Académique Documents
Professionnel Documents
Culture Documents
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.
. Ello equivale por tanto a hallar los m coeficientes: funcin sea la mejor aproximacin a los n pares . En concreto, se desea que tal empleando, como criterio de con respecto a los
Minimizar el error cuadrtico medio es equivalente a minimizar el error cuadrtico, definido como el radicando del error cuadrtico medio, esto es:
tambin minimizan
Se obtiene un sistema de m ecuaciones con m incgnitas, que recibe el nombre de "Ecuaciones Normales de Gauss". Operando con ellas:
, para i=1,2, . . .,m Si se desarrolla la suma, se visualiza la ecuacin "i-sima" del sistema de m ecuaciones normales:
Siendo
el producto escalar discreto, definido para dos funciones dadas h(x) y g(x) como:
La resolucin de dicho sistema permite obtener, para cualquier base de funciones derivables localmente, la funcin f(x) que sea mejor aproximacin mnimo cuadrtica al conjunto de puntos antes mencionado. La solucin es ptima esto es, proporciona la mejor aproximacin siguiendo el criterio de mnimo error cuadrtico, puesto que se obtiene al optimizar el problema.
Esto establece un sistema de n ecuaciones y m incgnitas, y como en general n>m, quedara sobredeterminado: no tendra siempre una solucin general. Por tanto, la aproximacin tratar en realidad de hallar el vector c que mejor aproxime . Se puede demostrar que la matriz de coeficientes de las ecuaciones normales de Gauss coincide con , siendo A la matriz de coeficientes exactas, y como el trmino independiente de las que
ecuaciones normales de Gauss coincide con el vector , se tiene que los valores mejor aproximan f(x) pueden calcularse como la solucin al sistema: que es, precisamente, el sistema de las ecuaciones normales de Gauss.
Sustituyendo f(x) por su expresin como combinacin lineal de una base de m funciones:
Esto es, se tendra que verificar exactamente un sistema de n ecuaciones y m incgnitas, pero como en general n>m, dicho sistema estara sobredeterminado y, por tanto, sin solucin general. De ah surge la necesidad de aproximarlo. Dicho sistema podra expresarse en forma matricial como:
Esto es:
La aproximacin trata de hallar el vector c aproximante que mejor aproxime el sistema . Con dicho vector c aproximante, es posible definir el vector residuo como:
De manera que el mnimo error cuadrtico supone minimizar el residuo, definiendo su tamao segn la norma eucldea o usual del residuo, que equivale al error cuadrtico:
siendo mismo.
Si atendemos al sistema , entonces se ve claramente que al multiplicar A y c, lo que se realiza es una combinacin lineal de las columnas de A: