La combinación de observaciones y el método de mínimos cuadrados: una revisión histórica

Sabemos y se sabe desde hace mucho que un sistema lineal de n ecuaciones con m incógnitas, cuando n > m (y especialmente cuando n >> m), muy probablemente no tenga solución. No obstante, sistemas así ocurren naturalmente: ahí está el modelo lineal.

En tiempos, al cálculo de los mejores coeficientes para ajustar un conjunto de datos, cuando el número de observaciones excedía el de coeficientes se lo llamó combinación de observaciones. Desde muy pronto se observó que más observaciones conducían a mejores estimaciones. Pero se tardó mucho en establecer cómo.

Traduzco de aquí una breve cronología del problema:

1632 Galileo Galilei, en el análisis de la supernova de Tycho Brahe’s (1572) sugiere que todas las observaciones están sujetas a errores que están simétricamente distribuidos alrededor del cero y que los errores pequeños son más frecuentes que los grandes. Y propone que la mejor hipótesis es aquella con la menor suma de desviaciones absolutas desde el estimador.

1714 El parlamento británico crea la Junta de Longitud, que ofrecía premios a avances en este campo.

1722 Se publica póstumamente la regla de Cote para ubicar el lugar más probable a partir de n observaciones usando medias ponderadas.

1749 Leonhard Euler, en sus Recherches sur la question des inégalités du mouvement de Saturne et de Jupiter intenta resolver ocho incógnitas que describen la órbita de Saturno a partir de 75 conjuntos de observaciones realizadas entre 1582 y 1745.

1750 Johann Tobias Mayer, en su estudio sobre la libración de la luna, desarrolla un método para resolver un sistema sobredeterminado de 27 ecuaciones lineales y 3 incógnitas. Además, da un límite en el error de la estimación de las incógnitas.

1755-1770 Roger Boskovich propone los principios generales para resolver ecuaciones relacionadas con la forma de la tierra a partir de observaciones de la longitud de arco en distintas latitudes. En esencia, su método es el de las mínimas desviaciones absolutas.

1787 Laplace extiende el método de Mayer al resolver conjuntos de ecuaciones lineales relacionadas con la órbita de Júpiter.

1789-1797 Laplace proporciona una formulación algebraica del método de Boskovich’s probando que minimiza la suma de errores absolutos. Además, lo extiende al problema de la minimización de una suma ponderada de errores absolutos. También propone minimizar el mayor valor absoluto (minimax).

1805 Legendre publica el método de los mínimos cuadrados en un apéndice de nueve páginas a un trabajo sobre la determinación de las órbitas de los cometas y lo aplica a las medidas de la longitud de arco de meridiano en París.

1809 Gauss proporciona una justificación probabilística del método de los mínimos cuadrados de Legendre mostrando que es el de máxima verosimilitud [¿máxima verosimilitud hace 200 años?] cuando los errores son normales.

1823 Gauss prueba el teorema de Gauss-Markov según el cual, de todas las combinaciones lineales medidas para estimar una incógnita, el método de los mínimos cuadrados tiene la mínima varianza, independientemente de la distribución de los errores.

Curioso constatar cómo la norma L1 se usó antes que la L2.

Un comentario sobre “La combinación de observaciones y el método de mínimos cuadrados: una revisión histórica

  1. daniel 14 diciembre, 2015 12:50

    En el teorema de Gauss-Markov hace falta que los errores tenga media cero y que todos tenga la misma varianza. Imagino que cuando se intenta por ejemplo estimar la trayectoria de un móvil (cohete, planeta o cometa) mediante observaciones se tienen distintas condiciones según la proximidad y velocidad del objeto por lo que difícilmente los errores asociados a dichas estimaciones tendrán la misma varianza. No es lo mismo estimar la posición de un móvil que va a 1000 km/h que la de otro que va a 10 km/h. Imagino que si se puede estimar la varianza de los errores mediante algún estimador (por ejemplo el error en la posición puede ser proporcional a la velocidad del objeto) entonces será posible introducir un mejor estimador, seguro que cosas por el estilo se usan con frecuencia, probablemente filtros de Kalmar o similares. Un saludo.

Los comentarios están desabilitados.