MINIMOS CUADRADOS

Mnimos cuadrados es una tcnica de anlisis numrico enmarcada dentro de

la optimizacin matemtica, en la que, dados un conjunto de pares ordenados: variable
independiente, variable dependiente, y una familia de funciones, se intenta encontrar
la funcin continua, dentro de dicha familia, que mejor se aproxime a los datos (un "mejor
ajuste"), de acuerdo con el criterio de mnimo error cuadrtico.
En su forma ms simple, intenta minimizar la suma de cuadrados de las diferencias en las
ordenadas (llamadas residuos) entre los puntos generados por la funcin elegida y los
correspondientes valores en los datos. Especficamente, se llama mnimos cuadrados
promedio(LMS) cuando el nmero de datos medidos es 1 y se usa el mtodo de descenso
por gradiente para minimizar el residuo cuadrado. Se puede demostrar que LMS minimiza
el residuo cuadrado esperado, con el mnimo de operaciones (por iteracin), pero requiere
un gran nmero de iteraciones para converger.
Desde un punto de vista estadstico, un requisito implcito para que funcione el mtodo de
mnimos cuadrados es que los errores de cada medida estn distribuidos de forma
aleatoria. El teorema de Gauss-Mrkov prueba que los estimadores mnimos cuadrticos
carecen de sesgo y que el muestreo de datos no tiene que ajustarse, por ejemplo, a
una distribucin normal. Tambin es importante que los datos a procesar estn bien
escogidos, para que permitan visibilidad en las variables que han de ser resueltas (para
dar ms peso a un dato en particular, vase mnimos cuadrados ponderados).
La tcnica de mnimos cuadrados se usa comnmente en el ajuste de curvas. Muchos
otros problemas de optimizacin pueden expresarse tambin en forma de mnimos
cuadrados, minimizando la energa o maximizando la entropa.

SOLUCION DE PROBLEMAS CON MINIMOS CUADRADOS

La aproximacin mnimo cuadrtica consiste en minimizar el error cuadrtico mencionado
ms arriba, y tiene solucin general cuando se trata de un problema de aproximacin lineal
(lineal en sus coeficientes

) cualesquiera que sean las funciones base:

antes

mencionadas. Por lineal se entiende que la aproximacin buscada se expresa como una
combinacin lineal de dichas funciones base. Para hallar esta expresin se puede seguir
un camino analtico, expuesto abajo, mediante el clculo multivariable, consistente en
optimizar los coeficientes

; o bien, alternativamente, seguir un camino geomtrico con el

uso de el lgebra lineal, como se explica ms abajo, en la llamada deduccin geomtrica.

Para los Modelos estticos uniecuacionales, el mtodo de mnimos cuadrados no ha sido
superado, a pesar de diversos intentos para ello, desde principios del Siglo XIX. Se puede
demostrar que, en su gnero, es el que proporciona la mejor aproximacin.

FORMULAS

EJERCICIOS RESUELTOS
Puntos
0
V
26,43
P
14,7

1
22,4
17,53

2
19,08
20,8

3
16,32
24,54

P=av
^b
lnP=y

Puntos

Vi

Pi

lna=a
0
b=a1

lnv=x

26,43
00
22,40
00
19,08
00
16,32
00
14,04
00
12,12
00
10,51
00
9,150
0
8,000
0

14,700
0
17,530
0
20,800
0
24,540
0
28,830
0
33,710
0
39,250
0
45,490
0
52,520
0
277,37
00

4
5
6
7
8

a0=
a1=

6,175
9
1,065
3

4
14,04
28,83

5
12,12
33,71

6
10,51
39,25

7
9,15
45,49

yi=lnP x=lnV

xi^2

xi*yi

2,687
8
2,863
9
3,035
0
3,200
3
3,361
4
3,517
8
3,670
0
3,817
5
3,961
2
30,11
49

10,72
23
9,666
3
8,694
5
7,797
4
6,979
7
6,224
3
5,533
4
4,900
7
4,324
1
64,84
28

8,801
4
8,904
1
8,949
0
8,936
5
8,880
6
8,776
4
8,632
9
8,451
0
8,237
1
78,56
89

3,274
5
3,109
1
2,948
6
2,792
4
2,641
9
2,494
9
2,352
3
2,213
8
2,079
4
23,90
69

8
8
52,52

Puntos
R
T

0
10,42
1
10,5

P=av
^b

1
10,93
9
29,49

2
11,32
1
42,7

3
11,79
4
60,01

4
12,24
2
75,51

Puntos

X
10,42
1
10,93
9
11,32
1
11,79
4
12,24
2
12,66
8
69,38
5

Y
10,50
0
29,49
0
42,70
0
60,01
0
75,51
0
91,05
0
309,2
60

X^2
108,5
97
119,6
62
128,1
65
139,0
98
149,8
67
160,4
78
805,8
67

lnP=y
lna=a
0

b=a1

lnv=x

4
5

a0=
a1=

361,8
02
33,58
00

y=-361,802+33,580x

5
12,668
91,05

X*Y
109,421
322,591
483,407
707,758
924,393
1153,42
1
3700,99
1