“AÑO DEL BICENTENARIO, DE LA CONSOLIDACIÓN

DE NUESTRA INDEPENDENCIA, Y DE
LA CONMEMORACIÓN DE LAS HEROICAS BATALLAS
DE JUNÍN Y AYACUCHO”

UNIVERSIDAD NACIONAL DE LA AMAZONIA PERUANA

FACULTAD DE INGENIERÍA QUÍMICA

TRABAJO MONOGRÁFICO

TÍTULO: MÉTODOS DE LOS MÍNIMOS CUADRADOS.

ASIGNATURA: PROYECTOS DE INVERSIÓN I.

INTEGRANTES: - CÁRDENAS BAOS ZKANDRA.

- GARCÍA VALERA FRANCO.
- VALER YAHUARCANI CRISTIAN ALAOR.
- RODRIGUEZ BONFILD JOSE ALEXANDER.

DOCENTE: ING. JORGE ARMANDO VASQUEZ PINEDO DR.

FECHA DE ENTRRGA: 30-01-2024.

IQUITOS- PERÚ

2024
 INTRODUCCIÓN

Los métodos de los mínimos cuadrados son una herramienta fundamental en el campo
de la estadística y el análisis de datos. Estos métodos se utilizan para encontrar la mejor
aproximación lineal a un conjunto de datos, es decir, para encontrar la línea recta que
mejor se ajusta a los puntos dispersos en un gráfico. La idea básica detrás de los
mínimos cuadrados es minimizar la suma de los cuadrados de las diferencias entre los
valores reales y los valores predichos por el modelo lineal. Esto se logra ajustando los
coeficientes de la línea recta de manera que la suma de los residuos al cuadrado sea lo
más pequeña posible.
Existen dos enfoques principales para aplicar el método de los mínimos cuadrados: el
enfoque geométrico y el enfoque algebraico.
En el enfoque geométrico, se busca encontrar la línea recta que minimiza la distancia
vertical entre los puntos y la línea. Esto se logra trazando una línea que pasa lo más
cerca posible de los puntos dispersos en el gráfico. La pendiente y la intersección de la
línea se determinan mediante cálculos basados en la geometría del problema.
En el enfoque algebraico, se utiliza el álgebra lineal para encontrar los coeficientes de la
línea recta que mejor se ajusta a los datos. Esto implica resolver un sistema de
ecuaciones lineales para encontrar los valores óptimos de los coeficientes.
Los métodos de los mínimos cuadrados tienen una amplia gama de aplicaciones, desde
ajuste de curvas en análisis de datos hasta modelado de sistemas físicos y económicos.
Estos métodos proporcionan una forma objetiva de determinar la mejor aproximación
lineal a partir de datos experimentales o observacionales, lo que los convierte en una
herramienta poderosa en la interpretación y el análisis de datos.
El objetivo de los mínimos cuadrados es minimizar la suma de los cuadrados de las
diferencias entre los valores observados y los valores predichos por el modelo. Esto
implica encontrar los valores de los parámetros del modelo que hacen que la suma de
los residuos al cuadrado sea la más pequeña posible.
En el contexto económico, los mínimos cuadrados se utilizan para estimar los
coeficientes de un modelo de regresión lineal. Por ejemplo, si se desea analizar la
relación entre el ingreso de las personas y su nivel educativo, se podría utilizar el
método de mínimos cuadrados para ajustar una línea recta a los datos y estimar la
pendiente y la intercepción de la línea.
Es importante tener en cuenta que los mínimos cuadrados asumen ciertas condiciones,
como la linealidad de la relación entre las variables y la ausencia de errores de
medición. Además, es necesario evaluar la calidad del ajuste mediante estadísticas como
el coeficiente de determinación (R²) o el error estándar de los residuos.
FUNDAMENTO TEÓRICO:
Método de los Mínimos Cuadrados
El método de los mínimos cuadrados es el método de estimación más habitual cuando se
realiza el ajuste de un modelo de regresión lineal en los parámetros, aunque no es el
único. Atendiendo al nombre del método, parece claro que hay que minimizar el
cuadrado de algo, y el añadido de ordinario sugiere que deben existir otros tipos de
mínimos cuadrados. El "algo" en cuestión es el error, cuantificado como la diferencia
entre el valor real de la observación y el valor previsto para ella. A esta diferencia se le
llama residuo, y por tanto se minimiza la suma de cuadrados de los residuos con el
objeto de estimar los parámetros del modelo.
Es un procedimiento de análisis numérico en la que, dados un conjunto de datos (pares
ordenados y familia de funciones), se intenta determinar la función continua que mejor
se aproxime a los datos (línea de regresión o la línea de mejor ajuste), proporcionando
una demostración visual de la relación entre los puntos de los mismos. En su forma más
simple, busca minimizar la suma de cuadrados de las diferencias ordenadas (llamadas
residuos) entre los puntos generados por la función y los correspondientes datos.
Este método se utiliza comúnmente para analizar una serie de datos que se obtengan de
algún estudio, con el fin de expresar su comportamiento de manera lineal y así
minimizar los errores de la data tomada.
Su expresión general se basa en la ecuación de una recta y = mx + b. Donde m es la
pendiente y b el punto de corte, y vienen expresadas de la siguiente manera:

El método de mínimos cuadrados calcula a partir de los N pares de datos experimentales

(x, y), los valores m y b que mejor ajustan los datos a una recta. Se entiende por el
mejor ajuste aquella recta que hace mínimas las distancias de los puntos medidos a la
recta.
Cuando se haga uso del método de mínimos cuadrados se debe buscar una línea de
mejor ajuste que explique la posible relación entre una variable
independiente y una variable dependiente. En el análisis de regresión, las
variables dependientes se designan en el eje y vertical y las variables
independientes se designan en el eje x horizontal. Estas designaciones
formarán la ecuación para la línea de mejor ajuste, que se determina a partir del método
de mínimos cuadrados.
VENTAJAS:
 Es muy adecuado para extraer la máxima información de pequeños conjuntos de
datos.
 Es el único método que se puede utilizar para puntos de datos de calidad
variable.
 No requiere de la descomposición en valores singulares, y por lo tanto
disminuye el costo computacional.
 No está ligado fuertemente al parámetro de regularización ∆, aunque una buena
escogencia de este parámetro garantiza una rápida convergencia
Historia:
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. 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.
Mínimos Cuadrados y Análisis de Regresión:
Los parámetros (a, b y c en el ejemplo anterior) se estiman con frecuencia mediante
mínimos cuadrados: se toman aquellos valores que minimicen la suma. El teorema de
Gauss-Márkov establece que los estimadores por mínimos cuadráticos son óptimos en el
sentido de que son los estimadores lineales insesgados de menor varianza, y por tanto de
menor error cuadrático medio, si tomamos f(x) = ax + b estando a y b por determinar y
con los términos de perturbación ε independientes y distribuidos idénticamente (véase el
artículo si desea una explicación más detallada y con condiciones menos restrictivas
sobre los términos de perturbación). La estimación de mínimos cuadrados para modelos
lineales es notoria por su falta de robustez frente a valores atípicos (outlets). Si la
distribución de los atípicos es asimétrica, los estimadores pueden estar sesgados. En
presencia de cualquier valor atípico, los estimadores mínimos cuadráticos son
ineficientes y pueden serlo en extremo. Si aparecen valores atípicos en los datos, son
más apropiados los métodos de regresión robusta.
EJEMPLOS:
 Use el método de mínimos cuadrados para determinar la ecuación de la recta que
mejor se ajusta para los datos. Luego grafique la recta.

Solución:

¿CUÁLES SON LOS MÉTODOS DE ESTIMACIÓN DE MÍNIMOS

CUADRADOS Y MÁXIMA VEROSIMILITUD?
Dos métodos que se utilizan comúnmente para estimar los parámetros poblacionales de
una muestra aleatoria son el método de estimación de máxima verosimilitud
(predeterminado) y el método de estimación de mínimos cuadrados.
Método de la estimación de máxima verosimilitud (MLE)
La función de verosimilitud indica la probabilidad de que una muestra observada
dependa de los posibles valores de los parámetros. Por lo tanto, cuando se maximiza la
función de verosimilitud se determina los parámetros que tienen mayor probabilidad de
producir los datos observados. Desde un punto de vista estadístico, la MLE por lo
general se recomienda para muestras grandes debido a que es versátil, se puede aplicar a
la mayoría de los modelos y a diferentes tipos de datos y produce las estimaciones más
precisas.
Método de estimación de mínimos cuadrados (LSE)
Las estimaciones de los mínimos cuadrados se calculan mediante el ajuste de una línea
de regresión a los puntos de un conjunto de datos que tiene la suma mínima de las
desviaciones elevada al cuadrado (error de mínimos cuadrados). En el análisis de
fiabilidad, la línea y los datos se representan en una gráfica de probabilidad.

CHIRIVELLA GONZÁLEZ, Vicente. Hipótesis en el modelo de regresión lineal por

Mínimos Cuadrados Ordinarios. 2015.