GAUSS Y LA ESTADSTICA

PILAR IBARROLA

Resumen. Este artculo, de carcter histrico, es un resumen de las principales aportaciones de Gauss a la Estadstica: El mtodo de los Mnimos Cuadrados y como consecuencia el llamado Modelo Lineal de Gauss. Depus de considerar brevemente la polmica de Gauss con Legendre a propsito de la autora del mtodo de los mnimos cuadrados, se hace una exposicin de dicho mtodo, insistiendo en las aportaciones estadsticas de Gauss al mismo, distinguiendo entre la Primera Aproximacin de Gauss (1809), en que supone la normalidad de los errores de observacin y la Segunda Aproximacin de Gauss (1821), en que restringe la clase de estimadores a las funciones lineales de las observaciones y suprime la normalidad de los errores. En la primera aproximacin, el tratamiento es inferencial, en la segunda es un tratamiento de Teora de la Decisin. Se hablar tambin de Gauss como precursor de los Mtodos Secuenciales, y nalmente se aludir al posterior desarrollo del Modelo Gaussiano.

Carl Friedrich Gauss naci el 30 de Abril de 1777 en Brunswick (Alemania) en el seno de una familia humilde. Su padre tuvo diferentes empleos, desde jardinero a maestro de obras hidrulicas, ayudante de un comerciante y tesorero de una pequea aseguradora. El propio Gauss lo describi como digno de estima pero dominante, inculto y no renado. Su madre fue el soporte de su devocin lial y muri con 97 aos, despus de vivir 22 aos en casa de su hijo. Gauss fue un nio precoz y autodidacta; sin ayuda aprendi a calcular antes que a hablar. Con tres aos segn una ancdota bien contrastada, corrigi un error en las cuentas de su padre. Aprendi a leer solo y en su primera clase de aritmtica, a la edad de 8 aos, dej perplejo al
125

126

PILAR IBARROLA

profesor al resolver el problema de hallar la suma de los cien primeros nmeros enteros. En 1792 recibi una beca del Duque de Brunswick e ingres en el Brunswick Collegium Carolinum. Estando en el Collegium, con 17 aos, ya formul, segn armacin propia, el principio de los mnimos cuadrados, autora que fue objeto de posterior controversia segn veremos. Estudi despus en las Universidades de Gttingen y Helmstedt donde se doctor en 1799. A partir de 1807 se traslad a Gttingen donde fue nombrado director del observatorio y permaneci hasta su muerte (el 23 de Febrero de 1855). En 1856 su amigo Sartorius public una biografa que ha sido una importante fuente de informacin para el resto de sus bigrafos. Gauss puede ser considerado uno de los mejores cientcos de todos los tiempos; su profunda investigacin y sus prolcos resultados lo atestiguan. No obstante a veces sus resultados fueron producidos ms rpidamente que publicados. Un ejemplo de ellos fue su acurada prediccin, en 1801, de la localizacin en el rmamento de un supuesto planeta que G. Piazzi haba brevemente observado y perdido en Enero de ese ao. En Diciembre fue localizado el planeta Ceres, en la posicin predicha por Gauss. Como Gauss no hizo pblicos hasta 1809 los procedimientos que haba utilizado para dicha prediccin (renamiento de la teora de la rbita y mtodo de los mnimos cuadrados), su descubrimiento tom un cariz sobrehumano y el personaje adquiri una fama de genio matemtico y cientco de primer orden. Las principales aportaciones de Gauss a la Estadstica fueron en la teora de la Estimacin: el mtodo de los mnimos cuadrados y como consecuencia el llamado modelo lineal de Gauss. El mtodo de los mnimos cuadrados fue desarrollado independientemente por Gauss en Alemania, Legendre en Francia y Adrain en Amrica. Legendre, aunque pudo no ser el primero en utilizar el mtodo, s que fue el primero en publicarlo (Nouvelles mthodes pour la determination des orbites des comtes, 1805) y fue el que le puso el nombre.

