La mejor opción para predecir el precio máximo de las acciones de Intel Corporation: ¿Árbol de regresión o Regresión Lineal Múltiple?

Autores/as

  • Edgar Eloy Carpio-Vargas Departamento de Estadística e Informática-UNA-Puno
  • Alicia Roxana Mayda-Huanca Escuela de Ingeniería Estadística e Informática-UNA-Puno
  • German Rafael Espinoza-Rivas Departamento de Ingeniería-UNAMBA-Perú
  • Ecler Mamani Vilca Departamento de Ingeniería informática y Sistemas-UNAMBA-Perú
  • Betsabe Milagros Ccolqque Ruiz Departamento de Ingeniería informática y Sistemas UNAMBA

DOI:

https://doi.org/10.57166/riqchary/v5.n1.2023.117

Palabras clave:

Árboles de regresión, regresión lineal multiple

Resumen

El objetivo del estudio fue comparar el rendimiento del Árbol de regresión frente al Modelo de regresión lineal múltiple en relación al precio de apertura y volumen de ventas diarias de las acciones de Intel Corporation. Se llevó a cabo una investigación descriptiva correlacional de tipo no experimental con diseño transversal, utilizando una muestra por conveniencia. La muestra consistió en 410 registros recopilados desde mayo de 2018 hasta octubre de 2019, obtenidos a través de revisión documental. Los resultados obtenidos mostraron que el Árbol de regresión estableció que la variable más significativa para explicar el precio máximo de las acciones fue el precio de apertura, descartando la variable de volumen. El Error Medio Cuadrático obtenido fue de 1.4480 dólares. Por otro lado, el Modelo de regresión lineal múltiple, utilizando la técnica de eliminación de datos atípicos, presentó un Error Estándar Residual de 0.2257 dólares. En conclusión, se determinó que el modelo más adecuado para predecir el precio máximo de las acciones de Intel Corporation es el Modelo de Regresión Lineal Múltiple con eliminación de puntos atípicos.

Biografía del autor/a

Edgar Eloy Carpio-Vargas, Departamento de Estadística e Informática-UNA-Puno

Edgar Eloy Carpio Vargas, Dr. en estadística e informática, especialista en ciancia de datos, docente de la facultad de Ingenieria Estadistica e Informática, docente RENACYT.

Alicia Roxana Mayda-Huanca, Escuela de Ingeniería Estadística e Informática-UNA-Puno

Alicia Roxana Mayda Huanca, Ing Estadistico e informatico de la Universidad Nacional del Altiplano.

German Rafael Espinoza-Rivas, Departamento de Ingeniería-UNAMBA-Perú

Espinoza Rivas German Rafael, especialista en geología, geotecnia y medio ambiente, con estudios de Ingeniería Geológica, Ingeniería Civil, y Topografía en universidades del Perú, maestría en Ingeniería Civil y Medio Ambiente en la Universidad de Utah, USA y segunda maestría en Ingeniería Ambiental en la Universidad Nacional del Altiplano. Doctor en Ciencia, Tecnología y Medio Ambiente.

Ecler Mamani Vilca, Departamento de Ingeniería informática y Sistemas-UNAMBA-Perú

Ecler Mamani Vilca, Universidad Nacional Micaela Bastidas de Apurímac - Perú, Dr. en Ciencias de la Computación, desarrollador de aplicaciones multimedia y Software Educativo Intercultural.

Betsabe Milagros Ccolqque Ruiz, Departamento de Ingeniería informática y Sistemas UNAMBA

Docente en la Universidad Nacional Micaela Bastidas de Apurímac, Ingeniero Informático y Sistemas con Magister en SEGURIDAD DE LA INFORMACIÓN Y TECNOLOGÍA y estudiante de doctorado.

Citas

M. Lizares, Comparación de los modelos de clasificación: regresión logística y árboles de clasificación para evaluar el rendimiento académico., 2017.

A. García De Mendoza Ortega, "Intel," Universidad Jesuista de Guadalajara, Guadalajara, 2022.

R. Giménez Fernández and . P. Zamorano, "Modelos predictivos de índices bursátiles relevantes para la economía chilena," Universidad de Chile, Santiago, 2014.

M. L. Alvarez, "Predicción de afinidad de uni´on de ligandos en protéinas," Universidad de Buenos Aires, Buenos Aires, 2016.

D. I. Candia Oviedo, "Predicción del rendimiento académico de los estudiantes de la UNSAAC a partir de sus datos de ingreso utilizando algoritmos de aprendizaje automático," Universidad Nacional San Antonio Abad del Cusco, Cusci, 2019.

J. Bacallao Gallestey and J. M. Parap, "Árboles de regresión y otras opciones metodológicas aplicadas a la predicción del rendimiento académico," Educación Médica Superior, 2004.

S. Rosales Heredia, C. Bruno and . M. Balzarini, "Identificación de relaciones entre rendimientos y variables ambientales vía árboles de clasificación y regresión (CART)," Interciencia, vol. 35, no. 12, pp. 876-882, 2010.

S. C. S. Pineda, Comparación de árboles de regresión y clasificación regresion logística, 2009.

J. Felipe Díaz and J. Carlos Correa, "Comparación entre árboles de regresión CART," Comunicaciones en Estadística, vol. 6, no. 2, pp. 175-195, 2013.https://doi.org/10.15332/s2027-3355.2013.0002.05

IBM, "IBM Cognos Analytics," 2022. [Online]. Available: https://www.ibm.com/docs/es/cognos-analytics/11.1.0?topic=tests-multiple-linear-regression. [Accessed 12 10 2022].

J. Amat Rodrigo, "cienciadedatos.net," https://cienciadedatos.net/documentos/25_regresion_lineal_multiple, 2016. [Online]. Available: https://cienciadedatos.net/documentos/25_regresion_lineal_multiple. [Accessed 2 10 2022].

D. R. Tobergte and S. Curtis, "Introducción a la econometría: Un enfoque moderno," Journal of Chemical Information and Modeling, vol. 53, no. 9, 2013.

M. Torres, K. Paz and F. Salazar, "Métodos de recolección de datos para una investigación," no. 2, pp. 2-21, 2019.

R. Hernadez Sampieri, C. Fernández Collado and P. Batista Lucio, Metodología de la Investigación, Cuarta ed., Mexico: MACGRAW-HILL, 2010.

J. I. Espinosa Muñoz, "na aproximación a la predicción del valor de acciones en la bolsa de valores aplicando técnicas de Data Mining," Universidad Politécnica de Madrid, Madrid, 2015.

J. . F. D. Sepúlveda Díaz and J. C. Correa Morales, "Comparación entre árboles de regresión CART y regresión lineal," Comunicaciones en Estadística 6.2, pp. 175-195, 2013.https://doi.org/10.15332/s2027-3355.2013.0002.05

Descargas

Publicado

2023-10-17

Cómo citar

Carpio-Vargas, E. E., Mayda-Huanca, A. R., Espinoza-Rivas, G. R., Mamani Vilca, E., & Ccolqque Ruiz, B. M. (2023). La mejor opción para predecir el precio máximo de las acciones de Intel Corporation: ¿Árbol de regresión o Regresión Lineal Múltiple?. C&Amp;T Riqchary Revista De investigación En Ciencia Y tecnología, 5(1), 49–56. https://doi.org/10.57166/riqchary/v5.n1.2023.117

Número

Sección

Artículos

Artículos similares

También puede {advancedSearchLink} para este artículo.