Calculadora de Regresión y Estimación de Curvas

Calculadora de Regresión y Estimación de Curvas

Popular AI Skill PRO

Ingresar cálculo

Fórmula

y^=A+Bxdonde{B=n∑xy−∑x∑yn∑x2−(∑x)2A=∑y−B∑xn\begin{gathered} \hat{y} = A + B\,x \\[1.5em] \text{donde}\quad \left\{ \begin{aligned} B &= \frac{n\sum xy - \sum x \sum y}{n\sum x^2 - \left(\sum x\right)^2} \\ A &= \frac{\sum y - B\sum x}{n} \end{aligned} \right. \end{gathered}
Estadísticas de uso

Publicidad

Resultados

Valor estimado
122,285714
según la curva ajustada
Coeficiente A 1,1428571429
Coeficiente B 1,8928571429
Correlación (r) 0,994527

Informar de un error en esta página

Qué hace esta calculadora

Esta herramienta ajusta el modelo de regresión que elijas a tu tabla de observaciones emparejadas (x, y) mediante el método de mínimos cuadrados. Devuelve los coeficientes ajustados (A, B y C en el caso cuadrático), el coeficiente de correlación r —que mide hasta qué punto el modelo describe los datos— y un valor estimado calculado directamente a partir de la ecuación ajustada. Se trata de una herramienta universal de matemáticas y estadística, sin reglas específicas de ningún país.

Los siete modelos

Puedes elegir entre Lineal \(\hat{y} = A + B\,x\), Logarítmico \(\hat{y} = A + B\,\ln x\), Exponencial-e \(\hat{y} = A\,e^{B\,x}\), Exponencial-ab \(\hat{y} = A\,B^{x}\), Potencial \(\hat{y} = A\,x^{\,B}\), Inverso \(\hat{y} = A + \frac{B}{x}\) o Cuadrático \(\hat{y} = A + B\,x + C\,x^{2}\). Todos, salvo el cuadrático, se ajustan linealizándolos a la forma \(Y = a + b\,X\) y aplicando mínimos cuadrados ordinarios; el cuadrático se resuelve a partir de su sistema 3\(\times\)3 de ecuaciones normales.

Siete pequeños diagramas de dispersión, cada uno ajustado con una forma de curva de regresión diferente
Comparación de los siete modelos de curva: ajustes lineal, logarítmico, exponencial, potencial, inverso y cuadrático.

Cómo usarla

Introduce tus valores de x e y como listas separadas por comas y de la misma longitud, selecciona el tipo de regresión, indica si quieres estimar y a partir de x o x a partir de y, y escribe el valor de entrada conocido. La calculadora te devuelve los coeficientes, la correlación r y la estimación.

La fórmula explicada

Para los pares linealizados (X, Y): $$b = \frac{S_{xy}}{S_{xx}} \qquad a = \bar{Y} - b\,\bar{X}$$ donde \(S_{xx} = \sum X^2 - n\bar{X}^2\) y \(S_{xy} = \sum XY - n\bar{X}\bar{Y}\). La correlación es $$r = \frac{S_{xy}}{\sqrt{S_{xx}\cdot S_{yy}}}$$ Después, los coeficientes se obtienen por sustitución inversa (por ejemplo, \(A = e^a\) en los modelos exponencial y potencial).

Publicidad
Dispersión de puntos con una línea de mejor ajuste y segmentos de residuos verticales
El método de mínimos cuadrados ajusta la curva que minimiza las distancias verticales al cuadrado (residuos) desde los puntos.

Ejemplo resuelto

Para x = [1,2,3,4,5,6,7] e y = [3,5,7,8,11,13,14] con un ajuste lineal: \(S_{xx} = 28\), \(S_{xy} = 53\), de modo que $$B = \frac{53}{28} = 1{,}892857$$ $$A = 8{,}714286 - 1{,}892857\cdot 4 = 1{,}142857$$ La correlación es $$r = \frac{53}{\sqrt{28\cdot 101{,}4286}} = 0{,}99453$$ Al estimar y en x = 64 obtenemos $$1{,}142857 + 1{,}892857\cdot 64 = 122{,}2857$$ (una extrapolación muy alejada del rango de los datos).

Paso a paso: ajuste de una curva a mano

  1. Elija el modelo. Elija lineal, logarítmico, exponencial (forma e o forma ab), potencial, inverso o cuadrático, según la forma de un diagrama de dispersión y lo que sepa sobre el proceso.
  2. Compruebe las restricciones de dominio. El logarítmico requiere x > 0. El exponencial requiere y > 0. El potencial requiere x > 0 e y > 0. El inverso requiere x ≠ 0. Si algún punto de datos incumple la regla, ese modelo no puede ajustarse a los datos.
  3. Transforme los datos. Reemplace x e y por X e Y según lo requiera el modelo: X = ln x, Y = ln y, o X = 1/x. Deje una variable sin cambios si el modelo no la transforma.
  4. Calcule las sumas, medias y sumas de cuadrados de los datos transformados (n puntos):
    $$S_{xx}=\sum X^2-\frac{(\sum X)^2}{n},\quad S_{xy}=\sum XY-\frac{\sum X\,\sum Y}{n},\quad S_{yy}=\sum Y^2-\frac{(\sum Y)^2}{n}$$ y las medias \(\bar X=\sum X/n\), \(\bar Y=\sum Y/n\).
  5. Obtenga la pendiente y la ordenada al origen de la recta \(Y = a + bX\):
    $$b=\frac{S_{xy}}{S_{xx}},\qquad a=\bar Y-b\,\bar X$$
  6. Sustituya hacia atrás para obtener los parámetros originales. Para el modelo exponencial en forma ab, \(A=e^{a}\) y \(B=e^{b}\). Para los modelos exponencial en forma e y potencial, \(A=e^{a}\) y \(B=b\). Para los modelos logarítmico e inverso, \(A=a\) y \(B=b\).
  7. Calcule el coeficiente de correlación:
    $$r=\frac{S_{xy}}{\sqrt{S_{xx}\,S_{yy}}}$$ Se calcula sobre los datos transformados.
  8. Estime. Introduzca su x en la ecuación ajustada (por ejemplo, \(\hat y = A\,x^{B}\) para un ajuste potencial). Para estimar x a partir de un y dado, despeje la ecuación y compruebe que el resultado está dentro del dominio del modelo.

