estadistica.ar · Enciclopedia de Estadística en españolhttps://estadistica.ar/conceptos/recta-de-minimos-cuadrados
La recta de mínimos cuadrados
Cómo se ajusta la recta que mejor resume una nube de puntos, qué significan su pendiente y su ordenada, y hasta dónde se la puede usar.
Por Jorge Luis Montivero, Licenciado en Estadística · Mu3Sigma
1 · Qué es
La recta que mejor resume la relación entre dos variables cuantitativas:
Mejor en un sentido preciso: la que minimiza la suma de los residuos al cuadrado.

2 · Las fórmulas
La segunda expresión de muestra la conexión con la correlación: la pendiente es el coeficiente de correlación reescalado por los desvíos. De hecho, si las dos variables se estandarizan antes de ajustar, los desvíos valen 1 y la pendiente es exactamente .
De se sigue una propiedad útil: la recta pasa siempre por el punto .
3 · El ejemplo
| Coeficiente | Valor | Interpretación |
|---|---|---|
| pendiente | 15.639 | cada hora semanal adicional se asocia a $15.639 más de ingreso mensual |
| ordenada | 408.672 | el ingreso predicho para cero horas: no tiene sentido |
4 · Cómo se interpreta la pendiente
“Por cada unidad más de , cambia en promedio unidades.”
Tres precisiones que hacen la diferencia entre una interpretación correcta y una falsa:
- “En promedio”: no todos los casos, sino la tendencia.
- “Se asocia con”, no “produce”. Ver correlación y causalidad.
- Dentro del rango observado. Fuera de él, la recta no tiene respaldo.
5 · Cuánto erra la recta
La pendiente dice hacia dónde va la tendencia; no dice cuán confiable es una predicción individual. Para eso está el error estándar de la estimación, que es el desvío típico de los residuos:
y que se relaciona con lo que ya se conoce: . Con el de este ejemplo, eso significa que el error típico de la recta es el 97 % del desvío original del ingreso: predecir con la recta es apenas mejor que predecir con el promedio.
Los residuos, además, tienen dos propiedades que sirven de control: suman cero —siempre que el modelo tenga ordenada al origen— y no están correlacionados con . Si al graficarlos contra los valores predichos aparece cualquier patrón —una curva, un embudo—, el modelo lineal no está describiendo bien los datos. Ver diagnóstico de residuos.
| Verificación | Qué indica si falla |
|---|---|
| El gráfico de dispersión | si la relación es curva, la recta no corresponde |
| Residuos contra predichos | un patrón indica no linealidad o varianza no constante |
| y | cuánto explica y cuánto erra |
| Puntos influyentes | un solo caso puede mover la recta entera |
6 · La asimetría que sorprende
La recta de sobre no es la misma que la de sobre .
Mínimos cuadrados minimiza distancias verticales, así que cambiar los ejes cambia qué se minimiza. Las dos rectas solo coinciden si .
A diferencia de la correlación, que es simétrica, la regresión obliga a decidir cuál variable explica a cuál. Esa decisión es del investigador y tiene que justificarse por el contenido.
7 · Extrapolar: el error más caro
Usar la recta fuera del rango de los datos no tiene respaldo empírico de ningún tipo.
En el ejemplo, las horas observadas van de 1 a 126 por semana. Aplicar la fórmula a 168 horas —todas las horas de la semana— da unos $3.036.000, una cuenta sin sentido: no hay casos así, y no hay razón para suponer que la relación siga siendo lineal ahí.
Pero estar dentro del rango no alcanza: también hace falta que haya datos cerca. Entre quienes trabajan 90 horas o más —55 casos, en promedio 101 horas— la recta predice cerca de $1.985.000; el ingreso mediano real de ese grupo es $1.000.000, y el promedio, $1.291.000. En una zona con pocos casos, y donde la relación ya se aplanó, la recta casi duplica el valor típico aunque técnicamente esté interpolando.
Y aun donde hay datos, una predicción individual va acompañada de un intervalo de predicción, que es bastante más ancho que el intervalo de confianza de la recta: uno cubre dónde está la media de para ese , el otro dónde puede caer un caso nuevo.
8 · Errores frecuentes
- Extrapolar, o predecir dentro del rango pero donde casi no hay datos.
