Está en la página 1de 16

Modelo polinomial de grado 3 para la estimación del precio del

dólar
Alessandro Villanueva-Ramirez 1, Ricardo Choquehuanca-Palli 1, Ricardo Orellana-Leon 1
1
Universidad Nacional Mayor de San Marcos, Lima, Perú

avillanuevar2@unmsm.edu.pe, ricardo.choquehuanca@unmsm.edu.pe, ricardo.orellana1@unmsm.edu.pe

RESUMEN 1. Introducción

Luego de la observación de varios modelos,


Cuando se habla del tipo de cambio
se utiliza un modelo polinómico de grado 3
en el Perú, generalmente lo
para la estimación del precio del dólar en
asociamos con la divisa
soles, se quiere estimar cuanto será el precio
estadounidense, por ejemplo: 1 dólar
en el mes de octubre del año 2022.
equivale a 3.30 soles. Pero, no
perdamos de vista que el tipo de
Palabras Clave: Estimación, dolar, Modelo
cambio se define como el precio de
polinómico, precio.
una moneda extranjera (euros, yen,
ABSTRACT libras esterlinas o pesos) en relación
con el valor de una moneda local,
After the observation of several models, a
indicando cuántas unidades de una
polynomial model of degree 3 is used to
divisa se necesitan para obtener una
estimate the price of the dollar in soles, it is
unidad de otra divisa. (Medicina,
desired to estimate how much the price will
2005).
be in the month of October of the year 2022.
Sin embargo el precio del dólar esta
Keywords: Estimate, dollar, polynomial
en constante cambio, según este
model, price.
contexto se recopilo información del
precio del dólar en los últimos años y
se propone un modelo matemático de
regresión polinómica que pueda
estimar su precio en el mes de Del mismo modo, acotan que el modelo
octubre del presente año. de regresión es el más utilizado para
realizar estudios predictivos del valor de
2. Marco Teórico
una variable de tipo cuantitativo a partir
de la otra variable explicativa, al que le
2.1. Modelo de Regresión Lineal
denomina regresión lineal Simple.
Es considerado como un procedimiento
Y = β0 + β 1 X +ε
estadístico que realiza el análisis de las
relaciones existentes entre la variable x
2.2. Regresión potencial
(variable predictora o covariables) y
variable y (variable de respuesta o Será aquella en la que la función de
dependiente) (Szretter, 2017). ajuste sea una función potencial del tipo
y = axb En este caso se resuelve
Bajo este contexto, Carollo (2012),
linealizando la función tomando
sostiene que este modelo es empleada
logaritmos ya que
para predecir la relación entre las
variables (variable dependiente Y con m log y = log a + b log x.
variables regresoras 𝑋j , con J=1,2,….,m
convirtiéndose en un análisis que estima Considerando las nuevas variables: v

una ecuación lineal, ya que se ajusta a =logy y u=logx, resolveríamos la

una línea recta, donde: regresión lineal entre ellas de forma que
si el resultado fuera v∗ = A + Bu, la
solución final quedaría como a = 10A y b
= B (Minaard, 2011).

2.3 Regresión exponencial

Donde: Ɛ = la variable aleatoria que


Según Sarmiento. (2008), una regresión
recopila información de todos los hechos
exponencial es el proceso de encontrar la
observables y no controlables de la
ecuación de la función exponencial que
realidad, por lo que se asocian con el
se ajuste mejor a un conjunto de datos.
azar considerándole al modelo una
característica estocástica.
Como un resultado, obtenemos una predictores 𝑥, 𝑥2, 𝑥3, 𝑥4 … (Toriz-
ecuación de la forma Robles,2019).

y = abx, donde a ≠ 0.

En el análisis exploratorio de la
información se presentan crecimientos
2.5. Regresión Logarítmica
geométricos, que se pueden verificar con
la correspondiente gráfica de dispersión,
Según Rodriguez (2018), se expresa
se deben utilizar los modelos o ajustes
como: y = a + blnx
exponenciales.
Designando: u=lnx
2.4. Regresión Polinómica
Entonces se tiene: y = a + bu para lo cual
La regresión polinómica se utiliza en los
se utiliza el método de los mínimos
casos que los datos ajustan mejor a una
cuadrados para estimar a y b. El método
curva, ya sea cuadrada, cúbica, de cuarto
de los mínimos cuadrados ordinarios
grado, entre otros. Al agregarle potencias
(MCO) se utiliza para determinar los
a las variables y agregando estas nuevas
coeficientes de regresión estimados, en
variables predictoras, se le está
este caso a y b.
agregando flexibilidad al modelo para
que ajuste mejor a los datos. Donde:

La regresión polinómica se utiliza en los


casos que los datos ajustan mejor a una
curva, ya sea cuadrada, cúbica, de cuarto
grado, entre otros. Al agregarle potencias
a las variables y agregando estas nuevas
3. Experimentación
variables predictoras, se le está
agregando flexibilidad al modelo para Se probaron los siguientes modelos
que ajuste mejor a los Aunque generan lineal, potencial, polinómico y
modelos no lineales, su ecuación no deja exponencial y logarítmica, usando
de ser una ecuación lineal con tablas de los datos históricos del tipo
de cambio a partir del año 2013 para Se utilizó el siguiente modelo
evaluar estimaciones. De esta
y = 22209x0.104
manera, se realizará una
comparación entre modelos
4.3. Modelo exponencial
definiendo el que más se ajusta a los
datos reportados con la ayuda de los Se utilizó el siguiente modelo
softwares Excel y KNIME.
y = 27693e0.0029x
3.1. Datos
4.4. Modelo logarítmico
En la tabla 1 se presenta la descripción
Se utilizó el siguiente modelo
de los datos empleados para la
determinación del modelo matemático.
y = 3319ln(x) + 20552

Tabla 1. Descripción de variables


4.5. Modelo polinomial
Atributo Tipo de dato
y precio del dólar Se utilizó el siguiente modelo
x mes

y = 0.027x3 - 4.8412x2 + 329.45x +


25044
4. Pruebas

La tabla 2 muestra los datos


Se utilizó el software informático
obtenidos, empleando los 5 modelos
Microsoft Excel año 2016 y el
y la figura 1, las gráficas.
software KNIME Analytics Platform
para desarrollar las fórmulas de cada
modelo.

