Cuestionario razonado: preguntas y respuestas desarrolladas
128 preguntas de desarrollo sobre PCA, K-Means y clustering jerárquico. Cada respuesta explica fundamentos, ejemplos y límites. No se estudia memorizando una opción: primero elaborá una respuesta propia, después contrastala con la solución desarrollada y volvé a responder las pendientes.
128 respuestas razonadas6 áreas temáticasModo claro y oscuroProgreso guardadoLectura e impresión
Modo de empleo. Respondé oralmente o por escrito antes de pulsar Ver respuesta desarrollada. Luego contrastá tu razonamiento con la explicación, el ejemplo, los límites y los conceptos relacionados.
PREGUNTA 001 / 128 · Preparación de datos
¿Qué significa que PCA y clustering sean métodos no supervisados y por qué los grupos resultantes no deben tratarse como verdades naturales?
Nivel: desarrollo universitario · conceptos clave: Aprendizaje no supervisado y Partición por clusters
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Aprendizaje no supervisado». Busca regularidades de la distribución de las variables sin disponer de una etiqueta objetivo que indique la respuesta correcta. Los patrones emergen de distancias, densidades, covariaciones o estructuras latentes; el resultado depende tanto del algoritmo como de la representación elegida.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Partición por clusters»: Distribuye las observaciones en grupos disjuntos, de modo que cada registro recibe una asignación en el esquema clásico. No presupone que las etiquetas numéricas tengan orden; interesa el conjunto de pertenencias y las propiedades de cada grupo.
Aplicación a datos o negocio
En términos aplicados, en marketing se exploran perfiles de clientes antes de diseñar campañas diferenciadas, sin disponer de segmentos verdaderos observados. Como contraste o evidencia complementaria, una segmentación comercial puede formar cuatro perfiles con tamaños y comportamientos distintos.
Limitaciones, contraejemplo y errores habituales
Que aparezcan grupos no prueba que existan categorías naturales ni garantiza utilidad comercial. Además, el algoritmo puede forzar una partición incluso cuando el conjunto es continuo y no contiene cortes naturales. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Aprendizaje no supervisado» y «Partición por clusters», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 002 / 128 · Preparación de datos
Una empresa mezcla tickets de compra y clientes en la misma tabla. ¿Por qué debe decidir primero la unidad de análisis y qué conclusiones quedarían invalidadas?
Nivel: desarrollo universitario · conceptos clave: Observación y unidad de análisis y Segmentación RFM
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Observación y unidad de análisis». Una observación representa la entidad sobre la que se desea razonar: cliente, transacción, sucursal, producto o período. Elegir la unidad fija el significado de cada fila, la población de inferencia y el nivel al que se aplicarán las decisiones.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Segmentación RFM»: Organiza comportamiento comercial mediante recencia, frecuencia y valor monetario de transacciones. Puede utilizar reglas de puntuación o servir como conjunto de variables para análisis exploratorio y clustering.
Aplicación a datos o negocio
En términos aplicados, si una fila es una compra y no un cliente, el clustering describe operaciones, no necesariamente comportamientos persistentes de individuos. Como contraste o evidencia complementaria, clientes recientes y frecuentes pueden recibir un programa distinto de aquellos inactivos y de alto gasto histórico.
Limitaciones, contraejemplo y errores habituales
Confundir transacciones con personas genera perfiles inconsistentes y puede duplicar artificialmente algunas entidades. Además, rFM no contiene por sí mismo rentabilidad neta, sensibilidad al precio ni causalidad. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Observación y unidad de análisis» y «Segmentación RFM», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 003 / 128 · Preparación de datos
¿Cómo puede la selección de características producir grupos aparentemente sólidos pero comercialmente engañosos?
Nivel: desarrollo universitario · conceptos clave: Variable o característica y Sesgo de selección
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Variable o característica». Es una dimensión medible que describe una observación y puede intervenir en la distancia o en la proyección. La elección de variables determina qué diferencias se consideran relevantes; una variable redundante puede contar dos veces una dimensión económica.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Sesgo de selección»: Ocurre cuando la muestra disponible representa de manera distorsionada la población sobre la que se pretende decidir. El algoritmo aprende la distribución observada, incluidos patrones asociados a no respuesta, canal de captación o supervivencia.
Aplicación a datos o negocio
En términos aplicados, un modelo comercial puede usar frecuencia de compra, gasto medio y antigüedad, justificando su relación con la acción futura. Como contraste o evidencia complementaria, si solo se registra a compradores actuales, los segmentos no representan automáticamente prospectos de todo el mercado.
Limitaciones, contraejemplo y errores habituales
Agregar variables por disponibilidad, sin hipótesis, puede diluir estructuras útiles y amplificar sesgos. Además, más observaciones no corrigen por sí mismas un mecanismo de selección sesgado. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Variable o característica» y «Sesgo de selección», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 004 / 128 · Preparación de datos
¿Por qué una representación en dos dimensiones puede ocultar diferencias sustantivas entre clientes y cómo evaluarías esa pérdida?
Nivel: desarrollo universitario · conceptos clave: Espacio de características y Dimensionalidad intrínseca
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Espacio de características». Es el espacio de dimensión p en el que cada observación ocupa una posición definida por sus p variables. Las distancias y las orientaciones principales solo tienen significado respecto de las coordenadas y escalas escogidas.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Dimensionalidad intrínseca»: Es la cantidad aproximada de grados de libertad que describen la estructura útil de los datos, potencialmente menor que las columnas originales. Relaciones funcionales, correlaciones y restricciones reducen las direcciones independientes de variabilidad.
Aplicación a datos o negocio
En términos aplicados, dos clientes cercanos en gasto y frecuencia quizá estén lejos si también se incorpora sensibilidad al descuento. Como contraste o evidencia complementaria, edad, antigüedad y etapa de vida pueden aportar señales relacionadas y ocupar menos dimensiones efectivas.
Limitaciones, contraejemplo y errores habituales
Un gráfico bidimensional puede ocultar separaciones que existen en el espacio original de mayor dimensión. Además, una estimación baja no asegura que esas dimensiones sean las que mejor predicen el resultado comercial. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Espacio de características» y «Dimensionalidad intrínseca», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 005 / 128 · Preparación de datos
¿Cómo justificarías la métrica elegida para agrupar empresas cuando las variables tienen unidades y significados diferentes?
Nivel: desarrollo universitario · conceptos clave: Métrica de distancia y Distancia euclídea
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Métrica de distancia». Es una regla de comparación que cuantifica cuán diferentes son dos observaciones y, cuando satisface los axiomas matemáticos, constituye una métrica. Debe respetar no negatividad, simetría, identidad de los indiscernibles y desigualdad triangular; no toda disimilitud de negocios cumple estas condiciones.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Distancia euclídea»: Es la longitud del segmento recto entre dos puntos; en p dimensiones se calcula como la raíz de la suma de diferencias cuadradas. Su sensibilidad a las unidades crece cuando unas variables varían mucho más que otras; K-Means clásico la vincula a una función objetivo cuadrática.
Aplicación a datos o negocio
En términos aplicados, la distancia euclídea tiene sentido con variables numéricas comparables; otras representaciones exigen otro criterio. Como contraste o evidencia complementaria, un cambio de 1000 pesos en gasto puede pesar más que diez compras adicionales si no se estandariza.
Limitaciones, contraejemplo y errores habituales
Elegir una distancia por costumbre, sin justificar variables y escalas, convierte los grupos en artefactos de representación. Además, no representa correctamente todas las nociones de similitud: dos trayectorias temporales parecidas pueden estar lejos euclídeamente. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Métrica de distancia» y «Distancia euclídea», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 006 / 128 · Preparación de datos
Dos variables presentan escalas monetarias y cantidades. ¿Qué problema tiene aplicar distancia euclídea antes de escalar y cómo lo resolverías?
Nivel: desarrollo universitario · conceptos clave: Distancia euclídea y Estandarización z-score
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Distancia euclídea». Es la longitud del segmento recto entre dos puntos; en p dimensiones se calcula como la raíz de la suma de diferencias cuadradas. Su sensibilidad a las unidades crece cuando unas variables varían mucho más que otras; K-Means clásico la vincula a una función objetivo cuadrática.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Estandarización z-score»: Transforma una variable restando su media y dividiendo por su desviación estándar estimada, cuando esta es positiva. Centra en cero y lleva a varianza unitaria la muestra utilizada para ajustar la transformación; modifica distancias y direcciones principales.
Fórmula que fundamenta el razonamiento
d(x,y)=√[Σⱼ(xⱼ−yⱼ)²]
Indicar supuestos y normalizaciones aplicables antes de utilizarla.
Aplicación a datos o negocio
En términos aplicados, un cambio de 1000 pesos en gasto puede pesar más que diez compras adicionales si no se estandariza. Como contraste o evidencia complementaria, un gasto de gran magnitud deja de dominar mecánicamente a una frecuencia expresada en unidades pequeñas.
Limitaciones, contraejemplo y errores habituales
No representa correctamente todas las nociones de similitud: dos trayectorias temporales parecidas pueden estar lejos euclídeamente. Además, debe ajustarse con datos de entrenamiento para evitar filtración y puede ser muy sensible a outliers. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Distancia euclídea» y «Estandarización z-score», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 007 / 128 · Preparación de datos
Compará las implicaciones de Manhattan y euclídea ante una observación con una discrepancia especialmente grande.
Nivel: desarrollo universitario · conceptos clave: Distancia Manhattan y Distancia euclídea
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Distancia Manhattan». Suma los valores absolutos de las diferencias coordenada a coordenada y es conocida como norma L1. Genera geometrías de proximidad diferentes de la euclídea y puede resultar menos sensible al predominio de discrepancias cuadráticas muy grandes.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Distancia euclídea»: Es la longitud del segmento recto entre dos puntos; en p dimensiones se calcula como la raíz de la suma de diferencias cuadradas. Su sensibilidad a las unidades crece cuando unas variables varían mucho más que otras; K-Means clásico la vincula a una función objetivo cuadrática.
Fórmula que fundamenta el razonamiento
d₁(x,y)=Σⱼ|xⱼ−yⱼ|
Indicar supuestos y normalizaciones aplicables antes de utilizarla.
Aplicación a datos o negocio
En términos aplicados, para comparar desvíos de varios indicadores, sumar diferencias absolutas ofrece una lectura aditiva de magnitudes. Como contraste o evidencia complementaria, un cambio de 1000 pesos en gasto puede pesar más que diez compras adicionales si no se estandariza.
Limitaciones, contraejemplo y errores habituales
No debe atribuirse automáticamente a K-Means clásico, cuya actualización por medias optimiza la suma de cuadrados euclídeos. Además, no representa correctamente todas las nociones de similitud: dos trayectorias temporales parecidas pueden estar lejos euclídeamente. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Distancia Manhattan» y «Distancia euclídea», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 008 / 128 · Preparación de datos
¿Cuándo conviene comparar patrones relativos de consumo mediante coseno y cuándo esa elección puede perjudicar una decisión comercial?
Nivel: desarrollo universitario · conceptos clave: Similitud del coseno y Métricas de negocio
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Similitud del coseno». Compara la orientación de dos vectores mediante el producto interno normalizado por sus longitudes. Distingue patrones proporcionales de composición incluso cuando los niveles absolutos difieren, siempre que los vectores no sean nulos.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Métricas de negocio»: Son indicadores de resultados operativos o económicos que convierten una segmentación descriptiva en una decisión evaluable. Pueden incluir contribución marginal, retención, costo de contacto, lifetime value y riesgo según objetivo.
Fórmula que fundamenta el razonamiento
sim(x,y)=(x·y)/(‖x‖‖y‖)
Indicar supuestos y normalizaciones aplicables antes de utilizarla.
Aplicación a datos o negocio
En términos aplicados, dos clientes pueden comprar cantidades muy distintas pero dedicar proporciones parecidas a las mismas categorías. Como contraste o evidencia complementaria, la elección final de K considera si las acciones diferenciales generan beneficio incremental neto.
Limitaciones, contraejemplo y errores habituales
Si la magnitud total importa para decidir, usar solo orientación borra deliberadamente información económica relevante. Además, silhouette alta y mayor cantidad de segmentos no equivalen a rentabilidad. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Similitud del coseno» y «Métricas de negocio», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 009 / 128 · Preparación de datos
¿Cómo incorpora Mahalanobis la correlación entre variables y qué dificultades prácticas presenta su estimación?
Nivel: desarrollo universitario · conceptos clave: Distancia de Mahalanobis y Matriz de covarianza
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Distancia de Mahalanobis». Mide separación relativa teniendo en cuenta correlaciones y dispersión, mediante la matriz de covarianza inversa cuando es invertible. Un desplazamiento en una dirección poco variable resulta más notable que el mismo desplazamiento en una dirección muy dispersa.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Matriz de covarianza»: Contiene las covarianzas entre pares de variables y las varianzas en su diagonal principal. Para una matriz centrada y convención muestral suele calcularse XᵀX dividido por n menos uno.
Fórmula que fundamenta el razonamiento
d²(x,μ)=(x−μ)ᵀΣ⁻¹(x−μ)
Indicar supuestos y normalizaciones aplicables antes de utilizarla.
Aplicación a datos o negocio
En términos aplicados, en detección de perfiles inusuales permite valorar combinaciones de gasto y frecuencia en lugar de variables aisladas. Como contraste o evidencia complementaria, si gasto y frecuencia aumentan juntos, su covarianza positiva contribuye a la orientación del primer componente.
Limitaciones, contraejemplo y errores habituales
Una estimación de covarianza inestable o singular exige regularización o métodos robustos. Además, su interpretación depende de las unidades; una variable expresada en cifras mayores puede dominar los autovalores. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Distancia de Mahalanobis» y «Matriz de covarianza», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 010 / 128 · Preparación de datos
¿Qué problemas presenta aplicar K-Means euclídeo a datos mixtos y qué alternativa de disimilitud propondrías?
Nivel: desarrollo universitario · conceptos clave: Distancias mixtas y Gower y Codificación one-hot
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Distancias mixtas y Gower». Permiten evaluar observaciones que combinan variables numéricas, ordinales y categóricas usando contribuciones adaptadas a cada tipo. La disimilitud de Gower promedia contribuciones normalizadas entre variables observadas y admite tratamiento explícito de faltantes.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Codificación one-hot»: Representa una categoría mediante indicadores binarios separados, evitando imponer un orden artificial entre etiquetas. Aumenta la dimensionalidad y modifica cómo las diferencias categóricas contribuyen a la distancia euclídea.
Aplicación a datos o negocio
En términos aplicados, en una base de clientes con provincia, facturación y tamaño de empresa puede ser más apropiada que codificar categorías ingenuamente. Como contraste o evidencia complementaria, la zona comercial puede transformarse en variables indicadoras cuando importa la pertenencia sin jerarquía.
Limitaciones, contraejemplo y errores habituales
Aplicar Ward o K-Means euclídeo directamente a cualquier matriz de Gower no conserva necesariamente sus supuestos. Además, categorías numerosas pueden dominar la geometría y producir un espacio disperso de difícil interpretación. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Distancias mixtas y Gower» y «Codificación one-hot», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 011 / 128 · Preparación de datos
¿En qué situaciones preferirías z-score y cuándo usarías un escalado basado en mediana y rango intercuartílico?
Nivel: desarrollo universitario · conceptos clave: Estandarización z-score y Escalado robusto
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Estandarización z-score». Transforma una variable restando su media y dividiendo por su desviación estándar estimada, cuando esta es positiva. Centra en cero y lleva a varianza unitaria la muestra utilizada para ajustar la transformación; modifica distancias y direcciones principales.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Escalado robusto»: Centra mediante mediana y escala mediante rango intercuartílico u otras estadísticas resistentes. Reduce la influencia de observaciones extremas en la determinación de la transformación, aunque no hace robusto automáticamente al algoritmo posterior.
Fórmula que fundamenta el razonamiento
zⱼ=(xⱼ−μⱼ)/σⱼ
Indicar supuestos y normalizaciones aplicables antes de utilizarla.
Aplicación a datos o negocio
En términos aplicados, un gasto de gran magnitud deja de dominar mecánicamente a una frecuencia expresada en unidades pequeñas. Como contraste o evidencia complementaria, en una cartera con pocos clientes gigantes, la mediana permite que el grueso de la distribución conserve resolución.
Limitaciones, contraejemplo y errores habituales
Debe ajustarse con datos de entrenamiento para evitar filtración y puede ser muy sensible a outliers. Además, un K-Means ajustado después continúa siendo sensible a outliers por su objetivo cuadrático. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Estandarización z-score» y «Escalado robusto», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 012 / 128 · Preparación de datos
Explicá por qué normalizar entre cero y uno y estandarizar a media cero no son operaciones equivalentes.
Nivel: desarrollo universitario · conceptos clave: Normalización min-max y Estandarización z-score
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Normalización min-max». Transforma cada valor respecto del mínimo y máximo de referencia, habitualmente al intervalo entre cero y uno. Conserva el orden pero depende fuertemente de los extremos observados; valores nuevos pueden quedar fuera del intervalo inicial.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Estandarización z-score»: Transforma una variable restando su media y dividiendo por su desviación estándar estimada, cuando esta es positiva. Centra en cero y lleva a varianza unitaria la muestra utilizada para ajustar la transformación; modifica distancias y direcciones principales.
Fórmula que fundamenta el razonamiento
x′=(x−mín)/(máx−mín)
Indicar supuestos y normalizaciones aplicables antes de utilizarla.
Aplicación a datos o negocio
En términos aplicados, facilita comparar dimensiones de escalas numéricas distintas cuando los límites son estables y significativos. Como contraste o evidencia complementaria, un gasto de gran magnitud deja de dominar mecánicamente a una frecuencia expresada en unidades pequeñas.
Limitaciones, contraejemplo y errores habituales
No elimina la influencia de outliers y no equivale a centrar una matriz de datos. Además, debe ajustarse con datos de entrenamiento para evitar filtración y puede ser muy sensible a outliers. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Normalización min-max» y «Estandarización z-score», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 013 / 128 · Preparación de datos
¿Por qué el escalado robusto no convierte automáticamente a K-Means en un algoritmo robusto frente a outliers?
Nivel: desarrollo universitario · conceptos clave: Escalado robusto y K-Means y outliers
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Escalado robusto». Centra mediante mediana y escala mediante rango intercuartílico u otras estadísticas resistentes. Reduce la influencia de observaciones extremas en la determinación de la transformación, aunque no hace robusto automáticamente al algoritmo posterior.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «K-Means y outliers»: Describe la sensibilidad de la media y del objetivo cuadrático a registros extremadamente alejados. Un solo punto lejano puede desplazar un centroide o consumir un cluster completo según K y configuración.
Aplicación a datos o negocio
En términos aplicados, en una cartera con pocos clientes gigantes, la mediana permite que el grueso de la distribución conserve resolución. Como contraste o evidencia complementaria, un comprador extraordinario puede generar un centro casi exclusivo que no representa un mercado accionable.
Limitaciones, contraejemplo y errores habituales
Un K-Means ajustado después continúa siendo sensible a outliers por su objetivo cuadrático. Además, estandarizar no elimina observaciones atípicas; deben estudiarse robustez y propósito. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Escalado robusto» y «K-Means y outliers», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 014 / 128 · Preparación de datos
¿Cómo diseñarías una cadena de preprocesamiento para datos incompletos sin contaminar una evaluación posterior?
Nivel: desarrollo universitario · conceptos clave: Imputación de faltantes y Pipeline de preprocesamiento
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Imputación de faltantes». Es la sustitución fundamentada de datos ausentes por valores o estimaciones bajo reglas explícitas. Se decide antes de calcular matrices de covarianza, distancias y clusters, preservando indicadores de ausencia si son informativos.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Pipeline de preprocesamiento»: Es una secuencia reproducible que integra imputación, codificación, escalado, reducción y estimación. Cada transformación se ajusta en el conjunto apropiado y se reutiliza sin aprender parámetros de futuros datos de evaluación.
Aplicación a datos o negocio
En términos aplicados, puede imputarse la mediana de una métrica de consumo y conservar una bandera que señale registros incompletos. Como contraste o evidencia complementaria, una empresa documenta cómo se transforma cada cliente nuevo antes de asignarle un segmento.
Limitaciones, contraejemplo y errores habituales
Imputar con información de todo el dataset antes de evaluar estabilidad o generalización puede introducir filtración. Además, ejecutar operaciones manuales sin registrar orden y parámetros puede volver irreproducibles las decisiones. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Imputación de faltantes» y «Pipeline de preprocesamiento», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 015 / 128 · Preparación de datos
Una base tiene cientos de categorías. ¿Qué consecuencias puede traer la codificación one-hot sobre las distancias y la interpretación?
Nivel: desarrollo universitario · conceptos clave: Codificación one-hot y Maldición de la dimensionalidad
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Codificación one-hot». Representa una categoría mediante indicadores binarios separados, evitando imponer un orden artificial entre etiquetas. Aumenta la dimensionalidad y modifica cómo las diferencias categóricas contribuyen a la distancia euclídea.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Maldición de la dimensionalidad»: Describe diversos efectos por los cuales trabajar con muchas dimensiones puede volver menos informativas las distancias y exigir más datos. El volumen del espacio crece rápidamente y las nociones de vecindad pueden concentrarse según la distribución y la métrica.