Nota sobre el cuadrático. El cuadrático \(\hat y = A + Bx + Cx^2\) no se linealiza. En su lugar, resuelva el sistema de ecuaciones normales de 3×3:

$$\begin{aligned}\sum y &= nA + B\sum x + C\sum x^2\\ \sum xy &= A\sum x + B\sum x^2 + C\sum x^3\\ \sum x^2y &= A\sum x^2 + B\sum x^3 + C\sum x^4\end{aligned}$$

Necesita las sumas Σx, Σx², Σx³, Σx⁴, Σy, Σxy y Σx²y. Resuelva el sistema por la regla de Cramer o por eliminación gaussiana. Se requieren al menos tres valores distintos de x.

Publicidad

Transformaciones de linealización por modelo

Modelo Ecuación X transformada Y transformada Forma lineal Sustitución hacia atrás (a, b de la recta) Restricción de dominio
Lineal \(y = A + Bx\) x y \(y = a + bx\) A = a, B = b Ninguna
Logarítmico \(y = A + B\ln x\) ln x y \(y = a + bX\) A = a, B = b x > 0
Exponencial (forma e) \(y = A e^{Bx}\) x ln y \(\ln y = a + bx\) A = ea, B = b y > 0
Exponencial (forma ab) \(y = A B^{x}\) x ln y \(\ln y = a + bx\) A = ea, B = eb y > 0
Potencial \(y = A x^{B}\) ln x ln y \(\ln y = a + bX\) A = ea, B = b x > 0 e y > 0
Inverso \(y = A + B/x\) 1/x y \(y = a + bX\) A = a, B = b x ≠ 0
Cuadrático \(y = A + Bx + Cx^2\) Sin linealización Resolver el sistema de ecuaciones normales de 3×3 A, B, C se obtienen directamente de la solución Ninguna (se necesitan al menos 3 valores distintos de x)

Las exponenciales en forma e y en forma ab describen la misma familia de curvas: \(B_{ab}=e^{B_{e}}\). Dan el mismo ajuste y la misma r.

Interpretación de r y elección entre modelos

  • Rango y signo. r está entre −1 y 1. Una r positiva significa que Y tiende a aumentar con X, y una r negativa significa que tiende a disminuir. |r| cercano a 1 indica un buen ajuste a la forma ajustada, y |r| cercano a 0 indica un ajuste débil.
  • Modelos transformados. En los ajustes logarítmico, exponencial, potencial e inverso, r se calcula sobre los datos transformados (por ejemplo, ln y frente a ln x). Por tanto, no es directamente comparable con la r de un ajuste lineal en la escala original. Comparar modelos por r solo es una guía aproximada.
  • r² (varianza explicada). r² es la proporción de la varianza de la Y (transformada) explicada por la recta ajustada. Por ejemplo, r = 0,90 da r² = 0,81, así que aproximadamente el 81 % de la varianza queda explicada.
  • La correlación no implica causalidad. Una r alta no demuestra que una variable cause la otra, ni que el modelo elegido sea la relación verdadera. Curvas distintas pueden ajustarse a los mismos datos casi igual de bien.
  • Compruebe los residuos. Grafique las diferencias entre los valores observados y los ajustados. Deberían dispersarse al azar alrededor de cero. Un patrón visible, como una curva o una forma de embudo, indica que el modelo es poco adecuado, incluso cuando r es alta.
  • Riesgo de extrapolación. Las estimaciones dentro del rango de sus datos de x (interpolación) suelen ser mucho más fiables que las estimaciones fuera de él. Las curvas exponenciales, potenciales y cuadráticas pueden divergir bruscamente más allá de los datos.
  • Cuadrático frente a lineal. Un cuadrático siempre se ajusta al menos tan bien como un modelo lineal a los mismos datos, porque tiene más parámetros y contiene al modelo lineal como caso particular (C = 0). Por tanto, un mejor ajuste por sí solo no justifica el término adicional. Prefiera el modelo más simple, salvo que la mejora sea significativa y la curvatura tenga sentido para el proceso.
  • Tamaño de la muestra. Con muy pocos puntos, incluso una r alta puede surgir por azar. Use la mayor cantidad de datos que sea práctica.

Preguntas frecuentes

¿Cómo se interpreta r? A grandes rasgos: \(0{,}7 < |r| \le 1\) indica una relación fuerte; \(0{,}4 < |r| < 0{,}7\) moderada; \(0{,}2 < |r| < 0{,}4\) débil; y por debajo de 0,2 prácticamente nula.

¿Por qué se descartan algunos modelos? Los modelos logarítmico y potencial exigen \(x > 0\); los modelos exponencial y potencial exigen \(y > 0\); y el inverso requiere \(x \ne 0\), debido a las transformaciones logarítmicas o recíprocas.

¿Puedo extrapolar? Sí, pero las estimaciones fuera del rango de datos observados son extrapolaciones y conviene interpretarlas con cautela.

Última actualización:

Lo más popular en Matemáticas y Estadísticas

Ver todas las calculadoras de Matemáticas y Estadísticas