regulan los valores pronosticados al cambiarlos hacia la dirección opuesta para alejarse de errores recientes.a) Suavización exponencial de Winter.b) Suavización exponencial simple.c) Promedios móvilesd) Suavización exponencial de Holt.

3. Añade un factor de crecimiento al modelo de suavización para considerar la tendencia.a) Suavización exponencial de Winter.b) Suavización exponencial simple.c) Promedios móvilesd) Suavización exponencial de Holt.

4. Añade un factor al modelo de suavización de Holt para corregir la estacionalidad.a) Suavización exponencial de Winter.b) Suavización exponencial simple.c) Raíz cuadrada del error cuadrático medio.d) Suavización exponencial de Holt.

5. Método para escoger una constante de suavización óptima.a) Suavización exponencial de Winter.b) Suavización exponencial simple.c) Raíz cuadrada del error cuadrático medio.d) Suavización exponencial de Holt.

L.A.C.E.

Capítulo IV

1. Con este método se busca encontrar las estimaciones de los parámetros de pendiente e intercepción que minimicen la suma de los residuos elevados al cuadrado.a) Método de factorización de bionomio al cuadrado.b) Método del cuadrado de la desviación estándar.c) Método de mínimos cuadrados ordinario.d) Método estacional cuadrático.

2. En el modelo de regresión lineal Y=bo+biX+e, el término e representaa) El valor de Y en el tiempo 0b) La tasa de cambio de Y por unidad de Xc) La desviación de los valores pronosticados Y con respecto los realesd) La variable independiente.

3. Consideración de datos, pronóstico de las variables independientes, selección de modelo de regresión, especificación del modelo de regresión, uso de un periodo de prueba para evaluación, aplicación de pronóstico son los pasos de proceso para:a) Pronóstico cualitativo.b) Pronóstico de regresión.c) Pronóstico financiero.d) Pronóstico estadístico.

4. El modelo de regresión explicativo consiste en que:a) Un cambio en la variable independiente explica un cambio de la variable

dependiente.b) Un cambio de la variable dependiente explica un cambio de la variable

independiente.c) Buscar las variables que no tengan efecto en el pronóstico a utilizard) Se puede tener un modelo de pronóstico con un valor de pendiente

constante.

5. Una correlación serial es:a) Cuando existe un patrón de tiempo significativo en los términos de error

de un análisis.b) Un análisis de regresión con variable independiente de tiempo.c) Un análisis de regresión lineal estacionald) Una correlación entre la recta que une dos datos.

L.A.C.E.

Capítulo V

1. Procedimiento estadístico en el cual una variable dependiente es modelada en función de más de una variable independiente.a) Modelos de regresión lineal simple.b) Modelos de regresión de dos variables.c) Modelo de regresión múltiple.d) Modelo de regresión de múltiples variables dependientes.

2. Cuando se quiere utilizar un modelo estadístico es más importante definir en un principio.a) La variable independiente.b) La variable dependiente.c) Todas las variables independientes.d) El tipo de modelo a utilizar.

3. Es una de las tres verificaciones rápidas para la evaluación de modelos de regresión múltiple.a) Verificar que los signos de los coeficientes tengan sentido.b) Verificar que la t calculada sea mayor a la t de tablas.c) Evaluación del coeficiente múltiple de determinación.d) Todas las anteriores.

4. La variable ficticia en regresiones múltiples se utiliza para:a) Tomar en cuenta la estacionalidad o cualquier otro atributo cualitativo.b) Suponer que una variable independiente no afecta al pronóstico.c) Tomar en cuenta la independencia de factores estacionales.d) No sirve para regresiones múltiples.

5. La razón más común de la correlación serial es que:a) Se ha omitido una variable explicativa importante.b) Las variables independientes son temporales.c) Las variables independientes explican completamente la variable

dependiente.d) Las variables dependientes son series de tiempo.

L.A.C.E.

Capítulo VI

1. Se utilizan para identificar componentes subyacentes como fluctuaciones estacionales o movimientos cíclicos al fragmentar la serie en sus partes y luego ensamblarlas para construir un pronóstico.a) Modelos de regresión lineal.b) Modelos de regresión múltiple.c) Modelos de estacionalidad.d) Modelo de descomposición de series de tiempo.