4.1. Modelo lineal

Se utilizó el siguiente modelo

y = 96.198x + 27436

4.2. Modelo potencial


Tabla 2. Pronóstico según ecuación

PRONOSTICO SEGÚN ECUACION


N° FECHA DATO LINEAL EXPONENCIAL POLINOMICA LOGARITMICA POTENCIAL
valor error valor error valor error valor error valor error
1 Ene-13 25,820 27532.198 1712.2 27773.4179 1953.41791 25368.636 451.3642 20552 5268 22209 3611
2 Feb-13 25,785 27628.396 1843.4 27854.0693 2069.06935 25683.751 101.2488 22852.5555 2932.44451 23869.1044 1915.89562
1839.5
Mar-13 25,885
3 27724.594 9 27934.955 2049.95499 25989.508 104.5082 24198.2942 1686.70581 24897.1488 987.851218
1410.7
Abr-13 26,410
4 27820.792 9 28016.0755 1606.07551 26286.069 123.9312 25153.111 1256.88902 25653.3002 756.699811
5 May-13 27,410 27916.99 506.99 28097.4316 687.431606 26573.595 836.405 25893.7244 1516.27557 26255.5962 1154.4038
218.18
Jun-13 27,795
6 28013.188 8 28179.0239 384.023949 26852.249 942.7512 26498.8497 1296.15032 26758.1901 1036.80994
169.38
Jul-13 27,940
7 28109.386 6 28260.8532 320.853228 27122.192 817.8078 27010.4758 929.524215 27190.6256 749.374378
140.58
Ago-13 28,065
8 28205.584 4 28342.9201 277.920132 27383.587 681.4128 27453.6665 611.333523 27570.8632 494.136841
476.78
Sep 2013 27,825
9 28301.782 2 28425.2254 600.225351 27636.596 188.4042 27844.5884 19.5883722 27910.6676 85.6676326
10 Oct-13 27,735 28397.98 662.98 28507.7696 772.769576 27881.380 146.38 28194.2799 459.279924 28218.1803 483.180303
494.17
Nov-13 28,000
11 28494.178 8 28590.5535 590.553502 28118.102 118.1018 28510.6144 510.61441 28499.2771 499.277056
660.37
Dic-13 27,930
12 28590.376 6 28673.5778 743.577825 28346.923 416.9232 28799.4052 869.405171 28758.3426 828.342634
506.57
Ene-14 28,180
13 28686.574 4 28756.8432 576.843243 28568.006 388.0062 29065.0669 885.066917 28998.739 818.738972
827.77
Feb-14 27,955
14 28782.772 2 28840.3505 885.350457 28781.513 826.5128 29311.0313 1356.03128 29223.1024 1268.1024
15 Mar-14 28,088 28878.97 790.97 28924.1002 836.100167 28987.605 899.605 29540.0186 1452.01862 29433.5398 1345.53978
16 Abr-14 28,070 28975.168 905.16 29008.0931 938.093079 29186.445 1116.4448 29754.222 1684.22197 29631.7624 1561.76238
8
1441.3
May-14 27,630
17 29071.366 7 29092.3299 1462.3299 29378.194 1748.1942 29955.4351 2325.43509 29819.1797 2189.17968
1197.5
Jun-14 27,970
18 29167.564 6 29176.8113 1206.81133 29563.015 1593.0152 30145.1439 2175.14386 29996.967 2026.96695
1268.7
Jul-14 27,995
19 29263.762 6 29261.5381 1266.53809 29741.070 1746.0698 30324.593 2329.59297 30166.1147 2171.11474
20 Ago-14 28,440 29359.96 919.96 29346.5109 906.510895 29912.520 1472.52 30494.8354 2054.83542 30327.4659 1887.46594
596.15
Sep 2014 28,860
21 29456.158 8 29431.7304 571.730448 30077.528 1217.5278 30656.77 1796.76997 30481.744 1621.74396
332.35
Oct-14 29,220
22 29552.356 6 29517.1975 297.197471 30236.255 1016.2552 30811.1699 1591.1699 30629.5744 1409.57444
428.55
Nov-14 29,220
23 29648.554 4 29602.9127 382.912683 30388.864 1168.8642 30958.7053 1738.7053 30771.5023 1551.50227
24 Dic-14 29,790 29744.752 45.248 29688.8768 101.123197 30535.517 745.5168 31099.9607 1309.96066 30908.005 1118.00496
25 Ene-15 30,610 29840.95 769.05 29775.0906 834.909444 30676.375 66.375 31235.4489 625.448863 31039.5034 429.503445
992.85
Feb-15 30,930
26 29937.148 2 29861.5547 1068.44534 30811.601 118.3992 31365.6224 435.62241 31166.3707 236.370724
798.65
Mar-15 30,832
27 30033.346 4 29948.2699 883.730142 30941.356 109.3562 31490.8826 658.882558 31288.9389 456.938928
1080.4
Abr-15 31,210
28 30129.544 6 30035.2369 1174.76314 31065.803 144.1968 31611.5868 401.586769 31407.5051 197.505129
1208.2
