Algorithmen für geographische Informationssysteme

Slides:



Advertisements
Ähnliche Präsentationen
Der Foliensatz ist unter einer Creative Commons-Lizenz lizenziert:
Advertisements

Problemlösen am Beispiel des Rückwärtsarbeitens
? Stichwortverzeichnis … zum Suchen
Stichwortverzeichnis
Heute Mathe, morgen DLR! Dr. Margrit Klitz
Einführung in Web- und Data-Science Grundlagen der Stochastik
gemeinsam.innovativ.nachhaltig.
Wissenschaftliche Methodik
3. Schafft das Internet neue Transaktionsdesign?
Umweltbezogene Entscheidungen - multidimensionale Bewertungsverfahren -
Michael Artin: Geometric Algebra
R What is this R thing, and is it worth some effort?
3 Elektrochemische Wandler
Elektro-Skateboards Teil I Grundlagen
Stichwortverzeichnis
8 Zündung/Motormanagement
Stichwortverzeichnis
2 Elektrische Maschinen in Kraftfahrzeugen
Herstellung von kristallinen Metalloxiden über die Schmelze mit einem Spiegelofen Gruppe 8: Yuki Meier, Vivien Willems, Andrea Scheidegger, Natascha Gray.
Kapitel 4 Traveling Salesman Problem (TSP)
Markus Lips März 2017 ETH-Vorlesung, 6. Sem. Agrarwissenschaft BSc Agrartechnik II.
Einführung in die Wahrscheinlichkeitsrechnung
Motoremissionen mobiler Anlagen – Stand der Technik
Lieber Leser, liebe Leserin,
Inhaltsverzeichnis In der vorliegenden Präsentation finden Sie unter anderem Antworten auf folgende Fragen… warum ist eine Gesetzesinitiative zum Betriebliches.
Einführung in Web- und Data-Science
Algorithmen und Datenstrukturen
Algorithmen und Datenstrukturen
Industrie 4.0 für die Ausbildung 4.0
Entwicklung epistemologischer Überzeugungen
Das Verdauungssystem Präsentiert von Theresa
MasterBAV© Die neue Generation BAV
Algorithmen und Datenstrukturen
Rehwild die richtige Altersbestimmung
PSG II Neuer Pflegebedürftigkeitsbegriff und dessen Begutachtung (NBA)
Medientechnische Infrastrukturen für virtuelle und lokale Lernräume
Wissensmanagement im Zeitalter von Digitaler Transformation
«Wir bereiten uns auf die Deutschlandreise vor»
GABI UND BEN.
Pflege & Finanzierung 01. Juni 2017 Dr. Sonja Unteregger
Das Arbeitgebermodell in Zeiten des
Microsoft® Office PowerPoint® 2007-Schulung
Einführung in Web- und Data-Science
Pensionsrück-stellungen Prof. Dr. Matthias Hendler
Mathematik 10.
Betriebliche Gesundheitsförderung 2
Vorlesung Wasserwirtschaft & Hydrologie I
Liebe BetrachterInnen,
Rosebrock: Geometrische Gruppen
Forschungsmethoden in der Teilchenphysik
Neue Unterrichtsmaterialien zur Teilchenphysik Philipp Lindenau CERN | Herzlich willkommen! Präsentation mit Notizen hinterlegt!
Eröffnungsveranstaltung
Aktuelle Themen aus dem KVJS-Landesjugendamt Referat 44
Roomtour - Podio für Anfänger
175 Jahre UZH Krisenkommunikation
Frauen- Männerriegen KONFERENZ
Schulung für Microsoft® Office SharePoint® 2007
Was ist eigentlich Datenschutz?
Aktuelle Aspekte des Europäischen Zivilprozessrechts
Einführung in die Benutzung des Einkaufportals der Eckelmann AG
Wer wir sind! Ihr S-Campus-Team direkt im Campus Center. Sven Deussing
Non-Standard-Datenbanken
Amand Fäßler 3. Januar 2017; RC Bregenz
Mathematik 11 Analytische Geomerie.
Non-Standard-Datenbanken
Menger-Schwamm Ausgangsfigur in Stufe 0 ist ein Würfel
Sortieren auf Multiprozessorrechnern
Wurzeln und Irrationalität nach U.Wagner, OHG Tuttlingen
Langzeitbelichtung Ein Zugang zur Kinematik in Klassenstufe 7/8
Eine kleine Einführung in das Projekt „Mausefallenauto“
 Präsentation transkript:

Algorithmen für geographische Informationssysteme Least Squares Adjustment

Carl Friedrich Gauß (1777 Braunschweig – 1855 Göttingen)

Ausgleichungsrechnung

Ausgleichungsrechnung (3.99999464…, 3.00000714…) 5 89.99…° 36,87° 90° (0, 0) 4 (4, 0)

Ausgleichungsrechnung (4, 3.000011…) 5.0000067… 5 36,87° 90° (0, 0) 4 (4, 0)

Ausgleichungsrechnung (3.99999464…, 3.00000714…) 5 36,87° 90° (0, 0) 4 (3.99999464…, 0) 3.99999464…

Ausgleichungsrechnung Gaußsche Gradmessung, 1821-1823 Ablesegenauigkeit: 4 Bogensekunden

Ausgleichungsrechnung Gaußsche Gradmessung, 1821-1823 Ablesegenauigkeit: 4 Bogensekunden Grundidee: Redundante Messung zur Steigerung der Genauigkeit

Ausgleichungsrechnung Gaußsche Gradmessung, 1821-1823 Ablesegenauigkeit: 4 Bogensekunden Grundidee: Redundante Messung zur Steigerung der Genauigkeit Genauigkeit nach Ausgleichung: 0.5 Bogensekunden

Problemdefinition Gegeben ein Vektor 𝑳 von 𝑛 Beobachtungen (Strecken, Winkel,...) a function 𝛷: ℝ 𝑢 → ℝ 𝑛 that, given the true unknowns 𝑿 , yields the true observations as 𝑳 =𝛷 𝑿 . finde Vektor 𝑿 von 𝑢 Unbekannten (Koordinaten) such that that 𝒗 𝑇 𝒗 is minimal, where 𝒗= 𝑳 −𝑳 and 𝑳 =𝛷 𝒙 .

normalerweise: 𝑛> nötig Problemdefinition Gegeben ein Vektor 𝑳 von 𝑛 Beobachtungen (Strecken, Winkel,...) a function 𝛷: ℝ 𝑢 → ℝ 𝑛 that, given the true unknowns 𝑿 , yields the true observations as 𝑳 =𝛷 𝑿 . finde Vektor 𝑿 von 𝑢 Unbekannten (Koordinaten) such that that 𝒗 𝑇 𝒗 is minimal, where 𝒗= 𝑳 −𝑳 and 𝑳 =𝛷 𝒙 . normalerweise: 𝑛> nötig

Problemdefinition Gegeben ein Vektor 𝑳 von 𝑛 Beobachtungen (Strecken, Winkel,...) eine Funktion 𝛷: ℝ 𝑢 → ℝ 𝑛 , die für wahre Unbekannte 𝑿 die wahren Beobachtungen durch 𝑳 =𝛷 𝑿 liefert finde Vektor 𝑿 von 𝑢 Unbekannten (Koordinaten) such that that 𝒗 𝑇 𝒗 is minimal, where 𝒗= 𝑳 −𝑳 and 𝑳 =𝛷 𝒙 .

Problemdefinition Gegeben ein Vektor 𝑳 von 𝑛 Beobachtungen (Strecken, Winkel,...) eine Funktion 𝛷: ℝ 𝑢 → ℝ 𝑛 , die für wahre Unbekannte 𝑿 die wahren Beobachtungen durch 𝑳 =𝛷 𝑿 liefert. find vector 𝒙 of 𝑢 unknowns (coordinates) such that that 𝒗 𝑇 𝒗 is minimal, where 𝒗= 𝑳 −𝑳 and 𝑳 =𝛷 𝒙 . Beispiel: 𝑥 3 , 𝑦 3 𝑑 3 𝑑 1 𝑑 2 𝑑 3 =𝛷 𝑥,𝑦 = 𝑥 1 −𝑥 2 + 𝑦 1 −𝑦 2 𝑥 2 −𝑥 2 + 𝑦 2 −𝑦 2 𝑥 3 −𝑥 2 + 𝑦 3 −𝑦 2 𝑥,𝑦 𝑑 1 𝑑 2 𝑥 1 , 𝑦 1 𝑥 2 , 𝑦 2

Problemdefinition Gegeben ein Vektor 𝑳 von 𝑛 Beobachtungen (Strecken, Winkel,...) eine Funktion 𝛷: ℝ 𝑢 → ℝ 𝑛 , die für wahre Unbekannte 𝑿 die wahren Beobachtungen durch 𝑳 =𝛷 𝑿 liefert. find vector 𝒙 of 𝑢 unknowns (coordinates) such that that 𝒗 𝑇 𝒗 is minimal, where 𝒗= 𝑳 −𝑳 and 𝑳 =𝛷 𝒙 . Beispiel: 𝑥 3 , 𝑦 3 𝑑 3 𝑑 1 𝑑 2 𝑑 3 =𝛷 𝑥,𝑦 = 𝑥−𝑥 1 2 + 𝑦−𝑦 1 2 𝑥−𝑥 2 2 + 𝑦−𝑦 2 2 𝑥−𝑥 3 2 + 𝑦−𝑦 3 2 𝑥,𝑦 𝑑 1 𝑑 2 𝑥 1 , 𝑦 1 𝑥 2 , 𝑦 2

Problemdefinition Gegeben ein Vektor 𝑳 von 𝑛 Beobachtungen (Strecken, Winkel,...) eine Funktion 𝛷: ℝ 𝑢 → ℝ 𝑛 , die für wahre Unbekannte 𝑿 die wahren Beobachtungen durch 𝑳 =𝛷 𝑿 liefert finde Vektor 𝑿 von 𝑢 Unbekannten (Koordinaten) such that that 𝒗 𝑇 𝒗 is minimal, where 𝒗= 𝑳 −𝑳 and 𝑳 =𝛷 𝒙 .

Problemdefinition Gegeben ein Vektor 𝑳 von 𝑛 Beobachtungen (Strecken, Winkel,...) eine Funktion 𝛷: ℝ 𝑢 → ℝ 𝑛 , die für wahre Unbekannte 𝑿 die wahren Beobachtungen durch 𝑳 =𝛷 𝑿 liefert finde Vektor 𝑿 von 𝑢 Unbekannten (Koordinaten) und Vektor 𝑳 =𝑳+𝒗 von ausgeglichenen Beobachtungen such that 𝑳 =𝛷 𝑿 and 𝒗 T 𝒗 is minimal.