Aplicación a datos o negocio
En términos aplicados, la zona comercial puede transformarse en variables indicadoras cuando importa la pertenencia sin jerarquía. Como contraste o evidencia complementaria, cien indicadores de cliente no garantizan cien veces más información; los vecinos pueden resultar relativamente poco distintos.
Limitaciones, contraejemplo y errores habituales
Categorías numerosas pueden dominar la geometría y producir un espacio disperso de difícil interpretación. Además, no implica que PCA sea siempre necesario: la dimensionalidad efectiva y la señal importan más que el conteo bruto. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Codificación one-hot» y «Maldición de la dimensionalidad», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 016 / 128 · Preparación de datos
¿Por qué agregar variables no necesariamente mejora un clustering y cómo distinguir dimensiones redundantes de informativas?
Nivel: desarrollo universitario · conceptos clave: Maldición de la dimensionalidad y Dimensionalidad intrínseca
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Maldición de la dimensionalidad». Describe diversos efectos por los cuales trabajar con muchas dimensiones puede volver menos informativas las distancias y exigir más datos. El volumen del espacio crece rápidamente y las nociones de vecindad pueden concentrarse según la distribución y la métrica.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Dimensionalidad intrínseca»: Es la cantidad aproximada de grados de libertad que describen la estructura útil de los datos, potencialmente menor que las columnas originales. Relaciones funcionales, correlaciones y restricciones reducen las direcciones independientes de variabilidad.
Aplicación a datos o negocio
En términos aplicados, cien indicadores de cliente no garantizan cien veces más información; los vecinos pueden resultar relativamente poco distintos. Como contraste o evidencia complementaria, edad, antigüedad y etapa de vida pueden aportar señales relacionadas y ocupar menos dimensiones efectivas.
Limitaciones, contraejemplo y errores habituales
No implica que PCA sea siempre necesario: la dimensionalidad efectiva y la señal importan más que el conteo bruto. Además, una estimación baja no asegura que esas dimensiones sean las que mejor predicen el resultado comercial. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Maldición de la dimensionalidad» y «Dimensionalidad intrínseca», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 017 / 128 · Preparación de datos
¿De qué modo PCA podría aprovechar una dimensionalidad intrínseca baja y cuándo perjudicaría la separación de clusters?
Nivel: desarrollo universitario · conceptos clave: Dimensionalidad intrínseca y PCA y clustering posterior
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Dimensionalidad intrínseca». Es la cantidad aproximada de grados de libertad que describen la estructura útil de los datos, potencialmente menor que las columnas originales. Relaciones funcionales, correlaciones y restricciones reducen las direcciones independientes de variabilidad.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «PCA y clustering posterior»: Combina reducción de dimensión con un algoritmo de agrupamiento, ajustando primero la representación y luego las distancias entre scores. Puede eliminar ruido o redundancia y acelerar estimación, pero también descartar la dimensión que separa grupos pequeños.
Aplicación a datos o negocio
En términos aplicados, edad, antigüedad y etapa de vida pueden aportar señales relacionadas y ocupar menos dimensiones efectivas. Como contraste o evidencia complementaria, se prueban clusters sobre datos estandarizados y sobre los primeros componentes para comparar estabilidad y perfil.
Limitaciones, contraejemplo y errores habituales
Una estimación baja no asegura que esas dimensiones sean las que mejor predicen el resultado comercial. Además, una elección de componentes basada únicamente en varianza puede destruir separaciones de negocio relevantes. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Dimensionalidad intrínseca» y «PCA y clustering posterior», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 018 / 128 · Preparación de datos
¿Por qué una simulación con tres nubes gaussianas perfectamente separadas no demuestra que el método funcionará igual con clientes reales?
Nivel: desarrollo universitario · conceptos clave: Datos sintéticos y Estabilidad del clustering
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Datos sintéticos». Son observaciones construidas mediante reglas explícitas para representar escenarios controlados y estudiar algoritmos. Permiten variar separación, ruido, anisotropía y outliers conociendo cómo se generó cada estructura.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Estabilidad del clustering»: Mide cuán parecidas resultan las particiones bajo cambios razonables de muestra, semilla, ruido o parámetros. Puede estudiarse por remuestreo, consenso o métricas invariantes a permutaciones de etiquetas.
Aplicación a datos o negocio
En términos aplicados, en las simulaciones del módulo se puede comparar un mismo algoritmo ante grupos esféricos, anillos o cadenas. Como contraste o evidencia complementaria, se comprueba si los clientes conservan perfiles semejantes al repetir la segmentación en distintas muestras.
Limitaciones, contraejemplo y errores habituales
Su claridad visual no garantiza que las conclusiones se trasladen a datos reales con selección y medición imperfectas. Además, estabilidad alta no basta: un algoritmo puede ser estable al construir grupos sin utilidad de negocio. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Datos sintéticos» y «Estabilidad del clustering», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 019 / 128 · Preparación de datos
¿Qué aspectos del procedimiento se vuelven reproducibles al fijar la semilla y cuáles siguen exigiendo replicaciones?
Nivel: desarrollo universitario · conceptos clave: Semilla aleatoria y Reinicios n_init
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Semilla aleatoria». Es el estado inicial usado por un generador pseudoaleatorio para reproducir una secuencia de decisiones o muestras. Fijarla permite comparar configuraciones bajo las mismas condiciones; cambiarla ayuda a evaluar sensibilidad.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Reinicios n_init»: Es la ejecución del algoritmo desde varias semillas iniciales para conservar una solución favorable según la función objetivo. Ayuda a evaluar y reducir dependencia del punto de partida, aunque aumenta costo computacional.
Aplicación a datos o negocio
En términos aplicados, con una semilla fija se puede observar cuánto modifica el resultado un cambio exclusivo de K. Como contraste o evidencia complementaria, comparar diez corridas y reportar sus inercias permite justificar la solución seleccionada.
Limitaciones, contraejemplo y errores habituales
Una sola semilla favorable no demuestra estabilidad; hay que repetir con inicializaciones o remuestreos. Además, un número elevado de reinicios no corrige una elección inadecuada de K, distancia o variables. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Semilla aleatoria» y «Reinicios n_init», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 020 / 128 · Preparación de datos
Describí un pipeline reproducible de escalado, PCA y K-Means y explicá cómo evitar la filtración de datos.
Nivel: desarrollo universitario · conceptos clave: Pipeline de preprocesamiento y Filtración de información en PCA
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Pipeline de preprocesamiento». Es una secuencia reproducible que integra imputación, codificación, escalado, reducción y estimación. Cada transformación se ajusta en el conjunto apropiado y se reutiliza sin aprender parámetros de futuros datos de evaluación.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Filtración de información en PCA»: Ocurre cuando la transformación aprende parámetros usando registros que deben reservarse para evaluación o datos futuros. Medias, desviaciones y autovectores deben ajustarse dentro de cada partición de entrenamiento en procedimientos evaluativos.
Aplicación a datos o negocio
En términos aplicados, una empresa documenta cómo se transforma cada cliente nuevo antes de asignarle un segmento. Como contraste o evidencia complementaria, en una validación temporal, calcular PCA con meses futuros introduce información de distribución no disponible en el pasado.
Limitaciones, contraejemplo y errores habituales
Ejecutar operaciones manuales sin registrar orden y parámetros puede volver irreproducibles las decisiones. Además, aunque PCA no use etiquetas, puede filtrar información y favorecer artificialmente la evaluación de un pipeline. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Pipeline de preprocesamiento» y «Filtración de información en PCA», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 021 / 128 · Álgebra y geometría
¿Qué dimensiones tiene una matriz de cien clientes y seis variables y qué limita el rango de las componentes PCA?
Nivel: desarrollo universitario · conceptos clave: Matriz de datos X y Rango matricial
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Matriz de datos X». Organiza las n observaciones por filas y las p variables por columnas para realizar operaciones matriciales. Después de centrarla, la estructura XᵀX resume productos cruzados que sustentan covarianzas y componentes principales.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Rango matricial»: Cuenta el número máximo de columnas o filas linealmente independientes de una matriz. La matriz centrada de n por p no puede tener rango superior al mínimo de n menos uno y p.
Aplicación a datos o negocio
En términos aplicados, una matriz de cien clientes y cinco métricas tiene forma 100 por 5 y permite estudiar su variabilidad conjunta. Como contraste o evidencia complementaria, si hay diez clientes y treinta características, no habrá treinta componentes principales con varianza positiva.
Limitaciones, contraejemplo y errores habituales
Trasponer filas y columnas sin redefinir el problema cambia drásticamente el significado de la descomposición. Además, no es lo mismo rango exacto que rango numérico aproximado, especialmente bajo ruido y redondeo. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Matriz de datos X» y «Rango matricial», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 022 / 128 · Álgebra y geometría
¿Por qué se centra una matriz antes de hacer PCA y qué propiedad algebraica adquieren sus columnas?
Nivel: desarrollo universitario · conceptos clave: Vector de medias y Centrado de variables
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Vector de medias». Reúne los promedios de cada variable y fija el origen estadístico alrededor del cual se consideran desviaciones. Restarlo fila a fila hace que cada columna centrada sume cero, condición estándar para PCA con intercepto implícito.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Centrado de variables»: Consiste en sustraer a cada observación la media de su columna para analizar desviaciones y no niveles absolutos. En PCA usual se centra antes de obtener la matriz de covarianza o la SVD de los datos.
Aplicación a datos o negocio
En términos aplicados, al estudiar montos de compra, el promedio permite leer cada punto como exceso o defecto respecto de la cartera. Como contraste o evidencia complementaria, una nube de puntos desplazada hacia valores elevados mantiene su orientación principal luego de centrarla.
Limitaciones, contraejemplo y errores habituales
La media no es robusta frente a valores extremos y no debe mezclarse con medianas sin justificar el cambio. Además, no confundir centrar con escalar: el centrado no iguala varianzas ni modifica las distancias entre pares de puntos. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Vector de medias» y «Centrado de variables», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 023 / 128 · Álgebra y geometría
Explicá por qué centrar datos no modifica distancias entre observaciones, mientras escalarlos sí puede hacerlo.
Nivel: desarrollo universitario · conceptos clave: Centrado de variables y Estandarización z-score
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Centrado de variables». Consiste en sustraer a cada observación la media de su columna para analizar desviaciones y no niveles absolutos. En PCA usual se centra antes de obtener la matriz de covarianza o la SVD de los datos.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Estandarización z-score»: Transforma una variable restando su media y dividiendo por su desviación estándar estimada, cuando esta es positiva. Centra en cero y lleva a varianza unitaria la muestra utilizada para ajustar la transformación; modifica distancias y direcciones principales.
Aplicación a datos o negocio
En términos aplicados, una nube de puntos desplazada hacia valores elevados mantiene su orientación principal luego de centrarla. Como contraste o evidencia complementaria, un gasto de gran magnitud deja de dominar mecánicamente a una frecuencia expresada en unidades pequeñas.
Limitaciones, contraejemplo y errores habituales
No confundir centrar con escalar: el centrado no iguala varianzas ni modifica las distancias entre pares de puntos. Además, debe ajustarse con datos de entrenamiento para evitar filtración y puede ser muy sensible a outliers. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Centrado de variables» y «Estandarización z-score», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 024 / 128 · Álgebra y geometría
¿Cómo elegir entre PCA de covarianzas y PCA de correlaciones al analizar indicadores económicos heterogéneos?
Nivel: desarrollo universitario · conceptos clave: Matriz de covarianza y Matriz de correlaciones
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Matriz de covarianza». Contiene las covarianzas entre pares de variables y las varianzas en su diagonal principal. Para una matriz centrada y convención muestral suele calcularse XᵀX dividido por n menos uno.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Matriz de correlaciones»: Reúne correlaciones de todas las variables y tiene unos en la diagonal cuando las varianzas son positivas. Hacer PCA sobre esta matriz equivale, bajo convenciones coherentes, a aplicar PCA a variables estandarizadas.
Fórmula que fundamenta el razonamiento
Σ̂=XcᵀXc/(n−1)
Indicar supuestos y normalizaciones aplicables antes de utilizarla.
Aplicación a datos o negocio
En términos aplicados, si gasto y frecuencia aumentan juntos, su covarianza positiva contribuye a la orientación del primer componente. Como contraste o evidencia complementaria, permite que facturación y frecuencia contribuyan sin ser privilegiadas por sus unidades de medida.
Limitaciones, contraejemplo y errores habituales
Su interpretación depende de las unidades; una variable expresada en cifras mayores puede dominar los autovalores. Además, puede dar peso excesivo a variables de varianza minúscula dominadas por ruido de medición. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Matriz de covarianza» y «Matriz de correlaciones», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 025 / 128 · Álgebra y geometría
¿Qué permite afirmar una correlación elevada entre gasto y frecuencia y qué interpretación sería causalmente injustificada?
Nivel: desarrollo universitario · conceptos clave: Coeficiente de correlación y Interpretación causal
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Coeficiente de correlación». Estandariza la covarianza por el producto de desviaciones estándar, produciendo un valor entre menos uno y uno. Describe asociación lineal positiva, negativa o nula, sin establecer causalidad ni capturar necesariamente patrones no lineales.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Interpretación causal»: Separa la descripción de asociaciones observadas de la afirmación de que una variable o acción provoca otra. Ni PCA ni clustering identifican efectos causales solo por operar sobre datos, aun si los grupos parecen separados.
Aplicación a datos o negocio
En términos aplicados, dos métricas de ventas pueden estar muy correlacionadas aun cuando sus unidades sean incompatibles. Como contraste o evidencia complementaria, detectar clientes de alta facturación no prueba que pertenecer al cluster produzca mayor gasto.
Limitaciones, contraejemplo y errores habituales
Una correlación cercana a cero no equivale a independencia, salvo bajo supuestos particulares. Además, las decisiones de intervención requieren diseños experimentales o supuestos causales adicionales. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Coeficiente de correlación» y «Interpretación causal», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 026 / 128 · Álgebra y geometría
¿Por qué PCA de correlaciones asigna un punto de partida comparable a variables medidas en distintas unidades?
Nivel: desarrollo universitario · conceptos clave: Matriz de correlaciones y PCA sobre correlaciones
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Matriz de correlaciones». Reúne correlaciones de todas las variables y tiene unos en la diagonal cuando las varianzas son positivas. Hacer PCA sobre esta matriz equivale, bajo convenciones coherentes, a aplicar PCA a variables estandarizadas.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «PCA sobre correlaciones»: Realiza PCA a partir de variables estandarizadas y su matriz de correlaciones. Cada dimensión con varianza positiva parte de peso unitario, aunque sigue importando la estructura de correlación cruzada.
Aplicación a datos o negocio
En términos aplicados, permite que facturación y frecuencia contribuyan sin ser privilegiadas por sus unidades de medida. Como contraste o evidencia complementaria, facilita estudiar gastos, frecuencia y antigüedad en una escala estadística comparable.
Limitaciones, contraejemplo y errores habituales
Puede dar peso excesivo a variables de varianza minúscula dominadas por ruido de medición. Además, una variable casi constante y ruidosa puede recibir un peso desproporcionado al llevarla a varianza uno. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Matriz de correlaciones» y «PCA sobre correlaciones», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 027 / 128 · Álgebra y geometría
¿Por qué PCA prioriza direcciones con gran dispersión y cómo se relaciona eso con el objetivo de compresión?
Nivel: desarrollo universitario · conceptos clave: Varianza muestral y Varianza explicada
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Varianza muestral». Resume la dispersión cuadrática de una variable respecto de su media usando un denominador acorde a la convención estadística. PCA maximiza la varianza de las proyecciones lineales sujetas a restricciones de longitud y ortogonalidad.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Varianza explicada»: Es la cantidad de varianza muestral asociada a un componente, correspondiente a su autovalor. Los ejes se ordenan de mayor a menor varianza, mientras que la suma recupera la varianza total de la representación de entrada.
Aplicación a datos o negocio
En términos aplicados, un indicador de ingresos disperso aporta una dirección potencialmente importante para describir diversidad de clientes. Como contraste o evidencia complementaria, una dirección que conserva gran parte de la variabilidad ayuda a comprimir información descriptiva.
Limitaciones, contraejemplo y errores habituales
Varianza alta no implica relevancia causal, interés comercial ni ausencia de errores de registro. Además, mayor varianza no equivale necesariamente a mayor capacidad de detectar fraude o predecir abandono. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Varianza muestral» y «Varianza explicada», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 028 / 128 · Álgebra y geometría
¿Cómo se obtiene conceptualmente la varianza explicada porcentual a partir de los autovalores de la covarianza?
Nivel: desarrollo universitario · conceptos clave: Traza de una matriz y Ratio de varianza explicada
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Traza de una matriz». Es la suma de los elementos de su diagonal y, para una covarianza, equivale a la varianza total de las variables. También es la suma de sus autovalores, de modo que permite calcular proporciones de varianza explicada.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Ratio de varianza explicada»: Es el autovalor de un componente dividido por la suma de todos los autovalores retenibles. Se expresa como fracción o porcentaje y permite comparar el peso relativo de cada eje dentro del problema definido.
Fórmula que fundamenta el razonamiento
tr(Σ)=Σⱼ λⱼ
Indicar supuestos y normalizaciones aplicables antes de utilizarla.
Aplicación a datos o negocio
En términos aplicados, la traza total es el denominador natural al comparar cuánta dispersión retienen dos componentes principales. Como contraste o evidencia complementaria, si PC1 explica 0,60, conserva el 60 por ciento de la varianza total bajo el preprocesamiento elegido.
Limitaciones, contraejemplo y errores habituales
Si las variables no están escaladas, esa suma refleja sus unidades originales y puede ser difícil de interpretar. Además, no representa porcentaje de información de negocio, precisión predictiva ni porcentaje de observaciones explicadas. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Traza de una matriz» y «Ratio de varianza explicada», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 029 / 128 · Álgebra y geometría
Explicá la relación entre autovectores, autovalores y direcciones principales de una nube de datos.
Nivel: desarrollo universitario · conceptos clave: Autovalor y Autovector
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Autovalor». Es un escalar asociado a una dirección propia, que indica cuánto estira una matriz esa dirección. En una matriz de covarianza positiva semidefinida, los autovalores son no negativos y cuantifican varianza en ejes principales.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Autovector»: Es una dirección no nula que se conserva al actuar una matriz, cambiando solo su longitud por el autovalor. Los autovectores normalizados de la covarianza simétrica forman direcciones ortogonales para PCA.
Fórmula que fundamenta el razonamiento
Σvⱼ=λⱼvⱼ
Indicar supuestos y normalizaciones aplicables antes de utilizarla.
Aplicación a datos o negocio
En términos aplicados, un autovalor grande identifica una orientación de la cartera donde las observaciones se distinguen ampliamente. Como contraste o evidencia complementaria, el primer autovector puede describir una combinación de mayor gasto y mayor frecuencia de compras.
Limitaciones, contraejemplo y errores habituales
Un autovalor pequeño no autoriza ignorar esa dirección si concentra anomalías útiles para una decisión. Además, su signo es arbitrario y, si existen autovalores repetidos, la elección de ejes individuales puede no ser única. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Autovalor» y «Autovector», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 030 / 128 · Álgebra y geometría
Dos bibliotecas muestran componentes con signos opuestos. ¿Cómo demostrarías que sus resultados pueden ser idénticos?
Nivel: desarrollo universitario · conceptos clave: Autovector y Ambigüedad de signo PCA
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Autovector». Es una dirección no nula que se conserva al actuar una matriz, cambiando solo su longitud por el autovalor. Los autovectores normalizados de la covarianza simétrica forman direcciones ortogonales para PCA.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Ambigüedad de signo PCA»: Un autovector y su opuesto describen el mismo eje geométrico y conservan idéntica varianza explicada. Distintas bibliotecas o ejecuciones pueden invertir los signos de scores y loadings sin cambiar el subespacio.
Fórmula que fundamenta el razonamiento
Σvⱼ=λⱼvⱼ
Indicar supuestos y normalizaciones aplicables antes de utilizarla.
Aplicación a datos o negocio
En términos aplicados, el primer autovector puede describir una combinación de mayor gasto y mayor frecuencia de compras. Como contraste o evidencia complementaria, una figura con PC1 positivo hacia la derecha y otra invertida pueden expresar exactamente el mismo resultado.
Limitaciones, contraejemplo y errores habituales
Su signo es arbitrario y, si existen autovalores repetidos, la elección de ejes individuales puede no ser única. Además, no declarar que un método cambió solo porque los signos de las cargas se invirtieron. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Autovector» y «Ambigüedad de signo PCA», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 031 / 128 · Álgebra y geometría
¿Qué significa que PC2 sea ortogonal a PC1 y por qué ello no garantiza independencia estadística?
Nivel: desarrollo universitario · conceptos clave: Ortogonalidad y Segundo componente principal PC2
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Ortogonalidad». Significa que dos vectores tienen producto interno igual a cero bajo la geometría euclídea pertinente. Los componentes principales sucesivos son ortogonales como ejes y sus scores no correlacionados en la muestra de ajuste.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Segundo componente principal PC2»: Es la dirección de máxima varianza residual entre las ortogonales a PC1. Su autovalor muestra cuánto aporta un segundo eje a la representación y sus scores no correlacionan linealmente con PC1.
