Calculadora de regresión lineal

• Cálculo instantáneo de la regresión lineal: pega cualquier conjunto de datos x-y y obtén al instante la ecuación de regresión, la pendiente, la intersección, R², la r de Pearson, los errores estándar y los residuos. La calculadora usa el método de mínimos cuadrados para resultados exactos y lo procesa todo en tu navegador sin tiempo de carga.
• Calculadora de regresión lineal online y segura: la calculadora se ejecuta íntegramente en el lado del cliente, en tu navegador. Tus datos nunca se envían a ningún servidor, no se almacenan ni se rastrean: privacidad total para conjuntos de datos académicos, empresariales y de investigación.
• Calculadora de regresión lineal - sin instalación: usa la calculadora directamente en cualquier navegador moderno, sin descargas, aplicaciones ni complementos. Pega datos en cualquier formato habitual (separados por comas, espacios o tabulaciones), usa el widget de predicción integrado y consulta la tabla de residuos: 100 % gratis para siempre.
• Diagrama de dispersión, residuos y widget de predicción: la calculadora genera un diagrama de dispersión con la línea de regresión y las líneas de residuos, una tabla completa de residuos y un widget de predicción integrado: introduce cualquier valor de x para calcular al instante el ŷ predicho. La fuerza de la correlación se etiqueta (Muy fuerte, Fuerte, Moderada, Débil).

• Previsión de negocio y ventas: los analistas de ventas usan la regresión lineal para modelar la relación entre la inversión publicitaria y los ingresos, o entre el tiempo y el volumen de ventas. La calculadora da la ecuación exacta y el R² para cuantificar qué tan bien se ajusta el modelo lineal a los datos.
• Investigación científica y análisis de datos: los investigadores usan la regresión lineal para hallar relaciones entre variables experimentales: temperatura frente a velocidad de reacción, dosis frente a respuesta, o tiempo frente a crecimiento. La calculadora aporta la pendiente, la intersección y los errores estándar para incluirlos en publicaciones.
• Economía y finanzas: los economistas modelan relaciones entre variables económicas como el PIB y el desempleo, o los tipos de interés y los precios de la vivienda. El R² de la calculadora muestra qué parte de la variación de una variable se explica por la otra.
• Aprendizaje automático y ciencia de datos: los científicos de datos usan la regresión lineal simple como modelo base y para el análisis de características. La calculadora proporciona los coeficientes exactos por mínimos cuadrados y los residuos necesarios para evaluar el ajuste del modelo antes de pasar a algoritmos más complejos.
• Educación y trabajos de estadística: los estudiantes de estadística usan la calculadora para verificar cálculos manuales, comprender la relación entre pendiente, intersección y R², y visualizar cómo se ajusta la línea de regresión a los datos mediante el diagrama de dispersión.
• Ingeniería y control de calidad: los ingenieros usan la regresión lineal para curvas de calibración, control de procesos y análisis de fiabilidad. La tabla de residuos de la calculadora ayuda a identificar valores atípicos y a evaluar si el modelo lineal es adecuado para los datos.

La regresión lineal es un método estadístico que modela la relación entre una variable dependiente (y) y una variable independiente (x) mediante una línea recta: ŷ = mx + b. La pendiente (m) representa cuánto cambia y por cada unidad de aumento de x. La intersección (b) es el valor predicho de y cuando x = 0. El método de mínimos cuadrados halla la línea que minimiza la suma de los residuos al cuadrado (las diferencias entre los valores observados y predichos de y). Nuestra calculadora de regresión lineal calcula la solución exacta por mínimos cuadrados, junto con R², la r de Pearson, los errores estándar y un diagrama de dispersión con la línea de regresión.

1. Introduce tus datos: pega pares de datos x-y en el área de texto, un par por línea, separados por coma, espacio o tabulación. Por ejemplo: “1, 2.5” o “1 2.5”. Haz clic en “Cargar ejemplo” para ver el formato. La calculadora acepta cualquier número de puntos de datos (mínimo 2).
2. Cálculo instantáneo por mínimos cuadrados: haz clic en “Calcular regresión” y la calculadora calcula la pendiente y la intersección con las fórmulas de mínimos cuadrados, y luego deriva R², la r de Pearson, los errores estándar y los residuos. Todos los cálculos se ejecutan localmente en tu navegador: tus datos nunca se envían a ningún servidor.
3. Consulta los resultados y predice: la calculadora muestra la ecuación de regresión, un diagrama de dispersión con la línea de regresión y las líneas de residuos, estadísticas clave, una tabla de residuos y un widget de predicción integrado donde puedes introducir cualquier valor de x para obtener al instante el ŷ predicho.

• Pendiente (m) e intersección (b): los coeficientes de la línea de regresión ŷ = mx + b, calculados con las fórmulas de mínimos cuadrados. También se muestran los errores estándar de ambos coeficientes.
• R² (coeficiente de determinación): la proporción de la varianza de y explicada por x. R² = 1 significa un ajuste perfecto; R² = 0 significa que la línea no explica nada de la varianza. R² = 1 − SS_res / SS_tot.
• r de Pearson (coeficiente de correlación): la fuerza y la dirección de la relación lineal, de −1 (negativa perfecta) a +1 (positiva perfecta). r = √R² × signo(pendiente).
• Residuos: las diferencias entre los valores observados de y y los predichos ŷ (y − ŷ). Residuos grandes indican puntos que se desvían de la tendencia lineal. La tabla de residuos y el diagrama de dispersión muestran todos los residuos visualmente.

R² te indica qué porcentaje de la variación de y se explica por la relación lineal con x. Un R² de 0,85 significa que el 85 % de la varianza de y se explica por x. La r de Pearson se interpreta así: |r| ≥ 0,9 (muy fuerte), 0,7-0,9 (fuerte), 0,5-0,7 (moderada), 0,3-0,5 (débil), <0,3 (muy débil o nula). Ten en cuenta que la correlación no implica causalidad: un R² alto solo significa que el modelo lineal se ajusta bien a los datos, no que x cause y.