Professional Documents
Culture Documents
(yi i )2 exp( ) 2 2 i2 2 i 1
Suponer adems que el valor verdadero de las yi es una funcin de la variable x que depende de un vector de parmetros desconocido en principio.
= (xi ; ), = (1 ,..., m )
El objetivo del mtodo de mnimos cuadrados es estimar el vector de parmetros . Adems, el mtodo permite evaluar la bondad con la que la funcin (x,) ajusta los datos experimentales. Para establecer el mtodo tomamos logaritmos en la pdf que describe los datos:
1 (yi i )2 log(g) = log exp( ) = A + log L( ) 2 2 i2 i =1 2 i
N
2 N 1 (y (xi ; )) log L( ) = i 2 i =1 i2
1 A = log 2 i2 i =1
N
El principio de mxima verosimilitud establece que la pdf conjunta de las medidas (y por lo tanto la verosimilitud L) es mxima para los parmetros autnticos. Por lo tanto, para encontrar los parmetros maximizamos log L() o bien minimizamos la cantidad: 2 N (yi (xi ; )) 2 ( ) = i2 i =1 Si las medidas no son independientes, pero pueden describirse por una pdf conjunta gausiana, con matriz de covarianza conocida, la definicin anterior se generaliza a:
( ) =
2
i, j =1
1 (yi (xi ; )) V (y j (x j ; ))
N
( )
donde aj(x) son funciones de x. NB: Requerimos que (x;) sea lineal en los parmetros, no que las funciones aj(x) sean lineales en x. Por ejemplo:
El valor de la funcin (x;) en un punto dado xi es: m m (xi ; ) = a j (xi ) j = Aij j , Aij = a j (xi )
j =1 j =1
i, j =1
1 (yi (xi ; )) V (y j (x j ; ))
N
( )
reduce a (en notacin matricial): T 1 T 1 2 ( ) = ( y ) V ( y ) = ( y A ) V ( y A ) Para encontrar los parmetros minimizamos el chi2
T 1 T 1 ( ) = 2(A V y A V A ) = 0
2
= (AT V 1 A)1 AT V 1y = By
Es decir los parmetros son funciones lineales de las medidas y.
Si (x;) es lineal en el chi2 es cuadrtico en . Expandiendo en Taylor entorno a los parmetros (en el mnimo la derivada se anula):
1 m 2 2 2 ( ) = ( ) + 2 i, j =1 i j
2
( i i )( j j )
= ( ) +
2
i, j =1
1
ij
Por lo tanto :
2 ( ) = 2 ( ) + 1 = min + 1
2
Corresponde a los contornos en el espacio de parmetros cuyas tangentes se separan una desviacin estndar de los parmetros estimados en el mnimo
Calidad de un ajuste
Si en nuestro problema: Los datos yi, i=1,2,...N son gausianos la hiptesis (x;) es lineal en los parmetros i, i=1,2,...,m La pdf que describe la hiptesis (el modelo ) (x;) ) es correcta: Entonces el 2min sigue una distribucin Chi2 con nd = N-m grados de libertad El valor-P o nivel de confianza es, por definicin:
+
P=
f (z;nd )dz
Simulacin MC del ajuste a 2 parmetros. 26.3 % de las veces el ajustes tendr un c2min ms alto.
La varianza del estimador (su error estadstico) nos dice: Si el experimento se repite muchas veces cual es la dispersin entorno al valor estimado q. No nos dice si la hiptesis es correcta. El valor-P (nivel de confianza, probablidad del c2) nos dice: Si la hiptesis es correcta y el experimento se repite muchas veces, que fraccin de los sucesos arrojar igual o peor acuerdo entre los datos y la hiptesis, de acuerdo con el c2min. Un valor pequeo de P implica que la hiptesis es falsa o bien que hay errores sistemticos que no se han tomado en cuenta.
Ajuste por mnimos cuadrados: Minimiza la cantidad: 2 2 2 N N N (y i ( )) (y i ( )) (y npi ( )) 2 ( ) = i = i = i 2 i i ( ) npi ( ) i =1 i =1 i =1 Alternativamente (Mnimos cuadrados modificado) 2 2 2 N N N (y i ( )) (y i ( )) (y npi ( )) 2 ( ) = i = i = i i2 yi yi i =1 i =1 i =1
MCM se usa muy a menudo (es ms cmodo) pero el problema es que el c2min resultante no tiene porqu estar distribuido c2 (podemos perder la capacidad de decidir sobre la calidad del ajuste
(y ) = 2 i 2 = 0 = i i =1
2 N
yi / i2 i =1
N
1/2 j j =1
Que no es sino la media pesada de las medidas. La varianza se obtiene a partir de la segunda derivada:
V[ ] =
1 1/2 j =1 j
N
Cuando las medidas yi no son todas independientes, pero la matriz de covarianza V se conoce, el procedimiento se generaliza fcilmente. Partiendo de:
( ) =
2
i, j =1
(y
)Vij1 (y j )
= wi yi , wi
i =1
Vij1 j =1 V
1 kl
w
i =1
=1
k,l =1
V[ ] =
i, j =1
wiVij w j V[ ] = wT Vw
N