Contents

Lineare Approximation

Voraussetzungen

  • mathematische Grundlagen der linearen Approximation

Lerninhalte

  • Realisierung einer Routine zur linearen Approximation

Lineare Approximation

Aufgabe 1

Erzeugen Sie sich auf Basis folgender Geradengleichung \( y = 2.2 x - 3.1 \) Werte im Intervall \(x \in [0,10]\). Modifizieren Sie die entsprechenden y-Werte so, dass diese normalverteilt von der exakten Geradengleichung abweichen (Abbildung). Gehen Sie dabei zunächst von \(n=100\) Messwerten aus.

../_images/approx.png 
n=100
x=linspace(0,10,n)

y=f(x)              %Erzeugen der y-Werte mittels zu erstellender Funktion f(x)
y=y+randn(size(y))  %Erstellen des Störsignals

Aufgabe 2

Sie haben eben die Messwerte simuliert. Sie wollen diese Punkte nun mit Hilfe eines Polynoms approximieren. Schreiben Sie dazu ein Programm, welches eine Regressionsgerade durch diese Punkte legt.
Verwenden Sie dabei nicht die polyfit-Funktion! Berechnen Sie stattdessen die Koeffizienten der Regressionsgeraden.

Kurzer Rückblick

Die Gleichungen

\[ \sum_{j=0}^m a_j \sum_{i=0}^n x_i^{j+k} = \sum_{i=0}^n y_i \, x_i^k \, , \; k=0,...,m \]

nennen wir die Normalengleichungen.
Sie definieren ein lineares Gleichungssystem für die Koeffizienten \(a_k\).

Für den Polynomgrad \(m=1\) ergibt sich beispielsweise das System:

\[\begin{split} \begin{pmatrix} n+1 & \sum x_i \\ \sum x_i & \sum x_i^2 \end{pmatrix} \begin{pmatrix} a_0 \\ a_1 \end{pmatrix} = \begin{pmatrix} \sum y_i \\ \sum y_i x_i \end{pmatrix} \end{split}\]

Dabei entspricht \(n+1=\) der Anzahl der Messwerte.

% SPACE FOR THE SOLUTION

Aufgabe 3

Stellen Sie Messpunkte, Regressionsgerade und die exakte Geradengleichung nun in einem Plot dar.

Testen Sie außerdem, was mit der Regressionsgerade bei kleinem bzw. großem \(n\) passiert. Überlegen Sie sich dabei selbst, was “klein” bzw. “groß” bedeutet.

../_images/approx.gif 
% SPACE FOR THE SOLUTION

previous

Spielbeispiel: Approximation

next

Spline-Interpolation