May-15 31,434
29 30225.742 6 30122.4564 1311.54359 31185.104 248.8962 31728.0549 294.05486 31522.3361 88.3361428
1344.0
Jun-15 31,666
30 30321.94 6 30209.9292 1456.07076 31299.420 366.58 31840.5741 174.57411 31633.6725 32.3274646
1343.8
Jul-15 31,762
31 30418.138 6 30297.6561 1464.34392 31408.914 353.0862 31949.4035 187.403532 31741.732 20.2680185
1845.6
Ago-15 32,360
32 30514.336 6 30385.6377 1974.36233 31513.747 846.2528 32054.7775 305.222539 31846.7121 513.287897
1612.4
Sep 2015 32,223
33 30610.534 7 30473.8748 1749.12525 31614.082 608.9178 32156.9086 66.0914035 31948.7929 274.207122
34 Oct-15 32,701 30706.732 1994.2 30562.3681 2138.63193 31710.081 990.9192 32255.9906 445.009419 32048.1387 652.861303
7
2810.0
Nov-15 33,613
35 30802.93 7 30651.1184 2961.88164 31801.905 1811.095 32352.2002 1260.79978 32144.9001 1468.09988
3168.8
Dic-15 34,068
36 30899.128 7 30740.1264 3327.87363 31889.717 2178.2832 32445.6994 1622.30064 32239.2154 1828.78458
3688.6
Ene-16 34,684
37 30995.326 7 30829.3929 3854.60715 31973.678 2710.3218 32536.6366 2147.36345 32331.2119 2352.78814
4093.4
Feb-16 35,185
38 31091.524 8 30918.9186 4266.08144 32053.951 3131.0488 32625.1485 2559.85154 32421.0069 2763.99313
1912.2
Mar-16 33,100
39 31187.722 8 31008.7042 2091.29576 32130.698 969.3022 32711.3611 388.638896 32508.709 591.290979
1475.0
Abr-16 32,759
40 31283.92 8 31098.7506 1660.24935 32204.080 554.92 32795.3909 36.3909082 32594.4189 164.581067
2338.8
May-16 33,719
41 31380.118 8 31189.0585 2529.94146 32274.260 1444.7402 32877.3457 841.654311 32678.23 1040.77
1354.6
Jun-16 32,831
42 31476.316 8 31279.6287 1551.37131 32341.399 489.6008 32957.3255 126.325463 32760.2291 70.7708939
1898.4
Jul-16 33,471
43 31572.514 9 31370.4618 2100.53817 32405.660 1065.3398 33035.4232 435.576816 32840.4972 630.502813
2236.2
Ago-16 33,905
44 31668.712 9 31461.5588 2443.44125 32467.205 1437.7952 33111.7254 793.274605 32919.1098 985.890202
2050.0
Sep 2016 33,815
45 31764.91 9 31552.9202 2262.07979 32526.195 1288.805 33186.3128 628.687196 32996.1376 818.862437
1728.8
Oct-16 33,590
46 31861.108 9 31644.547 1945.45303 32582.793 1007.2072 33259.2608 330.739205 33071.6466 518.353391
2138.6
Nov-16 34,096
47 31957.306 9 31736.4398 2359.56019 32637.160 1458.8398 33330.6399 765.36011 33145.6989 950.301064
48 Dic-16 33,550 32053.504 1496.5 31828.5995 1721.4005 32689.459 860.5408 33400.5162 149.483845 33218.3528 331.647237
522.29
Ene-17 32,672
49 32149.702 8 31921.0268 750.973195 32739.852 67.8518 33468.9516 796.951569 33289.6628 617.662825
50 Feb-17 32,630 32245.9 384.1 32013.7225 616.277486 32788.500 158.5 33536.0044 906.004355 33359.6807 729.680653
105.90
Mar-17 32,448
51 32342.098 2 32106.6874 341.312596 32835.566 387.5658 33601.7293 1153.72928 33428.4548 980.454818
52 Abr-17 32,436 32438.296 2.296 32199.9223 236.077746 32881.211 445.2112 33666.1779 1230.1779 33496.0312 1060.03116
155.50
May-17 32,690
53 32534.494 6 32293.4279 396.57215 32925.598 235.5982 33729.3989 1039.39886 33562.453 872.452975
163.69
Jun-17 32,467
54 32630.692 2 32387.205 79.7950219 32968.889 501.8888 33791.4381 1324.43805 33627.7612 1160.76123
55 Jul-17 32,400 32726.89 326.89 32481.2544 81.2544259 33011.245 611.245 33852.3388 1452.33884 33691.9947 1291.99471
481.08
Ago-17 32,342
56 32823.088 8 32575.577 233.576985 33052.829 710.8288 33912.1423 1570.14226 33755.1902 1413.19016
310.28
Sep 2017 32,609
57 32919.286 6 32670.1734 61.1734472 33093.802 484.8022 33970.8872 1361.88716 33817.3825 1208.38245
525.48
Oct-17 32,490
58 33015.484 4 32765.0446 275.044609 33134.327 644.3272 34028.6104 1538.61035 33878.6047 1388.6047
816.68
Nov-17 32,295