GAUSS Y LA ESTADSTICA

127

Gauss reclam en 1806 (Monatl. Corresp. Befrd. Erd Himmelskd14, 181-186), su prioridad en el uso del mtodo de los mnimos cuadrados (aunque no en su publicacin) asegurando que haca 12 aos que vena utilizndolo y prometi publicar sus resultados ms tarde. Lo hizo en 1809 en su Theoria Motus Corporum Coelestium in Sectionibus Conicis Solem Ambientium, donde discute el mtodo, menciona el trabajo de Legendre y asegura que l lo haba utilizado en 1795. Legendre, a raz de la publicacin de este libro, dirigi una carta a Gauss de enhorabuena, reivindicando no obstante la autora del mtodo de los mnimos cuadrados. En 1820 Legendre public un suplemento a su memoria de 1805, atacando de nuevo a Gauss por la prioridad de los mnimos cuadrados. Desconociendo aparentemente el trabajo de Legendre y el de Gauss (no publicado an), Adrain desarroll independientemente en 1808 el mtodo de los mnimos cuadrados y lo utiliz para resolver distintos problemas. La polmica entre Gauss y Legendre acerca de la prioridad sobre el mtodo de los mnimos cuadrados es famossima en la historia de la Estadstica y son muchos los cientcos posteriores (Plackett 1972, Stigler 1981, Celmins 1998, etc.) que han tratado de dilucidarla, sin llegar a una conclusin denitiva.
D

Sin pretender entrar en profundidad en esta polmica, daremos algunas pinceC ladas sobre ella: En efecto, tras el ataque de Legendre, Gauss trat de probar su B aplicacin del mtodo de los mnimos cuadrados anteriormente a 1805, pero no tuvo demasiado xito, pues sus propias notas de clculo se haban perdido y sus colegas o no recordaban discusiones con Gauss sobre el tema o no quisieron involucrarse en la disputa. Tan solo el astrnomo Olbers incluy, en un artculo de 1816, una nota a pie de pgina asegurando que

128

PILAR IBARROLA

Gauss le haba enseado el mtodo de los mnimos cuadrados en 1802. Bessel public una nota similar en un trabajo en 1832. En 1799 Gauss, a propsito de un trabajo sobre la medicin del arco de meridiano ter- N restre publicado en Allgemeine Geographische S Ephemeriden, escribe que ha utilizado meine L Methode. Surgi este trabajo a raz de que d la Academia de Ciencias Francesa decidiera en 1793 basar el nuevo sistema mtrico en una unidad, el metro, igual a una 10.000.000 siE ma parte del cuadrante de meridiano, distancia del polo norte al ecuador. Para ello decidieron medir el arco de meridiano que va de Dunkerque a Barcelona, pasando por Pars. Dividieron el arco en 4 segmentos y para cada segmento recogieron los siguientes datos: la longitud de arco S, la diferencia de latitud d y la latitud L del punto medio del arco. Los datos recogidos, de los cuales dispuso Gauss para sus clculos, y los resultados de ajuste a los que lleg Gauss, guran en la citada publicacin. En 1831 Shumacher escribi a Gauss, a propsito de este trabajo, sugirindole que repitiera los clculos y probase que era el mtodo de los mnimos cuadrados el empleado. Gauss se neg, alegando que su palabra era suciente. La sugerencia de Shumacher fue recogida siglo y medio ms tarde por Stigler (1981), y Aivars Celmins (1998), quienes a partir de los datos en cuestin, hicieron el ajuste por mnimos cuadrados, no llegando a los mismos resultados que Gauss. Queda la pregunta Qu mtodo emple Gauss? Stigler se inclina por la posibilidad de que utilizara el mtodo de los mnimos cuadrados pero utilizando desarrollos de 2o orden. Celmins por la posibilidad de que los resultados publicados por Gauss contuvieran errores aritmticos y concluye como dijo Gauss debemos conar en su palabra. Gauss y los mnimos cuadrados Resaltemos la importancia que el propio Gauss atribuy a este mtodo: La primera exposicin por Gauss del mtodo de los mnimos cuadrados aparece en el libro segundo, seccin 3 de su Theoria Motus Corporum

