Product Design, Manufacturing & Innovation Resources
Hogar » Método de Mínimos Cuadrados Ordinarios (MCO)

Método de Mínimos Cuadrados Ordinarios (MCO)

1805
  • Adrien-Marie Legendre
  • Carl Friedrich Gauss
Historical office scene depicting the Method of Ordinary Least Squares in mathematical statistics.

(Imagen generada únicamente con fines ilustrativos)

Un enfoque estándar para aproximar soluciones a sistemas sobredeterminados consiste en encontrar parámetros del modelo que minimicen la suma de las diferencias cuadráticas entre los valores observados y predichos. Esta suma se conoce como suma de residuos al cuadrado (SSR). El objetivo es encontrar los parámetros [latex]hat{beta}[/latex] que minimicen la función [latex]S(beta) = sum_{i=1}^{n} (y_i – x_i^T beta)^2[/latex].

El método de mínimos cuadrados ordinarios es fundamental en el análisis de regresión. Proporciona una forma directa de estimar los parámetros desconocidos en un modelo lineal. El principio consiste en encontrar la línea (o hiperplano en regresión múltiple) que esté más cerca de todos los puntos de datos simultáneamente. El término "más cerca" se define minimizando las distancias verticales de cada punto a la línea, específicamente, la suma de los cuadrados de estas distancias (residuos).

Este problema de minimización se puede resolver usando cálculo. Al derivar la función suma de los cuadrados de los residuos [latex]S(beta)[/latex] con respecto al vector de parámetros [latex]beta[/latex] e igualarla a cero, obtenemos un conjunto de ecuaciones conocidas como las "ecuaciones normales"[8216]. En forma matricial, estas se expresan como [latex]X^TX hat{beta} = X^T y[/latex], donde [latex]X[/latex] es la matriz de variables independientes y [latex]y[/latex] es el vector de la variable dependiente.

La solución para el vector de coeficientes estimado viene dada por [latex]hat{beta} = (X^TX)^{-1} X^T y[/latex]. Esta solución analítica es computacionalmente eficiente y proporciona una estimación única, siempre que la matriz [latex]X^TX[/latex] sea invertible (es decir, que no exista multicolinealidad perfecta entre las variables independientes). Geométricamente, la solución de MCO corresponde a una proyección ortogonal del vector de resultados [latex]y[/latex] sobre el subespacio vectorial generado por las columnas de la matriz predictora [latex]X[/latex]. Si bien es potente, el método de MCO es sensible a los valores atípicos, ya que elevar al cuadrado los residuos otorga a los errores grandes una influencia desproporcionadamente grande en el ajuste final.

UNESCO Nomenclature: 1209
– Statistics

Tipo

Software/Algorithm

Ruptura

Sustancial

Uso

Uso generalizado

Precursores

  • Álgebra lineal (operaciones con matrices)
  • Cálculo diferencial (para encontrar mínimos)
  • Teoría de los errores en la observación (desarrollada por astrónomos)
  • Geometría analítica (Descartes)

Aplicaciones

  • estimación de parámetros en modelos de regresión lineal
  • procesamiento de señales y filtrado digital
  • teoría de control para la identificación de sistemas
  • econometría para modelar las relaciones económicas
  • cálculos astronómicos de órbitas

Patentes:

NA

Ideas para posibles innovaciones

  • Monitoreo de la salud estructural de puentes en tiempo real mediante el ajuste de datos de sensores a modelos físicos
  • Algoritmos adaptativos para publicidad personalizada que minimizan el error de predicción
  • Estrategias de trading automatizadas de alta frecuencia basadas en la minimización del error de seguimiento con respecto a un punto de referencia.
  • modelos de precios dinámicos para el comercio electrónico que ajustan los precios en función de la elasticidad de la demanda en tiempo real
  • AI-powered imágenes médicas analysis to fit models of tumor growth to scan data
  • Optimización de los rendimientos agrícolas mediante la modelización del crecimiento de los cultivos en función de los insumos de fertilizantes y del clima.
  • Precisión de ubicación GPS mejorada al minimizar errores de múltiples señales satelitales
  • modelos predictivos de degradación de baterías en vehículos eléctricos
  • Generación algorítmica de movimientos de personajes CGI realistas basados ​​en datos de captura de movimiento.
  • Optimización de la logística de la cadena de suministro para minimizar las discrepancias entre la demanda prevista y la real
Relacionado con: mínimos cuadrados, MCO, estimación de parámetros, suma de residuos al cuadrado, optimización, ecuaciones normales, álgebra lineal, análisis de regresión, ajuste de curvas, ajuste de datos.

Contexto histórico

Método de Mínimos Cuadrados Ordinarios (MCO)

1750
1763-12-23
1780
1805
1822
1822
1828
1747
1758
1777
1799
1812
1822
1827
1829

(Si la fecha es desconocida o no es relevante, por ejemplo "mecánica de fluidos", se proporciona una estimación redondeada de su aparición notable)

décimo año aniversario

Las imágenes en tamaño completo y las descargas solo están disponibles, de forma totalmente gratuita, para los miembros registrados.

> Acceso <