Aplicación a datos o negocio
En términos aplicados, una orientación de volumen puede coexistir con otra de mezcla de compras sin compartir covarianza lineal. Como contraste o evidencia complementaria, una segunda dimensión puede distinguir preferencias de mezcla de productos a igual volumen.
Limitaciones, contraejemplo y errores habituales
No correlación no significa independencia estadística general ni garantiza interpretaciones de negocio distintas. Además, si la varianza restante es baja, el eje puede representar ruido o una señal minoritaria crítica; hay que contextualizar. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Ortogonalidad» y «Segundo componente principal PC2», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 032 / 128 · Álgebra y geometría
¿Por qué se exige que el vector del primer componente tenga norma unitaria al maximizar varianza?
Nivel: desarrollo universitario · conceptos clave: Norma de un vector y Primer componente principal PC1
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Norma de un vector». Es una medida de magnitud que, para la norma euclídea, equivale a la raíz de la suma de cuadrados de sus componentes. Al imponer norma unitaria a un vector de carga se evita aumentar artificialmente la varianza de una proyección.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Primer componente principal PC1»: Es la dirección unitaria que maximiza la varianza de la proyección lineal de los datos centrados. Se obtiene como autovector asociado al mayor autovalor de la matriz de covarianza o como primer vector derecho de SVD.
Fórmula que fundamenta el razonamiento
‖v‖₂=√(Σⱼvⱼ²)
Indicar supuestos y normalizaciones aplicables antes de utilizarla.
Aplicación a datos o negocio
En términos aplicados, un eje PCA tiene longitud uno para comparar direcciones y no escalas elegidas por el analista. Como contraste o evidencia complementaria, en clientes puede sintetizar un eje de intensidad de relación y volumen de consumo.
Limitaciones, contraejemplo y errores habituales
Confundir norma del vector con varianza de los datos a lo largo del eje produce razonamientos erróneos. Además, el signo del eje no tiene significado absoluto y un outlier extremo puede cambiar su orientación. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Norma de un vector» y «Primer componente principal PC1», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 033 / 128 · Álgebra y geometría
¿Cómo se calcula e interpreta un score PCA mediante proyección de una observación centrada?
Nivel: desarrollo universitario · conceptos clave: Producto interno y Scores o puntuaciones PCA
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Producto interno». Combina dos vectores multiplicando sus coordenadas correspondientes y sumando los productos. La proyección de una observación centrada sobre un eje principal unitario se obtiene mediante ese producto.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Scores o puntuaciones PCA»: Son las coordenadas de cada observación luego de proyectar la matriz centrada sobre los ejes principales elegidos. Se calculan como X_centrada multiplicada por la matriz de direcciones V de tamaño p por k.
Fórmula que fundamenta el razonamiento
scoreᵢⱼ=(xᵢ−μ)·vⱼ
Indicar supuestos y normalizaciones aplicables antes de utilizarla.
Aplicación a datos o negocio
En términos aplicados, un score PCA indica cuánto avanza un cliente sobre una dirección compuesta de varias características. Como contraste o evidencia complementaria, un score positivo en PC1 sitúa a un cliente hacia un extremo del patrón combinado definido por sus variables.
Limitaciones, contraejemplo y errores habituales
Interpretar el producto interno sin considerar el centrado hace perder la referencia estadística original. Además, no son probabilidades ni etiquetas; dependen de la muestra, el escalado y el signo arbitrario de cada eje. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Producto interno» y «Scores o puntuaciones PCA», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 034 / 128 · Álgebra y geometría
¿Por qué la SVD permite calcular componentes principales sin construir explícitamente la matriz de covarianza?
Nivel: desarrollo universitario · conceptos clave: SVD o descomposición singular y Matriz de covarianza
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «SVD o descomposición singular». Factoriza una matriz como UΣVᵀ, donde los valores singulares ordenan la energía cuadrática y V recoge direcciones de las columnas. Aplicada a X centrada, permite calcular PCA sin construir explícitamente la matriz de covarianza, mejorando estabilidad numérica.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Matriz de covarianza»: Contiene las covarianzas entre pares de variables y las varianzas en su diagonal principal. Para una matriz centrada y convención muestral suele calcularse XᵀX dividido por n menos uno.
Fórmula que fundamenta el razonamiento
Xc=UΣVᵀ
Indicar supuestos y normalizaciones aplicables antes de utilizarla.
Aplicación a datos o negocio
En términos aplicados, con miles de métricas, una implementación basada en SVD puede extraer los primeros componentes eficientemente. Como contraste o evidencia complementaria, si gasto y frecuencia aumentan juntos, su covarianza positiva contribuye a la orientación del primer componente.
Limitaciones, contraejemplo y errores habituales
Los valores singulares y autovalores se relacionan por cuadrados y normalización muestral; no deben tratarse como idénticos. Además, su interpretación depende de las unidades; una variable expresada en cifras mayores puede dominar los autovalores. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «SVD o descomposición singular» y «Matriz de covarianza», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 035 / 128 · Álgebra y geometría
¿Cuál es la relación entre valores singulares y autovalores de covarianza y qué confusión numérica debe evitarse?
Nivel: desarrollo universitario · conceptos clave: Valor singular y Autovalor
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Valor singular». Es una magnitud no negativa de la diagonal Σ en la SVD que mide la acción de la matriz sobre direcciones especiales. Para X centrada, el autovalor de covarianza correspondiente es el cuadrado del valor singular dividido por n menos uno.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Autovalor»: Es un escalar asociado a una dirección propia, que indica cuánto estira una matriz esa dirección. En una matriz de covarianza positiva semidefinida, los autovalores son no negativos y cuantifican varianza en ejes principales.
Fórmula que fundamenta el razonamiento
λⱼ=sⱼ²/(n−1)
Indicar supuestos y normalizaciones aplicables antes de utilizarla.
Aplicación a datos o negocio
En términos aplicados, en un scree plot basado en SVD, cuadrados de valores singulares determinan la varianza relativa. Como contraste o evidencia complementaria, un autovalor grande identifica una orientación de la cartera donde las observaciones se distinguen ampliamente.
Limitaciones, contraejemplo y errores habituales
Confundir magnitudes singulares con proporciones explicadas produce errores de escala. Además, un autovalor pequeño no autoriza ignorar esa dirección si concentra anomalías útiles para una decisión. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Valor singular» y «Autovalor», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 036 / 128 · Álgebra y geometría
Si hay diez observaciones y treinta variables, ¿por qué no pueden existir treinta componentes principales con varianza positiva tras centrar?
Nivel: desarrollo universitario · conceptos clave: Rango matricial y Varianza acumulada
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Rango matricial». Cuenta el número máximo de columnas o filas linealmente independientes de una matriz. La matriz centrada de n por p no puede tener rango superior al mínimo de n menos uno y p.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Varianza acumulada»: Es la suma de proporciones de varianza explicada por los primeros k componentes ordenados. Crece de forma monótona hasta uno al considerar todas las direcciones con varianza positiva.
Aplicación a datos o negocio
En términos aplicados, si hay diez clientes y treinta características, no habrá treinta componentes principales con varianza positiva. Como contraste o evidencia complementaria, una empresa puede exigir retener el 90 por ciento de dispersión antes de comprimir una base para visualización.
Limitaciones, contraejemplo y errores habituales
No es lo mismo rango exacto que rango numérico aproximado, especialmente bajo ruido y redondeo. Además, elegir umbrales arbitrarios como 95 por ciento no reemplaza validar el uso posterior de los datos reducidos. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Rango matricial» y «Varianza acumulada», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 037 / 128 · Álgebra y geometría
Una matriz de covarianza es casi singular. ¿Qué dificultades plantea para métricas y proyecciones?
Nivel: desarrollo universitario · conceptos clave: Condicionamiento numérico y Distancia de Mahalanobis
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Condicionamiento numérico». Describe la sensibilidad del resultado de una operación ante pequeñas perturbaciones de los datos. Matrices casi singulares o con escalas muy diferentes pueden amplificar errores en inversiones o cálculos de autovectores.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Distancia de Mahalanobis»: Mide separación relativa teniendo en cuenta correlaciones y dispersión, mediante la matriz de covarianza inversa cuando es invertible. Un desplazamiento en una dirección poco variable resulta más notable que el mismo desplazamiento en una dirección muy dispersa.
Aplicación a datos o negocio
En términos aplicados, en distancias Mahalanobis, una covarianza casi degenerada vuelve inestable la estimación. Como contraste o evidencia complementaria, en detección de perfiles inusuales permite valorar combinaciones de gasto y frecuencia en lugar de variables aisladas.
Limitaciones, contraejemplo y errores habituales
La precisión computacional no reemplaza el análisis estadístico de las variables. Además, una estimación de covarianza inestable o singular exige regularización o métodos robustos. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Condicionamiento numérico» y «Distancia de Mahalanobis», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 038 / 128 · Álgebra y geometría
¿Por qué las varianzas asociadas a los componentes de una matriz de covarianza no pueden ser negativas en teoría?
Nivel: desarrollo universitario · conceptos clave: Matriz positiva semidefinida y Autovalor
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Matriz positiva semidefinida». Es una matriz simétrica cuyo producto cuadrático con cualquier vector es no negativo. Las matrices de covarianza cumplen esta propiedad, por lo que su varianza proyectada nunca es negativa.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Autovalor»: Es un escalar asociado a una dirección propia, que indica cuánto estira una matriz esa dirección. En una matriz de covarianza positiva semidefinida, los autovalores son no negativos y cuantifican varianza en ejes principales.
Aplicación a datos o negocio
En términos aplicados, el espectro no negativo fundamenta seleccionar direcciones PCA según sus autovalores. Como contraste o evidencia complementaria, un autovalor grande identifica una orientación de la cartera donde las observaciones se distinguen ampliamente.
Limitaciones, contraejemplo y errores habituales
Un autovalor negativo muy pequeño por redondeo puede ser numérico; valores negativos importantes indican otro problema. Además, un autovalor pequeño no autoriza ignorar esa dirección si concentra anomalías útiles para una decisión. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Matriz positiva semidefinida» y «Autovalor», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 039 / 128 · PCA: interpretación y límites
Definí PCA desde su criterio de optimización y aclarar qué preguntas NO puede responder sobre clientes.
Nivel: desarrollo universitario · conceptos clave: Análisis de componentes principales PCA y Interpretación causal
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Análisis de componentes principales PCA». Es un método lineal no supervisado que construye ejes ortogonales ordenados por varianza de las observaciones proyectadas. Se calcula mediante autovectores de la covarianza o SVD de X centrada; puede reducir dimensión preservando dispersión promedio.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Interpretación causal»: Separa la descripción de asociaciones observadas de la afirmación de que una variable o acción provoca otra. Ni PCA ni clustering identifican efectos causales solo por operar sobre datos, aun si los grupos parecen separados.
Aplicación a datos o negocio
En términos aplicados, una cartera con métricas relacionadas se resume en dos ejes para visualizar perfiles y redundancias. Como contraste o evidencia complementaria, detectar clientes de alta facturación no prueba que pertenecer al cluster produzca mayor gasto.
Limitaciones, contraejemplo y errores habituales
No maximiza separación entre clases ni confirma la existencia de clusters estables o comercialmente útiles. Además, las decisiones de intervención requieren diseños experimentales o supuestos causales adicionales. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Análisis de componentes principales PCA» y «Interpretación causal», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 040 / 128 · PCA: interpretación y límites
¿Cómo se determina PC1 y por qué un eje de mucha varianza no debe confundirse con un eje de máxima rentabilidad?
Nivel: desarrollo universitario · conceptos clave: Primer componente principal PC1 y Varianza explicada
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Primer componente principal PC1». Es la dirección unitaria que maximiza la varianza de la proyección lineal de los datos centrados. Se obtiene como autovector asociado al mayor autovalor de la matriz de covarianza o como primer vector derecho de SVD.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Varianza explicada»: Es la cantidad de varianza muestral asociada a un componente, correspondiente a su autovalor. Los ejes se ordenan de mayor a menor varianza, mientras que la suma recupera la varianza total de la representación de entrada.
Aplicación a datos o negocio
En términos aplicados, en clientes puede sintetizar un eje de intensidad de relación y volumen de consumo. Como contraste o evidencia complementaria, una dirección que conserva gran parte de la variabilidad ayuda a comprimir información descriptiva.
Limitaciones, contraejemplo y errores habituales
El signo del eje no tiene significado absoluto y un outlier extremo puede cambiar su orientación. Además, mayor varianza no equivale necesariamente a mayor capacidad de detectar fraude o predecir abandono. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Primer componente principal PC1» y «Varianza explicada», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 041 / 128 · PCA: interpretación y límites
¿Qué información agrega PC2 una vez seleccionado PC1 y cómo justificarías su interpretación?
Nivel: desarrollo universitario · conceptos clave: Segundo componente principal PC2 y Ortogonalidad
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Segundo componente principal PC2». Es la dirección de máxima varianza residual entre las ortogonales a PC1. Su autovalor muestra cuánto aporta un segundo eje a la representación y sus scores no correlacionan linealmente con PC1.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Ortogonalidad»: Significa que dos vectores tienen producto interno igual a cero bajo la geometría euclídea pertinente. Los componentes principales sucesivos son ortogonales como ejes y sus scores no correlacionados en la muestra de ajuste.
Aplicación a datos o negocio
En términos aplicados, una segunda dimensión puede distinguir preferencias de mezcla de productos a igual volumen. Como contraste o evidencia complementaria, una orientación de volumen puede coexistir con otra de mezcla de compras sin compartir covarianza lineal.
Limitaciones, contraejemplo y errores habituales
Si la varianza restante es baja, el eje puede representar ruido o una señal minoritaria crítica; hay que contextualizar. Además, no correlación no significa independencia estadística general ni garantiza interpretaciones de negocio distintas. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Segundo componente principal PC2» y «Ortogonalidad», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 042 / 128 · PCA: interpretación y límites
¿Cuál es la diferencia conceptual entre scores y loadings al leer un gráfico PCA de clientes?
Nivel: desarrollo universitario · conceptos clave: Scores o puntuaciones PCA y Loadings o cargas PCA
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Scores o puntuaciones PCA». Son las coordenadas de cada observación luego de proyectar la matriz centrada sobre los ejes principales elegidos. Se calculan como X_centrada multiplicada por la matriz de direcciones V de tamaño p por k.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Loadings o cargas PCA»: Expresan cómo contribuyen las variables originales a las direcciones de los componentes, según la convención de normalización utilizada. Pueden referirse a coeficientes de autovectores o a correlaciones variable-componente; se debe declarar la convención.
Fórmula que fundamenta el razonamiento
T=XcVₖ
Indicar supuestos y normalizaciones aplicables antes de utilizarla.
Aplicación a datos o negocio
En términos aplicados, un score positivo en PC1 sitúa a un cliente hacia un extremo del patrón combinado definido por sus variables. Como contraste o evidencia complementaria, una carga positiva de gasto y frecuencia sugiere un eje relacionado con intensidad, sin probar causalidad.
Limitaciones, contraejemplo y errores habituales
No son probabilidades ni etiquetas; dependen de la muestra, el escalado y el signo arbitrario de cada eje. Además, comparar cargas de procedimientos con distintas estandarizaciones o signos puede llevar a conclusiones falsas. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Scores o puntuaciones PCA» y «Loadings o cargas PCA», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 043 / 128 · PCA: interpretación y límites
¿Cómo interpretarías la dirección de las flechas de un biplot sin atribuirles causalidad?
Nivel: desarrollo universitario · conceptos clave: Loadings o cargas PCA y Biplot
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Loadings o cargas PCA». Expresan cómo contribuyen las variables originales a las direcciones de los componentes, según la convención de normalización utilizada. Pueden referirse a coeficientes de autovectores o a correlaciones variable-componente; se debe declarar la convención.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Biplot»: Combina una representación de las observaciones mediante scores con vectores o marcas de variables basadas en loadings. Permite interpretar orientaciones y asociaciones, siempre que se respete la convención de escalado usada en ambos elementos.
Aplicación a datos o negocio
En términos aplicados, una carga positiva de gasto y frecuencia sugiere un eje relacionado con intensidad, sin probar causalidad. Como contraste o evidencia complementaria, los clientes aparecen en un plano y las flechas muestran cuáles indicadores se asocian con ciertas regiones.
Limitaciones, contraejemplo y errores habituales
Comparar cargas de procedimientos con distintas estandarizaciones o signos puede llevar a conclusiones falsas. Además, longitudes y ángulos pueden interpretarse incorrectamente si las cargas y las puntuaciones emplean escalas distintas. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Loadings o cargas PCA» y «Biplot», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 044 / 128 · PCA: interpretación y límites
¿Qué información entrega la varianza explicada de cada eje y qué agrega su valor acumulado?
Nivel: desarrollo universitario · conceptos clave: Varianza explicada y Varianza acumulada
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Varianza explicada». Es la cantidad de varianza muestral asociada a un componente, correspondiente a su autovalor. Los ejes se ordenan de mayor a menor varianza, mientras que la suma recupera la varianza total de la representación de entrada.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Varianza acumulada»: Es la suma de proporciones de varianza explicada por los primeros k componentes ordenados. Crece de forma monótona hasta uno al considerar todas las direcciones con varianza positiva.
Fórmula que fundamenta el razonamiento
Var(PCⱼ)=λⱼ
Indicar supuestos y normalizaciones aplicables antes de utilizarla.
Aplicación a datos o negocio
En términos aplicados, una dirección que conserva gran parte de la variabilidad ayuda a comprimir información descriptiva. Como contraste o evidencia complementaria, una empresa puede exigir retener el 90 por ciento de dispersión antes de comprimir una base para visualización.
Limitaciones, contraejemplo y errores habituales
Mayor varianza no equivale necesariamente a mayor capacidad de detectar fraude o predecir abandono. Además, elegir umbrales arbitrarios como 95 por ciento no reemplaza validar el uso posterior de los datos reducidos. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Varianza explicada» y «Varianza acumulada», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 045 / 128 · PCA: interpretación y límites
Un PCA retiene el 95 por ciento de la varianza. ¿Por qué eso no demuestra que conserva el 95 por ciento del valor comercial?
Nivel: desarrollo universitario · conceptos clave: Ratio de varianza explicada y Métricas de negocio
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Ratio de varianza explicada». Es el autovalor de un componente dividido por la suma de todos los autovalores retenibles. Se expresa como fracción o porcentaje y permite comparar el peso relativo de cada eje dentro del problema definido.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Métricas de negocio»: Son indicadores de resultados operativos o económicos que convierten una segmentación descriptiva en una decisión evaluable. Pueden incluir contribución marginal, retención, costo de contacto, lifetime value y riesgo según objetivo.
Fórmula que fundamenta el razonamiento
rⱼ=λⱼ/(Σᵢλᵢ)
Indicar supuestos y normalizaciones aplicables antes de utilizarla.
Aplicación a datos o negocio
En términos aplicados, si PC1 explica 0,60, conserva el 60 por ciento de la varianza total bajo el preprocesamiento elegido. Como contraste o evidencia complementaria, la elección final de K considera si las acciones diferenciales generan beneficio incremental neto.
Limitaciones, contraejemplo y errores habituales
No representa porcentaje de información de negocio, precisión predictiva ni porcentaje de observaciones explicadas. Además, silhouette alta y mayor cantidad de segmentos no equivalen a rentabilidad. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Ratio de varianza explicada» y «Métricas de negocio», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 046 / 128 · PCA: interpretación y límites
¿Cómo defenderías el número de componentes retenidos combinando varianza acumulada y error de reconstrucción?
Nivel: desarrollo universitario · conceptos clave: Varianza acumulada y Error cuadrático de reconstrucción
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Varianza acumulada». Es la suma de proporciones de varianza explicada por los primeros k componentes ordenados. Crece de forma monótona hasta uno al considerar todas las direcciones con varianza positiva.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Error cuadrático de reconstrucción»: Cuantifica la suma o promedio de cuadrados entre observaciones originales y reconstruidas en el mismo espacio de comparación. Disminuye o no aumenta cuando se agregan componentes principales; debe aclararse normalización y escalado.
Fórmula que fundamenta el razonamiento
Rₖ=Σⱼ₌₁ᵏrⱼ
Indicar supuestos y normalizaciones aplicables antes de utilizarla.
Aplicación a datos o negocio
En términos aplicados, una empresa puede exigir retener el 90 por ciento de dispersión antes de comprimir una base para visualización. Como contraste o evidencia complementaria, comparar errores con k igual a uno, dos y tres muestra el costo de reducir la dimensionalidad.
Limitaciones, contraejemplo y errores habituales
Elegir umbrales arbitrarios como 95 por ciento no reemplaza validar el uso posterior de los datos reducidos. Además, la reducción de error dentro de la muestra no implica que una proyección generalice bien fuera de ella. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Varianza acumulada» y «Error cuadrático de reconstrucción», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 047 / 128 · PCA: interpretación y límites
Compará el scree plot y el criterio de Kaiser, indicando en qué condiciones este último tiene sentido.
Nivel: desarrollo universitario · conceptos clave: Scree plot y Criterio de Kaiser
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Scree plot». Es un gráfico de autovalores o proporciones explicadas frente al número ordenado de componentes. La forma permite ver si pocos ejes dominan y si existe una transición a contribuciones pequeñas.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Criterio de Kaiser»: Regla heurística que retiene componentes con autovalor mayor que uno al trabajar sobre una matriz de correlaciones. Su justificación compara cada componente con la varianza unitaria de una variable estandarizada; no es una prueba universal.