Problemdefinition Gegeben ein Vektor 𝑳 von 𝑛 Beobachtungen (Strecken, Winkel,...) eine Funktion 𝛷: ℝ 𝑢 → ℝ 𝑛 , die für wahre Unbekannte 𝑿 die wahren Beobachtungen durch 𝑳 =𝛷 𝑿 liefert finde Vektor 𝑿 von 𝑢 Unbekannten (Koordinaten) und Vektor 𝑳 =𝑳+𝒗 von ausgeglichenen Beobachtungen so dass 𝑳 =𝛷 𝑿 gilt und 𝒗 T 𝒗 minimal ist.

Problemdefinition Gegeben ein Vektor 𝑳 von 𝑛 Beobachtungen (Strecken, Winkel,...) eine Funktion 𝛷: ℝ 𝑢 → ℝ 𝑛 , die für wahre Unbekannte 𝑿 die wahren Beobachtungen durch 𝑳 =𝛷 𝑿 liefert finde Vektor 𝑿 von 𝑢 Unbekannten (Koordinaten) und Vektor 𝑳 =𝑳+𝒗 von ausgeglichenen Beobachtungen so dass 𝑳 =𝛷 𝑿 gilt und 𝒗 T 𝒗 minimal ist. Methode der kleinsten Quadrate

Problemdefinition Gegeben ein Vektor 𝑳 von 𝑛 Beobachtungen (Strecken, Winkel,...) eine Funktion 𝛷: ℝ 𝑢 → ℝ 𝑛 , die für wahre Unbekannte 𝑿 die wahren Beobachtungen durch 𝑳 =𝛷 𝑿 liefert finde Vektor 𝑿 von 𝑢 Unbekannten (Koordinaten) und Vektor 𝑳 =𝑳+𝒗 von ausgeglichenen Beobachtungen so dass 𝑳 =𝛷 𝑿 gilt und 𝒗 T 𝑷𝒗 minimal ist. Methode der kleinsten Quadrate

Spezialfall: Ausgleichung bei linearem funktionalen Modell (= linearer Zusammenhang zwischen Beobachtungen & Unbekannten) 𝑳 =𝛷 𝑿 =𝑨 𝑿

Ausgleichung bei linearem funktionalen Modell 𝑳 =𝛷 𝑿 =𝑨 𝑿 Beispiel 1: Mehrfache Beobachtung einer Strecke 𝑳= 𝐿 1 ⋮ 𝐿 𝑛 mit 𝐿 𝑖 =𝑖-te Messung der Strecke Gesucht: Ausgeglichene Strecke 𝑋 , Verbesserungen 𝒗 Bedingung: 𝑳 =𝑳+𝒗=𝑨 𝑋 = 1 ⋮ 1 𝑋 und 𝒗 𝑇 𝒗→Min

Ausgleichung bei linearem funktionalen Modell Lösung… 𝑨 𝑿 = 𝑳 = 𝑳 + 𝒗 𝒗 = 𝑨 𝑿 −𝑳 Minimiere 𝒗 𝑇 𝒗… ⇒ 𝒗 𝑇 𝒗 = 𝑨 𝑿 −𝑳 𝑇 𝑨 𝑿 −𝑳 = 𝑿 𝑇 𝑨 𝑇 𝑨 𝑿 −2 𝑿 𝑇 𝑨 𝑇 𝑳+ 𝑳 𝑇 𝑳 notwendige Bedingung für Optimum: Gradient der Zielfunktion = Nullvektor

Ausgleichung bei linearem funktionalen Modell Lösung… 𝐹( 𝑿 ) = 𝑿 𝑇 𝑨 𝑇 𝑨 𝑿 −2 𝑿 𝑇 𝑨 𝑇 𝑳+ 𝑳 𝑇 𝑳 grad 𝐹 𝑿 = 𝜕𝐹 𝜕 𝑋 1 ⋮ 𝜕𝐹 𝜕 𝑋 𝑢 =2 𝑨 𝑇 𝑨 𝑿 −2 𝑨 𝑇 𝑳 notwendige Bedingung für Optimum: Gradient der Zielfunktion = Nullvektor

Ausgleichung bei linearem funktionalen Modell Lösung… 𝐹( 𝑿 ) = 𝑿 𝑇 𝑨 𝑇 𝑨 𝑿 −2 𝑿 𝑇 𝑨 𝑇 𝑳+ 𝑳 𝑇 𝑳 grad 𝐹 𝑿 = 𝜕𝐹 𝜕 𝑋 1 ⋮ 𝜕𝐹 𝜕 𝑋 𝑢 =2 𝑨 𝑇 𝑨 𝑿 −2 𝑨 𝑇 𝑳=𝟎 ! notwendige Bedingung für Optimum: Gradient der Zielfunktion = Nullvektor

Ausgleichung bei linearem funktionalen Modell Lösung… 𝐹( 𝑿 ) = 𝑿 𝑇 𝑨 𝑇 𝑨 𝑿 −2 𝑿 𝑇 𝑨 𝑇 𝑳+ 𝑳 𝑇 𝑳 grad 𝐹 𝑿 = 𝜕𝐹 𝜕 𝑋 1 ⋮ 𝜕𝐹 𝜕 𝑋 𝑢 =2 𝑨 𝑇 𝑨 𝑿 −2 𝑨 𝑇 𝑳=𝟎 ⟺ 𝑨 𝑇 𝑨 𝑿 = 𝑨 𝑇 𝑳 ! 𝑨 𝑇 𝑨𝑥= 𝑨 𝑇 𝑏 Gauß-Normalgleichung Lösung durch Gaußsches Eliminationsverfahren

Ausgleichung bei linearem funktionalen Modell Beispiel 1: Mehrfache Beobachtung einer Strecke 𝑳= 𝐿 1 ⋮ 𝐿 𝑛 mit 𝐿 𝑖 =𝑖-te Messung der Strecke Gesucht: Ausgeglichene Strecke 𝑋 , Verbesserungen 𝒗 Bedingung: 𝑨 𝑇 𝑨 𝑿 = 𝑨 𝑇 𝑳 𝑳 =𝑳+𝒗=𝑨 𝑋 = 1 ⋮ 1 𝑋 und 𝒗 𝑇 𝒗→Min

Ausgleichung bei linearem funktionalen Modell Beispiel 1: Mehrfache Beobachtung einer Strecke 𝑨 𝑇 𝑨= 1,…,1 1 ⋮ 1 =

Ausgleichung bei linearem funktionalen Modell Beispiel 1: Mehrfache Beobachtung einer Strecke 𝑨 𝑇 𝑨= 1,…,1 1 ⋮ 1 =𝑛

Ausgleichung bei linearem funktionalen Modell Beispiel 1: Mehrfache Beobachtung einer Strecke 𝑨 𝑇 𝑨= 1,…,1 1 ⋮ 1 =𝑛 𝑨 𝑇 𝑳= 1,…,1 𝐿 1 ⋮ 𝐿 𝑛 =

Ausgleichung bei linearem funktionalen Modell Beispiel 1: Mehrfache Beobachtung einer Strecke 𝑨 𝑇 𝑨= 1,…,1 1 ⋮ 1 =𝑛 𝑨 𝑇 𝑳= 1,…,1 𝐿 1 ⋮ 𝐿 𝑛 = 𝑖=1 𝑛 𝐿 𝑖

Ausgleichung bei linearem funktionalen Modell Beispiel 1: Mehrfache Beobachtung einer Strecke 𝑨 𝑇 𝑨= 1,…,1 1 ⋮ 1 =𝑛 𝑨 𝑇 𝑳= 1,…,1 𝐿 1 ⋮ 𝐿 𝑛 = 𝑖=1 𝑛 𝐿 𝑖 𝑨 𝑇 𝑨 𝑋 = 𝑨 𝑇 𝑳 ⟹ 𝑛 𝑋 = 𝑖=1 𝑛 𝐿 𝑖

Ausgleichung bei linearem funktionalen Modell Beispiel 1: Mehrfache Beobachtung einer Strecke 𝑨 𝑇 𝑨= 1,…,1 1 ⋮ 1 =𝑛 𝑨 𝑇 𝑳= 1,…,1 𝐿 1 ⋮ 𝐿 𝑛 = 𝑖=1 𝑛 𝐿 𝑖 𝑨 𝑇 𝑨 𝑋 = 𝑨 𝑇 𝑳 ⟹ 𝑛 𝑋 = 𝑖=1 𝑛 𝐿 𝑖

Ausgleichung bei linearem funktionalen Modell Beispiel 1: Mehrfache Beobachtung einer Strecke 𝑨 𝑇 𝑨= 1,…,1 1 ⋮ 1 =𝑛 𝑨 𝑇 𝑳= 1,…,1 𝐿 1 ⋮ 𝐿 𝑛 = 𝑖=1 𝑛 𝐿 𝑖 𝑨 𝑇 𝑨 𝑋 = 𝑨 𝑇 𝑳 ⟹ 𝑛 𝑋 = 𝑖=1 𝑛 𝐿 𝑖 ⟺ 𝑋 = 𝑖=1 𝑛 𝐿 𝑖 𝑛

Ausgleichung bei linearem funktionalen Modell Beispiel 1: Mehrfache Beobachtung einer Strecke 𝑨 𝑇 𝑨= 1,…,1 1 ⋮ 1 =𝑛 𝑨 𝑇 𝑳= 1,…,1 𝐿 1 ⋮ 𝐿 𝑛 = 𝑖=1 𝑛 𝐿 𝑖 𝑨 𝑇 𝑨 𝑋 = 𝑨 𝑇 𝑳 ⟹ 𝑛 𝑋 = 𝑖=1 𝑛 𝐿 𝑖 ⟺ 𝑋 = 𝑖=1 𝑛 𝐿 𝑖 𝑛 Ausgleichung entspricht Berechnung des Mittelwerts!

Ausgleichung bei linearem funktionalen Modell immer lösbar? wirklich optimal? optimale Lösung eindeutig?

Ausgleichung bei linearem funktionalen Modell Satz: Die Funktion 𝐹 hat immer eine Minimalstelle. Zielfunktion 𝑣 𝑇 𝑣 =𝐹( 𝑿 )= 𝑿 𝑇 𝑨 𝑇 𝑨 𝑿 −2 𝑿 𝑇 𝑨 𝑇 𝑳+ 𝑳 𝑇 𝑳

Ausgleichung bei linearem funktionalen Modell Satz: Die Funktion 𝐹 hat immer eine Minimalstelle. Jede quadratische Funktion in den Variablen 𝑋 1 ,…, 𝑋 𝑢 lässt sich durch Drehung und Verschiebung des Koordinatensystems in die Normalform 𝑓 𝜉 1 ,…, 𝜉 𝑢 = 𝛼 1 𝜉 1 2 +…+ 𝛼 𝑟 𝜉 𝑟 2 + 𝛼 𝑟+1 𝜉 𝑟+1 +…+ 𝛼 𝑢 𝜉 𝑢 +𝛾 bringen (d.h. keine gemischten Terme, jede Variable nur einmal).