59 33111.682 2 32860.1913 565.191268 33174.566 879.5658 34085.3468 1790.34678 33938.8884 1643.88836
60 Dic-17 32,370 33207.88 837.88 32955.6142 585.614225 33214.680 844.68 34141.1296 1771.1296 33998.2634 1628.26339
1164.0
Ene-18 32,140
61 33304.078 8 33051.3143 911.31428 33254.832 1114.8318 34195.9904 2055.99036 34056.7583 1916.75828
752.27
Feb-18 32,648
62 33400.276 6 33147.2922 499.29224 33295.183 647.1832 34249.959 1601.95902 34114.4002 1466.40019
1236.4
Mar-18 32,260
63 33496.474 7 33243.5489 983.548911 33335.896 1075.8962 34303.0642 2043.06416 34171.215 1911.21502
1110.6
Abr-18 32,482
64 33592.672 7 33340.0851 858.085102 33377.133 895.1328 34355.333 1873.33295 34227.2275 1745.22749
65 May-18 32,710 33688.87 978.87 33436.9016 726.901626 33419.055 709.055 34406.7913 1696.79135 34282.4612 1572.4612
983.06
Jun-18 32,802
66 33785.068 8 33533.9993 731.999295 33461.825 659.8248 34457.4641 1655.46409 34336.9387 1534.93872
1210.2
Jul-18 32,671
67 33881.266 7 33631.3789 960.378928 33505.604 834.6042 34507.3748 1836.3748 34390.6816 1719.68162
972.46
Ago-18 33,005
68 33977.464 4 33729.0413 724.041342 33550.555 545.5552 34556.5461 1551.54607 34443.7106 1438.71056
1078.6
Sep 2018 32,995
69 34073.662 6 33826.9874 831.987358 33596.840 601.8398 34604.9995 1609.99949 34496.0453 1501.0453
70 Oct-18 33,668 34169.86 501.86 33925.2178 257.217801 33644.620 23.38 34652.7557 984.755708 34547.7048 879.704819
480.05
Nov-18 33,786
71 34266.058 8 34023.7335 237.733496 33694.058 91.9422 34699.8345 913.834512 34598.7073 812.707274
682.25
Dic-18 33,680
72 34362.256 6 34122.5353 442.535271 33745.315 65.3152 34746.2548 1066.25485 34649.0701 969.070106
1149.4
Ene-19 33,309
73 34458.454 5 34221.624 912.623957 33798.554 489.5542 34792.0349 1483.03489 34698.8101 1389.81006
1567.6
Feb-19 32,987
74 34554.652 5 34321.0004 1334.00039 33853.937 866.9368 34837.192 1850.19204 34747.9432 1760.9432
1500.8
Mar-19 33,150
75 34650.85 5 34420.6654 1270.6654 33911.625 761.625 34881.743 1731.74305 34796.485 1646.485
1735.0
Abr-19 33,012
76 34747.048 5 34520.6198 1508.61983 33971.781 959.7808 34925.704 1913.70396 34844.4503 1832.45031
1067.2
May-19 33,776
77 34843.246 5 34620.8645 844.864515 34034.566 258.5662 34969.0902 1193.0902 34891.8534 1115.85343
2094.4
Jun-19 32,845
78 34939.444 4 34721.4003 1876.4003 34100.143 1255.1432 35011.9166 2166.9166 34938.7081 2093.70813
2015.6
Jul-19 33,020
79 35035.642 4 34822.228 1802.22804 34168.674 1148.6738 35054.1974 2034.19742 34985.0277 1965.02766
1231.8
Ago-19 33,900
80 35131.84 4 34923.3486 1023.34857 34240.320 340.32 35095.9464 1195.9464 35030.8248 1130.82479
1538.0
Sep 2019 33,690
81 35228.038 4 35024.7627 1334.76274 34315.244 625.2438 35137.1767 1447.17674 35076.1118 1386.11183
1884.2
Oct-19 33,440
82 35324.236 4 35126.4714 1686.47141 34393.607 953.6072 35177.9012 1737.90118 35120.9007 1680.90067
1411.4
Nov-19 34,009
83 35420.434 3 35228.4754 1219.47544 34475.572 466.5722 35218.132 1209.13198 35165.2027 1156.20275
2406.6
Dic-19 33,110
84 35516.632 3 35330.7757 2220.77567 34561.301 1451.3008 35257.881 2147.88096 35209.0291 2099.02913
1772.8
Ene-20 33,840
85 35612.83 3 35433.373 1593.37298 34650.955 810.955 35297.1595 1457.15952 35252.3905 1412.39051
1180.0
Feb-20 34,529
86 35709.028 3 35536.2682 1007.26821 34744.697 215.6968 35335.9787 806.978676 35295.2972 766.297188
1498.2
Mar-20 34,307
87 35805.226 3 35639.4623 1332.46225 34842.688 535.6882 35374.349 1067.34905 35337.7591 1030.75915
2181.4
Abr-20 33,720
88 35901.424 2 35742.956 2022.95595 34945.091 1225.0912 35412.2809 1692.28089 35379.786 1659.78603
1707.6
May-20 34,290
89 35997.622 2 35846.7502 1556.75019 35052.068 762.0678 35449.7841 1159.78411 35421.3872 1131.38715
