Introducción a la Estadística 78

Unidad V - TEORÍA DEL AJUSTAMIENTO

1. CONCEPTO Y APLICACIONES.

A menudo se encuentra en la práctica que existe una relación entre dos o más va-
riables. Por ejemplo, supongamos que la variable (X) define el precio anual del arroz y
la variable (Y) las hectáreas sembradas anualmente en la provincia. Si descubrimos la
relación que liga al precio del arroz con la cantidad de hectáreas sembradas, podremos
predecir cuantas hectáreas se sembrarán cuando se producen variaciones en los precios
del bien. Se trata de problemas con una distribución que tiene dos variables X e Y, es
decir que la distribución es bivariada.

Cuando dos variables cualesquiera Xi e Yi están relacionadas por una expresión

matemática de cualquier tipo (por ejemplo, Y  a  bX o Y  ae bx ) se dice que entre
i i i
ellas existe una dependencia funcional. Este tipo de dependencia es tal que a determi-
nados valores de la variable Xi le corresponden determinados y definidos valores de la
variable Yi.

En cambio, se dice que entre dos variables Xi e Yi existe una dependencia esta-
dística cuando se presupone que entre ambas hay algún tipo de relación y a determina-
dos valores de la variable Xi le corresponden indeterminados e indefinidos valores de la
variable Yi. Ejemplos de dependencia estadística son los siguientes:
 la variable Xi es el ingreso y la variable Yi es el ahorro, en cuyo caso, si
bien se sabe por el imperio de las leyes económicas hay una relación directa entre el
ingreso y el ahorro, dos personas con iguales ingresos no ahorrarán lo mismo.
 la variable Xi es el precio de un bien y la variable Yi es la demanda: entre
ambas variables sólo existe una dependencia estadística.
 la variable Xi es el precio de un auto y la variable Yi es la edad del com-
prador: se supone que entre ambas variables sólo existe una dependencia estadística.

Por consiguiente, la dependencia estadística entre dos variables presupone la

existencia de una relación entre ellas. Inicialmente, esa relación se descubre funda-
mentalmente por medio de mecanismos empíricos, en especial, la observación de los
fenómenos que ligan a ambas variables.

Cuando entre dos variables no existe dependencia estadística se dice que ellas
son estadísticamente independientes. Por ejemplo, no parece que exista dependencia
estadística alguna entre el precio del algodón en bruto y la producción de uva para el
consumo, por lo que estas dos variables serían estadísticamente independientes.

El problema principal en una distribución de dos variables es el de determinar la

verdadera relación entre X e Y; es decir, como se comportan una con respecto a la otra.
Esto lo hace el análisis de regresión.

El análisis de regresión calcula una ecuación que produce valores de Y para va-
lores dados de X. Por ejemplo: para la concesionaria de autos, precio del auto y edad de
los compradores. La concesionaria que venda a personas de más edad probablemente
Introducción a la Estadística 79

venderá autos más caros y los que tengan clientes jóvenes autos más baratos. Esta rela-
ción es cierta solamente en promedios, pues ocasionalmente observaremos que hay au-
tos caros comprados por persona jóvenes y viceversa. El problema que se nos plantea es
establecer este tipo de relación en forma de ecuación, de tal manera que basados en la
edad de un cliente (X), podamos hallar una estimación promedio del precio del auto
comprado (Y).

El principal objetivo del análisis de regresión es estimar el valor de una variable

aleatoria (variable dependiente o variable de respuesta) conociendo el valor de una
variable asociada (variable independiente o variable de predicción). Podemos ex-
presar esta relación mediante una ecuación matemática que ligue las variables.

La técnica del análisis de regresión no es otra cosa que un procedimiento de es-

timación o predicción. El término “regresión” lo utilizamos simplemente porque es
usual en la estadística. Fue introducido por primera vez por Sir Francis Galton en 1877,
un experto ingles en estudios de herencia, quien encontró en sus estudios que padres
altos tendían a engendrar hijos altos y que los padres bajos mostraban tendencia a tener
hijos bajos. Pero, la estatura promedio de los hijos de padres muy altos era menor que la
estatura promedio de los padres, en tanto que los hijos de padres muy bajos, en prome-
dio, eran más altos que sus padres. Galton llamó esta tendencia hacia la estatura prome-
dio con el nombre de regresión.