Ausgleichung bei linearem funktionalen Modell Satz: Die Funktion 𝐹 hat immer eine Minimalstelle. Jede quadratische Funktion in den Variablen 𝑋 1 ,…, 𝑋 𝑢 lässt sich durch Drehung und Verschiebung des Koordinatensystems in die Normalform 𝑓 𝜉 1 ,…, 𝜉 𝑢 = 𝛼 1 𝜉 1 2 +…+ 𝛼 𝑟 𝜉 𝑟 2 + 𝛼 𝑟+1 𝜉 𝑟+1 +…+ 𝛼 𝑢 𝜉 𝑢 +𝛾 bringen (d.h. keine gemischten Terme, jede Variable nur einmal). Beispiel: 𝑓 𝑥 = 𝑥 2 +6𝑥−7

Ausgleichung bei linearem funktionalen Modell Satz: Die Funktion 𝐹 hat immer eine Minimalstelle. Jede quadratische Funktion in den Variablen 𝑋 1 ,…, 𝑋 𝑢 lässt sich durch Drehung und Verschiebung des Koordinatensystems in die Normalform 𝑓 𝜉 1 ,…, 𝜉 𝑢 = 𝛼 1 𝜉 1 2 +…+ 𝛼 𝑟 𝜉 𝑟 2 + 𝛼 𝑟+1 𝜉 𝑟+1 +…+ 𝛼 𝑢 𝜉 𝑢 +𝛾 bringen (d.h. keine gemischten Terme, jede Variable nur einmal). Beispiel: 𝑓 𝑥 = 𝑥 2 +6𝑥−7 = 𝑥 2 +6𝑥+9−16

Ausgleichung bei linearem funktionalen Modell Satz: Die Funktion 𝐹 hat immer eine Minimalstelle. Jede quadratische Funktion in den Variablen 𝑋 1 ,…, 𝑋 𝑢 lässt sich durch Drehung und Verschiebung des Koordinatensystems in die Normalform 𝑓 𝜉 1 ,…, 𝜉 𝑢 = 𝛼 1 𝜉 1 2 +…+ 𝛼 𝑟 𝜉 𝑟 2 + 𝛼 𝑟+1 𝜉 𝑟+1 +…+ 𝛼 𝑢 𝜉 𝑢 +𝛾 bringen (d.h. keine gemischten Terme, jede Variable nur einmal). Beispiel: 𝑓 𝑥 = 𝑥 2 +6𝑥−7 = 𝑥 2 +6𝑥+9−16 = 𝑥+3 2 −16

Ausgleichung bei linearem funktionalen Modell Satz: Die Funktion 𝐹 hat immer eine Minimalstelle. Jede quadratische Funktion in den Variablen 𝑋 1 ,…, 𝑋 𝑢 lässt sich durch Drehung und Verschiebung des Koordinatensystems in die Normalform 𝑓 𝜉 1 ,…, 𝜉 𝑢 = 𝛼 1 𝜉 1 2 +…+ 𝛼 𝑟 𝜉 𝑟 2 + 𝛼 𝑟+1 𝜉 𝑟+1 +…+ 𝛼 𝑢 𝜉 𝑢 +𝛾 bringen (d.h. keine gemischten Terme, jede Variable nur einmal). Beispiel: 𝑓 𝑥 = 𝑥 2 +6𝑥−7 = 𝑥 2 +6𝑥+9−16 = 𝑥+3 2 −16 = 𝜉 2 −16 mit 𝜉=𝑥+3

Ausgleichung bei linearem funktionalen Modell Satz: Die Funktion 𝐹 hat immer eine Minimalstelle. Jede quadratische Funktion in den Variablen 𝑋 1 ,…, 𝑋 𝑢 lässt sich durch Drehung und Verschiebung des Koordinatensystems in die Normalform 𝑓 𝜉 1 ,…, 𝜉 𝑢 = 𝛼 1 𝜉 1 2 +…+ 𝛼 𝑟 𝜉 𝑟 2 + 𝛼 𝑟+1 𝜉 𝑟+1 +…+ 𝛼 𝑢 𝜉 𝑢 +𝛾 bringen (d.h. keine gemischten Terme, jede Variable nur einmal). Beispiel: 𝑓 𝑥 = 𝑎𝑥 2 +𝑏𝑥+𝑐 = 𝑎 𝑥+ 𝑏 2𝑎 2 +(𝑐− 𝑏 2 4𝑎 )

Ausgleichung bei linearem funktionalen Modell Satz: Die Funktion 𝐹 hat immer eine Minimalstelle. Jede quadratische Funktion in den Variablen 𝑋 1 ,…, 𝑋 𝑢 lässt sich durch Drehung und Verschiebung des Koordinatensystems in die Normalform 𝑓 𝜉 1 ,…, 𝜉 𝑢 = 𝛼 1 𝜉 1 2 +…+ 𝛼 𝑟 𝜉 𝑟 2 + 𝛼 𝑟+1 𝜉 𝑟+1 +…+ 𝛼 𝑢 𝜉 𝑢 +𝛾 bringen (d.h. keine gemischten Terme, jede Variable nur einmal). Da 𝐹 𝑿 = 𝒗 𝑇 𝒗 gilt 𝐹 𝑿 ≥0. Also hat 𝐹 die Normalform 𝑓 𝜉 1 ,…, 𝜉 𝑢 = 𝛼 1 𝜉 1 2 +…+ 𝛼 𝑢 𝜉 𝑢 2 +𝛾 mit 𝛼 1 ,…, 𝛼 𝑢 ,𝛾≥0.

Ausgleichung bei linearem funktionalen Modell Satz: Die Funktion 𝐹 hat immer eine Minimalstelle. Jede quadratische Funktion in den Variablen 𝑋 1 ,…, 𝑋 𝑢 lässt sich durch Drehung und Verschiebung des Koordinatensystems in die Normalform 𝑓 𝜉 1 ,…, 𝜉 𝑢 = 𝛼 1 𝜉 1 2 +…+ 𝛼 𝑟 𝜉 𝑟 2 + 𝛼 𝑟+1 𝜉 𝑟+1 +…+ 𝛼 𝑢 𝜉 𝑢 +𝛾 bringen (d.h. keine gemischten Terme, jede Variable nur einmal). Da 𝐹 𝑿 = 𝒗 𝑇 𝒗 gilt 𝐹 𝑿 ≥0. Also hat 𝐹 die Normalform 𝑓 𝜉 1 ,…, 𝜉 𝑢 = 𝛼 1 𝜉 1 2 +…+ 𝛼 𝑢 𝜉 𝑢 2 +𝛾 mit 𝛼 1 ,…, 𝛼 𝑢 ,𝛾≥0. Damit ist der Punkt 𝜉 1 =⋯= 𝜉 𝑢 =0 eine Minimalstelle. Der Funktionswert an dieser Stelle ist 𝛾.

Ausgleichung bei linearem funktionalen Modell Satz: Die Gauß-Normalgleichung ist hinreichend. D.h. für jede Lösung 𝑿 der Gauß-Normalgleichung ist 𝒗 𝑇 𝒗 global minimal.

Ausgleichung bei linearem funktionalen Modell Satz: Die Gauß-Normalgleichung ist hinreichend. Sei 𝑿 0 ∈ ℝ 𝑢 eine Lösung der Gauß-Normalgleichung. Für jedes 𝑿∈ ℝ 𝑢 gilt 𝐹 𝑿 = 𝑨𝑿−𝑳 𝑇 𝑨𝑿−𝑳

Ausgleichung bei linearem funktionalen Modell Satz: Die Gauß-Normalgleichung ist hinreichend. Sei 𝑿 0 ∈ ℝ 𝑢 eine Lösung der Gauß-Normalgleichung. Für jedes 𝑿∈ ℝ 𝑢 gilt 𝐹 𝑿 = 𝑨𝑿−𝑳 𝑇 𝑨𝑿−𝑳 = 𝑨𝑿−𝑨 𝑿 0 +𝑨 𝑿 0 −𝑳 𝑇 𝑨𝑿−𝑨 𝑿 0 +𝑨 𝑿 0 −𝑳

Ausgleichung bei linearem funktionalen Modell Satz: Die Gauß-Normalgleichung ist hinreichend. Sei 𝑿 0 ∈ ℝ 𝑢 eine Lösung der Gauß-Normalgleichung. Für jedes 𝑿∈ ℝ 𝑢 gilt 𝐹 𝑿 = 𝑨𝑿−𝑳 𝑇 𝑨𝑿−𝑳 = 𝑨𝑿−𝑨 𝑿 0 +𝑨 𝑿 0 −𝑳 𝑇 𝑨𝑿−𝑨 𝑿 0 +𝑨 𝑿 0 −𝑳

Ausgleichung bei linearem funktionalen Modell Satz: Die Gauß-Normalgleichung ist hinreichend. Sei 𝑿 0 ∈ ℝ 𝑢 eine Lösung der Gauß-Normalgleichung. Für jedes 𝑿∈ ℝ 𝑢 gilt 𝐹 𝑿 = 𝑨𝑿−𝑳 𝑇 𝑨𝑿−𝑳 = 𝑨𝑿−𝑨 𝑿 0 +𝑨 𝑿 0 −𝑳 𝑇 𝑨𝑿−𝑨 𝑿 0 +𝑨 𝑿 0 −𝑳 = 𝑨𝑿−𝑨 𝑿 0 𝑇 𝑨𝑿−𝑨 𝑿 0 +2 𝑨𝑿−𝑨 𝑿 0 𝑇 𝑨 𝑿 0 −𝑳 + 𝑨 𝑿 0 −𝑳 𝑇 𝑨 𝑿 0 −𝑳

Ausgleichung bei linearem funktionalen Modell Satz: Die Gauß-Normalgleichung ist hinreichend. Sei 𝑿 0 ∈ ℝ 𝑢 eine Lösung der Gauß-Normalgleichung. Für jedes 𝑿∈ ℝ 𝑢 gilt 𝐹 𝑿 = 𝑨𝑿−𝑳 𝑇 𝑨𝑿−𝑳 = 𝑨𝑿−𝑨 𝑿 0 +𝑨 𝑿 0 −𝑳 𝑇 𝑨𝑿−𝑨 𝑿 0 +𝑨 𝑿 0 −𝑳 = 𝑨𝑿−𝑨 𝑿 0 𝑇 𝑨𝑿−𝑨 𝑿 0 +2 𝑨𝑿−𝑨 𝑿 0 𝑇 𝑨 𝑿 0 −𝑳 + 𝑨 𝑿 0 −𝑳 𝑇 𝑨 𝑿 0 −𝑳

Ausgleichung bei linearem funktionalen Modell Satz: Die Gauß-Normalgleichung ist hinreichend. Sei 𝑿 0 ∈ ℝ 𝑢 eine Lösung der Gauß-Normalgleichung. Für jedes 𝑿∈ ℝ 𝑢 gilt 𝐹 𝑿 = 𝑨𝑿−𝑳 𝑇 𝑨𝑿−𝑳 = 𝑨𝑿−𝑨 𝑿 0 +𝑨 𝑿 0 −𝑳 𝑇 𝑨𝑿−𝑨 𝑿 0 +𝑨 𝑿 0 −𝑳 = 𝑨𝑿−𝑨 𝑿 0 𝑇 𝑨𝑿−𝑨 𝑿 0 +2 𝑨𝑿−𝑨 𝑿 0 𝑇 𝑨 𝑿 0 −𝑳 + 𝑨 𝑿 0 −𝑳 𝑇 𝑨 𝑿 0 −𝑳 =0

Ausgleichung bei linearem funktionalen Modell Satz: Die Gauß-Normalgleichung ist hinreichend. Sei 𝑿 0 ∈ ℝ 𝑢 eine Lösung der Gauß-Normalgleichung. Für jedes 𝑿∈ ℝ 𝑢 gilt 𝐹 𝑿 = 𝑨𝑿−𝑳 𝑇 𝑨𝑿−𝑳 = 𝑨𝑿−𝑨 𝑿 0 +𝑨 𝑿 0 −𝑳 𝑇 𝑨𝑿−𝑨 𝑿 0 +𝑨 𝑿 0 −𝑳 = 𝑨𝑿−𝑨 𝑿 0 𝑇 𝑨𝑿−𝑨 𝑿 0 + 𝑨 𝑿 0 −𝑳 𝑇 𝑨 𝑿 0 −𝑳

Ausgleichung bei linearem funktionalen Modell Satz: Die Gauß-Normalgleichung ist hinreichend. Sei 𝑿 0 ∈ ℝ 𝑢 eine Lösung der Gauß-Normalgleichung. Für jedes 𝑿∈ ℝ 𝑢 gilt 𝐹 𝑿 = 𝑨𝑿−𝑳 𝑇 𝑨𝑿−𝑳 = 𝑨𝑿−𝑨 𝑿 0 +𝑨 𝑿 0 −𝑳 𝑇 𝑨𝑿−𝑨 𝑿 0 +𝑨 𝑿 0 −𝑳 = 𝑨𝑿−𝑨 𝑿 0 𝑇 𝑨𝑿−𝑨 𝑿 0 + 𝑨 𝑿 0 −𝑳 𝑇 𝑨 𝑿 0 −𝑳 = 𝑨𝑿−𝑨 𝑿 0 𝑇 𝑨𝑿−𝑨 𝑿 0 +𝐹 𝑿 0

Ausgleichung bei linearem funktionalen Modell Satz: Die Gauß-Normalgleichung ist hinreichend. Sei 𝑿 0 ∈ ℝ 𝑢 eine Lösung der Gauß-Normalgleichung. Für jedes 𝑿∈ ℝ 𝑢 gilt 𝐹 𝑿 = 𝑨𝑿−𝑳 𝑇 𝑨𝑿−𝑳 = 𝑨𝑿−𝑨 𝑿 0 +𝑨 𝑿 0 −𝑳 𝑇 𝑨𝑿−𝑨 𝑿 0 +𝑨 𝑿 0 −𝑳 = 𝑨𝑿−𝑨 𝑿 0 𝑇 𝑨𝑿−𝑨 𝑿 0 + 𝑨 𝑿 0 −𝑳 𝑇 𝑨 𝑿 0 −𝑳 = 𝑨𝑿−𝑨 𝑿 0 𝑇 𝑨𝑿−𝑨 𝑿 0 +𝐹 𝑿 0 ≥𝐹 𝑿 0

Ausgleichung bei linearem funktionalen Modell Satz: Die Gauß-Normalgleichung ist eindeutig lösbar, wenn rang 𝐴 =𝑢.

Ausgleichung bei linearem funktionalen Modell Satz: Die Gauß-Normalgleichung ist eindeutig lösbar, wenn rang 𝐴 =𝑢. Sei 𝑿 0 ∈ ℝ 𝑢 eine Lösung der Gauß-Normalgleichung. Für jedes 𝑿∈ ℝ 𝑢 gilt: 𝐹 𝑿 = 𝑨𝑿−𝑨 𝑿 0 𝑇 𝑨𝑿−𝑨 𝑿 0 +𝐹 𝑿 0 ≥𝐹 𝑿 0

Ausgleichung bei linearem funktionalen Modell Satz: Die Gauß-Normalgleichung ist eindeutig lösbar, wenn rang 𝐴 =𝑢. Sei 𝑿 0 ∈ ℝ 𝑢 eine Lösung der Gauß-Normalgleichung. Für jedes 𝑿∈ ℝ 𝑢 gilt: 𝐹 𝑿 = 𝑨𝑿−𝑨 𝑿 0 𝑇 𝑨𝑿−𝑨 𝑿 0 +𝐹 𝑿 0 ≥𝐹 𝑿 0 Wenn 𝐹 𝑿 =𝐹 𝑿 0 , dann: 𝑨𝑿−𝑨 𝑿 0 𝑇 𝑨𝑿−𝑨 𝑿 0 =0 ⇔ 𝑨𝑿−𝑨 𝑿 0 =𝑨 𝑿− 𝑿 0 =𝟎

Ausgleichung bei linearem funktionalen Modell Satz: Die Gauß-Normalgleichung ist eindeutig lösbar, wenn rang 𝐴 =𝑢. Sei 𝑿 0 ∈ ℝ 𝑢 eine Lösung der Gauß-Normalgleichung. Für jedes 𝑿∈ ℝ 𝑢 gilt: 𝐹 𝑿 = 𝑨𝑿−𝑨 𝑿 0 𝑇 𝑨𝑿−𝑨 𝑿 0 +𝐹 𝑿 0 ≥𝐹 𝑿 0 Wenn 𝐹 𝑿 =𝐹 𝑿 0 , dann: 𝑨𝑿−𝑨 𝑿 0 𝑇 𝑨𝑿−𝑨 𝑿 0 =0 ⇔ 𝑨𝑿−𝑨 𝑿 0 =𝑨 𝑿− 𝑿 0 =𝟎 mit rang 𝐴 =𝑢 ⇒ 𝑿= 𝑿 0

Ausgleichung bei linearem funktionalen Modell Beispiel 2: Ausgleichung von Höhendifferenzen Nivelliergerät Quelle: wikipedia

Ausgleichung bei linearem funktionalen Modell Beispiel 2: Ausgleichung von Höhendifferenzen 𝑃 2 Δℎ 2,3 =−7.0 m 𝑃 3 Δℎ 4,2 =5.4 m Δℎ 3,4 =1.1 m Δℎ 1,2 =4.1 m Δℎ 4,1 =1.2 m 𝑃 1 𝑃 4 ℎ 1 =0 m Gesucht: ℎ 2 , ℎ 3 , ℎ 4

Ausgleichung bei linearem funktionalen Modell Beispiel 2: Ausgleichung von Höhendifferenzen 𝑳= Δℎ 1,2 Δℎ 2,3 Δℎ 3,4 Δℎ 4,1 Δℎ 4,2 = 4.1 −7.0 1.1 1.2 5.4 m 𝑃 2 Δℎ 2,3 =−7.0 m 𝑃 3 Δℎ 4,2 =5.4 m Δℎ 3,4 =1.1 m Δℎ 1,2 =4.1 m Δℎ 4,1 =1.2 m 𝑃 1 𝑃 4 ℎ 1 =0 m Gesucht: ℎ 2 , ℎ 3 , ℎ 4

Ausgleichung bei linearem funktionalen Modell Beispiel 2: Ausgleichung von Höhendifferenzen 𝑳= Δℎ 1,2 Δℎ 2,3 Δℎ 3,4 Δℎ 4,1 Δℎ 4,2 = 4.1 −7.0 1.1 1.2 5.4 m 𝑃 2 Δℎ 2,3 =−7.0 m 𝑃 3 Δℎ 4,2 =5.4 m Δℎ 3,4 =1.1 m Δℎ 1,2 =4.1 m 𝑿 = ℎ 2 ℎ 3 ℎ 4 Δℎ 4,1 =1.2 m 𝑃 1 𝑃 4 ℎ 1 =0 m 𝜱 𝑿 = 𝑳 Gesucht: ℎ 2 , ℎ 3 , ℎ 4

Ausgleichung bei linearem funktionalen Modell Beispiel 2: Ausgleichung von Höhendifferenzen 𝑳= Δℎ 1,2 Δℎ 2,3 Δℎ 3,4 Δℎ 4,1 Δℎ 4,2 = 4.1 −7.0 1.1 1.2 5.4 m 𝑿 = ℎ 2 ℎ 3 ℎ 4 ℎ 2 ℎ 3 − ℎ 2 ℎ 4 − ℎ 3 − ℎ 4 ℎ 2 − ℎ 4 𝜱 𝑿 = 𝑳 =

Ausgleichung bei linearem funktionalen Modell Beispiel 2: Ausgleichung von Höhendifferenzen 𝑳= Δℎ 1,2 Δℎ 2,3 Δℎ 3,4 Δℎ 4,1 Δℎ 4,2 = 4.1 −7.0 1.1 1.2 5.4 m 𝑿 = ℎ 2 ℎ 3 ℎ 4 𝑨 ℎ 2 ℎ 3 − ℎ 2 ℎ 4 − ℎ 3 − ℎ 4 ℎ 2 − ℎ 4 = 1 0 0 −1 1 0 0 −1 1 0 0 −1 1 0 −1 ⋅ ℎ 2 ℎ 3 ℎ 4 𝜱 𝑿 = 𝑳 =

Ausgleichung bei linearem funktionalen Modell Beispiel 2: Ausgleichung von Höhendifferenzen 𝑳= Δℎ 1,2 Δℎ 2,3 Δℎ 3,4 Δℎ 4,1 Δℎ 4,2 = 4.1 −7.0 1.1 1.2 5.4 m Gauß-Normalgleichung: 𝑨 𝑇 𝑨 𝑿 = 𝑨 𝑇 𝑳 𝑿 = ℎ 2 ℎ 3 ℎ 4 𝑨 ℎ 2 ℎ 3 − ℎ 2 ℎ 4 − ℎ 3 − ℎ 4 ℎ 2 − ℎ 4 = 1 0 0 −1 1 0 0 −1 1 0 0 −1 1 0 −1 ⋅ ℎ 2 ℎ 3 ℎ 4 𝜱 𝑿 = 𝑳 =

