1

Regresión lineal simple, múltiple, regla de Cramer, Gauss- Jordan

Rosaly Vanessa Ríos Martínez

Química Analítica III

Programa de Química

Universidad del Atlántico

(27/08/2018)

Regla de Cramer
El método de Cramer sirve para resolver sistemas de ecuaciones lineales. Se aplica a sistemas
que cumplan las dos condiciones siguientes:
El número de ecuaciones es igual al número de incógnitas.
El determinante de la matriz de los coeficientes es distinto de cero.
En sistemas de ecuaciones 2x2:

𝑎𝑥 + 𝑏𝑦 = 𝑒 (EC.1)
𝑐𝑥 + 𝑑𝑦 = 𝑓 (EC.2)

Se representan matricialmente por.

𝑎 𝑏 𝑥 𝑒
[ ] [𝑦] = [𝑓 ]
𝑐 𝑑

Entonces x e y se pueden hallar con la regla de Cramer con una división de determinantes

𝑒 𝑏
𝑓 𝑑 𝑒𝑑 − 𝑏𝑓
𝑥=[ ]=
𝑎 𝑏 𝑎𝑑 − 𝑏𝑐
𝑐 𝑑

𝑎 𝑒
𝑐 𝑓 𝑎𝑓 − 𝑒𝑐
𝑦=[ ]=
𝑎 𝑏 𝑎𝑑 − 𝑏𝑐
𝑐 𝑑
 2

Ejemplo.

5𝑥 − 2𝑦 = −2 (EC.3)
−3𝑥 + 7𝑦 = −22 (EC.4)
Para hallar x e y se tiene

−2 −2
−14 − 44 −58
𝑥 = [−22 7 ] = = = −2
5 −2 35 − 6 29
−3 7

5 −2
−3 −22 −110 − 6 −116
𝑦=[ ]= = = −4
5 −2 35 − 6 29
−3 7

Regresión lineal simple.

El objetivo de un modelo de regresión es tratar de explicar la relación que existe entre una
variable dependiente (variable respuesta) Y un conjunto de variables independientes
(variables explicativas) x1……..xn.

El modelo de regresión lineal simple tiene la siguiente expresión:

𝑦 = 𝛼 + 𝛽𝑥 + 𝜀 (EC.5)

En donde  es la ordenada en el origen (el valor que toma Y cuando X vale 0),  es la
pendiente de la recta (e indica cómo cambia Y al incrementar X en una unidad) y  una
variable que incluye un conjunto grande de factores, cada uno de los cuales influye en la
respuesta sólo en pequeña magnitud, a la que llamaremos error. X e Y son variables
aleatorias, por lo que no se puede establecer una relación lineal exacta entre ellas.

Para hacer una estimación del modelo de regresión lineal simple, se tratará de buscar una
recta de la forma:
𝑦̂ = 𝛼̂ + 𝛽̂ 𝑥 = 𝑚𝑥 + 𝑏 (EC.6)

de modo que se ajuste a la nube de puntos.

Para esto se utilizará el método de mínimos cuadrados. Este método consiste en minimizarla
suma de los cuadrados de los errores:
∑𝑛𝑖=1 𝜀𝑖2 = ∑𝑛𝑖=1(𝑦𝑖 − 𝑦̂𝑖 )2 (EC.7)
 3

Es decir, la suma de los cuadrados de las diferencias entre los valores reales observados (yi)
y los valores estimados (𝑌̂𝐼 ).

Demostración.

𝑦 = 𝑚𝑥 + 𝑏
𝑦𝑖 = 𝑚𝑥𝑖 + 𝑏 + 𝜀𝑖
𝜀𝑖 = 𝑦𝑖 − (𝑚𝑥𝑖 + 𝑏) (EC.8)

Aplicando mínimos cuadrados a la ecuación 8 se tiene

∑ 𝜀𝑖2 = [𝑦𝑖 − (𝑚𝑥𝑖 + 𝑏)]2

𝑖=1
Como (−𝜀𝑖 )2 = 𝜀𝑖

∑𝑛𝑖=1 𝜀𝑖2 = ∑𝑛𝑖=1[(𝑚𝑥𝑖 + 𝑏 − 𝑦𝑖 )]2 (EC.9)

Ahora derivando parcialmente la ecuación 9 con respecta a m se tiene.

𝑠𝑟 (𝑚, 𝑏) = ∑[(𝑚𝑥𝑖 + 𝑏 − 𝑦𝑖 )]2

𝑖=1

𝑛
𝜕𝑠𝑟
= ∑ 2[(𝑚𝑥𝑖 + 𝑏 − 𝑦𝑖 )]𝑥𝑖 = 0
𝜕𝑚
𝑖=1
 4

2 ∑[(𝑚𝑥𝑖 + 𝑏 − 𝑦𝑖 )]𝑥𝑖 = 0
𝑖=1
Pasando el 2 del otro lado

∑[(𝑚𝑥𝑖 + 𝑏 − 𝑦𝑖 )]𝑥𝑖 = 0
𝑖=1

Multiplicando por 𝑥𝑖 se tiene

∑[(𝑚𝑥𝑖2 + 𝑏𝑥𝑖 − 𝑦𝑖 𝑥𝑖 )] = 0
𝑖=1

∑ 𝑚𝑥𝑖2 + ∑ 𝑏𝑥𝑖 − ∑ 𝑦𝑖 𝑥𝑖 = 0

𝑚 ∑ 𝑥𝑖2 + 𝑏 ∑ 𝑥𝑖 − ∑ 𝑦𝑖 𝑥𝑖
𝑚 ∑ 𝑥𝑖2 + 𝑏 ∑ 𝑥𝑖 = ∑ 𝑦𝑖 𝑥𝑖 (EC.10)

Ahora derivando parcialmente la ecuación 9 con respecto a b se tiene

𝑛
𝜕𝑠𝑟
= ∑ 2[(𝑚𝑥𝑖 + 𝑏 − 𝑦𝑖 )] = 0
𝜕𝑏
𝑖=1

2 ∑[(𝑚𝑥𝑖 + 𝑏 − 𝑦𝑖 )] = 0
𝑖=1

Pasando el 2 al otro lado se tiene

∑[(𝑚𝑥𝑖 + 𝑏 − 𝑦𝑖 )] = 0
𝑖=1

∑ 𝑚𝑥𝑖 + ∑ 𝑏 − ∑ 𝑦𝑖 = 0

𝑚 ∑ 𝑥𝑖 + 𝑛𝑏 − ∑ 𝑦𝑖
 5

𝑚 ∑ 𝑥𝑖 + 𝑛𝑏 = ∑ 𝑦𝑖 (EC.11)

Entonces tenemos la ecuación 10 y 11

𝑚 ∑ 𝑥𝑖2 + 𝑏 ∑ 𝑥𝑖 = ∑ 𝑦𝑖 𝑥𝑖 (EC.10)

𝑚 ∑ 𝑥𝑖 + 𝑛𝑏 = ∑ 𝑦𝑖 (EC.11)

Se puede resolver por el método de Cramer como un sistema 2x2.

∑ 𝑥𝑖2 ∑ 𝑥𝑖 𝑚 ∑ 𝑦𝑖 𝑥𝑖
[ ][ ] = [ ]
𝑏
∑ 𝑥𝑖 𝑛 ∑ 𝑦𝑖

(EC.12)
∑ 𝑦𝑖 𝑥𝑖 ∑ 𝑥𝑖
∑ 𝑦𝑖 𝑛 𝑛(∑ 𝑦𝑖 𝑥𝑖 ) − ∑ 𝑥𝑖 ∑ 𝑦𝑖
𝑚= =
∑ 𝑥𝑖2 ∑ 𝑥𝑖 𝑛 ∑ 𝑥𝑖2 − ∑ 𝑥𝑖2
[ ∑ 𝑥𝑖 𝑛 ]
Para hallar la b se despeja de la ecuación 11.

(EC.13)

∑ 𝑦𝑖 − 𝑚 ∑ 𝑥𝑖
𝑏= = 𝑦̅ − 𝑚𝑥̅
𝑛

Regresión lineal múltiple

𝑦 = 𝑚1 𝑥1𝑖 + 𝑚2 𝑥2𝑖 + 𝑏
𝑦𝑖 = 𝑚1 𝑥1𝑖 + 𝑚2 𝑥2𝑖 + 𝑏 + 𝜀𝑖
𝜀𝑖 = 𝑦𝑖 − (𝑚1 𝑥1𝑖 + 𝑚2 𝑥2𝑖 + 𝑏) (EC.14)

Aplicando mínimos cuadrados a la ecuación 14 se tiene.

𝑛 𝑛

∑ 𝜀𝑖2 = ∑[𝑦𝑖 − (𝑚1 𝑥1𝑖 + 𝑚2 𝑥2𝑖 + 𝑏)]2

𝑖=1 𝑖=1
 6

Como (−𝜀𝑖 )2 = 𝜀𝑖

∑ 𝜀𝑖2 = [(𝑚1 𝑥1𝑖 + 𝑚2 𝑥2𝑖 + 𝑏 − 𝑦𝑖 )]2

𝑖=1

Derivando parcialmente con respecto a 𝑚1

𝑠𝑟 (𝑚1 , 𝑚2 , 𝑏) = ∑[(𝑚1 𝑥1𝑖 + 𝑚2 𝑥2𝑖 + 𝑏 − 𝑦𝑖 )]2

𝑖=1

𝑛
𝜕𝑠𝑟
= ∑ 2[(𝑚1 𝑥1𝑖 + 𝑚2 𝑥2𝑖 + 𝑏 − 𝑦𝑖 )]𝑥1𝑖 = 0
𝜕𝑚1
𝑖=1

2 ∑[((𝑚1 𝑥1𝑖 + 𝑚2 𝑥2𝑖 + 𝑏 − 𝑦𝑖 ))]𝑥1𝑖 = 0

𝑖=1

Pasando el 2 al otro lado

∑[(𝑚1 𝑥1𝑖 + 𝑚2 𝑥2𝑖 + 𝑏 − 𝑦𝑖 )]𝑥1𝑖 = 0

𝑖=1

2
∑ 𝑚1 𝑥1𝑖 + ∑ 𝑚2 𝑥2𝑖 𝑥1𝑖 + ∑ 𝑏𝑥1𝑖 − ∑ 𝑦𝑖 𝑥1𝑖 = 0

2
𝑚1 ∑ 𝑥1𝑖 + 𝑚2 ∑ 𝑥2𝑖 𝑥1𝑖 + 𝑏 ∑ 𝑥1𝑖 = ∑ 𝑦𝑖 𝑥1𝑖 (EC.15)

Derivando parcialmente con respecto 𝑚2 se tiene.

𝑛
𝜕𝑠𝑟
= ∑ 2[(𝑚1 𝑥1𝑖 + 𝑚2 𝑥2𝑖 + 𝑏 − 𝑦𝑖 )]𝑥2𝑖 = 0
𝜕𝑚2
𝑖=1
𝑛

2 ∑[(𝑚1 𝑥1𝑖 + 𝑚2 𝑥2𝑖 + 𝑏 − 𝑦𝑖 )]𝑥2𝑖 = 0

𝑖=1
Pasando el 2 del otro lado de la ecuación
𝑛

∑[(𝑚1 𝑥1𝑖 + 𝑚2 𝑥2𝑖 + 𝑏 − 𝑦𝑖 )]𝑥2𝑖 = 0

𝑖=1
 7

2
∑ 𝑚1 𝑥1𝑖 𝑥2𝑖 + ∑ 𝑚2 𝑥2𝑖 + ∑ 𝑏𝑥2𝑖 − ∑ 𝑦𝑖 𝑥2𝑖 = 0
2 2
𝑚1 ∑ 𝑥1𝑖 𝑥2𝑖 + 𝑚2 ∑ 𝑥2𝑖 + 𝑏 ∑ 𝑥2𝑖 − ∑ 𝑦𝑖 𝑥2𝑖 = 0

