Calculadora de recta de regresión por mínimos cuadrados

La recta de regresión por mínimos cuadrados, también llamada recta de mejor ajuste, es la recta que minimiza la suma de los cuadrados de las distancias verticales entre cada punto de datos observado y la recta. Para un conjunto de observaciones pareadas (x, y), la recta de regresión tiene la forma ŷ = mx + b, donde m es la pendiente y b es el intercepto en y. Al elevar los residuos al cuadrado antes de sumarlos, el método penaliza más las desviaciones grandes que las pequeñas y evita que los errores positivos y negativos se cancelen entre sí. Las fórmulas de la pendiente y el intercepto se obtienen al tomar las derivadas parciales del error cuadrático total con respecto a m y b e igualarlas a cero. El resultado es: m = (n·Σxy − Σx·Σy) / (n·Σx² − (Σx)²) y b = (Σy − m·Σx) / n, donde n es el número de puntos de datos. Esta calculadora usa estas expresiones exactas de forma cerrada, por lo que el resultado es matemáticamente preciso y no interviene ninguna aproximación iterativa. El coeficiente de correlación r mide cuán estrechamente se agrupan los datos alrededor de la recta de regresión. Va de −1 a +1. Un valor cercano a +1 indica una fuerte relación lineal positiva (a medida que x aumenta, y aumenta proporcionalmente); un valor cercano a −1 indica una fuerte relación lineal negativa; y un valor cercano a 0 sugiere poca o ninguna asociación lineal. El coeficiente de determinación R² = r² indica la proporción de la varianza de y explicada por x; por ejemplo, R² = 0.90 significa que la recta de regresión explica el 90% de la variabilidad de los valores de y. La regresión por mínimos cuadrados se utiliza en ciencia, ingeniería, economía, ciencias sociales y aprendizaje automático. Entre sus aplicaciones habituales están predecir ventas a partir del gasto publicitario, modelar la relación entre temperatura y consumo energético, calibrar instrumentos, ajustar líneas de tendencia a datos de series temporales y sentar las bases de modelos más complejos, como la regresión lineal múltiple y la regresión polinómica. Al interpretar los resultados, recuerda que la correlación no implica causalidad: un valor alto de r significa que las dos variables evolucionan juntas linealmente, no necesariamente que una cause la otra. Además, la recta de regresión solo es válida para interpolar dentro del rango de los valores x observados; extrapolar mucho más allá de ese rango puede producir predicciones poco fiables. Por último, unos pocos valores atípicos influyentes pueden desplazar la recta de regresión de forma considerable; examina siempre un diagrama de dispersión junto con las estadísticas para detectar anomalías evidentes. Esta calculadora acepta cualquier cantidad de puntos de datos pareados, con un mínimo de dos. Introduce los valores x en un campo y los valores y correspondientes en el otro, separados por comas. La salida incluye la ecuación de regresión, la pendiente, el intercepto en y, el coeficiente de correlación, R² y las medias de x e y.