Aplicación a datos o negocio
En términos aplicados, un descenso pronunciado tras PC2 sugiere examinar una proyección bidimensional como simplificación inicial. Como contraste o evidencia complementaria, en una encuesta de indicadores comparables puede aportar una referencia preliminar entre varias evidencias.
Limitaciones, contraejemplo y errores habituales
El codo suele ser ambiguo y es peligroso seleccionar dimensionalidad solo por la estética del gráfico. Además, no se traslada automáticamente a PCA sobre covarianzas en unidades originales ni sustituye validación. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Scree plot» y «Criterio de Kaiser», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 048 / 128 · PCA: interpretación y límites
¿Por qué la regla de autovalores mayores a uno puede ser incorrecta para PCA sobre covarianzas no estandarizadas?
Nivel: desarrollo universitario · conceptos clave: Criterio de Kaiser y PCA sobre covarianzas
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Criterio de Kaiser». Regla heurística que retiene componentes con autovalor mayor que uno al trabajar sobre una matriz de correlaciones. Su justificación compara cada componente con la varianza unitaria de una variable estandarizada; no es una prueba universal.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «PCA sobre covarianzas»: Aplica la descomposición a la covarianza de variables centradas conservando las unidades y escalas originales. Las variables con mayor varianza absoluta suelen tener influencia notable en los primeros ejes.
Aplicación a datos o negocio
En términos aplicados, en una encuesta de indicadores comparables puede aportar una referencia preliminar entre varias evidencias. Como contraste o evidencia complementaria, puede ser apropiado cuando todas las variables comparten unidad y una mayor dispersión tiene sentido sustantivo.
Limitaciones, contraejemplo y errores habituales
No se traslada automáticamente a PCA sobre covarianzas en unidades originales ni sustituye validación. Además, mezclar pesos, pesos monetarios y porcentajes sin escalar suele producir un eje dominado por la unidad mayor. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Criterio de Kaiser» y «PCA sobre covarianzas», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 049 / 128 · PCA: interpretación y límites
Dos análisis PCA producen ejes muy diferentes sobre los mismos datos. ¿Cómo explicarías el papel de la escala?
Nivel: desarrollo universitario · conceptos clave: PCA sobre covarianzas y PCA sobre correlaciones
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «PCA sobre covarianzas». Aplica la descomposición a la covarianza de variables centradas conservando las unidades y escalas originales. Las variables con mayor varianza absoluta suelen tener influencia notable en los primeros ejes.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «PCA sobre correlaciones»: Realiza PCA a partir de variables estandarizadas y su matriz de correlaciones. Cada dimensión con varianza positiva parte de peso unitario, aunque sigue importando la estructura de correlación cruzada.
Aplicación a datos o negocio
En términos aplicados, puede ser apropiado cuando todas las variables comparten unidad y una mayor dispersión tiene sentido sustantivo. Como contraste o evidencia complementaria, facilita estudiar gastos, frecuencia y antigüedad en una escala estadística comparable.
Limitaciones, contraejemplo y errores habituales
Mezclar pesos, pesos monetarios y porcentajes sin escalar suele producir un eje dominado por la unidad mayor. Además, una variable casi constante y ruidosa puede recibir un peso desproporcionado al llevarla a varianza uno. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «PCA sobre covarianzas» y «PCA sobre correlaciones», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 050 / 128 · PCA: interpretación y límites
¿Cuándo puede ser perjudicial estandarizar variables casi constantes para realizar PCA?
Nivel: desarrollo universitario · conceptos clave: PCA sobre correlaciones y Estandarización z-score
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «PCA sobre correlaciones». Realiza PCA a partir de variables estandarizadas y su matriz de correlaciones. Cada dimensión con varianza positiva parte de peso unitario, aunque sigue importando la estructura de correlación cruzada.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Estandarización z-score»: Transforma una variable restando su media y dividiendo por su desviación estándar estimada, cuando esta es positiva. Centra en cero y lleva a varianza unitaria la muestra utilizada para ajustar la transformación; modifica distancias y direcciones principales.
Aplicación a datos o negocio
En términos aplicados, facilita estudiar gastos, frecuencia y antigüedad en una escala estadística comparable. Como contraste o evidencia complementaria, un gasto de gran magnitud deja de dominar mecánicamente a una frecuencia expresada en unidades pequeñas.
Limitaciones, contraejemplo y errores habituales
Una variable casi constante y ruidosa puede recibir un peso desproporcionado al llevarla a varianza uno. Además, debe ajustarse con datos de entrenamiento para evitar filtración y puede ser muy sensible a outliers. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «PCA sobre correlaciones» y «Estandarización z-score», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 051 / 128 · PCA: interpretación y límites
¿Por qué las distancias vistas en un gráfico PC1-PC2 pueden no coincidir con las distancias originales?
Nivel: desarrollo universitario · conceptos clave: Proyección lineal y Espacio de características
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Proyección lineal». Es la asignación de coordenadas de una observación sobre una base o subespacio por productos internos. En PCA, retener k ejes implica conservar la parte de la observación contenida en el subespacio principal.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Espacio de características»: Es el espacio de dimensión p en el que cada observación ocupa una posición definida por sus p variables. Las distancias y las orientaciones principales solo tienen significado respecto de las coordenadas y escalas escogidas.
Aplicación a datos o negocio
En términos aplicados, un cliente de veinte atributos pasa a tener dos scores para graficarse sin modificar su identidad de origen. Como contraste o evidencia complementaria, dos clientes cercanos en gasto y frecuencia quizá estén lejos si también se incorpora sensibilidad al descuento.
Limitaciones, contraejemplo y errores habituales
Las distancias del gráfico reducido no tienen por qué preservar todas las distancias originales. Además, un gráfico bidimensional puede ocultar separaciones que existen en el espacio original de mayor dimensión. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Proyección lineal» y «Espacio de características», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 052 / 128 · PCA: interpretación y límites
¿Cómo se reconstruye aproximadamente una observación desde k scores y qué representa el residuo?
Nivel: desarrollo universitario · conceptos clave: Reconstrucción desde PCA y Error cuadrático de reconstrucción
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Reconstrucción desde PCA». Reaproxima los datos originales multiplicando los scores por las direcciones transpuestas y sumando la media previamente quitada. La reconstrucción de rango k minimiza el error cuadrático de Frobenius entre todas las aproximaciones lineales de ese rango.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Error cuadrático de reconstrucción»: Cuantifica la suma o promedio de cuadrados entre observaciones originales y reconstruidas en el mismo espacio de comparación. Disminuye o no aumenta cuando se agregan componentes principales; debe aclararse normalización y escalado.
Fórmula que fundamenta el razonamiento
X̂=TₖVₖᵀ+μ
Indicar supuestos y normalizaciones aplicables antes de utilizarla.
Aplicación a datos o negocio
En términos aplicados, una empresa puede analizar cuáles métricas pierde al conservar dos ejes en lugar de diez. Como contraste o evidencia complementaria, comparar errores con k igual a uno, dos y tres muestra el costo de reducir la dimensionalidad.
Limitaciones, contraejemplo y errores habituales
Una buena reconstrucción global puede borrar variaciones minoritarias decisivas para detectar riesgos. Además, la reducción de error dentro de la muestra no implica que una proyección generalice bien fuera de ella. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Reconstrucción desde PCA» y «Error cuadrático de reconstrucción», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 053 / 128 · PCA: interpretación y límites
¿Cómo puede el error residual ayudar a detectar observaciones extrañas y cuáles son sus limitaciones?
Nivel: desarrollo universitario · conceptos clave: Error cuadrático de reconstrucción y PCA y detección de anomalías
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Error cuadrático de reconstrucción». Cuantifica la suma o promedio de cuadrados entre observaciones originales y reconstruidas en el mismo espacio de comparación. Disminuye o no aumenta cuando se agregan componentes principales; debe aclararse normalización y escalado.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «PCA y detección de anomalías»: Utiliza distancias en el subespacio principal o errores en el residual para identificar observaciones poco compatibles con la estructura dominante. Un punto puede tener score extremo dentro del subespacio o gran error de reconstrucción fuera de él.
Fórmula que fundamenta el razonamiento
Eₖ=‖Xc−TₖVₖᵀ‖F²
Indicar supuestos y normalizaciones aplicables antes de utilizarla.
Aplicación a datos o negocio
En términos aplicados, comparar errores con k igual a uno, dos y tres muestra el costo de reducir la dimensionalidad. Como contraste o evidencia complementaria, una transacción puede parecer normal en monto, pero inusual en la combinación de métricas correlacionadas.
Limitaciones, contraejemplo y errores habituales
La reducción de error dentro de la muestra no implica que una proyección generalice bien fuera de ella. Además, un score alto no prueba fraude; los umbrales deben validarse con contexto, errores y decisiones reales. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Error cuadrático de reconstrucción» y «PCA y detección de anomalías», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 054 / 128 · PCA: interpretación y límites
¿Qué precauciones tomarías para comparar dos biplots generados por programas diferentes?
Nivel: desarrollo universitario · conceptos clave: Biplot y Ambigüedad de signo PCA
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Biplot». Combina una representación de las observaciones mediante scores con vectores o marcas de variables basadas en loadings. Permite interpretar orientaciones y asociaciones, siempre que se respete la convención de escalado usada en ambos elementos.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Ambigüedad de signo PCA»: Un autovector y su opuesto describen el mismo eje geométrico y conservan idéntica varianza explicada. Distintas bibliotecas o ejecuciones pueden invertir los signos de scores y loadings sin cambiar el subespacio.
Aplicación a datos o negocio
En términos aplicados, los clientes aparecen en un plano y las flechas muestran cuáles indicadores se asocian con ciertas regiones. Como contraste o evidencia complementaria, una figura con PC1 positivo hacia la derecha y otra invertida pueden expresar exactamente el mismo resultado.
Limitaciones, contraejemplo y errores habituales
Longitudes y ángulos pueden interpretarse incorrectamente si las cargas y las puntuaciones emplean escalas distintas. Además, no declarar que un método cambió solo porque los signos de las cargas se invirtieron. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Biplot» y «Ambigüedad de signo PCA», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 055 / 128 · PCA: interpretación y límites
¿Por qué es preferible comparar subespacios completos y no solo el signo de un autovector?
Nivel: desarrollo universitario · conceptos clave: Ambigüedad de signo PCA y Subespacio principal
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Ambigüedad de signo PCA». Un autovector y su opuesto describen el mismo eje geométrico y conservan idéntica varianza explicada. Distintas bibliotecas o ejecuciones pueden invertir los signos de scores y loadings sin cambiar el subespacio.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Subespacio principal»: Es el espacio generado por los primeros k componentes ortogonales y resume direcciones de gran varianza. Cuando algunos autovalores son cercanos o repetidos, los ejes individuales pueden variar aunque el subespacio sea estable.
Aplicación a datos o negocio
En términos aplicados, una figura con PC1 positivo hacia la derecha y otra invertida pueden expresar exactamente el mismo resultado. Como contraste o evidencia complementaria, dos soluciones pueden tener scores rotados dentro del mismo plano PCA sin pérdida sustantiva de información.
Limitaciones, contraejemplo y errores habituales
No declarar que un método cambió solo porque los signos de las cargas se invirtieron. Además, comparar solo los valores elemento a elemento de cada autovector puede exagerar inestabilidad. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Ambigüedad de signo PCA» y «Subespacio principal», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 056 / 128 · PCA: interpretación y límites
¿Por qué dos bases distintas pueden representar el mismo subespacio de reducción dimensional?
Nivel: desarrollo universitario · conceptos clave: Subespacio principal y Rango matricial
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Subespacio principal». Es el espacio generado por los primeros k componentes ortogonales y resume direcciones de gran varianza. Cuando algunos autovalores son cercanos o repetidos, los ejes individuales pueden variar aunque el subespacio sea estable.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Rango matricial»: Cuenta el número máximo de columnas o filas linealmente independientes de una matriz. La matriz centrada de n por p no puede tener rango superior al mínimo de n menos uno y p.
Aplicación a datos o negocio
En términos aplicados, dos soluciones pueden tener scores rotados dentro del mismo plano PCA sin pérdida sustantiva de información. Como contraste o evidencia complementaria, si hay diez clientes y treinta características, no habrá treinta componentes principales con varianza positiva.
Limitaciones, contraejemplo y errores habituales
Comparar solo los valores elemento a elemento de cada autovector puede exagerar inestabilidad. Además, no es lo mismo rango exacto que rango numérico aproximado, especialmente bajo ruido y redondeo. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Subespacio principal» y «Rango matricial», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 057 / 128 · PCA: interpretación y límites
¿Qué cambia en las distancias de K-Means al aplicar whitening a scores PCA y qué problema NO resuelve?
Nivel: desarrollo universitario · conceptos clave: Blanqueamiento o whitening y K-Means y grupos no convexos
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Blanqueamiento o whitening». Transforma scores PCA para llevar sus componentes retenidos a escalas unitarias bajo una convención explícita. Divide esencialmente cada coordenada por una medida de dispersión asociada al componente, modificando distancias posteriores.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «K-Means y grupos no convexos»: Explica la dificultad del modelo clásico para recuperar anillos, lunas o cadenas curvas. Las celdas de Voronoi imponen particiones por proximidad a centros, no conectividad sobre una variedad curva.
Aplicación a datos o negocio
En términos aplicados, puede servir antes de algoritmos sensibles a escala cuando las diferencias de varianza entre componentes no deben dominar. Como contraste o evidencia complementaria, con dos anillos concéntricos, K-Means suele dividir sectores geométricos en lugar de reconstruir los anillos.
Limitaciones, contraejemplo y errores habituales
Amplificar componentes de muy baja varianza también puede amplificar ruido y anomalías de medición. Además, un silhouette relativamente favorable no convierte la frontera obtenida en la estructura deseada. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Blanqueamiento o whitening» y «K-Means y grupos no convexos», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 058 / 128 · PCA: interpretación y límites
Una transacción excepcional orienta PC1. ¿Cómo diagnosticarías su influencia y qué alternativas estudiarías?
Nivel: desarrollo universitario · conceptos clave: PCA robusto y PCA y detección de anomalías
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «PCA robusto». Familia de procedimientos que reduce la sensibilidad de la descomposición a observaciones contaminadas o valores extremos. Algunas formulaciones separan una estructura de bajo rango de un componente disperso de anomalías; otras emplean covarianzas robustas.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «PCA y detección de anomalías»: Utiliza distancias en el subespacio principal o errores en el residual para identificar observaciones poco compatibles con la estructura dominante. Un punto puede tener score extremo dentro del subespacio o gran error de reconstrucción fuera de él.
Aplicación a datos o negocio
En términos aplicados, una base de consumo con unas pocas operaciones anormalmente altas puede requerir estudiar una variante robusta. Como contraste o evidencia complementaria, una transacción puede parecer normal en monto, pero inusual en la combinación de métricas correlacionadas.
Limitaciones, contraejemplo y errores habituales
No existe una única definición operacional de PCA robusto; hay que explicar el método y sus supuestos. Además, un score alto no prueba fraude; los umbrales deben validarse con contexto, errores y decisiones reales. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «PCA robusto» y «PCA y detección de anomalías», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 059 / 128 · PCA: interpretación y límites
¿Cuándo justifica la escala computacional usar PCA incremental y por qué todavía es necesario controlar drift?
Nivel: desarrollo universitario · conceptos clave: PCA incremental y Drift de datos
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «PCA incremental». Actualiza una aproximación de componentes principales por bloques de observaciones en lugar de requerir todos los datos simultáneamente. Reduce necesidades de memoria y resulta útil para datos grandes o flujos moderados, con aproximaciones dependientes del algoritmo.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Drift de datos»: Es un cambio en la distribución de las variables de entrada respecto del período usado para ajustar el sistema. Puede desplazar distancias, cambiar tamaños de segmentos e invalidar interpretaciones sin cambiar el algoritmo.
Aplicación a datos o negocio
En términos aplicados, una empresa analiza millones de tickets por lotes para obtener ejes descriptivos sin cargar todo en RAM. Como contraste o evidencia complementaria, la inflación nominal modifica gasto monetario y mueve los centros si no se actualiza la medición.
Limitaciones, contraejemplo y errores habituales
No evita por sí mismo el drift ni garantiza identidad exacta con la SVD completa. Además, no cualquier cambio exige reentrenar: hay que analizar magnitud, causa e impacto de decisiones. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «PCA incremental» y «Drift de datos», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 060 / 128 · PCA: interpretación y límites
¿Qué problema conceptual intenta resolver kernel PCA y qué nuevos riesgos introduce la elección del kernel?
Nivel: desarrollo universitario · conceptos clave: Kernel PCA y Proyección lineal
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Kernel PCA». Extiende la idea de PCA mediante un núcleo que representa productos internos en un espacio de características implícito. La no linealidad del kernel puede facilitar representaciones curvas, a costa de parámetros y una interpretación menos directa.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Proyección lineal»: Es la asignación de coordenadas de una observación sobre una base o subespacio por productos internos. En PCA, retener k ejes implica conservar la parte de la observación contenida en el subespacio principal.
Aplicación a datos o negocio
En términos aplicados, datos con anillos concéntricos pueden desplegarse en coordenadas que vuelven visible cierta estructura. Como contraste o evidencia complementaria, un cliente de veinte atributos pasa a tener dos scores para graficarse sin modificar su identidad de origen.
Limitaciones, contraejemplo y errores habituales
La elección de kernel y ancho de banda es determinante; su coste y comportamiento fuera de muestra exigen evaluación. Además, las distancias del gráfico reducido no tienen por qué preservar todas las distancias originales. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Kernel PCA» y «Proyección lineal», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 061 / 128 · PCA: interpretación y límites
¿Por qué una dirección de baja varianza puede ser crucial para detectar fraude o errores raros?
Nivel: desarrollo universitario · conceptos clave: PCA y detección de anomalías y Ratio de varianza explicada
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «PCA y detección de anomalías». Utiliza distancias en el subespacio principal o errores en el residual para identificar observaciones poco compatibles con la estructura dominante. Un punto puede tener score extremo dentro del subespacio o gran error de reconstrucción fuera de él.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Ratio de varianza explicada»: Es el autovalor de un componente dividido por la suma de todos los autovalores retenibles. Se expresa como fracción o porcentaje y permite comparar el peso relativo de cada eje dentro del problema definido.
Aplicación a datos o negocio
En términos aplicados, una transacción puede parecer normal en monto, pero inusual en la combinación de métricas correlacionadas. Como contraste o evidencia complementaria, si PC1 explica 0,60, conserva el 60 por ciento de la varianza total bajo el preprocesamiento elegido.
Limitaciones, contraejemplo y errores habituales
Un score alto no prueba fraude; los umbrales deben validarse con contexto, errores y decisiones reales. Además, no representa porcentaje de información de negocio, precisión predictiva ni porcentaje de observaciones explicadas. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «PCA y detección de anomalías» y «Ratio de varianza explicada», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 062 / 128 · PCA: interpretación y límites
¿Cómo comprobarías que reducir dimensión antes de K-Means mejora de verdad la segmentación?
Nivel: desarrollo universitario · conceptos clave: PCA y clustering posterior y K y número de grupos
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «PCA y clustering posterior». Combina reducción de dimensión con un algoritmo de agrupamiento, ajustando primero la representación y luego las distancias entre scores. Puede eliminar ruido o redundancia y acelerar estimación, pero también descartar la dimensión que separa grupos pequeños.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «K y número de grupos»: K determina cuántos centroides y particiones impone K-Means y es una decisión de modelado no observada automáticamente. Se elige considerando geometría, estabilidad, métricas internas, tamaños, significado y acciones de negocio.
Aplicación a datos o negocio
En términos aplicados, se prueban clusters sobre datos estandarizados y sobre los primeros componentes para comparar estabilidad y perfil. Como contraste o evidencia complementaria, k igual a tres puede separar segmentos operativos mejor que K igual a cinco aunque este reduzca inercia.
Limitaciones, contraejemplo y errores habituales
Una elección de componentes basada únicamente en varianza puede destruir separaciones de negocio relevantes. Además, no asumir que existe un único K verdadero identificable mediante una curva. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «PCA y clustering posterior» y «K y número de grupos», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 063 / 128 · PCA: interpretación y límites
¿Por qué calcular PCA sobre todos los meses disponibles puede introducir una ventaja ilusoria en la evaluación temporal?
Nivel: desarrollo universitario · conceptos clave: Filtración de información en PCA y Validación temporal
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Filtración de información en PCA». Ocurre cuando la transformación aprende parámetros usando registros que deben reservarse para evaluación o datos futuros. Medias, desviaciones y autovectores deben ajustarse dentro de cada partición de entrenamiento en procedimientos evaluativos.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Validación temporal»: Evalúa si perfiles y reglas de asignación permanecen interpretables al avanzar el tiempo. Se compara distribución de variables, tamaños, centroides, asignaciones y resultados comerciales entre períodos.
Aplicación a datos o negocio
En términos aplicados, en una validación temporal, calcular PCA con meses futuros introduce información de distribución no disponible en el pasado. Como contraste o evidencia complementaria, segmentos construidos con compras del primer semestre se revisan con nuevos clientes del segundo.