90 Jun-20 35,407 36093.82 686.82 35950.8458 543.845838 35163.780 243.22 35486.8683 79.8682958 35462.5716 55.5715531
873.01
Jul-20 35,317
91 36190.018 8 36055.2438 738.24377 35280.390 36.6102 35523.5427 206.542702 35503.348 186.347961
868.21
Ago-20 35,418
92 36286.216 6 36159.9449 741.944863 35402.059 15.9408 35559.8163 141.816287 35543.7248 125.724837
365.41
Sep 2020 36,017
93 36382.414 4 36264.95 247.949998 35528.950 488.0498 35595.6977 421.302282 35583.7104 433.289625
343.61
Oct-20 36,135
94 36478.612 2 36370.2601 235.260059 35661.225 473.7752 35631.1954 503.804618 35623.3125 511.687484
95 Nov-20 36,058 36574.81 516.81 36475.8759 417.87593 35799.045 258.955 35666.3174 391.682597 35662.539 395.461045
481.00
Dic-20 36,190
96 36671.008 8 36581.7985 391.7985 35942.573 247.4272 35701.0716 488.928353 35701.3972 488.602844
407.20
Ene-21 36,360
97 36767.206 6 36688.0287 328.02866 36091.970 268.0298 35735.4657 624.534262 35739.8944 620.105641
386.40
Feb-21 36,477
98 36863.404 4 36794.5673 317.567302 36247.399 229.6008 35769.5071 707.492938 35778.0376 698.962414
467.39
Mar-21 37,427
99 36959.602 8 36901.4153 525.584678 36409.022 1017.9782 35803.2028 1623.79722 35815.8337 1611.16634
100 Abr-21 37,764 37055.8 708.2 37008.5736 755.426381 36577.000 1187 35836.5598 1927.44015 35853.2892 1910.71081
101 May-21 38,271 37151.998 1119 37116.0431 1154.95691 36751.496 1519.5042 35869.585 2401.415 35890.4106 2380.58939
102 Jun-21 38,397 37248.196 1148.8 37223.8247 1173.17535 36932.671 1464.3288 35902.2848 2494.71523 35927.2042 2469.79584
3239.6
Jul-21 40,584
103 37344.394 1 37331.9192 3252.08081 37120.688 3463.3118 35934.6655 4649.33449 35963.6759 4620.32408
3325.4
Ago-21 40,766
104 37440.592 1 37440.3276 3325.67237 37315.709 3450.2912 35966.7334 4799.26661 35999.8318 4766.16822
3671.2
Sep 2021 41,208
105 37536.79 1 37549.0509 3658.94912 37517.895 3690.105 35998.4944 5209.5056 36035.6775 5172.32253
2147.0
Oct-21 39,780
106 37632.988 1 37658.0899 2121.91015 37727.409 2052.5912 36029.9544 3750.04565 36071.2186 3708.78143
2135.8
Nov-21 39,865
107 37729.186 1 37767.4455 2097.55454 37944.412 1920.5878 36061.1189 3803.8811 36106.4605 3758.53949
2712.6
Dic-21 40,538
108 37825.384 2 37877.1186 2660.88137 38169.067 2368.9328 36091.9935 4446.00646 36141.4086 4396.59143
1930.4
Ene-22 39,852
109 37921.582 2 37987.1103 1864.88972 38401.536 1450.4642 36122.5836 3729.41638 36176.0679 3675.93212
110 Feb-22 38,370 38017.78 352.22 38097.4213 272.578663 38641.980 271.98 36152.8943 2217.10567 36210.4434 2159.55656
383.97
Mar-22 37,730
111 38113.978 8 38208.0527 478.052725 38890.562 1160.5618 36182.9307 1547.06926 36244.5401 1485.45986
1450.1
Abr-22 36,760
112 38210.176 8 38319.0054 1559.00538 39147.443 2387.4432 36212.6978 547.302246 36278.3627 481.637298
113 May-22 38,350 38306.374 43.626 38430.2802 80.2802235 39412.786 1062.7862 36242.2002 2107.79983 36311.9158 2038.08424
1302.5
Jun-22 37,100
114 38402.572 7 38541.8782 1441.8782 39686.753 2586.7528 36271.4427 828.55735 36345.2038 754.796183
115 Jul-22 38,144 38498.77 354.77 38653.8003 509.800252 39969.505 1825.505 36300.4297 1843.57027 36378.2313 1765.76874
566.03
Ago-22 39,161
116 38594.968 2 38766.0473 394.952687 40261.205 1100.2048 36329.1658 2831.83416 36411.0024 2749.99763
368.16
Set-22 38,323
117 38691.166 6 38878.6203 555.620329 40562.014 2239.0142 36357.6553 1965.34471 36443.5213 1879.47867
579.63
Oct-22 39,367
118 38787.364 6 38991.5202 375.479753 40872.095 1505.0952 36385.9023 2981.09773 36475.7922 2891.2078
Figura 1. Modelamiento lineal, exponencial, potencial, logarítmica y polinomial