GAUSS Y LA ESTADSTICA

129

Coelestium (1809); se trata de la determinacin de rbitas planetarias, discute la estimacin de las 6 constantes o parmetros que determinan la rbita elptica, en base a un nmero de observaciones n > 6. Comienza en el artculo 175 con A este n aparquemos nuestro problema particular y entremos en una discusin muy general y en una de las ms fructferas aplicaciones del clculo a la losofa natural. La segunda exposicin (Gauss 1821, 1823, 1826: Theoria Combinationes Erroribus Mnimis Obnoxiae) fue presentada en una serie de tres largos artculos a la Royal Society of Gttingen. Aqu introduce el asunto como sigue: El problema es ciertamente el ms importante que presenta la aplicacin de las matemticas a la losofa natural. En 1809 Gauss plantea la estimacin de las k constantes desconocidas 1 , . . . , k que determinan la rbita, en base a n > k observaciones y1 , . . . , yn . No es posible observar los i ; slo es posible observar ciertas funciones de ellos i = i (1 , . . . , k ). Si los i pudieran ser observados sin error, yi = i , entonces 1 , . . . , n tendran valores conocidos, y bastara seleccionar k de entre ellos y despejar 1 , . . . , k ; en este caso las ecuaciones i = i (1 , . . . , k ) deberan ser consistentes y las (n k) no utilizadas cumplirse idnticamente con los valores j despejados de las otras k. Sin embargo no es posible en la prctica observar las i sin error. Las relaciones entre las yi y las i sern de la forma yi = i + i , siendo i el error de observacin. Con notacin vectorial, Y = + , siendo Y, , los vectores (columna) de componentes yi , i , i . Las ecuaciones yi = i sern ahora inconsistentes, cualquier subconjunto de k de ellas llevar a diferentes valores de 1 , . . . , k y en cada caso las (n k) restantes no se satisfarn. El problema est en utilizar la totalidad de las n observaciones para obtener estimaciones ptimas i de los i teniendo en cuenta la incertidumbre introducida por los errores de observacin. Este es el problema que Gauss calica como el ms importante de la aplicacin de las matemticas a la Filosofa natural. Distinguiremos entre principio de mnimos cuadrados y teora estadstica de mnimos cuadrados.

130

PILAR IBARROLA

Principio de los mnimos cuadrados El principio de mnimos cuadrados elige de forma a minimizar (1) Q=
i

(yi i )2 .

Entonces es la solucin de Q/j = 0, j = 1, . . . , k, con lo que las ecuaciones de mnimos cuadrados resultan i = 0. j

(2)
i

(yi i )

En el caso de que las i sean lineales en las j , i = j xij j o con notacin matricial = X, siendo las xij constantes conocidas, el modelo es (3) Y = X + , conocido como modelo lineal de Gauss y discutido en los textos estadsticos como regresin lineal. Las ecuaciones de los mnimos cuadrados son (X X) = X Y, donde X denota la matriz traspuesta de X, y el estimador de mnimos cuadrados es (4) = (X X)1 X Y. Mientras que Legendre (1805) se limit a la consideracin del principio de mnimos cuadrados tal como acabamos de exponer, Gauss (1809 y publicaciones posteriores) desarroll adems la teora estadstica de mnimos cuadrados que exponemos a continuacin. Teora Estadstica de los mnimos cuadrados Primera aproximacin de Gauss (1809: Theoria Motus Corporum Coelestum). Suponiendo que i = yi i son v.a. independientes con

GAUSS Y LA ESTADSTICA

131

distribucin f (i ), la distribucin conjunta de los errores de observacin es =

i

f (i ) =
i

f (yi i ).

Suponiendo que todos los valores 1 , . . . , k son igualmente probables, la distribucin a priori de se supone constante (distribucin uniforme) y la distribucin a posteriori de dados los valores de Y es, por el Teorema de Bayes, proporcional a : f (1 , , k |y1 , , yn ) = k
i

f (yi i ) = k,

siendo k una constante de normalizacin, que hace que las probabilidades integren la unidad. Gauss elige el valor ms probable (es decir la moda de ) como estimador de : es obtenido como raz de log f (yi i ) i , j = 1, 2, . . . , k. i j i Esta aproximacin es equivalente al mtodo de la mxima verosimilitud desarrollado por Fisher en 1922. Para aplicar el mtodo, la forma matemtica de f debe ser conocida. A tal n, Gauss supuso que para el caso especial en que yi = i + i para todo i (es decir, que hubiera un solo parmetro 1 ), el estimador de mnimos cuadrados sera la media aritmtica 1 = y . En este caso la ecuacin de verosimilitud resulta f (yi 1 ) = 0. f (yi 1 ) i Para que 1 = y sea solucin, habr de ser f (yi y ) = 0, f (yi y )
2 2

cuya solucin es f (z) keh z , y que con notacin moderna, tomando = 2 2 h = 1/2 y k = 1/ 2, resulta la distribucin normal o gaussiana para los errores.

