Sie sind auf Seite 1von 10

4 Quadratmittelapproximation

4.1 Problemstellung
Gegeben sind n Wertepaare (xi , yi ) (i = 1, 2, . . . , n)
i 1 2 3 ··· n
xi x1 x2 x3 ··· xn
yi y1 y2 y3 ··· yn

Gesucht ist eine von einem Parametervektor ~c = (c1 , c2 , . . . , cm )T mit m ≤ n abhängige


Funktion y = y(x, ~c), die die Tendenz oder den Trend der Punkte möglichst gut beschreibt.
Beachte:
1. Diese Funktion
• muss nicht unbedingt durch die Datenpunkte verlaufen,
• soll aber so wenig wie möglich von den gegebenen Datenpunkten abweichen.
2. Die so gebildete Funktion y wird auch als Ausgleichsfunktion bezeichnet.
3. Das Kriterium für den optimalen Parametervektor ~c = (c1 , c2 , . . . , cm )T lautet:
Die Summe der Quadrate der Abstände der Datenpunkte von der Ausgleichsfunktion muss
minimal sein!
n
X 2
g(~c) = [y(xi , ~c) − yi ] → min
i=1

Veranschaulichung am Beispiel der Ausgleichsgeraden:

y
c 2x
yk c1 +
yk − c1 − c2 xk y=
y(xk )

x
xk

4. Diese Methode zur Bestimmung des Parametervektors ~c der Ausgleichsfunktion heißt


◦ Methode der diskreten Quadratmittelapproximation oder
◦ Gaußsche Fehlerquadratmethode oder
◦ Methode der kleinsten Quadrate oder
◦ Gaußsches Normalgleichungsverfahren.
5. Obwohl bei der Quadratmittelapproximation und der Interpolation jeweils eine Funktion
zur Beschreibung einer gegebenen Menge von Punkten gesucht ist, bestehen doch erheb-
liche Unterschiede:
◦ Die Interpolationsfunktion muss durch alle gegebenen Punkte verlaufen.
◦ Eine Ausgleichsfunktion muss nur die Tendenz der Punkte anzeigen, sie braucht
durch keinen der Punkte zu verlaufen.
Daraus ergeben sich unterschiedliche Anwendungsgebiete:
⇒ Die Interpolation ist meist ungeeignet, wenn
 eine dichte Punktewolke vorliegt, y

 die yi fehlerbehaftete Messwerte sind oder

 yi und/oder xi zufällige Werte sind. x

1
y
⇒ Wenn pro xk -Wert mehrere yk -Werte vorliegen, ist
nur die Approximation möglich!
x

Bemerkung 4.1 Nach der Art der gesuchten Ausgleichsfunktion unterscheidet man:
• Lineare Quadratmittelprobleme
 In diesem Fall hat die Ausgleichsfunktion die Gestalt
m
X
y = y(x, ~c) = c1 ϕ1 (x) + c2 ϕ2 (x) + . . . + cm ϕm (x) = ck ϕk (x),
k=1

wobei die Ansatzfunktionen ϕk (x) in Abhängigkeit von der Lage der Datenpunkte
und den gewünschten Eigenschaften der Ausgleichsfunktion vorzugeben sind.
 Das wichtigste Problem dieser Art ist die Bestimmung einer Ausgleichsgeraden y(x) =
c1 + c2 x.
 Geeignete Ansatzfunktionen ϕk (x) kann man beispielsweise finden durch
◦ Herleitung auf Grundlage des theoretischen Hintergrundes,
◦ Hinweise aus Veröffentlichungen,
◦ Ableitung aus der Form der Punktewolke,
◦ Vorschläge aus der verwendeten Software.
 Die Bezeichnung lineare Quadratmittelapproximation besagt, dass die zu berechnen-
den Koeffizienten ck (k = 1, 2, . . . , m) in die Ausgleichsfunktion linear eingehen.
 Das Kriterium
n
X 2
g(~c) = [y(xi , ~c) − yi ] → min
i=1

