GAUSS Y LA ESTADSTICA

PILAR IBARROLA
Resumen. Este artculo, de carcter histrico, es un resumen de
las principales aportaciones de Gauss a la Estadstica: El mtodo
de los Mnimos Cuadrados y como consecuencia el llamado Modelo
Lineal de Gauss.
Depus de considerar brevemente la polmica de Gauss con Le-
gendre a propsito de la autora del mtodo de los mnimos cuadra-
dos, se hace una exposicin de dicho mtodo, insistiendo en las
aportaciones estadsticas de Gauss al mismo, distinguiendo entre
la Primera Aproximacin de Gauss (1809), en que supone la nor-
malidad de los errores de observacin y la Segunda Aproximacin
de Gauss (1821), en que restringe la clase de estimadores a las fun-
ciones lineales de las observaciones y suprime la normalidad de los
errores. En la primera aproximacin, el tratamiento es inferencial,
en la segunda es un tratamiento de Teora de la Decisin.
Se hablar tambin de Gauss como precursor de los Mtodos
Secuenciales, y nalmente se aludir al posterior desarrollo del Mo-
delo Gaussiano.
Carl Friedrich Gauss naci el 30 de Abril de 1777 en Brunswick (Ale-
mania) en el seno de una familia humilde.
Su padre tuvo diferentes empleos, desde jardinero a maestro de obras
hidrulicas, ayudante de un comerciante y tesorero de una pequea
aseguradora. El propio Gauss lo describi como digno de estima pero
dominante, inculto y no renado. Su madre fue el soporte de su devo-
cin lial y muri con 97 aos, despus de vivir 22 aos en casa de su
hijo.
Gauss fue un nio precoz y autodidacta; sin ayuda aprendi a calcular
antes que a hablar. Con tres aos segn una ancdota bien contrastada,
corrigi un error en las cuentas de su padre. Aprendi a leer solo y en
su primera clase de aritmtica, a la edad de 8 aos, dej perplejo al
125
126 PILAR IBARROLA
profesor al resolver el problema de hallar la suma de los cien primeros
nmeros enteros.
En 1792 recibi una beca del Duque de Brunswick e ingres en el
Brunswick Collegium Carolinum. Estando en el Collegium, con 17 aos,
ya formul, segn armacin propia, el principio de los mnimos cuadra-
dos, autora que fue objeto de posterior controversia segn veremos.
Estudi despus en las Universidades de Gttingen y Helmstedt donde
se doctor en 1799.
A partir de 1807 se traslad a Gttingen donde fue nombrado director
del observatorio y permaneci hasta su muerte (el 23 de Febrero de
1855).
En 1856 su amigo Sartorius public una biografa que ha sido una
importante fuente de informacin para el resto de sus bigrafos.
Gauss puede ser considerado uno de los mejores cientcos de todos los
tiempos; su profunda investigacin y sus prolcos resultados lo ates-
tiguan. No obstante a veces sus resultados fueron producidos ms rpi-
damente que publicados. Un ejemplo de ellos fue su acurada prediccin,
en 1801, de la localizacin en el rmamento de un supuesto planeta que
G. Piazzi haba brevemente observado y perdido en Enero de ese ao.
En Diciembre fue localizado el planeta Ceres, en la posicin predicha
por Gauss.
Como Gauss no hizo pblicos hasta 1809 los procedimientos que haba
utilizado para dicha prediccin (renamiento de la teora de la rbita
y mtodo de los mnimos cuadrados), su descubrimiento tom un cariz
sobrehumano y el personaje adquiri una fama de genio matemtico y
cientco de primer orden.
Las principales aportaciones de Gauss a la Estadstica fueron en la
teora de la Estimacin: el mtodo de los mnimos cuadrados y como
consecuencia el llamado modelo lineal de Gauss.
El mtodo de los mnimos cuadrados fue desarrollado independiente-
mente por Gauss en Alemania, Legendre en Francia y Adrain en Amri-
ca. Legendre, aunque pudo no ser el primero en utilizar el mtodo, s
que fue el primero en publicarlo (Nouvelles mthodes pour la determi-
nation des orbites des comtes, 1805) y fue el que le puso el nombre.
GAUSS Y LA ESTADSTICA 127
Gauss reclam en 1806 (Monatl. Corresp. Befrd. Erd Himmelskd14,
181-186), su prioridad en el uso del mtodo de los mnimos cuadrados
(aunque no en su publicacin) asegurando que haca 12 aos que vena
utilizndolo y prometi publicar sus resultados ms tarde. Lo hizo en
1809 en su Theoria Motus Corporum Coelestium in Sectionibus Conicis
Solem Ambientium, donde discute el mtodo, menciona el trabajo de
