PONTIFICIA UNIVERSIDAD JAVERIANA CALI

TATIANA GONZÁLEZ
JUAN DAVID PIPICANO

CASO 3: PROBABILIDAD Y ESTADÍSTICA – REGRESIÓN

El propósito del siguiente análisis es establecer un modelo que prediga el precio del dólar para Colombia
(variable y) con base en el precio por barril de petróleo en la bolsa de Nueva York (variable x).

Tabla 1: Datos para las variables Precio del dólar para Colombia y Precio del petróleo en la bolsa de Nueva
York.

PRECIO DÓLAR 2585 2626 2665 2688 2751 2857 2854 2906 2913 2983 3053 3208
PRECIO PETRÓLEO 59.63 56.96 52.53 52.2 50.89 48.14 47.17 45.17 43.87 42.5 41.14 38.24

Tabla 2: análisis de regresión en Excel para las variables Precio del dólar para Colombia y Precio del petróleo
en la bolsa de Nueva York.

ANÁLISIS DE
VARIANZA
Grados de Suma de Promedio de los Valor crítico de
libertad cuadrados cuadrados F F
Regresión 1 362411.63 362411.63 168.84 1.37763E-07
Residuos 10 21464.62 2146.46
Total 11 383876.25

Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95%

Intercepción 4193.91 104.99 39.94 2.31252E-12 3959.97 4427.845
PRECIO PETRÓLEO -28.07 2.16 -12.99 1.37763E-07 -32.885 -23.26

Tabla 3: análisis para una confianza de 90%

Inferior 90.0% Superior 90.0%

4003.61 4384.20
-31.99 -24.16
1.
Figura 1: Diagrama de dispersión para las variables “x” y “y”

PRECIOS PROMEDIO POR DÍA

3300
3200
3100
PRECIO DÓLAR

3000
2900
2800
2700
2600
2500
38 43 48 53 58
PRECIO PETRÓLEO

Basándose en el diagrama de la figura 1, se puede notar que entre las variables “x” (precio del petróleo
y “y” (precio del dólar) hay una relación completamente lineal muy fuerte, debido a que, al tener una
línea de tendencia para esta dispersión, los 12 datos no se alejan tanto de esta, es decir se puede
apreciar un error muy pequeño.

2. Modelo de regresión lineal simple para predecir el precio del dólar para Colombia respecto al precio
del petróleo.
Debido a que se asume que este es un modelo de regresión lineal simple, se hace uso de la siguiente
ecuación:
Ŷi = b0 + b1 Xi
Donde, Ŷi será el valor a estimar, en este caso, el precio del dólar. b0 es la intercepción de la regresión.
b1 es la estimación de la pendiente y Xi será el precio del petróleo. Los datos b0 y b1 se obtienen del
análisis de regresión hecho en Excel que se presenta en la tabla 2.

Coeficientes
Intercepción 4193.906129
PRECIO PETRÓLEO -28.07183727

Es así como se obtiene la ecuación para este modelo de regresión lineal:

y= 4193.91 – 28.07 x
Precio Dólar = 4193.91 – 28.07*(Precio Petróleo)

3. Interpretación de coeficientes b0 y b1 del modelo obtenido:

Como se sabe, b0 es la estimación del valor promedio del precio del dólar cuando el valor del precio
del petróleo sea 0, es decir, cuando este sea 0 se tendrá que el precio del dólar será de $4193.91 en
promedio.
 Y b1 será la estimación del cambio en el valor promedio del precio del dólar, es decir, cada que aumente
el precio del petróleo, el valor medio del dólar decrecerá en promedio $28.07.

4. El coeficiente de correlación (r) se puede hallar calculando la raíz cuadrada del cociente entre la suma
de cuadrados de la regresión (SCR) y la suma de cuadrados total (SCT) que se encuentran en la tabla
2 presentada anteriormente

Grados de libertad Suma de cuadrados

Regresión 1 362411.6299
Residuos 10 21464.62013
Total 11 383876.25

SCR = 362411.63
SCT = 383876.25
Entonces el coeficiente de correlación será:

r = √362411.63⁄383876.25 = 0.972

El coeficiente de correlación “r” es quien determina el grado de asociación lineal entre las variables del
modelo. La finalidad de este es examinar la fuerza de la asociación entre dos variables, entonces,
cuando el coeficiente de correlación sea cercano a 1, se tiene que existe una relación lineal muy fuerte
entre las variables.
En este caso el r es igual a 0.972, el cual, al ser cercano a uno determina que la asociación lineal entre
las variables precio del dólar y precio del petróleo tienen una relación lineal muy fuerte.

5. El coeficiente de determinación, R2, se calcula a partir de la división entre SCR y SCT, para este
modelo, el coeficiente de determinación será:

R2 = 362411.63⁄383876.25 = 0.94408

Este numero representa el porcentaje de variación en y que es explicado por la regresión, entonces el
modelo será mejor a medida que R2 se acerque mas a 1.
Para este caso se puede decir que el modelo es bueno para determinar el precio del dólar, debido a
que el 94.41% de la variación en y es explicada por la variación en x (precio del petróleo).

6. Prueba de linealidad:
Se establece una prueba de hipótesis donde la hipótesis nula determina que el modelo no es
significativo, mientras que la hipótesis alterna establecerá que, si lo es, lo que quiere decir que si habrá
una relación lineal entre ambas variables.

I. H0: β1 = 0
H1: β1 ≠ 0
Donde β1 representa la pendiente, la cual, si es igual a cero significa que no hay relación lineal
entre las variables.
 Para este caso se establece una prueba t de dos colas, con un α de 0.05 y un grado de libertad de 10,
donde:
II. -t0.025, 10 = -2.228 y t0.025, 10 = 2.228
Para el t calculado se tiene que el Sb1 es igual a 2.1604
III. t c = -28.0718 / 2.1604
t c = -12.9939
Debido a que el t c se encuentra en la región de rechazo (es menor a -t0.025, 10), se rechazaría entonces
la hipótesis nula y se puede decir con una confianza del 95% que el modelo es significativo, lo que
indica que sí hay relación lineal entre ambas variables y una recta puede dar razón de este modelo.

7. Estimación de la pendiente del modelo con una confianza de 90%:

Para esto se calcula el intervalo de confianza con la siguiente ecuación:
b1 ± t α/2, n-2 * Sb1
-28.072 ± 1.812 * 2.1604
( -31.99 , -24.16 )
Basado en esto, se puede decir que, con una confianza del 90%, cada que aumente el precio del
petróleo, se incrementará en promedio el precio del dólar para Colombia entre -31.99 y -24.16.