zur Berechnung der Parameter führt in diesem Fall auf ein lineares Gleichungssystem.
 Wenn man zu n vorgegebenen Punkten (xk , yk ) (k = 1, 2, . . . , n) als Ausgleichsfunk-
tion das Polynom

y = c1 + c2 x + · · · + cn xn−1

bestimmen will, so erhält man das Interpolationspolynom! Auf dieser Grundlage


bestimmt MathCad Interpolationspolynome.
• Nichtlineare Quadratmittelprobleme
 In diesem Fall hängt y(x, ~c) nichtlinear von ~c ab.
 Die nichtlineare Approximation ist deutlich schwieriger auszuführen als die lineare
Approximation. Sie ist anzuwenden, wenn die lineare Quadratmittelapproximation
sich als nicht ausreichend erweist. Das ist beispielsweise der Fall, wenn:
◦ sich für wachsende Werte von x ein stationärer Zustand einstellt,
y
Mögliche Ausgleichsfunktion:

y(x, ~c) = c1 + c2 + c3 x e −c4 x




x
◦ Funktionen mit Polstelle zu approximieren sind
y
Mögliche Ausgleichsfunktion:
c1
y(x, ~c) =
(x − c2 )c3
x

2
◦ oder eine Kurve ähnlich der Glockenkurve approximiert werden soll.
y
Mögliche Ausgleichsfunktion:
2
y(x, ~c) = c1 + c2 e c3 (x−c4 )
x
 Da y(x, ~c) nichtlinear von ~c abhängt, führt das zu lösende Minimum-Problem
n
X 2
mit ~c = (c1 , c2 , . . . , cm )T und m ≤ n

g(~c) = y(xi , ~c) − yi → min
i=1

auf ein nichtlineares Gleichungssystem, das im Allgemeinen nicht geschlossen lösbar


ist.

4.2 Lineare Quadratmittelapproximation


In den folgenden Betrachtungen seien die Ansatzfunktionen ϕk (x) vorgegeben. Die Parameter
ck sind zu berechnen.
Das Kriterium
n n
"m #2
X 2
X X
g(c1 , c2 , . . . , cm ) = [y(xi , c1 , c2 , . . . , cm ) − yi ] = ck ϕk (xi ) − yi → min
i=1 i=1 k=1

führt zu einer Extremwertaufgabe für eine Funktion g von m reellen Variablen c1 , c2 , . . . , cm .

4.2.1 Anwendung der Differentialrechnung


Die Bestimmung der Parameter mit Hilfe der Differentialrechnung soll am Beispiel einer Aus-
gleichsgeraden
y = c1 + c2 x
demonstriert werden. Das Minimumproblem lautet dann
n
X
g(c1 , c2 ) = (c1 + c2 xi − yi )2 → min
i=1

Es handelt sich um eine Extremwertaufgabe für die Funktion g(c1 , c2 ) von zwei Variablen.
Die notwendige Bedingung zur Berechnung der Parameter c1 und c2 ist also
n
∂g X
= 2 (c1 + c2 xi − yi ) = 0
∂c1 i=1
n
∂g X
= 2 (c1 + c2 xi − yi )xi = 0.
∂c2 i=1

Durch die folgenden Umformungen erhält man ein lineares Gleichungssystem, das auch Nor-
malgleichungssystem genannt wird:
n
X n
X n
X n
X n
X n
X
(c1 + c2 xi − yi ) =0 c1 + c2 xi − yi =0 c1 n + c2 xi = yi
i=1 i=1 i=1 i=1 i=1 i=1
Xn ⇒ Xn Xn Xn ⇒ n
X Xn Xn
(c1 + c2 xi − yi )xi = 0 c1 xi + c2 x2i − xi yi = 0 c1 xi + c2 x2i = xi yi
i=1 i=1 i=1 i=1 i=1 i=1 i=1

