Carl Gauss - Carl Friedrich Gauss

(1777/04/30 - 1855/02/23)

Carl Friedrich Gauss

Karl Friedrich Gauss
Matemático alemán
Nació el 30 de abril de 1777 en Braunschweig.
Hijo de un albañil, antes de cumplir los tres años de edad aprendió a
leer y hacer cálculos aritméticos mentales con tanta habilidad que
descubrió un error en los cálculos que hizo su padre para pagar unos
sueldos.
Ingresó a la escuela primaria antes de cumplir los siete años y cuando
tenía diez, su maestro solicitó a la clase que encontrará la suma de
todos los números comprendidos entre uno y cien pensando que con ello
la clase estaría ocupada algún tiempo, quedó asombrado cuando Gauss,
levantó en seguida la mano y dio la respuesta correcta. Reveló que
encontró la solución usando el álgebra.
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. Su genio y precocidad llamaron la atención
del duque de Brunswick, quien dispuso, cuando el muchacho tenía
catorce años, costear tanto su educación secundaria como universitaria.

Cursó estudios en lenguas antiguas, aunque a los 17 años se interesa

definitivamente por las matemáticas. Intentó encontrar la solución del
problema clásico de la construcción de un heptágono regular, o figura de
siete lados, con una regla y un compás. Probó que era imposible y
continuó aportando métodos para construir figuras de 17, 257 y 65.537
lados.

Probó que la construcción, con regla y compás, de un polígono

regular con un número de lados impar sólo era posible cuando el
número de lados era un número primo de la serie 3, 5, 17, 257 y
65.537 o un producto de dos o más de estos números. Estudió en la
Universidad de Gotinga de 1795 a 1798; para su tesis doctoral presentó
una prueba de que cada ecuación algebraica tiene al menos una raíz o
solución. El teorema, que ha sido un desafío para
los matemáticos durante siglos, se sigue denominando teorema
fundamental de álgebra.

Su tratado sobre la teoría de números, Disquisitiones

arithmeticae (1801), es un clásico en el campo de las matemáticas.
Desarrolló el teorema de los números primos. En la teoría de la
probabilidad, desarrolló el importante método de los mínimos
cuadrados y las leyes fundamentales de la distribución de la
probabilidad. El diagrama normal de la probabilidad se sigue
llamando curva de Gauss.

Realizó estudios geodésicos y aplicó las matemáticas a la geodesia.

Junto con el físico alemán Wilhelm Eduard Weber, investigó sobre
el magnetismo y la electricidad; una unidad
de inducciónmagnética recibe su nombre. También investigó los
sistemas de lentes y se interesó por la astronomía.

El asteroide Ceres había sido descubierto en 1801 y Gauss calculó su

posición exacta, de forma que fue fácil su redescubrimiento. También
ideó un nuevo sistema para calcular las órbitas de los cuerpos celestes.
En el año 1807 Carl Gauss fue profesor de matemáticas y dirigió el
observatorio de Gotinga, ocupando los dos cargos hasta el 23 de febrero
de 1855, fecha de su fallecimiento.
Obras

1796-1814: Mathematisches Tagebuch

1799: Disertación sobre el teorema fundamental del álgebra (Demonstratio
nova theorematis omnem functionem algebraicam rationalem integram unius
variabilis in factores reales primi vel secundi gradus resolvi posse)
1801: Disquisitiones Arithmeticae
1809: Theoria Motus Corporum Coelestium in sectionibus conicis solem
ambientium
1821-1826: Theoria combinationis observationum erroribus minimis obnoxiae
1827: Commentationes Societatis Regiae Scientiarum Gottingesis Recentiores
1843-47: Untersuchungen über Gegenstände der Höheren Geodäsie

Aportaciones:

Los trabajos de Gauss son muchísimos y han tenido y tienen una influencia
muy grande en la práctica totalidad de las ramas de la Física y las
Matemáticas (Teoría de Números, Geometría Diferencial, Astronomía,
Estadísticas, Magnetismo, ...).

A lo largo de su vida hizo varias aportaciones entre las que destacan:

Teoría de los errores.
Método general para la resolución de las ecuaciones binomias.
Ideó un heliotropo, para el envío de señales luminosas en las operaciones
geodésicas (operaciones de mediciones terrestres).
Formuló la Teoría general del magnetismo terrestre.
Campana de Gauss que es muy utilizada en el cálculo de probabilidades.
Realizó aportaciones en la electricidad y en el magnetismo.
La historia del método de Gauss:

Ya usado por los chinos tres siglos antes de Cristo en casos particulares,
el inventor del método general fue Isaac Newton, que no lo quiso
publicar, Euler no lo recomendaba, Legendre lo consideraba un método
“ordinario” y Gauss lo calificaba como “común.” Hoy en día lo llamamos
Método de Eliminación de Gauss. ¿Por qué se asoció el nombre de Gauss
a este método? Cosas de los primeros informáticos que la usaron en los
primeros ordenadores digitales. Nos cuenta muy detalladamente en 41
páginas la historia de este método Joseph F. Grcar, “How Ordinary
Elimination Became Gaussian Elimination,” ArXiv, Submitted on 14 Jul
2009.