2 2
𝑚1 ∑ 𝑥1𝑖 𝑥2𝑖 + 𝑚2 ∑ 𝑥2𝑖 + 𝑏 ∑ 𝑥2𝑖 = ∑ 𝑦𝑖 𝑥2𝑖 (EC.16)

Ahora derivando con respecto a b se tiene

𝑛
𝜕𝑠𝑟
= ∑ 2[(𝑚1 𝑥1𝑖 + 𝑚2 𝑥2𝑖 + 𝑏 − 𝑦𝑖 )] = 0
𝜕𝑏
𝑖=1
𝑛

∑[(𝑚1 𝑥1𝑖 + 𝑚2 𝑥2𝑖 + 𝑏 − 𝑦𝑖 )] = 0

𝑖=1

∑ 𝑚1 𝑥1𝑖 + ∑ 𝑚2 𝑥2𝑖 + ∑ 𝑏 − ∑ 𝑦𝑖 = 0

𝑚1 ∑ 𝑥1𝑖 + 𝑚2 ∑ 𝑥2𝑖 + 𝑛𝑏 − ∑ 𝑦𝑖 = 0

𝑚1 ∑ 𝑥1𝑖 + 𝑚2 ∑ 𝑥2𝑖 + 𝑛𝑏 = ∑ 𝑦𝑖 (EC.17)

De las tres ecuaciones (15,16 Y 17) se puede hallar 𝑚1 y 𝑚2

2
𝑚1 ∑ 𝑥1𝑖 + 𝑚2 ∑ 𝑥2𝑖 𝑥1𝑖 + 𝑏 ∑ 𝑥1𝑖 = ∑ 𝑦𝑖 𝑥1𝑖 = 0
2 2
𝑚1 ∑ 𝑥1𝑖 𝑥2𝑖 + 𝑚2 ∑ 𝑥2𝑖 + 𝑏 ∑ 𝑥2𝑖 = ∑ 𝑦𝑖 𝑥2𝑖

𝑚1 ∑ 𝑥1𝑖 + 𝑚2 ∑ 𝑥2𝑖 + 𝑛𝑏 = ∑ 𝑦𝑖

2
∑ 𝑥1𝑖 ∑ 𝑥2𝑖 𝑥1𝑖 ∑ 𝑥1𝑖 ∑ 𝑦𝑖 𝑥1𝑖
𝑚1
2 2
∑ 𝑥1𝑖 𝑥2𝑖 ∑ 𝑥2𝑖 ∑ 𝑥2𝑖 [𝑚2 ] = ∑ 𝑦𝑖 𝑥2𝑖
𝑏
[ ∑ 𝑥1𝑖 ∑ 𝑥2𝑖 𝑛𝑏 ] [ ∑ 𝑦𝑖 ]

