Una forma más precisa de encontrar la recta que mejor se ajusta es el método de

mínimos cuadrados .

Use los pasos siguientes para encontrar la ecuación 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 xmultiplicado por su valor

correspondiente y .

Paso 4: Calcule la pendiente de la recta usando la fórmula:

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

Paso 5: Calcule la intercepción en y de la recta usando la fórmula:

donde son las medias de las coordenadas de x y y de los puntos de datos

respectivamente.

Paso 6: Use la pendiente y la intercepción eny para formar la ecuación de la recta.

Ejemplo:
Use el método de mínimos cuadrados para determinar la ecuación de la recta que
mejor se ajusta para los datos. Luego grafique la recta.
 Mínimos cuadrados

El resultado del ajuste de un conjunto de datos a una función cuadrática.

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-Márkovprueba 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.

https://es.m.wikipedia.org/wiki/M%C3%ADnimos_cuadrados
 Método matricial de la rigidez
El método matricial de la rigidez es un método de cálculo aplicable
a estructuras hiperestáticas de barras que se comportan de
forma elástica y lineal. En inglés se le denomina direct stiffness
method (DSM, método directo de la rigidez), aunque también se le denomina el
método de los desplazamientos. Este método está diseñado para realizar análisis
computarizado de cualquier estructura incluyendo a estructuras estáticamente
indeterminadas. El método matricial se basa en estimar los componentes de las
relaciones de rigidez para resolver las fuerzas o los desplazamientos mediante un
ordenador. El método de rigidez directa es la implementación más común
del método de los elementos finitos. Las propiedades de rigidez del material son
compilados en una única ecuación matricial que gobierna el comportamiento
interno de la estructura idealizada. Los datos que se desconocen de la estructura
son las fuerzas y los desplazamientos que pueden ser determinados resolviendo
esta ecuación. El método directo de la rigidez es el más común en los programas
de cálculo de estructuras (tanto comerciales como de fuente libre).
El método directo de la rigidez se originó en el campo de la aeronáutica. Los
investigadores consiguieron aproximar el comportamiento estructural de las
partes de un avión mediante ecuaciones simples pero que requerían grandes
tiempos de cálculo. Con la llegada de los ordenadores estas ecuaciones se
empezaron a resolver de forma rápida y sencilla.

IntroducciónEditar
El método consiste en asignar a la estructura de barras un objeto matemático,
llamado matriz de rigidez, que relaciona los desplazamientos de un conjunto de
puntos de la estructura, llamados nodos, con las fuerzas exteriores que es necesario
aplicar para lograr esos desplazamientos (las componentes de esta matriz son fuerzas
generalizadas asociadas a desplazamientos generalizados). La matriz de rigidez
relaciona las fuerzas nodales equivalentes y desplazamientos sobre los nodos de la
estructura, mediante la siguiente ecuación:
(1)
Donde: son las fuerzas nodales equivalentes asociadas a las fuerzas exteriores
aplicadas sobre la estructura; son las reacciones hiperestáticas inicialmente
desconocidas sobre la estructura; los desplazamientos nodales incógnita de la
estructura y el número de grados de libertad de la estructura.
La energía de deformación elástica también puede expresarse en términos de la
matriz de rigidez mediante la relación:

Del teorema de Maxwell-Betti se deduce que la matriz de rigidez debe ser simétrica y
por tanto:
https://es.m.wikipedia.org/wiki/M%C3%A9todo_matricial_de_la_rigidez

Error estándar
Propiedad estadística

Para un valor dado en una muestra aleatoria con un error distribuido normal, la imagen de arriba
representa la proporción de muestras que pueden caer entre 0,1,2, y 3 desviaciones estándar por
encima y por debajo del valor real.