Ausgleichung bei linearem funktionalen Modell Beispiel 2: Ausgleichung von Höhendifferenzen Gauß-Normalgleichung: 𝑨 𝑇 𝑨 𝑿 = 𝑨 𝑇 𝑳 𝑨 1 0 0 −1 1 0 0 −1 1 0 0 −1 1 0 −1 1 −1 0 0 1 0 1 −1 0 0 0 0 1 −1 −1 3 −1 −1 −1 2 −1 −1 −1 3 𝑨 𝑇 𝑨 𝑇 𝑨

Ausgleichung bei linearem funktionalen Modell Beispiel 2: Ausgleichung von Höhendifferenzen Gauß-Normalgleichung: 𝑨 𝑇 𝑨 𝑿 = 𝑨 𝑇 𝑳 𝑨 1 0 0 −1 1 0 0 −1 1 0 0 −1 1 0 −1 1 −1 0 0 1 0 1 −1 0 0 0 0 1 −1 −1 3 −1 −1 −1 2 −1 −1 −1 3 𝑨 𝑇 𝑨 𝑇 𝑨

Ausgleichung bei linearem funktionalen Modell Beispiel 2: Ausgleichung von Höhendifferenzen Gauß-Normalgleichung: 𝑨 𝑇 𝑨 𝑿 = 𝑨 𝑇 𝑳 𝑳 4.1 −7.0 1.1 1.2 5.4 m 1 −1 0 0 1 0 1 −1 0 0 0 0 1 −1 −1 3 −1 −1 −1 2 −1 −1 −1 3 16.5 −8.1 −5.5 m 𝑨 𝑇 𝑨 𝑇 𝑨 𝑨 𝑇 𝑳

Ausgleichung bei linearem funktionalen Modell Beispiel 2: Ausgleichung von Höhendifferenzen Gauß-Normalgleichung: 𝑨 𝑇 𝑨 𝑿 = 𝑨 𝑇 𝑳 𝑳 4.1 −7.0 1.1 1.2 5.4 m 1 −1 0 0 1 0 1 −1 0 0 0 0 1 −1 −1 3 −1 −1 −1 2 −1 −1 −1 3 16.5 −8.1 −5.5 m 𝑨 𝑇 𝑨 𝑇 𝑨 𝑨 𝑇 𝑳

Ausgleichung bei linearem funktionalen Modell Beispiel 2: Ausgleichung von Höhendifferenzen Gauß-Normalgleichung: 𝑨 𝑇 𝑨 𝑿 = 𝑨 𝑇 𝑳 3 −1 −1 −1 2 −1 −1 −1 3 16.5 −8.1 −5.5 m ⋅ 𝑿 = 𝑨 𝑇 𝑨 𝑨 𝑇 𝑳

Ausgleichung bei linearem funktionalen Modell Beispiel 2: Ausgleichung von Höhendifferenzen Gauß-Normalgleichung: 4.2 m −2.6 m Δℎ 2,3 =−7.0 m 𝑃 2 𝑨 𝑇 𝑨 𝑿 = 𝑨 𝑇 𝑳 𝑃 3 Δℎ 4,2 =5.4 m Δℎ 3,4 =1.1 m Δℎ 1,2 =4.1 m Δℎ 4,1 =1.2 m 𝑃 1 𝑃 4 0 m −1.3 m 3 −1 −1 −1 2 −1 −1 −1 3 16.5 −8.1 −5.5 m 4.2 −2.6 −1.3 m ⋅ 𝑿 = ⇒ 𝑿 = 𝑨 𝑇 𝑨 𝑨 𝑇 𝑳

Ausgleichung bei linearem funktionalen Modell Beispiel 2: Ausgleichung von Höhendifferenzen Ausgeglichene Beobachtungen: 𝑳 =𝑨 𝑿 𝑿 4.2 −2.6 −1.3 m 1 0 0 −1 1 0 0 −1 1 0 0 −1 1 0 −1 4.2 −6.8 1.3 1.3 5.5 m 𝑨 𝑳

Ausgleichung bei linearem funktionalen Modell Beispiel 2: Ausgleichung von Höhendifferenzen Ausgeglichene Beobachtungen: 𝑳 =𝑨 𝑿 𝑿 4.2 −2.6 −1.3 m 1 0 0 −1 1 0 0 −1 1 0 0 −1 1 0 −1 4.2 −6.8 1.3 1.3 5.5 m 𝑨 𝑳

Ausgleichung bei linearem funktionalen Modell Beispiel 2: Ausgleichung von Höhendifferenzen Ausgeglichene Beobachtungen: 𝑳 =𝑨 𝑿 𝑿 Δℎ 2,3 =−7.0 m 4.2 −2.6 −1.3 m 𝑃 2 𝑃 3 1 0 0 −1 1 0 0 −1 1 0 0 −1 1 0 −1 4.2 −6.8 1.3 1.3 5.5 m Δℎ 4,2 =5.4 m Δℎ 3,4 =1.1 m Δℎ 1,2 =4.1 m Δℎ 4,1 =1.2 m 𝑃 1 𝑃 4 𝑨 𝑳 0 m

Ausgleichung bei linearem funktionalen Modell Beispiel 2: Ausgleichung von Höhendifferenzen Ausgeglichene Beobachtungen: 𝑳 =𝑨 𝑿 𝑿 −6.8 Δℎ 2,3 =−7.0 m 4.2 −2.6 −1.3 m 𝑃 2 𝑃 3 5.5 1 0 0 −1 1 0 0 −1 1 0 0 −1 1 0 −1 4.2 −6.8 1.3 1.3 5.5 m 1.3 Δℎ 4,2 =5.4 m 4.2 Δℎ 3,4 =1.1 m Δℎ 1,2 =4.1 m 1.3 Δℎ 4,1 =1.2 m 𝑃 1 𝑃 4 𝑨 𝑳 0 m

Ausgleichung bei linearem funktionalen Modell Beispiel 2: Ausgleichung von Höhendifferenzen Ausgeglichene Beobachtungen: 𝑳 =𝑨 𝑿 𝑿 −6.8 4.2 m −2.6 m Δℎ 2,3 =−7.0 m 4.2 −2.6 −1.3 m 𝑃 2 𝑃 3 5.5 1 0 0 −1 1 0 0 −1 1 0 0 −1 1 0 −1 4.2 −6.8 1.3 1.3 5.5 m 1.3 Δℎ 4,2 =5.4 m 4.2 Δℎ 3,4 =1.1 m Δℎ 1,2 =4.1 m 1.3 Δℎ 4,1 =1.2 m 𝑃 1 𝑃 4 𝑨 𝑳 0 m −1.3 m

Ausgleichung bei linearem funktionalen Modell (1) Wenn 𝑳 =𝛷 𝑿 =𝑨 𝑿 dann erfüllt Optimum 𝑨 T 𝑨 𝑿 =𝑨 𝑳

Ausgleichung bei linearem funktionalen Modell (2) Wenn 𝑳 =𝛷 𝑿 =𝛷 𝑿 0 +𝑨 𝑿 − 𝑿 0 dann erfüllt Optimum 𝑨 T 𝑨 𝒙 =𝑨ℓ mit ℓ=𝑳−𝛷 𝑿 0 und 𝑿 = 𝑿 0 + 𝒙 .

Der Ausgleichungsalgorithmus Welche Beobachtungen liegen vor? Vektor 𝑳, 𝑛 Elemente Welche Unbekannte sind gesucht? Vektor 𝑿 , 𝑢 Elemente Wie ließen sich die wahren Beobachtungen 𝑳 bei gegebenen wahren Unbekannten 𝑿 berechnen? funktionales Modell 𝜱: 𝑿 ⟼ 𝑳 bzw. 𝑳 =𝜱 𝑿 =𝑨 𝑿 Designmatrix 𝑨, 𝑛 Zeilen, 𝑢 Spalten Zeile 𝑖, Spalte 𝑗: Ableitung von 𝐿 𝑖 nach 𝑋 𝑗 4. Löse Normalgleichung 𝑨 𝑇 𝑨 𝑿 = 𝑨 𝑇 𝑳. Liefert ausgeglichene Unbekannte 𝑿

Genauigkeit Quelle: wikipedia

Genauigkeit Jede Beobachtung ist die Realisierung einer Zufallsvariablen 𝑋. Gelegentlich ist eine a-priori-Genauigkeit der Beobachtung bekannt, gegeben als Varianz 𝜎 2 :=E 𝑋−E 𝑋 2 . Quelle: wikipedia Erwartungswert

Genauigkeit Jede Beobachtung ist die Realisierung einer Zufallsvariablen 𝑋. Gelegentlich ist eine a-priori-Genauigkeit der Beobachtung bekannt, gegeben als Varianz 𝜎 2 :=E 𝑋−E 𝑋 2 . Quelle: wikipedia Bei mehreren Beobachtungen (Vektor 𝑳): Kovarianzmatrix Σ 𝑳𝑳 :=E 𝑿−E 𝑿 ⋅ 𝑿−E 𝑿 𝑇 .

Genauigkeit Bei mehreren Beobachtungen (Vektor 𝑳): Kovarianzmatrix Σ 𝑳𝑳 :=E 𝑿−E 𝑿 ⋅ 𝑿−E 𝑿 𝑇 . Bei zwei Beobachtungen: Kovarianzmatrix Σ 𝑳𝑳 = 𝜎 1 2 𝜌 12 ⋅𝜎 1 ⋅ 𝜎 2 𝜌 12 ⋅𝜎 1 ⋅ 𝜎 2 𝜎 2 2 .

Genauigkeit Bei mehreren Beobachtungen (Vektor 𝑳): Kovarianzmatrix Σ 𝑳𝑳 :=E 𝑿−E 𝑿 ⋅ 𝑿−E 𝑿 𝑇 . Bei zwei Beobachtungen: Kovarianzmatrix Σ 𝑳𝑳 = 𝜎 1 2 𝜌 12 ⋅𝜎 1 ⋅ 𝜎 2 𝜌 12 ⋅𝜎 1 ⋅ 𝜎 2 𝜎 2 2 . Varianzen

Genauigkeit Bei mehreren Beobachtungen (Vektor 𝑳): Kovarianzmatrix Σ 𝑳𝑳 :=E 𝑿−E 𝑿 ⋅ 𝑿−E 𝑿 𝑇 . Bei zwei Beobachtungen: Kovarianzmatrix Σ 𝑳𝑳 = 𝜎 1 2 𝜌 12 ⋅𝜎 1 ⋅ 𝜎 2 𝜌 12 ⋅𝜎 1 ⋅ 𝜎 2 𝜎 2 2 . Kovarianzen

Korrelationskoeffizienten Genauigkeit Bei mehreren Beobachtungen (Vektor 𝑳): Kovarianzmatrix Σ 𝑳𝑳 :=E 𝑿−E 𝑿 ⋅ 𝑿−E 𝑿 𝑇 . Bei zwei Beobachtungen: Kovarianzmatrix Σ 𝑳𝑳 = 𝜎 1 2 𝜌 12 ⋅𝜎 1 ⋅ 𝜎 2 𝜌 12 ⋅𝜎 1 ⋅ 𝜎 2 𝜎 2 2 . Korrelationskoeffizienten −1 ≤𝜌 12 ≤1 Maß für stochastische Abhängigkeit

Genauigkeit Bei mehreren Beobachtungen (Vektor 𝑳): Kovarianzmatrix Σ 𝑳𝑳 :=E 𝑿−E 𝑿 ⋅ 𝑿−E 𝑿 𝑇 . Bei zwei Beobachtungen: Kovarianzmatrix Σ 𝑳𝑳 = 𝜎 1 2 𝜌 12 ⋅𝜎 1 ⋅ 𝜎 2 𝜌 12 ⋅𝜎 1 ⋅ 𝜎 2 𝜎 2 2 . In der Regel: Σ 𝑳𝑳 = 𝜎 1 2 0 0 𝜎 2 2 .