Para resolver la matriz de 3x3 se hace la regla de sarrus

 8

∑ 𝑦𝑖 𝑥1𝑖 ∑ 𝑥2𝑖 𝑥1𝑖 ∑ 𝑥1𝑖

2 2
∑ 𝑦𝑖 𝑥2𝑖 ∑ 𝑥2𝑖 ∑ 𝑥2𝑖
∑ 𝑦𝑖 ∑ 𝑥2𝑖 𝑛𝑏
∑ 𝑦𝑖 𝑥1𝑖 ∑ 𝑥2𝑖 𝑥1𝑖 ∑ 𝑥1𝑖
2 2
[∑ 𝑦𝑖 𝑥2𝑖 ∑ 𝑥2𝑖 ∑ 𝑥2𝑖 ]
𝑚1= 2
∑ 𝑥1𝑖 ∑ 𝑥2𝑖 𝑥1𝑖 ∑ 𝑥1𝑖
∑ 𝑥1𝑖 𝑥2𝑖 2
∑ 𝑥2𝑖 2
∑ 𝑥2𝑖
∑ 𝑥1𝑖 ∑ 𝑥2𝑖 𝑛𝑏
2
∑ 𝑥1𝑖 ∑ 𝑥2𝑖 𝑥1𝑖 ∑ 𝑥2𝑖
2 2
[∑ 𝑥1𝑖 𝑥2𝑖 ∑ 𝑥2𝑖 ∑ 𝑥2𝑖 ]

2
∑ 𝑥1𝑖 ∑ 𝑦𝑖 𝑥1𝑖 ∑ 𝑥1𝑖
2
∑ 𝑥1𝑖 𝑥2𝑖 ∑ 𝑦𝑖 𝑥2𝑖 ∑ 𝑥2𝑖
∑ 𝑥1𝑖 ∑ 𝑦𝑖 𝑛𝑏
2
∑ 𝑥1𝑖 ∑ 𝑦𝑖 𝑥1𝑖 ∑ 𝑥1𝑖
2
[∑ 𝑥1𝑖 𝑥2𝑖 ∑ 𝑦𝑖 𝑥2𝑖 ∑ 𝑥2𝑖 ]
𝑚2 = 2
∑ 𝑥1𝑖 ∑ 𝑥2𝑖 𝑥1𝑖 ∑ 𝑥1𝑖
∑ 𝑥1𝑖 𝑥2𝑖 2
∑ 𝑥2𝑖 2
∑ 𝑥2𝑖
∑ 𝑥1𝑖 ∑ 𝑥2𝑖 𝑛𝑏
2
∑ 𝑥1𝑖 ∑ 𝑥2𝑖 𝑥1𝑖 ∑ 𝑥2𝑖
2 2
[∑ 𝑥1𝑖 𝑥2𝑖 ∑ 𝑥2𝑖 ∑ 𝑥2𝑖 ]

2
∑ 𝑥1𝑖 ∑ 𝑥2𝑖 𝑥1𝑖 ∑ 𝑦𝑖 𝑥1𝑖
2
∑ 𝑥1𝑖 𝑥2𝑖 ∑ 𝑥2𝑖 ∑ 𝑦𝑖 𝑥2𝑖
∑ 𝑥1𝑖 ∑ 𝑥2𝑖 ∑ 𝑦𝑖
2
∑ 𝑥1𝑖 ∑ 𝑥2𝑖 𝑥1𝑖 ∑ 𝑦𝑖 𝑥1𝑖
2
𝑏= [[∑ 𝑥1𝑖 𝑥2𝑖 ∑ 𝑥2𝑖 ∑ 𝑦𝑖 𝑥2𝑖 ]]
∑ 𝑥1𝑖2 ∑ 𝑥2𝑖 𝑥1𝑖 ∑ 𝑥1𝑖
∑ 𝑥1𝑖 𝑥2𝑖 2
∑ 𝑥2𝑖 2
∑ 𝑥2𝑖
∑ 𝑥1𝑖 ∑ 𝑥2𝑖 𝑛𝑏
∑ 𝑥1𝑖2 ∑ 𝑥2𝑖 𝑥1𝑖 ∑ 𝑥2𝑖
2 2
[∑ 𝑥1𝑖 𝑥2𝑖 ∑ 𝑥2𝑖 ∑ 𝑥2𝑖 ]