Limitaciones, contraejemplo y errores habituales
Aunque PCA no use etiquetas, puede filtrar información y favorecer artificialmente la evaluación de un pipeline. Además, una base temporal mezclada aleatoriamente puede ocultar el deterioro por cambios de mercado. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Filtración de información en PCA» y «Validación temporal», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 064 / 128 · K-Means: algoritmo y evaluación
¿Qué significa que dos clusterizaciones con etiquetas distintas representen en realidad la misma partición?
Nivel: desarrollo universitario · conceptos clave: Partición por clusters y Etiquetas permutables
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Partición por clusters». Distribuye las observaciones en grupos disjuntos, de modo que cada registro recibe una asignación en el esquema clásico. No presupone que las etiquetas numéricas tengan orden; interesa el conjunto de pertenencias y las propiedades de cada grupo.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Etiquetas permutables»: Los identificadores 0, 1 o 2 asignados a clusters son nombres arbitrarios sin orden intrínseco. Dos corridas pueden describir exactamente la misma partición intercambiando todos sus números de etiqueta.
Aplicación a datos o negocio
En términos aplicados, una segmentación comercial puede formar cuatro perfiles con tamaños y comportamientos distintos. Como contraste o evidencia complementaria, para comparar ejecuciones se emplean medidas invariantes a la permutación, como ARI.
Limitaciones, contraejemplo y errores habituales
El algoritmo puede forzar una partición incluso cuando el conjunto es continuo y no contiene cortes naturales. Además, restar códigos de cluster o interpretar que el grupo 2 es superior al 1 carece de sentido. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Partición por clusters» y «Etiquetas permutables», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 065 / 128 · K-Means: algoritmo y evaluación
¿Qué distingue un centroide de un medoide y cuál es la ventaja de usar una observación real como representante?
Nivel: desarrollo universitario · conceptos clave: Centroide y Medoide
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Centroide». Es la media vectorial de las observaciones asignadas a un cluster y minimiza su suma de distancias euclídeas cuadradas. Puede quedar en una posición donde no existe ninguna observación real, porque resume promedios de coordenadas.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Medoide»: Es una observación real elegida para representar un cluster según una función de disimilitud. A diferencia del centroide, pertenece al dataset y puede utilizar distancias no euclídeas en métodos como k-medoids.
Aplicación a datos o negocio
En términos aplicados, el centroide de un segmento aproxima el perfil de gasto, frecuencia y antigüedad del grupo. Como contraste o evidencia complementaria, un cliente medoide puede ofrecer un caso representativo concreto para describir su segmento.
Limitaciones, contraejemplo y errores habituales
La media se desplaza ante outliers y puede resumir mal grupos alargados, no convexos o multimodales. Además, no confundir k-medoids con K-Means: usan representaciones y funciones objetivo diferentes. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Centroide» y «Medoide», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 066 / 128 · K-Means: algoritmo y evaluación
¿Cuál es exactamente la función que minimiza K-Means y por qué su descenso no garantiza una solución global?
Nivel: desarrollo universitario · conceptos clave: Función objetivo de K-Means y Mínimo local
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Función objetivo de K-Means». Minimiza la suma de distancias euclídeas cuadradas desde cada punto al centroide de su grupo, llamada inercia. La minimización conjunta de asignaciones y centros es no convexa y puede alcanzar soluciones locales diferentes.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Mínimo local»: Es una solución que no mejora mediante cambios pequeños permitidos por el procedimiento, aunque existan soluciones globalmente mejores. K-Means puede quedar atrapado por la combinación de fronteras de Voronoi y actualización de medias.
Fórmula que fundamenta el razonamiento
J=Σᵢ‖xᵢ−μ_{cᵢ}‖²
Indicar supuestos y normalizaciones aplicables antes de utilizarla.
Aplicación a datos o negocio
En términos aplicados, al dividir clientes, una solución compacta logra menor inercia cuando las observaciones quedan cerca de sus medias grupales. Como contraste o evidencia complementaria, dos configuraciones finales con distintas inercias muestran que una sola ejecución no revela necesariamente la mejor partición.
Limitaciones, contraejemplo y errores habituales
Reducir inercia no implica automáticamente mejorar retención, ventas ni interpretabilidad. Además, llamar óptima a una solución convergida sin aclarar el alcance de optimalidad es técnicamente incorrecto. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Función objetivo de K-Means» y «Mínimo local», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 067 / 128 · K-Means: algoritmo y evaluación
¿Por qué la inercia disminuye al aumentar K y cuál es el riesgo de seleccionar siempre el valor mínimo?
Nivel: desarrollo universitario · conceptos clave: Inercia WCSS y Método del codo
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Inercia WCSS». Es la suma de cuadrados dentro de los clusters, medida respecto de los centroides asignados. Para un mismo conjunto y preprocesamiento, no puede aumentar el mínimo óptimo al permitir un K mayor.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Método del codo»: Busca un punto de disminución marginal de la mejora de inercia al aumentar K. Un cambio notable de pendiente puede orientar una elección, pero depende de escala, rango probado y variabilidad de los datos.
Fórmula que fundamenta el razonamiento
WCSS=ΣₖΣ_{i∈Cₖ}‖xᵢ−μₖ‖²
Indicar supuestos y normalizaciones aplicables antes de utilizarla.
Aplicación a datos o negocio
En términos aplicados, se compara la inercia al elegir dos, tres y cuatro segmentos, vigilando el costo de complejidad. Como contraste o evidencia complementaria, si pasar de K dos a tres reduce mucho la inercia y de tres a cuatro poco, se examina tres como candidato.
Limitaciones, contraejemplo y errores habituales
Comparar inercias entre datasets escalados de manera diferente carece de sentido directo. Además, el codo puede no existir o ser ambiguo, especialmente ante distribuciones continuas. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Inercia WCSS» y «Método del codo», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 068 / 128 · K-Means: algoritmo y evaluación
Describí una iteración completa del algoritmo de Lloyd y el significado preciso de la convergencia.
Nivel: desarrollo universitario · conceptos clave: Algoritmo de Lloyd y Convergencia de K-Means
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Algoritmo de Lloyd». Alterna asignación de cada punto al centroide más próximo y actualización de centros como medias de los grupos. Cada paso exacto no incrementa la inercia; cuando las asignaciones dejan de cambiar, se ha alcanzado un punto fijo bajo reglas de empate.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Convergencia de K-Means»: Es la estabilización práctica de asignaciones, centros o mejora del objetivo según una tolerancia o número máximo de pasos. El método termina en un mínimo local o punto estacionario discreto bajo las condiciones del procedimiento.
Aplicación a datos o negocio
En términos aplicados, el docente puede pausar tras cada paso para ver qué clientes cambian de grupo y cómo se desplaza la media. Como contraste o evidencia complementaria, en S06 la curva de inercia se estabiliza, pero otras inicializaciones aún pueden encontrar un valor menor.
Limitaciones, contraejemplo y errores habituales
Monotonía de la inercia no prueba haber hallado el mínimo global. Además, una detención por límite de iteraciones no debe confundirse con convergencia comprobada. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Algoritmo de Lloyd» y «Convergencia de K-Means», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 069 / 128 · K-Means: algoritmo y evaluación
¿Cómo cambia la partición del plano cuando se arrastra uno de los centroides en la simulación S05?
Nivel: desarrollo universitario · conceptos clave: Paso de asignación y Diagrama de Voronoi
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Paso de asignación». Asigna cada observación a un centroide de mínima distancia cuadrática, respetando la regla de desempate establecida. Con centroides fijos, esta operación minimiza la contribución individual de cada punto al objetivo total.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Diagrama de Voronoi»: Particiona el espacio según el centroide más cercano y define fronteras de puntos equidistantes entre centros. Con distancia euclídea, las celdas de Voronoi de centroides clásicos son convexas y sus fronteras son lineales.
Aplicación a datos o negocio
En términos aplicados, cuando se arrastra un centroide en S05, se actualizan las regiones a las que pertenecen los puntos. Como contraste o evidencia complementaria, en S05 se observa cómo un centroide arrastrado modifica regiones de asignación en el plano.
Limitaciones, contraejemplo y errores habituales
Un pequeño movimiento cerca de una frontera puede cambiar muchas etiquetas sin variar sustantivamente los perfiles. Además, una región de Voronoi no equivale a un segmento de mercado con una frontera causal real. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Paso de asignación» y «Diagrama de Voronoi», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 070 / 128 · K-Means: algoritmo y evaluación
¿Por qué la media de los puntos asignados es el centro óptimo bajo error cuadrático euclídeo?
Nivel: desarrollo universitario · conceptos clave: Paso de actualización y Centroide
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Paso de actualización». Recalcula cada centroide como promedio de las observaciones que tiene asignadas. Para grupos no vacíos y geometría euclídea cuadrática, la media es el mínimo exacto respecto de la posición del centro.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Centroide»: Es la media vectorial de las observaciones asignadas a un cluster y minimiza su suma de distancias euclídeas cuadradas. Puede quedar en una posición donde no existe ninguna observación real, porque resume promedios de coordenadas.
Fórmula que fundamenta el razonamiento
μₖ=(1/|Cₖ|)Σ_{i∈Cₖ}xᵢ
Indicar supuestos y normalizaciones aplicables antes de utilizarla.
Aplicación a datos o negocio
En términos aplicados, en una iteración, el centro se desplaza hacia la zona de mayor concentración de sus clientes asignados. Como contraste o evidencia complementaria, el centroide de un segmento aproxima el perfil de gasto, frecuencia y antigüedad del grupo.
Limitaciones, contraejemplo y errores habituales
El problema del cluster vacío requiere una política especial y no se resuelve simplemente calculando una media. Además, la media se desplaza ante outliers y puede resumir mal grupos alargados, no convexos o multimodales. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Paso de actualización» y «Centroide», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 071 / 128 · K-Means: algoritmo y evaluación
¿Por qué una gráfica de inercia estabilizada puede ser compatible con una mala solución de clustering?
Nivel: desarrollo universitario · conceptos clave: Convergencia de K-Means y Reinicios n_init
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Convergencia de K-Means». Es la estabilización práctica de asignaciones, centros o mejora del objetivo según una tolerancia o número máximo de pasos. El método termina en un mínimo local o punto estacionario discreto bajo las condiciones del procedimiento.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Reinicios n_init»: Es la ejecución del algoritmo desde varias semillas iniciales para conservar una solución favorable según la función objetivo. Ayuda a evaluar y reducir dependencia del punto de partida, aunque aumenta costo computacional.
Aplicación a datos o negocio
En términos aplicados, en S06 la curva de inercia se estabiliza, pero otras inicializaciones aún pueden encontrar un valor menor. Como contraste o evidencia complementaria, comparar diez corridas y reportar sus inercias permite justificar la solución seleccionada.
Limitaciones, contraejemplo y errores habituales
Una detención por límite de iteraciones no debe confundirse con convergencia comprobada. Además, un número elevado de reinicios no corrige una elección inadecuada de K, distancia o variables. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Convergencia de K-Means» y «Reinicios n_init», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 072 / 128 · K-Means: algoritmo y evaluación
¿Cómo diseñarías un experimento para aislar el efecto de la inicialización sin cambiar el dataset?
Nivel: desarrollo universitario · conceptos clave: Inicialización aleatoria y Semilla aleatoria
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Inicialización aleatoria». Consiste en escoger posiciones iniciales de centroides mediante un mecanismo pseudoaleatorio. Diferentes elecciones pueden conducir a distintas particiones finales por el carácter no convexo de K-Means.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Semilla aleatoria»: Es el estado inicial usado por un generador pseudoaleatorio para reproducir una secuencia de decisiones o muestras. Fijarla permite comparar configuraciones bajo las mismas condiciones; cambiarla ayuda a evaluar sensibilidad.
Aplicación a datos o negocio
En términos aplicados, con los mismos clientes y K, cambiar semilla permite ver soluciones y tamaños de grupos diferentes. Como contraste o evidencia complementaria, con una semilla fija se puede observar cuánto modifica el resultado un cambio exclusivo de K.
Limitaciones, contraejemplo y errores habituales
Reportar la mejor única ejecución sin mostrar variabilidad oculta el riesgo de mínimos locales. Además, una sola semilla favorable no demuestra estabilidad; hay que repetir con inicializaciones o remuestreos. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Inicialización aleatoria» y «Semilla aleatoria», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 073 / 128 · K-Means: algoritmo y evaluación
¿Qué ventaja estadística busca k-means++ respecto de iniciar centros completamente al azar?
Nivel: desarrollo universitario · conceptos clave: Inicialización k-means++ y Inicialización aleatoria
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Inicialización k-means++». Elige sucesivos centroides con probabilidad relacionada con la distancia cuadrática a los centros ya elegidos, según su variante. Favorece semillas dispersas en la geometría de los datos y suele mejorar resultados frente a ciertas inicializaciones uniformes.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Inicialización aleatoria»: Consiste en escoger posiciones iniciales de centroides mediante un mecanismo pseudoaleatorio. Diferentes elecciones pueden conducir a distintas particiones finales por el carácter no convexo de K-Means.
Aplicación a datos o negocio
En términos aplicados, al activar k-means++ en S07 pueden reducirse reinicios fallidos en grupos claramente separados. Como contraste o evidencia complementaria, con los mismos clientes y K, cambiar semilla permite ver soluciones y tamaños de grupos diferentes.
Limitaciones, contraejemplo y errores habituales
No garantiza el óptimo global y distintas implementaciones pueden usar variantes de selección. Además, reportar la mejor única ejecución sin mostrar variabilidad oculta el riesgo de mínimos locales. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Inicialización k-means++» y «Inicialización aleatoria», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 074 / 128 · K-Means: algoritmo y evaluación
¿Cómo resumirías resultados de muchas corridas de K-Means sin ocultar variabilidad ni mínimos locales?
Nivel: desarrollo universitario · conceptos clave: Reinicios n_init y Estabilidad del clustering
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Reinicios n_init». Es la ejecución del algoritmo desde varias semillas iniciales para conservar una solución favorable según la función objetivo. Ayuda a evaluar y reducir dependencia del punto de partida, aunque aumenta costo computacional.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Estabilidad del clustering»: Mide cuán parecidas resultan las particiones bajo cambios razonables de muestra, semilla, ruido o parámetros. Puede estudiarse por remuestreo, consenso o métricas invariantes a permutaciones de etiquetas.
Aplicación a datos o negocio
En términos aplicados, comparar diez corridas y reportar sus inercias permite justificar la solución seleccionada. Como contraste o evidencia complementaria, se comprueba si los clientes conservan perfiles semejantes al repetir la segmentación en distintas muestras.
Limitaciones, contraejemplo y errores habituales
Un número elevado de reinicios no corrige una elección inadecuada de K, distancia o variables. Además, estabilidad alta no basta: un algoritmo puede ser estable al construir grupos sin utilidad de negocio. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Reinicios n_init» y «Estabilidad del clustering», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 075 / 128 · K-Means: algoritmo y evaluación
¿Qué evidencia necesitas para distinguir convergencia numérica de optimalidad global?
Nivel: desarrollo universitario · conceptos clave: Mínimo local y Función objetivo de K-Means
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Mínimo local». Es una solución que no mejora mediante cambios pequeños permitidos por el procedimiento, aunque existan soluciones globalmente mejores. K-Means puede quedar atrapado por la combinación de fronteras de Voronoi y actualización de medias.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Función objetivo de K-Means»: Minimiza la suma de distancias euclídeas cuadradas desde cada punto al centroide de su grupo, llamada inercia. La minimización conjunta de asignaciones y centros es no convexa y puede alcanzar soluciones locales diferentes.
Aplicación a datos o negocio
En términos aplicados, dos configuraciones finales con distintas inercias muestran que una sola ejecución no revela necesariamente la mejor partición. Como contraste o evidencia complementaria, al dividir clientes, una solución compacta logra menor inercia cuando las observaciones quedan cerca de sus medias grupales.
Limitaciones, contraejemplo y errores habituales
Llamar óptima a una solución convergida sin aclarar el alcance de optimalidad es técnicamente incorrecto. Además, reducir inercia no implica automáticamente mejorar retención, ventas ni interpretabilidad. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Mínimo local» y «Función objetivo de K-Means», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 076 / 128 · K-Means: algoritmo y evaluación
¿Qué es un cluster vacío y por qué un motor de simulación debe tratarlo explícitamente?
Nivel: desarrollo universitario · conceptos clave: Cluster vacío y Paso de actualización
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Cluster vacío». Aparece cuando ningún punto queda asignado a uno de los centroides durante una iteración. El centro carece de media calculable y cada implementación debe reubicarlo, retirarlo o adoptar una estrategia explícita.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Paso de actualización»: Recalcula cada centroide como promedio de las observaciones que tiene asignadas. Para grupos no vacíos y geometría euclídea cuadrática, la media es el mínimo exacto respecto de la posición del centro.
Aplicación a datos o negocio
En términos aplicados, si K es grande o dos centros parten cerca, puede surgir un centro sin clientes asignados. Como contraste o evidencia complementaria, en una iteración, el centro se desplaza hacia la zona de mayor concentración de sus clientes asignados.
Limitaciones, contraejemplo y errores habituales
Ignorar el caso puede producir NaN, etiquetas inconsistentes o una cantidad efectiva menor de clusters. Además, el problema del cluster vacío requiere una política especial y no se resuelve simplemente calculando una media. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Cluster vacío» y «Paso de actualización», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 077 / 128 · K-Means: algoritmo y evaluación
¿Por qué las celdas de Voronoi explican la dificultad de K-Means para separar anillos concéntricos?
Nivel: desarrollo universitario · conceptos clave: Diagrama de Voronoi y K-Means y grupos no convexos
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Diagrama de Voronoi». Particiona el espacio según el centroide más cercano y define fronteras de puntos equidistantes entre centros. Con distancia euclídea, las celdas de Voronoi de centroides clásicos son convexas y sus fronteras son lineales.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «K-Means y grupos no convexos»: Explica la dificultad del modelo clásico para recuperar anillos, lunas o cadenas curvas. Las celdas de Voronoi imponen particiones por proximidad a centros, no conectividad sobre una variedad curva.
Aplicación a datos o negocio
En términos aplicados, en S05 se observa cómo un centroide arrastrado modifica regiones de asignación en el plano. Como contraste o evidencia complementaria, con dos anillos concéntricos, K-Means suele dividir sectores geométricos en lugar de reconstruir los anillos.
Limitaciones, contraejemplo y errores habituales
Una región de Voronoi no equivale a un segmento de mercado con una frontera causal real. Además, un silhouette relativamente favorable no convierte la frontera obtenida en la estructura deseada. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Diagrama de Voronoi» y «K-Means y grupos no convexos», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 078 / 128 · K-Means: algoritmo y evaluación
¿Cómo elegirías K si la mejora estadística al añadir grupos no trae acciones comerciales diferenciadas?
Nivel: desarrollo universitario · conceptos clave: K y número de grupos y Accionabilidad comercial
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «K y número de grupos». K determina cuántos centroides y particiones impone K-Means y es una decisión de modelado no observada automáticamente. Se elige considerando geometría, estabilidad, métricas internas, tamaños, significado y acciones de negocio.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Accionabilidad comercial»: Es la capacidad de traducir un segmento estadístico en una acción concreta, diferenciada y evaluable. Requiere perfil interpretable, canal de llegada, tamaño suficiente, oportunidad económica y responsables.
Aplicación a datos o negocio
En términos aplicados, k igual a tres puede separar segmentos operativos mejor que K igual a cinco aunque este reduzca inercia. Como contraste o evidencia complementaria, un grupo sensible a descuentos admite una prueba de promociones con métricas de margen y retención.
Limitaciones, contraejemplo y errores habituales
No asumir que existe un único K verdadero identificable mediante una curva. Además, un cluster perfectamente separado pero sin diferencia de tratamiento posible no crea automáticamente valor. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «K y número de grupos» y «Accionabilidad comercial», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 079 / 128 · K-Means: algoritmo y evaluación
¿Por qué conviene combinar elbow y silhouette en lugar de depender de uno solo?
Nivel: desarrollo universitario · conceptos clave: Método del codo y Coeficiente silhouette
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Método del codo». Busca un punto de disminución marginal de la mejora de inercia al aumentar K. Un cambio notable de pendiente puede orientar una elección, pero depende de escala, rango probado y variabilidad de los datos.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Coeficiente silhouette»: Compara la distancia media intracluster a de cada punto con la menor distancia media b a otro cluster, mediante (b−a)/max(a,b). Toma valores entre menos uno y uno cuando está definido; altos positivos indican cohesión y separación, cercanos a cero fronteras inciertas.
Aplicación a datos o negocio
En términos aplicados, si pasar de K dos a tres reduce mucho la inercia y de tres a cuatro poco, se examina tres como candidato. Como contraste o evidencia complementaria, la media de silhouettes permite comparar configuraciones de K y analizar puntos mal asignados.
Limitaciones, contraejemplo y errores habituales
El codo puede no existir o ser ambiguo, especialmente ante distribuciones continuas. Además, puede favorecer grupos convexos y no garantiza estabilidad ni utilidad comercial; exige al menos dos clusters y menos clusters que muestras. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Método del codo» y «Coeficiente silhouette», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 080 / 128 · K-Means: algoritmo y evaluación
¿Qué significan silhouettes positivas, cercanas a cero y negativas en el contexto de una segmentación?
Nivel: desarrollo universitario · conceptos clave: Coeficiente silhouette y Validación interna
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Coeficiente silhouette». Compara la distancia media intracluster a de cada punto con la menor distancia media b a otro cluster, mediante (b−a)/max(a,b). Toma valores entre menos uno y uno cuando está definido; altos positivos indican cohesión y separación, cercanos a cero fronteras inciertas.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Validación interna»: Utiliza propiedades de los propios datos y grupos para valorar cohesión, separación y compactación sin etiquetas externas. Índices como silhouette y Calinski-Harabasz dan señales diferentes y favorecen determinadas geometrías.
Fórmula que fundamenta el razonamiento
s(i)=[b(i)−a(i)]/max[a(i),b(i)]
Indicar supuestos y normalizaciones aplicables antes de utilizarla.
Aplicación a datos o negocio
En términos aplicados, la media de silhouettes permite comparar configuraciones de K y analizar puntos mal asignados. Como contraste o evidencia complementaria, una segmentación candidata se compara según más de un criterio antes de elegir el número de grupos.
Limitaciones, contraejemplo y errores habituales
Puede favorecer grupos convexos y no garantiza estabilidad ni utilidad comercial; exige al menos dos clusters y menos clusters que muestras. Además, optimizar repetidamente sobre el mismo índice puede adaptar el procedimiento a sus sesgos geométricos. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Coeficiente silhouette» y «Validación interna», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 081 / 128 · K-Means: algoritmo y evaluación
¿Qué información diferente aportan Davies-Bouldin y Calinski-Harabasz al evaluar clusters?
Nivel: desarrollo universitario · conceptos clave: Davies-Bouldin y Calinski-Harabasz
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Davies-Bouldin». Índice interno que compara dispersión intracluster con distancia entre centroides usando una agregación de peores relaciones entre grupos. Valores menores suelen interpretarse como mejor separación relativa bajo las definiciones específicas de dispersión.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Calinski-Harabasz»: Cociente entre dispersión entre clusters y dispersión dentro de clusters, ajustado por grados de libertad. Suele favorecer soluciones con grupos compactos y centros separados bajo geometría euclídea.
Aplicación a datos o negocio
En términos aplicados, puede complementar silhouette cuando se estudian segmentaciones compactas en K-Means. Como contraste o evidencia complementaria, al evaluar varias K, se puede comparar este índice junto con tamaños de clusters.
Limitaciones, contraejemplo y errores habituales
Sus preferencias geométricas y su sensibilidad a outliers deben declararse. Además, no corrige por sí mismo la arbitrariedad de las variables ni constituye validación externa. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Davies-Bouldin» y «Calinski-Harabasz», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 082 / 128 · K-Means: algoritmo y evaluación
¿Cuándo considerarías MiniBatch K-Means y cómo documentarías el intercambio entre velocidad y precisión?
Nivel: desarrollo universitario · conceptos clave: MiniBatch K-Means y Complejidad jerárquica
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «MiniBatch K-Means». Variante que actualiza centroides usando minibatches de observaciones para reducir el costo de cada iteración. Aproxima la solución de K-Means con actualizaciones parciales y compromisos entre velocidad y estabilidad.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Complejidad jerárquica»: Describe los costos de tiempo y memoria de construir y conservar distancias y estructuras de fusiones. Muchas implementaciones aglomerativas necesitan memoria cuadrática en n, aunque existen optimizaciones según la regla.
Aplicación a datos o negocio
En términos aplicados, para cientos de miles de clientes se puede usar MiniBatch como prueba preliminar de segmentación. Como contraste o evidencia complementaria, un problema de doscientas observaciones es sencillo para docencia; cientos de miles pueden exigir alternativas.
Limitaciones, contraejemplo y errores habituales
Sus centros e inercia pueden diferir de los obtenidos por Lloyd completo. Además, no prometer escalabilidad lineal del clustering jerárquico clásico por la sola existencia de un dendrograma. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «MiniBatch K-Means» y «Complejidad jerárquica», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 083 / 128 · K-Means: algoritmo y evaluación
¿Cómo puede un único cliente extraordinario modificar la posición de un centroide y el resultado operativo?
Nivel: desarrollo universitario · conceptos clave: K-Means y outliers y Escalado robusto
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «K-Means y outliers». Describe la sensibilidad de la media y del objetivo cuadrático a registros extremadamente alejados. Un solo punto lejano puede desplazar un centroide o consumir un cluster completo según K y configuración.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Escalado robusto»: Centra mediante mediana y escala mediante rango intercuartílico u otras estadísticas resistentes. Reduce la influencia de observaciones extremas en la determinación de la transformación, aunque no hace robusto automáticamente al algoritmo posterior.
Aplicación a datos o negocio
En términos aplicados, un comprador extraordinario puede generar un centro casi exclusivo que no representa un mercado accionable. Como contraste o evidencia complementaria, en una cartera con pocos clientes gigantes, la mediana permite que el grueso de la distribución conserve resolución.
Limitaciones, contraejemplo y errores habituales
Estandarizar no elimina observaciones atípicas; deben estudiarse robustez y propósito. Además, un K-Means ajustado después continúa siendo sensible a outliers por su objetivo cuadrático. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «K-Means y outliers» y «Escalado robusto», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 084 / 128 · K-Means: algoritmo y evaluación
Una base presenta dos medias lunas. ¿Qué diagnóstico y alternativa propondrías frente a K-Means clásico?
Nivel: desarrollo universitario · conceptos clave: K-Means y grupos no convexos y Densidad versus jerarquía
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «K-Means y grupos no convexos». Explica la dificultad del modelo clásico para recuperar anillos, lunas o cadenas curvas. Las celdas de Voronoi imponen particiones por proximidad a centros, no conectividad sobre una variedad curva.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Densidad versus jerarquía»: Distingue agrupamientos definidos por regiones densas de los obtenidos mediante fusiones basadas en distancias entre conjuntos. Métodos como DBSCAN identifican ruido y conectividad por densidad, mientras un dendrograma general organiza todas las observaciones.
Aplicación a datos o negocio
En términos aplicados, con dos anillos concéntricos, K-Means suele dividir sectores geométricos en lugar de reconstruir los anillos. Como contraste o evidencia complementaria, un conjunto en forma de anillo con ruido invita a comparar enfoques basados en densidad.
Limitaciones, contraejemplo y errores habituales
Un silhouette relativamente favorable no convierte la frontera obtenida en la estructura deseada. Además, el número de segmentos no es directamente comparable si un algoritmo deja observaciones sin asignar. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «K-Means y grupos no convexos» y «Densidad versus jerarquía», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 085 / 128 · K-Means: algoritmo y evaluación
¿Por qué un segmento pequeño de alto valor puede quedar oculto al optimizar inercia global?
Nivel: desarrollo universitario · conceptos clave: Desbalance de tamaños y Perfilado de clusters
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Desbalance de tamaños». Ocurre cuando unos segmentos tienen muchas más observaciones que otros y puede afectar el objetivo total. El promedio cuadrático está dominado por grupos grandes, lo que puede relegar segmentos pequeños y valiosos.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Perfilado de clusters»: Resume cada grupo mediante métricas relevantes, dispersión, tamaño, diferencias respecto del total y evidencia accionable. Puede incluir medias, medianas, intervalos y variables no usadas en la estimación para describir las consecuencias comerciales.
Aplicación a datos o negocio
En términos aplicados, una minoría de clientes premium puede quedar absorbida por un segmento mayor si se optimiza solo inercia. Como contraste o evidencia complementaria, se denominan segmentos de alto valor o baja frecuencia solamente después de estudiar sus distribuciones.
Limitaciones, contraejemplo y errores habituales
No exigir tamaños iguales: verificar presencia, rentabilidad y estabilidad del segmento minoritario. Además, un nombre atractivo no sustituye validación de estabilidad, alcanzabilidad o rentabilidad. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Desbalance de tamaños» y «Perfilado de clusters», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 086 / 128 · K-Means: algoritmo y evaluación
¿Por qué ARI permite comparar dos ejecuciones aunque sus identificadores de grupo estén intercambiados?
Nivel: desarrollo universitario · conceptos clave: Etiquetas permutables y Adjusted Rand Index ARI
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Etiquetas permutables». Los identificadores 0, 1 o 2 asignados a clusters son nombres arbitrarios sin orden intrínseco. Dos corridas pueden describir exactamente la misma partición intercambiando todos sus números de etiqueta.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Adjusted Rand Index ARI»: Compara dos particiones mediante concordancia de pares ajustada por coincidencia esperada bajo un modelo aleatorio. Es invariante al intercambio de nombres de clusters; uno indica concordancia perfecta y valores cercanos a cero pueden corresponder al azar.
Aplicación a datos o negocio
En términos aplicados, para comparar ejecuciones se emplean medidas invariantes a la permutación, como ARI. Como contraste o evidencia complementaria, se compara la asignación de clientes entre dos semillas o dos meses sobre el subconjunto de entidades comunes.
Limitaciones, contraejemplo y errores habituales
Restar códigos de cluster o interpretar que el grupo 2 es superior al 1 carece de sentido. Además, no debe aplicarse directamente si las particiones se refieren a unidades de análisis distintas. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Etiquetas permutables» y «Adjusted Rand Index ARI», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 087 / 128 · K-Means: algoritmo y evaluación
¿Cómo convertir una partición matemática en perfiles comerciales interpretables sin inventar características?
Nivel: desarrollo universitario · conceptos clave: Perfilado de clusters y Segmento versus persona
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Perfilado de clusters». Resume cada grupo mediante métricas relevantes, dispersión, tamaño, diferencias respecto del total y evidencia accionable. Puede incluir medias, medianas, intervalos y variables no usadas en la estimación para describir las consecuencias comerciales.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Segmento versus persona»: Un cluster es una agrupación estadística; una persona de marketing es una representación narrativa para orientar mensajes y servicios. La persona sintetiza necesidades e hipótesis, mientras el cluster identifica proximidad bajo una representación cuantitativa.
Aplicación a datos o negocio
En términos aplicados, se denominan segmentos de alto valor o baja frecuencia solamente después de estudiar sus distribuciones. Como contraste o evidencia complementaria, un cluster de alta frecuencia puede inspirar una persona de comprador habitual, validada con entrevistas.
Limitaciones, contraejemplo y errores habituales
Un nombre atractivo no sustituye validación de estabilidad, alcanzabilidad o rentabilidad. Además, una narrativa convincente no prueba que exista un grupo diferenciado en el dataset. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Perfilado de clusters» y «Segmento versus persona», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 088 / 128 · K-Means: algoritmo y evaluación
¿Cómo asignarías clientes nuevos a segmentos existentes y cuándo deberías volver a estimar el modelo?
Nivel: desarrollo universitario · conceptos clave: Predicción de pertenencia futura y Drift de perfiles
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Predicción de pertenencia futura». Consiste en asignar nuevas observaciones a un esquema de segmentos ya ajustado, aplicando exactamente las mismas transformaciones. En K-Means se calculan distancias a centroides congelados; el mecanismo no exige volver a entrenar al agregar cada cliente.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Drift de perfiles»: Es la modificación persistente de las características o comportamientos que definen segmentos observados. Se analiza mediante centroides, cuantiles, distribución de pertenencias y resultados de acciones en el tiempo.
Aplicación a datos o negocio
En términos aplicados, una empresa clasifica cada nuevo cliente en el segmento operativo asociado al centroide más próximo. Como contraste o evidencia complementaria, un grupo de clientes antes muy frecuente reduce sus compras tras una modificación de precios.
Limitaciones, contraejemplo y errores habituales
Si cambia la distribución, los centroides pueden quedar obsoletos; debe monitorearse drift. Además, confundir estacionalidad esperada con deterioro estructural puede inducir resegmentaciones innecesarias. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Predicción de pertenencia futura» y «Drift de perfiles», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 089 / 128 · Jerárquico y dendrogramas
Contrastá las estrategias jerárquicas aglomerativa y divisiva y sus principales decisiones algorítmicas.
Nivel: desarrollo universitario · conceptos clave: Clustering jerárquico aglomerativo y Clustering jerárquico divisivo
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Clustering jerárquico aglomerativo». Comienza con una observación por grupo y fusiona pares sucesivos hasta construir una jerarquía completa o detenerse antes. Cada combinación depende de una definición de disimilitud entre grupos, llamada linkage.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Clustering jerárquico divisivo»: Parte del conjunto completo y lo divide recursivamente en grupos menores. Construye la jerarquía en sentido opuesto al enfoque aglomerativo y puede requerir criterios globales costosos.
Aplicación a datos o negocio
En términos aplicados, la secuencia de fusiones permite examinar agrupamientos de clientes con dos, tres o diez segmentos. Como contraste o evidencia complementaria, una cartera completa puede dividirse por segmentos amplios antes de detallar subperfiles.
Limitaciones, contraejemplo y errores habituales
La jerarquía codifica decisiones irreversibles para ese ajuste: una fusión temprana no se deshace después. Además, no todas las técnicas divisivas producen la misma estructura que un algoritmo aglomerativo invertido. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Clustering jerárquico aglomerativo» y «Clustering jerárquico divisivo», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 090 / 128 · Jerárquico y dendrogramas
¿Por qué una matriz de distancias por pares complica la escalabilidad cuando crece la cantidad de clientes?
Nivel: desarrollo universitario · conceptos clave: Matriz de disimilitudes y Complejidad jerárquica
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Matriz de disimilitudes». Es una tabla de valores de distancia o diferencia entre pares de observaciones, usualmente simétrica en los métodos clásicos. Con n observaciones requiere del orden de n al cuadrado de elementos y puede convertirse en un cuello de memoria.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Complejidad jerárquica»: Describe los costos de tiempo y memoria de construir y conservar distancias y estructuras de fusiones. Muchas implementaciones aglomerativas necesitan memoria cuadrática en n, aunque existen optimizaciones según la regla.
Aplicación a datos o negocio
En términos aplicados, en S10 mover un punto cambia varias entradas de la tabla, mostrando cómo afecta las fusiones. Como contraste o evidencia complementaria, un problema de doscientas observaciones es sencillo para docencia; cientos de miles pueden exigir alternativas.
Limitaciones, contraejemplo y errores habituales
No cualquier matriz arbitraria representa una métrica; algunos algoritmos exigen propiedades específicas. Además, no prometer escalabilidad lineal del clustering jerárquico clásico por la sola existencia de un dendrograma. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Matriz de disimilitudes» y «Complejidad jerárquica», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 091 / 128 · Jerárquico y dendrogramas
¿Qué significa elegir un linkage y cómo cambia la interpretación del dendrograma según esa elección?
Nivel: desarrollo universitario · conceptos clave: Linkage y Dendrograma
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Linkage». Es la regla que cuantifica la disimilitud entre dos clusters a partir de sus integrantes y estructura. Single, complete, average y Ward capturan objetivos geométricos distintos y pueden dar dendrogramas diferentes sobre los mismos datos.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Dendrograma»: Es una representación arbórea donde cada unión conecta dos clusters y la altura codifica disimilitud o incremento según el linkage. Permite recorrer particiones de distintos tamaños sin volver a ajustar el algoritmo aglomerativo sobre el mismo árbol.
Aplicación a datos o negocio
En términos aplicados, comparar cuatro linkages en S12 ayuda a decidir si se prioriza proximidad, compactación o variabilidad interna. Como contraste o evidencia complementaria, en S11 se observan fusiones sincronizadas entre nube de puntos y ramas del dendrograma.
Limitaciones, contraejemplo y errores habituales
Cambiar linkage no es un mero ajuste visual: cambia la definición operativa de agrupamiento. Además, la cercanía horizontal entre hojas depende del orden de dibujo; la altura y las ramas son lo esencial. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Linkage» y «Dendrograma», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 092 / 128 · Jerárquico y dendrogramas
¿Por qué single linkage puede recuperar una cadena alargada pero también unir grupos por ruido?
Nivel: desarrollo universitario · conceptos clave: Single linkage y Encadenamiento chaining
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Single linkage». Define la distancia entre grupos como la menor distancia entre cualquier pareja de observaciones de ambos grupos. Tiende a unir puntos y cadenas por vecindad, permitiendo recuperar estructuras alargadas conectadas.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Encadenamiento chaining»: Se produce cuando fusiones sucesivas agregan puntos por conexiones locales breves y crean clusters alargados. Es especialmente característico de single linkage cuando hay puentes de observaciones entre grupos densos.
Fórmula que fundamenta el razonamiento
d(A,B)=mín{d(a,b):a∈A,b∈B}
Indicar supuestos y normalizaciones aplicables antes de utilizarla.
Aplicación a datos o negocio
En términos aplicados, en un dataset con puntos sobre una curva, puede conectar una cadena completa con pasos cortos. Como contraste o evidencia complementaria, una fila de clientes intermedios puede conectar dos mercados distintos aun si sus extremos están muy separados.
Limitaciones, contraejemplo y errores habituales
Es sensible a puentes de ruido que pueden unir grupos que deberían mantenerse separados. Además, no es un error del cálculo: refleja el criterio de enlace mínimo elegido. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Single linkage» y «Encadenamiento chaining», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 093 / 128 · Jerárquico y dendrogramas
Compará los criterios de separación máxima y mínima entre grupos y sus geometrías preferidas.
Nivel: desarrollo universitario · conceptos clave: Complete linkage y Single linkage
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Complete linkage». Define la disimilitud entre dos clusters por la mayor distancia entre sus pares de observaciones. Prefiere grupos de diámetro relativamente contenido y desalienta fusiones que producirían conjuntos demasiado extensos.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Single linkage»: Define la distancia entre grupos como la menor distancia entre cualquier pareja de observaciones de ambos grupos. Tiende a unir puntos y cadenas por vecindad, permitiendo recuperar estructuras alargadas conectadas.
Fórmula que fundamenta el razonamiento
d(A,B)=máx{d(a,b):a∈A,b∈B}
Indicar supuestos y normalizaciones aplicables antes de utilizarla.
Aplicación a datos o negocio
En términos aplicados, se usa al buscar segmentos cuya dispersión máxima sea limitada para diseñar acciones homogéneas. Como contraste o evidencia complementaria, en un dataset con puntos sobre una curva, puede conectar una cadena completa con pasos cortos.
Limitaciones, contraejemplo y errores habituales
Puede fragmentar grupos alargados y exagerar la influencia de puntos extremos. Además, es sensible a puentes de ruido que pueden unir grupos que deberían mantenerse separados. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Complete linkage» y «Single linkage», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 094 / 128 · Jerárquico y dendrogramas
¿En qué difieren average y weighted linkage cuando se fusionan clusters de tamaños desiguales?
Nivel: desarrollo universitario · conceptos clave: Average linkage y Weighted linkage
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Average linkage». Calcula la distancia media entre todas las parejas de observaciones pertenecientes a dos clusters. Media entre comportamiento de enlace mínimo y máximo, pero la estructura final depende de la distribución de puntos.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Weighted linkage»: Actualiza distancias entre clusters mediante promedios que asignan el mismo peso a grupos que se fusionan, independientemente de sus tamaños. Su ponderación difiere del promedio entre todos los pares de observaciones cuando los tamaños son distintos.
Fórmula que fundamenta el razonamiento
d(A,B)=[Σa∈AΣb∈B d(a,b)]/(|A||B|)
Indicar supuestos y normalizaciones aplicables antes de utilizarla.
Aplicación a datos o negocio
En términos aplicados, en clientes mixtos puede producir fusiones menos sensibles a un único par de puntos cercanos. Como contraste o evidencia complementaria, es útil comparar su efecto cuando se combinan segmentos de tamaños muy dispares.
Limitaciones, contraejemplo y errores habituales
No necesariamente conserva grupos no convexos y puede ocultar subestructuras minoritarias. Además, no debe confundirse con average linkage no ponderado por cantidad de grupos. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Average linkage» y «Weighted linkage», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 095 / 128 · Jerárquico y dendrogramas
¿Qué relación existe entre Ward y la variación intracluster, y en qué se diferencia de K-Means?
Nivel: desarrollo universitario · conceptos clave: Ward y Función objetivo de K-Means
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Ward». Elige la fusión que provoca el menor incremento de la suma de cuadrados dentro de los grupos. Se relaciona con compactación euclídea y requiere una geometría apropiada; no es intercambiable con cualquier matriz de disimilitudes.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Función objetivo de K-Means»: Minimiza la suma de distancias euclídeas cuadradas desde cada punto al centroide de su grupo, llamada inercia. La minimización conjunta de asignaciones y centros es no convexa y puede alcanzar soluciones locales diferentes.
Fórmula que fundamenta el razonamiento
Δ(A,B)=[|A||B|/(|A|+|B|)]‖μA−μB‖²
Indicar supuestos y normalizaciones aplicables antes de utilizarla.
Aplicación a datos o negocio
En términos aplicados, con perfiles numéricos escalados, suele producir clusters compactos similares en espíritu a un objetivo de varianza interna. Como contraste o evidencia complementaria, al dividir clientes, una solución compacta logra menor inercia cuando las observaciones quedan cerca de sus medias grupales.
Limitaciones, contraejemplo y errores habituales
Presentar Ward como simple distancia entre centroides sin incremento de varianza ni convención es impreciso. Además, reducir inercia no implica automáticamente mejorar retención, ventas ni interpretabilidad. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Ward» y «Función objetivo de K-Means», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 096 / 128 · Jerárquico y dendrogramas
¿Cómo leerías correctamente un dendrograma y qué interpretación del orden horizontal de hojas sería errónea?
