Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 29 vistas

    Teoría Micro Clase Método de Los Mínimos Cuadrados

    Cargado por

    Yorman Valera
    El método de mínimos cuadrados es una técnica de análisis numérico que encuentra la función continua que mejor se aproxime a los datos mediante la minimización del error cuadrático. Se usa comúnmente para ajustar curvas a datos y resolver problemas de optimización expresados como mínimos cuadrados. Carl Friedrich Gauss desarrolló este método en 1801 para estimar la órbita del planeta enano Ceres con base en observaciones limitadas.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd

    Teoría Micro Clase Método de Los Mínimos Cuadrados

    Cargado por

    Yorman Valera
    29 vistas2 páginas
    El método de mínimos cuadrados es una técnica de análisis numérico que encuentra la función continua que mejor se aproxime a los datos mediante la minimización del error cuadrático. Se usa comúnmente para ajustar curvas a datos y resolver problemas de optimización expresados como mínimos cuadrados. Carl Friedrich Gauss desarrolló este método en 1801 para estimar la órbita del planeta enano Ceres con base en observaciones limitadas.

    Título original

    TEORÍA MICRO CLASE MÉTODO DE LOS MÍNIMOS CUADRADOS

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    El método de mínimos cuadrados es una técnica de análisis numérico que encuentra la función continua que mejor se aproxime a los datos mediante la minimización del error cuadrático. Se usa comúnmente para ajustar curvas a datos y resolver problemas de optimización expresados como mínimos cuadrados. Carl Friedrich Gauss desarrolló este método en 1801 para estimar la órbita del planeta enano Ceres con base en observaciones limitadas.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    29 vistas2 páginas

    Teoría Micro Clase Método de Los Mínimos Cuadrados

    Cargado por

    Yorman Valera
    El método de mínimos cuadrados es una técnica de análisis numérico que encuentra la función continua que mejor se aproxime a los datos mediante la minimización del error cuadrático. Se usa comúnmente para ajustar curvas a datos y resolver problemas de optimización expresados como mínimos cuadrados. Carl Friedrich Gauss desarrolló este método en 1801 para estimar la órbita del planeta enano Ceres con base en observaciones limitadas.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    de 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