Académique Documents
Professionnel Documents
Culture Documents
Proposicin Si
desigualdad
tal que
Demostracin. Consideramos la funcin
y adems
Observamos que
de modo que
es un
polinomio de segundo grado que tiene a lo sumo una raz real. Se sigue que el
discriminante de este polinomio no es positivo, es decir,
Esto prueba la desigualdad de Schwarz. Adems la
igualdad se cumple cuando el discriminante se anula, y en tal caso existe
tal que
es decir,
DAC = DBC
ACB = ADB
Por tanto, se trata de hallar los m coeficientes cj que hagan que la funcin aproximante
d la mejor aproximacin para los puntos dados
. El criterio de "mejor
aproximacin" puede variar, pero en general se basa en aqul que minimice una
"acumulacin" del error individual (en cada punto) sobre el conjunto total. En primer lugar,
el error (con signo positivo o negativo) de la funcin
define como:
Para alcanzar este objetivo, se utiliza el hecho que la funcin f debe poder describirse como
una combinacin lineal de una base de funciones. Los coeficientes de la combinacin lineal
sern los parmetros que queremos determinar. Por ejemplo, supongamos que f es una
funcin cuadrtica, lo que quiere decir que es una combinacin lineal,
, de las funciones f1(x) = x2, f2(x) = x y f3(x) = 1 (m=3 en este
caso), y que queremos determinar los valores de los coeficientes:
, de modo que
minimicen la suma (S) de los cuadrados de los residuos:
Esto explica el nombre de mnimos cuadrados. A las funciones que multiplican a los
coeficientes buscados, que en este caso son: x2, x y 1, se les conoce con el nombre de
funciones base de la aproximacin, y pueden ser funciones cualesquiera. Para ese caso
general se deduce a continuacin la frmula de la mejor aproximacin discreta (e.d. para un
conjunto finito de puntos), lineal y segn el criterio del error cuadrtico medio, que es la
llamada aproximacin de mnimos cuadrados. Es posible generar otro tipo de
aproximaciones, si se toman los errores mximo o medio, por ejemplo, pero la dificultad
que entraa operar con ellos, debido al valor absoluto de su expresin, hace que sean
difciles de tratar y apenas se usen.
As, los cj que minimizan Ecm tambin minimizan Ec, y podrn ser calculados derivando e
igualando a cero este ltimo:
Siendo i=1,2, . . .,m
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
, para i=1,2, . . .,m
Si se desarrolla la suma, se visualiza la ecuacin "i-sima" del sistema de m ecuaciones
normales:
Siendo (a,b)d 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.
[editar] Corolario
Si se tratara de hallar el conjunto de coeficientes {cj} tal que f(x) pase exactamente por
todos los pares
, esto es, tales que f(x) interpole a
entonces tendra que cumplirse que:
Sustituyendo f(x) por su expresin como combinacin lineal de una base de m funciones:
Esto es:
siendo (r,r)2 el producto interior o escalar del vector residuo sobre s mismo.
Si atendemos al sistema Ac = b, entonces se ve claramente que al multiplicar A y c, lo que
se realiza es una combinacin lineal de las columnas de A:
A su vez, cada una de las m condiciones de perpendicularidad se puede agrupar en una sola:
Por tanto, la mejor aproximacin mnimo cuadrada lineal para un conjunto de puntos
discretos, sean cuales sean las funciones base, se obtiene al resolver el sistema cuadrado:
.
A esta ecuacin se le llama ecuacin normal de Gauss, y es vlida para cualquier conjunto
de funciones base. Si estas son la unidad y la funcin x, entonces la aproximacin se llama
regresin lineal.