Legendre y asegura que l lo haba utilizado en 1795. Legendre, a raz
de la publicacin de este libro, dirigi una carta a Gauss de enhorabue-
na, reivindicando no obstante la autora del mtodo de los mnimos
cuadrados. En 1820 Legendre public un suplemento a su memoria
de 1805, atacando de nuevo a Gauss por la prioridad de los mnimos
cuadrados.
Desconociendo aparentemente el trabajo de Legendre y el de Gauss
(no publicado an), Adrain desarroll independientemente en 1808 el
mtodo de los mnimos cuadrados y lo utiliz para resolver distintos
problemas.
D
P
E
C
B
La polmica entre Gauss y Legendre ac-
erca de la prioridad sobre el mtodo de
los mnimos cuadrados es famossima en
la historia de la Estadstica y son muchos
los cientcos posteriores (Plackett 1972,
Stigler 1981, Celmins 1998, etc.) que han
tratado de dilucidarla, sin llegar a una
conclusin denitiva.
Sin pretender entrar en profundidad en
esta polmica, daremos algunas pince-
ladas sobre ella: En efecto, tras el ataque
de Legendre, Gauss trat de probar su
aplicacin del mtodo de los mnimos
cuadrados anteriormente a 1805, pero no
tuvo demasiado xito, pues sus propias
notas de clculo se haban perdido y sus
colegas o no recordaban discusiones con Gauss sobre el tema o no
quisieron involucrarse en la disputa. Tan solo el astrnomo Olbers in-
cluy, en un artculo de 1816, una nota a pie de pgina asegurando que
128 PILAR IBARROLA
Gauss le haba enseado el mtodo de los mnimos cuadrados en 1802.
Bessel public una nota similar en un trabajo en 1832.
d
S
L
N
E
En 1799 Gauss, a propsito de un trabajo
sobre la medicin del arco de meridiano ter-
restre publicado en Allgemeine Geographische
Ephemeriden, escribe que ha utilizado meine
Methode. Surgi este trabajo a raz de que
la Academia de Ciencias Francesa decidiera en
1793 basar el nuevo sistema mtrico en una
unidad, el metro, igual a una 10.000.000 si-
ma parte del cuadrante de meridiano, distancia
del polo norte al ecuador. Para ello decidieron
medir el arco de meridiano que va de Dunkerque a Barcelona, pasan-
do por Pars. Dividieron el arco en 4 segmentos y para cada segmento
recogieron los siguientes datos: la longitud de arco S, la diferencia de
latitud d y la latitud L del punto medio del arco. Los datos recogidos,
de los cuales dispuso Gauss para sus clculos, y los resultados de ajuste
a los que lleg Gauss, guran en la citada publicacin.
En 1831 Shumacher escribi a Gauss, a propsito de este trabajo, su-
girindole que repitiera los clculos y probase que era el mtodo de
los mnimos cuadrados el empleado. Gauss se neg, alegando que su
palabra era suciente. La sugerencia de Shumacher fue recogida siglo y
medio ms tarde por Stigler (1981), y Aivars Celmins (1998), quienes a
partir de los datos en cuestin, hicieron el ajuste por mnimos cuadra-
dos, no llegando a los mismos resultados que Gauss.
Queda la pregunta Qu mtodo emple Gauss? Stigler se inclina por
la posibilidad de que utilizara el mtodo de los mnimos cuadrados pero
utilizando desarrollos de 2
o
orden. Celmins por la posibilidad de que
los resultados publicados por Gauss contuvieran errores aritmticos y
concluye como dijo Gauss debemos conar en su palabra.
Gauss y los mnimos cuadrados
Resaltemos la importancia que el propio Gauss atribuy a este mtodo:
La primera exposicin por Gauss del mtodo de los mnimos cuadrados
aparece en el libro segundo, seccin 3 de su Theoria Motus Corporum
GAUSS Y LA ESTADSTICA 129
Coelestium (1809); se trata de la determinacin de rbitas planetarias,
discute la estimacin de las 6 constantes o parmetros que determi-
nan la rbita elptica, en base a un nmero de observaciones n > 6.
Comienza en el artculo 175 con A este n aparquemos nuestro prob-
lema particular y entremos en una discusin muy general y en una de
las ms fructferas aplicaciones del clculo a la losofa natural.
La segunda exposicin (Gauss 1821, 1823, 1826: Theoria Combinationes
Erroribus Mnimis Obnoxiae) fue presentada en una serie de tres largos
artculos a la Royal Society of Gttingen. Aqu introduce el asunto co-
mo sigue: El problema es ciertamente el ms importante que presenta
la aplicacin de las matemticas a la losofa natural.
En 1809 Gauss plantea la estimacin de las k constantes desconocidas

