Autora: Ana María Lara Porras

Capítulo 3

Regresión Mínimo Cuadrática

En este capítulo estudiamos dos tipos de problemas. El primero es el de encontrar una

función que se ajuste lo mejor posible a un conjunto de puntos observados, gráficamente
equivale a encontrar una curva que aunque no pase por todos los puntos esté lo más próxi-
ma posible de dichos puntos. El segundo es medir el grado de ajuste entre la función teórica
(función ajustada) y la nube de puntos. Distinguimos así, entre Teoría de Regresión y
Teoría de Correlación

Teoría de Regresión: Consiste en la búsqueda de una “función” que exprese lo

mejor posible el tipo de relación entre dos o más variables. Este capítulo sólo estudia
la situación de dos variables.
Para seleccionar la curva que mejor se ajusta a la nube de puntos utilizamos el
método de los Mínimos Cuadrados.
Una de las aplicaciones más interesante que tiene la Regresión es la de Predecir,
es decir, conocido el valor de una de las variables, estimar el valor que presentará la
otra variable relacionada con ella.

Teoría de Correlación: Estudia el grado de dependencia entre las variables es decir,

su objetivo es medir el grado de ajuste existente entre la función teórica (función
ajustada) y la nube de puntos.

Cuando la relación funcional que liga las variables X e Y es una recta entonces la
regresión y correlación reciben el nombre de Regresión Lineal y Correlación Lineal.
Una medida de la Correlación Lineal la da el Coeficiente de Correlación Lineal de
Pearson.

87

Autora: Ana María Lara Porras

88 Regresión Mínimo Cuadrática

3.1. Rectas de regresión o de mínimos cuadrados

Distinguiremos entre dos rectas de regresión: La Recta de Regresión Y sobre X y la
Recta de Regresión X sobre Y .

1) Recta de Regresión Y sobre X: Vamos a determinar entre todas las rectas

que tienen como ecuación general y = bx + a, aquella que, según el procedimiento
de Mínimos Cuadrados, mejor se ajusta a la nube de puntos de la distribución
bidimensional.
Supongamos que la función que expresa el comportamiento de Y en relación con X,
tiene la siguiente expresión:
y = bx + a
donde a y b son dos parámetros desconocidos. Para determinar estos parámetros se
utiliza el procedimiento de Mínimos Cuadrados, dicho procedimiento consiste en
minimizar la expresión
XX
S(a, b) = fij (yj − (bxi + a))2
i j

siendo bxi + a la ordenada teórica o estimada por la recta que se denota por
ybi . De esta forma la expresión anterior se transforma en
XX
S(a, b) = fij (yj − ybi )2
i j

Recibe el nombre de Residuos, y se denotan por eij , a la diferencia entre el valor

yj (valor real observado asociado a xi ) y el valor ybj (valor teórico asociado a xi )

eij = yj − ybj

Figura 3.1: Recta de regresión Y /X

3.1 Rectas de regresión o de mínimos cuadrados 89

El criterio de Mínimos Cuadrados considera que la función que mejor se ajusta a

los datos es aquella función que minimiza la media de los cuadrados de los residuos,
es decir, que minimiza la siguiente expresión:
XX XX
S(a, b) = fij e2ij = fij (yj − (bxi + a))2
i j i j

La condición necesaria para la existencia de mínimo es que las primeras derivadas

parciales respecto a cada uno de los parámetros se anulen
X ⎫
∂S ⎪
=2 fij (yj − bxi − a) (−1) = 0 ⎪
⎪
∂a ⎬
i,j
∂S X (3.1)
=2 fij (yj − bxi − a) (−xi ) = 0 ⎪
⎪
⎪
⎭
∂b
i,j

Estas ecuaciones reciben el nombre de Ecuaciones Normales y a partir de este

sistema de ecuaciones se obtienen los parámetros a y b
σ xy σ xy
a=y− 2 x ; b= 2
σx σx
En efecto, del sistema (3.1) se obtiene
X X X ⎫
fij yj = b fij xi + a fij ⎪ ⎫
⎪
⎪ y = bx + a ⇒ a = y − bx ⎪
i,j i,j i,j ⎪
⎬ ⎪
⎬
X X X ⇒ X X
⎪
⎪ fij yj xi = b fij x2i + ax ⎪
⎪
fij yj xi = b fij x2i +a fij xi ⎪
⎪ ⎭
⎭ i,j i,j
i,j i,j i,j

Sustituyendo el valor de a en la segunda ecuación se tiene

⎛ ⎞
X X X X
fij yj xi = b fij x2i + yx − bx2 ⇒ fij yj xi − yx = b ⎝ fij x2i − x2 ⎠
i,j i,j i,j i,j

Entonces
σ xy σ xy
2
b=y a = y − bx = y − 2 x
σx σx
Por tanto, la Recta de Regresión Y sobre X tiene la siguiente ecuación:
σ xy
y − y = 2 (x − x) .
σx

Se llama Coeficiente de Regresión de Y sobre X, y se denota por byx , al cociente

σ xy
byx = 2 .
σx
90 Regresión Mínimo Cuadrática

que representa la variación de Y si X aumenta en una unidad.

Una de las aplicaciones de la recta de regresión Y sobre X es predecir el valor

de Y conocido el valor de X. Si nuestro objetivo es predecir el valor de X conocido
el valor de Y es necesario utilizar la recta de regresión X sobre Y.

2) Recta de Regresión X sobre Y : Para obtener la recta de regresión X sobre Y

se procede de forma análoga al apartado anterior, repitiendo el método de Mínimos
Cuadrados sobre la media de los cuadrados de los residuos, que en este caso, tiene
la siguiente expresión:
XX X X ¡ ¢2
S ∗ (a0 , b0 ) = fij e2ij = bi )2 =
fij (xi − x fij xi − (b0 yj + a0 ) ,
i j i,j i,j

resultando la siguiente expresión de la recta de regresión X sobre Y

σ xy
x−x= (y − y)
σ 2y

Que, como hemos dicho anteriormente, una de sus aplicaciones es predecir el valor
de X conocido el valor de Y.

Se llama Coeficiente de Regresión de X sobre Y , y se denota por bxy , al cociente

σ xy
bxy =
σ 2y

que representa la variación de X si Y aumenta en una unidad.

