Calculadora de regresión cúbica

La regresión cúbica ajusta un polinomio de tercer grado a observaciones pareadas. El modelo tiene la forma y = ax³ + bx² + cx + d, donde a controla la curvatura principal, b aporta la componente cuadrática, c describe una tendencia lineal y d es el valor previsto cuando x es cero. A diferencia de la interpolación, la regresión normalmente no obliga a la curva a pasar por todos los puntos. Elige los coeficientes que minimizan la suma de los cuadrados de las diferencias verticales entre los valores y observados y previstos. Esta calculadora utiliza mínimos cuadrados ordinarios. Con los valores x introducidos construye las cuatro ecuaciones normales asociadas a los términos base 1, x, x² y x³. Después resuelve ese sistema de cuatro por cuatro mediante eliminación gaussiana con pivoteo. El pivoteo mejora la fiabilidad numérica al elegir el pivote disponible de mayor magnitud en cada paso. Se requieren al menos cuatro observaciones pareadas y cuatro valores x distintos, ya que deben estimarse cuatro coeficientes independientes. El coeficiente de determinación R² compara el error cuadrático restante del modelo con la variación total de los valores y observados. Un R² de 1 significa que la curva ajustada reproduce todas las observaciones exactamente. Un valor cercano a cero indica que el modelo explica poco más que el uso de la media. Un R² alto respalda la calidad del ajuste, pero no demuestra que una relación cúbica tenga sentido científico ni que las predicciones fuera del intervalo observado sean fiables. Los modelos cúbicos son útiles cuando los datos cambian de dirección hasta dos veces, como una tendencia acelerada seguida de una desaceleración y otro ascenso. Pueden describir curvas de calibración, trayectorias físicas en intervalos limitados, mediciones de crecimiento, patrones de demanda y respuestas experimentales suaves. Siempre que sea posible, grafica los datos. Una observación atípica puede influir mucho, y valores x grandes o muy agrupados pueden volver los coeficientes sensibles a pequeñas variaciones. Respeta las posiciones en ambas listas: el primer x se empareja con el primer y, el segundo x con el segundo y, y así sucesivamente. Más observaciones suelen dar un ajuste más informativo que el mínimo de cuatro. Para pronosticar, ten cuidado fuera del intervalo de datos, pues el término x³ puede crecer rápidamente. Compara con modelos lineales o cuadráticos más simples y prefiere el más sencillo si la curvatura adicional no aporta una mejora significativa.