El error estándar es la desviación estándar de la distribución muestral de

un estadístico_muestral.[1] El término se refiere también a una estimación de la
desviación estándar, derivada de una muestra particular usada para computar la
estimación.
ConceptoEditar
La media muestral es el estimador usual de una media poblacional. Sin embargo,
diferentes muestras escogidas de la misma población tienden en general a dar
distintos valores de medias muestrales. El error estándar de la media (es decir,
el error debido a la estimación de la media poblacional a partir de las medias
muestrales) es la desviación estándar de todas las posibles muestras (de un
tamaño dado) escogidos de esa población. Además, el error estándar de la media
puede referirse a una estimación de la desviación estándar, calculada desde una
muestra de datos que está siendo analizada al mismo tiempo.
En aplicaciones prácticas, el verdadero valor de la desviación estándar (o del
error) es generalmente desconocido. Como resultado, el término "error estándar"
se usa a veces para referirse a una estimación de esta cantidad desconocida. En
tales casos es importante tener claro de dónde proviene, ya que el error estándar
es sólo una estimación. Desafortunadamente, esto no es siempre posible y puede
ser mejor usar una aproximación que evite usar el error estándar, por ejemplo
usando la estimación de máxima verosimilitud o una aproximación más formal
derivada de los intervalos de confianza. Un caso bien conocido donde se pueda
usar de forma apropiada puede ser en la distribución t de Student para
 proporcionar un intervalo de confianza para una media estimada o diferencia de
medias. En otros casos, el error estándar puede ser usado para proveer una
indicación del tamaño de la incertidumbre, pero su uso formal o semi-formal para
proporcionar intervalos de confianza o test debe ser evitado a menos que el
tamaño de la muestra sea al menos moderadamente grande. Aquí el concepto
"grande" dependerá de las cantidades particulares que vayan a ser analizadas.
En análisis de regresión, el término error estándar o error típico es también usado
como la media de las diferencias entre la estimación por mínimos cuadrados y los
valores dados de la muestra[2][3]
Error estándar de la mediaEditar
El error estándar de la media (llamado en inglés "standard error of the mean"
(SEM)) cuantifica[4] las oscilaciones de la media muestral (media obtenida en los
datos) alrededor de la media poblacional (verdadero valor de la media). El EEM o
SEM se estima generalmente dividiendo la desviación estándar de la población
entre la raíz cuadrada del tamaño de la muestra (asumiendo independencia
estadística de los valores en la muestra):

donde

s es la desviación estándar (es decir, la estimación basada en la muestra de la

desviación estándar de la población).
n es el tamaño (número de individuos de la muestra)

Esta estimación puede ser comparada con la fórmula de la verdadera desviación

estándar de la media de la muestra:

donde

σ es la verdadera desviación estándar de la población.

Esta fórmula puede alcanzarse desde lo que ya conocemos sobre la varianza de la

suma de variables aleatorias independientes.[5]

 Si son observaciones independientes de una población que tiene una

media y una desviación estándar , entonces la varianza del total es

 La varianza de debe ser

 Y la desviación estándar de debe ser .

 Por supuesto, es la media de la muestra .

 Nota: El error estándar y la desviación estándar de muestras pequeñas tienden a
infravalorar sistemáticamente el error estándar y la desviación estándar de la
población: el error estándar de la media es un parámetro sesgado del error
estándar de la población. Con n=2 la infravaloración puede ser del 25%, pero
para n=6 la infravaloración es sólo del 5%.[6]
Supuestos y utilizaciónEditar
Si se asume que los datos utilizados están distribuidos por la normal, los cuantiles
de la distribución normal, la media de la muestra y el error estándar pueden ser
usados para calcular intervalos de confianza aproximados para la media. Las
siguientes expresiones pueden ser usadas para calcular los límites de confianza

por encima y por debajo del 95%, donde es igual a la media de la

muestra, es igual al error estándar para la media de la muestra, y 1,96 es el

cuantil 0.975 de la distribución normal:

Por encima del 95% Límite =

Por debajo del 95% Límite =

En particular, el error estándar de una muestra estadística (como lo es de

la media de la muestra) es la desviación estándar estimada del error en el
proceso que ésta es generada. En otras palabras, el error estándar es la
desviación estándar de la distribución muestral de la muestra estadística. La

notación para el error estándar (del inglés) puede ser , (por error

estándar de "medida" (measurement) o "media" (mean)), o .

Los errores estándar proporcionan una medida sobra la incertidumbre de las
medidas de la muestra en un único valor que es usado a menudo porque:

 Si el error estándar de varias cantidades individuales es conocido entonces el error

estándar de alguna función matemática de esas cantidades puede ser fácilmente
calculado en muchos casos:
 Donde la distribución de probabilidad del valor es conocida, ésta puede ser usada para
calcular una buena aproximación de un intervalo de confianza exacto.
 Donde la distribución de probabilidad es desconocida, relaciones como la Desigualdad
de Chebyshov o la desigualdad de Vysochanskiï–Petuninpueden ser usadas para
calcular unos intervalos de confianza conservativos.
 Como el tamaño de la muestra tiende a infinito, el teorema del límite centralgarantiza
que la distribución de la media muestral es asintóticamente la distribución normal.
 Error estándar de la regresiónEditar
El error estándar de la regresión es el valor que muestra la diferencia entre los
valores reales y los estimados de una regresión. Es utilizado para valorar si existe
una correlación entre la regresión y los valores medidos. Muchos autores
prefieren este dato a otros como el coeficiente de correlación lineal, ya que el
error estándar se mide en las mismas unidades que los valores que se estudian.
La fórmula[7] sería:

Siendo:

 los valores estimados

 los valores medidos

 el tamaño de la muestra

https://es.m.wikipedia.org/wiki/Error_est%C3%A1ndar

Coeficiente de determinación

Ajuste ordinario por mínimos cuadrados. Mientras puntos no disten mucho de la línea de la regresión,
el coeficiente de determinación adoptará valores altos.

En estadística, el coeficiente de determinación, denominado R² y

pronunciado R cuadrado, es un estadístico usado en el contexto de un modelo
estadístico cuyo principal propósito es predecir futuros resultados o probar una
hipótesis. El coeficiente determina la calidad del modelo para replicar los
resultados, y la proporción de variación de los resultados que puede explicarse
por el modelo.[1]
Hay varias definiciones diferentes para R² que son algunas veces equivalentes.
Las más comunes se refieren a la regresión lineal. En este caso, el R² es
 simplemente el cuadrado del coeficiente de correlación de Pearson, lo cual es
sólo cierto para la regresión lineal simple. Si existen varios resultados para una
única variable, es decir, para una X existe una Y, Z... el coeficiente de
determinación resulta del cuadrado del coeficiente de determinación múltiple. En
ambos casos el R² adquiere valores entre 0 y 1. Existen casos dentro de la
definición computacional de R² donde este valor puede tomar valores
negativos.[2]
CálculoEditar
Caso generalEditar
Un modelo estadístico se construye para explicar una variable aleatoria que
llamaremos dependiente a través de otras variables aleatorias a las que
llamaremos factores. Dado que podemos predecir una variable aleatoria
mediante su media y que, en este caso, el error cuadrático medio es su varianza,
el máximo error cuadrático medio que podemos aceptar en un modelo para una
variable aleatoria que posea los dos primeros momentos es la varianza. Para
estimar el modelo haremos varias observaciones de la variable a predecir y de los
factores. A la diferencia entre el valor observado de la variable y el valor predicho
la llamaremos residuo. La media cuadrática de los residuos es la varianza
residual.

Si representamos por la varianza de la variable dependiente y la varianza

residual por , el coeficiente de determinación viene dado por la siguiente

ecuación:

Se mide en tantos por ciento. Si la varianza residual es cero, el modelo explica el

100% de valor de la variable; si coincide con la varianza de la variable
dependiente, el modelo no explica nada y el coeficiente de determinación es del
0%. En variables económicas y financieras, suele ser difícil conseguir un
coeficiente de determinación mayor de un 30%.

Para la regresión linealEditar

Para la regresión basta con hacer el cuadrado del coeficiente de correlación de
Pearson.

Donde:

 es la covarianza de
 es la desviación típica de la variable

 es la desviación típica de la variable

Modelo linealEditar

En un modelo lineal, la variable dependiente se explica mediante la

ecuación . Si observamos veces tanto la variable aleatoria como los

factores, podemos ordenar nuestras observaciones de la variable dependiente en

una matriz mientras que colocaremos las de los factores en la matriz de

regresión . Cada observación corresponderá a una coordenada de ya

una fila de . Cada columna de la matriz de regresión corresponde a las

observaciones de un factor. En cada observación el modelo cometerá un error:

Estos errores se llaman residuos. La varianza residual es la varianza de estos

residuos.

es la parte de la variación de explicada por el modelo lineal.

es la parte de la variación de que no explica el modelo lineal.

Sumando estas dos partes, obtenemos .

El valor del coeficiente de determinación aumenta cuando se incluyen nuevas
variables en el modelo, incluso cuando éstas son poco significativas o tienen poca
correlación con la variable dependiente. El coeficiente de determinación
corregido mide el porcentaje de variación de la variable dependiente (al igual que
el coeficiente de determinación) pero tiene en cuenta además el número de
variables incluidas en el modelo.
https://es.m.wikipedia.org/wiki/Coeficiente_de_determinaci%C3%B3n

https://youtu.be/b0blULCMHAs

https://youtu.be/0RjLT7dHCU0