Karratu txikienen metodoa: analisi integrala
Karratu Txikienen Metodoa erregresio-analisi estatistikoan oinarrizko teknikarik bat da, eta funtsezko zeregina du datuak doitzean, modelatzean eta analisi prediktiboetan. Behatutako eta iragarritako balioen arteko desberdintasunen karratuen batura minimizatzen duen ikuspegi matematikoa da. Horrela, datu-puntu multzo jakin batera egokitzen den lerroa edo kurba ematen du. Artikulu honetan, Karratu Txikienen Metodoaren oinarriak, aplikazioak, deribazioak eta mugak aztertuko ditugu.
Aurrekari historikoa
Karratu Txikienen Metodoa Carl Friedrich Gaussek aurkeztu zuen lehen aldiz 1795ean, 18 urte zituela, nahiz eta 1809ra arte ez zen argitaratu. Adrien-Marie Legendre matematikari ospetsu batek antzeko metodo bat garatu eta argitaratu zuen modu independentean 1805ean. Hala ere, Gaussen notazioak eta metodoaren hedapenak oinarriak ezarri zituzten erabilera modernorako.
Oinarri Matematika
Bere forma sinpleenean, Karratu Txikienen Metodoa erabiltzen da eredu lineal bat datu-puntu multzo bati egokitzeko. `n` datu-puntu multzo bat emanda, \((x_1, y_1), (x_2, y_2), …, (x_n, y_n)\), helburua \(y = mx + c\) lerro bat aurkitzea da, behatutako balioen \(y_i\) eta \(\hat{y}_i\) lerroak aurreikusitako balioen arteko distantzia bertikalen (hondakinen) karratuen batura minimizatzen duena.
Matematikoki, helburu hau honela adieraz daiteke:
S = \sum_{i=1}^{n} (y_i – \hat{y}_i)^2 = \sum_{i=1}^{n} (y_i – (mx_i + c))^2 \]
Ekuazio honek hondarren karratuen batura adierazten du, \(S\), eta gure helburua \(M\) (malda) eta \(C\) (ebakidura-puntua) balioak aurkitzea da, \(S\) minimizatzen dutenak.
Deribazioa
\(m\) eta \(c\)-ren balioak aurkitzeko, \(m\) eta \(c\)-rekiko \(S\)-ren deribatu partzialak hartu eta zero bihurtzen ditugu.
1. \(m\)rekiko deribatu partziala:
\[ \frac{\sum_partziala}{\sum_partziala} = \sum_{i=1}^{n} 2(y_i – (mx_i + c))(-x_i) = 0 \]
2. Deribatu partziala \(c\-rekiko:
\[ \frac{\sum_{\sum_{\sum_{\sum_{\sum_{i=1}^{n} 2(y_i – (mx_i + c))(-1) = 0 \]
Ekuazio aldibereko hauek ebazteak ekuazio normalak ematen ditu:
\[ m = \frac{n(\sum x_i y_i) – (\sum x_i)(\sum y_i)}{n (\sum x_i^2) – (\sum x_i)^2} \]
\[ c = \frac{(\sum y_i)(\sum x_i^2) – (\sum x_i)(\sum x_i y_i)}{n(\sum x_i^2) – (\sum x_i)^2} \]
Ekuazio hauek hondar karratuen batura minimizatzen duten \(m\) eta \(c\) balioak ematen dizkigute.
aplikazioak
Karratu Txikienen Metodoak aplikazio ugari ditu hainbat arlotan:
1. Ekonomia eta Finantzak: BPGa, inflazio-tasak eta akzioen prezioak bezalako adierazle ekonomikoak modelatu eta aurreikusteko erabiltzen da.
2. Ingeniaritza: Seinaleen prozesamenduan, kontrol sistemetan eta fidagarritasun probetan aplikatzen da, ereduak datu enpirikoetara egokitzeko.
3. Medikuntza: Hazkunde-kurbak, dosi-erantzun kurbak eta beste prozesu biologiko batzuk datu esperimentaletara egokitzen laguntzen du.
