Usa el Calculadora de Regresión Lineal gratuito abajo: tus datos nunca salen de tu navegador, todo el trabajo ocurre en tu dispositivo y no se sube a ningún servidor.
Qué describe la recta de regresión
La regresión lineal responde a una pregunta sencilla: cuando x sube, ¿qué suele pasar con y? Reúnes pares de números, por ejemplo horas de estudio y notas, o gasto en publicidad y ventas. La recta de regresión es la línea recta que queda más cerca de todos tus puntos a la vez. No pasa por cada punto. Equilibra los huecos por encima y por debajo, de modo que el error total al cuadrado sea el menor posible. Por eso se llama recta de mínimos cuadrados.
La recta tiene dos partes. La pendiente indica cuánto cambia y cuando x sube una unidad. Una pendiente de 2,5 significa que cada unidad extra de x se asocia, en promedio, con 2,5 unidades extra de y. El intercepto indica el valor previsto de y cuando x vale cero. A veces tiene sentido real, como un precio base antes de extras. A veces no, porque x igual a cero quizá nunca ocurra en la vida real. Comprueba siempre si el intercepto describe una situación posible.
Cómo se calculan la pendiente y el intercepto
Detrás de la herramienta, el cálculo usa sumas, no suposiciones. Primero suma todos los valores de x, todos los de y, todos los productos de x por y y todos los cuadrados de x. Con esas cuatro sumas construye la pendiente: el número de puntos por la suma de xy, menos la suma de x por la suma de y, todo dividido entre el número de puntos por la suma de x al cuadrado, menos el cuadrado de la suma de x. Con la pendiente conocida, el intercepto sale de los dos promedios: intercepto igual al promedio de y menos la pendiente por el promedio de x.
De esa fórmula sale un hecho útil. La recta de regresión siempre pasa por el punto formado por los dos promedios. Si dibujas tus datos y la recta ajustada, la recta cruzará exactamente en el promedio de x y el promedio de y. Es una comprobación visual rápida: si tu recta no pasa por ese punto central, algo está mal.
Cómo leer la correlación
Junto a la recta, la herramienta muestra el coeficiente de correlación r. Este número va de menos 1 a más 1. Un valor cerca de 1 significa que los puntos se pegan a una recta creciente. Un valor cerca de menos 1 significa que se pegan a una recta decreciente. Un valor cerca de 0 significa que no hay patrón lineal, aunque podría existir otro patrón curvo. El cuadrado de r, llamado R cuadrado, indica qué parte de la variación de y explica la recta. Un R cuadrado de 0,64 significa que la recta explica alrededor del 64 por ciento de los altibajos de y.
Una correlación fuerte no demuestra que x cause y. Las ventas de helados y los casos de quemaduras solares suben juntos, pero ambos dependen del calor. La regresión describe un patrón en tus datos; por sí sola no dice qué causa qué. Antes de actuar, pregunta qué más podría moverse con ambas variables y si la relación tiene sentido en el mundo real.
Predicciones sin engañarte
Las predicciones son más seguras dentro del rango de x que mediste de verdad. Si tus datos cubren de una a cinco horas de estudio, predecir para seis horas es un pequeño estiramiento, pero predecir para veinte horas es un salto de fe. Las relaciones reales suelen aplanarse, curvarse o llegar a límites fuera del rango observado. La herramienta te dará un número para cualquier x, porque el cálculo no sabe dónde terminan tus datos. Ese juicio debes aplicarlo tú.
Los valores atípicos merecen una segunda mirada. Un punto extremo puede arrastrar toda la recta hacia sí, sobre todo cuando su valor de x queda lejos del resto. Antes de confiar en un ajuste, dibuja los puntos, detecta los extraños y comprueba si son datos reales o errores. Quitar un punto verdadero solo porque molesta es deshonesto, pero corregir un error de escritura o un sensor defectuoso es una buena práctica.
Cuándo una recta no sirve
No toda relación es recta. Si tus puntos forman una curva, una forma de U o un patrón que se nivela, una línea recta te engañará aunque el cálculo funcione. Mira primero la nube de puntos, no solo los números. Una recta sobre una curva sobreestimará en el centro y subestimará en los extremos, o al revés. En esos casos, un modelo curvo o una transformación, como tomar logaritmos, ajusta mejor.
La regresión también supone que tus datos son observaciones independientes. Si la misma persona o máquina aparece muchas veces, o los datos vienen en secuencia temporal, la versión simple puede exagerar tu seguridad. Para trabajos escolares, controles de un negocio pequeño y análisis cotidianos, la recta de mínimos cuadrados es un punto de partida sólido. Pega tus pares, lee la pendiente y el intercepto, revisa r y deja que la recta describa el patrón, no que lo invente.
Herramientas relacionadas
- Linear Regression Calculator (English version)
- Calculadora de Distribución Normal
- Calculadora de Probabilidad