Ajuste por mínimos cuadrados

La aproximación por mínimos cuadrados es la forma más común de optimizar el ajuste de datos.

Antes de realizar una medición, los investigadores deben pensar en los posibles resultados de su experimento. Crean un modelo para predecir los datos que esperan medir.

El resultado de la medición suele ser una colección de puntos de datos y una ecuación para el modelo que incluye algunas variables. Para encontrar los mejores valores para las variables, primero hay que definir qué es "lo mejor". El ajuste de mínimos cuadrados supone que las mejores variables son aquellas en las que la suma de los cuadrados de los residuos es la más baja. Los residuos son las desviaciones entre un punto de datos medido y el valor predicho por el modelo.

Dicho de otro modo: Los mejores valores para las variables del modelo son aquellos, en los que los datos simulados se aproximan más a los datos medidos.

La aplicación más común en ciencia es la regresión lineal. Sin embargo, en electroquímica, especialmente en Espectroscopía de Impedancia Electroquímica (EIS), esta forma de ajuste se utiliza para ajustar un modelo basado en un Circuito Equivalente a los datos medidos.