Tema 2

Espacio Vectorial Eucldeo.

Mnimos cuadrados
En el tema anterior estudiamos el Espacio Vectorial R
n
, donde denimos las operaciones de
suma de vectores y producto de un vector por escalares. En este tema introducimos una nueva
operaci on: producto escalar entre vectores. De esta nueva operaci on se derivan los conceptos
de modulo (longitud) de un vector y angulo que forman dos vectores, y en consecuencia, los
conceptos de distancia y ortogonalidad geometrica como se intuye en R
2
y R
3
.
Deniremos con esto la ortogonalidad entre subespacios y como resultado principal vere-
mos que R
n
es suma directa de cualquier subespacio vectorial y su ortogonal. Como conse-
cuencia, podremos calcular la distancia mnima de un vector a un subespacio F, y el vector
de F donde se alcanza dicho mnimo: la proyecci on ortogonal sobre F.
Todo el estudio realizado sobre el espacio vectorial eucldeo lo utilizaremos para construir
soluciones aproximadas, optimas en el sentido de lo que denominaremos mnimos cuadrados,
de sistemas de ecuaciones lineales incompatibles.
2.1. Producto escalar. Norma y distancia eucldea
Denici on 1. Sea V un espacio vectorial sobre R. Un producto escalar o interno sobre
V es una aplicaci on tal que a cada par de vectores x e y de V le asigna un n umero real, que
denotaremos por x y, de manera que para cualesquiera x, y, z V , y cualquier k R se
satisfacen las siguientes propiedades:
1. x x 0 x x = 0 x =

0
2. x y = y x
3. x (y + z) = x y + x z
4. (kx) y = k(x y)
Un espacio vectorial en el que se ha denido un producto escalar se llama espacio vec-
torial eucldeo. Todo espacio vectorial de dimensi on nita puede dotarse de un producto
escalar y convertirse por tanto en espacio vectorial eucldeo.
1
TEMA 2. ESPACIO VECTORIAL EUCL

IDEO. M

INIMOS CUADRADOS
Ejemplo 2. Cuando V = R
n
, podemos denir la siguiente operaci on entre vectores (com-
probar que se trata de un producto escalar): si x, y V , con x = (x
1
, ..., x
n
), y = (y
1
, ..., y
n
),
entonces
x y = x
1
y
1
+ ... + x
n
y
n
.
Observemos que si escribimos los vectores x e y como matrices columna, x =
_
_
_
x
1
.
.
.
x
n
_
_
_, y =
_
_
_
y
1
.
.
.
y
n
_
_
_, se tiene que x y = x
t
y = (x
1
. . . x
n
)
_
_
_
y
1
.
.
.
y
n
_
_
_, donde recordemos que para una matriz
A, su matriz transpuesta A
t
es la resultante de cambiar las por columnas.
Denici on 3. Sea V un espacio vectorial donde se ha denido un producto escalar, llamamos
norma o m odulo de un vector x V al siguiente n umero real
x = +

x x
A los vectores x V que satisfagan x = 1 se les llamar a vectores unitarios.
A partir de la denicion y de las propiedades del producto escalar es f acil comprobar las
siguientes propiedades de la norma: para cualesquiera x, y V y k R se satisface:
1. x = 0 si y s olo si x =

0
2. kx = |k| x
3. (Desigualdad triangular) x + y x +y
4. (Desigualdad de Cauchy-Schwarz) |x y| x y, y la igualdad se da si y
s olo si x e y son proporcionales.
5. (Ley del paralelogramo) x + y
2
+x y
2
= 2
_
x
2
+y
2
_
.
A partir de la norma, vamos de denir una distancia en R
n
, la distancia eucldea: Dados
x, y V , llamaremos distancia entre x e y, y la denotamos por d(x, y), al n umero positivo
d(x, y) = x y
_
por tanto x = d(x,

0)
_
.
A partir de las propiedades de la norma se deduce que para cualesquiera x, y, z V , la
distancia satisface:
1. d(x, x) = 0
2. d(x, y) = d(y, x) (simetra)
3. d(x +z, y +z) = d(x, y) (invarianza por traslaci on)
4. d(x, y) d(x, z) + d(z, y) (desigualdad triangular).
Ingeniera Tecnica
Forestal
2 Fundamentos Matem aticos
Curso 2004/05
2.2. ORTOGONALIDAD. PROYECCIONES ORTOGONALES SOBRE SUBESPACIOS
Todo espacio vectorial que tenga denida una distancia recibe el nombre de espacio
metrico.
Para nalizar esta secci on denimos la distancia de un vector x a un subespacio F como
d(x, F) = mn {d(x, y); y F} = mn {x y; y F} .
En la siguiente secci on encontraremos el vector de F donde se alcanza el mnimo anterior,
y calcularemos, por tanto, la distancia de un vector a un subespacio.
2.2. Ortogonalidad. Proyecciones ortogonales sobre subespa-
cios
Es bien conocido que para hallar la mnima distancia desde un punto a un plano en el
espacio tridimensional, hay que proyectar perpendicularmente dicho punto sobre el plano.
Extenderemos por analoga dicha noci on a un espacio vectorial eucldeo: la distancia de un
vector a un subespacio vectorial se obtiene proyectando ortogonalmente el vector sobre dicho
subespacio. Daremos sentido a esta expresi on:
En esta secci on deniremos el ortogonal de un subespacio vectorial F. Veremos que
cualquier espacio vectorial se puede descomponer como suma directa de un subespacio y
su ortogonal (que denotaremos por F

), esto es, V = F F

. Por tanto, F y F

son
complementarios. Esta descomposici on nos permitir a denir la proyecci on ortogonal de un
vector sobre un subespacio.
Denici on 4. Dos vectores x, y V son ortogonales o perpendiculares, (x y), si su
producto escalar el cero. Es decir,
x y =x y = 0.
Nota: En R
2
y R
3
, el producto escalar de dos vectores es el producto de los m odulos por
el coseno del angulo que forman:
x y = x y cos

xy.
Con esta denicion podemos dar la siguiente versi on del teorema de Pit agoras
Teorema 5 (Pitagoras.). Sea V un espacio vectorial eucldeo. Si x e y son vectores ortog-
onales en V , entonces
x + y
2
= x
2
+y
2
.
En general, si x
1
, x
2
, . . . , x
r
son ortogonales dos a dos, entonces
x
1
+ x
2
+ + x
r

2
= x
1

2
+x
2

2
+ +x
r

2
.
Denici on 6. Un conjunto de vectores no nulos {x
1
, x
2
, . . . , x
n
} forman un sistema ortonor-
mal si
(a) son ortogonales dos a dos, es decir, x
i
x
j
= 0, i = j,
Ingeniera Tecnica
Forestal
3 Fundamentos Matem aticos
Curso 2004/05
TEMA 2. ESPACIO VECTORIAL EUCL

IDEO. M

INIMOS CUADRADOS
(b) los vectores son unitarios, esto es, x
i
= 1 i.
Ejercicios:
1. Demostrar que en un espacio vectorial eucldeo, todo conjunto ortonormal de vectores
es linealmente independiente.
2. Comprobar que los vectores de la base can onica de R
n
, B = {e
1
, e
2
, ..., e
n
}, forman un
sistema ortonormal.
Sea F un subespacio de un espacio vectorial eucldeo V . Se llama ortogonal de F , y
se escribe F

, al conjunto de los vectores que son ortogonales a todos los vectores de F, esto
es,
F

= {x V / x y = 0, y F}.
Ejercicio: Comprueba que F

es un subespacio vectorial.
Ejemplo 7. Sea F =< (1, 1, 1, 0), (0, 1, 1, 0) > R
4
. Vamos a calcular las ecuaciones
implcitas del subespacio F

