Regresión lineal y cuenco de errores

Regresión lineal y cuenco de errores conecta la estadística y la optimización en un estudio 3D dividido. En el tablero izquierdo, seis puntos de dispersión deslizables —incluido un valor atípico naranja de alta influencia— son ajustados por una línea de prueba y = mx + b. Unido a cada punto hay un cuadrado rojo literal cuyo lado es igual al residuo vertical |yᵢ − (mxᵢ + b)|, haciendo que su área sea igual al error al cuadrado eᵢ². En el escenario de la derecha, el área total de todos los cuadrados se grafica como un cuenco paraboloide SSE(m, b) sobre el espacio de parámetros de pendiente y ordenada al origen. Los estudiantes pueden arrastrar el marcador de parámetros a través del cuenco o activar el ajuste al MCO óptimo para ver cómo el marcador se asienta en el mínimo global único (m̂, b̂) mientras monitorean r y R².

• Ajusta los controles deslizantes de pendiente de prueba m y ordenada al origen de prueba b o arrastra la bola dorada en el cuenco 3D para encoger los cuadrados de residuos rojos tanto como sea posible.
• Activa el ajuste al MCO óptimo y verifica que la bola de parámetros dorada caiga precisamente en el marcador verde de mínimo MCO en la parte inferior del cuenco de errores.
• Arrastra el punto de valor atípico naranja fuertemente hacia abajo en el diagrama de dispersión y observa con qué fuerza un solo valor atípico arrastra la pendiente óptima m̂ y reduce R².
• Alinea los seis puntos de dispersión en una línea casi recta y observa cómo la correlación r se acerca a 1.000 y SSE se acerca a cero.
• Activa y desactiva la visualización de cuadrados de residuos para comparar los residuos verticales eᵢ con sus áreas al cuadrado eᵢ².

1. 1Explica por qué los mínimos cuadrados ordinarios (MCO) minimizan la suma de los residuos verticales al cuadrado Σ (yᵢ − ŷᵢ)² en lugar de los residuos con signo.
2. 2Conecta los parámetros de regresión algebraica (pendiente m y ordenada al origen b) con las coordenadas en una superficie de pérdida 3D convexa SSE(m, b).
3. 3Evalúa cómo los valores atípicos y los puntos de alta influencia distorsionan la línea de regresión de mínimos cuadrados y reducen el coeficiente de determinación R².
4. 4Interpreta la correlación r y R² como medidas de asociación lineal y varianza explicada.

Preguntas frecuentes de los docentes