Dieses lineare Gleichungssystem hat sicher genau eine Lösung. Es kann daher mit der Regel
von Cramer aufgelöst werden.
n
X n
X n
X n
X n
X n
X n
X
x2i · yi − xi yi · xi n xi yi − xi · yi
i=1 i=1 i=1 i=1 i=1 i=1 i=1
c1 = !2 c2 = !2
n
X n
X n
X n
X
n x2i − xi n x2i − xi
i=1 i=1 i=1 i=1

3
Beispiel 4.1 Aus der Messung eines funktionalen Zusammenhangs sei die Wertetabelle
xi 1 2 3 4 5 6 7 8 9 10
yi 1 1.4 2 2.5 3 3.4 4.3 4.5 4.9 5.5
hervorgegangen. Wie das Bild zeigt, deuten die Punkte auf einen linearen Zusammenhang von x und y hin.
y

x
2 4 6 8

Für die Koeffizienten des Normalgleichungssystems und seine Lösung erhält man mit n = 10;

i xi yi x2i xi yi
1 0 1.0 0 0.0
2 1 1.4 1 1.4
3 2 2.0 4 4.0 10c1 + 45c2 = 32.5
4 3 2.5 9 7.5 45c1 + 285c2 = 187.9
5 4 3.0 16 12.0

6 5 3.4 25 17.0 285 · 32.5 − 187.9 · 45
c1 = ≈ 0.9782
7 6 4.3 36 25.8 10 · 285 − 452
8 7 4.5 49 31.5 10 · 187.9 − 45 · 32.5
9 8 4.9 64 39.2 c2 = ≈ 0.5048.
10 · 285 − 452
P 10 9 5.5 81 49.5
45 32.5 285 187.9

Die Gerade y = 0.9782 + 0.5048x ist also die Ausgleichsgerade zu diesen 10 Punkten.
y

x
2 4 6 8

4.2.2 Das Gaußsche Normalgleichungsverfahren


Es gibt einen weiteren Weg, auf dem das Normalgleichungssystem zur Bestimmung der Koeffi-
zienten einer Ausgleichsfunktion
n
X
y(x, ~c) = ck ϕk (x)
k=1

ohne Verwendung der Differentialrechnung aufgestellt werden kann. Mit den Bezeichnungen
     
ϕ1 (x1 ) ϕ2 (x1 ) · · · ϕm (x1 ) y1 c1
 ϕ1 (x2 )
 ϕ2 (x2 ) · · · ϕm (x2 ) 

 y2 
 
 c2 
 
A =  ϕ1 (x3 )
 ϕ2 (x3 ) · · · ϕm (x3 )  , ~y =  y3  und ~c = 
  
 c3 

 .. .. .. ..   ..   .. 
 . . . .   .   . 
ϕ1 (xn ) ϕ2 (xn ) · · · ϕm (xn ) yn cm
kann das Normalgleichungssystem nach der Vorschrift
AT A~c = AT ~y
gebildet werden. Man kann zeigen, dass auf beiden Wegen das gleiche Gleichungssystem ent-
steht.

4
Beispiel 4.2 Durch die Punkte (1, 12), (2, 14), (3, 18) und (4, 16) ist die Ausgleichsfunktion
c2
y = c1 +
x
zu legen. In diesem Fall lauten die verwendeten Ansatzfunktionen
1
ϕ1 (x) = 1 und ϕ2 (x) = . y
x
Man erhält also für n = 4 Punkte und m = 2 Ansatzfunktionen 18
     
ϕ1 (x1 ) ϕ2 (x1 ) 1 11 12
!
 ϕ1 (x2 ) ϕ2 (x2 )   1 1 
     
 14  c1 16
A= = 2 , ~y =  18  und ~c = .
 
