El estudio de cómo funciones u objetos se aproximan mediante familias más simples o manejables (por ejemplo, polinomios, splines o funciones racionales), junto con medidas cuantitativas del error de aproximación y del comportamiento de convergencia en normas o métricas seleccionadas.

Principio

Elegir una familia de aproximantes y una norma o topología; cuantificar el compromiso entre complejidad y error mediante órdenes de aproximación, tasas de convergencia y estabilidad frente a perturbaciones.

Demostración

Aproximar una función continua en un intervalo compacto por polinomios: usar polinomios de Chebyshev para obtener un error uniforme cercano al minimax, o polinomios por mínimos cuadrados para minimizar el error en L2; estimar cómo decrece el error con el grado del polinomio.

Aplicación incorrecta

Suponer que la convergencia puntual implica convergencia uniforme; aplicar tasas asintóticas a grados finitos sin verificar las constantes; usar una familia de aproximantes inadecuada para la clase de funciones (por ejemplo, polinomios para funciones con cortes de rama) y concluir incorrectamente una buena aproximación sin comprobar las normas.

Consecuencia

Bien aplicada, la teoría de la aproximación proporciona cotas de error explícitas, elección de bases eficientes y criterios para aproximación adaptativa y estabilidad numérica, guiando el diseño de algoritmos y estimaciones de complejidad.

Inversión

Teoría de representación exacta: exigir igualdad exacta (interpolación o identidades) en lugar de una aproximación controlada; o priorizar la simplicidad del modelo sin control explícito del error.

Límite

Abarca la aproximación en espacios funcionales y normas especificadas (C, Lp, Sobolev, Hölder); excluye cuestiones no relacionadas como el redondeo en punto flotante, la estimación puramente probabilística sin un modelo directo y preguntas de computabilidad más allá del error de aproximación.

Tensión semántica

Tensión con la interpolación y la estimación: la interpolación exige coincidencia exacta en nodos, mientras que la aproximación permite discrepancias controladas; los métodos de aprendizaje automático difuminan la línea entre aproximación, estimación estadística y regularización.

Síntesis

La teoría de la aproximación organiza la elección de familias de aproximantes, normas y tasas para proporcionar controles demostrables sobre cuán bien objetos más simples representan objetos más complejos, equilibrando complejidad y error para el análisis y el cálculo.