1
, . . . ,
k
que determinan la rbita, en base a n > k observaciones
y
1
, . . . , y
n
. No es posible observar los
i
; slo es posible observar ciertas
funciones de ellos
i
=
i
(
1
, . . . ,
k
). Si los
i
pudieran ser observados
sin error, y
i
=
i
, entonces
1
, . . . ,
n
tendran valores conocidos, y
bastara seleccionar k de entre ellos y despejar
1
, . . . ,
k
; en este caso
las ecuaciones
i
=
i
(
1
, . . . ,
k
) deberan ser consistentes y las (nk)
no utilizadas cumplirse idnticamente con los valores
j
despejados de
las otras k. Sin embargo no es posible en la prctica observar las
i
sin
error. Las relaciones entre las y
i
y las
i
sern de la forma y
i
=
i
+
i
,
siendo
i
el error de observacin. Con notacin vectorial, Y = + ,
siendo Y, , los vectores (columna) de componentes y
i
,
i
,
i
.
Las ecuaciones y
i
=
i
sern ahora inconsistentes, cualquier subconjun-
to de k de ellas llevar a diferentes valores de
1
, . . . ,
k
y en cada caso
las (n k) restantes no se satisfarn.
El problema est en utilizar la totalidad de las n observaciones para
obtener estimaciones ptimas

i
de los
i
teniendo en cuenta la incer-
tidumbre introducida por los errores de observacin. Este es el proble-
ma que Gauss calica como el ms importante de la aplicacin de las
matemticas a la Filosofa natural.
Distinguiremos entre principio de mnimos cuadrados y teora estads-
tica de mnimos cuadrados.
130 PILAR IBARROLA
Principio de los mnimos cuadrados
El principio de mnimos cuadrados elige de forma a minimizar
(1) Q =

i
(y
i

i
)
2
.
Entonces es la solucin de Q/
j
= 0, j = 1, . . . , k, con lo que las
ecuaciones de mnimos cuadrados resultan
(2)

i
(y
i

i
)

j
= 0.
En el caso de que las
i
sean lineales en las
j
,
i
=

j
x
ij

j
o con no-
tacin matricial = X, siendo las x
ij
constantes conocidas, el modelo
es
(3) Y = X +,
conocido como modelo lineal de Gauss y discutido en los textos estads-
ticos como regresin lineal.
Las ecuaciones de los mnimos cuadrados son
(X