- Usar el intervalo de predicción con residuos muy asimétricos. Puede dar valores imposibles, como ingresos negativos.
- Interpretar la ordenada cuando está fuera de rango o no tiene sentido.
- Ajustar una recta a una relación curva.
- Intercambiar los ejes y suponer que da lo mismo.
- Usar la recta para predecir casos individuales sin mirar el .
- Leer la pendiente en términos causales.
- Ignorar los puntos influyentes.
- Reportar la recta sin el ni el gráfico.
9 · En el software
# R — d: ocupados con ingreso (P21 > 0) y horas válidas (PP3E_TOT < 999)
d$horas <- d$PP3E_TOT; d$ingreso <- d$P21
modelo <- lm(ingreso ~ horas, data = d)
coef(modelo) # b0 = 408672, b1 = 15639
summary(modelo) # con R², errores estándar y valores p
sigma(modelo) # el error estándar de la estimación: 984930
confint(modelo) # IC de los coeficientes
plot(modelo) # los cuatro gráficos de diagnóstico
predict(modelo, newdata = data.frame(horas = 40))
predict(modelo, newdata = data.frame(horas = 40), interval = "prediction")
# -896412 a 2964911: el intervalo normal falla con el ingreso
# Mínimas desviaciones absolutas (la "mediana" de las rectas)
quantreg::rq(ingreso ~ horas, tau = 0.5, data = d) # quantreg se instala aparte
# Python
import numpy as np
import pandas as pd
from scipy import stats
import statsmodels.formula.api as smf
d["horas"], d["ingreso"] = d["PP3E_TOT"], d["P21"]
res = stats.linregress(d["horas"], d["ingreso"])
res.slope, res.intercept # b1 y b0
res.stderr # ojo: error estándar de la PENDIENTE, no s_e
modelo = smf.ols("ingreso ~ horas", data=d).fit()
modelo.summary()
np.sqrt(modelo.scale) # s_e, el error estándar de la estimación
modelo.get_prediction(pd.DataFrame({"horas": [40]})).summary_frame(alpha=0.05)
smf.quantreg("ingreso ~ horas", d).fit(q=0.5).params # mínimas desviaciones absolutas
Excel: =PENDIENTE(y; x) · =INTERSECCION.EJE(y; x)
=ERROR.TIPICO.XY(y; x) el error estándar de la estimación
O línea de tendencia en el gráfico, con la ecuación en pantalla
SPSS: Analizar › Regresión › LinealesHerramientas de este tema
- CalculadoraCorrelación y regresión simple
- SimuladorAjustá la recta a mano
Seguir leyendo
Bioestadística · Fundamentos y descripción · 65 de 330
Estadística para Economía y Administración · Fundamentos y descripción · 64 de 318
Probabilidad y Estadística · Fundamentos y descripción · 64 de 302
Estadística para Ciencias Sociales · Fundamentos y descripción · 62 de 288
Estadística para la tesis · Los datos · 115 de 233
Cómo citar: Montivero, J. L. (2026). La recta de mínimos cuadrados. estadistica.ar. https://estadistica.ar/conceptos/recta-de-minimos-cuadrados
estadistica.ar es gratuita y sin publicidad. Si te sirvió, podés invitar un cafecito por transferencia al alias mu3sigma. Asesoramiento estadístico, encuestas y capacitaciones: m3s.pro · WhatsApp +54 9 383 499-7929.
Cómo citar esta entrada
APA (7.ª edición)
Montivero, J. L. (2026). La recta de mínimos cuadrados. estadistica.ar. https://estadistica.ar/conceptos/recta-de-minimos-cuadrados
BibTeX
@misc{estadistica_ar_recta_de_minimos_cuadrados,
author = {Montivero, Jorge Luis},
title = {{La recta de mínimos cuadrados}},
year = {2026},
howpublished = {\url{https://estadistica.ar/conceptos/recta-de-minimos-cuadrados}},
note = {estadistica.ar. Consultado el \today},
urldate = {2026-11-10}
}Última actualización: 10 de noviembre de 2026. El contenido está bajo licencia CC BY-NC-SA 4.0: se puede reutilizar citando la fuente y sin fines comerciales.