132

PILAR IBARROLA

Suponiendo que los errores siguen una distribucin normal, la distribucin a posteriori de es entonces proporcional a 1 2 con Q =
i (yi n

eQ/2 ,

i )2 .

Esta probabilidad se maximiza, minimizando Q que es el principio de los mnimos cuadrados anteriormente descrito y los estimadores de i son los estimadores de mnimos cuadrados. Como dijo Gauss,
Este principio que es extremadamente til en todas las aplicaciones de las matemticas a las ciencias naturales, debera ser considerado como un axioma, por el mismo motivo que tomamos la media aritmtica de los valores observados de una cantidad nica como el valor ms verosmil de esta cantidad.

Gauss tuvo tambin en cuenta posibles diferencias de precisin en los yi , y generaliz el resultado a los mnimos cuadrados ponderados Q = 1 2 i 2 (yi i ) . i Gauss lleg igualmente a probar, por argumentos hoy da estndares en los textos de estadstica, que tiene una distribucin normal multivariante de media y de covarianza (X X)1 2 . Fue bien entrado el siglo xix cuando la Ley normal, as bautizada por Galton, obtuvo una aceptacin universal, siendo reconocida como la ley de los errores por excelencia. Su popularidad se bas en la idea de un gran nmero de errores elementales que se combinan para formar los errores i del modelo. Pero cuando Gauss di su primera aproximacin (1809) en su Theoria Motus Corporum, la ley normal era poco conocida. Gauss la descart en su trabajo posterior principalmente porque descubri una desigualdad aplicable a cualquier distribucin continua, simtrica respecto a una moda nica. Esta desigualdad es: P (|X |) 1 / 3 ( 2/ 3) 4/92 ( > 2/ 3)

GAUSS Y LA ESTADSTICA

133

y su uso con = 2 prueba que hay una probabilidad al menos del 89 % de que tal variable caiga dentro de dos desviaciones tpicas alrededor de la media y moda. Con lo que si un estimador paramtrico se acompaa de su desviacin tpica, el uso de un argumento inverso permitir sacar conclusiones sobre el rango probable de los valores del parmetro. Laplace (1810) dio una versin rudimentaria del Teorema Central del Lmite (en Mem. Cl. Sc. Math. Phys. Inst. Fr.) y la utiliz para demostrar que no slo la media aritmtica es ventajosa cuando la ley de los errores es normal sino tambin cuando el nmero de observaciones es grande o cuando se toma la media de resultados, basados cada uno en un nmero grande de observaciones y que en tal caso se debe utilizar el mtodo de los mnimos cuadrados. Gauss compar su formulacin (1809) con la de Laplace (1810) y concluy que ninguna era enteramente satisfactoria introduciendo: Segunda Aproximacin de Gauss (1821,1823,1826) (Theoria Combinationibus Erroribus Minimis Obnoxiae, partes 1 y 2). La principal particularidad de esta segunda aproximacin es que cuan do se estima por , se comete un error que acarrea una prdida. El estimador se elige entonces de forma a minimizar la prdida es perada. Toma una prdida proporcional a ( )2 con lo que se elige de forma a que minimice el error cuadrtico medio E( )2 . Gauss supuso los errores i sucientemente pequeos para que sus cuadrados y potencias superiores pudiesen ser ignorados y restringi su atencin a estimadores lineales = CY tales que CX = I (matriz identidad k k). Prob entonces que entre tales estimadores, el estimador de mnimos cuadrados [4] minimiza el error cuadrtico medio. El error cuadrtico medio mnimo es entonces (X X)1 2 , llegndose entonces as a los resultados de la 1a aproximacin, con la excepcin de la normalidad de . Gauss obtuvo tambin otros resultados como el siguiente: Una observacin adicional de y con x-valores correspondientes x = (xn+1,1 , xn+1,2 , . . . , xn+1,k )