El análisis de regresión simple indica que se estima el valor de la variable de-

pendiente a partir de una variable independiente, en tanto que el análisis de regresión
múltiple se ocupa de la estimación del valor de la variable dependiente en base a dos o
más variables independientes.

Para encontrar la ecuación que relacione las variables, el primer paso es recoger
datos que muestren valores correspondientes a las variables bajo estudio. El próximo
paso es marcar los puntos sobre un sistema de coordenadas rectangulares.

La construcción del diagrama de dispersión es imprescindible y debe ser la

primera acción que realice el investigador cuando tiene los datos empíricos en su
poder. Una vez construido, es sumamente conveniente observar la disposición de los
puntos contenidos en él, lo que permite decidir si un ajuste lineal es procedente o si
corresponde un ajuste de otro tipo, aunque debe aclararse que cualquiera sea la disposi-
ción de los puntos todo diagrama de dispersión admite un ajustamiento de tipo lineal. En
todo caso, la decisión de que un ajuste sea lineal o no depende del investigador del pro-
blema, por lo que es imprescindible construir, en primer lugar, el diagrama de dis-
persión.

A partir del diagrama de dispersión es posible, con frecuencia ver una curva sua-
ve que aproxima los datos, que se denomina curva de aproximación. El problema ge-
neral de hallar ecuaciones de curvas de aproximación que se ajusten a un conjunto de
datos se llama ajuste de curvas.

Algunos casos no lineales se muestran en los gráficos siguientes:

Introducción a la Estadística 80

Observando ambos diagramas queda perfectamente claro que los puntos no siguen una
disposición lineal y que, por eso mismo, un ajuste de ese tipo no sería apropiado. Con
posterioridad se verá que existen algunas soluciones para aquellos casos de ajustamiento
en los cuales los diagramas de dispersión presentan una disposición no lineal.

Supongamos la existencia de dos variables Xi e Yi, y se sabe o simplemente se

supone que entre ellas existe algún tipo de relación que insinúe una dependencia
estadística. Por ejemplo, se puede pensar en los siguientes casos: el empleo y la pro-
ducción; el precio de un bien y su oferta; el nivel de las tasas de interés y el de los
depósitos; la edad de los compradores y el precio de los autos comprados.

Para cada una de las variables bajo análisis se obtiene n valores empíricos, es de-
cir, n datos provenientes de la realidad, que se ordenan en una tabla que tiene el siguien-
te formato:
Xi Yi
X1 Y1
X2 Y2
… …
Xn Yn

La tabla anterior contiene n pares de datos empíricos de la forma (Xi;Yi).

Se representan los puntos (X1,Y1), (X2,Y2),...,(Xn,Yn) que son pares de valores

observados, en un sistema de coordenadas rectangulares. El valor de la variable inde-
pendiente se gráfica en el eje horizontal y el valor de la variable dependiente en el eje
vertical. El gráfico resultante se denomina diagrama de dispersión y muestra la dispo-
sición de n puntos en el plano.

Con el diagrama de dispersión se puede tener una idea aproximada del tipo de re-
lación existente entre las variables. La naturaleza de la relación puede adoptar muchas
formas, que van desde funciones matemáticas sencillas hasta las muy complicadas. Es
posible representar una curva que se aproxime a los datos. Tal curva se llama curva de
aproximación.

La Teoría del Ajustamiento lineal trata sobre los procedimientos destinados a

Introducción a la Estadística 81

ajustar linealmente los puntos del diagrama de dispersión, lo cual significa encon-
trar la ecuación de la función de primer grado (línea recta) que mejor explique la
dependencia estadística existente, es decir, que mejor explique el comportamiento
de los n puntos del diagrama.

En el gráfico se ve que los datos se aproximan bien a una línea recta, que es la
relación más simple, y se dice que entre las variables existe una relación lineal.

