Medidas de posición para datos agrupados y no

agrupados: cuartiles, deciles y percentiles

Enviado por ANA MILENA GARCIA PORTO

1.
2.
3. Cuantiles
4. Cuartiles
5. Deciles
6. Centiles o percentiles
7. Ejemplo
8. Bibliografía

1. Las Medidas de Posición, también conocidas como Otras Medidas de Dispersión, son otras medidas
o métodos que resultan ser más prácticos para precisar ciertas situaciones en las que se busca
describir la variación o dispersión en un conjunto de datos.
2. INTRODUCCIÓN
3. CUANTILES

Los cuantiles son medidas de posición que se determinan mediante un método que determina la
ubicación de los valores que dividen un conjunto de observaciones en partes iguales.
Los cuantiles son los valores de la distribución que la dividen en partes iguales, es decir, en intervalos que
comprenden el mismo número de valores. Cuando la distribución contiene un número alto de intervalos o
de marcas y se requiere obtener un promedio de una parte de ella, se puede dividir la distribución en
cuatro, en diez o en cien partes.
Los más usados son los cuartiles, cuando dividen la distribución en cuatro partes; los deciles, cuando
dividen la distribución en diez partes y los centiles o percentiles, cuando dividen la distribución en cien
partes. Los cuartiles, como los deciles y los percentiles, son en cierta forma una extensión de la mediana.
Para algunos valores u , se dan nombres particulares a los cuantiles, Q (u):
u Q(u)

0.5 Mediana
0.25, 0.75 Cuartiles
0.1, ... , 0.99 Deciles
0.01, ..., 0.99 Centiles
CUARTILES
Los cuartiles son los tres valores que dividen al conjunto de datos ordenados en cuatro partes
porcentualmente iguales.
Hay tres cuartiles denotados usualmente Q1, Q2, Q3. El segundo cuartil es precisamente la mediana. El
primer cuartil, es el valor en el cual o por debajo del cual queda un cuarto (25%) de todos los valores de la
sucesión (ordenada); el tercer cuartil, es el valor en el cual o por debajo del cual quedan las tres cuartas
partes (75%) de los datos.
Datos Agrupados
 Como los cuartiles adquieren su mayor importancia cuando contamos un número grande de datos y
tenemos en cuenta que en estos casos generalmente los datos son resumidos en una tabla de frecuencia.
La fórmula para el cálculo de los cuartiles cuando se trata de datos agrupados es la siguiente:
k= 1,2,3
Donde:
Lk = Límite real inferior de la clase del cuartil k
n = Número de datos
Fk = Frecuencia acumulada de la clase que antecede a la clase del cuartil k.
fk = Frecuencia de la clase del cuartil k
c = Longitud del intervalo de la clase del cuartil k
Si se desea calcular cada cuartil individualmente, mediante otra fórmula se tiene lo siguiente:
 El primer cuartil Q1, es el menor valor que es mayor que una cuarta parte de los datos; es decir, aquel
valor de la variable que supera 25% de las observaciones y es superado por el 75% de las observaciones.

Fórmula de Q1, para series de Datos agrupados:

Donde:
L1 = limite inferior de la clase que lo contiene
P = valor que representa la posición de la medida
f1 = la frecuencia de la clase que contiene la medida solicitada.
Fa-1 = frecuencia acumulada anterior a la que contiene la medida solicitada.
Ic = intervalo de clase
 El segundo cuartil Q2, (coincide, es idéntico o similar a la mediana, Q2 = Md), es el menor valor que es
mayor que la mitad de los datos, es decir el 50% de las observaciones son mayores que la mediana y el
50% son menores.

Fórmula de Q2, para series de Datos agrupados:

Donde:
L1 = limite inferior de la clase que lo contiene
P = valor que representa la posición de la medida
f1 = la frecuencia de la clase que contiene la medida solicitada.
Fa-1 = frecuencia acumulada anterior a la que contiene la medida solicitada.
Ic = intervalo de clase
 El tercer cuartil Q3, es el menor valor que es mayor que tres cuartas partes de los datos, es decir aquel
valor de la variable que supera al 75% y es superado por el 25% de las observaciones.

Fórmula de Q3, para series de Datos agrupados:

Donde:
L1 = limite inferior de la clase que lo contiene
P = valor que representa la posición de la medida
f1 = la frecuencia de la clase que contiene la medida solicitada.
Fa-1 = frecuencia acumulada anterior a la que contiene la medida solicitada.
Ic = intervalo de clase.
Otra manera de verlo es partir de que todas las medidas no son sino casos particulares del percentil, ya
que el primer cuartil es el 25% percentil y el tercer cuartil 75% percentil.
Para Datos No Agrupados
Si se tienen una serie de valores X1, X2, X3 ... Xn, se localiza mediante las siguientes fórmulas:
- El primer cuartil:
Cuando n es par:
 Cuando n es impar:

 Para el tercer cuartil

Cuando n es par:

Cuando n es impar:

DECILES
Los deciles son ciertos números que dividen la sucesión de datos ordenados en diez partes
porcentualmente iguales. Son los nueve valores que dividen al conjunto de datos ordenados en diez
partes iguales, son también un caso particular de los percentiles. Los deciles se denotan D1, D2,..., D9,
que se leen primer decil, segundo decil, etc.
Los deciles, al igual que los cuartiles, son ampliamente utilizados para fijar el aprovechamiento
académico.
Datos Agrupados
Para datos agrupados los deciles se calculan mediante la fórmula.

k= 1,2,3,... 9
Donde:
Lk = Límite real inferior de la clase del decil k
n = Número de datos
Fk = Frecuencia acumulada de la clase que antecede a la clase del decil k.
fk = Frecuencia de la clase del decil k
c = Longitud del intervalo de la clase del decil k
Otra fórmula para calcular los deciles:
 El cuarto decil, es aquel valor de la variable que supera al 40%, de las observaciones y es superado por el
60% de las observaciones.

 El quinto decil corresponde a la mediana.

 El noveno decil supera al 90% y es superado por el 10% restante.

Donde (para todos):

L1 = limite inferior de la clase que lo contiene
P = valor que representa la posición de la medida
 f1 = la frecuencia de la clase que contiene la medida solicitada.
Fa-1 = frecuencia acumulada anterior a la que contiene la medida solicitada.
Ic = intervalo de clase.
Fórmulas Datos No Agrupados
Si se tienen una serie de valores X1, X2, X3 ... Xn, se localiza mediante las siguientes fórmulas:

Cuando n es par:

Cuando n es impar:
Siendo A el número del decil.
CENTILES O PERCENTILES
Los percentiles son, tal vez, las medidas más utilizadas para propósitos de ubicación o clasificación de las
personas cuando atienden características tales como peso, estatura, etc.
Los percentiles son ciertos números que dividen la sucesión de datos ordenados en cien partes
porcentualmente iguales. Estos son los 99 valores que dividen en cien partes iguales el conjunto de datos
ordenados. Los percentiles (P1, P2,... P99), leídos primer percentil,..., percentil 99.
Datos Agrupados
Cuando los datos están agrupados en una tabla de frecuencias, se calculan mediante la fórmula:

k= 1,2,3,... 99
Donde:
Lk = Límite real inferior de la clase del decil k
n = Número de datos
Fk = Frecuencia acumulada de la clase que antecede a la clase del decil k.
fk = Frecuencia de la clase del decil k
c = Longitud del intervalo de la clase del decil k
Otra forma para calcular los percentiles es:
 Primer percentil, que supera al uno por ciento de los valores y es superado por el noventa y nueve por
ciento restante.

 El 60 percentil, es aquel valor de la variable que supera al 60% de las observaciones y es superado por el
40% de las observaciones.

 El percentil 99 supera 99% de los datos y es superado a su vez por el 1% restante.

Fórmulas Datos No Agrupados

Si se tienen una serie de valores X1, X2, X3 ... Xn, se localiza mediante las siguientes fórmulas:
Para los percentiles, cuando n es par:
 Cuando n es impar:
Siendo A, el número del percentil.
Es fácil ver que el primer cuartil coincide con el percentil 25; el segundo cuartil con el percentil 50 y el
tercer cuartil con el percentil 75.
3. EJEMPLO
Determinación del primer cuartil, el séptimo decil y el 30 percentil, de la siguiente tabla:
Salarios No. De fa
(I. De Clases) Empleados (f1)
200-299 85 85
300-299 90 175
400-499 120 295
500-599 70 365
600-699 62 427
700-800 36 463
Como son datos agrupados, se utiliza la fórmula

Siendo,

La posición del primer cuartil.