Genauigkeit 𝜮 𝑳𝑳 oft schwer a priori abzuschätzen, aber Genauigkeitsrelationen bekannt: 𝜮 𝑳𝑳 = 𝜎 0 2 ⋅𝑸 𝑳𝑳 Varianz der Gewichtseinheit (unbekannte Konstante) Kofaktormatrix (lässt sich gut abschätzen)

Genauigkeit Ausgleichungsziel: 𝒗 𝑇 𝒗→Min

Genauigkeit Ausgleichungsziel: 𝒗 𝑇 𝒗→Min 𝒗 𝑇 𝑷𝒗→Min mit 𝑷 = 𝑸 −1 Quelle: wikipedia Verbesserungen genauer Beobachtungen werden besonders bestraft.

Genauigkeit Ausgleichungsziel: Gauß-Normalgleichung: 𝒗 𝑇 𝒗→Min mit 𝑷 = 𝑸 −1 Gauß-Normalgleichung: 𝑨 𝑇 𝑷𝑨 𝑿 = 𝑨 𝑇 𝑷𝑳

Genauigkeit Beispiel 1: 𝜎 0 2 lässt sich mittels 𝒗 abschätzen. 𝜎 0 2 = 𝒗 𝑻 𝑷𝒗 𝑛−𝑢 ist ein erwartungstreuer Schätzer für 𝜎 0 2 . (ohne Beweis) Beispiel 1: 𝒗=𝑨 𝑿 −𝑳= 1 ⋮ 1 𝑋 − 𝐿 1 ⋮ 𝐿 𝑛 = 𝑋 −𝐿 1 ⋮ 𝑋 − 𝐿 𝑛 Stichprobenvarianz 𝜎 0 2 = 𝒗 𝑻 𝑷𝒗 𝑛−𝑢 = 𝒗 𝑻 𝒗 𝑛−1 = 𝑖=1 𝑛 𝑋 −𝐿 𝑖 2 𝑛−1

Genauigkeit 𝜎 0 2 sagt etwas darüber aus, wie genau meine einzelnen Messungen sind. Beim nächsten Mal: Wie genau sind die Unbekannten die Beobachtungen

Kovarianzfortpflanzungsgesetz Genauigkeit Wie genau sind Größen, die aus Beobachtungen abgeleitet wurden? Kovarianzfortpflanzungsgesetz

Kovarianzfortpflanzungsgesetz Genauigkeit Kovarianzfortpflanzungsgesetz Gegeben: Kovarianzmatrix des Vektors 𝑳 Vektor 𝒇 als lin. Funktion von 𝑳 𝜮 𝑳𝑳 𝒇=𝑭𝑳 Gesucht: Kovarianzmatrix des Vektors 𝒇 𝜮 𝒇𝒇

Kovarianzfortpflanzungsgesetz Genauigkeit Kovarianzfortpflanzungsgesetz Gegeben: Kovarianzmatrix des Vektors 𝑳 Vektor 𝒇 als lin. Funktion von 𝑳 𝜮 𝑳𝑳 𝒇=𝑭𝑳 Gesucht: Kovarianzmatrix des Vektors 𝒇 𝜮 𝒇𝒇 Beispiel: 𝐿 1 𝐿 2 𝑓= 𝑙 1 +𝑙 2 = 1 1 𝐿 1 𝐿 2 𝜮 𝑳𝑳 = 3 0 0 4 [ cm 2 ]

Kovarianzfortpflanzungsgesetz Genauigkeit Kovarianzfortpflanzungsgesetz Gegeben: Kovarianzmatrix des Vektors 𝑳 Vektor 𝒇 als lin. Funktion von 𝑳 =E 𝑳−E 𝑳 ⋅ 𝑳−E 𝑳 𝑇 𝜮 𝑳𝑳 𝒇=𝑭𝑳

Kovarianzfortpflanzungsgesetz Genauigkeit Kovarianzfortpflanzungsgesetz Gegeben: Kovarianzmatrix des Vektors 𝑳 Vektor 𝒇 als lin. Funktion von 𝑳 =E 𝑳−E 𝑳 ⋅ 𝑳−E 𝑳 𝑇 𝜮 𝑳𝑳 𝒇=𝑭𝑳 𝜮 𝒇𝒇 =E 𝑭𝑳−E 𝑭𝑳 ⋅ 𝑭𝑳−E 𝑭𝑳 𝑇

Kovarianzfortpflanzungsgesetz Genauigkeit Kovarianzfortpflanzungsgesetz Gegeben: Kovarianzmatrix des Vektors 𝑳 Vektor 𝒇 als lin. Funktion von 𝑳 =E 𝑳−E 𝑳 ⋅ 𝑳−E 𝑳 𝑇 𝜮 𝑳𝑳 𝒇=𝑭𝑳 𝜮 𝒇𝒇 =E 𝑭𝑳−E 𝑭𝑳 ⋅ 𝑭𝑳−E 𝑭𝑳 𝑇

Kovarianzfortpflanzungsgesetz Genauigkeit Kovarianzfortpflanzungsgesetz Gegeben: Kovarianzmatrix des Vektors 𝑳 Vektor 𝒇 als lin. Funktion von 𝑳 =E 𝑳−E 𝑳 ⋅ 𝑳−E 𝑳 𝑇 𝜮 𝑳𝑳 𝒇=𝑭𝑳 𝜮 𝒇𝒇 =E 𝑭𝑳−E 𝑭𝑳 ⋅ 𝑭𝑳−E 𝑭𝑳 𝑇 =E 𝑭𝑳−𝑭E 𝑳 ⋅ 𝑭𝑳−𝑭E 𝑳 𝑇 Linearität des Erwartungswerts!

Kovarianzfortpflanzungsgesetz Genauigkeit Kovarianzfortpflanzungsgesetz Gegeben: Kovarianzmatrix des Vektors 𝑳 Vektor 𝒇 als lin. Funktion von 𝑳 =E 𝑳−E 𝑳 ⋅ 𝑳−E 𝑳 𝑇 𝜮 𝑳𝑳 𝒇=𝑭𝑳 𝜮 𝒇𝒇 =E 𝑭𝑳−E 𝑭𝑳 ⋅ 𝑭𝑳−E 𝑭𝑳 𝑇 =E 𝑭𝑳−𝑭E 𝑳 ⋅ 𝑭𝑳−𝑭E 𝑳 𝑇 =E 𝑭⋅ 𝑳−E 𝑳 ⋅ 𝑳−E 𝑳 𝑇 ⋅ 𝑭 𝑇 Linearität des Erwartungswerts!

Kovarianzfortpflanzungsgesetz Genauigkeit Kovarianzfortpflanzungsgesetz Gegeben: Kovarianzmatrix des Vektors 𝑳 Vektor 𝒇 als lin. Funktion von 𝑳 =E 𝑳−E 𝑳 ⋅ 𝑳−E 𝑳 𝑇 𝜮 𝑳𝑳 𝒇=𝑭𝑳 𝜮 𝒇𝒇 =E 𝑭𝑳−E 𝑭𝑳 ⋅ 𝑭𝑳−E 𝑭𝑳 𝑇 =E 𝑭𝑳−𝑭E 𝑳 ⋅ 𝑭𝑳−𝑭E 𝑳 𝑇 =E 𝑭⋅ 𝑳−E 𝑳 ⋅ 𝑳−E 𝑳 𝑇 ⋅ 𝑭 𝑇 =𝑭⋅E 𝑳−E 𝑳 ⋅ 𝑳−E 𝑳 𝑇 ⋅ 𝑭 𝑇 Linearität des Erwartungswerts!

Kovarianzfortpflanzungsgesetz Genauigkeit Kovarianzfortpflanzungsgesetz Gegeben: Kovarianzmatrix des Vektors 𝑳 Vektor 𝒇 als lin. Funktion von 𝑳 =E 𝑳−E 𝑳 ⋅ 𝑳−E 𝑳 𝑇 𝜮 𝑳𝑳 𝒇=𝑭𝑳 𝜮 𝒇𝒇 =E 𝑭𝑳−E 𝑭𝑳 ⋅ 𝑭𝑳−E 𝑭𝑳 𝑇 =E 𝑭𝑳−𝑭E 𝑳 ⋅ 𝑭𝑳−𝑭E 𝑳 𝑇 =E 𝑭⋅ 𝑳−E 𝑳 ⋅ 𝑳−E 𝑳 𝑇 ⋅ 𝑭 𝑇 =𝑭⋅E 𝑳−E 𝑳 ⋅ 𝑳−E 𝑳 𝑇 ⋅ 𝑭 𝑇 =𝑭 𝜮 𝑳𝑳 𝑭 𝑇 Linearität des Erwartungswerts!