Este procedimiento difiere del método de la interpolación que consiste en ha-

llar la función de grado (n-1) que pase exactamente por todos esos puntos, lo que
resulta una tarea tanto laboriosa como excesiva por varias razones, a saber:
 como puede apreciarse, los puntos señalados en el diagrama de dispersión son el re-
flejo de los datos empíricos registrados, y normalmente ese conjunto de datos provie-
ne de una muestra. Ahora bien, muestras diferentes con toda seguridad pueden dar
lugar a resultados diferentes, lo cual conlleva a que, en ese caso, los puntos de un
diagrama de dispersión no coincidirán con los de otro diagrama y, por eso mismo, re-
sultará necesario recalcular todo el proceso de interpolación, repitiendo una tarea su-
mamente laboriosa.
 asimismo, el trabajo que se propicia con el ajustamiento, es explicar el comporta-
miento de los puntos del diagrama, lo que significa encontrar una función que
muestre la tendencia general que sigue el fenómeno bajo estudio. Con la interpola-
ción, en cambio, tal como se señaló, se estaría encontrando una función que pase
por todos los puntos, un objetivo completamente alejado de las intenciones de la
Teoría del Ajustamiento.

Por otro lado, además de describir linealmente la relación existente entre dos va-
riables, otro de los objetivos del ajustamiento es la estimación o el pronóstico, es decir
que una vez hallada la expresión de la función matemática de primer grado, ella puede
ser utilizada para estimar valores de la variable dependiente Yi para valores selec-
cionados de la variable independiente Xi.

Si la concesionaria desea estudiar la relación existente entre el precio de los au-

Introducción a la Estadística 82

tos y la edad de los compradores a fin de diseñar una campaña publicitaria, tomamos
una muestra de pares de datos, y construimos el diagrama de dispersión.

PRECIO
EDAD Precios de automóviles según la edad del
(en miles $)
Yi Xi 110 comprador
80,620 33 100
62,184 26 90
80

Precios (en miles $)

81,424 44
96,208 56 70
87,924 43 60
89,768 41 50
78,752 35 40
63,176 30 30
20
10
0
0 10 20 30 40 50 60
Edad

2. TIPOS DE AJUSTAMIENTO

El diagrama de dispersión nos puede dar una idea aproximada del tipo de rela-
ción que existe entre las variables. La naturaleza de la relación puede adoptar muchas
formas, que van desde las funciones matemáticas más sencillas hasta las muy complica-
das. La relación más simple es una línea recta o relación lineal.

El modelo lineal se pude presentar como:

Y = a0 + a1 X

donde: a0: es la intersección con el eje X

a1: es la pendiente

La pendiente, a1, representa el cambio de Y, Y, ante un cambio unitario en X,

X; muestra el cambio de Y (positivo o negativo) para un cambio particular de X. En
tanto, a0, es la intersección con el eje Y, es un factor constante, representa el valor de Y
cuando X es igual a cero.

Las relaciones entre las variables pueden ser:

 Relación lineal positiva: edad de los compradores y precio de los autos
 Relación lineal negativa: precio de un modelo de auto y cantidades vendidas
 Relación curvilínea positiva: años de antigüedad del auto y costo de manteni-
miento.
 Relación curvilínea negativa: modelo del auto y precio de venta.
 Relación curvilínea en forma de U: número de errores por hora de trabajo en el
taller de la concesionaria y cantidad de horas trabajadas.
Introducción a la Estadística 83

 No existe relación entre X e Y: número de errores por hora de trabajo en el ta-

ller de la concesionaria y edad de los compradores

Las ecuaciones de curvas de aproximación, son:

 Línea recta: Y = a0 + a1 X
 Parábola o curva cuadrática: Y = a0 + a1 X + a2 X2
 Curva cúbica: Y = a0 + a1 X + a2 X2 + a3 X3
 Curva de grado n: Y = a0 + a1 X + a2 X2 + ... + an Xn
Los lados derechos de las ecuaciones anteriores se llaman polinomios de gra-
do uno, dos, tres y n, respectivamente.
1 1
 Hipérbola: Y  o  a 0  a 1X
a 0  a 1X Y
 Potencial: Y =  X
 Exponencial: Y = X

3. MÉTODOS SUBJETIVO Y OBJETIVOS PARA EL AJUSTAMIENTO LI-

NEAL

Los métodos de ajustamiento lineal se pueden clasificar en métodos subjetivos y

Introducción a la Estadística 84

métodos objetivos. Los métodos subjetivos pueden concluir en diferentes soluciones

para un mismo problema según quien sea el investigador, mientras que los objetivos
permiten encontrar la misma solución para cada caso, independientemente del investi-
gador que la desarrolle.

