Prueba de detección de puntos de cambio

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

1. ¿Qué tipos de comportamiento en serie puede marcar un punto de cambio?
   • Un cambio en la media, varianza, tendencia o distribución.
   • Sólo un cambio en las etiquetas de clase.
   • Sólo la primera observación
   • Una intervención causal garantizada
2. En un objetivo de segmentación fuera de línea penalizado, ¿qué hace generalmente una penalización mayor?
   • Forzar un cambio en cada observación.
   • Desalentar la adición de segmentos adicionales
   • Eliminar todos los costos del segmento
   • Aumentar el número de variables del modelo.
3. ¿Qué acumula CUSUM con el tiempo?
   • Sólo la observación más grande de la secuencia
   • El número de parámetros de modelo libres.
   • Evidencia de desviación de un proceso de referencia.
   • El promedio móvil de observaciones aún no recopiladas.
4. ¿Qué configuración es especialmente importante para el comportamiento de alerta de CUSUM?
   • El orden de codificación de la clase.
   • El número de grupos
   • El denominador métrico
   • El umbral de control
5. ¿Qué actualiza la detección bayesiana de puntos de cambio en línea?
   • Una única segmentación offline sin incertidumbres
   • Una distribución de probabilidad sobre la duración de las ejecuciones desde un cambio.
   • Las etiquetas de clase del objetivo.
   • Solo el período estacional del modelo.
6. ¿Por qué un cambio detectado no es en sí mismo una explicación?
   • El algoritmo siempre genera una variable causal.
   • Los puntos de cambio nunca corresponden a eventos reales.
   • Un cambio estadístico puede provenir de un cambio de proceso, estacionalidad, deriva o problemas de datos.
   • Una segmentación no tiene índice de tiempo.
7. ¿Qué riesgo puede crear una penalización por segmentación muy baja?
   • Garantizar menos falsas alarmas
   • Hacer que cada serie sea estacionaria
   • Eliminación de autocorrelación por construcción
   • Ruido aleatorio sobresegmentado
8. ¿Qué aspectos de la evaluación son importantes para el seguimiento repetido en línea?
   • Falsas alarmas y retraso en la detección tras miradas repetidas
   • Sólo un valor p en el momento final
   • Si todas las medias de los segmentos son idénticas
   • El número máximo de predictores.