Sabemos que el signo del valor de la covarianza nos indica el sentido de la relación entre
las variables y recíprocamente. Pero el valor de la covarianza depende de las unidades en
que vengan expresadas las variables. Así pues, es necesario definir un coeficiente que mida
el grado de variación conjunta entre las variables y no esté afectado por las unidades de
medida. Una forma de obtener esta medida es dividir la covarianza por el producto de las
desviaciones típicas de cada variable, dando como resultado un coeficiente adimensional
que denotamos por r y recibe el nombre de Coeficiente de Correlación Lineal de
Pearson.
3.2 Coeficiente de correlación lineal de Pearson 91

3.2. Coeficiente de correlación lineal de Pearson

Se define el Coeficiente de Correlación Lineal de Pearson, y se denota por r, como
el cociente entre la covarianza y la desviación típica de cada variable
σ xy
r= ; −1 ≤ r ≤ 1
σxσy

Propiedades

Es un coeficiente adimensional (carece de unidades de medida)

Es invariante frente a los cambios de origen y escala de las variables. Supongamos

los cambios de variables:
xi − x0 ⎫⎪ σ xy
x0i = ⎪
⎬ 0
a σ σ xy
⇒ r0 = 0 0 = σ x ab σ y =
xy
=r
y − y ⎪
⎪ σx σy × σxσy
yj0 =
j 0 ⎭ a b
b

Si r = 0 o r ≈ 0, puede afirmarse que no existe relación lineal entre las variables

Si |r| está próximo a 1 se dice que existe una relación lineal muy fuerte entre las
variables

Si r = ±1 ⇒ las observaciones de ambas variables están perfectamente alineadas,

puede afirmarse que hay dependencia funcional lineal entre las variables. El signo de
r, coincide con el de σ xy , nos indica el crecimiento o decrecimiento de la recta

• Si r > 0 ⇒ Dependencia directa

• Si r < 0 ⇒ Dependencia inversa

Elevando el coeficiente de correlación lineal de Pearson al cuadrado tenemos:

σ 2xy σ xy σ xy p
r2 = 2 2
= 2 × 2 = byx .bxy ⇒ r = byx .bxy ,
σx σy σx σy

el signo que se elige en la raíz es el signo de la covarianza.

Utilizando el coeficiente de correlación lineal, las Rectas de Regresión Y /X y X/Y
también se pueden expresar, respectivamente, de la siguiente forma:
σy σx
y−y =r (x − x) ; x − x = r (y − y)
σx σy
92 Regresión Mínimo Cuadrática

Posición relativa de las rectas de regresión

Las expresiones de las rectas de regresión Y /X y X/Y
σ xy ⎫
s≡y−y = (x − x) ⎪
⎪
σ 2x ⎪
⎬
σ xy ⎪
s0 ≡ x − x = 2
(y − y) ⎪
⎪
⎭
σy

indican que pasan por el punto (x, y), por tanto sólo pueden presentar dos posiciones en
el plano:

i) Se cortan sólo en ese punto

ii) Coincidan: Dichas rectas coinciden cuando, además de tener el punto (x, y) en común,
σ xy σ 2y
tienen la misma pendiente. Es decir, las pendientes ms = 2 y m0s = de las
σx σ xy
rectas de regresión son iguales

σ xy σ 2y σ 2xy
= ⇔ 2 2 = 1 ⇔ r2 = 1
σ 2x σ xy σxσy

Por lo tanto

• Si r2 = 1 ⇒ Las rectas de regresión coinciden

• Si r2 6= 1 ⇒ Las rectas de regresión se cortan en el punto (x, y)

Ejemplo 3.1: Dada la siguiente distribución bidimensional:

X\Y 1 2 3 4
10 1 3 0 0
12 0 1 4 3
14 2 0 0 2
16 4 0 0 0
Se pide:

a) ¿Son independientes X e Y ?

b) Dar las expresiones de las rectas de regresión de Y /X y de X/Y

c) Determinar el coeficiente de correlación lineal.

3.2 Coeficiente de correlación lineal de Pearson 93

Respuesta:

P
xi \yj 1 2 3 4 ni. xi ni. x2i ni. j xi yj nij
10 1 3 0 0 4 40 400 10 + 60 + 0 + 0 = 70
12 0 1 4 3 8 96 1152 0 + 24 + 144 + 144 = 312
14 2 0 0 2 4 56 784 28 + 0 + 0 + 112 = 140
16 4 0 0 0 4 64 1024 64 + 0 + 0 + 0 = 64
n.j 7 4 4 5 20 256 3360 586
yj n.j 7 8 12 20 47
yj2 n.j 7 16 36 80 139

a) Para que X e Y sean independientes se tiene que verificar:

ni. n.j 4×7
nij = ; n11 = 1 6= ⇒ No son independientes
n 20

o bien comprobando si las columnas (filas) son proporcionales.

b)

256 47
x= = 12,8; y = = 2,35
20 20
3360
σ 2x = − (12,8)2 = 4,16 ⇒ σ x = 2,039
20
139
σ 2y = − (2,35)2 = 1,43 = σ 2y ⇒ σ y = 1,195
20
586
σ xy = − (12,8) × (2,35) = −0,78
20
Recta de regresión de Y /X
¾
σ xy −0,78
y − y = 2 (x − x) ⇒ y − 2,35 = (x − 12,8)
σx 4,16

Recta de regresión de X/Y

¾
σ xy −0,78
x − x = 2 (y − y) ⇒ x − 12,8 = (y − 2,35)
σy 1,43
94 Regresión Mínimo Cuadrática

c)
σ xy −0,78
r= = = −0,320.
σxσy 2,039 × 1,195

La correlación es negativa, las variables están relacionadas en sentido opuesto (si una
variable aumenta de valor la otra variable disminuye). El coeficiente de correlación
es demasiado pequeño, por tanto no se ha realizado un buen ajuste por medio de
una recta de mínimos cuadrados.