Siglos antes de Cristo ya se resolvían ciertos problemas que hoy

formularíamos como un sistema lineal de 2 por 2, o 3 por 3, aunque se
utilizaban procedimientos propios para cada problema. Según Grcar, el
primer uso demostrado del método de eliminación de Gauss aparece el
s. III a.C. en China, desde donde se transfirió a Babilonia y Grecia. Por
ejemplo, se usa en la solución del problema 19 en el libro I de la
Aritmética de Diofanto. Desde entonces ha aparecido en varios fuentes,
como en el libro Aryabhata que escribió el hindú Aryabhatiya en el s. V
d.C.

Isaac Newton fue quien presentó por primera vez el método en su

formulación moderna, aunque no lo quiso publicar. Entre 1650 y 1750
hay 35 fuentes sólo en Inglaterra en las que aparece descrito el método.
La mayoría de los libros de álgebra del s. XVIII apuntaban que el
método fue inventado por Newton (el método de Newton para la
resolución de sistemas de ecuaciones lineales simultáneas). Por
ejemplo, Hammond en su “The elements of algebra,” en 1752, nos
presenta “El método para resolver problemas que contienen cuatro
ecuaciones y cuatro incógnitas” de Newton (The Method of resolving
Questions, which contain four Equations, and four unknown Quantities).

¿Por qué el método de eliminación de incógnitas se popularizó con

Gauss? Para Grcar, todo nuevo método necesita un problema que
resolver. Gauss lo utilizó en el marco del método de mínimos cuadrados,
de gran utilidad en la resolución de múltiples problemas prácticos, como
por ejemplo la determinación de la órbitas astronómicas, Gauss lo aplicó
al asteroide Ceres, o en geodesia y cartografía. La “zorra” de Gauss
(que como la zorra borra sus huellas con el rabo) utilizó el método de
eliminación para la resolución de muchísimos problemas, sin indicar los
detalles. ¿Por qué? Para qué indicar los detalles si era un método
“común” (ampliamente conocido, según Gauss, claro).

Desde Gauss hasta la llegada de los ordenadores, el método se publicó

una docena de veces, según Grcar. Destaca Myrick Hascall Doolittle,
calculista manual que llegó a resolver sistemas de 41 ecuaciones con 41
incógnitas, a mano, con el método de eliminación entre 1873 y 1911.
Los cálculos a mano son largos, por ejemplo, Alan Turing en 1946
necesitó dos semanas para resolver un sistema de 18 ecuaciones y 18
incógnitas. Doolittle ya indica en 1878 que es necesario mecanizar el
procedimiento de eliminación y a partir de 1890 empezó a usar una
máquina para calcular sumas. El primer algoritmo pensado para una
máquina lo desarrolló André-Louis Cholesky, geodésico militar,
durante la I Guerra Mundial, para resolver problemas de mínimos
cuadrados (cuyas matrices de coeficientes son simétricas y definidas
positivas). Prescott Crout, profesor de matemáticas en el MIT
(Massachusetts Institute of Technology) aplicó el método de eliminación
a problemas de ingeniería eléctrica en 1941. Su algoritmo fue el último
publicado pensado sólo para hacer cálculos a mano.

El uso de matrices en la resolución de sistemas lineales es muy

moderno. Las matrices se inventaron en matemáticas (álgebra
abstracta, entonces) por Eisenstein (1852), Cayley (1858), Laguerre
(1867), Frobenius (1878) y Sylvester (1881), con objeto de entender la
teoría de determinantes, formas cuadráticas, y sus aplicaciones en la
resolución de ecuaciones diferenciales ordinarias. Fuera de la
matemática abstracta, las matrices no fueron usadas hasta que
Heisenberg las utilizó para su mecánica cuántica matricial en 1925.
Prácticamente todas las presentaciones de métodos de resolución de
sistemas lineales obviaban el uso de matrices. Salvo contadísimas
excepciones, como Otto Toeplitz, que usó matrices triangulares de
dimensión infinita, o Tadeusz Banachiewicz, que calculó la órbita de
Plutón antes de su descubrimiento.

Quizás la primera presentación de la eliminación de Gauss utilizando

matrices es del genial John Von Neumann y su colaborador Herman
Goldstine en 1947. Más aún, su presentación incluía la estimación de
los errores en el cálculo de la inversa de matrices, el concepto de
número de condición (ratio entre los valores singulares de mayor y
menos módulo). Este trabajo marca el nacimiento del álgebra lineal
numérica como actualmente.

El método de eliminación recibió el apelativo de “método de eliminación

de Gauss” a partir de la II Guerra Mundial, quizás en referencia a unas
citas de Chauvenet (1868) “elimination of unknown quantities from the
normal equations . . . according to Gauss,” y Liagre (1879) “élimination
des inconnues entre les équations du minimum (équations normales)”
mediante “les coefficients auxiliaires de Gauss.” Von Neumann (1947)
aparentemente es el último gran matemático que habló del método de
eliminación (como harían Lacroix o el propio Gauss) sin hacer una
referencia al método como “eliminación de Gauss.”

