Teoría Micro Clase Método de Los Mínimos Cuadrados

Descargar como docx, pdf o txt
Descargar como docx, pdf o txt
Está en la página 1de 2

Método de mínimos cuadrados

Mínimos cuadrados es una técnica de análisis numérico enmarcada dentro de la


optimización matemática, en la que, dados un conjunto de pares ordenados —
variable independiente, variable dependiente— y una familia de funciones, se
intenta encontrar la función continua, dentro de dicha familia, que mejor se
aproxime a los datos (un "mejor ajuste"), de acuerdo con el criterio de mínimo
error cuadrático.

En su forma más simple, intenta minimizar la suma de cuadrados de las


diferencias en las ordenadas (llamadas residuos) entre los puntos generados por
la función elegida y los correspondientes valores en los datos. Específicamente, se
llama mínimos cuadrados promedio (LMS) cuando el número de datos medidos es
1 y se usa el método de descenso por gradiente para minimizar el residuo
cuadrado. Se puede demostrar que LMS minimiza el residuo cuadrado esperado,
con el mínimo de operaciones (por iteración), pero requiere un gran número de
iteraciones para converger.

Desde un punto de vista estadístico, un requisito implícito para que funcione el


método de mínimos cuadrados es que los errores de cada medida estén
distribuidos de forma aleatoria. El teorema de Gauss-Márkov prueba que los
estimadores mínimos cuadráticos carecen de sesgo y que el muestreo de datos no
tiene que ajustarse, por ejemplo, a una distribución normal. También es importante
que los datos a procesar estén bien escogidos, para que permitan visibilidad en
las variables que han de ser resueltas (para dar más peso a un dato en particular,
véase mínimos cuadrados ponderados).

La técnica de mínimos cuadrados se usa comúnmente en el ajuste de curvas.


Muchos otros problemas de optimización pueden expresarse también en forma de
mínimos cuadrados, minimizando la energía o maximizando la entropía.

El día de Año Nuevo de 1801, el astrónomo italiano Giuseppe Piazzi descubrió el


planeta enano Ceres. Fue capaz de seguir su órbita durante 40 días. Durante el
curso de ese año, muchos científicos intentaron estimar su trayectoria con base en
las observaciones de Piazzi (resolver las ecuaciones no lineales de Kepler de
movimiento es muy difícil). La mayoría de las evaluaciones fueron inútiles; el único
cálculo suficientemente preciso para permitir a Franz Xaver von Zach, astrónomo
alemán, reencontrar a Ceres al final del año fue el de Carl Friedrich Gauss, por
entonces un joven de 24 años (los fundamentos de su enfoque ya los había
planteado en 1795, cuando aún tenía 18 años). Sin embargo, su método de
mínimos cuadrados no se publicó sino hasta 1809, y apareció en el segundo
volumen de su trabajo sobre mecánica celeste, Theoria Motus Corporum
Coelestium in sectionibus conicis solem ambientium. El francés Adrien-Marie
Legendre desarrolló el mismo método de forma independiente en 1805.

En 1829, Gauss fue capaz de establecer la razón del éxito maravilloso de este
procedimiento: simplemente, el método de mínimos cuadrados es óptimo en
muchos aspectos. El argumento concreto se conoce como teorema de Gauss-
Márkov.

Regresión polinomial por mínimos cuadrados

El objetivo consiste en encontrar una función que mejor se ajuste a los datos
dados es decir una función cuya representación gráfica sea una curva que se
acerque de la mejor manera a los datos dados.

La figura 1 ilustra un conjunto de cinco puntos del plano y dos posibles curvas de
aproximación una de las cuales es una recta y otra es una parábola. En el gráfico
por ejemplo se puede observar que el dato está separado de la recta a una
distancia la cual es considerada como error absoluto

También podría gustarte