
El proceso de determinar los valores de los parámetros de un modelo a partir de datos observacionales.La estimación de parámetros es el arte de extraer los mejores valores para las constantes ajustables de un modelo a partir de observaciones ruidosas e incompletas. En física, toda teoría tiene parámetros libres — la masa de una estrella de neutrones, la rigidez de una red cristalina, la fuerza de acoplamiento entre partículas — y los datos rara vez los fijan con exactitud. El desafío no es solo encontrar un buen ajuste, sino uno defendible: ¿qué tan bien está restringido cada parámetro y qué valores quedan descartados? Esta disciplina se encuentra en el corazón de la ciencia experimental, transformando mediciones crudas en afirmaciones cuantitativas sobre el mundo.
El método de mínimos cuadrados fue introducido por Legendre y Gauss a principios del siglo XIX para ajustar órbitas astronómicas, y el principio de verosimilitud fue formalizado por Fisher en la década de 1920. La estimación bayesiana de parámetros tiene sus raíces en el teorema de Bayes (1763), pero solo se volvió computacionalmente práctica a finales del siglo XX.
El enfoque estándar consiste en definir una función de verosimilitud que puntúe cuán probable son los datos observados para un conjunto dado de valores de parámetros. Los mejores parámetros maximizan esta puntuación, y la curvatura de la puntuación cerca del pico proporciona las barras de error. Los métodos modernos añaden priores bayesianos para incorporar conocimiento previo, y algoritmos de Monte Carlo por Cadenas de Markov (MCMC) para explorar espacios de parámetros de alta dimensión cuando el modelo es complejo. La clave es propagar las incertidumbres de manera honesta, de modo que las conclusiones vengan acompañadas de intervalos de confianza fiables.
Se utiliza en todas partes, desde la astronomía de ondas gravitacionales (estimando masas y espines de agujeros negros a partir de señales de detectores) hasta la física de plasmas (infiriendo parámetros de turbulencia a partir de diagnósticos) y la imagen médica (reconstruyendo propiedades de tejidos a partir de escaneos dispersos).
El primer uso importante de los mínimos cuadrados fue predecir la órbita del recién descubierto planeta enano Ceres en 1801, después de que se perdiera detrás del Sol — el ajuste de Gauss permitió a los astrónomos encontrarlo de nuevo exactamente donde se predijo.