X)

= X

Y,
donde X

denota la matriz traspuesta de X, y el estimador de mnimos

cuadrados es
(4)

= (X

X)
1
X

Y.
Mientras que Legendre (1805) se limit a la consideracin del principio
de mnimos cuadrados tal como acabamos de exponer, Gauss (1809
y publicaciones posteriores) desarroll adems la teora estadstica de
mnimos cuadrados que exponemos a continuacin.
Teora Estadstica de los mnimos cuadrados
Primera aproximacin de Gauss (1809: Theoria Motus Corporum
Coelestum). Suponiendo que
i
= y
i

i
son v.a. independientes con
GAUSS Y LA ESTADSTICA 131
distribucin f(
i
), la distribucin conjunta de los errores de observacin
es
=

i
f(
i
) =

i
f(y
i

i
).
Suponiendo que todos los valores
1
, . . . ,
k
son igualmente probables, la
distribucin a priori de se supone constante (distribucin uniforme)
y la distribucin a posteriori de dados los valores de Y es, por el
Teorema de Bayes, proporcional a :
f(
1
, ,
k
|y
1
, , y
n
) = k

i
f(y
i

i
) = k,
siendo k una constante de normalizacin, que hace que las probabili-
dades integren la unidad.
Gauss elige el valor ms probable

(es decir la moda de ) como
estimador de : es obtenido como raz de

i
log f(y
i

i
)

j
, j = 1, 2, . . . , k.
Esta aproximacin es equivalente al mtodo de la mxima verosimilitud
desarrollado por Fisher en 1922.
Para aplicar el mtodo, la forma matemtica de f debe ser conocida.
A tal n, Gauss supuso que para el caso especial en que y
i
=
i
+
i
para todo i (es decir, que hubiera un solo parmetro
1
), el estimador
de mnimos cuadrados sera la media aritmtica

1
= y.
En este caso la ecuacin de verosimilitud resulta

i
f

(y
i

1
)
f(y
i

1
)
= 0.
Para que

1
= y sea solucin, habr de ser

i
f

(y
i
y)
f(y
i
y)
= 0,
cuya solucin es f(z) = ke
h
2
z
2
, y que con notacin moderna, tomando
h
2
= 1/2
2
y k = 1/

2, resulta la distribucin normal o gaussiana

para los errores.
132 PILAR IBARROLA
Suponiendo que los errores siguen una distribucin normal, la distribu-
cin a posteriori de es entonces proporcional a

n
e
Q/2
2
,
con Q =

i
(y
i

i
)
2
.
Esta probabilidad se maximiza, minimizando Q que es el principio de
los mnimos cuadrados anteriormente descrito y los estimadores de

i
son los estimadores de mnimos cuadrados. Como dijo Gauss,
Este principio que es extremadamente til en todas las aplicaciones de
las matemticas a las ciencias naturales, debera ser considerado como
un axioma, por el mismo motivo que tomamos la media aritmtica
de los valores observados de una cantidad nica como el valor ms
verosmil de esta cantidad.
Gauss tuvo tambin en cuenta posibles diferencias de precisin en los
y
i
, y generaliz el resultado a los mnimos cuadrados ponderados Q =

i
1

2
i
(y
i

i
)
2
.
Gauss lleg igualmente a probar, por argumentos hoy da estndares
en los textos de estadstica, que

tiene una distribucin normal multi-
variante de media y de covarianza (X

X)
1

2
.
Fue bien entrado el siglo xix cuando la Ley normal, as bautizada por
Galton, obtuvo una aceptacin universal, siendo reconocida como la
ley de los errores por excelencia. Su popularidad se bas en la idea de
un gran nmero de errores elementales que se combinan para formar
los errores
i
del modelo.
Pero cuando Gauss di su primera aproximacin (1809) en su Theoria
Motus Corporum, la ley normal era poco conocida. Gauss la descart en
su trabajo posterior principalmente porque descubri una desigualdad
aplicable a cualquier distribucin continua, simtrica respecto a una
moda nica. Esta desigualdad es:
P(|X |)