La posición del 7 decil.

La posición del percentil 30.

Entonces,

El primer cuartil:
115.5 – 85 = 30.75
Li = 300, Ic = 100 , fi = 90

El 7 decil:

Posición:
324.1 – 295 = 29.1
Li = 500, fi = 70

El percentil 30
Posición:

138.9 – 85 = 53.9
fi = 90
 Fórmula de Q3, para series de Datos agrupados:

Donde:
L1 = limite inferior de la clase que lo contiene
P = valor que representa la posición de la medida
f1 = la frecuencia de la clase que contiene la medida solicitada.
Fa-1 = frecuencia acumulada anterior a la que contiene la medida solicitada.
Ic = intervalo de clase.
Otra manera de verlo es partir de que todas las medidas no son sino casos particulares del percentil, ya
que el primer cuartil es el 25% percentil y el tercer cuartil 75% percentil.
Para Datos No Agrupados
Si se tienen una serie de valores X1, X2, X3 ... Xn, se localiza mediante las siguientes fórmulas:
- El primer cuartil:
Cuando n es par:

Estos resultados nos indican que el 25% de los empleados ganan salarios por debajo de $ 334; que bajo
541.57 gana el 57%de los empleados y sobre $359.88, gana el 70% de los empleados.
BIBLIOGRAFÍA
 Texto Estadística para las Ciencias Administrativas.
 Martinez, Ciro. Estadística y Muestreo. Ecoe Ediciones. Bogotá. 11ª. Edición.
 Consulta en Internet

PRESENTADO POR:
ANA MILENA GARCIA PORTO
ESTUDIANTE DE FINANZAS Y NEGOCIOS INTERNACIONALES
CATEGORÍA: ESTADISTICA
UNIVERSIDAD TECNOLÒGICA DE BOLÌVAR
CARTAGENA, COLOMBIA

Leer más: http://www.monografias.com/trabajos27/datos-agrupados/datos-

agrupados.shtml#ixzz3taMsH9fV

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

laoptimización matemática, en la que, dados un conjunto de pares ordenados: variable
independiente, variable dependiente, y una familia de funciones, se intenta encontrar
lafunción 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-Márkov prueba 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.

Índice
[ocultar]

 1Historia
 2Formulación formal del problema bidimensional
 3Solución del problema de los mínimos cuadrados
o 3.1Deducción analítica de la aproximación discreta mínimo cuadrática lineal
 3.1.1Corolario
o 3.2Deducción geométrica de la aproximación discreta mínimo cuadrática lineal
 4Mínimos cuadrados y análisis de regresión
 5Referencias
 6Véase también
 7Enlaces externos

Historia[editar]

Karl Friedrich Gauss

El día de Año Nuevo de 1801, el astrónomo italiano Giuseppe Piazzi descubrió el planeta
enano Ceres. Fue capaz de seguir su órbita durante 40 días. Durante el curso de ese año,
muchos científicos intentaron estimar su trayectoria con base en las observaciones de
Piazzi (resolver las ecuaciones no lineales de Kepler de movimiento es muy difícil). La
mayoría de las evaluaciones fueron inútiles; el único cálculo suficientemente preciso para
permitir a Franz Xaver von Zach, astrónomo alemán, reencontrar a Ceres al final del año
fue el de Carl Friedrich Gauss, por entonces un joven de 24 años (los fundamentos de su
enfoque ya los había planteado en 1795, cuando aún tenía 18 años). Sin embargo, su
método de mínimos cuadrados no se publicó sino hasta 1809, y apareció en el segundo
volumen de su trabajo sobre mecánica celeste, Theoria Motus Corporum Coelestium in
sectionibus conicis solem ambientium. El francés Adrien-Marie Legendredesarrolló el
mismo método de forma independiente en 1805.
En 1829, Gauss fue capaz de establecer la razón del éxito maravilloso de este
procedimiento: simplemente, el método de mínimos cuadrados es óptimo en muchos
aspectos. El argumento concreto se conoce como teorema de Gauss-Márkov.

