m →top: Ngarapihkeun éjahan, replaced: nyaeta → nyaéta (3), make → maké (2), ngarupakeun → mangrupa, yen → yén , dipake → dipaké (2), ea → éa, eo → éo using AWB
''(jejer ieu masih merlukeun tambahan nu leuwih jentre, nerangkeun dina metoda Gauss)''
'''Kuadrat pangleutikna''' atawa '''LeastLéast squares''' nyaetanyaéta teknik [[Optimization (mathematics)|optimasi]] [[matematik]] nu dipakedipaké keur manggihkeun "ragkep hade" atawa "best fit" tina susunan data ku ngaminimalkeun bedama jumlah kuadrat (disebut ''[[errors and residuals in statistics|sesa]]'') antara fungsi rangkep jeung data.
Ieu geus ilahar dipakedipaké dina [[curve fitting|kurva rangkep]]. Loba [[optimization problems|masalah optimasi]] bisa ditembongkeun dina bentuk kuadrat leutik, saperti dina ngaminimalkeun [[energy|tanaga]] atawa ngamaksimalkeun [[entropy|entropi]].
Tempo [[linear regression|régrési liniér]] sarta [[Gauss-Markov theorem|teorema Gauss-Markov]]. TeoremaTéorema Gauss-Markov nyebutkeun yenyén estimator kuadrat-leutik ngarupakeunmangrupa hal nu pang-optimal-na.
Keur makemaké metoda kuadrat leutik ilaharna makemaké fungsi ''f''(''x''), nu ngabogaan sababaraha wilangan konstanta nu teu dipikanyaho (contona ''f''(''x'') = ''mx'' + ''b'', numana ''m'' sarta ''b'' teu dipikanyaho), sarta panggihkeun nilai ''m'' jeung ''b'' ku ngaminimalkeun jumlah kuadrat sesa (nyaetanyaéta, jumlah dina watesan (''y''<sub>''i''</sub> − ''f''(''x''<sub>''i''</sub>))<sup>2</sup>). Mangka mibanda persamaan keur kurva, ''y'' = ''f''(''x''), bentuk nu diperlukeun, nyaetanyaéta rangkep panghadena dina titik data(''x''<sub>''i''</sub>, ''y''<sub>''i''</sub>).
Keur fungsi [[linear|linier]] ''f'' tempo [[linear least squares|kuadrat leutik linier]].