 ϕ (x ) ϕ (x )   1 1  c2
 1 3 2 3   3   
ϕ1 (x4 ) ϕ2 (x4 ) 1 14 16
14
Wegen
 
1 12
1 1
! !
1  25
1 1 1 1  1 4
AT A =

 2 = 12
1 1 1 1  1 1  25 205
1 2 3 4  3  12 144 10
1
1 4

und 8
 
12
!  !
T 1 1 1 1  14  60 6
A ~
y= 1 1 1 1  18  =
 
1 2 3 4   29
16
4
erhält man das Normalgleichungssystem
25
4 c1 + c
12 2
= 60 2
25
12
c1 + 205 c
144 2
= 29

zur Bestimmung der Koeffizienten und daraus die gesuchte Ausgleichsfunktion x

6.65 2 4
y = 18.64 − .
x

4.3 Nichtlineare Quadratmittelapproximation


4.3.1 Prinzipieller Lösungsweg
Das nichtlineare Quadratmittelproblem führt auf ein nichtlineares Gleichungssystem, das im
Allgemeinen nicht geschlossen lösbar ist. Es kann also meistens nur eine Näherungslösung an-
gegeben werden, die durch Iterationsverfahren (siehe Abschnitt 1.) gewonnen wird.
Bei der Lösung eines nichtlineares Quadratmittelproblems ist deshalb in folgenden Schritten
vorzugehen:
1. Wahl einer geeigneten (nichtlinearen) Ausgleichsfunktion
(0) (0) (0)
2. Wahl eines Startvektors ~c (0) = (c1 , c2 , . . . , cm )T , also einer ersten groben Näherung.
3. Berechnung einer (möglichst verbesserten) Näherungslösung
~c (s+1) = φ(~c (s) ) s = 0, 1, 2, . . . (Zähler des Iterationsschrittes)
Dabei steht φ für eines der vielen (mathematischen) Iterationsverfahren. Diese unter-
scheiden sich beispielsweise in der Konvergenzgeschwindigkeit und in der Möglichkeit,
eine Lösung zu finden.
In Softwarepaketen werden dafür meist mehrere Befehle zur Verfügung gestellt, hinter
denen sich unterschiedliche Verfahren verbergen. Manche Software bietet Vorzugsvarian-
ten an. In MathCad gibt es beispielsweise den bereits im Kapitel 1. vorgestellten Befehl
Suchen oder den Befehl Minimieren, der für die Praktikumsaufgaben genutzt wird.
4. Vorgabe der Abbruchbedingungen
Für Iterationen müssen Abbruchbedingungen vorgegeben werden, mit denen nach jedem
Iterationsschritt geprüft wird, ob die Iteration abgebrochen werden kann oder ein weiterer
Schritt auszuführen ist. Übliche Abbruchbedingungen sind:

5
a) eine vorgegebene Genauigkeitsschranke ε für
m
(s+1) (s) (s+1) (s) (s+1) (s) 2
X
(c1 − c1 )2 + (c2 − c2 )2 + . . . + (cm(s+1) − cm(s) )2 = ck − ck <ε
k=1

b) eine vorgegebene Anzahl von Iterationsschritten


In Softwarepaketen gibt es oft voreingestellte Werte (z. B. TOL in MathCad).

4.3.2 Linearisierung von nichtlinearen Problemen


Lineare Probleme sind durch das zugehörige lineare Gleichungssystem zur Koeffizientenberech-
nung leichter zu bearbeiten als nichtlineare Probleme. Bei manchen nichtlinearen Problemen
gibt es gute Möglichkeiten zur Überführung in ein lineares Ersatzproblem (zur Berechnung einer
Ausgleichsgeraden).
Ausgl.-Funktion Transformation Ersatzgerade Umrechnungen
y = c1 ec2 x Logarithmieren y ? = c?1 + c2 x y ? = ln y
?
(y = c1 cx2 ) ln y = ln (c1 ec2 x ) = ln c1 + c2 x c?1 = ln c1 , c1 = ec1
y = c1 xc2 Logarithmieren y ? = c?1 + c2 x? y ? = ln y
ln y = ln (c1 xc2 ) = ln c1 + c2 ln x x? = ln x
?
c?1 = ln c1 , c1 = ec1
c1 1
y= Kehrwert bilden y ? = c?1 + c?2 x y? =
 1 + c2 x  y
1 1 1 + c2 x 1 c2 ? 1 1
y= = = + x c1 = , c1 = ?
c1 + c2 x y c1 c1 c1 c1 c1
c2 c?2
c?2 = , c2 = c?2 c1 =
c1 c?1
c1 x 1
y= Kehrwert bilden y ? = c?1 x? + c?2 y? =
1 + c2 x y
1 1 + c2 x 1 1 c2 1
= = + x? =
y c1 x c1 x c1 x
1 1
c?1 = , c1 = ?
c1 c1
c2 c?2
c?2 = , c2 = c?2 c1 =
c1 c?1

