Karratu Txikienen Metodoaren Eztabaida Galderak Adibidea
Karratu Txikienen Metodoa (KTM) datuak modu eraginkorrenean aurreikusten dituen doikuntza-lerro onena aurkitzeko erabiltzen den metodo estatistikoa da. Metodo hau askotan erabiltzen da erregresio linealaren analisian, aldagai independenteen eta mendekoen arteko erlazioa detektatzeko. Artikulu honek karratu txikienen metodoaren oinarrizko kontzeptuak landuko ditu, adibideekin eta urratsez urrats azalpenekin batera, metodo honek nola funtzionatzen duen sakonago ulertzeko.
Karratu Txikienen Metodoaren Oinarrizko Kontzeptuak
Karratu txikienen metodoaren helburua behatutako balioen eta erregresio-ereduak aurreikusitako balioen arteko karratuen desberdintasunen batura minimizatzea da. Erregresio-lerro lineal sinple baten ekuazioa honela idatz daiteke:
\[ y = a + bx \]
Non:
– \(y \) aldagai mendekoa da,
– \(x \) aldagai independentea da,
– \( a \) ebakidura-puntua da (\( y \)-ren balioa \( x = 0 \) denean),
– \(b \) zuzenaren malda da (malda edo erregresio-koefizientea).
Karratu txikienen metodoak funtzio hau minimizatzen duten \(a\) eta \(b\) parametroak kalkulatzen ditu:
\[ \text{SSE} = \sum_{i=1}^{n} (y_i – \hat{y_i})^2 \]
Non SSE errore karratuen batura den, \(y_i\) benetako balioa den, eta \(\hat{y_i} = a + bx_i\) aurreikusitako balioa den.
Karratu txikienen metodoaren urratsak
Kontzeptua argitzeko, karratu txikienen metodoa erabiltzen duen problema baten adibidea konponduko dugu.
Problemen adibidea
Hurrengo datuak emanda:
| x (Ikasketa orduak) | y (Azterketaren puntuazioa) |
|——————–|———————–|
| 2 | 81 |
| 4 | 93 |
| 6 | 91 |
| 8 | 97 |
| 10 | 103 |
Zehaztu datuetara hobekien egokitzen den erregresio-zuzen lineala.
Eztabaida
1. \( \bar{x} \) eta \( \bar{y} \)-ren batez bestekoa kalkulatzea
\[
\bar{x} = \frac{\sum x_i}{n} = \frac{2 + 4 + 6 + 8 + 10}{5} = 6
\]
\[
\bar{y} = \frac{\sum y_i}{n} = \frac{81 + 93 + 91 + 97 + 103}{5} = 93
\]
2. \(b\) parametroa kalkulatzea (malda)
\(b\) parametroa honela kalkulatzen da:
\[
b = \frac{\sum (x_i – \bar{x})(y_i – \bar{y})}{\sum (x_i – \bar{x})^2}
\]
Osagai bakoitza kalkulatzea:
\[
\sum (x_i – \bar{x})(y_i – \bar{y}) = (2-6)(81-93) + (4-6)(93-93) + (6-6)(91-93) + (8-6)(97-93) + (10-6)(103-93)
\]
\[
= (-4)(-12) + (-2)(0) + (0)(-2) + (2)(4) + (4)(10)
\]
\[
= 48 + 0 + 0 + 8 + 40 = 96
\]
\[
(x_i – \bar{x})^2 = (2-6)^2 + (4-6)^2 + (6-6)^2 + (8-6)^2 + (10-6)^2
\]
\[
= (-4)^2 + (-2)^2 + 0^2 + 2^2 + 4^2
\]
\[
= 16 + 4 + 0 + 4 + 16 = 40
\]
Beraz, hau da:
\[
b = \frac{96}{40} = 2.4
\]
3. \( a \) parametroa kalkulatzea (ebakidura)
\( \bar{x} \) eta \( \bar{y} \)-ren batez bestekoa erabiliz:
\[
a = y – b x = 93 – 2.4 × 6 = 93 – 14.4 = 78.6
\]
4. Erregresio-lerroaren ekuazioa idaztea
Parametroak aurkituta, erregresio-zuzenaren ekuazioa idatz dezakegu:
\[
y = 78.6 + 2.4x
\]
Interpretazioa eta egiaztapena
Erregresio-lerro hau egokitzen dela ziurtatzeko, hasierako datuetako x bakoitzerako aurreikusitako y-balioa (\(\hat{y}\)) kalkula dezakegu, baita errore karratuen batura (SSE) kalkulatu ere, iragarpenaren zehaztasuna balioztatzeko.
| x | y | \(\hat{y}\) | \((y – \hat{y})^2\) |
|—|—-|————|———————–|
| 2 | 81 | 83.4 | (81-83.4)^2 = 5.76 |
| 4 | 93 | 88.2 | (93-88.2)^2 = 23.04|
| 6 | 91 | 93.0 | (91-93.0)^2 = 4.00 |
| 8 | 97 | 97.8 | (97-97.8)^2 = 0.64 |
|10 |103 |102.6 | (103-102.6)^2= 0.16|
SSS:
\[
SSE = 5.76 + 23.04 + 4.00 + 0.64 + 0.16 = 33.6
\]
SSE nahiko txiki batekin, gutxieneko karratuen metodoak sortutako erregresio-lerroa datu hauetarako egokia dela ondoriozta dezakegu.
Ondorioa
Karratu Txikienen Metodoa analisi estatistikorako tresna indartsua da datu-multzo baterako lerro egokiena zehazteko, desbideratzeen karratuan oinarritutako iragarpen-errorea minimizatuz. Batez bestekoa kalkulatzeko, malda eta ebakidura kalkulatzeko, eta erregresio-lerroaren ekuazioa idazteko eta egiaztatzeko urratsak erabiliz, mendeko aldagaiaren balioa zehaztasunez iragar dezakegu aldagai independenteetatik abiatuta.
Metodo hau ondo ulertzea oso erabilgarria da ekonomia, bioestatistika, ingeniaritza eta gizarte zientzietako arloetan, non erregresio-analisia maiz aplikatzen den. Artikulu honek, adibide zehatzekin, metodologia honen garrantzia eta erabilgarritasuna erakusten du datuen analisian.
