Calculadora de regresión polinómica

La regresión polinómica es una extensión potente de la regresión lineal que modela la relación entre una variable independiente x y una dependiente y como un polinomio de grado n. A diferencia de la regresión lineal simple, que ajusta una recta, la regresión polinómica puede capturar curvas, giros 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 tiene 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, sigue clasificándose como modelo lineal porque es lineal en sus coeficientes. El método de mínimos cuadrados minimiza la suma de residuos al cuadrado, es decir, las diferencias entre los valores observados de y 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 de x. Esta calculadora resuelve esas ecuaciones mediante eliminación gaussiana, un método numérico robusto adecuado para polinomios de hasta grado 10. R² (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; 0.0 significa que el modelo no explica ninguna varianza. Aunque R² siempre aumenta con el grado del polinomio, un R² muy alto con un polinomio de grado elevado puede indicar sobreajuste: el modelo memoriza los datos de entrenamiento en lugar de capturar la tendencia real. Elegir el grado correcto es fundamental. El grado 1 da una 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 suelen ser suficientes, y superar el grado 5 o 6 a menudo introduce 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 coste y modelos de producción. Los biólogos la aplican a curvas de crecimiento y estudios de dosis-respuesta. Los científicos de datos la usan como paso de preprocesamiento en flujos de trabajo de machine learning. Al usar esta calculadora, ten en cuenta el riesgo de extrapolación: las curvas polinómicas pueden comportarse de forma muy errática fuera del rango de los datos observados. Verifica siempre las predicciones con el conocimiento del dominio y considera primero modelos más simples antes de aumentar el grado del polinomio.