2. La tendencia a largo plazo, el factor de ajuste estacional, el factor ciclico de ajuste, variaciones de la serie son parámetros característicos del modelo de:a) Descomposición de series de tiempob) Regresión múltiple.c) Estacionalidad.d) Regresión lineal.

3. El promedio móvil en la descomposición de series de tiempo se utiliza para:a) Promediar los valores a largo plazo.b) Eliminar las fluctuaciones a corto plazo.c) Eliminar las fluctuaciones a largo plazo.d) Incrementar las fluctuaciones a corto plazo.

4. La relación entre el promedio móvil centrado y la tendencia del promedio móvil centrado se llama.a) Factor de estacionalidad.b) Factor de tendencia a largo plazo.c) Factor de ciclo.d) Factor de corto plazo.

5. El valor dado normalmente al componente irregular es:a) 0.b) -2.c) 1.d) 2.

L.A.C.E.

Capítulo VII

1. La técnica ARIMA se utiliza normalmente cuando:a) No se conocen las determinantes de las variables a pronosticar.b) No se conocen datos sobre variables explicativas.c) Se requiere una referencia para otros pronósticos.d) Todas las anteriores.

2. La no relación entre los valores consecutivos observados y los valores

anteriores no ayudan a predecir los futuros son características de:a) Caja negra.b) Ruido blanco.c) Promedio móvil.d) Modelo Jenkins.

3. La variable dependiente Y depende de sus propios valores previos en vez de la serie de ruido blanco o los residuos.a) Diferencia entre modelos de regresión lineal sencilla y múltiple.b) Diferencia entre modelos de regresión lineal y modelo ingenuo.c) Diferencia entre modelo promedio móvil y modelos

autorregresivos.d) Ninguna de las anteriores.

4. Se puede identificar que el modelo ARMA es el adecuado cuando:a) La función de autocorrelación se detiene de manera abrupta en

algún punto.b) La función de autocorrelación parcial se detiene de forma abrupta.c) Ninguna de las dos funciones se detienen de forma abrupta pero

tienden a cero.d) Ninguna de las anteriores.

5. Prueba si las autocorrelaciones de los residuos en conjunto son significativamente diferentes a cero.a) Ljung-Box.b) ARMA.c) MA.d) Ninguno de los anteriores.

L.A.C.E.

Capítulo VIII

1. Para poder combinar pronósticos:a) Ninguno de ellos no puede sobreestimar o subestimar el valor real de

manera consciente.b) Pueden subestimar el valor real de manera consciente.c) Deben sobreestimar el valor real de manera consciente.d) Ninguna de las anteriores.

2. Los pronósticos combinados se utilizan en lugar de los individuales para:a) Evaluar cual se ajusta mejor.b) Reducir el error entre el pronóstico y la realidad.c) Aumentar la desviación estándar de los datos.d) Ninguna de las anteriores.

3. Los modelos de Bates y Granger, Bressler y Brandt y Charles Nelson son parte de:a) Modelos para la combinación de pronósticos.b) Técnicas para selección de pesos al combinar pronósticos.c) Técnicas para el desarrollo del modelo ARMA.d) Ninguno de los anteriores.

4. Es común encontrar para construir un pronóstico combinado.

a) Varios pronostico iguales

b) Varios pronósticos de diferentes modelos

c) Un solo pronostico

d) Dos pronósticos

e) Dos pronósticos combinados

5. La combinación de pronósticos se utiliza para

a) Mejorar la exactitud del pronóstico

b) Combinar dos modelos

c) Encontrar una solución a un problema

d) Obtener un r2 =0

e) Para encontrar la ordenada al origen.

L.A.C.E.

RESPUESTAS

Pregunta Cap. 1 Cap. 2 Cap. 3 Cap. 4 Cap. 5 Cap. 6 Cap. 7 Cap. 81 A B C C C D D A2 B C B C B A B B3 B B D B A B C B4 D C A A A C C B5 c b c a A c a A