Ausgleichungsrechnung - LinkFang.de





Ausgleichungsrechnung


Die Ausgleichungsrechnung (auch Ausgleichsrechnung, Ausgleichung, Parameterschätzung oder Anpassung genannt) ist eine mathematische Optimierungsmethode, um für eine Reihe von Messdaten die unbekannten Parameter ihres geometrisch-physikalischen Modells oder die Parameter einer vorgegebenen Funktion zu bestimmen (zu schätzen). In der Regel werden mit ihr überbestimmte Probleme gelöst. Regression und Fit(ting) sind häufig verwendete Verfahren der Ausgleichsrechnung.

Ziel der Ausgleichung ist, dass sich das endgültige Modell bzw. die Funktion den Daten und ihren unvermeidlichen kleinen Widersprüchen bestmöglich anpasst. Im Allgemeinen wird die Berechnung mit der Methode der kleinsten Quadrate durchgeführt. Diese Methodik bedeutet, dass an den Parametern kleine Verbesserungen angebracht werden, so dass die Summe der Quadrate aller einzelnen Abweichungen zwischen Mess- und Modelldaten minimal werden soll. Bei zufällig verteilten Modell- oder Messfehlern führt dies zum wahrscheinlichsten Wert für die zu berechnenden Unbekannten. Die verbleibenden kleinen Reste werden Residuen genannt und lassen Aussagen über die Genauigkeit und Zuverlässigkeit des Mess- und Datenmodells zu.

Ausgleichung und Approximationstheorie

Da kleine Widersprüche in allen redundanten, auf Zuverlässigkeit geprüften Daten auftreten (siehe auch Überbestimmung), ist der Umgang mit diesen meist statistisch verteilten Restabweichungen zur wichtigen Aufgabe in verschiedenen Wissenschaften und der Technik geworden. Neben der glättenden Wirkung auf streuende Daten wird die Ausgleichungsrechnung auch zur Milderung von Diskrepanzen etwa in den Sozialwissenschaften verwendet.

Diese Suche nach den naturnahen, wahrscheinlichsten Werten von Systemen oder Messreihen ist in der Sprache der Approximationstheorie die Schätzung von unbekannten Parametern eines mathematischen Modells. Die dabei meist verwendete Methode der kleinsten Quadrate (englisch least mean squares oder kurz least squares) entspricht dem Gauß-Markow-Modell. Im einfachsten Fall hat eine Ausgleichung zum Ziel, eine größere Anzahl empirischer Mess- oder Erhebungsdaten durch eine Kurve zu beschreiben und die Restabweichungen (Residualkategorie) zu minimieren. Eine solche Kurvenanpassung kann auch erstaunlich genau freiäugig-grafisch durch Betrachten der Datenreihe durchgeführt werden, was die naturnahe Charakteristik der Quadratabweichungsminimierung unterstreicht.

Die Ausgleichungsrechnung wurde um 1800 von Carl Friedrich Gauß für ein Vermessungsnetz der Geodäsie und für die Bahnbestimmung von Planetoiden entwickelt. Seither werden Ausgleichungen in allen Natur- und Ingenieurwissenschaften durchgeführt, bisweilen auch in den Wirtschafts- und Sozialwissenschaften. Die Ausgleichung nach dem Gauß-Markow-Modell liefert das bestmögliche Ergebnis, wenn die Residuen zufällig sind und einer Normalverteilung folgen. Unterschiedlich genaue Messwerte werden durch Gewichtung abgeglichen.

Enthalten die Messungen oder Daten allerdings auch systematische Einflüsse oder grobe Fehler, dann ist das ausgeglichene Ergebnis verfälscht und die Residuen weisen einen Trend hinsichtlich der Störeinflüsse auf. In solchen Fällen sind weitere Analysen erforderlich wie etwa eine Varianzanalyse oder die Wahl eines robusten Schätzverfahrens.

Einführung

Im einfachsten Fall handelt es sich um die Ausgleichung der Messabweichungen (Verbesserung, Residuum) nach der Methode der kleinsten Quadrate. Hierbei werden die Unbekannten (die Parameter) des Modells so bestimmt, dass die Quadratsumme der Messabweichungen aller Beobachtungen minimal wird. Die geschätzten Parameter stimmen dann erwartungstreu mit dem theoretischen Modell überein. Alternativ kann die Ausgleichung auch nach einer anderen Residuenbewertungsfunktion erfolgen, z. B. durch Minimierung der Summe oder des Maximums der Beträge der Messabweichungen.

Damit handelt es sich um ein Optimierungsproblem. Die Rechenschritte einer Ausgleichung vereinfachen sich wesentlich, wenn die Beobachtungen als normalverteilt und unkorreliert angesehen werden können. Falls ungleiche Genauigkeiten der Messgrößen vorliegen, kann dies durch Gewichtung berücksichtigt werden. Weitergehende stochastische Eigenschaften der Beobachtungen können in der Regressionsanalyse ergründet werden.

