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.