Ahora bien veamos cómo resolver un sistema de ecuaciones lineales

utilizando el método de Gauss.

Este método consiste en transformar un sistema de ecuaciones en otro

equivalente de forma que esto sea escalonado. Obtenemos sistemas
equivalentes por eliminación dependientes si:

1. Todos los coeficientes son “0”(cero).

2. Si dos filas son iguales
3. Una fila es proporcional a otra
4. Una fila es combinación línea de otra

La clave para resolver estos sistemas es seguir el orden para hacer los
ceros. Esto se llama escalonar el sistema.

1º Hacemos cero la x de la segunda ecuación reduciéndola con la

primera ecuación.

2º Hacemos cero la x de la tercera ecuación reduciéndola con la

primera ecuación.

3º Hacemos cero la y o la z de la tercera ecuación jugando con la

segunda y la tercera ecuación.

4º Con el sistema escalonado obtenemos las soluciones.

Ejemplo
 Resuelva el siguiente sistema de ecuaciones por el método de Guass:

3𝑋 + 𝑌 − 2𝑍 = −10
∫ 2𝑋 − 3𝑌 + 𝑍 = −4
𝑋 + 2𝑌 − 3𝑍 = 16

Ponemos como ecuación la que tenga como coeficientes de X 1 o -1 en

caso que no fuera posible lo hacemos cn la variable Y o Z cambiando el orden
de la incógnita.

Una vez hecho esto la ecuación nos queda de la siguiente manera:

𝑋 + 2𝑌 − 3𝑍 = −16
∫ 3𝑋 + 𝑌 − 2𝑍 = −10
2𝑋 − 3𝑌 + 𝑍 = −4

Ahora hacemos reducción con la primera y la segunda ecuación para eliminar

el termino X de la segunda ecuación, en este caso multiplicamos la primera
ecuación con -3.
𝑋 + 2𝑌 − 3𝑍 = −16
(−3) ∫
3𝑋 + 𝑌 − 2𝑍 = −10

-3X - 6Y + 9Z = 48
3X + Y- 2Z = -10
-5Y + 7Z = 38

Hacemos lo mismo con la primer y tercera ecuación en este caso multiplicando

la primera ecuación con -2 para eliminar las X.

𝑋 + 2𝑌 − 3𝑍 = −16
(−2) ∫
2𝑋 − 3𝑌 + 𝑍 = −4

-2X - 4Y + 6Z = 32
2X - 3Y + Z = -4
-7Y + 7Z = 28

Ahora remplazamos las ecuaciones obtenidas en la segunda y tercera ecuación

según correspondan al final obteniendo el siguiente sistema de ecuaciones:

𝑋 + 2𝑌 − 3𝑍 = −16
∫ −5𝑌 + 7𝑍 = 38
−7𝑌 + 7𝑍 = 28
 Procedemos a tomar la segunda y tercera ecuación para hacer reducción
y eliminar el termino Y.
(7) −5𝑌 + 7𝑍 = 38
∫
(5) −7𝑌 + 7𝑍 = 28

- 35Y + 49Z = 266

35Y -35 Z = -140
14Z = 126 obtenemos el sistema equivalente
escalonado:
𝑋 + 2𝑌 − 3𝑍 = −16
∫ −5𝑌 + 7𝑍 = 38
14𝑍 = 126

Con este sistema escalonado despejamos y remplazamos para obtener el valor

de las variables:

-5Y+7Z=38 X+2Y-3Z= -16

14Z=126 -5Y+7(9)=38 X+10-27= -16
126 Obteniendo así
Z= -5Y+63=38 X-17= -16
14 -5Y=38-63 X=-16+17 los valores de
Z=9 −25 X=1 las variables
𝑌= X=1
−5
Y=5 Y=5
Z=9

Una vez obtenidos los valores comprobamos las soluciones sustituyendo

los valores obtenidos en cualquiera de las ecuaciones del sistema
original y ver si cumple la igualdad.
Al cumplir la igualdad
X+2Y-3Z= -16
comprobamos que los valores
1+2(5)-3(9)=-16
son los correctos
1+10-27=-16
-16=-16

Ejemplo 2
 𝑋 + 4𝑌 − 8𝑍 = −8
∫ 4𝑋 + 8𝑌 − 𝑍 = 76
8𝑋 − 𝑌 − 4𝑍 = 110
𝑋 + 4𝑌 − 8𝑍 = −8
(−4) ∫
4𝑋 + 8𝑌 − 𝑍 = 76