1 /

3 ( 2/

3)
4/9
2
( > 2/

3)
GAUSS Y LA ESTADSTICA 133
y su uso con = 2 prueba que hay una probabilidad al menos del 89 %
de que tal variable caiga dentro de dos desviaciones tpicas alrededor de
la media y moda. Con lo que si un estimador paramtrico se acompaa
de su desviacin tpica, el uso de un argumento inverso permitir sacar
conclusiones sobre el rango probable de los valores del parmetro.
Laplace (1810) dio una versin rudimentaria del Teorema Central del
Lmite (en Mem. Cl. Sc. Math. Phys. Inst. Fr.) y la utiliz para de-
mostrar que no slo la media aritmtica es ventajosa cuando la ley de
los errores es normal sino tambin cuando el nmero de observaciones
es grande o cuando se toma la media de resultados, basados cada uno
en un nmero grande de observaciones y que en tal caso se debe utilizar
el mtodo de los mnimos cuadrados.
Gauss compar su formulacin (1809) con la de Laplace (1810) y con-
cluy que ninguna era enteramente satisfactoria introduciendo:
Segunda Aproximacin de Gauss (1821,1823,1826) (Theoria
Combinationibus Erroribus Minimis Obnoxiae, partes 1 y 2).
La principal particularidad de esta segunda aproximacin es que cuan-
do se estima por

, se comete un error

que acarrea una prdida.

El estimador

se elige entonces de forma a minimizar la prdida es-
perada. Toma una prdida proporcional a (

)
2
con lo que

se elige
de forma a que minimice el error cuadrtico medio E(

)
2
.
Gauss supuso los errores
i
sucientemente pequeos para que sus
cuadrados y potencias superiores pudiesen ser ignorados y restringi
su atencin a estimadores lineales

= CY tales que CX = I (matriz
identidad k k).
Prob entonces que entre tales estimadores, el estimador de mnimos
cuadrados [4] minimiza el error cuadrtico medio. El error cuadrtico
medio mnimo es entonces (X

X)
1

2
, llegndose entonces as a los
resultados de la 1
a
aproximacin, con la excepcin de la normalidad de

.
Gauss obtuvo tambin otros resultados como el siguiente:
Una observacin adicional de y con x-valores correspondientes
x

= (x
n+1,1
, x
n+1,2
, . . . , x
n+1,k
)
134 PILAR IBARROLA
se puede incorporar al estimador de mnimos cuadrados original

para
formar el nuevo estimador

=

M(x

Y )/(1 + W)
con M = (X

X)
1
x y W = x

(X

X)
1
x = x

M. La matriz de covari-
anzas de

es ((X

X)
1
MM

/(1 + W))
2
, y si indicamos por Q
m
el antiguo mnimo de Q el nuevo mnimo es
Q

m
= Q
m
+ (x

y)
2
/(1 +W).
Este procedimiento de mnimos cuadrados recursivos, permite incorpo-
rar en el procedimiento de estimacin, nuevas observaciones, obtenidas
secuencialmente, sin necesidad de invertir en cada instante la nueva
matriz (X

X).
Como E[Q
m
] = (n k)
2
, Gauss estim por =

Q
m
/(n k).
Obtuvo tambin el error estndar de la estimacin y observ que cuan-
do las
i
son normales, este error estndar es el error estndar de la
suma de (n k) errores independientes
i
.
La diferencia en cuanto a generalidad entre la 1
a
y la 2
a
aproxima-
ciones de Gauss debe ser resaltada. La 1
a
aproximacin permite que

sea cualquier funcin de las observaciones, pero requiere que los er-
rores de observacin se distribuyan normalmente con media cero. La
2
a
aproximacin restringe el estimador

a las funciones lineales de las
observaciones pero permite a los
i
tener cualquier distribucin con
media cero y varianza nita.
Respecto a la 1
a
aproximacin, observemos que Gauss no dio a sus re-
sultados una interpretacin bayesiana. No habl de probabilidades o de
precisin del parmetro desconocido, sino que le dio una interpretacin
frecuentista al hablar de la precisin del estimador