. Por denici on,

F

= {x R
4
/ y x = 0, y F}.
Por las propiedades de linealidad de los subespacios vectoriales, basta con calcular los vectores
que son ortogonales a los de una base de F. En nuestro caso, tomamos
B
F
= {(1, 1, 1, 0), (0, 1, 1, 0)} = {v
1
, v
2
} .
Un vector x = (x
1
, x
2
, x
3
, x
4
) pertenecer a a F

si v
1
x = 0 y v
2
x = 0. Escribiendo los
vectores en forma matricial, se tendr a que vericar
(1 1 1 0)
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
= 0, (0 1 1 0)
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
= 0;
o lo que es lo mismo,
_
1 1 1 0
0 1 1 0
_
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
=
_
0
0
_
_
x
1
+ x
2
+ x
3
x
2
x
3
_
=
_
0
0
_
,
con lo que encontramos las ecuaciones implcitas de F

=
_
x = (x
1
, x
2
, x
3
, x
4
) R
4
| x
1
+ x
2
+ x
3
= 0, x
2
x
3
= 0
_
.
Resolviendo el sistema homogeneo obtendramos las ecuaciones parametricas de F

.
Recprocamente, dado un subespacio vectorial en forma de ecuaciones implcitas, podemos
obtener una base del ortogonal tan s olo j andonos en los coecientes de las ecuaciones. Por
Ingeniera Tecnica
Forestal
4 Fundamentos Matem aticos
Curso 2004/05
2.2. ORTOGONALIDAD. PROYECCIONES ORTOGONALES SOBRE SUBESPACIOS
ejemplo, para hallar (F

, el ortogonal de F

, nos jamos en los coecientes de sus

ecuaciones implcitas:
Ec,1 : x
1
+ x
2
+ x
3
= 0 Coecientes de las inc ognitas (1, 1, 1, 0)
Ec,2 : x
2
x
3
= 0 Coecientes de las inc ognitas (0, 1, 1, 0).
Entonces,
_
F

=< (1, 1, 1, 0), (0, 1, 1, 0) >. Observamos que (F

= F. Esta es una
de las propiedades que enunciamos en el siguiente teorema:
Teorema 8. Sean F y G subespacios vectoriales de V. Se verican las siguientes propiedades:
(a) F

es un subespacio de V .
(b) (F + G)

= F

.
(c) F = (F

.
(d) Si F G, entonces, G

.
(e) (F G)

= F

+ G

.
Veamos ahora que un subespacio y su ortogonal son complementarios. Esto nos permite
escribir un espacio vectorial V como suma directa de un subespacio y su ortogonal. Como
dijimos al principio de esta secci on, esta descomposici on nos permitir a denir la proyecci on
ortogonal de un vector sobre un subespacio.
Teorema 9. Sean V un espacio vectorial eucldeo, y F un subespacio de V , entonces V =
F F

, es decir:
F F

= {

0} V = F + F

.
Ejercicio: Comprobar que R
4
= F F

, con F es subespacio vectorial dado en el

Ejemplo 7.
Como consecuencia del teorema anterior, cualquier vector x V se puede descomponer
como suma de dos vectores, x = v
1
+v
2
, con v
1
F y v
2
F

.
Denici on 10. Sean V un espacio vectorial eucldeo, F un subespacio de V y x V. Si
escribimos x = v
1
+v
2
, con v
1
F, v
2
F