-4X - 16Y + 32Z = 32

4X + 8 Y - Z = 76
-8Y + 31Z = 108

𝑋 + 4𝑌 − 8𝑍 = −8
(−8) ∫
8𝑋 − 𝑌 − 4𝑍 = 110

-8X - 32Y + 64Z = 64

8X - Y -4 Z = 110
-33Y + 60Z = 174

𝑋 + 4𝑌 − 8𝑍 = −8
∫ −8𝑌 + 31𝑍 = 108
−33𝑌 + 60𝑍 = 174
(−33) −8𝑌 + 31𝑍 = 108
∫
(8) −33𝑌 + 60𝑍 = 174

264Y - 1023Z = -3564

-264Y + 480Z = 1392
-543Z = -2172

𝑋 + 4𝑌 − 8𝑍 = −8
∫ −8𝑌 + 31𝑍 = 108
−543𝑍 = −2172

-543Z= -2172 -8Y+31Z=108 X+4Y-8Z= -8 Valores

−2172 -8Y +31(4)= 108 X+4(2)-8(4)= -8 obtenidos
Z= -8Y+124=108 X+8-32= -8 X=16
−543
Z=4 -8Y=108-124 X-24=-8 Y=2
−16 X=-8+24 Z=4
Y= X=16
−8
Y=2
Comprobamos los valores:

X+4Y-8Z= -8
16+4(2)-8(4)=-
8
16+8-32=-8
-8=-8

Wilhelm Jordan

(1842–
1899) fue un geodesista alemán que hizo trabajos de topografía en Ale
mania y África.

Es recordado entre los matemáticos por su algoritmo de Eliminación de

Gauss-
Jordan que aplicó para resolver elproblema de mínimos cuadrados. Esta
técnica algebráica apareció en su Handbuch der Vermessungskunde(187
3).

Wilhelm Jordan, en su trabajo sobre topografía, usó el método de mínim

os cuadrados de forma habitual. Como enastronomía, cuando se realizan
observaciones geodésicas existe una redundancia en medidas de ángulo
s ylongitudes. No obstante, existen relaciones que conectan las medidas
, y se pueden escribir como un sistema linealsobre-
determinado (más ecuaciones que incógnitas) al cual se le aplica el mét
odo. El propio Jordan participó entrabajos de geodesia a gran escala en
Alemania como en la primera topografía del desierto de Libia. En 1873fu
ndó la revista alemana Journal of Geodesy y ese mismo año publicó la p
rimera edición de su famoso Handbuch.

Como los métodos de mínimos cuadrados eran tan importantes en topog

rafía, Jordan dedicó la primera sección desu Handbuch a este asunto. Co
mo parte de la discusión, dio una detallada presentación del método de
eliminaciónde Gauss para convertir el sistema dado en triangular. Enton
ces mostró cómo el técnica de sustitución hacia atráspermitía encontrar
la solución cuando se conocían los coeficientes. Sin embargo, anota que
si se realiza estasustitución, no numérica sino algebraicamente, se pued
en obtener las soluciones de las incógnitas con fórmulasque involucran l
os coeficientes del sistema. En la primera y segunda edición (1879) de s
u libro simplemente dioestas fórmulas pero en la cuarta edición (1895) d
io un algoritmo explícito para resolver un sistema de ecuacionescon mat
riz de coeficientes simétrica, que son las que aparecen en los problemas
de mínimos cuadrados. Estealgoritmo es, en efecto, el método de Gauss
-Jordan.

Aunque Jordan no usó matrices como lo hacemos actualmente, realizaba

el trabajo sobre tablas de coeficientes yexplicaba cómo pasar de una fil
a a la siguiente, como muchos textos hacen hoy en día. La mayor difere
ncia entresu método y el actual es que Jordan no hacía el pivote de cada
fila igual a 1 durante el proceso de solución. En elpaso final, simplemen
te expresaba cada incógnita como un cociente con el pivote como deno
minador.

El Handbuch se convirtió en un trabajo estándar en el campo de la geod

esia, llegando hasta diez ediciones enalemán y traducciones a otras leng
uas. Incluso la octava edición de 1935 contenía la primera sección con la
descripción del método de Gauss-
Jordan. En la edición más reciente, publicada en 1961, ya no aparece. P
orsupuesto, en esa edición gran parte de lo que Jordan había escrito ori
ginalmente había sido modificado más alláde lo reconocible por los edito
res.

A mediados de la década de 1950 la mayoría de las referencias al métod

o de Gauss-
Jordan se encontraban enlibros y artículos de métodos numéricos. En las
décadas más recientes ya aparece en los libros elementales deálgebra li
neal. Sin embargo, en muchos de ellos, cuando se menciona el método,
no se referencia al inventor.

Metodo de Gauss -// Jordan

Este método debe su nombre a Carl Friedrich Gauss y a Wilhelm jordan.

Se trata de una serie de algoritmos del algebra lineal para determinar
los resultados de un sistema de ecuaciones lineales y así hallar matrices
e inversas. El sistema de Gauss se utiliza para resolver un sistema de
ecuaciones y obtener las soluciones por medio de la reducción del
sistema dado a otro que sea equivalente en el cual cada una de las
ecuaciones tendrá una incógnita menos que la anterior. La matriz que
resulta de este proceso lleva el nombre que
se conoce como forma escalonada.
Este método, permite resolver hasta 20
ecuaciones simultáneas. Lo que lo diferencia
del método Gaussiano es que cuando es
eliminada una incógnita, se eliminará de
todas las ecuaciones restantes, o sea, las
que anteceden a la ecuación principal así
como de las que la siguen a continuación. De esta manera el paso de
eliminación forma una matriz identidad en vez de una matriz triangular.
No es necesario entonces utilizar la sustitución hacia atrás para
conseguir la solución.

