Volver a la lección

Guía del profesor: Introducción a la regresión

Aprende a encontrar la recta que mejor se ajusta a un conjunto de puntos y a hacer predicciones usando regresión lineal.

Presentar lecciónCompartir en ClassroomVer página del estudiante

Usa esta lección con tu clase

Gratis, sin cuentas para los alumnos.

Compartir con los alumnos

Los alumnos abren la lección y practican con corrección inmediata.

Ficha imprimible

Todos los ejercicios en papel, con las soluciones aparte.

Ficha de ejercicios Soluciones

Cuestionario de clase

10 preguntas sobre Regresión. Los alumnos entran con su nombre y tú ves todas las puntuaciones.

Para profesores

Objetivos de aprendizaje
  • Definir la regresión lineal y explicar su propósito
  • Calcular la pendiente de una recta a partir de dos puntos
  • Escribir la ecuación de una recta de regresión en la forma y=mx+by = mx + b
  • Usar una ecuación de regresión para hacer predicciones
  • Interpretar el significado de la pendiente y la ordenada al origen en contextos reales
Requisitos previos
  • • Comprensión de planos de coordenadas y ubicación de puntos
  • • Capacidad de calcular la pendiente usando elevación sobre desplazamiento
  • • Familiaridad con ecuaciones lineales en forma pendiente-ordenada
  • • Comprensión básica de diagramas de dispersión
Iniciadores de discusión
  • 1. ¿Por qué podría ser poco confiable predecir muy lejos en el futuro usando una recta de regresión?
  • 2. ¿Puedes pensar en dos variables en tu vida que podrían tener una relación lineal?
  • 3. ¿Cuál es la diferencia entre correlación y causalidad? Da un ejemplo.
  • 4. ¿Cómo podrían las empresas usar la regresión para tomar decisiones?
Conceptos erróneos comunes

La recta de regresión debe pasar por cada punto

Remediación: Muestra ejemplos donde los puntos se dispersan alrededor de la recta. Explica que la recta minimiza el error total, no los errores individuales.

Una pendiente más alta siempre significa una mejor relación

Remediación: Aclara que la pendiente describe la tasa de cambio, no la fuerza. Una pendiente suave con puntos agrupados es mejor que una pendiente pronunciada con puntos dispersos.

Ideas de diferenciación

Para estudiantes con dificultades:

  • • Comenzar con datos que se alinean perfectamente antes de introducir dispersión
  • • Usar solo pendientes positivas al principio
  • • Proporcionar tarjetas de referencia de la fórmula de la pendiente
  • • Usar ejemplos concretos y relacionables (altura vs. talla de zapato)

Para estudiantes de nivel:

  • • Trabajar con datos realistas dispersos
  • • Incluir pendientes negativas (relaciones inversas)
  • • Practicar tanto encontrar ecuaciones como hacer predicciones
  • • Analizar el significado de la pendiente en contexto

Para estudiantes avanzados:

  • • Introducir el concepto de residuos
  • • Discutir interpolación vs. extrapolación
  • • Conectar con el coeficiente de correlación (rr)
  • • Trabajar con tecnología para ajustar rectas de regresión a conjuntos de datos más grandes
Alineación con estándares
  • HSS.ID.B.6 (CCSS.MATH.CONTENT.HSS.ID.B.6)

    Representar datos sobre dos variables cuantitativas en un diagrama de dispersión y describir cómo se relacionan las variables

  • HSS.ID.B.6.C (CCSS.MATH.CONTENT.HSS.ID.B.6.C)

    Ajustar una función lineal para un diagrama de dispersión que sugiere una asociación lineal

  • HSS.ID.C.7 (CCSS.MATH.CONTENT.HSS.ID.C.7)

    Interpretar la pendiente y la ordenada al origen de un modelo lineal en el contexto de los datos

Recursos de la lección
  • visualGraficador de regresión interactivo

    Los estudiantes colocan puntos y ven cómo la recta de mejor ajuste se ajusta automáticamente

  • activityAnálisis de datos reales

    Analizar conjuntos de datos reales y hacer predicciones con regresión

  • worksheetEjercicios de regresión

    Calcular pendientes, encontrar ecuaciones y hacer predicciones

Contenido de la lección

Todo lo que ven los alumnos: definición, ejemplos, errores comunes, aplicaciones. Toca para abrir.

Definición

La regresión lineal es un método estadístico utilizado para encontrar la recta que mejor se ajusta a un conjunto de puntos. Esta recta se llama recta de mejor ajuste o recta de regresión.
La ecuación de una recta de regresión es:
y=mx+by = mx + b
donde:
  • mm es la pendiente (qué tan inclinada está la recta)
  • bb es la ordenada al origen (donde la recta cruza el eje y)
  • xx es la variable de entrada (variable independiente)
  • yy es la salida predicha (variable dependiente)
El objetivo de la regresión es minimizar la distancia total entre los puntos y la recta, permitiéndonos hacer predicciones para nuevos valores de xx.

Ejemplos resueltos

Un estudio muestra que por cada hora adicional de estudio, las calificaciones aumentan 5 puntos. Si un estudiante que estudia 0 horas obtiene 50 puntos, ¿cuál es la ecuación de regresión?
1

Identificar la pendiente

La puntuación aumenta 5 puntos por hora de estudio → m=5m = 5
2

Identificar la ordenada al origen

Cuando x=0x = 0 horas, la puntuación es 50 puntos → b=50b = 50
3

Escribir la ecuación

Sustituir m=5m = 5 y b=50b = 50 en y=mx+by = mx + b → y=5x+50y = 5x + 50

Errores comunes

Confundir el orden de la resta en la fórmula de la pendiente

Por qué está mal: Usar x2−x1y2−y1\frac{x_2 - x_1}{y_2 - y_1} en lugar de y2−y1x2−x1\frac{y_2 - y_1}{x_2 - x_1} da el recíproco de la pendiente correcta.