Chart Title
45,000

40,000

35,000

30,000

25,000

20,000

15,000

10,000

5,000

0
0 20 40 60 80 100 120 140
5. Evaluación de resultados Figura 3. Coeficiente de correlación del
modelo polinomial calculado desde KNIME
En la tabla 3 se analizaron los modelos
empleados para evaluar el mejor ajuste.

Tabla 3. Comparación de coeficiente de Luego de evaluar el modelos lineal,


correlación r potencial, exponencial, logarítmico y

Modelo R²
polinómico, se encontró que el r2 para el
Exponencial 0.8316 modelo lineal es 0.8333, para el modelo
Lineal 0.8333
exponencial 0.8316, para el modelo
Logarítmica 0.7416
Polinómica logarítmico 0. 7416, para el modelo
0.888
grado 3
Potencial 0.7725
potencial 0. 7725 y para el modelo
polinómico de grado 3 su r2 es 0. 888.

El modelo polinómico evidenció el mayor

Chart Title
45,000
40,000
f(x) = 0.02697625 x³ − 4.84115086 x² + 329.453865 x + 25044.1637
R² = 0.887717347696544
35,000
30,000 Series2
25,000 Polynomial (Series2)
20,000
15,000
10,000
5,000
0
Figura 2. Proceso de predicción en KNIME 0 20 40 60 80 00 20 40
1 1 1
coeficiente de correlación r2, de esta manera,
se realizó una proyección de los precios
hasta el mes de octubre.

Figura 4. Proyección del dólar

Como se muestra en la figura 3, en el mes de


octubre del 2022, la variable x tomaría el
valor de 119, y según la ecuación,
reemplazando valores estimamos que el de
precio del dólar en el mes de octubre del https://elperuano.pe/noticia-
2022 será de S/. 4.1191. el-alza-del-precio-del-dolar-
el-peru-71090.aspx

Szretter, M. (2017). Apunte de


6. Conclusiones
regresión Lineal. Buenos
Aires.
Se determina que el modelo polinómico de
grado 3 es el que describe con mayor ajuste
Carollo, C. (2012). Regresion Lineal
los datos analizados, este modelo presenta
simple. Revista Estadistica
un coeficiente de correlación (r 2 ) de 0.888,
FBA, 1 - 31.
para la cual si se realiza una estimación, este
tipo de regresión sería la más adecuada entre Minnaard, C. (2011). Modelos de
las 5 mencionadas en este artículo. regresión lineales y no
lineales: su aplicación en
El precio del dólar según lo estimado en el
problemas de ingeniería.
mes de octubre del 2022 es de S/. 4.1191.
Toriz-Robles, N., Ramírez-Guzmán,
7. Recomendaciones
M. E., Fernández-Ordoñez,
Y. M., Soria-Ruiz, J., &
Debido a que los cambios constantes del
Ybarra-Moncada, M. C.
valor del dólar dependen de varios
(2019). Comparación de
factores, se recomienda usar los modelos
modelos lineales y no lineales
de regresión recogiendo datos desde un
para estimar el riesgo de
punto en que el cambio del valor del
contaminación de suelos.
dólar presente un patrón notable.
Agrociencia, 53(2), 269-283.
8. Bibliografía
Rodríguez, C. R. B. (2018). Modelo
Medicina Di Paolo, J. (15 de de regresión del consumo
setiembre del 2018). El alza final privado y el producto
del precio del dólar en el bruto interno nacional del
Perú. El Peruano. Recuperado Perú durante el período
2000–2013. In
Crescendo, 9(1), 13-32.

También podría gustarte