Para resolver sistemas de ecuaciones lineales con el método Gauss

Jordan, debemos en primer lugar anotar los coeficientes de las variables
del sistema de ecuaciones lineales con la notación matricial, por
ejemplo:

También se le llama matriz aumentada.

Luego de realizado lo anterior procederemos a transformar dicha matriz
en una matriz identidad, o sea una matriz equivalente a la inicial, de la
forma:

Logramos esto aplicando a las distintas columnas y filas de las matrices,

restas, sumas, multiplicaciones y divisiones. Debemos tener en cuenta
que las operaciones utilizadas se aplicarán en todos los elementos de la
fila.
En dicha matriz identidad no vemos los términos independientes. Esto
sucede ya que cuando la matriz original alcance la matriz identidad, los
términos serán la solución del sistema y verificarán la igualdad para
cada variable que se corresponderán de la forma siguiente:
• d1 = x
• d2 = y
• d3 = z
Ahora teniendo clara esta base, analicemos detalladamente este método
con un ejemplo concreto.
Sea el siguiente sistema de ecuaciones:

Aplicaremos luego el primer paso, o sea que lo anotaremos en forma

matricial:

Realizado lo anterior, podemos operar con las distintas columnas y filas

de la matriz para así convertirla en la matriz identidad, sin olvidar la
forma del sistema:

Ahora debemos transformar el 2 de la primera fila de la matriz original

en el 1 de la primera fila de matriz identidad. Para realizar este paso
multiplicamos toda la fila 1 por el inverso de 2, o sea ½. Veamos como
nos queda:
A continuación debemos obtener los dos ceros de la primera columna de
la matriz identidad. Para lograrlo buscaremos el opuesto de los números
que se encuentren por debajo del 1 de la primera columna. El opuesto
de 3 será -3 y el de 5 -5. Hecho esto multiplicaremos los opuestos de
estos números por cada uno de los elementos de la fila primera y estos
se adicionarán a los números de sus respectivas columnas Por ejemplo
en el caso de la segunda fila, se multiplicará a -3 que es el opuesto de
3, por cada uno de los elementos de la primera fila y se añadirá el
resultado con el número correspondiente de la columna de la segunda
fila. Veamos el ejemplo:

A medida que realicemos este procedimiento operando con las distintas

filas y columnas de la matriz, observaremos como esta se transforma en
el modelo de la matriz identidad. Finalizado el proceso, encontraremos
finalmente en la cuarta columna los valores de las variables. Veamos
entonces como nos quedaría:
x= 1
y= -1
z= 2
Resuelto el sistema
de ecuaciones,
podemos verificar como último paso:
Ejercicios:
#1- Resuelve la siguiente Sistema de Ecuaciones:
#2 - Resolver el Siguiente Sistema de Ecuaciones:
Historia de: Philipp Ludwig von Seidel

Philipp Ludwig Ritter von Seidel (24 de octubre de 1821, dos puentes,
Alemania 13 de agosto de 1896, Múnich) fue un astrónomo, óptico y
matemático alemán. En algunas fuentes se le conoce simplemente como
Ludwig Seidel.

Su madre fue Julie Reinhonld y su padre fue Justus Cristian Félix Seidel
curso un estudio universitario en las universidades de Berlín, en Alemania
de Konigsberg y en la universidad de Múnich en 1846 se doctoro en esta
última con la tesis de optima forma speculorum telescopicorum desde
1847 privadozent, paso en 1851 a profesor extraordinario, y en 1855 a
profesor ordinario de la universidad de Múnich

El filósofo Imre Lakatos le da crédito a Seidel por haber descubierto en

1847 el crucial concepto analítico de convergencia uniforme. Según
Lakatos, Seidel lo descubrió mientras que analizaba una demostración
matemática incorrecta de Cauchy.
En 1855 concibió la teoría de las aberraciones ópticas que lleva su
nombre. En 1857 publico su libro sobre el tema, muy bien considerado,
que durante mucho tiempo fue la obra de referencia del campo: entre
otros motivos, porque la gran síntesis que planeaba Josef Maximilian
Petzval se perdió antes de ser impresa orden en cinco aberraciones
constituyentes, las cuales son comúnmente llamadas (las cinco
aberraciones de Seidel)

En 1851 fue elegido miembro extraordinario de la academia Bávara de

ciencias, y en 1861 paso a miembro ordinario. Colaboró estrechamente
con Carl August von Steinheil, en investigaciones inicialmente y sobre
todo metrológicas, pero luego también físicas y fotométricas. Con su
trabajo de 1856 estableció los fundamentos teóricos de un proceso
simplificado de fabricación de vidrio óptico, para la empresa steinheil.
Junto con Steinheil, Seidel llevo a cabo las primeras medicinas
fotométricas de estrellas.

En 1874 publico su trabajo sobre resolución interativa de sistema de

ecuaciones lineales, un método que en cálculo numérico se conoce como
de Gauss-Seidel. De 1879 a 1882 Seidel fue director del observatorio
astronómico de bongenhausen Sucediendo a Johan von Lamont. Entre sus
estudiantes de la universidad de Múnich se encontró Max Planck.