3.3. Coeficiente de determinación y varianza residual

Hemos visto en la sección anterior que el criterio de mínimos cuadrados utiliza como
medida del error que se comete, cuando se ajusta una curva a la nube de puntos, la media
de los cuadrados de los residuos, esta media recibe el nombre de Varianza Residual.
La Varianza residual se utiliza como medida de la bondad del ajuste, cuanto
menor sea la Varianza Residual, menores serán los residuos y por lo tanto mejor será
el ajuste de la curva a la nube de puntos. Pero presenta el problema de no saber a partir
de que valores dicha varianza es suficientemente pequeña o suficientemente grande para
considerar que el ajuste realizado es un buen o un mal ajuste. Ese problema se soluciona
mediante el Coeficiente de Determinación.
La definición del Coeficiente de Determinación o Razón de Correlación se basa
en la descomposición1 de la varianza marginal de Y, V (y) en
XX XX XX
fij (yj − y)2 = fij (yj − ybi )2 + yi − y)2
fij (b (3.2)
i j i j i j

donde
XX
∗) fij (yj − y)2 es la Varianza Marginal de Y que se denota por V (y) o σ 2y
j
i
XX
∗) fij (yj − ybi )2 es la Varianza Residual de Y, Vr (y), también llamada Va-
j
i
rianza no Explicada, y representa las desviaciones que no se han podido explicar
mediante la regresión
XX
∗) yi − y)2 es la Varianza Explicada por la regresión que se denota por
fij (b
j
i
Ve (y)
1
La descomposición (3.2) sólo es válida cuando se realiza en funciones que son lineales en los parámetros
(recta, parábola, hipérbola equilátera,· · · )
3.3 Coeficiente de determinación y varianza residual 95

Por lo tanto, la descomposición (3.2) se puede expresar como

V (y) = Vr (y) + Ve (y) (3.3)

Se define el Coeficiente de Determinación (o Razón de Correlación), que vamos

a denotar de forma general por R2 , como el cociente entre la Varianza Explicada por
la regresión y la Varianza marginal de y
Ve (y) V (y) − Vr (y) Vr (y)
R2 = = =1− ⇒ 0 ≤ R2 ≤ 1 ,
V (y) V (y) V (y)
y se puede interpretar como la proporción de la varianza marginal de Y, V (y), que es
explicada por la regresión.

Vr (y)
Si R2 = 0 ⇒ = 1 ⇒ Vr (y) = V (y) ⇒ Ve (y) = 0 ⇒ El modelo no explica
V (y)
nada de Y a partir de X, por tanto es el peor ajuste que puede hacerse por el
procedimiento de mínimos cuadrados.
Vr (y)
Si R2 = 1 ⇒ = 0 ⇒ Vr (y) = 0 ⇒ Todos los residuos son nulos, todos los
V (y)
puntos de la nube de puntos están sobre la curva, en este caso el ajuste es perfecto.
Y depende funcionalmente de X.
½
2 Si R2 se aproxima a 1 nos indicará buen ajuste
Si 0 < R < 1 ⇒
Si R2 se aproxima a 0 nos indicará mal ajuste
1) En la recta de regresión de Y /X, la Varianza Residual se denota por Vr (y) y
se comprueba que
Vr (y) = V (y)(1 − r2 )

Entonces, el coeficiente de determinación es

Vr (y) V (y)(1 − r2 )
R2 = 1 − =1− = r2
V (y) V (y)

2) En la recta de regresión de X/Y, la Varianza Residual se denota por Vr (x) y

se comprueba que
Vr (x) = V (x)(1 − r2 )

Entonces, el coeficiente de determinación

Vr (x) V (x)(1 − r2 )
R2 = 1 − =1− = r2
V (x) V (x)
96 Regresión Mínimo Cuadrática

Por lo tanto el coeficiente de correlación lineal al cuadrado, r2 , se utiliza como medida

de la bondad del ajuste de la recta de mínimos cuadrados.
Ejemplo 3.2: Las notas de física ( X) y en matemáticas ( Y ) obtenidas por 10 alumnos
elegidos al azar en un curso de un centro docente han sido las siguientes (según el orden
de selección de la muestra):

N o de orden 1o 2o 3o 4o 5o 6o 7o 8o 9o 10 o
Xi 9 7 3 6 7 5 10 8 2 5
Yi 8 5 4 2 9 6 10 9 1 5

a) Estimar los parámetros de la recta de regresión de Y /X

b) Estimar los parámetros de la recta de regresión de X/Y
c) Calcular el coeficiente de determinación y el de correlación lineal entre X e Y
d) Calcular la varianza residual en la regresión de Y /X
e) Calcular la varianza residual en la regresión de X/Y
f ) Representar gráficamente ambas rectas de regresión
g) Para un alumno que haya obtenido un 4 en físicas ¿Qué nota le pronosticaría en
matemáticas?
h) Para un alumno que haya obtenido un 7 en matemáticas ¿Qué nota le pronosticaría
en físicas?

Respuesta:

xi yi x2i xi yi yi2
9 8 81 72 64 62 59
x= = 6,2; y = = 5,9
7 5 49 35 25 10 10
3 4 9 12 16 µ ¶2
442 62
6 2 36 12 4 σ 2x = − = 5,76
10 10
7 9 49 63 81
5 6 25 30 36 µ ¶2
433 59
10 10 100 100 100 σ 2y = − = 8,49
10 10
8 9 64 72 81
2 1 4 2 1 µ ¶ µ ¶
423 62 59
5 5 25 25 25 σ xy = − × = 5,72
10 10 10
62 59 442 423 433
3.3 Coeficiente de determinación y varianza residual 97

a) Parámetros de la recta de regresión de Y /X

⎧
⎪ σ xy 5,72
⎪
⎨ b= 2 = = 0,99
σx 5,76
y = a + bx =⇒ ⇒
⎪
⎪
⎩ a = y − bx = 5,9 − (0,99) × (6,2) = −0,238

La recta de regresión de Y / X tiene la siguiente ecuación:

y = −0,238 + 0,99x

b) Parámetros de la recta de regresión de X/Y

⎧
⎪ 0 σ xy 5,72
⎪
⎨ b = σ 2 = 8,49 = 0,67
y
x = a0 + b0 y =⇒
⎪
⎪
⎩
a = x − b0 y = 6,2 − (0,67) × (5,9) = 2,247

La recta de regresión de X/ Y tiene la siguiente ecuación: x = 2,247 + 0,67y

c) Coeficiente de determinación

σ 2xy (5,72)2
R2 = = = 0,669
σ 2x σ 2y 5,76 × 8,49

Coeficiente de correlación lineal de Pearson

σ xy
r= = 0,818
σxσy

d) Varianza residual de la recta de regresión de Y /X

¡ ¢
Vr (y) = V (y) 1 − r2 = 8,49 (1 − 0,669) = 2,8109

e) Varianza residual de la recta de regresión de X/Y

¡ ¢
Vr (x) = V (x) 1 − r2 = 5,76 (1 − 0,669) = 1,9276
98 Regresión Mínimo Cuadrática

f)

Figura 3.2

g) yx=4 = −0,238 + 4 × 0,99 = 3,72

h) xy=7 = 2,247 + 7 × 0,67 = 6,93

Algunos valores particulares de r y r2

Recordemos que el coeficiente de correlación lineal de Pearson tiene la siguiente expresión:
σ xy
r=
σx σy
1) Si r = 0 ⇒ σ xy = 0 y por lo tanto las rectas de regresión
σ xy ⎫
y − y = 2 (x − x) ⎪ ⎪
⎪ ¾
σx ⎬
y=y
se transforman en
σ xy ⎪
⎪ x=x
x − x = 2 (y − y) ⎭ ⎪
σy

Las rectas de regresión son paralelas

a los ejes coordenados y perpendiculares
entre sí. Indican que no existe relación lineal
entre las variables X e Y, pero dichas
variables pueden estar relacionadas por
otro tipo de función.