.
El mtodo de estimacin al que llega es el de la mxima verosimili-
tud. Gauss obtiene el mtodo de los mnimos cuadrados como un caso
especial de mxima verosimilitud, apropiado cuando la distribucin es
normal, o de forma equivalente, cuando la media aritmtica es el mejor
estimador de posicin.
Si la distribucin no es normal, el mtodo de mxima verosimilitud
no tiene porqu coincidir con el mtodo de los mnimos cuadrados, el
GAUSS Y LA ESTADSTICA 135
caso ms famoso es aqul en que los errores sigan una distribucin de
Cauchy
f(e) =
1

1
1 + e
2
, e = y ,
y en tal caso la media aritmtica y es casi el peor estimador posible de
, y el mtodo de los mnimos cuadrados no produce un buen estimador
pero el de mxima verosimilitud s.
Cabe preguntarse porqu Gauss no se plante relajar la supremaca de
y e investigar otras posibles distribuciones para los errores. La razn
puede estar en que su poca la nica distribucin continua surgida
experimentalmente era la normal.
No obstante en su segunda aproximacin dej libre la distribucin de
los errores, exigiendo slo que tuviera media cero y desviacin tpica
nita.
En su segunda aproximacin, Gauss abandona el tratamiento inferen-
cial y como comunic en una carta a Bessel se inclina por un tratamien-
to de Teora de la Decisin.
Empieza en la primera parte (1821) de su Theoria Combinationibus
Erroribus por comparar el problema de la estimacin de un parmetro
desconocido con un juego en que hay temor a perder y no hay esper-
anza de ganar. El error cometido se considera como prdida que uno
sufre. Tan indeseable es el juego que se mide por la prdida esperada,
suma de los productos de las posibles prdidas por sus respectivas pro-
babilidades. Toma como conveniente, aunque arbitrario, que la prdida
sea proporcional al cuadrado del error cometido.
Fue as Gauss un precursor de la moderna teora de la Decisin forma-
lizada por Wald a mediados del siglo xx.
Un aspecto desafortunado del tratamiento del modelo lineal de Gauss
en los textos modernos es su referencia como teora de Gauss-Markov,
ya que la asociacin con el nombre de Markov no parece justicado.
Adems se suele insistir en que Gauss impona que los estimadores
fuesen insesgados, requerimiento que puede conducir a resultados ab-
surdos; es cierto que la condicin CX = I implica que

sea insesgado,
pero Gauss no insisti en considerar slo estimadores insesgados ya que
propuso como estimador de , =

Q
m
/(n k), que es sesgado. La
136 PILAR IBARROLA
condicin CX = I es de hecho un criterio de consistencia que hace que
si
i
= 0, para todo i, las ecuaciones exactas Y = X lleven a que el
estimador