, la proyecci on ortogonal de x sobre

F ( resp. sobre F

) es el vector v
1
F, (resp. el vector v
2
).
Escribiremos x V, x = v
1
+v
2
, con v
1
F, v
2
F

v
1
= P
F
(x) v
2
= P
F
(x).
Observemos entonces que el vector proyecci on ortogonal de x sobre F, P
F
(x), es aquel tal
que x P
F
(x) es ortogonal a todos los vectores de F.
La proyecci on ortogonal de un vector sobre un subespacio nos permite calcular la distancia
del vector a dicho subespacio:
Teorema 11 (Teorema de la mejor aproximaci on). El vector P
F
(x) F es el m as
cercano al vector x, esto es,
d(x, F) = mn {x y; y F} = x P
F
(x)
por tanto, x P
F
(x) x y y F.
Ingeniera Tecnica
Forestal
5 Fundamentos Matem aticos
Curso 2004/05
TEMA 2. ESPACIO VECTORIAL EUCL

IDEO. M

INIMOS CUADRADOS
Para concluir esta secci on, vamos a denir tres subespacios vectoriales que se obtienen de
una matriz:
Sea A M
mn
(R). Se denen los siguientes espacios fundamentales de A:
Espacio la: es el subespacio vectorial de R
n
engendrado por los vectores cuyas coor-
denadas coinciden con los elementos de las las:
F(A) =<

f
1
,

f
2
, . . . ,

f
m
> .
Espacio columna: es el subespacio vectorial de R
m
engendrado por los vectores cuyas
coordenadas coinciden con los elementos de las columnas:
R(A) =< c
1
, c
2
, . . . , c
n
> .
N otese que R(A) = {x
1
c
1
+ x
2
c
2
+ + x
n
c
n
, (x
1
, . . . , x
n
) R
n
}, escrito en forma
matricial sera
R(A) = {
_
_
_
_
.
.
.
.
.
.
.
.
.
c
1
c
2
c
n
.
.
.
.
.
.
.
.
.
_
_
_
_
_
_
_
x
1
.
.
.
x
n
_
_
_, (x
1
, . . . , x
n
) R
n
} = {Ax / x R
n
}.
Espacio nulo: es el subespacio vectorial de R
n
denido por
N(A) = {x R
n
/ Ax =

0}.
Se satisfacen las siguientes condiciones de ortogonalidad entre los subespacios fundamen-
tales de una matriz.
1. N(A) = (F(A))

, por tanto, F(A) = (N(A))

.
2. N(A
t
) = (R(A))

, por tanto, R(A) = (N(A

t
))

.
Observemos que en el ejemplo 7, para obtener F

lo que se hizo fue hallar el espacio nulo

de la matriz A =
_
1 1 1 0
0 1 1 0
_
, cuyas las son los vectores de una base de F. Por tanto,
F

= N(A).
2.3. Aproximacion por mnimos cuadrados. Aplicaciones
Para el desarrollo de esta secci on consideraremos los vectores de R
m
como matrices colum-
nas de m componentes, por tanto, a partir de ahora no escribiremos con notaci on vectorial
(x). Sea A una matriz real de m las y n columnas, y b un vector columna de m compo-
nentes. Si m > n, el sistema Ax = b ser a, en general, incompatible: hay m as ecuaciones que
inc ognitas. Cuando el sistema sea incompatible, no existe soluci on exacta, pero buscaremos
Ingeniera Tecnica
Forestal
6 Fundamentos Matem aticos
Curso 2004/05
2.3. APROXIMACI

ON POR M

INIMOS CUADRADOS. APLICACIONES

una solucion aproximadax
0
: la que hace m as peque na la distancia entre Ax y b; es decir,
la que minimiza el error E
2
= Axb
2
, que recibe el nombre de desviaci on cuadratica.
Diremos por tanto que x
0
es una soluci on en el sentido de los mnimos cuadrados
para el sistema Ax = b si se verica:
Ax
0
b Ax b x R
n
.
Por tanto, nuestro problema se reduce a encontrar x
0
tal que Ax
0
sea el que mas se
aproxime a b entre todos los elementos de la forma Ax, x R
n
, esto es, buscamos x
0
tal que
Ax
0
b y b y = Ax, x R
n
. (2.1)
Recordemos que el espacio columna de A es R(A) = {Ax / x R
n
}, por tanto, podemos
escribir (2.1) como sigue
Ax
0
b y b y R(A).
De esta manera, tenemos que encontrar Ax
0
, el elemento de R(A) que m as se aproxima
a b. Por el teorema de la mejor aproximaci on, se tiene que Ax
0
=P
R(A)
(b), la proyecci on
ortogonal de b sobre R(A). En consecuencia, se deduce que el vector Ax
0
b R(A)