Bemerkung 4.2 1. Die Tabelle zur Linearisierung von Ausgleichsproblemen enthält auch
einen Hinweis zur Bestimmung einer geeigneten Ausgleichsfunktion:
• Falls die Punkte (xi , ln yi ) näherungsweise eine Gerade bilden, ist der Ansatz y =
c1 ec2 x zu wählen.
• Falls die Punkte (ln xi , ln yi ) näherungsweise eine Gerade bilden, ist der Ansatz y =
c1 xc2 zu wählen.
Es ist natürlich auch möglich, die Originaldaten in Koordinatensysteme mit logarithmisch
geteilten Achsen einzutragen.

2. Die Ergebnisse für die Ersatzgerade sind nur optimal bzgl. der umgerechneten Daten,
nicht jedoch bzgl. der Originaldaten. Oft werden diese Werte trotzdem verwendet. So
arbeitet beispielsweise die exponentielle Regression von Grafiktaschenrechnern.
3. Falls die Genauigkeit nicht ausreicht, so können die so berechneten Koeffizienten als Start-
werte für eine Iteration verwendet werden.

Beispiel 4.3 Aus der Messung eines funktionalen Zusammenhangs sei die Wertetabelle

x 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0
y 0.5 2.0 4.4 7.7 11.7 16.5 22.3 28.5 35.8 44.0

6
hervorgegangen. Es ist eine geeignete Funktion y = f (x) für diese Punkte gesucht.

Lineare Skalierung Einfach-logarithmische Skalierung


100

40

10

20
1

0 0.1
0 2 4 6 8 10 0 2 4 6 8 10

Doppelt-logarithmische Skalierung
100

10

0.1
1 10

Im Koordinatensystem mit doppeltlogarithmisch geteilten Achsen bilden diese Punkte näherungsweise eine Ge-
rade. Man kann deshalb annehmen, daß ein Zusammenhang der Art
y = c1 xc2
vorliegt. Eine solche Ausgleichsfunktion ist gesucht.
Nach der obigen Tabelle kann man als lineares Ersatzproblem die Ausgleichsgerade
y ? = c?1 + c2 x?
zu den transformierten Daten (aus Platzgründen hier auf vier Stellen nach dem Komma gerundet)

x? = ln x 0.0000 0.6931 1.0986 1.3863 1.6094 1.7918 1.9459 2.0794 2.1972 2.3026
y ? = ln y -0.6931 0.6931 1.4816 2.0412 2.4596 2.8034 3.1046 3.3499 3.5779 3.7842

bestimmen. Das Normalgleichungssystem


n
X n
X
 n
X
 
Xn 
c?1 n x?i = yi? x?i  yi?
 ? 
+ c2  n c1  
i=1 i=1
 i=1
   i=1

n n n oder  n n

 = X
 n

2 2
X X X  X X 
c?1 x?i + c2 x?i = x?i yi?  x?i x?i  c2  x?i yi? 
i=1 i=1 i=1 i=1 i=1 i=1

hat in diesem Beispiel die Gestalt


  ?   
10.00000000000000 15.10441257307552 c1 22.60240238555969
=
15.10441257307552 27.65024380714124 c2 43.50154737428743
und die Lösung
?
c?1 = −0.663853202888380 ⇒ c1 = ec1 = 0.51486363340387
c2 = 1.935920001719705
Daraus ergeben sich die folgenden Ausgleichsfunktionen:

y? = 1.935920001719705x? − 0.66385320288838 (optimale Ausgleichsgerade der transformierten Daten)


y = 0.51486363340387x1.935920001719705 (Ersatzausgleichskurve der Originaldaten)