El método de Ajustamiento a mano alzada es un método subjetivo. Este mé-

todo consiste en analizar la disposición de los puntos del diagrama de dispersión para,
posteriormente, trazar aquella recta que, a juicio del dibujante, cumpla con los requisitos
del ajustamiento lineal. Si bien el método es sumamente simple, su carácter de subjetivo
le quita rigurosidad por las posibles diferencias entre las rectas trazadas por diferentes
investigadores. También llamado método libre de ajuste de curvas.

Si se conoce el tipo de ecuación de esta curva, es posible obtener el valor de las

constantes de la ecuación eligiendo tantos puntos en la curva como constantes haya en la
ecuación. Por ejemplo, si es una línea recta, son necesarios dos puntos; si es una parábo-
la, son necesarios tres puntos. El método tiene la desventaja de que diferentes observa-
dores obtendrán diferentes curvas y ecuaciones.

La ecuación de la recta es: Y = a0 + a1 X, dados dos puntos cuales quiera (X1;

Y1) y (X2; Y2) de la recta, podemos obtener la ecuación de la recta a partir de dos
puntos. Las constantes a0 y a1 pueden ser determinadas.

La constante a1 es la pendiente m. La constante a0 es el valor de Y cuando X = 0,

se llama intersección de Y. Toda recta que corta a dos de los lados de un triángulo, man-
teniéndose paralela al tercero, determina un triángulo menor semejante al primero. Los
triángulos semejantes tienen los lados proporcionales.

El triángulo PQS es semejante al PRT, por tanto:

RT PT

Y  Y1 X i  X1
 i 
X  X1 Y2  Y1   Y  Y2  Y1 X  X   Y
 Yi  Y1  i
Y2  Y1 X 2  X1 X 2  X1 X 2  X1
i i 1 1
QS PS
Introducción a la Estadística 85

Yi  m X i  X 1   Y1
Y2  Y1
donde m  es la pendiente y representa el cambio de Y dividido por el cambio
X 2  X1
de X.

Si en el caso de la concesionaria seleccionamos los puntos (26; 62,184) y (56;

96,208), podemos calcular la recta aplicando la ecuación.

PRECIO
EDAD Precios de automóviles según la edad del
(en miles $)
Yi Xi 110 comprador
80,620 33 100
62,184 26 90
80
Precios (en miles $)

81,424 44
96,208 56 70
87,924 43 60 Yi  1,1341 X i  32,697
89,768 41 50
78,752 35 40
63,176 30 30
20
10
0
0 10 20 30 40 50 60
Edad

Y2  Y1
Yi   X i  X 1   Y1  96,208  62,184  X i  26  62,184  30,024  X i  26  62,184
X 2  X1 56  26 30

Yi  1,1341 X i  26   62,184  1,1341 X i  1,1341 . 26  62,184

Yi  1,1341 X i  32,697

La ecuación nos muestra que el precio de los autos comprados es de $ 32.697,

independientemente de la edad del comprador y que aumenta en $ 1.134 en función de
la edad.

4. SEMIPROMEDIOS

Para aplicar este método, se ordena, en primer lugar, el grupo de n pares de datos
(Xi;Yi) en forma creciente, tomando como referencia la variable Xi.

Posteriormente se divide al grupo en dos subgrupos de tamaños j, donde j = n/2.

Esta última condición se cumple sin dificultades cuando n es par.

Si n fuera impar, existen dos procedimientos:

Introducción a la Estadística 86

 en el que se desprecia el valor central y se trabaja con los restantes (n-1) da-
tos; y
 en el que el valor central se lo incorpora a ambos subgrupos, es decir, tanto al
subgrupo que se encuentra a su izquierda como al que se encuentra a su dere-
cha.

Como resultado de ello, se obtiene una tabla como la siguiente:

Luego se obtienen los promedios para los primeros j valores de ambas variables,
haciendo:
X  X  ...  X Y  Y  ...  Y
X  ; Y1 
1 2 j 1 2 j
1 j j

De manera similar, se obtienen los promedios de los últimos j valores, también

para ambas variables:
X X  ...  X Y Y  ...  Y
k 1 k 1
X2  k n
; Y2  k n
j j

Al concluir estos cálculos se dispone de cuatro promedios que permiten la repre-

sentación de dos puntos con coordenadas (X1; Y1 ) y (X 2 ;Y 2 ) , a partir de los cuales se
puede obtener la ecuación de la línea recta que pasa por ambos.