Formulación formal del problema bidimensional[editar]

Sea un conjunto de n puntos en el plano real, y sea una

base de m funciones linealmente independiente en un espacio de funciones. Queremos
encontrar una función que sea combinación lineal de las funciones base, de modo
que , esto es:

Por tanto, se trata de hallar los m coeficientes que hagan que la función
aproximante dé la mejor aproximación para los puntos dados . El
criterio de "mejor aproximación" puede variar, pero en general se basa en aquél que
minimice una "acumulación" del error individual (en cada punto) sobre el conjunto total.
En primer lugar, el error (con signo positivo o negativo) de la función en un solo
punto, , se define como:

pero se intenta medir y minimizar el error en todo el conjunto de la

aproximación, . En matemáticas, existen diversas formas de
definir el error, sobre todo cuando éste se refiere a un conjunto de puntos (y no
sólo a uno), a una función, etc. Dicho error (el error "total" sobre el conjunto de
puntos considerado) suele definirse con alguna de las siguientes fórmulas:

Error Máximo:

Error Medio:

Error cuadrático medio:

La aproximación por mínimos cuadrados se basa en la minimización
del error cuadrático medio o, equivalentemente, en la minimización del
radicando de dicho error, el llamado error cuadrático, definido como:

Para alcanzar este objetivo, se utiliza el hecho que la

función f debe poder describirse como una combinación lineal de
una base de funciones. Los coeficientes de la combinación lineal
serán los parámetros que queremos determinar. Por ejemplo,
supongamos que fes una función cuadrática, lo que quiere decir
que es una combinación lineal, , de las
funciones , y (m=3 en
este caso), y que se pretende determinar los valores de los
coeficientes: , de modo que minimicen la suma (S) de los
cuadrados de los residuos:

Esto explica el nombre de mínimos cuadrados. A las

funciones que multiplican a los coeficientes buscados, que en
este caso son: , y , se les conoce con el nombre de
funciones base de la aproximación, y pueden ser funciones
cualesquiera. Para ese caso general se deduce a
continuación la fórmula de la mejor aproximación discreta (i.e.
para un conjunto finito de puntos), lineal y según el criterio del
error cuadrático medio, que es la llamada aproximación lineal
por mínimos cuadrados. Es posible generar otro tipo de
aproximaciones, si se toman los errores máximo o medio, por
ejemplo, pero la dificultad que entraña operar con ellos,
debido al valor absoluto de su expresión, hace que sean
difíciles de tratar y casi no se usen.

Solución del problema de los mínimos

cuadrados[editar]
La aproximación mínimo cuadrática consiste en minimizar el
error cuadrático mencionado más arriba, y tiene solución
general cuando se trata de un problema de aproximación
lineal (lineal en sus coeficientes ) cualesquiera que sean las
funciones base: antes mencionadas. Por lineal se
entiende que la aproximación buscada se expresa como una
combinación lineal de dichas funciones base. Para hallar esta
expresión se puede seguir un camino analítico, expuesto
abajo, mediante el cálculo multivariable, consistente en
optimizar los coeficientes ; o bien, alternativamente, seguir
un camino geométrico con el uso de el álgebra lineal, como se
explica más abajo, en la llamada deducción geométrica. Para
los Modelos estáticos uniecuacionales, el método de mínimos
cuadrados no ha sido superado, a pesar de diversos intentos
para ello, desde principios del Siglo XIX. Se puede demostrar
que, en su género, es el que proporciona la mejor
aproximación.
Deducción analítica de la aproximación discreta
mínimo cuadrática lineal[editar]

Sea un conjunto de n pares con abscisas

distintas, y sea un conjunto de m funciones

linealmente independientes (en un espacio vectorial de
funciones), que se llamarán funciones base. Se desea
encontrar una función de dicho espacio, o sea,
combinación lineal de las funciones base, tomando por ello la
forma:

.
Ello equivale por tanto a hallar los m

coeficientes: . En concreto, se desea que tal

función sea la mejor aproximación a los n
pares empleando, como criterio de "mejor", el
criterio del mínimo error cuadrático medio de la
función con respecto a los puntos .
El error cuadrático medio será para tal caso:

Minimizar el error cuadrático medio es equivalente a

minimizar el error cuadrático, definido como el radicando del
error cuadrático medio, esto es:

Así, los que minimizan también minimizan ,y

podrán ser calculados derivando e igualando a cero este
último:
 Si
endo i=1,2, . . .,m
Se obtiene un sistema de m ecuaciones con m incógnitas,
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 ecuación "i-ésima" del

sistema de m ecuaciones
normales:

, para cada i=1,2, . . .,m

Lo cual, en forma matricial, se expresa como:

Siendo el producto escalar discreto, definido para

dos funciones dadas h(x) y g(x) como:

,
y para una función h(x) y vector cualquiera u, como:

La resolución de dicho sistema permite obtener, para

cualquier base de funciones derivables localmente, la función
f(x) que sea mejor aproximación mínimo cuadrática al
conjunto de puntos antes mencionado. La solución es óptima
–esto es, proporciona la mejor aproximación siguiendo el
criterio de mínimo error cuadrático–, puesto que se obtiene al
optimizar el problema.
Corolario[editar]

Si se tratara de hallar el conjunto de coeficientes tal

que pase exactamente por todos los
pares , esto es, tales
que interpole a , entonces tendría que
cumplirse que:

Que en forma matricial se expresa como:

Esto establece un sistema de n ecuaciones y m incógnitas, y

como en general n>m, quedaría sobredeterminado: no tendría
siempre una solución general. Por tanto, la aproximación
tratará 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 término
independiente de las ecuaciones normales de Gauss coincide
con el vector , se tiene que los valores que mejor
aproximan f(x) pueden calcularse como la solución al sistema:

que es, precisamente, el sistema de las ecuaciones normales

de Gauss.
Deducción geométrica de la aproximación
discreta mínimo cuadrática lineal[editar]
La mejor aproximación deberá tender a interpolar la función
de la que proviene el conjunto de pares , esto es,
deberá tender a pasar exactamente por todos los puntos. Eso
supone que se debería cumplir que:

Sustituyendo f(x) por su expresión como combinación

lineal de una base de m funciones:

Esto es, se tendría que verificar exactamente un

sistema de n ecuaciones y m incógnitas, pero como
en general n>m, dicho sistema estaría
sobredeterminado y, por tanto, sin solución general.
De ahí surge la necesidad de aproximarlo.
Dicho sistema podría expresarse en forma matricial
como:
Esto es:

La aproximación 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 mínimo error

cuadrático supone minimizar el residuo,
definiendo su tamaño según la norma
euclídea o usual del residuo, que
equivale al error cuadrático:

siendo el producto interior o

escalar del vector residuo sobre sí
mismo.
Si atendemos al sistema ,
entonces se ve claramente que al
multiplicar A y c, lo que se realiza es
una combinación lineal de las
columnas de A:

El problema de aproximación
será hallar aquella combinación
lineal de columnas de la matriz A
lo más cercana posible al vector
b. Se comprueba que el conjunto
de las columnas de A generan
un espacio vectorial o Span
lineal:
, al
que el vector b no tiene porqué
pertenecer (si lo hiciera, el
sistema A.c=b tendría solución).
Entonces, de los infinitos
vectores
del q
ue son combinación lineal de los
vectores de la base, se tratará de
hallar el más cercano al vector b.
De entre todos ellos, el que
cumple esto con respecto a la
norma euclídea es la proyección
ortogonal de b
sobre
, y que por tanto hace que el
tamaño del vector r, que será el
vector que une los extremos de
los vectores b y proyección
ortogonal de b sobre el span, sea
mínimo, esto es, que minimiza su
norma euclídea.
Es inmediato ver que si el
residuo une b con su proyección
ortogonal, entonces es a su vez
ortogonal
al ,y
a cada uno de los vectores de la
base, esto es, ortogonal a cada
columna de A.
La condición de minimización del
residuo será:

Que es cierto si y sólo si:

A su vez, cada una de

las m condiciones de
perpendicularidad se
pueden agrupar en una
sola:

Sustituyendo el
residuo por su
expresión:

Por tanto, la
mejor
aproximación
mínimo
cuadrada lineal
para un conjunto
de puntos
discretos, sean
 cuales sean las
funciones base,
se obtiene al
resolver el
sistema
cuadrado:

.
A esta
ecuación se
le
llama ecuaci
ón normal
de Gauss, y
es válida
para
cualquier
conjunto de
funciones
base. Si
estas son la
unidad y la
función x,
entonces la
aproximació
n se
llama regresi
ón lineal.