Nivel: desarrollo universitario · conceptos clave: Dendrograma y Altura de fusión
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Dendrograma». Es una representación arbórea donde cada unión conecta dos clusters y la altura codifica disimilitud o incremento según el linkage. Permite recorrer particiones de distintos tamaños sin volver a ajustar el algoritmo aglomerativo sobre el mismo árbol.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Altura de fusión»: Es el valor del eje vertical donde dos grupos se unen en un dendrograma aglomerativo. Su significado depende de la métrica y del linkage; en Ward puede representar una transformación del incremento de dispersión.
Aplicación a datos o negocio
En términos aplicados, en S11 se observan fusiones sincronizadas entre nube de puntos y ramas del dendrograma. Como contraste o evidencia complementaria, una altura alta puede sugerir que se están fusionando grupos más disímiles bajo la regla elegida.
Limitaciones, contraejemplo y errores habituales
La cercanía horizontal entre hojas depende del orden de dibujo; la altura y las ramas son lo esencial. Además, no leer esa altura como probabilidad, significación estadística ni distancia universal. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Dendrograma» y «Altura de fusión», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 097 / 128 · Jerárquico y dendrogramas
¿Por qué una altura grande en un dendrograma no puede entenderse automáticamente como probabilidad de diferencia?
Nivel: desarrollo universitario · conceptos clave: Altura de fusión y Matriz de disimilitudes
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Altura de fusión». Es el valor del eje vertical donde dos grupos se unen en un dendrograma aglomerativo. Su significado depende de la métrica y del linkage; en Ward puede representar una transformación del incremento de dispersión.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Matriz de disimilitudes»: Es una tabla de valores de distancia o diferencia entre pares de observaciones, usualmente simétrica en los métodos clásicos. Con n observaciones requiere del orden de n al cuadrado de elementos y puede convertirse en un cuello de memoria.
Aplicación a datos o negocio
En términos aplicados, una altura alta puede sugerir que se están fusionando grupos más disímiles bajo la regla elegida. Como contraste o evidencia complementaria, en S10 mover un punto cambia varias entradas de la tabla, mostrando cómo afecta las fusiones.
Limitaciones, contraejemplo y errores habituales
No leer esa altura como probabilidad, significación estadística ni distancia universal. Además, no cualquier matriz arbitraria representa una métrica; algunos algoritmos exigen propiedades específicas. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Altura de fusión» y «Matriz de disimilitudes», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 098 / 128 · Jerárquico y dendrogramas
¿Cómo se determina el número de clusters al desplazar un corte horizontal en la simulación S13?
Nivel: desarrollo universitario · conceptos clave: Corte horizontal y Número de clusters por corte
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Corte horizontal». Traza una altura sobre el dendrograma y define como clusters las componentes que aún no se han fusionado a ese nivel. Desplazar el corte modifica el número de grupos sin alterar las fusiones previamente calculadas.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Número de clusters por corte»: Es la cantidad de subárboles activos al cortar el dendrograma en un nivel definido. También puede fijarse k solicitando una partición con esa cantidad de grupos según la secuencia de fusiones.
Aplicación a datos o negocio
En términos aplicados, en S13 se observan tres y luego cinco segmentos cambiando solo la altura de corte. Como contraste o evidencia complementaria, el equipo compara k igual a tres y cuatro sobre la misma jerarquía para valorar acciones operativas.
Limitaciones, contraejemplo y errores habituales
Elegir el corte por estética sin validar tamaños y perfiles puede imponer una partición inútil. Además, empates de alturas y políticas de corte pueden crear ambigüedades, por lo que se debe declarar el criterio. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Corte horizontal» y «Número de clusters por corte», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 099 / 128 · Jerárquico y dendrogramas
¿Qué elementos adicionales considerarías para justificar una partición jerárquica de tres versus cinco grupos?
Nivel: desarrollo universitario · conceptos clave: Número de clusters por corte y Accionabilidad comercial
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Número de clusters por corte». Es la cantidad de subárboles activos al cortar el dendrograma en un nivel definido. También puede fijarse k solicitando una partición con esa cantidad de grupos según la secuencia de fusiones.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Accionabilidad comercial»: Es la capacidad de traducir un segmento estadístico en una acción concreta, diferenciada y evaluable. Requiere perfil interpretable, canal de llegada, tamaño suficiente, oportunidad económica y responsables.
Aplicación a datos o negocio
En términos aplicados, el equipo compara k igual a tres y cuatro sobre la misma jerarquía para valorar acciones operativas. Como contraste o evidencia complementaria, un grupo sensible a descuentos admite una prueba de promociones con métricas de margen y retención.
Limitaciones, contraejemplo y errores habituales
Empates de alturas y políticas de corte pueden crear ambigüedades, por lo que se debe declarar el criterio. Además, un cluster perfectamente separado pero sin diferencia de tratamiento posible no crea automáticamente valor. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Número de clusters por corte» y «Accionabilidad comercial», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 100 / 128 · Jerárquico y dendrogramas
¿Qué informa la correlación cofenética sobre un dendrograma y qué NO demuestra acerca de la segmentación?
Nivel: desarrollo universitario · conceptos clave: Coeficiente cofenético y Distancia cofenética
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Coeficiente cofenético». Correlaciona distancias originales entre observaciones con alturas en las que sus pares se unen en el dendrograma. Mide hasta qué punto la jerarquía representa las disimilitudes de entrada; valores altos reflejan mejor fidelidad ordinal o lineal según cálculo.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Distancia cofenética»: Es la altura del nodo más bajo del árbol jerárquico que reúne por primera vez a dos observaciones. Induce una representación ultramétrica de las relaciones codificadas por el dendrograma aglomerativo monotónico.
Aplicación a datos o negocio
En términos aplicados, sirve para comparar cómo diferentes linkages resumen una matriz de distancias. Como contraste o evidencia complementaria, dos clientes que se unen temprano presentan distancia cofenética pequeña bajo el árbol obtenido.
Limitaciones, contraejemplo y errores habituales
Una correlación alta no prueba que los clusters sean útiles o estables frente a perturbaciones. Además, puede diferir notablemente de su distancia original: el dendrograma es una simplificación jerárquica. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Coeficiente cofenético» y «Distancia cofenética», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 101 / 128 · Jerárquico y dendrogramas
¿Por qué la distancia de unión que codifica el árbol puede diferir de la distancia euclídea original entre clientes?
Nivel: desarrollo universitario · conceptos clave: Distancia cofenética y Dendrograma
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Distancia cofenética». Es la altura del nodo más bajo del árbol jerárquico que reúne por primera vez a dos observaciones. Induce una representación ultramétrica de las relaciones codificadas por el dendrograma aglomerativo monotónico.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Dendrograma»: Es una representación arbórea donde cada unión conecta dos clusters y la altura codifica disimilitud o incremento según el linkage. Permite recorrer particiones de distintos tamaños sin volver a ajustar el algoritmo aglomerativo sobre el mismo árbol.
Aplicación a datos o negocio
En términos aplicados, dos clientes que se unen temprano presentan distancia cofenética pequeña bajo el árbol obtenido. Como contraste o evidencia complementaria, en S11 se observan fusiones sincronizadas entre nube de puntos y ramas del dendrograma.
Limitaciones, contraejemplo y errores habituales
Puede diferir notablemente de su distancia original: el dendrograma es una simplificación jerárquica. Además, la cercanía horizontal entre hojas depende del orden de dibujo; la altura y las ramas son lo esencial. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Distancia cofenética» y «Dendrograma», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 102 / 128 · Jerárquico y dendrogramas
Una serie de clientes intermedios conecta dos segmentos. ¿Cómo compararías single y complete linkage?
Nivel: desarrollo universitario · conceptos clave: Encadenamiento chaining y Complete linkage
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Encadenamiento chaining». Se produce cuando fusiones sucesivas agregan puntos por conexiones locales breves y crean clusters alargados. Es especialmente característico de single linkage cuando hay puentes de observaciones entre grupos densos.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Complete linkage»: Define la disimilitud entre dos clusters por la mayor distancia entre sus pares de observaciones. Prefiere grupos de diámetro relativamente contenido y desalienta fusiones que producirían conjuntos demasiado extensos.
Aplicación a datos o negocio
En términos aplicados, una fila de clientes intermedios puede conectar dos mercados distintos aun si sus extremos están muy separados. Como contraste o evidencia complementaria, se usa al buscar segmentos cuya dispersión máxima sea limitada para diseñar acciones homogéneas.
Limitaciones, contraejemplo y errores habituales
No es un error del cálculo: refleja el criterio de enlace mínimo elegido. Además, puede fragmentar grupos alargados y exagerar la influencia de puntos extremos. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Encadenamiento chaining» y «Complete linkage», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 103 / 128 · Jerárquico y dendrogramas
¿Cómo pueden dos dendrogramas diferir a causa de empates y reglas de implementación aun con los mismos datos?
Nivel: desarrollo universitario · conceptos clave: Empates de distancias y Semilla aleatoria
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Empates de distancias». Ocurren cuando dos o más fusiones candidatas tienen la misma disimilitud según el criterio de enlace. La implementación necesita una regla de desempate, y distintos órdenes pueden producir árboles de apariencia o estructura diferentes.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Semilla aleatoria»: Es el estado inicial usado por un generador pseudoaleatorio para reproducir una secuencia de decisiones o muestras. Fijarla permite comparar configuraciones bajo las mismas condiciones; cambiarla ayuda a evaluar sensibilidad.
Aplicación a datos o negocio
En términos aplicados, un cuadrado simétrico presenta varias parejas igual de cercanas que pueden fusionarse en distinto orden. Como contraste o evidencia complementaria, con una semilla fija se puede observar cuánto modifica el resultado un cambio exclusivo de K.
Limitaciones, contraejemplo y errores habituales
No atribuir variaciones por desempate a cambios profundos en los datos. Además, una sola semilla favorable no demuestra estabilidad; hay que repetir con inicializaciones o remuestreos. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Empates de distancias» y «Semilla aleatoria», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 104 / 128 · Jerárquico y dendrogramas
¿Qué es una inversión de alturas en clustering jerárquico y por qué importa para el corte del árbol?
Nivel: desarrollo universitario · conceptos clave: Monotonicidad de alturas y Dendrograma
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Monotonicidad de alturas». Significa que las alturas de fusión no disminuyen a medida que avanza la jerarquía aglomerativa. Los linkages clásicos single, complete, average y Ward suelen producir dendrogramas sin inversiones bajo sus supuestos.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Dendrograma»: Es una representación arbórea donde cada unión conecta dos clusters y la altura codifica disimilitud o incremento según el linkage. Permite recorrer particiones de distintos tamaños sin volver a ajustar el algoritmo aglomerativo sobre el mismo árbol.
Aplicación a datos o negocio
En términos aplicados, un gráfico ascendente facilita cortar el árbol y razonar sobre la estructura. Como contraste o evidencia complementaria, en S11 se observan fusiones sincronizadas entre nube de puntos y ramas del dendrograma.
Limitaciones, contraejemplo y errores habituales
Otros criterios como centroid linkage pueden producir inversiones; no debe universalizarse. Además, la cercanía horizontal entre hojas depende del orden de dibujo; la altura y las ramas son lo esencial. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Monotonicidad de alturas» y «Dendrograma», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 105 / 128 · Jerárquico y dendrogramas
¿Cómo decidirías entre un dendrograma exacto y una alternativa escalable en una base de un millón de registros?
Nivel: desarrollo universitario · conceptos clave: Complejidad jerárquica y MiniBatch K-Means
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Complejidad jerárquica». Describe los costos de tiempo y memoria de construir y conservar distancias y estructuras de fusiones. Muchas implementaciones aglomerativas necesitan memoria cuadrática en n, aunque existen optimizaciones según la regla.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «MiniBatch K-Means»: Variante que actualiza centroides usando minibatches de observaciones para reducir el costo de cada iteración. Aproxima la solución de K-Means con actualizaciones parciales y compromisos entre velocidad y estabilidad.
Aplicación a datos o negocio
En términos aplicados, un problema de doscientas observaciones es sencillo para docencia; cientos de miles pueden exigir alternativas. Como contraste o evidencia complementaria, para cientos de miles de clientes se puede usar MiniBatch como prueba preliminar de segmentación.
Limitaciones, contraejemplo y errores habituales
No prometer escalabilidad lineal del clustering jerárquico clásico por la sola existencia de un dendrograma. Además, sus centros e inercia pueden diferir de los obtenidos por Lloyd completo. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Complejidad jerárquica» y «MiniBatch K-Means», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 106 / 128 · Jerárquico y dendrogramas
¿Cuándo sería legítimo restringir fusiones a zonas geográficas contiguas y qué sesgo puede introducirse?
Nivel: desarrollo universitario · conceptos clave: Conectividad restringida y Métrica de distancia
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Conectividad restringida». Limita posibles fusiones mediante una red de vecinos o estructura espacial definida antes de ajustar el algoritmo. Permite imponer restricciones locales y, en ciertos casos, reducir costo o reflejar adyacencias sustantivas.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Métrica de distancia»: Es una regla de comparación que cuantifica cuán diferentes son dos observaciones y, cuando satisface los axiomas matemáticos, constituye una métrica. Debe respetar no negatividad, simetría, identidad de los indiscernibles y desigualdad triangular; no toda disimilitud de negocios cumple estas condiciones.
Aplicación a datos o negocio
En términos aplicados, agrupar zonas geográficas vecinas puede exigir que solo se unan áreas contiguas. Como contraste o evidencia complementaria, la distancia euclídea tiene sentido con variables numéricas comparables; otras representaciones exigen otro criterio.
Limitaciones, contraejemplo y errores habituales
Una restricción mal planteada puede forzar agrupamientos que ocultan similitudes entre zonas no adyacentes. Además, elegir una distancia por costumbre, sin justificar variables y escalas, convierte los grupos en artefactos de representación. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Conectividad restringida» y «Métrica de distancia», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 107 / 128 · Jerárquico y dendrogramas
¿Qué criterios permiten comparar técnicamente K-Means y jerárquico sin exigir que produzcan las mismas etiquetas?
Nivel: desarrollo universitario · conceptos clave: Comparación K-Means versus jerárquico y Validación interna
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Comparación K-Means versus jerárquico». Enfrenta una partición por centroides con una jerarquía de fusiones, cuyos objetivos y propiedades difieren. K-Means requiere K e itera asignaciones; el aglomerativo construye fusiones que luego se cortan.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Validación interna»: Utiliza propiedades de los propios datos y grupos para valorar cohesión, separación y compactación sin etiquetas externas. Índices como silhouette y Calinski-Harabasz dan señales diferentes y favorecen determinadas geometrías.
Aplicación a datos o negocio
En términos aplicados, un negocio puede comparar compactación de segmentos con interpretabilidad de un árbol de subgrupos. Como contraste o evidencia complementaria, una segmentación candidata se compara según más de un criterio antes de elegir el número de grupos.
Limitaciones, contraejemplo y errores habituales
No exigir coincidencia absoluta entre métodos: discrepancias pueden diagnosticar geometrías o sensibilidades. Además, optimizar repetidamente sobre el mismo índice puede adaptar el procedimiento a sus sesgos geométricos. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Comparación K-Means versus jerárquico» y «Validación interna», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 108 / 128 · Jerárquico y dendrogramas
¿Qué tipo de patrones favorecen las técnicas basadas en densidad y por qué ningún método sirve para todas las geometrías?
Nivel: desarrollo universitario · conceptos clave: Densidad versus jerarquía y K-Means y grupos no convexos
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Densidad versus jerarquía». Distingue agrupamientos definidos por regiones densas de los obtenidos mediante fusiones basadas en distancias entre conjuntos. Métodos como DBSCAN identifican ruido y conectividad por densidad, mientras un dendrograma general organiza todas las observaciones.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «K-Means y grupos no convexos»: Explica la dificultad del modelo clásico para recuperar anillos, lunas o cadenas curvas. Las celdas de Voronoi imponen particiones por proximidad a centros, no conectividad sobre una variedad curva.
Aplicación a datos o negocio
En términos aplicados, un conjunto en forma de anillo con ruido invita a comparar enfoques basados en densidad. Como contraste o evidencia complementaria, con dos anillos concéntricos, K-Means suele dividir sectores geométricos en lugar de reconstruir los anillos.
Limitaciones, contraejemplo y errores habituales
El número de segmentos no es directamente comparable si un algoritmo deja observaciones sin asignar. Además, un silhouette relativamente favorable no convierte la frontera obtenida en la estructura deseada. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Densidad versus jerarquía» y «K-Means y grupos no convexos», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 109 / 128 · Validación y decisiones
¿Qué diferencia hay entre validar clusters sin etiquetas y contrastarlos con una referencia independiente?
Nivel: desarrollo universitario · conceptos clave: Validación interna y Validación externa
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Validación interna». Utiliza propiedades de los propios datos y grupos para valorar cohesión, separación y compactación sin etiquetas externas. Índices como silhouette y Calinski-Harabasz dan señales diferentes y favorecen determinadas geometrías.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Validación externa»: Compara una partición con etiquetas, referencia u otra organización independiente cuando existe una verdad o proxy razonable. ARI y NMI permiten comparar asociaciones entre asignaciones sin depender del nombre numérico de los clusters.
Aplicación a datos o negocio
En términos aplicados, una segmentación candidata se compara según más de un criterio antes de elegir el número de grupos. Como contraste o evidencia complementaria, se contrasta una segmentación con perfiles definidos por expertos o resultados posteriores, aclarando su alcance.
Limitaciones, contraejemplo y errores habituales
Optimizar repetidamente sobre el mismo índice puede adaptar el procedimiento a sus sesgos geométricos. Además, una referencia comercial subjetiva no debe presentarse automáticamente como verdad objetiva. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Validación interna» y «Validación externa», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 110 / 128 · Validación y decisiones
¿Qué significa comparar una partición con una referencia externa y qué problemas tiene una referencia subjetiva?
Nivel: desarrollo universitario · conceptos clave: Validación externa y Adjusted Rand Index ARI
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Validación externa». Compara una partición con etiquetas, referencia u otra organización independiente cuando existe una verdad o proxy razonable. ARI y NMI permiten comparar asociaciones entre asignaciones sin depender del nombre numérico de los clusters.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Adjusted Rand Index ARI»: Compara dos particiones mediante concordancia de pares ajustada por coincidencia esperada bajo un modelo aleatorio. Es invariante al intercambio de nombres de clusters; uno indica concordancia perfecta y valores cercanos a cero pueden corresponder al azar.
Aplicación a datos o negocio
En términos aplicados, se contrasta una segmentación con perfiles definidos por expertos o resultados posteriores, aclarando su alcance. Como contraste o evidencia complementaria, se compara la asignación de clientes entre dos semillas o dos meses sobre el subconjunto de entidades comunes.
Limitaciones, contraejemplo y errores habituales
Una referencia comercial subjetiva no debe presentarse automáticamente como verdad objetiva. Además, no debe aplicarse directamente si las particiones se refieren a unidades de análisis distintas. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Validación externa» y «Adjusted Rand Index ARI», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 111 / 128 · Validación y decisiones
Diseñá una evaluación de estabilidad mediante remuestreo y explicá qué aspectos deben conservarse comparables.
Nivel: desarrollo universitario · conceptos clave: Estabilidad del clustering y Bootstrap
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Estabilidad del clustering». Mide cuán parecidas resultan las particiones bajo cambios razonables de muestra, semilla, ruido o parámetros. Puede estudiarse por remuestreo, consenso o métricas invariantes a permutaciones de etiquetas.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Bootstrap»: Es un procedimiento de remuestreo con reemplazo a partir de una muestra disponible. Permite estimar incertidumbre o estabilidad mediante varias réplicas, cuidando unidades de dependencia.
Aplicación a datos o negocio
En términos aplicados, se comprueba si los clientes conservan perfiles semejantes al repetir la segmentación en distintas muestras. Como contraste o evidencia complementaria, en una base de clientes independientes se ajustan segmentaciones repetidas sobre muestras bootstrap.
Limitaciones, contraejemplo y errores habituales
Estabilidad alta no basta: un algoritmo puede ser estable al construir grupos sin utilidad de negocio. Además, si hay registros temporales correlacionados o clientes repetidos, un bootstrap ingenuo rompe la dependencia. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Estabilidad del clustering» y «Bootstrap», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 112 / 128 · Validación y decisiones
¿Por qué un bootstrap ingenuo puede ser inapropiado para datos temporales o registros repetidos?
Nivel: desarrollo universitario · conceptos clave: Bootstrap y Validación temporal
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Bootstrap». Es un procedimiento de remuestreo con reemplazo a partir de una muestra disponible. Permite estimar incertidumbre o estabilidad mediante varias réplicas, cuidando unidades de dependencia.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Validación temporal»: Evalúa si perfiles y reglas de asignación permanecen interpretables al avanzar el tiempo. Se compara distribución de variables, tamaños, centroides, asignaciones y resultados comerciales entre períodos.
Aplicación a datos o negocio
En términos aplicados, en una base de clientes independientes se ajustan segmentaciones repetidas sobre muestras bootstrap. Como contraste o evidencia complementaria, segmentos construidos con compras del primer semestre se revisan con nuevos clientes del segundo.