Funktionales und stochastisches Modell

Jeder Ausgleichung geht eine Modellbildung voraus. Hierbei wird im Allgemeinen zwischen funktionalem Modell und stochastischem Modell unterschieden.

  • Ein funktionales Modell beschreibt hierbei die mathematischen Relationen zwischen den bekannten (konstanten), unbekannten und den beobachteten Parametern. Die Beobachtungen stellen dabei stochastische Größen (Zufallsvariable) dar, z. B. mit zufälligen Störungen überlagerte Messungen.
    • Als einfaches Beispiel sei ein Dreieck genannt, in dem überzählige Messungen zu geometrischen Widersprüchen führen (z. B. Winkelsumme ungleich 180°). Das funktionale Modell dazu sind die Formeln der Trigonometrie; die Störungen können z. B. kleine Zielabweichungen bei jeder Winkelmessung sein.
  • Das stochastische Modell beschreibt die Varianzen und Kovarianzen der beobachteten Parameter.

Das Ziel der Ausgleichung ist eine optimale Ableitung der unbekannten Werte (Parameter, z. B. die Koordinaten der Messpunkte) und der Maße für ihre Genauigkeit und Zuverlässigkeit im Sinne einer Zielfunktion. Für letztere wählt man meistens die minimale Summe der Abweichungsquadrate, doch können es für Sonderfälle beispielsweise auch minimale Absolutwerte oder andere Zielfunktionen sein.

Lösungsverfahren

Je nach funktionalem und stochastischem Modell werden verschiedene Ausgleichungsmodelle benutzt.

Das Hauptunterscheidungsmerkmal dabei ist,

  • ob sich alle Beobachtungen als Funktionen von Unbekannten und Konstanten darstellen lassen,
  • ob die Beobachtungen voneinander stochastisch unabhängig oder korreliert sind,
  • ob die Relationen nur Beobachtungen und Konstanten aufweisen, jedoch keinerlei Unbekannte enthalten,
  • ob es unter der Menge der Relationen auch solche gibt, die ausschließlich Beziehungen unter Konstanten und Unbekannten beschreiben und damit Restriktionen zwischen Unbekannten beschreiben.
  • Bei gemischtem Auftreten von sehr verschiedenen Messgrößen – etwa bei geometrischen und physikalischen Messungen – wurden die Methoden der Ausgleichsrechnung von einigen Mathematikern und Geodäten um 1970 zur sogenannten Kollokation erweitert. Sie wird unter anderem für die Geoidbestimmung verwendet, siehe H. Moritz, H. Sünkel und C.C. Tscherning.

Die Ausgleichungsmodelle heißen:

  • Ausgleichung nach vermittelnden Beobachtungen: Die einzelnen Beobachtungen sind Funktionen der unbekannten Parameter.
  • Ausgleichung nach vermittelnden Beobachtungen mit Bedingungen zwischen den Unbekannten: Es bestehen zusätzliche Bedingungen zwischen den unbekannten Parametern.
  • Ausgleichung nach bedingten Beobachtungen (bedingte Ausgleichung): Es werden Bedingungsgleichungen für die Beobachtungen aufgestellt, in denen die unbekannten Parameter nicht vorkommen. Die unbekannten Parameter können dann aus den ausgeglichenen Beobachtungen berechnet werden.
  • Allgemeinfall der Ausgleichung: Es werden funktionale Beziehungen zwischen Beobachtungen und Parametern aufgestellt, in denen die Beobachtungen nicht explizit als Funktion der Parameter vorkommen.

Grafisches Verfahren

Während dem mathematischen Lösungsverfahren ein Modell zugrunde gelegt werden muss, ist das grafische Verfahren ohne solche Annahme möglich. Hier wird eine stetig gekrümmte ausgleichende Linie den Messpunkten angenähert. Je nach Hintergrundwissen (Erwartung an den Verlauf) oder persönlicher Bewertung (einzelne Messpunkte als „Ausreißer“) kann die Linie allerdings durchaus unterschiedlich ausfallen. Zum Zeichnen solcher Linien gibt es Schablonen(sätze), speziell die sog. Burmester-Schablonen sind gängig.

Unterschiede zwischen Regression und Fit

Dieser Artikel oder Abschnitt ist nicht ausreichend belegt.
Dieser Artikel oder Abschnitt bedarf einer Überarbeitung.

Regression und Fit bzw. Methode der kleinsten Quadrate sind nicht synonym und unterscheiden sich in den Problemstellungen und den auszuwertenden Daten.

