Calculadora de regresión polinómica

La regresión polinómica es una potente extensión de la regresión lineal que modela la relación entre una variable independiente x y una variable dependiente y como un polinomio de grado n. A diferencia de la regresión lineal simple, que ajusta una línea recta, la regresión polinómica puede capturar curvas, cambios de dirección y patrones más complejos en los datos, por lo que resulta útil cuando las relaciones del mundo real son claramente no lineales. El modelo matemático adopta la forma: y = β₀ + β₁x + β₂x² + … + βₙxⁿ, donde los coeficientes β₀ a βₙ se estiman a partir de los datos mediante el método de mínimos cuadrados. Aunque ajusta una curva en lugar de una línea, la regresión polinómica sigue clasificándose como un modelo lineal porque es lineal en sus coeficientes. El método de mínimos cuadrados minimiza la suma de los residuos al cuadrado, es decir, las diferencias entre los valores y observados y los valores predichos por el polinomio. Esto se logra resolviendo las ecuaciones normales: (XᵀX)β = Xᵀy, donde X es la matriz de Vandermonde construida a partir de los valores x. Esta calculadora resuelve esas ecuaciones mediante eliminación gaussiana, un método numérico robusto adecuado para polinomios de hasta grado 10. R cuadrado (R²), el coeficiente de determinación, mide qué tan bien el polinomio ajustado explica la variabilidad total de y. Un R² de 1.0 significa que la curva pasa exactamente por todos los puntos de datos; 0.0 significa que el modelo no explica nada de la varianza. Aunque R² siempre aumenta con el grado del polinomio, un R² muy alto con un polinomio de alto grado puede indicar sobreajuste: el modelo memoriza los datos de entrenamiento en lugar de capturar la tendencia subyacente real. Elegir el grado correcto es fundamental. El grado 1 produce una línea recta (equivalente a la regresión lineal simple). El grado 2 (cuadrático) captura patrones en forma de U o de U invertida. El grado 3 (cúbico) puede modelar tendencias en forma de S o curvas de crecimiento más complejas. Para la mayoría de los conjuntos de datos prácticos, los grados 2 o 3 son suficientes, y superar el grado 5 o 6 suele introducir inestabilidad numérica y sobreajuste. Las aplicaciones de la regresión polinómica abarcan muchos campos. Los ingenieros usan modelos cuadráticos para relaciones esfuerzo-deformación y movimiento de proyectiles. Los economistas ajustan curvas cúbicas a funciones de costo y modelos de producción. Los biólogos aplican la regresión polinómica a curvas de crecimiento y estudios dosis-respuesta. Los científicos de datos la usan como paso de preprocesamiento en canalizaciones de aprendizaje automático. Al usar esta calculadora, ten presente el riesgo de extrapolación: las curvas polinómicas pueden comportarse de forma extrema fuera del rango de los datos observados. Verifica siempre las predicciones con conocimiento del dominio y considera primero modelos más simples antes de aumentar el grado polinómico.