.
Como Ax
0
b R(A)

, y todos los elementos de R(A) son de la forma Ay , y IR

n
,
entonces,
Ay (Ax
0
b) = 0 y IR
n
Teniendo en cuenta que el producto escalar en IR
m
se expresa matricialmente de la forma
x y = x
t
y obtenemos la expresion:
(Ay)
t
(Ax
0
b) = 0
de donde, sabiendo que (Ay)
t
= y
t
A
t
, llegamos a que
y
t
(A
t
Ax
0
A
t
b) = 0.
Al ser esta expresion cierta para todo y IR
n
, es claro que el segundo factor vale cero, es
decir,
A
t
Ax
0
= A
t
b.
Estas ecuaciones, que siempre tienen soluci on, se llaman Ecuaciones Normales de Gauss.
Resumimos el proceso en el siguiente resultado:
Teorema 12. Sean A una matriz real de orden mn y b IR
m
. Las siguientes condiciones
son equivalentes:
(a) x
0
es una soluci on en el sentido de los mnimos cuadrados para el sistema Ax = b.
(b) Ax
0
=P
R(A)
(b) (Ax
0
es la proyecci on de b sobre el espacio columna).
(c) x
0
es una soluci on de las ecuaciones normales de Gauss A
t
Ax
0
= A
t
b.
Como hemos visto, el sistema de ecuaciones normales de Gauss es siempre compatible.
Pueden ocurrir dos casos:
Ingeniera Tecnica
Forestal
7 Fundamentos Matem aticos
Curso 2004/05
TEMA 2. ESPACIO VECTORIAL EUCL

IDEO. M

INIMOS CUADRADOS
1. A
t
Ax
0
= A
t
b es compatible determinado (esto es, cuando A
t
A es invertible). Entonces,
existe una unica solucion ( x
0
= (A
t
A)
1
A
t
b ), que es la soluci on unica en el sentido
de los mnimos cuadrados.
2. A
t
Ax
0
= A
t
b es compatible indeterminado (esto es, cuando A
t
A NO es invertible).
Entonces, existen innitas soluciones en el sentido de los mnimos cuadrados. En este
caso, elegimos aquella soluci on que tiene norma mnima, a la que llamaremos soluci on
optima. Es decir:
x
0
es una soluci on optima en el sentido de los mnimos cuadrados para el sistema
Ax = b si es una soluci on en mnimos cuadrados y x
0
x para cualquier otra
solucion en mnimos cuadrados x.
En el siguiente Teorema veremos que la soluci on optima as denida, es unica y pertenece
al espacio la de la matriz A. Como consecuencia, de las innitas soluciones del sistema de
ecuaciones normales de Gauss, la soluci on optima ser a la que pertenece a F(A).
Teorema 13. Sea A una matriz real m n y b IR
m
. Entonces las siguientes condiciones
son equivalentes:
(a) x
0
es una soluci on optima en mnimos cuadrados para Ax = b.
(b) Ax
0
= P
R(A)
b y x
0
F(A) (o R(A
t
)).
Adem as, en ese caso, x
0
es la unica soluci on optima.
Vamos a demostrar el teorema utilizando alguno de los resultados principales de esta sec-
ci on. (Por tanto, la comprensi on de esta demostraci on implica la asimilaci on de los conceptos
utilizados).
Demostraci on:
(a) =(b). Supongamos que x
0
es la soluci on optima, esto es,
Es solucion en el sentido de los mnimos cuadrados y
x
0
x para cualquier otra soluci on x en el sentido de los mnimos cuadrados.
Consideramos el espacio nulo de A, N(A). Descomponemos el vector x
0
:
x
0
= x + y x N(A), y (N(A))