134

PILAR IBARROLA

se puede incorporar al estimador de mnimos cuadrados original para formar el nuevo estimador = M (x Y )/(1 + W ) con M = (X X)1 x y W = x (X X)1 x = x M . La matriz de covarianzas de es ((X X)1 M M /(1 + W )) 2 , y si indicamos por Qm el antiguo mnimo de Q el nuevo mnimo es Q = Qm + (x y)2 /(1 + W ).
m

Este procedimiento de mnimos cuadrados recursivos, permite incorporar en el procedimiento de estimacin, nuevas observaciones, obtenidas secuencialmente, sin necesidad de invertir en cada instante la nueva matriz (X X). Como E[Qm ] = (n k) 2 , Gauss estim por = Qm /(n k). Obtuvo tambin el error estndar de la estimacin y observ que cuando las i son normales, este error estndar es el error estndar de la suma de (n k) errores independientes i . La diferencia en cuanto a generalidad entre la 1a y la 2a aproximaciones de Gauss debe ser resaltada. La 1a aproximacin permite que sea cualquier funcin de las observaciones, pero requiere que los errores de observacin se distribuyan normalmente con media cero. La 2a aproximacin restringe el estimador a las funciones lineales de las observaciones pero permite a los i tener cualquier distribucin con media cero y varianza nita. Respecto a la 1a aproximacin, observemos que Gauss no dio a sus resultados una interpretacin bayesiana. No habl de probabilidades o de precisin del parmetro desconocido, sino que le dio una interpretacin frecuentista al hablar de la precisin del estimador . El mtodo de estimacin al que llega es el de la mxima verosimilitud. Gauss obtiene el mtodo de los mnimos cuadrados como un caso especial de mxima verosimilitud, apropiado cuando la distribucin es normal, o de forma equivalente, cuando la media aritmtica es el mejor estimador de posicin. Si la distribucin no es normal, el mtodo de mxima verosimilitud no tiene porqu coincidir con el mtodo de los mnimos cuadrados, el

GAUSS Y LA ESTADSTICA

135

caso ms famoso es aqul en que los errores sigan una distribucin de Cauchy 1 1 f (e) = , e = y , 1 + e2 y en tal caso la media aritmtica y es casi el peor estimador posible de , y el mtodo de los mnimos cuadrados no produce un buen estimador pero el de mxima verosimilitud s. Cabe preguntarse porqu Gauss no se plante relajar la supremaca de y e investigar otras posibles distribuciones para los errores. La razn puede estar en que su poca la nica distribucin continua surgida experimentalmente era la normal. No obstante en su segunda aproximacin dej libre la distribucin de los errores, exigiendo slo que tuviera media cero y desviacin tpica nita. En su segunda aproximacin, Gauss abandona el tratamiento inferencial y como comunic en una carta a Bessel se inclina por un tratamiento de Teora de la Decisin. Empieza en la primera parte (1821) de su Theoria Combinationibus Erroribus por comparar el problema de la estimacin de un parmetro desconocido con un juego en que hay temor a perder y no hay esperanza de ganar. El error cometido se considera como prdida que uno sufre. Tan indeseable es el juego que se mide por la prdida esperada, suma de los productos de las posibles prdidas por sus respectivas probabilidades. Toma como conveniente, aunque arbitrario, que la prdida sea proporcional al cuadrado del error cometido. Fue as Gauss un precursor de la moderna teora de la Decisin formalizada por Wald a mediados del siglo xx. Un aspecto desafortunado del tratamiento del modelo lineal de Gauss en los textos modernos es su referencia como teora de Gauss-Markov, ya que la asociacin con el nombre de Markov no parece justicado. Adems se suele insistir en que Gauss impona que los estimadores fuesen insesgados, requerimiento que puede conducir a resultados ab surdos; es cierto que la condicin CX = I implica que sea insesgado, pero Gauss no insisti en considerar slo estimadores insesgados ya que propuso como estimador de , = Qm /(n k), que es sesgado. La