Método de Gauss -Jordan

3. 4 Método de Gauss-Jordan El método de Gauss-Jordan utiliza operaciones con matrices
para resolver sistemas de ecuaciones de n número de variables. Para aplicar este método solo
hay que recordar que cada operación que se realice se aplicara a toda la fila o a toda la
 9

columna en su caso. El objetivo de este método es tratar de convertir la parte de la matriz

donde están los coeficientes de las variables en una matriz identidad. Esto se logra mediante
simples operaciones de suma, resta y multiplicación. El procedimiento es el siguiente:
Primero se debe tener ya el sistema de ecuaciones que se quiere resolver y que puede ser de
n número de variables, por ejemplo:
−3𝑥 + 3𝑦 + 2𝑧 = 1
4𝑥 + 𝑦 − 𝑧 = 2
𝑥 − 2𝑦 + 𝑧 = 3
Se acomodan los coeficientes y los resultados en una matriz:

−3 3 2 1
[4 1 −1| 2]
1 −2 1 3

En el ejemplo, el -3 de la primera matriz se tiene que convertir en un 1, según la matriz

identidad, así que hay que dividir entre -3, pero como una operación se aplica a toda la fila,
entonces toda la primera fila se tiene que dividir entre –3:

1 −1 −2/3 −1/3
[4 1 −1 | 2 ]
1 −2 1 3

Después, como se ve en la matriz identidad, hay que hacer 0 toda la columna debajo del 1, y
se hace multiplicando por algo la fila de arriba y sumándola a la fila de abajo. En este caso,
se multiplica por -4 la fila de arriba y se suma con la correspondiente posición de la fila de
abajo:

1 −1 −2/3 −1/3
[0 5 5/3 | 10/3 ]
1 −2 1 3

Para hacer cero el siguiente renglón simplemente hay que multiplicar por –1 al primer
renglón sumarlo al tercero:

1 −1 −2/3 −1/3
[0 5 5/3 | 10/3 ]
0 −1 5/3 10/3

El siguiente paso para lograr una matriz identidad es obtener el siguiente 1, que en este caso
iría en donde está el 5 en la segunda fila. Para lograrlo hay que dividir toda la segunda fila
entre 5:
1 −1 −2/3 −1/3
[0 1 1/3 | 2/3 ]
0 −1 5/3 10/3
 10

Después se tienen que hacer 0 los que están arriba y abajo del 1, que en este caso sería, para
el que está arriba R2+R3:

1 −1 −2/3 −1/3 1 −1 −2/3 −1/3

[0 1 1/3 | 2/3 ] = [0 1 1/3 | 2/3 ]
0 0 6/3 12/3 0 0 2 4

Ahora hay que hacer cero la posición a12. En este caso con hacer R2+R1 es suficiente:

1 0 −1/3 1/3
[0 1 1/3 | 2/3]
0 0 2 4

Dividir entre 2 R3 nos permite encontrar el otro 1, el de la posición a33:

1 0 −1/3 1/3
[0 1 1/3 | 2/3]
0 0 1 2

Ahora necesitamos ceros en las posiciones a13 y a23. Dividir entre ⅓ R3 y sumarlo a R1 nos
permitirá encontrar uno de ellos:

1 0 0 3/3 1 0 0 1
[0 1 1/3| 2/3] = [0 1 1/3| 2/3]
0 0 1 2 0 0 1 2

El último cero lo logramos multiplicando por -⅓R3 y sumándolo a R2:

1 0 0 1
[0 1 0| 0]
0 0 1 2

Al encontrar la matriz identidad se encuentra la solución del sistema de ecuaciones, pues esto
se traduce a: 𝑥 = 1, 𝑦 = 0, 𝑧 = 2

las cuales resuelven el sistema de ecuaciones de forma simultánea. La comprobación es la

siguiente:

−3(1) + 3(0) + 2(2) = −3 + 4 = 1

4(1) + (0) − 2 = 4 − 2 = 2
(1) − 2(0) + 2 = 3