4. Ikaskuntza automatikoa: Erregresio linealeko ereduak, askotan karratu txikienen metodoa erabiltzen dutenak parametroen estimaziorako, oinarrizkoak dira gainbegiratutako ikaskuntza tekniketan.
5. Astronomia: Historikoki Gaussek zeruko gorputzen orbitak kalkulatzeko erabili zuen.
Aldaerak eta luzapenak
1. Karratu Txikienen Ponderatuak: Behaketek bariantza desberdinak dituzten kasuetan, Karratu Txikienen Ponderatuak pisuak esleitzen dizkio datu-puntu bakoitzari, karratuen batura ponderatua minimizatuz.
2. Karratu txikienen metodo ez-lineala: Metodoa zabaltzen du eredu ez-linealak egokitzeko, askotan Gauss-Newton edo Levenberg-Marquardt algoritmoak bezalako teknika iteratiboen bidez.
3. Erregularizatutako Karratu Txikienak (Gailur Erregresioa): Karratuen baturari zigor-termino bat gehitzen dio gehiegizko doikuntza saihesteko, bereziki erabilgarria multikolinearitatearekin lan egitean.
4. Karratu Txikien Orokorrak: Behaketa korrelazionatuak kontuan hartzen ditu, karratu txikienen metodoa errore autokorrelazionatuak eta heteroszedastikoak kudeatzeko zabalduz.
Konputazio tresnak
Hainbat software tresna eta programazio ingurunek funtzio integratuak eskaintzen dituzte gutxieneko karratuen erregresioa egiteko:
1. Python: NumPy eta SciPy bezalako liburutegiek `numpy.linalg.lstsq` eta `scipy.optimize.curve_fit` funtzioak eskaintzen dituzte karratu minimoen doikuntza lineal eta ez-linealerako, hurrenez hurren.
2. R: R-ren ingurune estatistiko zabalean, `lm()` bezalako funtzioak eredu linealetarako eta `nls()` eredu ez-linealetarako.
3. MATLAB: MATLABeko `lsqcurvefit` funtzioa doikuntza ez-linealetarako erabiltzen da, aljebra linealeko eragiketetarako euskarri integratua duelarik.
Mugak
Aplikazio zabala izan arren, Karratu Txikienen Metodoak mugak ditu:
1. Muturreko balioekiko sentikortasuna: Karratu txikienen metodoa oso sentikorra da muturreko balioekiko, karratu-terminoak hondar handien eragina areagotzen baitu.
2. Linealtasunaren hipotesia: Aldagaien arteko erlazio lineala suposatzen du, eta baliteke hori ez izatea egia datu-multzo konplexuetarako.
3. Kolinealtasun anitzeko arazoak: Erregresio lineal anizkoitzean, iragarle-aldagaien arteko kolinealtasun anizkoitzak koefizienteen estimazioa distortsionatu dezake.
4. Bariantzaren Homogeneotasuna (Homoszedastizitatea): Errore-terminoen bariantza konstantea dela suposatzen du behaketa guztietan, eta hori ez da beti horrela izaten.
Ondorioa
Karratu Txikienen Metodoa, bere adina izan arren, datuen analisi eta modelizazio estatistikoaren oinarrizko elementua izaten jarraitzen du. Bere sinpletasunak, eraginkortasunak eta hainbat formatara egokitzeko gaitasunak, oinarrizko erregresio linealetatik hasi eta eredu ez-lineal eta orokortu konplexuetaraino, balio handikoa bihurtzen dute. Bere oinarri matematikoak, aplikazioak eta mugak ulertzea ezinbestekoa da datuen analisian parte hartzen duen edonorentzat, metodoa behar bezala aplikatzen dela ziurtatuz informazio esanguratsua lortzeko. Akademian edo industrian izan, Karratu Txikienen Metodoa tresna sendoa izaten jarraitzen du datuen barruko harremanak ulertzeko eta iragarpen informatuak egiteko.