Figura 3.3: Rectas X/Y e Y /X

3.3 Coeficiente de determinación y varianza residual 99

Se demuestra que: Si las variables X e Y son independientes entonces r = 0, sin

embargo el recíproco no se puede afirmar. Es decir,

i) Si X e Y son independientes ⇒ r = 0 (Figura 3.3)

ii) Si r = 0 ; que X e Y son independientes (Figura 3.4)

Figura 3.4 Figura 3.5

i) La Figura 3.4 muestra una distribución bidimensional en la que r = 0 y las
variable X e Y son independientes
ii) La figura 3.5 muestra una distribución bidimensional en la que r = 0 pero las
variable X e Y están relacionadas aunque no linealmente.

2) Si r = ±1 ⇒ r2 = 1 ⇒ Vr (y) = 0 ⇒ Todos los residuos son ceros y por tanto todos los
puntos de la nube de puntos están sobre la recta de regresión (los valores observados
coinciden con los valores teóricos) ⇒ Las dos rectas de regresión coinciden. En este
caso se dice que la correlación es perfecta.

• Si r = 1 ⇒ La pendiente de la recta es positiva. La correlación es perfecta y

directa o positiva. Existe dependencia funcional entre las variables
• Si r = −1 ⇒ La pendiente de la recta es negativa. La correlación es perfecta e
inversa o negativa. Existe dependencia funcional entre las variables

3) −1 < r < 0 o 0 < r < 1

3a) Si el coeficiente de regresión se aproxima a la unidad en valor absoluto indica

que la dependencia estadística es muy grande y por tanto existe un buen ajuste
por medio de la recta de mínimos cuadrados
3b) Si el coeficiente de regresión se aproxima a 0 en valor absoluto indica que las
rectas de regresión forman un ángulo de 90o y a medida que r se aleja de cero
el ángulo que forman las rectas se va aproximando a 0o , haciéndose 0o cuando
r = ±1
100 Regresión Mínimo Cuadrática

3c) 0 < r < 1 ⇒ La correlación es positiva (valores altos (bajos) de una variable
le corresponden valores altos (bajos) de la otra variable)
3d) −1 < r < 0 ⇒ La correlación es negativa (valores altos (bajos) de una
variable le corresponden valores bajos (altos) de la otra variable)

∗) r2 : Se utiliza para medir la bondad del ajuste realizado en la recta de regresión

(0 ≤ r2 ≤ 1)

∗) r : Se utiliza para medir el grado de asociación lineal entre las dos variables

(−1 < r < 1)

3.4. Otros tipos de ajuste

En esta sección estudiamos el ajuste de las funciones no-lineales, más utilizadas, a los
puntos de la nube de puntos y este estudio lo haremos utilizando ejemplos numéricos.

3.4.1. Parábola
Suponemos que la curva que mejor se ajusta a la nube de puntos es de tipo parabólico, de
ecuación
y = a + bx + cx2 ; a, b, c ∈ R
El criterio de Mínimos Cuadrados considera que la función que mejor se ajusta a los
datos es aquella función que minimiza la media de los cuadrados de los residuos. (Hacemos
el desarrollo para el caso en que las frecuencias absolutas son unitarias)
X X¡ ¢2
S(a, b) = e2ij = yj − (a + bxi + cx2i )
i,j i,j

La condición necesaria para la existencia de mínimo es que las derivadas parciales

respecto a cada uno de los parámetros se anulen
X¡ ⎫
∂S ¢
=2 yj − a − bxi − cxi (−1) = 0 ⎪
2 ⎪
⎪
⎪
∂a ⎪
⎪
i,j ⎪
⎪
∂S X ¡ ¢ ⎬
=2 2
yj − a − bxi − cxi (−xi ) = 0
∂b ⎪
i,j ⎪
⎪
∂S X ¡ ¢ ⎪
⎪
=2 yj − a − bxi − cxi (−xi ) = 0 ⎪
2 2 ⎪
⎪
∂c ⎭
i,j
3.4 Otros tipos de ajuste 101

El sistema de ecuaciones normales se convierte en:

X X X ⎫
yj = na + b xi + c x2i ⎪
⎪
⎪
⎪
X j X i X i X ⎪
⎪
⎬
yj xi = a xi + b x2i +c x3i
i,j
X i
X i
X i
X ⎪
⎪
⎪
⎪
yj x2i =a x2i +b x3i +c x4i ⎪
⎪
⎭
i,j i i i

Resolviendo este sistema de ecuaciones se obtienen los parámetros: a, b y c.

Ejemplo 3.3: Dada la siguiente distribución

xi 2 3 5 6 9 11
yi 7 5 9 11 8 10

o
Ajustar a dichos puntos una parábola de 2 grado: y = a + bx + cx2 .
Respuesta:
Realizamos el siguiente cambio de variable: x0i = xi − x = xi − 6
Por lo tanto, se tiene que ajustar la siguiente parábola: y = a + bx0 + cx02

xi yi x0i x02
i x03
i x04
i x0i yi x02
i yi
2 7 -4 16 -64 256 -28 112
3 5 -3 9 -27 81 -15 45
5 9 -1 1 -1 1 -9 9
6 11 0 0 0 0 0 0
9 8 3 9 27 81 24 72
11 10 5 25 125 625 50 250
36 50 0 60 60 1044 22 488

El sistema de ecuaciones normales:

X X X ⎫
yj = na + b x0i + c x02
i ⎪
⎪
⎪
⎪
X j X i X i X ⎪
⎪
⎬
yj x0i = a x0i + b x02
i +c x03
i
i,j
X i
X i
X i
X ⎪
⎪
⎪
⎪
yj x02 =a x02 +b x03 +c x04 ⎪
⎪
i i i i ⎭
i,j i i i

queda de la siguiente forma

102 Regresión Mínimo Cuadrática

⎧ 25 − 30c ⎫
⎫ ⎫ ⎪ ⎪
50 = 6a + 0b + 60c ⎬ 25 = 3a + 30c ⎬ ⎨ a=
⎪
3
⎪
⎬
22 = 0a + 60b + 60c ⇒ 11 = 30b + 30c ⇒
⎭ ⎭ ⎪
⎪ ⎪
488 = 60a + 60b + 1044c 122 = 15a + 15b + 261c ⎩ b = 11 − 30c ⎪
⎭
30
Sustituyendo en la tercera ecuación:
µ ¶ µ ¶
25 − 30c 11 − 30c
122 = 15 + 15 + 261c ⇒ c = −0,08 854
3 30

Obteniendo los siguientes valores para a y b

25 − 30 × (−0,08 854) 11 − 30 × (−0,08 854)

a= = 9,2188; b= = 0,45521
3 30
La ecuación de la parábola ajustada en función de x0 es:

y = 9,2188 + 0,45521x0 − 0,08 854 x02

y en función de la variable x es:

y = 9,2188 + 0,45521 (x − 6) − 0,08 854 (x − 6)2 = 3,3 + 1,5177x − 0,0854x2

3.4.2. Hipérbola equilátera

Suponemos que la curva que mejor se ajusta a la nube de puntos es de tipo hiperbólico,
de ecuación
b
y =a+ ; a, b ∈ R
x
Realizando la siguiente transformación
1
z= =⇒ y = a + bz ,
x
la ecuación de la hipérbola equilátera se transforma en una recta cuyo ajuste por mínimos
cuadrados se realiza.
Ejemplo 3.4: Se dispone de la siguiente información referente a 6 familias sobre el gasto
en espectáculos ( Y ) y la renta disponible mensual ( X)

yi 3 5 6 9 10 14
xi 60 70 80 100 150 210
3.4 Otros tipos de ajuste 103

Estimar los parámetros de la función: y = a + b/x.

Respuesta:
Realizamos el cambio de variable z = 1/x. Por lo tanto, el problema se reduce a ajustar
la recta: y = a + bz
1
xi yi zi = zi2 zi yi yi2
xi
60 3 0.0167 2.789×10−4 0.0501 9
70 5 0.0143 2.044×10−4 0.0715 25
80 6 0.0125 1.562×10−4 0.075 36
100 9 0.0100 1×10−4 0.09 81
150 10 0.0067 4.489×10−5 0.067 100
210 14 0.0047 2.209×10−5 0.0658 196
47 0.0649 8.066×10−4 0.4194 447
µ ¶2
47 0,0649 8,066 × 10−4 0,0649
y= ; z= ; σ 2z = − = 1,75 × 10−5
6 6 6 6

0,4194 47 0,0649
σ yz = − × = −0,0148
6 6 6
σ yz
Recta de regresión Y /Z : y − y = 2 (z − z)
σ
µz ¶
47 −0,0148 0,0649 850,57
y− = −5
z− ⇒ y = 17,03 −
6 1,74 × 10 6 x

3.4.3. Función potencial

Supongamos que la curva que mejor se ajusta a la nube de puntos tiene de ecuación
y = axb ; a, b ∈ R . (3.4)
En este tipo de funciones, antes de aplicar el método de mínimos cuadrados, hay que
linealizar y para ello se toman logaritmos neperianos o decimales en la ecuación (3.4)
y = axb ⇒ ln y = ln a + b ln x ⇒ y 0 = a0 + bx0 ,
con y 0 = ln y; a0 = ln a; x0 = ln x hemos reducido el problema a ajustar una recta.
Ejemplo 3.5: Estudiando el mercado de un cierto producto de consumo se ha reunido la
siguiente información sobre los consumidores:
y 1.5 2 2.5 3
x 4 4.3 4.6 5
104 Regresión Mínimo Cuadrática

Ajusta una función de consumo y = axb

Respuesta:
La función y = axb se linealiza tomando logaritmos. (Utilizamos logaritmos decimales)
⎧ 0
⎨ y = log y
log y = log a + b log x ⇒ llamando a0 = log a ⇒ y 0 = a0 + bx0
⎩ 0
x = log x

xi yi x0i = log xi yi0 = log yi x0i yi0 x02

i
4 1.5 0.60205 0.17609 0.10601 0.36247
4.3 2 0.63346 0.30102 0.19069 0.40127
4.6 2.5 0.66275 0.39794 0.26373 0.43924
5 3 0.69897 0.47712 0.33349 0.48853
2.59723 1.35217 0.89392 1.69151

µ ¶µ ¶
0,89392 1,35217 2,59723
−
σ y0 x0 4 4 4 3,986 × 10−3
b= = µ ¶ = = 3,1208
σ 2x0 1,69151 2,59723 2 1,2772 × 10−3
−
4 4

1,35217 2,59723
a0 = y 0 − bx0 = − 3,1208 × = −1,6883 ⇒
4 4

a0 = log a = −1,6883 ⇒ a = 10−1,6883 = 0,2049

Por lo tanto, la función pedida tiene de ecuación: y = 0,2049x3,1208

3.4.4. Función exponencial

Supongamos que la curva que se quiere ajustar a los datos es del tipo exponencial

y = abx ; a, b ∈ R

Como en el caso anterior tenemos que linealizarla para que posteriormente ajustar, por
mínimos cuadrados, la recta resultante
⎧ 0
⎨ y = ln y
y = abx ⇒ ln y = ln a + x ln b ⇒ llamando a0 = ln a ⇒ y 0 = a0 + b0 x
⎩ 0
b = ln b
3.4 Otros tipos de ajuste 105

Ejemplo 3.6: Dada la siguiente distribución:

xi 1 2 3 4 5
yi 100 120 110 150 130

Ajustar una función exponencial del tipo y = abx ¿Es mejor dicho ajuste que si ajustamos
la recta de regresión de Y /X ?