Regression

Eine Regression untersucht eine mögliche Korrelation zwischen Datenpunkten mit einem angenommenen inneren Zusammenhang (hier zweidimensional [math](x,y(x))[/math]). Dabei haben die Datenpunkte keine Unsicherheiten bzw. Messfehler; sie werden als konstant und fest angenommen. Mit einer angenommenen kontinuierlichen Funktion untersucht die Regression, wie sehr sich die Datenpunkte mit der angenommenen Funktion beschreiben lassen. Die resultierenden Regressionsparameter (bei einem linearen Zusammenhang z. B. [math]a,b[/math]) der Regressionsfunktion sind stochastische Größen: [math]\hat y(x)=\hat a\cdot x + \hat b + \epsilon[/math].

Fit

Unter einem Fit wird eine Funktionsanpassung verstanden unter Berücksichtigung von Messfehlern oder Unsicherheiten der Messpunkte [math]\left(x,y\pm\delta_{y}\right)[/math]. Die resultierenden Funktionsparameter sind dann wie die Messwerte mit einer Unsicherheit behaftet. Die geläufigste Methode eines Fits ist die Methode der kleinsten Quadrate, wobei eine gaußverteilte Messwertunsicherheit angenommen wird. Das Ergebnis eines Fits ist immer eine Kurvenschar, in der der „wahre“ funktionale Zusammenhang mit einer gewissen Wahrscheinlichkeit liegt: [math]Y=\left(A\pm\delta_{a}\right)\cdot X + \left(B\pm\delta_{b}\right)[/math]

Genauer: Das Ergebnis zu einer Fitfunktion [math]F\left(x;a,b,\cdots\right)[/math] ist ein Satz der wahrscheinlichsten Funktionsparameter und die Kovarianzmatrix mit den Fehlern und Korrelationen der Parameter:

[math]P=\left(\begin{array}{c}A \\ B \\ \vdots\end{array}\right),\qquad\delta_{P}=\left( \begin{array}{ccc} \delta_{\color{red}{a}} \delta_{\color{red}{a}} & \delta_{\color{red}{a}} \delta_{\color{blue}{b}} & \cdots\\ \delta_{\color{blue}{b}} \delta_{\color{red}{a}} & \delta_{\color{blue}{b}} \delta_{\color{blue}{b}} & \cdots \\ \vdots & \vdots & \ddots \end{array}\right) [/math]

Vergleichbar ist ein einzelner Messwert mit Fehler, hier liegt der „wahre“ Wert mit einer gewissen Wahrscheinlichkeit innerhalb der Fehlerbalken; der zentrale Wert ist hierbei nur der wahrscheinlichste Wert.

Zusammenfassung

Beide Methoden können in Spezialfällen die gleichen Funktionsparameter liefern, zum Beispiel bei linearen Zusammenhängen mit gleichen Unsicherheiten der Messwerte beim Fit.

Bei Fits ist die Methode der kleinsten Quadrate nur bedingt geeignet, wenn Datenpunkte Fehler haben, die nicht gaußförmig verteilt sind. Auch muss bei einer Transformation von Datenpunkten beachtet werden, dass die Unsicherheiten der Datenpunkte ebenso mittransformiert werden müssen (Beispiel: eine exponentielle Verteilung mit Unsicherheiten soll linearisiert werden).

Siehe auch

Literatur

Weblinks


Kategorien: Ausgleichsrechnung | Regressionsanalyse | Geodäsie

Quelle: Wikipedia - http://de.wikipedia.org/wiki/Ausgleichungsrechnung (Vollständige Liste der Autoren des Textes [Versionsgeschichte])    Lizenz: CC-by-sa-3.0

Änderungen: Alle Bilder mit den meisten Bildunterschriften wurden entfernt. Ebenso alle zu nicht-existierenden Artikeln/Kategorien gehenden internen Wikipedia-Links (Bsp. Portal-Links, Redlinks, Bearbeiten-Links). Entfernung von Navigationsframes, Geo & Normdaten, Mediadateien, gesprochene Versionen, z.T. ID&Class-Namen, Style von Div-Containern, Metadaten, Vorlagen, wie lesenwerte Artikel. Ansonsten sind keine Inhaltsänderungen vorgenommen worden. Weiterhin kann es durch die maschinelle Bearbeitung des Inhalts zu Fehlern gerade in der Darstellung kommen. Darum würden wir jeden Besucher unserer Seite darum bitten uns diese Fehler über den Support mittels einer Nachricht mit Link zu melden. Vielen Dank!

Stand der Informationen: August 201& - Wichtiger Hinweis: Da die Inhalte maschinell von Wikipedia übernommen wurden, ist eine manuelle Überprüfung nicht möglich. Somit garantiert LinkFang.de nicht die Richtigkeit und Aktualität der übernommenen Inhalte. Sollten die Informationen mittlerweile fehlerhaft sein, bitten wir Sie darum uns per Support oder E-Mail zu kontaktieren. Wir werden uns dann innerhalb von spätestens 10 Tagen um Ihr Anliegen kümmern. Auch ohne Anliegen erfolgt mindestens alle drei Monate ein Update der gesamten Inhalte.