Mínimo
s
cuadrad
os y
análisis
de
regresió
n[editar]
En
el análisis
de
regresión,
se sustituye
la relación

por

sien
do
el
térm
ino
de
pert
urba
ción
ε
una
vari
able
alea
toria
con
med
ia
cero
.
Obś
erve
se
que
esta
mos
asu
mie
ndo
que
los
valo
res
x so
n
exa
ctos
,y
que
todo
s los
erro
res
está
n en
los
valo
res
y.
De
nue
vo,
disti
ngui
mos
entr
e re
gres
ión
line
al,
en
cuy
o
cas
o la
func
ión f
es
line
al
para
los
pará
metr
os a
ser
dete
rmin
ado
s
(ej.,
f(x)
= ax
2 + b

x+
c),
y re
gres
ión
no
line
al.
Co
mo
ante
s, la
regr
esió
n
line
al
es
muc
ho
más
sen
cilla
que
la
no
line
al.
(Es
tent
ador
pen
sar
que
la
razó
n
del
nom
bre r
egre
sión
line
al e
s
que
la
gráfi
ca
de
la
func
ión f
(x)
= ax
+b
es
una
líne
a.
Ajus
tar
una
curv
a f(x
)
= ax
2
+b
x+
c,
esti
man
do a
,by
cp
or
míni
mos
cua
drad
os
es
un
eje
mpl
o de
regr
esió
n lin
ealp
orqu
e el
vect
or
de
esti
mad
ores
míni
mos
cua
dráti
cos
de a
,by
ce
s
una
tran
sfor
mac
ión
line
al d
el
vect
or
cuy
os
com
pon
ente
s
sonf
(xi)
+ εi).
Los
pará
metr
os
(a, b
yc
en
el
eje
mpl
o
ante
rior)
se
esti
man
con
frec
uen
cia
med
iant
e
míni
mos
cua
drad
os:
se
tom
an
aqu
ellos
valo
res
que
mini
mic
en
la
sum
a S.
El te
ore
ma
de
Gau
ss-
Már
kov
esta
blec
e
que
los
esti
mad
ores
míni
mos
cua
dráti
cos
son
ópti
mos
en
el
sent
ido
de
que
son
los
esti
mad
ores
line
ales
inse
sga
dos
de
men
or
vari
anz
a, y
por
tant
o de
men
or
erro
r
cua
dráti
co
med
io, si
tom
amo
sf(x)
= ax
+b
esta
ndo
ay
b po
r
dete
rmin
ar y
con
los
térm
inos
de
pert
urba
ción
ε
inde
pen
dien
tes
y
distr
ibui
dos
idén
tica
men
te
(véa
se
elart
ícul
o si
des
ea
una
expli
caci
ón
más
deta
llad
ay
con
con
dicio
nes
men
os
restr
ictiv
as
sobr
e
los
térm
inos
de
pert
urba
ción
).
La
esti
mac
ión
de
míni
mos
cua
drad
os
para
mod
elos
line
ales
es
noto
ria
por
su
falta
de
robu
stez
frent
ea
valo
res
atípi
cos
(outl
iers)
. Si
la
distr
ibuci
ón
de
los
atípi
cos
es
asi
métr
ica,
los
esti
mad
ores
pue
den
esta
r
ses
gad
os.
En
pres
enci
a de
cual
quie
r
valo
r
atípi
co,
los
esti
mad
ores
míni
mos
cua
dráti
cos
son
inefi
cien
tes
y
pue
den
serl
o en
extr
emo
. Si
apar
ece
n
valo
res
atípi
cos
en
los
dato
s,
son
más
apro
piad
os
los
mét
odo
s
de r
egre
sión
robu
sta.

Re
fer
en
cia
s[e
dita
r]