Respuesta.
La función y = abx se linealiza tomando logaritmos. (Utilizamos logaritmos neperianos)
⎧ 0
⎨ y = ln y
ln y = ln a + x ln b ⇒ llamando a0 = ln a ⇒ y 0 = a0 + b0 x
⎩ 0
b = ln b

xi yi yi0 = ln yi xi yi0 xi yi yi2 x2i

1 100 4.6052 4.6052 100 10000 1
2 120 4.7875 9.5750 240 14400 4
3 110 4.7005 14.1015 330 12100 9
4 150 5.0106 20.0424 600 22500 16
5 130 4.8675 24.3375 650 16900 25
15 610 23.9713 72.6616 1920 75900 55

72,6616 15 23,9713 ⎫
− × ⎪
⎪
σ y0 x 5 5 ¶ 5 0,14954 ⎪
⎪
b0 = = µ = = 0,07477 ⎪
⎪
σ 2x 55 15 2 2 ⎪
⎬
− ⇒
5 5 ⎪
⎪
⎪
⎪
⎪
23,9713 15 ⎪
⎪
a0 = y 0 − b0 x = − 0,07477 × = 4,56995 =⇒ ⎭
5 5
½
b0 = ln b = 0,07477 =⇒ b = e0,07477 = 1,0776
⇒
a0 = ln a = 4,56995 =⇒ a = e4,56995 = 96,54

Por lo tanto la función pedida tiene de ecuación

y = 96,54 × (1,0776)x
106 Regresión Mínimo Cuadrática

Realizamos el ajuste por medio de la recta de regresión Y /X : y = a + bx ⇒

1920 15 610 ⎫
− × ⎪
⎪
σ yx 18 ⎪
b= 2 = 5 5
µ ¶2 = 5 =9 ⎪ ⎪
⎪
⎪
σx 55 15 2 ⎬
− ⇒ y = 95 + 9x
5 5 ⎪
⎪
⎪
⎪
⎪
610 15 ⎪
⎪
a = y − bx = −9× = 95 =⇒ ⎭
5 5
Para comparar los dos ajustes realizados, necesitamos la varianza residual de cada uno de
ellos

Varianza residual de la recta Y /X : y = 95 + 9x

Vr (y) = V (y)(1 − r2 )
µ ¶ ⎫
75900 610 2 ⎪
V (y) = − = 296 ⎪⎪
⎪
⎪
5 5 ⎬
⇒ Vr (y) = 134,088
σ 2 2 ⎪
⎪
18 ⎪
= 0,547 ⎪
xy
r2 = 2 2 = ⎪
⎭
σx σy 2 × 296

Varianza residual de la función exponencial: y = 96,54 × (1,0776)x

5
1X
Vr (y) = (yi − ybi )2 ni ,
n
i=1

donde ybi = abxi ⇒ ln ybi = ln a + xi ln b = 4,56995 + 0,07477xi

xi yi ln ybi = 4,56995 + 0,07477xi ybi (yi − ybi )2

1 100 4.64472 104.035 16.28
2 120 4.71949 112.111 62.23
3 110 4.79426 120.814 116.94
4 150 4.86903 130.194 392.25
5 130 4.9438 140.302 106.14
15 610 693.85
5
1X 693,85
Por lo tanto: Vr (y) = (yi − ybi )2 = = 138,77
n 5
i=1
Es mejor ajuste el de la recta de regresión ya que la varianza residual es menor.
3.5 Ejercicios propuestos: Relación III 107

3.5. Ejercicios propuestos: Relación III

1. Dadas las distribuciones bidimensionales siguientes, contestar a cada una de las
cuestiones planteadas:

X\Y 10 15 20
X\Y 10 15 20 X\Y 10 15 20 25
1 0 2 0
1 0 2 0 1 0 3 0 1
2 1 0 0
2 1 0 0 2 0 0 1 0
3 0 0 3
3 0 0 3 3 2 0 0 0
4 0 1 0

¿Depende funcionalmente?

a) X de Y (Sol: 1a tabla: No; 2a tabla: Si; 3a tabla: Si)

b) Y de X (Sol: 1a tabla: Si; 2a tabla: Si; 3a tabla: No).

2. Una factoría de una marca de refrescos ha tomado al azar 10 semanas al año, ob-
servando la temperatura media correspondiente a cada una de ellas y la cantidad de
refrescos pedidos durante cada uno de dichos periodos. La información obtenida es:

Temperatura media 10 28 12 31 30 19 24 5 9 15
No de refrescos 21 65 19 72 75 39 67 11 12 24

¿Puede la factoría planificar la cantidad de producción de la temperatura esperada?

¿De qué forma? (Sol: y = −9,33 + 2,723x; r2 = 0,95347 (Es suficientemente alto)).

3. Se realiza un experimento para estudiar la relación entre el periodo de incubación

(número de días desde que se pusieron los huevos) y la media del tiempo de in-
cubación (número medio de minutos dedicados ininterrumpidamente a la incubación
en el nido) en un ave marina: el charrán de pico de gaviota. Se pretende obtener una
ecuación mediante la cual se pueda predecir el tiempo medio de incubación (Y )
a partir del conocimiento del periodo de incubación (X). Utilizando fotografías a
intervalos de tiempo se obtuvieron los siguientes datos. Se pide:

X 0.25 0.50 1 1.5 2 2,5 3 4 5 6 7 8 9 10 10

Y 30 18 22 40 19 10 55 23 18 26 21 52 62 45 87

a) Calcular la recta de regresión que predice el valor de Y a partir del conocimiento de

X (Sol: y = 17,357 + 3,837x)

b) ¿Existe una relación lineal importante entre las variables? (Sol: r = 0,63 (relación
moderadamente fuerte entre las variables)).
108 Regresión Mínimo Cuadrática

4. Se realiza un estudio para investigar la relación entre el nivel de humedad del suelo
y la tasa de mortalidad en lombrices. La tasa de mortalidad, Y , es la proporción de
lombrices de tierra que mueren tras un periodo de dos semanas; el nivel de humedad,
X, viene medido en milímetros de agua por centímetro cuadrado de suelo. Los datos
se muestran en la siguiente tabla. Se pide:

X 0.31 0.31 0,56 0,56 0,89 0.89 0,96 0,96 1,15 1,15 1.25
Y 0.2 0.1 0 0.2 0.3 0.5 0 0.6 0.4 0.2 0.5

a) ¿Muestran los datos una tendencia lineal? (Sol: y = 0,0097 + 0,3217x; r = 0,521
(relación moderadamente fuerte entre las variables))

b) Determinar el grado de asociación lineal entre la tasa de mortalidad y el nivel de

humedad y la bondad del ajuste realizado en la recta de regresión. (Sol: r2 = 0,2716
(el modelo explica un 27.16 % de la variabilidad de la tasa de mortalidad)).

5. Se realiza un estudio para establecer una ecuación mediante la cual se pueda utilizar
la concentración de estrona en la saliva, X, para predecir la concentración del es-
teroide en plasma libre, Y . Se extrajeron los siguientes datos a 13 individuos sanos.
Se pide:

X 7.4 7.5 8 9 9.5 10 11 12.5 13 14 15.5 16 17

Y 25 29.5 32 33.5 36 42 43.5 56 52.5 62 61 63.5 64

a) Estudiar la posible relación lineal entre ambas variables, obteniendo su grado de

ajuste. (Sol: y = −1,9824 + 4,1640x; r2 = 0,9501)

b) Utilizar la línea de regresión estimada para predecir el nivel de estrona en plasma

libre de un individuo cuyo nivel de estrona en saliva es de 17.5. (Sol: y = 70,88).

