Die Untersuchung, wie Funktionen oder Objekte durch einfachere oder besser handhabbare Familien (z. B. Polynome, Splines oder rationale Funktionen) angenähert werden können, zusammen mit quantitativen Messungen des Approximationsfehlers und des Konvergenzverhaltens in gewählten Normen oder Metriken.

Prinzip

Wähle eine Familie von Approximanden und eine Topologie oder Norm; quantifiziere den Kompromiss zwischen Komplexität und Fehler durch Approximationsordnungen, Konvergenzraten und Stabilität gegenüber Störungen.

Demonstration

Eine stetige Funktion auf einem kompakten Intervall durch Polynome annähern: Verwenden von Tschebyscheff-Polynomen für nahe an minimax liegende Gleichverteilungsfehler oder Least-Squares-Polynome zur Minimierung des L2-Fehlers; Abschätzen, wie der Fehler mit dem Polynomgrad abnimmt.

Fehlanwendung

Anzunehmen, punktweise Konvergenz impliziere gleichmäßige Konvergenz; asymptotische Raten auf endliche Grade ohne Kontrolle der Konstanten übertragen; eine ungeeignete Approximandenfamilie für die Funktionsklasse verwenden (z. B. Polynome bei Funktionen mit Verzweigungsschnitten) und ohne Normprüfung fälschlich gute Approximationen behaupten.

Konsequenz

Korrekt angewandt liefert die Approximationstheorie explizite Fehlerabschätzungen, die Auswahl effizienter Basen und Kriterien für adaptive Approximation und numerische Stabilität und leitet so die Entwicklung von Algorithmen und Komplexitätsschätzungen.

Umkehrung

Theorie der exakten Darstellung: das Verlangen nach exakter Gleichheit (Interpolation oder Identitäten) statt kontrollierter Approximation; oder das Bevorzugen von Modellvereinfachung ohne explizite Fehlerkontrolle.

Abgrenzung

Bezieht sich auf Approximation in bestimmten Funktionräumen und Normen (C, Lp, Sobolev, Hölder); schließt nicht verwandte Fragen wie Gleitkomma-Rundung, rein probabilistische Schätzung ohne Vorwärtsmodell und Berechenbarkeitsfragen jenseits des Approximationsfehlers aus.

Semantische Spannung

Spannung zur Interpolations- und Schätztheorie: Interpolation verlangt exakte Übereinstimmung an Knoten, während Approximation kontrollierte Abweichungen erlaubt; maschinelle Lernverfahren verwischen die Grenze zwischen Approximation, statistischer Schätzung und Regularisierung.

Synthese

Die Approximationstheorie verbindet die Wahl von Approximandenfamilien, Normen und Raten zu einem System, das nachprüfbare Kontrollen dafür liefert, wie gut einfachere Objekte komplexe Objekte darstellen, unter Abwägung von Komplexität und Fehler für Analyse und Numerik.