Saltar al contenido principal
HSCalculadora

Calculadora de Regresión Lineal

Ajusta una recta de mejor ajuste y la correlación a datos pareados.

Ajusta una recta de mejor ajuste y la correlación a datos pareados.

Comma-separated

Comma-separated, same count as X

Los resultados se actualizan al escribir.

Slope (m)
—
Intercept (b)—
Correlation (r)—

Cómo funciona

La regresión lineal halla la única recta que mejor resume la relación entre dos variables, y esta calculadora la calcula a partir de tus datos pareados usando el método de mínimos cuadrados. Introduces una lista de valores x y la lista correspondiente de valores y, y devuelve la pendiente de la recta de mejor ajuste, la ordenada al origen y el coeficiente de correlación r. La pendiente indica cuánto cambia y en promedio por cada aumento de una unidad en x, mientras que la ordenada es la y prevista cuando x es cero. Juntas dan la ecuación de la recta, y igual a pendiente por x más ordenada, que puedes usar para predecir nuevos valores o describir una tendencia. El coeficiente de correlación mide cuán cerca se agrupan los puntos alrededor de esa recta: un valor cercano a más uno indica una relación ascendente fuerte, cercano a menos uno una descendente fuerte, y cercano a cero poca relación lineal. Científicos que ajustan datos experimentales, economistas que estudian cómo se mueve un indicador con otro y estudiantes de estadística usan la regresión. La recta de mínimos cuadrados es la misma que producen las líneas de tendencia de las hojas de cálculo.

Cómo funciona

Fórmula: m = (nΣxy − ΣxΣy) / (nΣx² − (Σx)²); b = (Σy − mΣx) / n

La regresión por mínimos cuadrados halla la recta que minimiza la suma de los cuadrados de las distancias verticales entre los puntos y la recta. La pendiente es la covarianza muestral de x e y dividida por la varianza de x, calculada aquí a partir de las sumas de x, y, xy y x al cuadrado. La ordenada coloca esa recta para que pase por el punto medio. El coeficiente de correlación r reescala la misma covarianza al rango de menos uno a uno.

Cuándo usarla

Esta calculadora es útil cuando tienes pares de datos x e y y quieres resumir su relación con la recta que mejor los ajusta. La usan científicos que ajustan datos experimentales, economistas que estudian cómo se mueve un indicador con otro, y estudiantes de estadística que calibran modelos sencillos. Resulta práctica para obtener la pendiente y la ordenada al origen que permiten predecir nuevos valores, para medir con el coeficiente de correlación cuán estrechamente se alinean los puntos, o para comprobar una tendencia antes de llevarla a una hoja de cálculo. Es la misma recta de mínimos cuadrados que generan las líneas de tendencia habituales.

Consejos y consideraciones

Introduce la misma cantidad de valores en x e y, separados por comas, y usa al menos dos pares; con más puntos el ajuste es mucho más fiable, porque dos puntos siempre caen perfectamente sobre una recta sin que eso signifique nada. Recuerda la máxima fundamental: una correlación alta no demuestra causalidad, ya que el vínculo puede deberse a un tercer factor o ser casual. Los valores atípicos influyen mucho en la pendiente al penalizarse los desvíos al cuadrado, así que revísalos. Un coeficiente r cercano a más o menos uno indica una relación lineal fuerte; cercano a cero, prácticamente ninguna.

Fórmula

m = (nΣxy − ΣxΣy) / (nΣx² − (Σx)²); b = (Σy − mΣx) / n

La regresión por mínimos cuadrados halla la recta que minimiza la suma de los cuadrados de las distancias verticales entre los puntos y la recta. La pendiente es la covarianza muestral de x e y dividida por la varianza de x, calculada aquí a partir de las sumas de x, y, xy y x al cuadrado. La ordenada coloca esa recta para que pase por el punto medio. El coeficiente de correlación r reescala la misma covarianza al rango de menos uno a uno.

Fuente:Ordinary least squares regression

Revisamos todas nuestras herramientas de vez en cuando para garantizar su precisión.

Ejemplo resuelto

X values:1, 2, 3, 4Y values:3, 5, 7, 9

Los puntos están exactamente en y = 2x + 1, así pendiente = 2, ordenada = 1, r = 1.

Cómo usar esta calculadora

  1. 1

    Introduce tus valores

    Introduce x values y y values.

  2. 2

    Ajusta las opciones

    Ajusta cualquier opción para adaptarla a tu situación.

  3. 3

    Lee tu resultado

    Slope (m) se actualiza al instante mientras escribes, sin botón que pulsar.

Preguntas frecuentes

¿Qué hace la regresión lineal?
La regresión lineal ajusta la recta que más se acerca a un conjunto de puntos pareados, dándote una ecuación que describe cómo una variable depende de otra. Produce una pendiente y una ordenada, que juntas permiten predecir el valor de y para cualquier x. Es una de las técnicas más usadas en estadística, ciencia y previsión para resumir tendencias.
¿Qué es el método de mínimos cuadrados?
El método de mínimos cuadrados elige la recta que hace lo más pequeño posible el total de las distancias verticales al cuadrado entre los puntos y la recta. Elevar al cuadrado los huecos evita que los errores positivos y negativos se cancelen y penaliza más los desvíos grandes. La recta resultante es única y pasa por el promedio de las x y el promedio de las y.
¿Qué significa el coeficiente de correlación r?
El coeficiente de correlación r mide la fuerza y dirección de la relación lineal en una escala de menos uno a más uno. Valores cercanos a más uno indican puntos que suben juntos en una recta ajustada, cercanos a menos uno una recta descendente ajustada, y cercanos a cero poco o ningún patrón lineal. Sin embargo, no implica que una variable cause la otra.
¿Cuántos puntos de datos necesito?
Necesitas al menos dos puntos para definir una recta, y esta calculadora requiere un mínimo de dos pares. En la práctica, más puntos dan un ajuste más fiable y con sentido, porque dos puntos siempre quedan perfectamente sobre una recta sin importar la relación real. Un puñado de puntos bien repartidos revela una tendencia mucho más convincentemente que el mínimo.
¿Una correlación fuerte prueba causalidad?
No. Una correlación alta muestra que dos variables se mueven juntas, pero no establece que una cause la otra. El vínculo podría ser casual, deberse a un tercer factor oculto o ir en sentido contrario. La regresión describe y predice relaciones, pero demostrar causa requiere experimentos controlados o un razonamiento cuidadoso más allá de los números.