.
Veamos que y tambien es soluci on en el sentido de los mnimos cuadrados:
Como x N(A), se tendr a que Ax = 0. Por tanto, si multiplicamos a la izquierda en la
igualdad anterior por A, obtenemos:
Ax
0
= Ax + Ay = Ay.
Por el Teorema 12, se tiene que Ax
0
= P
R(A)
b, luego de la igualdad anterior se obtiene
que Ay = P
R(A)
b. Por tanto y tambien es soluci on en el sentido de los mnimos cuadrados.
Como x N(A) y y (N(A)))

, se tiene que xy. Por el teorema de Pit agoras:

x
0

2
= x + y
2
= x
2
+y
2
y
2
.
Pero x
0
era la solucion optima, por tanto, x
0
y. Deducimos entonces que x
0
= y
(N(A))

= F(A).
Ejercicio: Demostrar el recproco.
Ingeniera Tecnica
Forestal
8 Fundamentos Matem aticos
Curso 2004/05
2.3. APROXIMACI

ON POR M

INIMOS CUADRADOS. APLICACIONES

Aplicacion: Regresion
Existen muchos fen omenos de las ciencias experimentales en los que intervienen dos va-
riables, x e y, de las que se sabe que est an relacionadas, pero no se conoce cu al es la funci on
y = f(x) que expresa su dependencia. Nuestro problema consiste en determinar la mejor
expresi on matematica o lnea geometrica para expresar los valores de dos variables (x,y)
observadas.
Consideramos los pares de valores (x
i
, y
i
) observados en un fen omeno experimental (por
ejemplo, x
i
es la carga aplicada sobre una cierta estructura e y
i
es la deformaci on que se
produce; y
i
es la distancia a un satelite que va camino de Marte y x
i
el tiempo; x
i
los costes
de produccion en un proceso econ omico e y
i
los vol umenes producidos con los precios y las
ganancias). Al conjunto de pares (x
i
, y
i
), i = 1, 2, . . . , m se les denomina nube de puntos.
Ejemplo 14. Supongamos que hemos observado las alturas (en centmetros) de las plantas de
soja en funci on de las semanas que hace que han germinado, y hemos obtenido los siguientes
datos:
x
i
(semanas) 1 2 3 4 5 6
y
i
(cm) 5 12 14 20 30 38
Podemos representar gr acamente los pares (x
i
, y
i
), obteniendo la nube de puntos de nue-
stro experimento:
-
x
6
y
| | | | | |
1 2 3 4 5 6

10
20
30
40

Si se admite que las variables x e y tienen una relaci on lineal, la curva que m as se adapta
a los valores observados (x
i
, y
i
) es una recta (como en el ejemplo anterior): su ecuaci on sera
y = ax+b. Est a claro que como la funci on y = ax+b es s olo una aproximaci on, en general, la
recta no parara por los puntos (x
i
, y
i
), por tanto la igualdad y
i
= ax
i
+ b no se va a cumplir
para ciertas parejas de datos, cualesquiera que sean a y b.
El sistema a resolver es:
ax
1
+ b = y
1
ax
2
+ b = y
2
.
.
.
ax
m
+ b = y
m
Ingeniera Tecnica
Forestal
9 Fundamentos Matem aticos
Curso 2004/05
TEMA 2. ESPACIO VECTORIAL EUCL

IDEO. M

INIMOS CUADRADOS
La regresi on lineal consiste en calcular a
0
y b
0
de manera que la recta y = a
0
x + b
0
es
la que mejor se ajusta a la nube de puntos (x
i
, y
i
) en el sentido de los mnimos cuadrados.
Para ello, buscamos la solucion del sistema anterior en el sentido de los mnimos cuadrados.
Obtendremos dos valores a
0
y b
0
, y con esto, la recta y = a
0
x+b
0
, que denominaremos recta
de regresi on de y sobre x.
Ejemplo 15. Calculemos la recta de regresi on en el ejemplo 14. Buscamos valores a, b solu-
ci on en el sentido de los mnimos cuadrados del sistema
_