coincida con .
Como dice Bertrand (1888, p 255) traductor ocial del trabajo de Gauss
al francs Car, sans cela, toutes les mesures etant supposes exactes,
la valeur quon en dduit ne le serait pas.
Tambin, los textos modernos no restringen el dominio de aplicacin de
los estimadores lineales, como hizo Gauss, suponiendo que los errores de
observacin son sucientemente pequeos para ignorar sus cuadrados
y potencias superiores.
Posterior desarrollo del modelo Gaussiano. Respecto al poste-
rior desarrollo del modelo lineal Gaussiano aparecen dos innovaciones
primordiales: los tests de hiptesis lineales y las distribuciones exactas
en el muestreo asociadas a la distribucin normal de los errores.
Ya, en, 1836 Cauchy rerindose al modelo de Legendre, plante la
cuestin de si uno o ms trminos del modelo lineal podan ser descar-
tados por no signicativos, pero fue Fisher en 1922 quien introdujo en
el modelo de Gauss la idea de contrastar la nulidad de un grupo de
parmetros, es decir consider la hiptesis lineal A = 0 y propuso
la tcnica de hacerlo, procedimiento conocido como F-test. Ya en esa
poca las distribuciones
2
de Pearson, t de Student, F de Snedecor,
tambin llamada F de Fisher, haban sido introducidas por los autores
que les dieron nombre. Fue tambin Fisher en 1922 quien introdujo
la utilizacin de variables cualitativas que dan lugar a X-vectores de
componentes nulas y la eleccin de ellas de forma que permitan lograr
un anlisis posterior numricamente sencillo, llegando as al Anlisis de
la Varianza.
Otras contribuciones de Gauss a la Estadstica. Existen tambin
otras contribuciones estadsticas de Gauss. Una notable (1866) es la
demostracin de que para una distribucin normal, el estimador ms
preciso de
2
entre los estimadores que dependen de S
k
=

|e
i
|
k
, con
e = (x

y) se obtiene cuando k = 2.
En otro artculo (1824) Gauss utiliza el mtodo de los mnimos cuadra-
dos ponderados para determinar la longitud mediante un cronmetro.
GAUSS Y LA ESTADSTICA 137
Presenta una discusin sobre la estructura de los errores de observacin

