Inicio / Lean Six Sigma / Análisis estadístico

Regresión lineal simple y múltiple

Descubra qué factores del proceso mueven la respuesta, cuánto pesa cada uno, qué combinación da el mejor resultado y con qué margen de error, a partir de los datos que ya tiene.

Herramienta de predimensionamiento y estimación: los resultados no sustituyen al proyecto, cálculo o informe firmado por un técnico competente ni la verificación conforme a las normas aplicables.

VerificaciónRevisión 03/11/2026
Datos
Ver lo que se leyó
Ejemplos:
Modelo
Predecir y optimizar

La optimización busca dentro del rango observado de cada factor; fuera de él el modelo no se ha probado.

Los datos quedan solo en este navegador y no se envían. Desmarque para borrarlos.

—Cuánto explica el modelo
—

Gráfico del modelo ajustado

Con 1 predictor: línea ajustada con bandas de confianza (IC) y de predicción (IP) y la ecuación. Con varios: observado × ajustado. Toque un punto para excluirlo solo de este gráfico y ver cambiar la recta y el R².

Toque el gráfico para ver los valores.

Simulador “qué pasa si”: perfil de predicción

Mueva cada factor y vea la respuesta prevista con IC e IP. Cada curva muestra el efecto de un factor con los demás fijos; el triángulo verde marca el óptimo.

Contorno y superficie de la respuesta

Respuesta prevista para dos factores continuos; los demás quedan en los valores del simulador.

Toque el gráfico para ver los valores.

Efectos estandarizados

Pareto de los efectos (|t| de cada término) con la línea del t crítico, o gráfico normal de los efectos.

Toque el gráfico para ver los valores.

Cuánto aporta cada factor

Aumento del R² cuando el factor entra el último en el modelo (impacto incremental).

Toque el gráfico para ver los valores.

Efectos principales e interacciones

Medias ajustadas de cada factor (los demás en la media) y curvas de interacción con el otro factor bajo y alto.

Interacciones

Residuos: 4 en 1

Probabilidad normal, frente a ajustados (con LOWESS), histograma y frente al orden. Puntos en rojo: |residuo estandarizado| > 2, con el número de fila.

Residuos frente a cada predictor

Busca curvatura o embudo respecto a cada factor.

Puntos atípicos e influyentes

Apalancamiento × residuo estandarizado; el tamaño de la burbuja es la distancia de Cook.

Toque el gráfico para ver los valores.

Ecuación de regresión

Coeficientes

VIF calculado con los predictores continuos centrados.

Resumen del modelo

Análisis de varianza

SC ajustada de cada término (tipo III). La falta de ajuste aparece cuando hay ensayos repetidos en los mismos X.

Selección del modelo

Ajustes y diagnósticos de observaciones inusuales

R: residuo estandarizado grande; X: apalancamiento alto.

Predicción de nuevos valores

Optimizador de respuesta

Mejor combinación de factores dentro del rango de los datos, con la deseabilidad d (Derringer y Suich).

Siguiente paso

Lleve los resultados de esta página a otra calculadora, con los campos ya rellenados.

La memoria reúne entradas, resultados, ecuaciones, hipótesis y referencias de esta página, con campos para proyecto, responsable y revisión. El informe completo incluye también los gráficos y las interpretaciones, en color. En la ventana de impresión, elija Guardar como PDF.

Método, hipótesis y referencias

Ecuaciones utilizadas

y = Xb + e; b = (XᵀX)⁻¹Xᵀy por descomposición QR; S = √[SCE ÷ (n − p)]
EE(bⱼ) = S√[(XᵀX)⁻¹]ⱼⱼ; T = bⱼ ÷ EE(bⱼ); VIFⱼ = 1 ÷ (1 − R²ⱼ)
R² = 1 − SCE/SCT; R²aj = 1 − CME ÷ [SCT/(n − 1)]; PRESS = Σ[eᵢ ÷ (1 − hᵢ)]²; R²pred = 1 − PRESS/SCT
IC de la media: ŷ ± t·S√(x₀ᵀ(XᵀX)⁻¹x₀); IP: ŷ ± t·S√(1 + x₀ᵀ(XᵀX)⁻¹x₀), t con n − p GL
rᵢ = eᵢ ÷ [S√(1 − hᵢ)]; Dᵢ (Cook) = rᵢ²hᵢ ÷ [p(1 − hᵢ)]; DW = Σ(eᵢ − eᵢ₋₁)² ÷ Σeᵢ²
Término: F = [(SCE sin el término − SCE) ÷ GL] ÷ CME; paso a paso: entra si p < α, sale si p > α (jerarquía mantenida)