Limitaciones, contraejemplo y errores habituales
Si hay registros temporales correlacionados o clientes repetidos, un bootstrap ingenuo rompe la dependencia. Además, una base temporal mezclada aleatoriamente puede ocultar el deterioro por cambios de mercado. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Bootstrap» y «Validación temporal», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 113 / 128 · Validación y decisiones
Compará ARI y NMI para evaluar concordancia de segmentaciones en diferentes ejecuciones.
Nivel: desarrollo universitario · conceptos clave: Adjusted Rand Index ARI y Normalized Mutual Information NMI
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Adjusted Rand Index ARI». Compara dos particiones mediante concordancia de pares ajustada por coincidencia esperada bajo un modelo aleatorio. Es invariante al intercambio de nombres de clusters; uno indica concordancia perfecta y valores cercanos a cero pueden corresponder al azar.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Normalized Mutual Information NMI»: Mide información compartida entre dos asignaciones de cluster, normalizada según una convención definida. Permite evaluar concordancia de particiones sin alinear etiquetas, aunque distintas normalizaciones producen escalas ligeramente distintas.
Aplicación a datos o negocio
En términos aplicados, se compara la asignación de clientes entre dos semillas o dos meses sobre el subconjunto de entidades comunes. Como contraste o evidencia complementaria, puede complementar ARI para evaluar la similitud de segmentaciones con diferentes K.
Limitaciones, contraejemplo y errores habituales
No debe aplicarse directamente si las particiones se refieren a unidades de análisis distintas. Además, no informa por sí mismo cuál partición tiene mayor valor económico. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Adjusted Rand Index ARI» y «Normalized Mutual Information NMI», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 114 / 128 · Validación y decisiones
¿Por qué NMI no depende de cómo se numeran los clusters y qué información no proporciona?
Nivel: desarrollo universitario · conceptos clave: Normalized Mutual Information NMI y Etiquetas permutables
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Normalized Mutual Information NMI». Mide información compartida entre dos asignaciones de cluster, normalizada según una convención definida. Permite evaluar concordancia de particiones sin alinear etiquetas, aunque distintas normalizaciones producen escalas ligeramente distintas.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Etiquetas permutables»: Los identificadores 0, 1 o 2 asignados a clusters son nombres arbitrarios sin orden intrínseco. Dos corridas pueden describir exactamente la misma partición intercambiando todos sus números de etiqueta.
Aplicación a datos o negocio
En términos aplicados, puede complementar ARI para evaluar la similitud de segmentaciones con diferentes K. Como contraste o evidencia complementaria, para comparar ejecuciones se emplean medidas invariantes a la permutación, como ARI.
Limitaciones, contraejemplo y errores habituales
No informa por sí mismo cuál partición tiene mayor valor económico. Además, restar códigos de cluster o interpretar que el grupo 2 es superior al 1 carece de sentido. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Normalized Mutual Information NMI» y «Etiquetas permutables», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 115 / 128 · Validación y decisiones
¿Cómo construirías una matriz de coasignación y qué información revelan sus zonas ambiguas?
Nivel: desarrollo universitario · conceptos clave: Consenso de particiones y Estabilidad del clustering
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Consenso de particiones». Resume la frecuencia con que pares de observaciones quedan juntos a través de diversas ejecuciones. Una matriz de coasignación muestra regiones de estabilidad local y pares ambiguos.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Estabilidad del clustering»: Mide cuán parecidas resultan las particiones bajo cambios razonables de muestra, semilla, ruido o parámetros. Puede estudiarse por remuestreo, consenso o métricas invariantes a permutaciones de etiquetas.
Aplicación a datos o negocio
En términos aplicados, en un segmento premium se comprueba si los mismos clientes permanecen agrupados en muchas corridas. Como contraste o evidencia complementaria, se comprueba si los clientes conservan perfiles semejantes al repetir la segmentación en distintas muestras.
Limitaciones, contraejemplo y errores habituales
La matriz puede ser costosa y depende del conjunto de perturbaciones elegido. Además, estabilidad alta no basta: un algoritmo puede ser estable al construir grupos sin utilidad de negocio. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Consenso de particiones» y «Estabilidad del clustering», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 116 / 128 · Validación y decisiones
¿Cómo verificarías que una segmentación conserva significado al cambiar la distribución del mercado?
Nivel: desarrollo universitario · conceptos clave: Validación temporal y Drift de datos
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Validación temporal». Evalúa si perfiles y reglas de asignación permanecen interpretables al avanzar el tiempo. Se compara distribución de variables, tamaños, centroides, asignaciones y resultados comerciales entre períodos.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Drift de datos»: Es un cambio en la distribución de las variables de entrada respecto del período usado para ajustar el sistema. Puede desplazar distancias, cambiar tamaños de segmentos e invalidar interpretaciones sin cambiar el algoritmo.
Aplicación a datos o negocio
En términos aplicados, segmentos construidos con compras del primer semestre se revisan con nuevos clientes del segundo. Como contraste o evidencia complementaria, la inflación nominal modifica gasto monetario y mueve los centros si no se actualiza la medición.
Limitaciones, contraejemplo y errores habituales
Una base temporal mezclada aleatoriamente puede ocultar el deterioro por cambios de mercado. Además, no cualquier cambio exige reentrenar: hay que analizar magnitud, causa e impacto de decisiones. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Validación temporal» y «Drift de datos», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 117 / 128 · Validación y decisiones
¿Qué diferencias existen entre drift de las variables de entrada y cambio en los perfiles de segmentos?
Nivel: desarrollo universitario · conceptos clave: Drift de datos y Drift de perfiles
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Drift de datos». Es un cambio en la distribución de las variables de entrada respecto del período usado para ajustar el sistema. Puede desplazar distancias, cambiar tamaños de segmentos e invalidar interpretaciones sin cambiar el algoritmo.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Drift de perfiles»: Es la modificación persistente de las características o comportamientos que definen segmentos observados. Se analiza mediante centroides, cuantiles, distribución de pertenencias y resultados de acciones en el tiempo.
Aplicación a datos o negocio
En términos aplicados, la inflación nominal modifica gasto monetario y mueve los centros si no se actualiza la medición. Como contraste o evidencia complementaria, un grupo de clientes antes muy frecuente reduce sus compras tras una modificación de precios.
Limitaciones, contraejemplo y errores habituales
No cualquier cambio exige reentrenar: hay que analizar magnitud, causa e impacto de decisiones. Además, confundir estacionalidad esperada con deterioro estructural puede inducir resegmentaciones innecesarias. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Drift de datos» y «Drift de perfiles», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 118 / 128 · Validación y decisiones
¿Qué señales concretas activarían una revisión de centroides o reglas de asignación durante operación?
Nivel: desarrollo universitario · conceptos clave: Drift de perfiles y Predicción de pertenencia futura
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Drift de perfiles». Es la modificación persistente de las características o comportamientos que definen segmentos observados. Se analiza mediante centroides, cuantiles, distribución de pertenencias y resultados de acciones en el tiempo.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Predicción de pertenencia futura»: Consiste en asignar nuevas observaciones a un esquema de segmentos ya ajustado, aplicando exactamente las mismas transformaciones. En K-Means se calculan distancias a centroides congelados; el mecanismo no exige volver a entrenar al agregar cada cliente.
Aplicación a datos o negocio
En términos aplicados, un grupo de clientes antes muy frecuente reduce sus compras tras una modificación de precios. Como contraste o evidencia complementaria, una empresa clasifica cada nuevo cliente en el segmento operativo asociado al centroide más próximo.
Limitaciones, contraejemplo y errores habituales
Confundir estacionalidad esperada con deterioro estructural puede inducir resegmentaciones innecesarias. Además, si cambia la distribución, los centroides pueden quedar obsoletos; debe monitorearse drift. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Drift de perfiles» y «Predicción de pertenencia futura», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 119 / 128 · Validación y decisiones
¿Qué condiciones debe cumplir una segmentación para ser valiosa si su silhouette es solo moderada?
Nivel: desarrollo universitario · conceptos clave: Accionabilidad comercial y Métricas de negocio
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Accionabilidad comercial». Es la capacidad de traducir un segmento estadístico en una acción concreta, diferenciada y evaluable. Requiere perfil interpretable, canal de llegada, tamaño suficiente, oportunidad económica y responsables.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Métricas de negocio»: Son indicadores de resultados operativos o económicos que convierten una segmentación descriptiva en una decisión evaluable. Pueden incluir contribución marginal, retención, costo de contacto, lifetime value y riesgo según objetivo.
Aplicación a datos o negocio
En términos aplicados, un grupo sensible a descuentos admite una prueba de promociones con métricas de margen y retención. Como contraste o evidencia complementaria, la elección final de K considera si las acciones diferenciales generan beneficio incremental neto.
Limitaciones, contraejemplo y errores habituales
Un cluster perfectamente separado pero sin diferencia de tratamiento posible no crea automáticamente valor. Además, silhouette alta y mayor cantidad de segmentos no equivalen a rentabilidad. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Accionabilidad comercial» y «Métricas de negocio», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 120 / 128 · Validación y decisiones
¿Cómo usarías RFM como entrada de una segmentación sin tratarlo como una prueba automática de perfiles útiles?
Nivel: desarrollo universitario · conceptos clave: Segmentación RFM y Perfilado de clusters
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Segmentación RFM». Organiza comportamiento comercial mediante recencia, frecuencia y valor monetario de transacciones. Puede utilizar reglas de puntuación o servir como conjunto de variables para análisis exploratorio y clustering.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Perfilado de clusters»: Resume cada grupo mediante métricas relevantes, dispersión, tamaño, diferencias respecto del total y evidencia accionable. Puede incluir medias, medianas, intervalos y variables no usadas en la estimación para describir las consecuencias comerciales.
Aplicación a datos o negocio
En términos aplicados, clientes recientes y frecuentes pueden recibir un programa distinto de aquellos inactivos y de alto gasto histórico. Como contraste o evidencia complementaria, se denominan segmentos de alto valor o baja frecuencia solamente después de estudiar sus distribuciones.
Limitaciones, contraejemplo y errores habituales
RFM no contiene por sí mismo rentabilidad neta, sensibilidad al precio ni causalidad. Además, un nombre atractivo no sustituye validación de estabilidad, alcanzabilidad o rentabilidad. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Segmentación RFM» y «Perfilado de clusters», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 121 / 128 · Validación y decisiones
¿Por qué la cantidad de clientes observados en un cluster no debe confundirse con demanda de mercado capturable?
Nivel: desarrollo universitario · conceptos clave: TAM SAM SOM y segmentación y Accionabilidad comercial
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «TAM SAM SOM y segmentación». Distingue tamaño total del mercado, mercado direccionable y porción razonablemente capturable de acuerdo con capacidades. Los clusters descriptivos pueden informar una estrategia, pero no reemplazan estimaciones de demanda ni accesibilidad comercial.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Accionabilidad comercial»: Es la capacidad de traducir un segmento estadístico en una acción concreta, diferenciada y evaluable. Requiere perfil interpretable, canal de llegada, tamaño suficiente, oportunidad económica y responsables.
Aplicación a datos o negocio
En términos aplicados, un proveedor B2B describe perfiles de potenciales clientes y luego dimensiona cuáles puede captar. Como contraste o evidencia complementaria, un grupo sensible a descuentos admite una prueba de promociones con métricas de margen y retención.
Limitaciones, contraejemplo y errores habituales
Convertir cantidad de puntos por cluster en ingresos futuros sin supuestos explícitos es inválido. Además, un cluster perfectamente separado pero sin diferencia de tratamiento posible no crea automáticamente valor. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «TAM SAM SOM y segmentación» y «Accionabilidad comercial», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 122 / 128 · Validación y decisiones
¿Cómo distorsiona los clusters una base que contiene solo compradores activos y no todos los prospectos?
Nivel: desarrollo universitario · conceptos clave: Sesgo de selección y Validación externa
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Sesgo de selección». Ocurre cuando la muestra disponible representa de manera distorsionada la población sobre la que se pretende decidir. El algoritmo aprende la distribución observada, incluidos patrones asociados a no respuesta, canal de captación o supervivencia.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Validación externa»: Compara una partición con etiquetas, referencia u otra organización independiente cuando existe una verdad o proxy razonable. ARI y NMI permiten comparar asociaciones entre asignaciones sin depender del nombre numérico de los clusters.
Aplicación a datos o negocio
En términos aplicados, si solo se registra a compradores actuales, los segmentos no representan automáticamente prospectos de todo el mercado. Como contraste o evidencia complementaria, se contrasta una segmentación con perfiles definidos por expertos o resultados posteriores, aclarando su alcance.
Limitaciones, contraejemplo y errores habituales
Más observaciones no corrigen por sí mismas un mecanismo de selección sesgado. Además, una referencia comercial subjetiva no debe presentarse automáticamente como verdad objetiva. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Sesgo de selección» y «Validación externa», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 123 / 128 · Validación y decisiones
¿Qué auditorías de variables proxy y de efectos distributivos implementarías antes de activar decisiones automatizadas por segmento?
Nivel: desarrollo universitario · conceptos clave: Sensibilidad y equidad y Gobernanza y reproducibilidad
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Sensibilidad y equidad». Evalúa si decisiones basadas en segmentos crean impactos desiguales, injustificados o difíciles de explicar entre poblaciones. Puede incluir auditoría de variables proxy, tasas de acceso a beneficios y controles de uso de datos.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Gobernanza y reproducibilidad»: Es el conjunto de registros, responsabilidades y controles que permite repetir una segmentación y auditar sus consecuencias. Incluye versiones de datos, semillas, transformaciones, parámetros, fechas, supuestos, aprobaciones y monitoreo.
Aplicación a datos o negocio
En términos aplicados, una política crediticia no debería convertir perfiles de comportamiento en discriminación arbitraria contra colectivos. Como contraste o evidencia complementaria, un comité puede reconstruir por qué un cliente fue asignado a un perfil usado en una campaña.
Limitaciones, contraejemplo y errores habituales
Eliminar una columna sensible no basta si otras variables actúan como proxies altamente correlacionados. Además, un gráfico sin trazabilidad de versiones no constituye evidencia suficiente para decisiones persistentes. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Sensibilidad y equidad» y «Gobernanza y reproducibilidad», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 124 / 128 · Validación y decisiones
¿Cómo se vincula una persona de marketing con un cluster estadístico y qué validación cualitativa falta?
Nivel: desarrollo universitario · conceptos clave: Segmento versus persona y Perfilado de clusters
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Segmento versus persona». Un cluster es una agrupación estadística; una persona de marketing es una representación narrativa para orientar mensajes y servicios. La persona sintetiza necesidades e hipótesis, mientras el cluster identifica proximidad bajo una representación cuantitativa.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Perfilado de clusters»: Resume cada grupo mediante métricas relevantes, dispersión, tamaño, diferencias respecto del total y evidencia accionable. Puede incluir medias, medianas, intervalos y variables no usadas en la estimación para describir las consecuencias comerciales.
Aplicación a datos o negocio
En términos aplicados, un cluster de alta frecuencia puede inspirar una persona de comprador habitual, validada con entrevistas. Como contraste o evidencia complementaria, se denominan segmentos de alto valor o baja frecuencia solamente después de estudiar sus distribuciones.
Limitaciones, contraejemplo y errores habituales
Una narrativa convincente no prueba que exista un grupo diferenciado en el dataset. Además, un nombre atractivo no sustituye validación de estabilidad, alcanzabilidad o rentabilidad. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Segmento versus persona» y «Perfilado de clusters», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 125 / 128 · Validación y decisiones
¿Por qué un experimento A/B puede aportar información que ni PCA ni clustering permiten inferir?
Nivel: desarrollo universitario · conceptos clave: Prueba A/B posterior y Interpretación causal
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Prueba A/B posterior». Es un experimento controlado que compara tratamientos para medir impacto causal bajo asignación aleatoria adecuada. Permite comprobar si adaptar una oferta a segmentos mejora resultados frente a una alternativa de referencia.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Interpretación causal»: Separa la descripción de asociaciones observadas de la afirmación de que una variable o acción provoca otra. Ni PCA ni clustering identifican efectos causales solo por operar sobre datos, aun si los grupos parecen separados.
Aplicación a datos o negocio
En términos aplicados, se asignan promociones distintas de modo controlado para evaluar margen incremental en cada perfil. Como contraste o evidencia complementaria, detectar clientes de alta facturación no prueba que pertenecer al cluster produzca mayor gasto.
Limitaciones, contraejemplo y errores habituales
Un cluster con alta conversión histórica no implica que cualquier intervención sobre él cause mejores ventas. Además, las decisiones de intervención requieren diseños experimentales o supuestos causales adicionales. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Prueba A/B posterior» y «Interpretación causal», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 126 / 128 · Validación y decisiones
¿Cómo relacionarías K y granularidad de segmentación con margen incremental, costo operativo y alcance?
Nivel: desarrollo universitario · conceptos clave: Métricas de negocio y Accionabilidad comercial
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Métricas de negocio». Son indicadores de resultados operativos o económicos que convierten una segmentación descriptiva en una decisión evaluable. Pueden incluir contribución marginal, retención, costo de contacto, lifetime value y riesgo según objetivo.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Accionabilidad comercial»: Es la capacidad de traducir un segmento estadístico en una acción concreta, diferenciada y evaluable. Requiere perfil interpretable, canal de llegada, tamaño suficiente, oportunidad económica y responsables.
Aplicación a datos o negocio
En términos aplicados, la elección final de K considera si las acciones diferenciales generan beneficio incremental neto. Como contraste o evidencia complementaria, un grupo sensible a descuentos admite una prueba de promociones con métricas de margen y retención.
Limitaciones, contraejemplo y errores habituales
Silhouette alta y mayor cantidad de segmentos no equivalen a rentabilidad. Además, un cluster perfectamente separado pero sin diferencia de tratamiento posible no crea automáticamente valor. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Métricas de negocio» y «Accionabilidad comercial», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 127 / 128 · Validación y decisiones
¿Qué artefactos guardarías para auditar dentro de seis meses una decisión basada en clustering?
Nivel: desarrollo universitario · conceptos clave: Gobernanza y reproducibilidad y Pipeline de preprocesamiento
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Gobernanza y reproducibilidad». Es el conjunto de registros, responsabilidades y controles que permite repetir una segmentación y auditar sus consecuencias. Incluye versiones de datos, semillas, transformaciones, parámetros, fechas, supuestos, aprobaciones y monitoreo.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Pipeline de preprocesamiento»: Es una secuencia reproducible que integra imputación, codificación, escalado, reducción y estimación. Cada transformación se ajusta en el conjunto apropiado y se reutiliza sin aprender parámetros de futuros datos de evaluación.
Aplicación a datos o negocio
En términos aplicados, un comité puede reconstruir por qué un cliente fue asignado a un perfil usado en una campaña. Como contraste o evidencia complementaria, una empresa documenta cómo se transforma cada cliente nuevo antes de asignarle un segmento.
Limitaciones, contraejemplo y errores habituales
Un gráfico sin trazabilidad de versiones no constituye evidencia suficiente para decisiones persistentes. Además, ejecutar operaciones manuales sin registrar orden y parámetros puede volver irreproducibles las decisiones. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Gobernanza y reproducibilidad» y «Pipeline de preprocesamiento», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.
PREGUNTA 128 / 128 · Validación y decisiones
Una campaña tiene mayor conversión en un cluster premium. ¿Por qué eso no prueba un efecto causal del tratamiento?
Nivel: desarrollo universitario · conceptos clave: Interpretación causal y Prueba A/B posterior
Ver respuesta desarrollada, ejemplo y límites
Respuesta conceptual · definición precisa
Para responder con precisión hay que partir del concepto de «Interpretación causal». Separa la descripción de asociaciones observadas de la afirmación de que una variable o acción provoca otra. Ni PCA ni clustering identifican efectos causales solo por operar sobre datos, aun si los grupos parecen separados.
Desarrollo técnico · mecanismo y comparación
El análisis debe diferenciarlo de «Prueba A/B posterior»: Es un experimento controlado que compara tratamientos para medir impacto causal bajo asignación aleatoria adecuada. Permite comprobar si adaptar una oferta a segmentos mejora resultados frente a una alternativa de referencia.
Aplicación a datos o negocio
En términos aplicados, detectar clientes de alta facturación no prueba que pertenecer al cluster produzca mayor gasto. Como contraste o evidencia complementaria, se asignan promociones distintas de modo controlado para evaluar margen incremental en cada perfil.
Limitaciones, contraejemplo y errores habituales
Las decisiones de intervención requieren diseños experimentales o supuestos causales adicionales. Además, un cluster con alta conversión histórica no implica que cualquier intervención sobre él cause mejores ventas. La conclusión debe circunscribirse a estas condiciones: el resultado matemático es evidencia descriptiva y su valor práctico se contrasta con el objetivo y los datos disponibles.
Criterio de corrección · qué debe demostrar el alumno
Una respuesta universitaria completa distingue definición, mecanismo y supuesto, formula una comparación relevante entre «Interpretación causal» y «Prueba A/B posterior», muestra un caso donde la elección altera el resultado y señala por qué esa evidencia por sí sola no prueba causalidad ni utilidad de negocio.
Intentá contestar sin ver la respuesta. La solución examina el fundamento, la comparación conceptual, un caso práctico y los límites de lo que puede concluirse.