Por las grandes contribuciones de Seidel en los campos a los que se

dedicó, en 1970 la unión astronómica internacional (UAI) decidió en su
honor llamarle (Seidel) a un astroblma lunar.

Relación matemática entre Gauss y Seidel

En 1874 publico su trabajo sobre resolución interactiva de sistema de
ecuaciones lineales, un método que en cálculo numérico se conoce como
de Gauss-Seidel. También conocido como sistema lineal de ecuaciones o
simplemente sistema lineal, es un sistema de ecuaciones donde cada
 ecuación es de primer grado, definidas sobre un cuerpo o un anillo
conmutativo

El problema consiste en encontrar los valores desconocidos de las

variables x1, x2 yx3 satisfacen tres ecuaciones

Este método es iterativo o de aproximación y es similar a las técnicas que

se usan en los métodos anteriores para obtener raíces. Aquellos métodos
consisten en la determinación de un valor inicial a partir del cual,
mediante una técnica sistemática se obtiene una mejor aproximación a
la raíz.

La razón por la cual los métodos iterativos son útiles en la disminución de

los errores de redondeo en sistemas, se debe a que un método de
aproximación se puede continuar hasta que converja dentro de alguna
tolerancia de error previamente especificada.

Las técnicas iterativas se emplean rara vez para resolver problemas de

dimensiones pequeñas ya que el tiempo requerido para lograr una
precisión suficiente excede a las técnicas directas. Sin embargo, para
sistemas grandes con un gran porcentaje de ceros, ésta técnica es
eficiente.

Los sistemas de este tipo surgen frecuentemente en la solución numérica

de problemas de valores frontera y de ecuaciones diferenciales parciales.

La secuencia de pasos que constituyen el método de Gauss-

Seidel es la siguiente:
1. Asignar un valor inicial a cada incógnita que aparezca en el conjunto.
Si es posible hacer una hipótesis razonable de éstos valores, hacerla. Si
no, se pueden asignar valores seleccionados arbitrariamente. Los valores
iniciales utilizados no afectarán la convergencia como tal, pero afectarán
el número de iteraciones requeridas para dicha convergencia.
2. Partiendo de la primera ecuación, determinar un nuevo valor para la
incógnita que tiene el coeficiente más grande en esa ecuación, utilizando
para las otras incógnitas los valores supuestos.
3. Pasar a la segunda ecuación y determinar en ella el valor de la incógnita
que tiene el coeficiente más grande en esa ecuación, utilizando el valor
calculado para la incógnita del paso 2 y los valores supuestos para las
incógnitas restantes.
4. Continuar con las ecuaciones restantes, determinando siempre el valor
calculado de la incógnita que tiene el coeficiente más grande en cada
ecuación particular, y utilizando siempre los últimos valores calculados
para las otras incógnitas de la ecuación. (Durante la primera iteración,
se deben utilizar los valores supuestos para las incógnitas hasta que se
obtenga un valor calculado). Cuando la ecuación final ha sido resuelta,
proporcionando un valor para la única incógnita, se dice que se ha
completado una iteración.
5. Continuar iterando hasta que el valor de cada incógnita, determinado
en una iteración particular, difiera del valor obtenido en la iteración
previa, en una cantidad menor que cierto seleccionado arbitrariamente.
El procedimiento queda entonces completo.

Ejemplos
Resuelva el siguiente sistema de ecuaciones lineales usando el método de
gauss

4x + 10y + 8z =142
2x + 6y + 7z =89.5
9x + 2y + 3z = 56.5
 1. Ordenamos los renglones de x de mayor a menor

9x + 2y + 3z = 56.5
4x + 10y + 8z =142
2x + 6y + 7z =89.5
2. Despejamos las variables x, y, z en orden
X= 2y/9 – 3z/9 + 56.5/9= 0.2222y – 0.3333z + 6.2778
Y= -4x/10- 8z/10 + 142/10 = -0.80z + 142
Z= -2x/7 – 6y/7 + 89.5 = -0.2885x – 0.8571j +12.7857

3. Se sustituye en la solución temporal en las ecuaciones para

obtener las nuevas x´s pero solo cuando no se cuenta la
anterior
X= 0.2222 (0) - 0.3333 (0) + 6.2778 = X= 6.2778
Y= -0.40 (6.2778) – 0.80 (0) + 14.2 = Y= 11.6888
Z= - 0.285(6.2778) – 0.8571 -11.6888) + 12.7857 =Z= 0.9736
4. Se sustituye alguna de las ecuaciones y se observa si el
valor es adecuado
4(6.2778) + 10(11.6888) + 8 (0.9736)= 142
25.1112 + 116.888 + 7.7888 = 149.788< >142
Error = 142 – 149.788 = 7.7888 = 5.48%
Segunda interacción
X= -0.2222 (11.68888) – 0.3333 (0.9736) + 6.2778
X=3.356
Y=0.40 (3.356) – 0.80 (0.9736) + 14.2
Y= 12.0787
Z= 0.2857 (3.356) – 0.8571 (12.0787) + 12.7857