7
Die Ersatzausgleichskurve zu den Originaldaten wird so auch von Grafiktaschenrechnern ausgegeben. Die zu
minimierende Zielfunktion
n n
2
c1 xci 2 − yi
X X
[y(xi , c1 , c2 ) − yi ]2 =

g(c1 , c2 ) =
i=1 i=1

der Summe der Fehlerquadrate hat den Wert


g(0.51486363340387, 1.935920001719705) = 0.5209448289442.
Falls dies nicht ausreicht, kann eine weitere Verbesserung durch die Lösung der nichtlinearen Extremwertaufgabe
n
2
c1 xci 2 − yi → min!
X 
g(c1 , c2 ) =
i=1

erreicht werden. Als notwendiges Kriterium erhält man das nichtlineare Gleichungssystem
n
∂g
c1 xci 2 − yi xci 2 = 0
X 
= 2
∂c1 i=1
n
∂g
c1 xci 2 − yi c1 xci 2 ln xi = 0.
X 
= 2
∂c2 i=1

Die iterative Lösung dieses Systems (beispielsweise mit der Newton-Iteration für nichtlineare Systeme) mit den
Startwerten

c 10 = 0.51486363340387
c 20 = 1.935920001719705

führt zu
c1 = 0.53813492677209
⇒ y = 0.53813492677209x1.911501272293884
c2 = 1.911501272293884
Dies ist die optimale Ausgleichskurve zu den Originaldaten. Die zu minimierende Zielfunktion der Summe der
Fehlerquadrate hat für diese Funktion den Wert
g(0.53813492677209, 1.911501272293884) = 0.063719938882957.

4.3.3 Einige weitere Hinweise zur Ermittlung von Startwerten


Da die Startwerte einen erheblichen Einfluss auf die Lösung von Iterationsproblemen haben
und schlechte Startwerte die Lösung sogar verhindern können, sollen einige Anregungen zur
Gewinnung der Startwerte gegeben werden.
1. Bei zwei Parametern c1 und c2 können Startwerte durch die grafische Darstellung der
Funktion g(c1 , c2 ) in einem 3D-Diagramm gewonnen werden, indem die Werte c1 und c2
dort abgelesen werden, wo g(c1 , c2 ) minimal wird.

6
g(c1 , c2 )

0
0 0
1
2 2
c2 3 c1

Aus der Grafik lässt sich ablesen, dass die Funktion g(c1 , c2 ) ungefähr für c1 = 2 und
c2 = 1 minimal wird. Somit sind diese Werte geeignete Startwerte für die Iteration.

8
2. Bei mehr als zwei (beispielsweise drei) Parametern und einer Vorkenntnis über die un-
gefähre Größe der Parameter kann man die Punktewolke und eine Ausgleichsfunktion
mit unterschiedlichen (c1 , c2 , c3 )-Kombinationen in einem Diagramm darstellen, um so
eine geeignete (c1 , c2 , c3 )-Kombination zu finden. Es muss solange gesucht werden, bis
die Ausgleichsfunktion hinreichend gut mit den gegebenen Punkten übereinstimmt. Die
entsprechenden Werte für c1 , c2 , c3 sind dann als Startwerte zu verwenden.
3. Bei der Bestimmung von Startwerten für die Parametersuche kann man sich oft an ein-
fachen Eigenschaften der zu approximierenden Funktion orientieren. Dazu kann man bei-
spielsweise aus den gegebenen Punkten abschätzen:
• die Extremstellen und Extremwerte der Funktion
• die Nullstellen der Funktion

4. Gelingt es nicht, geeignete Näherungswerte für die Parameter zu gewinnen, so bleibt fü die
Iteration noch ein Blindversuch“ mit einem beliebigen Startvektor, z. B. ck = 1 (k =

