APROXIMACIN POR MNIMOS CUADRADOS

MTODO DE LOS MNIMOS CUADRADOS

El trmino mnimos cuadrados describe un enfoque frecuentemente usado para resolver
sistemas de ecuaciones sobre determinados o especificados inexactamente en algn
sentido apropiado. En lugar de resolver las ecuaciones exactamente, se busca solamente
minimizar la suma de los cuadrados de los residuales. Muchos de los problemas que
aparecen en las ciencias y en las aplicaciones se pueden reducir a la solucin de un
problema de mnimos cuadrados, o bien contienen subproblemas de mnimos cuadrados.
Asimismo, en la actualidad los mtodos de mnimos cuadrados son de fundamental
importancia en la teora y solucin de los problemas inversos as como de los problemas
mal planteados. Estos problemas usualmente no tienen solucin o bien la solucin no es
nica y, en el mejor de los casos, la solucin no es continua respecto de los datos. En una
gran cantidad de estos problemas es necesario regularizar el problema para encontrar
una solucin. En este documento abordaremos el problema de mnimos cuadrados
lineales, estudiaremos el problema desde el enfoque de proyecciones ortogonales,
presentaremos el mtodo de solucin factorizacin QR.
Ajuste de curvas. Mnimos cuadrados lineales
Una fuente comn que da origen a problemas de mnimos cuadrados es el ajuste de
curvas a un conjunto de datos dados. Sea x una variable independiente y sea y(x) una
funcin desconocida de x la cual queremos aproximar. Suponiendo que tenemos m
observaciones.

( x 1 , y 1 ) , ( x2 , y 2 ) , , ( x m , y m )
Donde yi y (xi), i = 1, 2,..., m, la idea es modelar y(x) por medio de una combinacin de
n funciones base 1(x), 2(x),..., n(x). En el caso lineal suponemos que la funcin que se
ajusta a los datos es una combinacin lineal de la forma:

y ( x )=c 1 1 ( x ) +c 2 2 ( x ) ++ cn n ( x )
Entonces, los datos deben satisfacer de manera aproximada

y i=c 1 1 ( x i ) +c 2 2 ( x i ) ++ c n n ( x i ) ,i=1,2, , m.
La ultima expresin constituye un sistema de m ecuaciones con n incgnitas c1, c2,..., cn.
En el ajuste de curvas el nmero de funciones base n es generalmente menor que el
nmero de datos m, es decir, m > n. En forma matricial la condicin puede expresarse de
la siguiente forma:

][ ] [ ]

1 ( x 1) 2( x1 ) n ( x 1 )
1 ( x 2) 2( x2 ) n ( x 2 )

1( xm ) n (xm ) n ( x m )

c1
y1
c2 = y2

cn
yn

A la matriz de este sistema A = (aij) con aij = j (xi) se le denomina matriz de diseo .El
enfoque de mnimos cuadrados consiste en buscar aquel vector de coeficientes c que
minimice el residual r = yA c. Es decir, para encontrar el ajuste de mnimos cuadrados
debemos encontrar el vector de coeficientes c = (c1,..., cn) T que minimiza la suma de
cuadrados.
BIBLIOGRAFIA:
http://sgpwe.izt.uam.mx/files/users/uami/hect/material_didactico/notas-ALN-MinCuadOpt.pdf