Calculadora de R cuadrado (coeficiente de determinación)

Calculadora de R cuadrado (coeficiente de determinación)

Popular AI Skill PRO

Ingresar cálculo

Fórmula

R2=1−SSresSStotdonde{SSres=∑(Real y−Predicho y^)2SStot=∑(Real y−y‾)2y‾=1n∑Real y\begin{gathered} R^{2} = 1 - \frac{SS_{res}}{SS_{tot}} \\[1.5em] \text{donde}\quad \left\{ \begin{aligned} SS_{res} &= \sum \left( {{\text{Real } y}} - {{\text{Predicho } \hat{y}}} \right)^{2} \\ SS_{tot} &= \sum \left( {{\text{Real } y}} - \bar{y} \right)^{2} \\ \bar{y} &= \frac{1}{n}\sum {{\text{Real } y}} \end{aligned} \right. \end{gathered}
Estadísticas de uso

Publicidad

Resultados

Coeficiente de determinación (R²)
0,9965
explica 99,65% de la varianza
Suma de cuadrados de los residuos (SSres) 0,14
Suma total de cuadrados (SStot) 40
Puntos de datos (n) 5

Informar de un error en esta página

¿Qué es el R cuadrado?

El R cuadrado (R²), conocido también como coeficiente de determinación, mide hasta qué punto las predicciones de un modelo coinciden con los datos observados. Toma valores entre 0 y 1 (a menudo se expresa en porcentaje): un R² de 1 indica que el modelo explica toda la variabilidad del resultado, mientras que un 0 significa que no explica nada. El R² es una de las métricas de bondad de ajuste más utilizadas en estadística, aprendizaje automático y análisis de regresión.

Cómo usar esta calculadora

Introduce tus valores observados reales y tus valores predichos (del modelo) como listas separadas por comas. Ambas listas deben tener la misma longitud y mantener el mismo orden. La calculadora obtiene la suma de cuadrados de los residuos, la suma total de cuadrados y devuelve el R² junto con el porcentaje de varianza explicada.

La fórmula explicada

El R² se define como:

$$R^{2} = 1 - \frac{SS_{res}}{SS_{tot}}$$

donde \(SS_{res} = \sum (y_i - \hat{y}_i)^2\) es la suma de los residuos al cuadrado (los errores de predicción), y \(SS_{tot} = \sum (y_i - \bar{y})^2\) es la varianza total de los valores reales respecto a su media \(\bar{y}\). Cuanto menor sea el error residual en relación con la varianza total, más se acerca el R² a 1.

Publicidad

Ejemplo resuelto

Imagina que los valores reales son 3, 5, 7, 9, 11 (media = 7) y las predicciones son 2,8, 5,2, 6,9, 9,1, 10,8. Los residuos son 0,2, −0,2, 0,1, −0,1, 0,2, por lo que $$SS_{res} = 0{,}04+0{,}04+0{,}01+0{,}01+0{,}04 = 0{,}14.$$ Las desviaciones respecto a la media son −4, −2, 0, 2, 4, así que $$SS_{tot} = 16+4+0+4+16 = 40.$$ Por tanto, $$R^{2} = 1 - \frac{0{,}14}{40} = 0{,}9965,$$ es decir, el modelo explica alrededor del 99,65 % de la varianza.

Preguntas frecuentes

¿Puede ser negativo el R²? Sí. Al aplicar un modelo a datos nuevos (no ajustados por mínimos cuadrados ordinarios), las predicciones pueden resultar peores que usar simplemente la media, lo que da \(SS_{res} > SS_{tot}\) y un R² negativo.

¿Un R² alto significa que el modelo es bueno? No siempre. Un R² elevado puede deberse al sobreajuste y no confirma que los supuestos del modelo sean correctos. Conviene revisar siempre los residuos y considerar el R² ajustado al comparar modelos con distinto número de predictores.

¿En qué se diferencian el R² y la correlación? En la regresión lineal simple, el R² equivale al cuadrado del coeficiente de correlación de Pearson (r) entre los valores reales y los predichos.

Última actualización:

Lo más popular en Matemáticas y Estadísticas

Ver todas las calculadoras de Matemáticas y Estadísticas