_
a + b = 5
2a + b = 12
3a + b = 14
4a + b = 20
5a + b = 30
6a + b = 38
matricialmente

A
_
a
b
_
= m
_
_
_
_
_
_
_
_
1 1
2 1
3 1
4 1
5 1
6 1
_
_
_
_
_
_
_
_
_
a
b
_
=
_
_
_
_
_
_
_
_
5
12
14
20
30
38
_
_
_
_
_
_
_
_
.
Calculamos el sistema de ecuaciones normales de Gauss A
t
A
_
a
b
_
= A
t
m:
_
91 21
21 6
__
a
b
_
=
_
529
119
_
.
Es un sistema compatible determinado, por lo que se obtienen los valores a
0
=
45
7
, b
0
=

8
3
. As, la recta de regresi on resultante es
y =
45
7
x
8
3
.
Observaciones.
Supongamos que tenemos un experimento en el que la curva que mejor se adapta a la
nube de puntos es una par abola. En este caso, aplicamos el procedimiento anterior para
buscar los coecientes a, b y c, del polinomio
y = ax
2
+ bx + c.
En general, puede aplicarse el procedimiento al problema de la regresi on polin omica,
y = a
0
+a
1
x+ +a
n
x
n
(en este caso la matriz que se obtiene es de orden m(n+1)).
Algunos ajustes no lineales pueden reducirse a ajustes lineales. Por ejemplo, y = ae
bx
se reduce a un ajuste lineal tomando logaritmos: log(y) = log(a) + bx.
Se pueden resolver tambien ajustes con m as variables, como por ejemplo: z = ax+by+c.
An alogamente se puede buscar la recta de regresi on de x sobre y de la forma x = y +.
En general, ambas rectas no tienen por que ser iguales. En la recta de regresi on y = ax + b
las distancias se miden proyectando el punto verticalmente sobre la recta, mientras que en la
recta x = y + las distancias se miden proyectando horizontalmente:
Ejemplo 16. Para los datos: (1, 1), (2, 4), (3, 3), se obtienen las siguientes rectas de regresi on:
Ingeniera Tecnica
Forestal
10 Fundamentos Matem aticos
Curso 2004/05
2.3. APROXIMACI

ON POR M

INIMOS CUADRADOS. APLICACIONES

Recta de regresi on de y sobre x: y = x + 2/3 .
Recta de regresi on de x sobre y: x =
3
7
y +
6
7
, de donde, despejando y, y =
7
3
x 2.
Recta de regresi on de x sobre y Recta de regresi on de y sobre x
El punto donde se cortan ambas restas se denomina punto de equilibrio, y sus coorde-
nadas vienen dadas por la media de los datos. En este ejemplo, el punto de equilibrio de los
tres datos es: (media de x
i
, media de y
i
)=
_
1 + 2 + 3
3
,
1 + 4 + 3
3
_
= (2,
8
3
).
Por ultimo, para aproximar los puntos por una recta, tambien podramos considerar la
recta r que hace mnima la suma de los cuadrados de las distancias de cada punto a la recta:

i
d((x
i
, y
i
), r)
2
. Estas distancias se miden proyectando el punto perpendicularmente sobre
la recta:
Ingeniera Tecnica
Forestal
11 Fundamentos Matem aticos
Curso 2004/05
TEMA 2. ESPACIO VECTORIAL EUCL

IDEO. M

INIMOS CUADRADOS
Recta de regresi on generalizada
Ingeniera Tecnica
Forestal
12 Fundamentos Matem aticos
Curso 2004/05