Kovarianzfortpflanzungsgesetz Genauigkeit Kovarianzfortpflanzungsgesetz Gegeben: Kovarianzmatrix des Vektors 𝑳 Vektor 𝒇 als lin. Funktion von 𝑳 =E 𝑳−E 𝑳 ⋅ 𝑳−E 𝑳 𝑇 𝜮 𝑳𝑳 𝒇=𝑭𝑳 𝜮 𝒇𝒇 =𝑭 𝜮 𝑳𝑳 𝑭 𝑇

Kovarianzfortpflanzungsgesetz Genauigkeit Kovarianzfortpflanzungsgesetz Gegeben: Kovarianzmatrix des Vektors 𝑳 Vektor 𝒇 als lin. Funktion von 𝑳 =E 𝑳−E 𝑳 ⋅ 𝑳−E 𝑳 𝑇 𝜮 𝑳𝑳 𝒇=𝑭𝑳 𝜮 𝒇𝒇 =𝑭 𝜮 𝑳𝑳 𝑭 𝑇 𝑓= 𝐿 1 +𝐿 2 = 1 1 𝐿 1 𝐿 2 𝜮 𝑳𝑳 = 3 0 0 4 [ cm 2 ] Beispiel: 𝜮 𝒇𝒇 = 1 1 3 cm 2 0 0 4 cm 2 1 1 = 7 cm 2

Kovarianzfortpflanzungsgesetz Genauigkeit Kovarianzfortpflanzungsgesetz für 𝑿 ? Ausgleichung mit Ziel 𝒗 𝑇 𝑷𝒗→Min:

Kovarianzfortpflanzungsgesetz Genauigkeit Kovarianzfortpflanzungsgesetz für 𝑿 ? Ausgleichung mit Ziel 𝒗 𝑇 𝑷𝒗→Min: 𝑨 𝑇 𝑷𝑨 𝑿 = 𝑨 𝑇 𝑷𝑳 ⟺ 𝑿 = 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑷𝑳

Kovarianzfortpflanzungsgesetz Genauigkeit Kovarianzfortpflanzungsgesetz Ausgleichung mit Ziel 𝒗 𝑇 𝑷𝒗→Min: 𝑨 𝑇 𝑷𝑨 𝑿 = 𝑨 𝑇 𝑷𝑳 ⟺ 𝑿 = 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑷𝑳

Kovarianzfortpflanzungsgesetz Genauigkeit Kovarianzfortpflanzungsgesetz Ausgleichung mit Ziel 𝒗 𝑇 𝑷𝒗→Min: 𝑨 𝑇 𝑷𝑨 𝑿 = 𝑨 𝑇 𝑷𝑳 ⟺ 𝑿 = 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑷𝑳 Also: 𝜮 𝑿 𝑿 =𝑭 𝜮 𝑳𝑳 𝑭 𝑻

Kovarianzfortpflanzungsgesetz Genauigkeit Kovarianzfortpflanzungsgesetz Ausgleichung mit Ziel 𝒗 𝑇 𝑷𝒗→Min: 𝑨 𝑇 𝑷𝑨 𝑿 = 𝑨 𝑇 𝑷𝑳 ⟺ 𝑿 = 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑷𝑳 Also: mit 𝜮 𝑿 𝑿 =𝑭 𝜮 𝑳𝑳 𝑭 𝑻 𝑭= 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑷

Kovarianzfortpflanzungsgesetz Genauigkeit Kovarianzfortpflanzungsgesetz Ausgleichung mit Ziel 𝒗 𝑇 𝑷𝒗→Min: 𝑨 𝑇 𝑷𝑨 𝑿 = 𝑨 𝑇 𝑷𝑳 ⟺ 𝑿 = 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑷𝑳 Also: mit 𝜮 𝑿 𝑿 =𝑭 𝜮 𝑳𝑳 𝑭 𝑻 = 𝜎 0 2 𝑭 𝑸 𝑳𝑳 𝑭 𝑻 = 𝜎 0 2 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑷 𝑸 𝑳𝑳 𝑭 𝑻 = 𝜎 0 2 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑭 𝑻 = 𝜎 0 2 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑷𝑨 𝑨 𝑇 𝑷𝑨 −1 = 𝜎 0 2 𝑨 𝑇 𝑷𝑨 −1 𝑭= 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑷

Kovarianzfortpflanzungsgesetz Genauigkeit Kovarianzfortpflanzungsgesetz Ausgleichung mit Ziel 𝒗 𝑇 𝑷𝒗→Min: 𝑨 𝑇 𝑷𝑨 𝑿 = 𝑨 𝑇 𝑷𝑳 ⟺ 𝑿 = 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑷𝑳 Also: mit 𝜮 𝑿 𝑿 =𝑭 𝜮 𝑳𝑳 𝑭 𝑻 = 𝜎 0 2 𝑭 𝑸 𝑳𝑳 𝑭 𝑻 = 𝜎 0 2 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑷 𝑸 𝑳𝑳 𝑭 𝑻 = 𝜎 0 2 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑭 𝑻 = 𝜎 0 2 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑷𝑨 𝑨 𝑇 𝑷𝑨 −1 = 𝜎 0 2 𝑨 𝑇 𝑷𝑨 −1 𝑭= 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑷

Kovarianzfortpflanzungsgesetz Genauigkeit Kovarianzfortpflanzungsgesetz Ausgleichung mit Ziel 𝒗 𝑇 𝑷𝒗→Min: 𝑨 𝑇 𝑷𝑨 𝑿 = 𝑨 𝑇 𝑷𝑳 ⟺ 𝑿 = 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑷𝑳 Also: mit 𝜮 𝑿 𝑿 =𝑭 𝜮 𝑳𝑳 𝑭 𝑻 = 𝜎 0 2 𝑭 𝑸 𝑳𝑳 𝑭 𝑻 = 𝜎 0 2 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑷 𝑸 𝑳𝑳 𝑭 𝑻 = 𝜎 0 2 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑭 𝑻 = 𝜎 0 2 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑷𝑨 𝑨 𝑇 𝑷𝑨 −1 = 𝜎 0 2 𝑨 𝑇 𝑷𝑨 −1 𝑭= 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑷

Kovarianzfortpflanzungsgesetz Genauigkeit Kovarianzfortpflanzungsgesetz Ausgleichung mit Ziel 𝒗 𝑇 𝑷𝒗→Min: 𝑨 𝑇 𝑷𝑨 𝑿 = 𝑨 𝑇 𝑷𝑳 ⟺ 𝑿 = 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑷𝑳 Also: mit 𝜮 𝑿 𝑿 =𝑭 𝜮 𝑳𝑳 𝑭 𝑻 = 𝜎 0 2 𝑭 𝑸 𝑳𝑳 𝑭 𝑻 = 𝜎 0 2 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑷 𝑸 𝑳𝑳 𝑭 𝑻 = 𝜎 0 2 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑭 𝑻 = 𝜎 0 2 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑷𝑨 𝑨 𝑇 𝑷𝑨 −1 = 𝜎 0 2 𝑨 𝑇 𝑷𝑨 −1 𝑭= 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑷

Kovarianzfortpflanzungsgesetz Genauigkeit Kovarianzfortpflanzungsgesetz Ausgleichung mit Ziel 𝒗 𝑇 𝑷𝒗→Min: 𝑨 𝑇 𝑷𝑨 𝑿 = 𝑨 𝑇 𝑷𝑳 ⟺ 𝑿 = 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑷𝑳 Also: mit 𝜮 𝑿 𝑿 =𝑭 𝜮 𝑳𝑳 𝑭 𝑻 = 𝜎 0 2 𝑭 𝑸 𝑳𝑳 𝑭 𝑻 = 𝜎 0 2 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑷 𝑸 𝑳𝑳 𝑭 𝑻 = 𝜎 0 2 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑭 𝑻 = 𝜎 0 2 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑷𝑨 𝑨 𝑇 𝑷𝑨 −1 = 𝜎 0 2 𝑨 𝑇 𝑷𝑨 −1 𝑭= 𝑨 𝑇 𝑷𝑨 −1 𝑨 𝑇 𝑷

Kovarianzfortpflanzungsgesetz Genauigkeit Kovarianzfortpflanzungsgesetz Ausgleichung mit Ziel 𝒗 𝑇 𝑷𝒗→Min: Genauigkeit der ausgeglichenen Unbekannten: 𝜮 𝑿 𝑿 = 𝜎 0 2 𝑨 𝑇 𝑷𝑨 −1

Kovarianzfortpflanzungsgesetz Genauigkeit Kovarianzfortpflanzungsgesetz Ausgleichung mit Ziel 𝒗 𝑇 𝑷𝒗→Min: Genauigkeit der ausgeglichenen Unbekannten: 𝜮 𝑿 𝑿 = 𝜎 0 2 𝑨 𝑇 𝑷𝑨 −1 Genauigkeit der ausgeglichenen Beobachtungen: 𝜮 𝑳 𝑳 =𝑨 𝜮 𝑿 𝑿 𝑨 𝑻 wegen 𝑳 =𝑨 𝑿

Kovarianzfortpflanzungsgesetz Genauigkeit Kovarianzfortpflanzungsgesetz Ausgleichung mit Ziel 𝒗 𝑇 𝑷𝒗→Min: Genauigkeit der ausgeglichenen Unbekannten: 𝜮 𝑿 𝑿 = 𝜎 0 2 𝑨 𝑇 𝑷𝑨 −1 Genauigkeit der ausgeglichenen Beobachtungen: 𝜮 𝑳 𝑳 =𝑨 𝜮 𝑿 𝑿 𝑨 𝑻 wegen 𝑳 =𝑨 𝑿

Genauigkeit Problem: Berechnung von 𝜮 𝑿 𝑿 = 𝜎 0 2 𝑨 𝑇 𝑷𝑨 −1 𝜮 𝑿 𝑿 = 𝜎 0 2 𝑨 𝑇 𝑷𝑨 −1 erfordert Kenntnis von 𝜎 0 2 . Lösung: Schätze 𝜎 0 2 durch Ausgleichung (Kenntnis von Genauigkeitsrelationen 𝑸 𝑳𝑳 vorausgesetzt)

Genauigkeit 𝜎 0 2 lässt sich mittels 𝒗 abschätzen. 𝜎 0 2 = 𝒗 𝑻 𝑷𝒗 𝑛−𝑢 𝜎 0 2 = 𝒗 𝑻 𝑷𝒗 𝑛−𝑢 ist ein erwartungstreuer Schätzer für 𝜎 0 2 . (ohne Beweis)

Genauigkeit Beispiel 1: 𝜎 0 2 lässt sich mittels 𝒗 abschätzen. 𝜎 0 2 = 𝒗 𝑻 𝑷𝒗 𝑛−𝑢 ist ein erwartungstreuer Schätzer für 𝜎 0 2 . (ohne Beweis) Beispiel 1: 𝒗=𝑨 𝑿 −𝑳= 1 ⋮ 1 𝑋 − 𝐿 1 ⋮ 𝐿 𝑛 = 𝑋 −𝐿 1 ⋮ 𝑋 − 𝐿 𝑛

Genauigkeit Beispiel 1: 𝜎 0 2 lässt sich mittels 𝒗 abschätzen. 𝜎 0 2 = 𝒗 𝑻 𝑷𝒗 𝑛−𝑢 ist ein erwartungstreuer Schätzer für 𝜎 0 2 . (ohne Beweis) Beispiel 1: 𝒗=𝑨 𝑿 −𝑳= 1 ⋮ 1 𝑋 − 𝐿 1 ⋮ 𝐿 𝑛 = 𝑋 −𝐿 1 ⋮ 𝑋 − 𝐿 𝑛 𝜎 0 2 = 𝒗 𝑻 𝑷𝒗 𝑛−𝑢 = 𝒗 𝑻 𝒗 𝑛−1 = 𝑖=1 𝑛 𝑋 −𝐿 𝑖 2 𝑛−1