Z=1.4742
 Elevamos en EC
4 (3.356) +10 (12.0787) + 8 (1.4742)= 142
146.0046 = 142
Error (142- 146.0046) = 2.82%

Tercera interacción
X= -02222 (12.0787) – 0.3333 (1.4742) + 6.2778
X=3.1026
Y= -0.40 (3.1026) -0.80 (1.4742) + 14.2
Y=11.7796
Z= -0.2857 (3.1026) – 0.8571 (11.7796) + 12.7857
Z= 1.8029
Evaluemos
4 (3.1026) 10 (11.7796) + 8(1.8029) = 142
144.6296=142
Error (142 – 144.6296)
=2.6296 = 1.85%

Ejercicio práctico con una interacción

17X – 2T – 3Z= 500

-5X – 21T – 2Z= 200
-5X -5T – 22Z= 30

X= 2T/17 – 3z/17 + 500/17 = 0.11T – 0.17z+ 29.4

T= 5X/21 - 2z/21 + 200/21 = 0.23x – 0.09z + 9.52
Z= 5X/22 – 5T/22 + 30/22= 0.22X – 0.22T + 1.36
Valor inicial (0, 0,0)
-0.11 (0) – 0.17 (0) +29.4 = X= 29.4
-0.23 (29.4) – 0.09 (0) + 9.52 = T= 2.17
0.22 (29.4) – 0.22 (2.17) + 1.36 = Z= -5.58

17 (29.4) – 2 (2.17) + 3 (-5.58) =499.8

16.74
Error de 499.8 = 4.99%
Error (499.8 – 16.74 = 498.8

Ejercicio numero 2
3p + 2t + Z = 1
5p + 3t + 4z= 2
P+T–Z=1

5p + 3t + 4z= 2
3p + 2t + Z = 1
P+T–Z=1

P= 3t/5 – 4z/5 + 2/5

T= 3p/2- Z/2 + ½
Z= P + T- 1

P= -0.60t – 0.80z + 0.4

T= -1.5p – 0.5z + 0.5
Z= P + T- 1

Valor inicial (0, 0,0)

Primera interacción
P= -0.6 (0) – 0.80 (0) + 0.4 = P= 0.4
T= - 1.5 (0.4) – 0.5 (0) + 0.5 = T=-0.10
Z= (0.4) + (0.10) – 1 = Z= -0.70

5 (0.4) + 3 (-0.10) + 4 (-0.70) = 2

-1.10= 2
El 1 % de 2 es 0.02
Error (2 + 1.10) = 3.10 = 155%

P= -0.6 (-0.10) – 0.80 (0.70) + 0.40 P= 1.02

T= -1.5 (1.02) -0.5 (-0.70) + 0.5 T= -0.68
Z=1.02 – 0.68 – 1

5 (1.02) + 3 (-0.68) + 4 (-0.66)= 2

0.42= 2
Error = 1.58 = 79%

P= -0.6 (0.68) – 0.80 (-0.66) + 0.4

P=1.34
T= -1.5 (1.34) – 0.5 (-0.66) + 0.5
T= -1.18
Z= 1.34 – 1.18 – 1
Z= -0,84

5 (1.34) + 3 (-1.18) + 4 (-0.84) = 2 = 0.2

Error 2.20= 110%
Regresión lineal.

 Un modelo de regresión es un modelo que permite describir como

influye una variable de X sobre otra variable Y.
 El término regresión fue introducido por Galton en su libro
“Natural inheritance” (1889) refiriéndose a la “ley de la regresión
universal.
 Su trabajo se centraba en la descripción de los rasgos físicos de
los descendientes a partir de los de sus padres.

Hoy en día el sentido de regresión es el de predicción de una medida

basándonos en el conocimiento de otra.

La regresión lineal está dividida en dos tipos:

 Simple.
 Múltiple

Regresión lineal simple.

El análisis de regresión sirve para predecir una medida en función de
otra medida (o varias: regresión múltiple).
Para:
 X: Variable independiente o explicativa o exógena.
 Y: Variable dependiente o respuesta o endógena.

El objetivo es obtener estimaciones razonables de Y para distintos

valores
de X a partir de una muestra de n pares de valores (X1, Y1), . . ., (Xn,
Yn).
Tipos de relación
 Determinística: Conocido el valor de X, y el valor de Y, queda
perfectamente establecido. Son del tipo:
𝒀 = 𝒇(𝒙)
Ejemplo: la relación existente entre la temperatura en grados
centígrados (x) y grados Fahrenheit (y) es:

𝒀 = 𝟏, 𝟖𝒙 + 𝟑𝟐

 No Determinística: conocido el valor de X, el valor de Y no queda

perfectamente establecido, son del tipo:

𝒀 = 𝒇(𝒙) + 𝒖

Donde u es una perturbación desconocida (una variable aleatoria).

La relación existe, pero no es exacta.

 Lineal: cuando la función f(x), es lineal.

F(x) = β0 + β1x

Si β1 ˃ 0 hay relación lineal positiva.

Si β1 ˂ 0 hay relación lineal negativa.

Los datos tienen un aspecto recto.