La ecuación de la línea recta que pasa por esos puntos se encuentra aplicando la
expresión
  Y 2  Y1  
Yi  Y 1   X i  X 1
   
X 2  X1

que resulta ser la ecuación de ajustamiento buscada.

En el caso de la concesionaria podemos calcular la recta aplicando la ecuación.

Introducción a la Estadística 87

Y  Y   XY
i
1
2 Y1
 X1
  
X  X 1  Y  71,183 
i i

88,831  71,183
46  31
  
X  31  1,1765 X  31  71,183
i i

2

Yi  1,1765 X i  36,4725  71,183  Yi  34,7105  1,1765 X i

La ecuación nos muestra que el precio de los autos comprados es de $ 34.710,

independientemente de la edad del comprador y que aumenta en $ 1.177 en función de
la edad.

Pares no ordenados Pares ordenados

PRECIO PRECIO
EDAD EDAD
(en miles $) (en miles $)
Yi Xi Yi Xi
80,62 33 62,184 26
62,184 26 63,176 30
71,183 31
81,424 44 80,62 33
96,208 56 78,752 35
87,924 43 89,768 41
89,768 41 87,924 43
88,831 46
78,752 35 81,424 44
63,176 30 96,208 56

Precios de automóviles según la edad del

110 comprador
100
90
80
Precios (en miles $)

70
Y1  34,7105  1,1765 X i
60
50
40
30
20
10
0
0 10 20 30 40 50 60
Edad

5. MÍNIMOS CUADRADOS DE GAUSS. DEDUCCIÓN DE LOS PARÁME-

Introducción a la Estadística 88

TROS. MÉTODO ABREVIADO DE CÁLCULO. CASO CON “Y” COMO VA-

RIABLE INDEPENDIENTE. INTERSECCIÓN DE LAS RECTAS DE AJUS-
TAMIENTO.

Este procedimiento es creación del matemático alemán Gauss quien sugirió un

criterio objetivo para determinar cuál es la mejor recta de ajustamiento. Según él, es
aquella que minimiza la sumatoria de los cuadrados de los desvíos existentes entre
los puntos empíricos del diagrama de dispersión y la propia recta de ajustamiento.
Es decir que este procedimiento consiste en encontrar una función lineal del tipo
Yi  a1  b1 X i que cumpla las condiciones sugeridas por Gauss.

Según el criterio de Gauss, un desvío di es la diferencia entre un punto empírico

de ordenada Yi y un punto teórico de ordenada Yi , es decir que di  Yi  Yi . Gráficamen-
te, si ampliamos un sector del diagrama de dispersión y tomamos en él a un punto empí-
rico particular de coordenadas (Xj; Yj) observaremos que el desvío d j  Yj  Yj

Si bien el gráfico precedente es parcial porque presenta la situación referida a un

solo punto siendo que en un diagrama de dispersión hay n puntos, sirve para explicar de
una manera sencilla cómo se debe entender el desvío, y permite verificar con claridad
que cualquier desvío di puede ser positivo (si el punto empírico está por encima de la
recta, como en este caso), negativo (si el punto empírico está por debajo de la recta) o
nulo (si el punto empírico coincide con la recta).

Considerando ahora todos los posibles desvíos en el diagrama de dispersión, si

los elevamos al cuadrado y los sumamos, obtendremos la siguiente expresión, a la que
llamaremos 

i
 i i
 
   d 2   Y  Yˆ   Y  a  b X 2
2

i 1 1 i

Como ya se indicó, Gauss postula que la mejor recta es aquélla que minimiza
esos desvíos al cuadrado. Si bien en el plano existen infinitas rectas, cada una con un par
de parámetros a1 y b1, de todas ellas sólo una cumple con la condición impuesta por
Gauss. Se trata de encontrarla, y eso equivale a encontrar sus parámetros a1 y b1. De
acuerdo con los procedimientos del Análisis Matemático, eso se consigue minimizando
la función , es decir haciendo
Introducción a la Estadística 89


   Y a b X
i 1 1 i

2
min.

Para eso, en primer lugar, debe calcularse la primera derivada de  con respecto
al parámetro a1, e igualársela a cero.


   Yi  a1  b1 X i 2

  1  2 Y  a 
  2 Y  a  b X b X 0
a a i 1 1 i i 1 1 i
1 1

Como el factor (-2) es distinto de cero, entonces debe ser  Yi  a1  b1 Xi   0 .