i
obtenidos en el uso del cronmetro y toma la desviacin tpica
i
proporcional a la raz cuadrada del tiempo transcurrido entre obser-
vaciones. En toda la demostracin aparece un hbrido entre teora y
aplicacin bastante raro hoy en da.
Conclusin
Independientemente de la polmica entre Gauss y Legendre sobre la
paternidad del principio de los mnimos cuadrados, fue Gauss y no
Legendre quien desarroll el mtodo como herramienta estadstica, en-
cajndolo en un marco estadstico, introduciendo un tratamiento pro-
babilstico de los errores de observacin y planteando el modelo lineal.
Dejando aparte la controversia de utilizar el Teorema de Bayes, los
clculos de Gauss son hoy en da estndares. En gran medida la teora
de la regresin y el diseo de experimentos que forman la base de la
estadstica moderna, dependen de la descomposicin de Q en suma de
cuadrados.
Recogemos las siguientes armaciones de Fisher (Fisher 1970, 21-22):
Gauss aproxim el problema de la estimacin estadstica con espritu
emprico, recalcando la cuestin de la estimacin no slo de las proba-
bilidades sino de otros parmetros cuantitativos. Descubri que, para
este propsito, el mtodo de la mxima verosimilitud era el apropiado,
aunque trat de justicar el mtodo por el principio de la probabilidad
inversa [...].
Gauss adems perfeccion el ajuste sistemtico de las frmulas de
regresin simple y mltiple por el mtodo de los mnimos cuadrados.
y (Fisher 1973, 88):
El camino recto fue trazado por Gauss hace muchos aos y a su mtodo
slo le falta en su renamiento el uso de la t-Student para muestras
pequeas.
Adems el trabajo de Gauss sobre los mnimos cuadrados recursivos
fue redescubierto en el ltimo tercio del siglo xx y aplicado profusa-
mente al tratamiento de series temporales. Como dice Joung (1974,
210):
138 PILAR IBARROLA
En particular el mtodo recurrente tuvo gran importancia en el proce-
samiento de datos para estimar la rbita y trayectoria de la misin
Apolo,
y sigue
Uno se pregunta si Gauss podra haberse imaginado que su sencilla
aproximacin al anlisis de observaciones servira 160 aos ms tarde
a contribuir al xito del primer viaje extraterrestre del hombre.
Finalmente observemos que el ltro de Kalman, de gran aplicacin
actual en series temporales, no es sino un renamiento del mtodo
recurrente de Gauss.
Clamens Schfer, uno de sus bigrafos, escribi en Nature (128 (1931),
p.341):
No fue realmente un fsico en el sentido de buscar nuevos fenmenos,
sino un matemtico que procur formular en trminos matemticos
exactos los resultados experimentales obtenidos por otros.
Seal (1967) escribe:
Gauss aparece como el matemtico ideal, ostentando en proporciones
heroicas para una persona, las capacidades atribuidas colectivamente
a la comunidad de profesionales matemticos.
Referencias
Adrain R. (1808) Analyst 1, p. 93-109.
Bertrand J. (1888) Calcul des probabilits (2nd. Ed. 1972. Chelsea).
Celmins A. (1998) The method of Gauss in 1799. Statistical Science
13 , n
o
2, p. 123-135.
Cauchy A. (1836) On a new formula for solving the problem of inter-
polation in a manner applicable to physical investigations. Phil. Mag 8,
p. 459-468.
Dictionary of Scientic Biography. Gauss, Carl Friedrich, vol 5,
p. 298-314.
GAUSS Y LA ESTADSTICA 139
Encyclopedia of Statistical Science. Gauss, Carl Friedrich, vol 3,
p.305-309.
Encyclopedia of Statistical Science. Least Squares, vol 4, p. 593-
598.
Fisher R.A. (1922) On the mathematical foundations of theoretical
Statistics. Phil. Trans Roy.Soc. A 222, p.309-368.
Fisher R.A. (1970) Statistical Methods for Research Workers. Oliver&
Boyd.
Fisher R.A. (1973) Statistical Methods and Scientic Inference. Hafn-
er Press.
Gauss C.F. (1799) Vermischte Nachrichten n
o
3. Allgemeine Geographis-
che Ephemeridenz 4, p. 378.
Gauss C.F. (1806) Monatl. Corresp Befrd. Erd Himmelskd 14, p.
181-186.
Gauss C.F. (1809) Theoria Motus Corporum Coelestum, Werke 7 (
traducido al ingls por C.H. Davis (1963), Dover).
Gauss C.F. (1816) Bestimmung der Genauigkeit der Beobachtungen.
Werke 4, p. 109-117.
Gauss C.F. (1821-1823-1826) Theoria Combinationis Erroribus Min-
imis Obnoxiae. Partes 1, 2 y suplemento, Werke 4, 1-108.
Gauss C.F. (1824) Chronometrische Langer Bestimmungen. Astro-
mische Nachrinten 5,p. 227.
Laplace P.S. (1810) Mm. Cl. Sc. Math. Phys. Inst. Fr., Anne 1810,
p. 279-247.
Laplace P.S. (1812) Thorie Analytique des Probabilits (Paris).
Legendre A.M. (1805) Nouvelles mthodes pour la determination des
orbites des cometes. (Apndice: Sur la mthode des moindres carrs).
140 PILAR IBARROLA
Olbers W. (1816) Ueber den vernderlichen Stern im Halse des Schwans.
Z. fr Astronomie und verwandte Wissenschaften 2, p.181-198.
Plackett R.L. (1972) The discovery of the method of least squares.
Biometrika 59, p. 239-251.
Sartorius W. (1856) Gauss zum Gechtniss. Leipzig
Seal H.L. (1967) Studies in the history of Probability and Statistics
XV: The historical development of the Gauss linear model. Biometrika
54, p. 1-24.
Shfer C. (1931) Nature 128, p.341.
Sprot D.A. (1978) Gausss contributions to statistics. Historia Math-
ematica 5, p. 183-203.
Stigler S.M. (1981) Gauss and the invention of least squares. Ann.
Statist. 9, p. 465-474.
Young P. (1974. Recursive approach to time series analysis. Bull. Inst.
Math and its Applications 10, p.209-224.