136

PILAR IBARROLA

condicin CX = I es de hecho un criterio de consistencia que hace que si i = 0, para todo i, las ecuaciones exactas Y = X lleven a que el estimador coincida con . Como dice Bertrand (1888, p 255) traductor ocial del trabajo de Gauss al francs Car, sans cela, toutes les mesures etant supposes exactes, la valeur quon en dduit ne le serait pas. Tambin, los textos modernos no restringen el dominio de aplicacin de los estimadores lineales, como hizo Gauss, suponiendo que los errores de observacin son sucientemente pequeos para ignorar sus cuadrados y potencias superiores. Posterior desarrollo del modelo Gaussiano. Respecto al posterior desarrollo del modelo lineal Gaussiano aparecen dos innovaciones primordiales: los tests de hiptesis lineales y las distribuciones exactas en el muestreo asociadas a la distribucin normal de los errores. Ya, en, 1836 Cauchy rerindose al modelo de Legendre, plante la cuestin de si uno o ms trminos del modelo lineal podan ser descartados por no signicativos, pero fue Fisher en 1922 quien introdujo en el modelo de Gauss la idea de contrastar la nulidad de un grupo de parmetros, es decir consider la hiptesis lineal A = 0 y propuso la tcnica de hacerlo, procedimiento conocido como F -test. Ya en esa poca las distribuciones 2 de Pearson, t de Student, F de Snedecor, tambin llamada F de Fisher, haban sido introducidas por los autores que les dieron nombre. Fue tambin Fisher en 1922 quien introdujo la utilizacin de variables cualitativas que dan lugar a X-vectores de componentes nulas y la eleccin de ellas de forma que permitan lograr un anlisis posterior numricamente sencillo, llegando as al Anlisis de la Varianza. Otras contribuciones de Gauss a la Estadstica. Existen tambin otras contribuciones estadsticas de Gauss. Una notable (1866) es la demostracin de que para una distribucin normal, el estimador ms preciso de 2 entre los estimadores que dependen de Sk = |ei |k , con e = (x y) se obtiene cuando k = 2. En otro artculo (1824) Gauss utiliza el mtodo de los mnimos cuadrados ponderados para determinar la longitud mediante un cronmetro.

GAUSS Y LA ESTADSTICA

137

Presenta una discusin sobre la estructura de los errores de observacin i obtenidos en el uso del cronmetro y toma la desviacin tpica i proporcional a la raz cuadrada del tiempo transcurrido entre observaciones. En toda la demostracin aparece un hbrido entre teora y aplicacin bastante raro hoy en da. Conclusin Independientemente de la polmica entre Gauss y Legendre sobre la paternidad del principio de los mnimos cuadrados, fue Gauss y no Legendre quien desarroll el mtodo como herramienta estadstica, encajndolo en un marco estadstico, introduciendo un tratamiento probabilstico de los errores de observacin y planteando el modelo lineal. Dejando aparte la controversia de utilizar el Teorema de Bayes, los clculos de Gauss son hoy en da estndares. En gran medida la teora de la regresin y el diseo de experimentos que forman la base de la estadstica moderna, dependen de la descomposicin de Q en suma de cuadrados. Recogemos las siguientes armaciones de Fisher (Fisher 1970, 21-22):
Gauss aproxim el problema de la estimacin estadstica con espritu emprico, recalcando la cuestin de la estimacin no slo de las probabilidades sino de otros parmetros cuantitativos. Descubri que, para este propsito, el mtodo de la mxima verosimilitud era el apropiado, aunque trat de justicar el mtodo por el principio de la probabilidad inversa [...]. Gauss adems perfeccion el ajuste sistemtico de las frmulas de regresin simple y mltiple por el mtodo de los mnimos cuadrados.

y (Fisher 1973, 88):

El camino recto fue trazado por Gauss hace muchos aos y a su mtodo slo le falta en su renamiento el uso de la t-Student para muestras pequeas.