Aplicando sumatoria a todo el paréntesis, quedará Yi  na1  b1 Xi  0 , y por pasaje
de términos se obtiene
 Yi  na1  b1  X i
expresión ésta denominada Primera ecuación normal de Gauss.

Con idéntico criterio se deriva respecto del parámetro b1:


   Yi  a1  b1 X i 
2

  
  2 Y  a  b X  X  2  Y X  a X  b X 2   0
b b i 1 1 i i  i i 1 i 1 i 
1 1

Como (-2) es distinto de cero, debe ser  Yi Xi  a1 Xi  b1 Xi2   0 .A partir de esta
igualdad, se verifica que Yi Xi  a1 Xi  b1 Xi2  0 , por lo que finalmente, median-
te un pasaje de términos, se obtiene la siguiente expresión

 Yi X i  a1  X i  b1  X i2
que se denomina Segunda ecuación normal de Gauss.

Ambas ecuaciones normales conforman un sistema de dos ecuaciones lineales

con dos incógnitas (a1 y b1), cuya resolución puede efectuarse por medio de alguno de
los cuatro métodos existentes para este tipo de sistemas. Aplicando el Método de los
Determinantes, las incógnitas a1 y b1 se calculan con las fórmulas que siguen. Se puede
ver fácilmente los cálculos se basan en exclusivamente en los datos empíricos.

 Yi  X i
 Yi X i  X i2  Yi  X i2   X i  Yi X i
a  
 Xi n X 2  X 
1 2
n
i i

 X i  X i2
Introducción a la Estadística 90

n  Yi
 Xi  Yi X i n Y X   X  Yi
b  
 
i i i
1 n  Xi n X 2   X
i i
2

X i
 X i2
Lo que quedaría por analizar es si el punto crítico obtenido corresponde a un
máximo o a un mínimo, para lo cual se debería obtener la segunda derivada y verificar
su signo. Sin embargo, en este caso eso no es necesario porque aquí ocurre algo similar
a lo visto en la tercera propiedad de la media aritmética. En su recorrido a través del
diagrama de dispersión, la recta de ajustamiento se comporta como una medida de
tendencia central aunque de carácter dinámico (no de carácter estático, como sería el
caso de una media aritmética) ya que cumple con esa propiedad (equivalente a la segun-
 
da propiedad de la media aritmética) de que  Y  Yˆ  0 , cuya verificación es senci-
i i
lla: aplicando sumatoria tenemos

 Yi  a1  b1 X i   Yi  na1  b1  X i  0
para la primera ecuación normal de Gauss.

Si la recta de ajustamiento se comporta como una medida de posición y cumple

con todas sus propiedades, el criterio de los mínimos cuadrados de Gauss nos remite a la
tercera propiedad de la media aritmética, en la cual el único punto crítico obtenido en
el proceso del análisis debe ser mínimo, ya que el máximo no tiene límite. Efectiva-
mente: si una recta particular minimiza la suma de los desvíos al cuadrado, alejarla de
los puntos empíricos (tanto en un sentido como en el otro) produce un aumento en el
valor de los desvíos y, por consiguiente, de su suma al cuadrado, por lo que el máximo
no tiene límite y la única cota obtenida mediante este procedimiento resulta un mí-
nimo.

La interpretación estadística de ambos parámetros es la siguiente:

 el parámetro “a” indica cual es la cantidad promedio de la variable Yi
para un valor igual a cero de la variable Xi, y
 el parámetro “b” indica cuál es la variación promedio de la variable Yi
que corresponde a una unidad de variación para la variable Xi.

El trabajo de cálculo se organiza construyendo una tabla con el siguiente forma-

to:
Xi Yi Xi2 Xi Yi
X1 Y1 X12 Xi Yi
X2 Y2 X22 X2 Y2
… … … …
Xn Yn Xn2 Xn Yn
 Xi  Yi  X i2  X iYi
Introducción a la Estadística 91

con la cual se obtienen todos los términos involucrados en el cálculo de los parámetros.
Retomando el ejemplo de la concesionaria:

Xi Yi Xi2 Xi Yi  Yi  X i2   X i  Yi X i
a  
n X 2  X 
33 80,620 1.089 2.660,460 1 2