 No lineal: cuando la función f(x), no es lineal. Por ejemplo:

F(x) = log(x), f(x) = x2 + 3, ….

Los datos no tienen un aspecto recto.

 Ausencia de relación: cuando f(x) = 0.

El modelo de regresión lineal simple supone que,

Yi = β0 + β1Xi + ε.

Donde:

a) Yi: representa el valor de la variable respuesta para la

observación i-esima.
b) Xi: representa el valor de la variable explicativa para la
observación i-esima.
c) ε: presenta el error para la observación i-esima que se
asume normal,
Ui ~ N (0, σ)
d) β0 y β1 son los coeficientes de regresión:
 β0: intersecto.
 β1: pendiente.
Los errores, ε, se consideran variables aleatorias independientes
distribuidas normalmente con media cero y desviación estándar σ. Esto
implica que el valor medio o valor esperado de y, denotado por E(Y/x), es
igual a β1 + β1 x.Ecuación de regresión lineal simple:

E(y/x) = β 0 + β 1 x (μY/x=E(Y/x))

La ecuación estimada de regresión (lineal simple):

Los parámetros, β0 y β1, del modelo se estiman por los estadísticos
muéstrales b0 y b1, los cuales se calculan usando el método de mínimos
cuadrados.

Ecuación Estimada de regresión lineal simple: ŷ = b0 + b1 x

En la regresión lineal simple, la gráfica de la ecuación de regresión se

llama línea de regresión estimada. ŷ es el valor estimado de y para un
valor específico de x.

El método de mínimos cuadrados: consiste en hallar los valores b0 y

b1 que hacen mínima la suma de los cuadrados de las desviaciones entre
los valores observados de la variable dependiente, yi, y los valores
estimados de la misma, ŷi.
Es decir, se minimiza la suma: Σ (yi – ŷi)2.

Al aplicar el método se llega al siguiente sistema de ecuaciones

simultáneas (llamadas ecuaciones normales de la recta de regresión de
y en x), cuya solución da los
valores de b0 y b1:

Las soluciones son las siguientes:

que también es,

Modelo de regresión lineal múltiple.

El análisis de regresión múltiple es el estudio de la forma en que una

variable dependiente, y, se relaciona con dos o más variables
independientes. En el caso general emplearemos p para representar la
cantidad de variables independientes.

y = β0 + β1 x1 + β2 x2 + …. + βp xp + ε.

El término del error explica la variabilidad en “y” que no puede explicar

las “p” variables independientes. El error es una variable aleatoria
distribuida normalmente con media cero y varianza constante, σ2, para
todos los valores de las Xi.

Si consideramos el valor medio de la variable “y” dadas las variables

independientes N= (X1, X2, …, Xp), obtenemos la ecuación de
regresión lineal.

μY/N=E (y/ N) = β0 + β1 x1 + β2 x2 + …. + βp xp.

Utilizando los datos de una muestra de tamaño n y el método de
mínimos cuadrados se determina la ecuación de regresión múltiple
estimada:

ŷ = b0 + b1 x1 + b2 x2 +, …, + bp xp.

Cada coeficiente bi representa una estimación del cambio en “y” que

corresponde a un cambio unitario en xi cuando todas las demás
variables independientes se mantienen constantes.

Coeficiente de determinación múltiple (r2):

r2 se interpreta como la proporción de la variabilidad de la variable

dependiente que se puede explicar con la ecuación de regresión
múltiple.

𝑆𝐶𝑅 SCT − SCE SCE

𝑟2 = = =1−
𝑆𝐶𝑇 𝑆𝐶𝑇 𝑆𝐶𝑇

 SCT: suma de cuadrados total. Σ (yi - ȳ)2

 SCR: suma de cuadrados debida a la regresión. Σ (ŷi - ȳ)2
 SCE: suma de cuadrados debida al error. Σ (yi - ŷi)2
*NOTA solo se le estará dejando ejercicios de regresión lineal simple*

Un poco de historia.

La primera forma de regresión lineal documentada fue el método de los

mínimos cuadrados que fue publicada
por Legendre en 1805, Gauss publicó un trabajo en donde desarrollaba
de manera más profunda el método de los mínimos cuadrados, y en
dónde se incluía una versión del teorema de Gauss-Márkov.

El término regresión se utilizó por primera vez en el estudio de variables

antropométricas al comparar la estatura de padres e hijos, donde resultó
que los hijos cuyos padres tenían una estatura muy superior al valor
medio, tendían a igualarse a éste, mientras que aquellos cuyos padres
eran muy bajos tendían a reducir su diferencia respecto a la estatura
media; es decir, "regresaban" al promedio. La constatación empírica de
esta propiedad se vio reforzada más tarde con la justificación teórica de
ese fenómeno.

El término lineal se emplea para distinguirlo del resto de técnicas

de regresión, que emplean modelos basados en cualquier clase de función
matemática. Los modelos lineales son una explicación simplificada de la
realidad, mucho más ágiles y con un soporte teórico mucho más extenso
por parte de la matemática y la estadística.

Pero bien, como se ha dicho, se puede usar el término lineal para

distinguir modelos basados en cualquier clase de aplicación.