Cómo ajustar y juzgar un modelo 01 Pegue los datos. Las líneas de comentario que empiezan por # o // se omiten, y las filas que no se interpretan como dos números se notifican con su número de línea en lugar de descartarse en silencio. 02 Elija una familia, no una fórmula. La lista de modelos está organizada por forma; un decaimiento pertenece a crecimiento/decaimiento exponencial, y una curva de saturación a Michaelis–Menten o meseta exponencial. 03 Lea los parámetros con sus intervalos. Un parámetro cuyo intervalo del 95 % cruza el cero no es prueba de que sea necesario; un intervalo estrecho no es prueba de que el modelo sea correcto. 04 Compare entre familias. El modo de comparación ordena los ajustes por AIC, que penaliza los parámetros extra, y muestra el R² ajustado junto al R² simple. 05 Revise la banda de predicción antes de extrapolar. La banda se ensancha al alejarse de los datos; si predice fuera del rango ajustado, mire el intervalo, no la curva.
Lecturas resueltas Tome la exponencial y = 2.5·e^(−0.4x) muestreada en x = 0, 0.5, …, 6 y añada un pequeño ruido alternante de ±0.05:
Ajuste
Parámetros
R²
R² ajustado
RMSE
AIC
Exponencial (familia verdadera)
a = 2.515414 , b = −0.402286
0.994984
0.994528
0.049678
−72.057
Cuadrático
a = 0.070451 , b = −0.777154 , c = 2.436773
0.990802
0.988962
0.067272
−62.174
Meseta exponencial
y₀ = 2.52585 , y<sub>m</sub> = 0.03714 , k = 0.41747
0.995116
0.994140
0.049019
−70.404
Doble exponencial
a = 0.081428 , b = 63.8975 , c = 2.46857 , d = 0.394163
0.995426
0.993901
0.047440
−69.256
Los parámetros de la exponencial acotan los valores verdaderos: el intervalo del 95 % es 2.42511 … 2.605718 para a y −0.426244 … −0.378327 para b. En x = 7 el valor ajustado es 0.150535 con una banda de 0.128419 … 0.172650 , frente a un valor verdadero de 0.152025 . Extrapolar a x = 20 da 0.00080612 frente a un verdadero 0.00083866 — un error del 4 % en una región donde no hay datos que restrinjan el ajuste.
Por qué más parámetros siempre ajustan mejor Los mínimos cuadrados minimizan la suma de residuos al cuadrado, y añadir un parámetro solo puede reducir esa suma. Por eso el R² simple es un mal árbitro: los cuatro parámetros de la doble exponencial alcanzan R² = 0.995426 , por encima del 0.994984 del modelo verdadero, y la meseta exponencial también lo supera. El R² ajustado y el AIC restan una penalización por los parámetros usados, y la clasificación se invierte: la exponencial de dos parámetros gana en AIC con −72.057 . "Mejor ajuste" no está definido hasta que se dice cuánto cuesta un parámetro.
Los intervalos provienen de la curvatura local de la superficie de residuos en la solución; son locales y simétricos, y dejan de ser fiables cuando los parámetros se compensan entre sí. La doble exponencial lo muestra: una amplitud (a) colapsa hacia cero frente a la otra (c) mientras su tasa de decaimiento (b) compensa. Un conjunto de datos sin ruido es el caso límite: el ajuste recupera a = 2.5 , b = −0.4 con SSE 0 , y la banda en x = 7 colapsa a 0.152025 , porque los residuos no llevan información de incertidumbre. Los intervalos de anchura cero describen los datos, no el modelo.
Límites y casos extremos
Los mínimos cuadrados necesitan un punto de partida y una forma. Levenberg–Marquardt es local; un modelo que parte lejos de los datos puede converger a un mínimo local pobre, y el panel informa de la convergencia y del número de iteraciones para que se vea cuándo no se asentó.
Los datos deben ser pares numéricos. Los valores ausentes no se imputan y las unidades no se siguen; una fila mal interpretada se lista con su número de línea, y el modo de comparación rechaza los conjuntos de datos con más de 5.000 puntos en lugar de ejecutarse a ciegas. Lo que no hace. No elige un modelo por usted, no contrasta la normalidad de los residuos ni maneja medidas ponderadas y replicadas — ajusta el modelo que usted nombra a los puntos que pega. Para estadísticas descriptivas y contrastes de hipótesis use Statistics ; para una regresión lineal con inferencia sobre los coeficientes, el Regression panel ; para identificar un controlador a partir de un escalón, Control Design .
La trampa de la extrapolación La trampa característica es fiarse de la curva fuera de los datos. La exponencial ajustada predice 0.00080612 en x = 20 mientras la verdad es 0.00083866 ; la diferencia del 4 % parece inofensiva hasta que se observa que la banda de confianza en x = 7 ya es ±0.022 , en torno al 15 % del valor, y crece con la distancia. Un ajuste cuadrático a ese mismo decaimiento giraría hacia arriba y cruzaría el cero en algún punto más allá de los datos, una forma que la física prohíbe. Ajuste dentro del rango medido, cite la banda y trate cualquier predicción más allá como un supuesto sobre el modelo, no como una medición.
La segunda trampa es comparar R² entre conjuntos de datos. El R² es relativo a la varianza de la columna y concreta; el mismo modelo puede marcar 0,99 con una señal tranquila y 0,85 con una ruidosa sin volverse peor. Compare modelos sobre los mismos datos y use RMSE cuando necesite un error en las unidades de y — aquí 0.0497 para la exponencial frente a 0.0673 para la cuadrática.
Dónde encaja Calibrar la respuesta de un sensor Ajuste una exponencial o una ley de potencias conocida a los puntos de calibración y compruebe que los parámetros coinciden con la física: a = 2.515 frente a un nominal de 2,5 es una afirmación de calibración, mientras que el intervalo 2.425 … 2.606 dice cuánto de eso es ruido de muestreo. La banda en un punto de trabajo se convierte en la incertidumbre que lleva al siguiente cálculo.
Elegir entre mecanismos competidores Cuando dos mecanismos predicen formas distintas, la tabla de comparación lo resuelve por criterio de información y no a ojo: AIC de la exponencial −72.057 frente al cuadrático −62.174 es una brecha de casi diez, evidencia fuerte de la forma de decaimiento; una brecha de uno o dos pediría más datos en lugar de una conclusión.
Privacidad Los datos, los ajustes y las bandas se calculan en su navegador; nada se sube.
Referencias
Wikipedia, Least squares , en.wikipedia.org (访问日期:2026-10-07)— el objetivo que minimiza cada ajuste.
Wikipedia, Coefficient of determination , en.wikipedia.org (访问日期:2026-10-07)— por qué el R² nunca baja al añadir parámetros.
Wikipedia, Akaike information criterion , en.wikipedia.org (访问日期:2026-10-07)— la penalización por parámetros usada en la tabla de comparación.
Wikipedia, Levenberg–Marquardt algorithm , en.wikipedia.org (访问日期:2026-10-07)— la iteración amortiguada de Gauss–Newton tras el ajuste.
NIST/SEMATECH e-Handbook of Statistical Methods, §4.1 Least Squares, itl.nist.gov (访问日期:2026-10-07)— residuos, grados de libertad e incertidumbre.
Calculators in this hub
Hand-picked tools, one click away. The mini versions compute live and carry your values into the full calculator.
Sources & review
Updated 2026-10-07