26 62,184 676 1.616,784 i i

44 81,424 1.936 3.582,656 640,056 . 12.492  308 . 25.360,368 184 .286,208

   36,3932
56 96,208 3.136 5.387,648 8 . 12.492  308 2 5.072
43 87,924 1.849 3.780,732
41 89,768 1.681 3.680,488 n Y X   X  Y
 
 
i i i i
35 78,752 1.225 2.756,320 b
n X 2   X
1 2

30 63,176 900 1.895,280 i i

308 640,056 12.492 25.360,368 8 . 25 .360 ,368  308 . 640,056 5.745,696

   1,1328
8 . 12.492  308  2 5. 072

La ecuación de la recta hallada es Ŷ  36,3932  1,1328 X .

i i

Precios de automóviles según la edad del

110 comprador
y = 1,1328x + 36,393
100
90
80
Precios (en miles $)

70
60
50
40
30
20
10
0
0 10 20 30 40 50 60
Edad

Método abreviado para el cálculo de los parámetros

Este método parte del supuesto siguiente: si en las ecuaciones normales de Gauss
se consiguiera que  X i  0 , las fórmulas para calcular los parámetros podrían reducir-
se significativamente. Para que se anule la sumatoria de la variable Xi, se la transforma
convenientemente, haciendo xi  Xi  X , con lo cual la  xi   X i  X   0 por la
segunda propiedad de la media aritmética. De esa manera, si se efectuara el desarrollo
teórico para encontrar las fórmulas de los parámetros con las variables xi e Yi en lugar
de con las variables Xi e Yi, las ecuaciones normales que se obtendrían tendrían la si-
guiente forma:
Introducción a la Estadística 92

Y  na   b  x  na  .
1 1 i 1

Y
i
 a   x  b  x 2 b  x 2 , debido precisamente a que
1 i 1 i 1 i  xi 0 .
Se observa que en las expresiones precedentes aparece la variable xi en lugar de
Xi, y que los parámetros se indican con una simbología modificada, a1 y b1 . Esto se
realiza por precaución, ya que la transformación de la variable Xi en xi podría eventual-
mente conducir a una modificación en el valor original de los parámetros y de esa mane-
ra se prevé esa alternativa.

De ambas ecuaciones normales así construidas y mediante un simple pasaje de

términos, se obtienen las expresiones para calcular los nuevos parámetros mediante el
método abreviado:
a1    Y b1  
Yi xiYi
n  xi2
La simple comparación entre éstas y las fórmulas obtenidas originalmente, per-
mite comprobar que el método abreviado, efectivamente, reduce notoriamente su tama-
ño y complejidad.

Utilizando los nuevos parámetros la recta de ajustamiento puede ser escrita del
siguiente modo: Yˆ  a   b x . Sin embargo, si bien el método abreviado intenta calcu-
i 1 1 i
lar los parámetros mediante fórmulas más breves, al concluir el cálculo no se obtienen
a1 y b1 , los verdaderos parámetros. Para llegar a esos valores se parte de considerar que
existen dos expresiones posibles para la recta de ajustamiento, es decir, por un lado,
Yi  a1  b1 Xi y por el otro, Yi  a1  b1xi . Como además, se sabe que xi  X i  X , en la
segunda de esas expresiones se reemplaza xi, quedando

Yi  a1  b1 X i  X   a1  b1 X i  b1 X   a1  b1 X   b1 X i .

   

Pero recordando que Yi  a1  b1 X i , se comparan ambas expresiones, y claramen-

te se concluye que
b  b y a1  a1  b1 X  Y  b1 X
1 1

con lo cual se obtienen los verdaderos parámetros a1 y b1 a partir de los calculados a1 y
b1 .

La base del método abreviado consiste en transformar la variable Xi en una

variable centrada xi. Ahora bien, desde el punto de vista gráfico, como construir una
variable centrada significa restar X a todos los valores de la variable Xi, esa construc-
ción implica correr todos los puntos empíricos X unidades hacia la izquierda o, lo que
es lo mismo, correr el eje de las ordenadas X hacia la derecha.
Introducción a la Estadística 93

En el gráfico puede verse que se han representado los n puntos empíricos y la

recta de ajustamiento, y que se han indicado dos ejes de abscisas que deben utilizarse
alternativamente, según se trabaje con las variables Xi o xi, con lo que claramente se
descubre la correspondencia entre los valores de ambas, de modo que el valor X en el
eje Xi corresponde al valor cero en el eje xi.