Adems el trabajo de Gauss sobre los mnimos cuadrados recursivos fue redescubierto en el ltimo tercio del siglo xx y aplicado profusamente al tratamiento de series temporales. Como dice Joung (1974, 210):

138

PILAR IBARROLA

En particular el mtodo recurrente tuvo gran importancia en el procesamiento de datos para estimar la rbita y trayectoria de la misin Apolo,

y sigue
Uno se pregunta si Gauss podra haberse imaginado que su sencilla aproximacin al anlisis de observaciones servira 160 aos ms tarde a contribuir al xito del primer viaje extraterrestre del hombre.

Finalmente observemos que el ltro de Kalman, de gran aplicacin actual en series temporales, no es sino un renamiento del mtodo recurrente de Gauss. Clamens Schfer, uno de sus bigrafos, escribi en Nature (128 (1931), p.341):
No fue realmente un fsico en el sentido de buscar nuevos fenmenos, sino un matemtico que procur formular en trminos matemticos exactos los resultados experimentales obtenidos por otros.

Seal (1967) escribe:

Gauss aparece como el matemtico ideal, ostentando en proporciones heroicas para una persona, las capacidades atribuidas colectivamente a la comunidad de profesionales matemticos.

Referencias Adrain R. (1808) Analyst 1, p. 93-109. Bertrand J. (1888) Calcul des probabilits (2nd. Ed. 1972. Chelsea). Celmins A. (1998) The method of Gauss in 1799. Statistical Science 13 , no 2, p. 123-135. Cauchy A. (1836) On a new formula for solving the problem of interpolation in a manner applicable to physical investigations. Phil. Mag 8, p. 459-468. Dictionary of Scientic Biography. Gauss, Carl Friedrich, vol 5, p. 298-314.

GAUSS Y LA ESTADSTICA

139

Encyclopedia of Statistical Science. Gauss, Carl Friedrich, vol 3, p.305-309. Encyclopedia of Statistical Science. Least Squares, vol 4, p. 593598. Fisher R.A. (1922) On the mathematical foundations of theoretical Statistics. Phil. Trans Roy.Soc. A 222, p.309-368. Fisher R.A. (1970) Statistical Methods for Research Workers. Oliver& Boyd. Fisher R.A. (1973) Statistical Methods and Scientic Inference. Hafner Press. Gauss C.F. (1799) Vermischte Nachrichten no 3. Allgemeine Geographische Ephemeridenz 4, p. 378. Gauss C.F. (1806) Monatl. Corresp Befrd. Erd Himmelskd 14, p. 181-186. Gauss C.F. (1809) Theoria Motus Corporum Coelestum, Werke 7 ( traducido al ingls por C.H. Davis (1963), Dover). Gauss C.F. (1816) Bestimmung der Genauigkeit der Beobachtungen. Werke 4, p. 109-117. Gauss C.F. (1821-1823-1826) Theoria Combinationis Erroribus Minimis Obnoxiae. Partes 1, 2 y suplemento, Werke 4, 1-108. Gauss C.F. (1824) Chronometrische Langer Bestimmungen. Astromische Nachrinten 5,p. 227. Laplace P.S. (1810) Mm. Cl. Sc. Math. Phys. Inst. Fr., Anne 1810, p. 279-247. Laplace P.S. (1812) Thorie Analytique des Probabilits (Paris). Legendre A.M. (1805) Nouvelles mthodes pour la determination des orbites des cometes. (Apndice: Sur la mthode des moindres carrs).

140

PILAR IBARROLA

Olbers W. (1816) Ueber den vernderlichen Stern im Halse des Schwans. Z. fr Astronomie und verwandte Wissenschaften 2, p.181-198. Plackett R.L. (1972) The discovery of the method of least squares. Biometrika 59, p. 239-251. Sartorius W. (1856) Gauss zum Gechtniss. Leipzig Seal H.L. (1967) Studies in the history of Probability and Statistics XV: The historical development of the Gauss linear model. Biometrika 54, p. 1-24. Shfer C. (1931) Nature 128, p.341. Sprot D.A. (1978) Gausss contributions to statistics. Historia Mathematica 5, p. 183-203. Stigler S.M. (1981) Gauss and the invention of least squares. Ann. Statist. 9, p. 465-474. Young P. (1974. Recursive approach to time series analysis. Bull. Inst. Math and its Applications 10, p.209-224.