Hipótesis y límites

  • Residuos independientes, de media cero y varianza constante; la normalidad importa en muestras pequeñas (menos de 15 filas).
  • El modelo solo vale dentro del rango observado de los factores. Una relación estadística no prueba causa: confirme el efecto con un ensayo planificado.
  • La optimización es una búsqueda numérica (rejilla + refinamiento) y da una buena combinación, no necesariamente el óptimo global. Excluir puntos tocándolos es solo una prueba visual.

Normas y documentos técnicos

  • Montgomery, D. C.; Peck, E. A.; Vining, G. G. Introduction to Linear Regression Analysis, 5th ed. Wiley, 2012
  • Kutner, M. H.; Nachtsheim, C. J.; Neter, J.; Li, W. Applied Linear Statistical Models, 5th ed. McGraw-Hill, 2005
  • Draper, N. R.; Smith, H. Applied Regression Analysis, 3rd ed. Wiley, 1998
  • Cook, R. D. Detection of influential observation in linear regression. Technometrics 19(1), 1977, p. 15–18
  • Durbin, J.; Watson, G. S. Testing for serial correlation in least squares regression II. Biometrika 38, 1951, p. 159–178
  • Derringer, G.; Suich, R. Simultaneous optimization of several response variables. Journal of Quality Technology 12(4), 1980, p. 214–219
  • Minitab. Assistant white papers: Simple Regression; Multiple Regression (critérios do cartão de verificação)
  • Brownlee, K. A. Statistical Theory and Methodology in Science and Engineering, 2nd ed. Wiley, 1965 (dados de stack loss)
  • NIST/SEMATECH e-Handbook of Statistical Methods, seção 4 (Process Modeling)

Legislación y reglamentos en España y la UE

  • UNE-EN ISO 9001:2015, apartado 9.1.3: análisis y evaluación
  • ISO/TR 10017:2003: orientación sobre las técnicas estadísticas para la Norma ISO 9001

Preguntas frecuentes

¿Qué diferencia hay entre R² y R² ajustado?

El R² siempre sube al añadir un término, aunque sea inútil. El R² ajustado descuenta el número de términos y solo sube si el término mejora de verdad el modelo. Compare modelos con el ajustado y mire también el R² de predicción: si queda muy por debajo, el modelo ha memorizado los datos.

¿Qué es el intervalo de predicción y cuándo usarlo?

Es el rango donde debe caer una única medición nueva. El intervalo de confianza es solo para la media. Para saber si una pieza o lote cumplirá la especificación, use el intervalo de predicción, que es más ancho.

¿Cuántos datos necesito para una regresión múltiple?

El Asistente de Minitab recomienda unas 40 filas para hasta 3 términos, 45 para hasta 6 y 50 para 7 u 8. Con menos, el R² puede variar mucho de una muestra a otra. La página muestra el número recomendado para su modelo en la tarjeta de verificación.

¿Qué hago con las observaciones inusuales?

Investigue la causa: error de tecleo, instrumento, evento especial o condición anormal. No borre un punto solo por ser inusual. Tóquelo en el gráfico para ver cuánto cambia la ecuación sin él.

¿Cómo uso el simulador y el optimizador?

Arrastre los controles de cada factor y vea la respuesta prevista con IC e IP; las curvas muestran el efecto de cada factor con los demás fijos. El optimizador busca, dentro del rango de los datos, la combinación que maximiza, minimiza o alcanza el objetivo. Confirme el óptimo con un lote de prueba.

¿Cuándo usar términos cuadráticos e interacciones?

Use un término cuadrático cuando la respuesta tiene un máximo o un mínimo dentro del rango (curva en el gráfico de residuos) y una interacción cuando el efecto de un factor depende del nivel de otro (líneas no paralelas). La selección paso a paso ayuda a quedarse solo con los términos que cuentan.

¿Los resultados coinciden con los de un software estadístico?

Sí. Coeficientes, errores estándar, valores p, VIF, ANOVA, R² de predicción, Durbin-Watson e intervalos se han comprobado con ejemplos publicados (Minitab, Brownlee y datos certificados del NIST) y con statsmodels.