METODO DE LOS MINIMOS CUADRADOS

El presente trabajo forma parte de los objetivos y contenidos de aprendizaje de la ctedra ESTADSTICA, que
pretende desarrollar las habilidades para la utilizacin de los mtodos lineales y estimacin de mnimos
cuadrados.
Para lograr este fin, se realizo la consulta de una bibliografa bsica la cual permiti desarrollar los conceptos
y ejemplos, como base para realizar una exposicin adecuada en el saln de clases.
En este trabajo bsicamente se habla de cmo desarrollar la aplicacin de los mtodos lineales y estimacin
por mnimos cuadrados, adems de inferencia, prediccin y correlacin.
Se desarrollaron una serie de ejemplos mediante los cuales se trata de presentar manera mas sencilla usar
estos mtodos.

Leer ms: http://www.monografias.com/trabajos16/metodos-lineales/metodos-lineales.shtml#ixzz4AitLLTTI

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 dedescenso 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.

Recta que mejor se ajusta (Mtodo de mnimos

cuadrados)
Una recta que mejor se ajusta es una lnea recta que es la mejor aproximacin del
conjunto de datos dado.
Es usada para estudiar la naturaleza de la relacin entre dos variables.
Una recta que mejor se ajusta puede ser determinada aproximadamente usando el mtodo
visual al dibujar una lnea recta en una grfica de dispersin para que tanto el nmero de
puntos arriba de la recta y debajo de la recta sean casi iguales (y la lnea pasa a trves de
tantos puntos como sea posible).
Una forma ms precisa de encontrar la recta que mejor se ajusta es el mtodo de mnimos
cuadrados.
Use los pasos siguientes para encontrar la ecuacin de la recta que mejor se ajusta para un
conjunto de parejas ordenadas.
Paso 1: Calcule la media de los valores de x y la media de los valores de y.
Paso 2: Realice la suma de los cuadrados de los valores de x.
Paso 3: Realice la suma de cada valor de x multiplicado por su valor correspondiente y.
Paso 4: Calcule la pendiente de la recta usando la frmula:

donde n es el nmero total de puntos de los datos.

Paso 5: Calcule la intercepcin en y de la recta usando la frmula:

donde
son las medias de las coordenadas de x y y de los puntos de datos
respectivamente.
Paso 6: Use la pendiente y la intercepcin en y para formar la ecuacin de la recta.
Ejemplo:

Use el mtodo de mnimos cuadrados para determinar la ecuacin de la recta que mejor se
ajusta para los datos. Luego grafique la recta.

Solucin:
Grafique los puntos en un plano coordenado.

Calcule las medias de los valores de x y los valores de y, la suma de los cuadrados de los
valores de x, y la suma de cada valor de x multiplicado por su valor correspondiente y.

Calcule la pendiente.

Calcule la intercepcin en y.
Primero, calcule la media de los valores de x y la media de los valores de y.

Use la frmula para calcular la intercepcin en y.

Use la pendiente y la intercepcin en y para formar la ecuacin de la recta que mejor se

ajusta.
La pendiente de la recta es -1.1 y la intercepcin en y es 14.0.
Por lo tanto, la ecuacin es y = -1.1 x + 14.0.
Dibuje la recta en la grfica de dispersin.

http://hotmath.com/hotmath_help/spanish/topics/line-of-best-fit.html