Genauigkeit Beispiel 1: 𝜎 0 2 lässt sich mittels 𝒗 abschätzen. 𝜎 0 2 = 𝒗 𝑻 𝑷𝒗 𝑛−𝑢 ist ein erwartungstreuer Schätzer für 𝜎 0 2 . (ohne Beweis) Beispiel 1: 𝒗=𝑨 𝑿 −𝑳= 1 ⋮ 1 𝑋 − 𝐿 1 ⋮ 𝐿 𝑛 = 𝑋 −𝐿 1 ⋮ 𝑋 − 𝐿 𝑛 𝜎 0 2 = 𝒗 𝑻 𝑷𝒗 𝑛−𝑢 = 𝒗 𝑻 𝒗 𝑛−1 = 𝑖=1 𝑛 𝑋 −𝐿 𝑖 2 𝑛−1

Genauigkeit Beispiel 1: 𝜎 0 2 lässt sich mittels 𝒗 abschätzen. 𝜎 0 2 = 𝒗 𝑻 𝑷𝒗 𝑛−𝑢 ist ein erwartungstreuer Schätzer für 𝜎 0 2 . (ohne Beweis) Beispiel 1: 𝒗=𝑨 𝑿 −𝑳= 1 ⋮ 1 𝑋 − 𝐿 1 ⋮ 𝐿 𝑛 = 𝑋 −𝐿 1 ⋮ 𝑋 − 𝐿 𝑛 Stichprobenvarianz 𝜎 0 2 = 𝒗 𝑻 𝑷𝒗 𝑛−𝑢 = 𝒗 𝑻 𝒗 𝑛−1 = 𝑖=1 𝑛 𝑋 −𝐿 𝑖 2 𝑛−1

Beweis für Spezialfall Mittelwert Genauigkeit Beweis für Spezialfall Mittelwert 𝐸 𝜎 0 2 =𝐸 𝑖=1 𝑛 𝑋 −𝐿 𝑖 2 𝑛−1

Beweis für Spezialfall Mittelwert Genauigkeit Beweis für Spezialfall Mittelwert 𝐸 𝜎 0 2 =𝐸 𝑖=1 𝑛 𝑋 −𝐿 𝑖 2 𝑛−1 = 1 𝑛−1 𝐸 𝑖=1 𝑛 𝑋 −𝜇+𝜇−𝐿 𝑖 2 = 1 𝑛−1 𝐸 𝑖=1 𝑛 𝑋 −𝜇 2 −2 𝑋 −𝜇 𝐿 𝑖 −𝜇 + 𝐿 𝑖 −𝜇 2 = 1 𝑛−1 𝐸 𝑖=1 𝑛 𝑋 −𝜇 2 −2 𝑖=1 𝑛 𝑋 −𝜇 𝐿 𝑖 −𝜇 + 𝑖=1 𝑛 𝐿 𝑖 −𝜇 2 = 1 𝑛−1 𝐸 𝑛 𝑋 −𝜇 2 −2𝑛 𝑋 −𝜇 𝑋 −𝜇 + 𝑖=1 𝑛 𝐿 𝑖 −𝜇 2 = 1 𝑛−1 𝐸 𝑖=1 𝑛 𝐿 𝑖 −𝜇 2 − 𝑛 𝑋 −𝜇 2 = 1 𝑛−1 𝑖=1 𝑛 𝐸 𝐿 𝑖 −𝜇 2 −𝑛𝐸 𝑋 −𝜇 2 = 1 𝑛−1 𝑛 𝜎 0 2 −𝑛 𝜎 𝑋 2 = 1 𝑛−1 𝑛 𝜎 0 2 −𝑛 𝜎 0 2 𝑛 = 𝜎 0 2 𝜇=𝐸 𝑋

Genauigkeit Beispiel 2: Ausgleichung von Höhendifferenzen 𝜎 0 =0.23 m 𝒗= 𝑳 −𝑳 = 4.2 −6.8 1.3 1.3 5.5 m − 4.1 −7.0 1.1 1.2 5.4 m = 0.1 0.2 0.2 0.1 0.1 m −6.8 Δℎ 2,3 =−7.0 m 𝑃 2 𝑃 3 5.5 1.3 Δℎ 4,2 =5.4 m 𝜎 0 2 = 𝒗 𝑻 𝑷𝒗 𝑛−𝑢 = 0.11 m 2 5−3 =0.055 m 2 4.2 Δℎ 3,4 =1.1 m Δℎ 1,2 =4.1 m 1.3 Δℎ 4,1 =1.2 m 𝜎 0 =0.23 m 𝑃 1 𝑃 4

Genauigkeit Beispiel 2: Ausgleichung von Höhendifferenzen 𝜮 𝑿 𝑿 = 𝜎 0 2 ⋅ 𝑨 𝑇 𝑷𝑨 −1 =0.055 m 2 ⋅ 0.625 0.500 0.375 0.500 1.000 0.500 0.375 0.500 0.625 = 0.0344 0.0275 0.0206 0.0275 0.0550 0.0275 0.0206 0.0275 0.0344 m 2

Genauigkeit Beispiel 2: Ausgleichung von Höhendifferenzen 𝜮 𝑿 𝑿 = 𝜎 0 2 ⋅ 𝑨 𝑇 𝑷𝑨 −1 =0.055 m 2 ⋅ 0.625 0.500 0.375 0.500 1.000 0.500 0.375 0.500 0.625 = 0.0344 0.0275 0.0206 0.0275 0.0550 0.0275 0.0206 0.0275 0.0344 m 2

Genauigkeit Beispiel 2: Ausgleichung von Höhendifferenzen 𝜮 𝑿 𝑿 = 𝜎 0 2 ⋅ 𝑨 𝑇 𝑷𝑨 −1 =0.055 m 2 ⋅ 0.625 0.500 0.375 0.500 1.000 0.500 0.375 0.500 0.625 = 0.0344 0.0275 0.0206 0.0275 0.0550 0.0275 0.0206 0.0275 0.0344 m 2

Genauigkeit Beispiel 2: Ausgleichung von Höhendifferenzen 𝜮 𝑿 𝑿 = 𝜎 0 2 ⋅ 𝑨 𝑇 𝑷𝑨 −1 =0.055 m 2 ⋅ 0.625 0.500 0.375 0.500 1.000 0.500 0.375 0.500 0.625 = 0.0344 0.0275 0.0206 0.0275 0.0550 0.0275 0.0206 0.0275 0.0344 m 2 𝜎 ℎ 2 = 𝜎 ℎ 4 = 0.0344 m 2 =0.185 m 𝜎 ℎ 3 = 0.0550 m 2 =0.235 m

Genauigkeit Beispiel 2: Ausgleichung von Höhendifferenzen −6.8 4.2 m −2.6 m Δℎ 2,3 =−7.0 m 𝑃 2 𝑃 3 5.5 1.3 Δℎ 4,2 =5.4 m 4.2 Δℎ 3,4 =1.1 m Δℎ 1,2 =4.1 m 1.3 Δℎ 4,1 =1.2 m 𝑃 1 𝑃 4 0 m −1.3 m 𝜎 ℎ 2 = 𝜎 ℎ 4 = 0.0344 m 2 =0.185 m 𝜎 ℎ 3 = 0.0550 m 2 =0.235 m

Genauigkeit 𝜮 𝑳 𝑳 =𝑨 𝜮 𝑿 𝑿 𝑨 𝑻 𝜮 𝑳 𝑳 =𝑨 𝜮 𝑿 𝑿 𝑨 𝑻 = 0.0344 −0.0069 −0.0069 −0.0206 0.0138 −0.0069 0.0344 −0.0206 −0.0069 −0.0138 −0.0069 −0.0206 0.0344 −0.0069 −0.0138 −0.0206 −0.0069 −0.0069 0.0344 0.0138 0.0138 −0.0138 −0.0138 0.0138 0.0275 m 2

Genauigkeit 𝜮 𝑳 𝑳 =𝑨 𝜮 𝑿 𝑿 𝑨 𝑻 𝜮 𝑳 𝑳 =𝑨 𝜮 𝑿 𝑿 𝑨 𝑻 = 0.0344 −0.0069 −0.0069 −0.0206 0.0138 −0.0069 0.0344 −0.0206 −0.0069 −0.0138 −0.0069 −0.0206 0.0344 −0.0069 −0.0138 −0.0206 −0.0069 −0.0069 0.0344 0.0138 0.0138 −0.0138 −0.0138 0.0138 0.0275 m 2

Genauigkeit 𝜮 𝑳 𝑳 =𝑨 𝜮 𝑿 𝑿 𝑨 𝑻 𝜮 𝑳 𝑳 =𝑨 𝜮 𝑿 𝑿 𝑨 𝑻 = 0.0344 −0.0069 −0.0069 −0.0206 0.0138 −0.0069 0.0344 −0.0206 −0.0069 −0.0138 −0.0069 −0.0206 0.0344 −0.0069 −0.0138 −0.0206 −0.0069 −0.0069 0.0344 0.0138 0.0138 −0.0138 −0.0138 0.0138 0.0275 m 2

Genauigkeit Genauigkeitsgewinn durch Ausgleichung 𝜮 𝑳 𝑳 =𝑨 𝜮 𝑿 𝑿 𝑨 𝑻 𝜮 𝑳 𝑳 =𝑨 𝜮 𝑿 𝑿 𝑨 𝑻 = 0.0344 −0.0069 −0.0069 −0.0206 0.0138 −0.0069 0.0344 −0.0206 −0.0069 −0.0138 −0.0069 −0.0206 0.0344 −0.0069 −0.0138 −0.0206 −0.0069 −0.0069 0.0344 0.0138 0.0138 −0.0138 −0.0138 0.0138 0.0275 m 2 𝜎 Δℎ 1,2 = 𝜎 Δℎ 2,3 = 𝜎 Δℎ 3,4 = 𝜎 Δℎ 4,1 = 0. 0344 m 2 =0.185 m 𝜎 Δℎ 4,2 = 0. 0275 m 2 =0.166 m Genauigkeitsgewinn durch Ausgleichung Vergleich: 𝜎 0 =0.23 m ⟶

Kovarianzfortpflanzungsgesetz Genauigkeit Kovarianzfortpflanzungsgesetz Ausgleichung mit Ziel 𝒗 𝑇 𝑷𝒗→Min: Genauigkeit der ausgeglichenen Unbekannten: 𝜮 𝑿 𝑿 = 𝜎 0 2 𝑨 𝑇 𝑷𝑨 −1 Genauigkeit der ausgeglichenen Beobachtungen: 𝜮 𝑳 𝑳 =𝑨 𝜮 𝑿 𝑿 𝑨 𝑻 wegen 𝑳 =𝑨 𝑿

Literatur Meyberg, K. & Vachenauer, P. (1997): Höhere Mathematik 1, Springer, Berlin. Niemeier, W. (2008): Ausgleichungsrechnung, de Gruyter, Berlin. Torge, W. (2009): Geschichte der Geodäsie in Deutschland, de Gruyter, Berlin.