Correcto: Recuerda: la pendiente es 'elevación sobre desplazamiento' - el cambio en yy (vertical) dividido por el cambio en xx (horizontal).

Extrapolar demasiado lejos de los datos

Por qué está mal: La recta de regresión solo es confiable dentro del rango de tus datos. Predecir muy lejos de este rango puede llevar a resultados poco realistas.

Correcto: Ten cuidado con las predicciones para valores de xx mucho mayores o menores que tus puntos de datos originales.

Asumir que correlación significa causalidad

Por qué está mal: El hecho de que dos variables estén relacionadas (correlacionadas) no significa que una cause la otra.

Correcto: La regresión muestra relaciones, pero se necesita un análisis adicional para establecer la causalidad.

Por qué es importante

La regresión lineal es una de las herramientas más utilizadas en ciencia de datos y estadística:
  • Negocios: Predecir ventas basándose en gastos de publicidad
  • Medicina: Estimar la dosis de medicamentos basándose en el peso del paciente
  • Economía: Pronosticar el crecimiento del PIB a partir de varios indicadores
  • Deportes: Proyectar el rendimiento de atletas a partir de métricas de entrenamiento
  • Ciencias: Modelar relaciones entre variables en experimentos
Comprender la regresión te ayuda a tomar decisiones basadas en datos y hacer predicciones fundamentadas en evidencia real en lugar de suposiciones.

Aplicaciones del mundo real

Predecir precios de casas

Los analistas inmobiliarios usan regresión para estimar el valor de las casas basándose en factores como los metros cuadrados, el número de habitaciones y la ubicación.

Ejemplo:

Si las casas se venden a aproximadamente 1500€ por metro cuadrado con un precio base de 50000€, la ecuación podría ser y=1500x+50000y = 1500x + 50000, donde xx son los metros cuadrados.

1Inténtalo tú mismo

Un modelo inmobiliario muestra: y=2000x+30000y = 2000x + 30000, donde xx son los metros cuadrados e yy es el precio en euros.

¿Cuál es el precio predicho para una casa de 150 metros cuadrados?

Paso 1: Escribe la expresión matemática

Sustituye x=150x = 150 en la ecuación:

Análisis de eficiencia de combustible

Los ingenieros automotrices usan regresión para entender cómo el peso del vehículo afecta el consumo de combustible.

Ejemplo:

Los datos podrían mostrar que la eficiencia de combustible disminuye 0,005 km/L por cada kilogramo de peso adicional.

2Inténtalo tú mismo

Un modelo de automóvil muestra: y=−0,01x+25y = -0,01x + 25, donde xx es el peso en kg e yy es la eficiencia en km/L.

¿Qué eficiencia se predice para un automóvil de 1200 kg?

Paso 1: Escribe la expresión matemática

Calcula: y=−0,01(1200)+25y = -0,01(1200) + 25

Puntos clave

  • 1La regresión lineal encuentra la recta que mejor se ajusta a un conjunto de puntos
  • 2La ecuación de regresión es y=mx+by = mx + b, donde mm es la pendiente y bb es la ordenada al origen
  • 3La pendiente se calcula como m=y2−y1x2−x1m = \frac{y_2 - y_1}{x_2 - x_1} (elevación sobre desplazamiento)
  • 4Una vez que tienes la ecuación, puedes hacer predicciones sustituyendo valores de xx
  • 5La regresión muestra correlación, pero correlación no implica causalidad

Preguntas frecuentes

¿Qué pasa si mis puntos no caen exactamente sobre una recta?

Los datos reales rara vez caen perfectamente sobre una recta. La recta de regresión minimiza la distancia total al cuadrado de todos los puntos a la recta. Algunos puntos estarán por encima de la recta, algunos por debajo - ¡es normal!

¿Cómo sé si mi recta de regresión es un buen ajuste?

El valor R2R^2 (coeficiente de determinación) mide qué tan bien se ajusta la recta. Varía de 0 a 1 - valores más altos significan mejor ajuste. Aprenderás más sobre esto en la lección de correlación.

¿Se puede usar la regresión para relaciones no lineales?

La regresión lineal solo funciona para relaciones en línea recta. Para relaciones curvas, necesitas regresión polinomial u otros métodos avanzados.

Glosario

Regresión lineal
Un método estadístico para encontrar la recta que mejor se ajusta a un conjunto de puntos
Recta de mejor ajuste
La recta que minimiza la distancia entre sí misma y todos los puntos
Pendiente
La inclinación de la recta, que representa la tasa de cambio (mm en y=mx+by = mx + b)
Ordenada al origen
El punto donde la recta cruza el eje y (bb en y=mx+by = mx + b)
Predicción
Usar la ecuación de regresión para estimar yy para un valor dado de xx
Variable independiente
La variable de entrada (xx) que usamos para hacer predicciones
Variable dependiente
La variable de salida (yy) que intentamos predecir

Más sobre este tema

Regresión lineal

Avanzado25 min

Diagramas de dispersión

Intermedio25 min

Recta de mejor ajuste

Intermedio25 min

Hacer predicciones a partir de datos

Intermedio25 min