También puede observarse que el eje Yi se presenta tanto en su posición original

como en una nueva posición, corrido hacia la derecha, y que en este caso su trazado
coincide con X .

Como correr los ejes hacia uno u otro lado no modifica la pendiente de la recta,
fácilmente puede comprenderse que b1 es igual a b1 (ambos valores son la tangente del
ángulo  mientras que lo que sí se modifica con el corrimiento del eje Yi es la ordena-
da al origen de la recta de ajustamiento, por lo que a1 es diferente a a1 (en el gráfico se
indican las dos).

Si ampliamos un sector del gráfico y lo presentamos en forma independiente,

podemos sacar una conclusión trigonométrica de la fórmula que permite calcular a1 .
Introducción a la Estadística 94

sen.  a1  a1
Recordando que tg.   b1    a1  a1  b1 X  Y  b1 X
cos.  X

Caso inverso (con yi como variable independiente)

El caso inverso consiste en imaginar una alternativa que resulta sólo posible des-
de el punto de vista teórico: que en un problema de ajustamiento la variable inde-
pendiente sea Yi en lugar de Xi. Se reitera que esta posibilidad sólo puede presentarse
teóricamente porque en la vida real la solución de cualquier problema de ajustamiento
se encara definiendo siempre anticipadamente cuál es la variable independiente y a
ella normalmente se la simboliza con Xi. Sin embargo, una vez definida esta circunstan-
cia, puede pensarse que el conjunto particular de datos con el que se está trabajando
puede originar otro problema de ajustamiento, que llamaremos caso inverso, en el que
la variable independiente sea la simbolizada tradicionalmente con Yi. Gráficamente
esto da lugar a la aparición de una segunda recta de ajustamiento simbolizada co-
mo X  a2  b2Yi la cual, en realidad, no es una segunda recta teóricamente hablan-
do, sino la misma recta Y observada desde un ángulo completamente diferente.
i
Por esa circunstancia puede resultar apropiado denominar “recta reflejo” a la recta de
ajustamiento X  a2  b2Yi .

En general, ocurre que a1  a2 , que b1  b2 y que el trazado de Yi no coincide

con el de X .
i
Introducción a la Estadística 95

Pensando en la recta de ajustamiento inversa X i , sus ecuaciones normales son

 X  na  b  Y
i 2 2 i

Yi Xi  a2 Yi  b2 Yi2

en las cuales se observa una similitud con las ecuaciones normales para la ecuación Yi ,
pero con la variable Yi en lugar de Xi, y viceversa.

Finalmente, las fórmulas de los parámetros a2´ y b2´ del caso inverso, calculadas
mediante el método abreviado, son

a 
 Xi X b 
 yi X i
n
 yi2
2 2

Intersección de las rectas de ajustamiento:

En el gráfico se observan las rectas de ajustamiento Yi y X i , permite la formula-

ción de la pregunta de en qué punto se cruzan ellas. Para contestarla, se parte de la
primera ecuación normal de Gauss aplicada en ambos casos, es decir

 Yi  na1  b1  X i y  Xi  na2  b2 Yi

y se dividen ambas por n, resultando

 Yi  na1  b1  Xi y  X i  na2  b2  Yi ,
n n n n n n

expresiones éstas que pueden también escribirse como

Y  a1  b1 X y X  a2  b2Y
Introducción a la Estadística 96

con lo cual se demuestra que el punto de coordenadas  X ; Y  satisface las dos ecua-
ciones correspondientes a las rectas de ajustamiento, por lo que ambas rectas pasan
por ese punto y por consiguiente, se cruzan en él.

Este punto por el que pasan las dos ecuaciones se llama centroide o centro de
gravedad de los datos.

PREGUNTAS TEÓRICAS SOBRE TEORÍA DEL AJUSTAMIENTO

1º ¿Cuál de las siguientes es la condición básica que debe cumplirse en el criterio de

los mínimos cuadrados propuesto por Gauss?

a  Y Y  0
i

2
  Yi   minimo

b  Yi
 
2


 
c Yi  Y   minimo
 

2º En un problema de ajustamiento lineal se obtienen los siguientes datos:

a1  3 X 5 Y 6
¿Cómo es la pendiente de la recta de ajustamiento?

a Positiva b Negativa c Nula