Approximationstheorie
Die Approximationstheorie untersucht, wie gut Funktionen durch einfachere Funktionen – Polynome, Splines, trigonometrische Reihen oder rationale Funktionen – dargestellt werden können, und konstruiert die Approximanten, die die beste oder nahezu beste Genauigkeit erzielen.
Definition
Die Approximationstheorie ist der Zweig der numerischen Analysis, der sich mit der Darstellung von Funktionen durch einfachere Funktionsklassen und mit der Quantifizierung des Fehlers solcher Darstellungen unter verschiedenen Maßen der besten Anpassung befasst.
Scope
Dieses Gebiet umfasst Interpolation und beste Approximation, die Konvergenz und den Fehler von Polynom- und Spline-Approximanten, Kleinste-Quadrate- und Minimax- (Tschebyscheff-) Kriterien sowie die theoretischen Ergebnisse – Existenz, Eindeutigkeit und Konvergenzraten –, die quantifizieren, wie der Approximationsfehler mit zunehmender Anzahl von Freiheitsgraden abnimmt.
Sub-topics
Core questions
- Wie genau kann eine gegebene Funktion durch Polynome, Splines oder rationale Funktionen einer bestimmten Größe approximiert werden?
- Welcher Approximant ist optimal unter einem gewählten Fehlermesskriterium, wie z.B. dem Kleinste-Quadrate- oder dem Maximal- (Minimax-) Fehler?
- Wie beeinflusst die Glattheit einer Funktion die Rate, mit der der Approximationsfehler abnimmt?
- Wann konvergiert die Interpolation gegen die zugrunde liegende Funktion, und wann versagt sie?
Key theories
- Weierstraßscher Approximationssatz
- Jede stetige Funktion auf einem abgeschlossenen, beschränkten Intervall kann beliebig genau durch Polynome gleichmäßig approximiert werden, was zeigt, dass Polynome im Raum der stetigen Funktionen dicht liegen und konstruktive Approximationsmethoden motiviert.
- Beste Approximation und Äquioszillation
- Die beste Minimax-Polynomapproximation einer stetigen Funktion existiert, ist eindeutig und wird durch den Tschebyscheffschen Äquioszillationssatz charakterisiert, der besagt, dass der Fehler seine maximale Größe mit alternierendem Vorzeichen an genügend vielen Punkten erreicht.
- Glattheit und Konvergenzraten
- Die Abnahmerate des Approximationsfehlers wird durch die Glattheit der Zielfunktion bestimmt: Analytische Funktionen erlauben eine geometrische Konvergenz von Polynomapproximanten, während Funktionen mit begrenzten Ableitungen nur algebraisch konvergieren.
Clinical relevance
Die Approximationstheorie untermauert die Konstruktion genauer numerischer Methoden im gesamten wissenschaftlichen Rechnen: Quadraturregeln, Spektral- und Finite-Elemente-Basen, Datenanpassung und -glättung, computergestütztes geometrisches Design sowie die in numerische Software integrierten Routinen für spezielle und elementare Funktionen basieren alle auf Ergebnissen darüber, wie gut und wie kostengünstig Funktionen approximiert werden können.
History
Das Thema entwickelte sich aus Tschebyscheffs Arbeit des 19. Jahrhunderts zur besten gleichmäßigen Approximation und Weierstraß' Dichtesatz, wurde durch die Untersuchung orthogonaler Polynome und Fourier-Reihen vorangetrieben und in der Computerära durch die Spline-Theorie und die praktischen Tschebyscheff-basierten Methoden, die in der modernen numerischen Berechnung populär wurden, neu gestaltet.
Key figures
- Pafnuty Chebyshev
- Karl Weierstrass
- Carl Runge
- Lloyd N. Trefethen
Related topics
Seminal works
- trefethen2013
- powell1981
- cheney1966
Frequently asked questions
- Was ist der Unterschied zwischen Interpolation und bester Approximation?
- Die Interpolation erzwingt, dass der Approximant die Funktion an ausgewählten Punkten exakt trifft, während die beste Approximation ein Gesamtfehlermass (wie den Maximal- oder Kleinste-Quadrate-Fehler) minimiert, ohne notwendigerweise an irgendeinem Punkt übereinzustimmen. Ein bester Approximant ist in der Regel insgesamt genauer, aber schwieriger zu konstruieren.
- Warum kann die Verwendung von mehr Interpolationspunkten manchmal zu schlechteren Ergebnissen führen?
- Hochgradige Polynominterpolation an äquidistanten Punkten kann in der Nähe der Intervallgrenzen stark oszillieren – das Runge-Phänomen –, sodass der Fehler eher wächst als schrumpft. Die Wahl von Tschebyscheff-verteilten Punkten oder die Verwendung von Splines vermeidet dies.