📉

Calculadora de Linear Regression

Estadísticas Gratis Instantáneo Privado

Utiliza la Calculadora de Simple Linear Regression & OLS Line of Best Fit Calculadora en CalcuSolve gratis. Obtén estimaciones inmediatas, precisas y Gratis.

Revisado por Ahmad Faraz · BSCS

Última actualización: Agosto 2026

Pautas Editoriales

⚙ Valores de Entrada

📊 Resultados

Regression Line Equation & Prediction Resumen

Please enter at least 3 matching X and Y data points.

Fitted Regression Line (ŷ = mx + b)

N/A

Coefficient de Determination (R²)

N/A

Pearson Correlation Coefficient (r)

N/A

Slope (m / β₁)

N/A

Y-Intercept (b / β₀)

N/A

Forecasted Predicted Y (at Objetivo X)

N/A

Estándar Error de Estimate (Se)

N/A

✦ Statistical Goodness-de-Fit Diagnóstico

Insufficient data points for ordinary least squares regression.

Insertar en su Sitio

Copia y pega este código en tu sitio web.

<iframe src="https://calcusolve.com/es/calculator/calculadora-de-linear-regresion?embed=true" width="100%" height="600" frameborder="0" loading="lazy" title="Calculadora de Linear Regression"></iframe>

📐 Fórmula

Ordinary Least Squares (OLS) Simple Linear Regression equations: x = (Σ x_i ÷ n), y = (Σ y_i ÷ n) SS_xx = Σ (x_i - x)^2, SS_yy = Σ (y_i - y)^2, SS_xy = Σ (x_i - x)(y_i - y) Slope m = _1 = SS_xySS_xx Y-Intercept b = _0 = y - m x Pearson Correlation r = SS_xy√(SS_xx) × SS_yy Coefficient de Determination R^2 = r^2 = 1 - SS_resSS_Total Estándar error de Estimate S_e = √( Σ (y_i - y)_i)^2n - 2

💡 Ejemplo Práctico

✅

Ejemplo de aplicación: Al introducir los datos de prueba en la Calculadora de Linear Regression con valores estándar de referencia, la herramienta procesa las magnitudes de entrada y genera el resultado desglosado con total precisión matemática y visualización inmediata.

📖 Acerca de Calculadora de Linear Regression

La Calculadora de Linear Regression

Cómo usar esta calculadora

Introduce tu X Values (Independent Variable, comma o space separated), Y Values (Dependent Variable, comma o space separated), Forecast / Predict Y para X Value (e.g. ej: 9). Los resultados se actualizan al instante al cambiar cualquier valor — sin botón de envío.

La Fórmula

Ordinary Least Squares (OLS) Simple Linear Regression equations: x = (Σ x_i)/(n), y = (Σ y_i)/(n) SS_xx = Σ (x_i - x)^2, SS_yy = Σ (y_i - y)^2, SS_xy = Σ (x_i - x)(y_i - y) Slope m = β_1 = SS_xySS_xx Y-Intercept b = β_0 = y - mx Pearson Correlation r = SS_xySS_xx · SS_yy Coefficient de Determination R^2 = r^2 = 1 - SS_resSS_Total Estándar error de Estimate S_e = Σ (y_i - y_i)^2n - 2

Ejemplo práctico

For example, analyzing 8 paired observations \ and \: With \ and \, \ and \. The calculated slope is \ and Y-intercept is \ = 0.7071\), giving fitted equation \ with \. For \, predicted \.

Qué significan tus resultados

Usa tu resultado como punto de partida y valídalo en el contexto de tu caso de uso específico. Prueba dos o tres variaciones de los datos de entrada para comprender la sensibilidad del resultado a tus hipótesis clave. Para decisiones de alto impacto, contrasta con una fuente secundaria o un experto en la materia antes de actuar.

💡 Estándares Metodológicos y Precisión de Cálculo

Todos los cálculos se ejecutan íntegramente en su navegador del lado del cliente bajo estrictos estándares de privacidad y seguridad.
Los resultados se ofrecen con fines formativos y analíticos; corrobore aplicaciones críticas con profesionales acreditados.
Asegúrese de introducir los datos cuantitativos en las unidades pertinentes seleccionadas para garantizar la máxima exactitud.
Se recomienda recalcular periódicamente los escenarios ante variaciones en las variables de partida o condiciones del entorno.

Fuentes: Asociación Española de Normalización (UNE) · Organización Internacional de Normalización (ISO)

Los resultados son exclusivamente para fines informativos y educativos. Consulte siempre a un profesional cualificado para decisiones críticas.