1, 2, . . . , m), dessen Brauchbarkeit sich an der gemeinsamen grafischen Darstellung der
Daten mit der so gewonnenen Ausgleichsfunktion prüfen lässt.
5. Da die Startwertsuche ein Problem werden kann, werden von den Softwarepakten häufig
für spezielle nichtlinearisierbare Ausgleichsfunktionen konkrete Befehle angeboten, für die
der Anwender keine Startwerte vorgeben muss. Bei Mathcad sind das z. B.:

exponentialer Ansatz y = c1 e c2 x + c3 Funktion expanp


logarithmischer Ansatz y = c1 ln(x + c2 ) + c3 Funktion loganp
c1
logistischer Ansatz y= Funktion lgsanp
1 + c2 e −c3 x
Potenzansatz y = c1 xc2 + c3 Funktion potanp
Sinusansatz y = c1 sin(x + c2 ) + c3 Funktion sinanp

4.4 Bewertung der Ergebnisse


4.4.1 Beurteilung der Anpassgüte
Die Beurteilung, wie gut sich die Ausgleichsfunktion an die Datenpunkte anpasst, kann durch
das absolute Fehlermaß erfolgen:
 v
u n
 t 1
 X 2
 u
[y(xi , ~c) − yi ] für n > m

σ= n − m i=1



0 für n = m

Dabei sind
• n die Anzahl der Datenpunkte

• m die Anzahl der errechneten Ansatzkoeffizienten ck


• ~c = (c1 , c2 , . . . , cm )T der Vektor der Ansatzkoeffizienten
• yi (i = 1, 2, . . . , n) die gegebenen y-Koordinaten und

• y(xi , ~c) die errechneten Funktionswerte der Ausgleichsfunktion an den gegebenen xi -


Koordinaten (i = 1, 2, . . . , n)
Die Größe lässt sich als mittlerer Abstand der Datenpunkte von der Ausgleichsfunktion inter-
pretieren.
Ein Maß für die relative Anpassung ist das relative Fehlermaß
n
σ 1X
v= mit ȳ = yi
|ȳ| n i=1

9
Bemerkung 4.3 1. Das Fehlermaß σ ist besonders beim Vergleich mehrerer Ausgleichs-
funktionen von Interesse, wenn zu entscheiden ist, welche sich am besten an die Daten-
punkte anpasst.
2. σ = 0 ist der Idealfall. Alle Datenpunkte liegen dann exakt auf der Ausgleichsfunktion.
3. Die Interpretation des relativen Fehlermaßes wird problematisch, wenn der Mittelwert ȳ
gegen Null geht. Deshalb ist besonders dann Vorsicht geboten, wenn nicht alle yi -Werte
das gleiche Vorzeichen haben.
4. Als absolutes Maß hat σ die Maßeinheit der y-Werte! v ist als relatives Maß dimensionslos
und wird meistens in Prozent angegeben.

4.4.2 Vorgehen bei ungenügender Lösung


Sollte das Ergebnis nicht zufriedenstellend sein, kann das folgende Ursachen haben:

1. Der Funktionstyp wurde ungünstig gewählt und lässt keine bessere Anpassung zu.
2. Das Verfahren konvergiert nicht (d. h. nähert sich nicht der Lösung), weil der Startvektor
schlecht gewählt wurde.
3. Das Ergebnis ist zu ungenau, weil das Verfahren zu zeitig abgebrochen wurde (der Wert
für T OL wurde möglicherweise unüberlegt übernommen).
4. Die Konvergenzgeschwindigkeit ist zu gering (die maximale Anzahl der Iterationsschritte
wird überschritten).
Dann können folgende Schritte sinnvoll sein:

1. Den Funktionstyp überprüfen und eventuell einen anderen Typ wählen.


2. Den Startwertvektor ändern.
3. Das Abbruchkriterium korrigieren (in Mathcad mit Hilfe der Systemvariablen T OL und
CT OL, letztere überprüft die Einhaltung von Nebenbedingungen).

4. Einen anderen Befehl und damit einen anderen Algorithmus wählen (in Mathcad z. B.
neben der Funktion Minimieren die Funktionen Minfehl, Suchen bzw. genanp).

10