6. La siguiente tabla muestra la edad (X) y la presión sanguínea (Y ) de 10 mujeres:

Edad 56 42 72 36 63 47 55 47 38 42
Presión 148 126 159 118 149 130 151 142 114 141

Dar una predicción lineal para la presión sanguínea de una mujer de 51 años. (Sol:
y = 80,444 + 1,1517x; 139,18).

7. Elegidos 50 matrimonios al azar y preguntadas la edad de ambos al contraer matri-

monio se obtuvo la siguiente tabla:
3.5 Ejercicios propuestos: Relación III 109

X\Y 15-20 20-25 25-30 30-35 35-40

15-18 3 2 3 0 0
18-21 0 4 2 2 0
21-24 0 7 10 6 1
24-27 0 0 2 5 3
donde X es la edad de la mujer e Y la edad del hombre. Obtener:

a) Recta de regresión de Y /X y de X/Y y el coeficiente de correlación lineal. (Sol:

y = 4,54 + 1,06x; x = 12,54 + 0,3289y; r = 0,593)
b) Preguntada una mujer dijo que se casó con 22 años ¿Qué edad podemos aven-
turar que tenía el marido al casarse? Preguntado un hombre dijo que se casó
con 24 años ¿Qué edad tendría su esposa al casarse? (Sol: 28; 20).

8. Dos variables tienen las siguientes rectas de regresión mínimo-cuadráticas:

8x + 2y = 1; 16x + 9y − 1 = 0
Calcular x, y y el coeficiente de correlación lineal. (Sol: 0,175; −0,2; r = −0,666).

9. Partiendo de una muestra de 200 pares de observaciones se calcularon las siguientes

cantidades:

X X X X X
xi = 11,34 ; x2i = 12,16 ; xi yi = 22,13 ; yi = 20,72 ; yi2 = 84,96
i i i i i

Se pide:

a) Calcular las dos rectas de regresión y dibujarlas (Sol: y = 7,28x10−4 + 1,824x;

x = 0,0147 + 0,258y)

b) ¿Son fiables las predicciones efectuadas con las rectas anteriores? (Sol: r2 = 0,4697
(Si es fiable)).

10. En una determinada zona oceánica, se ha realizado un estudio sobre el compor-

tamiento del mar, en relación a diversos factores entre los cuales se encuentra la
velocidad del viento. A lo largo de 20 días y durante el último periodo de tiempo se
ha observado conjuntamente la velocidad del viento (X) y la altura de las olas (Y).
La información obtenida se dispone en la siguiente tabla. Se pide:
110 Regresión Mínimo Cuadrática

X\Y <0.2 0.2-1 1-3 3-7

<2 2 0 0 0
2-8 0 5 1 0
8-12 0 0 4 1
12-20 0 0 2 5
a) Calcular la recta de regresión de Y /X (Sol: y = −0,4239 + 0,2870x)
b) ¿Qué valor asignará a la variable y si dispusiera de un valor x = 8,3? ¿Es adecuada
tal asignación? (Sol: y = 1,95820; r2 = 0,6798 (Buen ajuste)).
11. En un cierto estudio sobre fiabilidad se han obtenido los datos de la siguiente tabla:
X\Y <3 3-4 4-5 5-6 6-7 7-8 >8
<5 3 0 0 0 0 0 0
15-20 0 8 0 0 0 0 0
20-25 0 0 9 1 0 0 0
25-30 0 0 0 9 0 0 0
30-35 0 0 0 0 9 0 0
35-40 0 0 0 0 0 7 1
>40 0 0 0 0 0 0 3

a) Calcular el coeficiente de correlación lineal. (Sol: 0,9695)

b) Obtener las rectas de regresión de Y /X y de X/Y. (Sol: y = 0,9747 + 0,1696x;
x = −3,76 + 5,5376y).

12. Cinco niños de 2, 4, 6, 7 y 8 años pesan respectivamente, 15, 19, 25, 33 y 34 Kgs.
Hallar la recta de regresión mínimo cuadrática del peso con respecto a la edad. (Sol:
y = 6,9 + 3,388x; r2 = 0,948 (Buen ajuste)).
13. La siguiente tabla muestra el número de calzado y los pesos de 55 estudiantes:
X\Y 50 60 65 70 75 80 85
39 1 0 0 0 0 0 0
40 0 3 3 4 0 0 0
41 0 3 4 6 0 0 1
42 0 0 8 8 7 2 0
43 0 0 2 0 1 0 0
44 0 0 0 0 0 0 2

Dar una predicción del peso de un estudiante que calza el 38 ¿Es buena la predicción?
(Sol: y = −80,15 + 3,59576x; y = 56,48; r2 = 0,3060).
3.6 Comentarios bibliográficos 111

3.6. Comentarios bibliográficos

Johann Carl Friedrich Gauss
“El príncipe de los matemáticos”

Nacido el 30 de abril de 1777 en Brunswick, Baja Sajonia

Muere el 23 de febrero de 1855 en Göttingen, Baja Sajonia

Johann Carl Friedrich Gauss, matemático, astrónomo y físico alemán considerado el

príncipe de las matemáticas y uno de los matemáticos más grandes e influyentes de toda
la historia por sus amplias contribuciones en muchos campos de esta ciencia.
Gauss va a dar muestras tempranas de su genio precoz. Él mismo, ya anciano, acostum-
braba a alardear de haber aprendido a contar antes que a escribir y de haber aprendido
a leer por sí mismo, deletreando las letras de los nombres de los parientes y amigos de la
familia. Y a él le debemos el relato de la anécdota que le coloca como el más precoz de
los matemáticos. Con tres años, cuando su padre procedía a efectuar las cuentas para
abonar los salarios de los operarios, el niño le sorprende afirmando que la suma está mal
hecha y dando el resultado correcto. Nadie le había enseñado los números y mucho menos
a sumar. Ingresó a la escuela primaria antes de que cumpliera los siete años.
Cuando Gauss tenía diez años, su maestro solicitó a la clase que encontrará la suma
de todos los números comprendidos entre uno y cien. Gauss levantó en seguida la mano y
dio la respuesta correcta: los cien primeros números naturales suman 5.050.2
Cuando tenía doce años, criticó los fundamentos de la geometría euclidiana; a los
trece le interesaba las posibilidades de la geometría no euclidiana. A los quince, entendía
la convergencia y probó el binomio de Newton. El genio y la precocidad de Gauss llamaron
2
Gauss reveló que encontró la solución usando el álgebra, ¿Cómo lo hizo Gauss? Pues mentalmente
se dio cuenta de que la suma de dos términos equidistantes era constante:1 + 100 = 2 + 99 = 3 + 98 =
4 + 97 = · · · = 101. Con los 100 números se pueden formar 50 pares, de forma que la solución final viene
dada por el producto 101 × 50 = 5050 Gauss había deducido la fórmula que da la suma de n términos de
una progresión aritmética de la que se conocen el primero y el último término.
112 Regresión Mínimo Cuadrática

