Hilfsmittel Mathematik 1 WS13-14
Inhaltsverzeichnis |
Autoren:
Andre Krause s3ankrau@stud.hszg.de Roman Stange s3rostan@stud.hszg.de
Approximation von Funktionen
Motivation:
Die Erfahrungen und Beobachtungen haben bereits gezeigt, dass bei grafischen Auswertungen der Effizienz (Verhältnis der untersuchten Größe zur Zeit), mit Hilfe der Darstellung in einem karthesischen Koordinatensystem nur selten glatte Funktionsgraphen auftreten (s. Übung 1 - Palindrom-Vergleichsalgorhitmus). Die vielen gesammelten Messpunkte passen mehr oder weniger gut zu einer theoretischen Funktion, die fehlinterpretiert werden kann. Aus diesem Grund wird die optimalste Funktion gesucht, die sich den gegebenen Wertepaaren am genauesten annähert. Diese mathematische Annäherung wird als Approximation bezeichnet.
Zum einen können hierfür mathematische Regeln angewendet werden (z.B. Exponentialfunktion), aber auch geeignete Software (z.B. CAS), um die optimale Approximationsfunktion zu ermitteln.
Exponentialfunktionen
Beispiel: y = 2 \cdot e^x
| Wertetabelle | |
|---|---|
| x | y |
| 0 | 2,0 |
| 1 | 5,4 |
| 2 | 14,8 |
| 3 | 40,2 |
| 4 | 109,2 |
Lineare Regression
Im vorangegangenen Abschnitt wurde die Ermittlung der gesuchten Gerade durch einsetzen von Wertepaaren in ein Koordinatensystem mit logarithmischer y-Achse behandelt. Diese Methode ist jedoch nicht hundertprozentig genau. Deshalb ist es notwendig, die approximierte Gerade durch die so genannte lineare Regression näher zu bestimmen.
Die lineare Regression ist eine mathematische Hilfsmethode, um eine Gerade, die sich den vorhandenen Messpunkten am besten annähert, zu ermitteln.Die lineare Regression ist eine mathematische Hilfsmethode, um eine Gerade, die sich den vorhandenen Messpunkten am besten annähert, zu ermitteln.
Die lineare Regression ist eine mathematische Hilfsmethode, um eine Gerade, die sich den vorhandenen Messpunkten am besten annähert, zu ermitteln.
Die zugehörige Geradengleichung lautet:
y = f(n) = a * n + bDamit sich die Gerade möglichst nah an den verstreuten Messpunkten befindet, muss der maximale Abstand zu den Wertepunkten minimal sein.
\max\mid T(n) - (a*n+b)\mid \rightarrow minimalSollte es jedoch den Fall geben, dass es ein oder mehrere Wertepaare gibt, die sich relativ weit von den übrigen befinden, wird die gesuchte Regressionsgerade sehr ungenau. Daher wird die gegebene Gleichung wie folgt angepasst.
\sum_{n} \mid T(n) - (a*n+b)\mid \rightarrow minimalDas bedeutet, dass nun die Summe aller Abstände minimal sein soll. Dadurch verlieren die größeren Abstände, die vorher ein Problem hätten darstellen können, an Gewichtung. Hieraus entsteht jedoch ein neues Problem: Zur Ermittlung des Minimums ist die 1. Ableitung der Summe nötig. Die Betragsfunktion ist für x=0 jedoch nicht differenzierbar.
Zur Eliminierung dieses Problems wird die Methode der kleinsten Fehlerquadrate nach Gauss genutzt. Dadurch wird der Umstand der Differenzierbarkeit gelöst, das Minimum aber nicht beeinflusst.
\sum_{n} (T(n) - (a*n+b))^2 \rightarrow minimalPolynomfunktionen
Text
Übungsaufgaben
Text
Lösungen
Text