la atención del duque de Brunswick, quien dispuso, cuando el muchacho tenía catorce
años, costear tanto su educación secundaria como universitaria. Gauss, a quien también
le interesaban los clásicos y los idiomas, pensaba que haría de la filología la obra de su
vida, pero las matemáticas resultaron ser una atracción irresistible.
El día 30 de marzo de 1796, se decidió por fin por la matemática, porque ese mismo
día, cuando le faltaba aun un mes para cumplir los diecinueve años, hizo un brillante
descubrimiento. Gauss halló un método para construir un polígono equilátero de
17 lados con ayuda de regla y compás3 , e incluso fue más allá, demostrando que sólo
ciertos polígonos equiláteros se podían construir con ayuda de regla y com-
pás. Descubrió el método de construcción del Heptadecágono, y dio el criterio necesario
y suficiente para que un polígono pueda ser dibujado. Este 30 de marzo hará su primera
anotación en su diario de notas, un pequeño cuaderno de 19 páginas, que acom-
pañará a Gauss hasta 1814, el diario científico más importante de la historia de las
matemáticas, en el que irá anotando, a veces de forma críptica, los resultados matemáticos
que le vienen a la cabeza, en total 144 anotaciones. Un documento que por desgracia
para la ciencia no verá la luz hasta casi 50 años después de la muerte de Gauss.
Gauss se graduó en Gotinga en 1798, y al año siguiente recibió su doctorado
en la Universidad de Helmstedt. Las matemáticas no fueron el único tema que le
interesó a este hombre; fue también astrónomo, físico, geodesta e inventor. Hablaba
con facilidad varios idiomas, e inclusive dominó el ruso a la edad de sesenta años.
En 1799, Gauss tenía 22 años, demostró en su tesis que cada ecuación tiene al
menos una raíz compleja, consiguiendo de paso la aceptación por los matemáticos de
un nuevo universo de números: los números complejos. Gauss acababa de realizar la
presentación en sociedad de un nuevo conjunto de números que matemáticos anteriores,
como Wallis o el mismo Euler, que se referían a ellos como números imposibles, habían
utilizado con recelo.
En 1801 publicó el libro Disquisitiones Aritmeticae, con seis secciones dedicadas a la
Teoría de números, dándole a esta rama de las matemáticas una estructura sistematizada.
En la última sección del libro expone su tesis doctoral. Ese mismo año predijo la órbita
del asteroide Ceres aproximando parámetros por mínimos cuadrados.
En 1807 fue nombrado director del Observatorio de Göttingen y profesor de as-
tronomía en la Universidad de Gotinga. En este mismo año publica Theoria motus cor-
porum coelestium in sectionibus conicis Solem ambientium describiendo cómo calcular
la órbita de un planeta y cómo refinarla posteriormente. Profundiza sobre ecuaciones
diferenciales y secciones cónicas. Durante su estancia en el observatorio, construyó un

3
Desde hacía más de 2000 años, se sabía como construir con regla y compás el triángulo equilátero, el
cuadrado y el pentágono regular (así como algunos otros polígonos regulares cuyos números de lados son
múltiplos de dos, de tres o de cinco), pero ningún otro polígono regular con un número primo de lados.
3.6 Comentarios bibliográficos 113

heliotropo4 . También estudió el magnetismo terrestre, llevando la unidad de flujo

magnético su nombre.

En 1823 publica Theoria combinationis observationum erroribus minimis obnoxiae

dedicado a la estadística, donde estudió la teoría de los errores y dedujo la Curva
Normal de la Probabilidad, llamada también Curva de Gauss. Hay que aclarar que
Gauss no fue el primero en hacer referencia a la distribución Normal.

Mostró un gran interés en Geometría Diferencial y su trabajo Disquisitiones generales

circa superficies curva publicado en 1828 fue el más reconocido en este campo. En dicha
obra expone el famoso Teorema Egregium. De esta obra se deriva el término Curvatura
Gaussiana.

En 1833 inventó un telégrafo eléctrico, once años antes de que Morse emitiese su
primer telegrama5 . Inventó también un magnetómetro bifiliar para medir el mag-
netismo y, con Weber, proyectó y construyó un observatorio no magnético6 . En
1840, las investigaciones de Gauss sobre la óptica tuvieron especial importancia debido
a sus deducciones respecto a los sistemas de lentes.

Gauss falleció en Göttingen el 23 de febrero de 1855 a los setenta y siete años. En su

ciudad natal se levantó una estatua en su honor, dicha estatua descansa sobre un pedestal
en forma de estrella de 17 puntas, en celebración de su descubrimiento de la construcción
del polígono de 17 lados. Según E.T Bell, y es una opinión compartida por la mayoría
de los historiadores de la ciencia, Gauss junto a Arquímedes y Newton ocupa el
podium de los grandes genios de las matemáticas a lo largo de la Historia.
Durante su vida, se reconoció que era el matemático más grande de los siglos XVIII y
XIX.

4
Instrumento que reflejaba la luz solar a grandes distancias y con él los rayos de luz solar se podían
emplear como líneas rectas que marcaban la superficie terrestre, pudiéndose obtener así determinaciones
trigonométricas más precisas de la forma del planeta.
5
Gauss y su amigo y colaborador Wilhelm Weber se comunicaban desde sus respectivos despachos
en el observatorio astronómico y la facultad de Física de la Universidad, separadas más de dos kilómetros,
mediante un telégrafo
6
Tanto Gauss como Riemann, que fue discípulo suyo, pensaban en una teoría electromagnética que
sería muy semejante a la ley universal de la gravitación de Newton. La teoría del electromagnetismo fue
ideada más tarde, en 1873, por Maxwell, aunque Gauss ya poseía los cimientos matemáticos para la
teoría.
114 Regresión Mínimo Cuadrática

Moneda acuñada con el título póstumo "Príncipe de los Matemáticos" con que el
rey Jorge V de Hannover honró a Gauss tras su muerte.