path: root/buch/papers/laguerre/gamma.tex

%
% gamma.tex 
%
% (c) 2022 Patrik Müller, Ostschweizer Fachhochschule
%
\section{Anwendung: Berechnung der
  Gamma-Funktion%
  \label{laguerre:section:quad-gamma}}
\rhead{Approximation der Gamma-Funktion}%
Die Gauss-Laguerre-Quadratur kann nun verwendet werden,
um exponentiell abfallende Funktionen im Definitionsbereich~$(0, \infty)$
zu berechnen.
Dabei bietet sich zum Beispiel die Gamma-Funktion hervorragend an,
wie wir in den folgenden Abschnitten sehen werden.

Im ersten Abschnitt~\ref{laguerre:subsection:gamma} möchten wir noch einmal
die wichtigsten Eigenschaften der Gamma-Funktion betrachten,
bevor wir dann im zweiten Abschnitt~\ref{laguerre:subsection:gauss-lag-gamma}
diese Eigenschaften nutzen werden,
damit wir die Gauss-Laguerre-Quadratur für die Gamma-Funktion
markant verbessern können.
% damit wir sie dann in einem nächsten Schritt verwenden können,
% um unsere Approximationsmethode zu verbessern
% Im zweiten Abschnitt~\ref{laguerre:subsection:gauss-lag-gamma} 
% wenden wir dann die Gauss-Laguerre-Quadratur auf die Gamma-Funktion und
% erweitern die Methode 

\subsection{Gamma-Funktion%
\label{laguerre:subsection:gamma}}
Die Gamma-Funktion ist eine Erweiterung der Fakultät auf die reale und komplexe
Zahlenmenge.
Mehr Informationen zur Gamma-Funktion lassen sich im
Abschnitt~\ref{buch:rekursion:section:gamma} finden.
Die Definition~\ref{buch:rekursion:def:gamma} beschreibt die Gamma-Funktion als
Integral der Form
\begin{align}
\Gamma(z)
 & =
\int_0^\infty x^{z-1} e^{-x} \, dx
,
\quad
\text{wobei } \operatorname{Re}(z) > 0
\label{laguerre:gamma}
.
\end{align}
Der Term $e^{-x}$ im Integranden und der Integrationsbereich erfüllen
genau die Bedingungen der Gauss-Laguerre-Integration.
% Der Term $e^{-t}$ ist genau die Gewichtsfunktion der Laguerre-Integration und
% der Definitionsbereich passt ebenfalls genau für dieses Verfahren.
Weiter zu erwähnen ist, dass für die assoziierte Gauss-Laguerre-Integration die
Gewichtsfunktion $x^\nu e^{-x}$  exakt dem Integranden
für $\nu = z - 1$ entspricht.

\subsubsection{Funktionalgleichung}
Die Gamma-Funktion besitzt die gleiche Rekursionsbeziehung wie die Fakultät,
nämlich
\begin{align}
\Gamma(z+1)
=
z \Gamma(z)
\quad
\text{mit }
\Gamma(1)
=
1
.
\label{laguerre:gamma_funktional}
\end{align}

\subsubsection{Reflektionsformel}
Die Reflektionsformel
\begin{align}
\Gamma(z) \Gamma(1 - z)
=
\frac{\pi}{\sin \pi z}
,\quad
\text{für }
z \notin \mathbb{Z}
\label{laguerre:gamma_refform}
\end{align}
stellt eine Beziehung zwischen den zwei Punkten,
die aus der Spiegelung an der Geraden $\real z = 1/2$ hervorgehen,
her.
Dadurch lassen Werte der Gamma-Funktion sich für $z$ in der rechten Halbebene
leicht in die linke Halbebene übersetzen und umgekehrt.

\subsection{Berechnung mittels
Gauss-Laguerre-Quadratur%
\label{laguerre:subsection:gauss-lag-gamma}}
In den vorherigen Abschnitten haben wir gesehen,
dass sich die Gamma-Funktion bestens für die Gauss-Laguerre-Quadratur
\begin{align*}
\int_0^\infty x^{z-1} e^{-x} \, dx
=
\int_0^\infty f(x) w(x) \, dx
\approx
\sum_{i=1}^n f(x_i) A_i
\end{align*}
eignet.
Nun bieten sich uns zwei Optionen,
diese zu berechnen:
\begin{enumerate}
\item Wir verwenden die assoziierten Laguerre-Polynome $L_n^\nu(x)$ mit
$w(x) = x^\nu e^{-x}$, $\nu = z - 1$ und $f(x) = 1$.
% $f(x)=1$.
% \begin{align*}
% \int_0^\infty x^{z-1} e^{-x} \, dx
% =
% \int_0^\infty f(x) w(x) \, dx
% \quad
% \text{mit }
% w(x)
% =
% x^\nu e^{-x},
% \nu
% =
% z - 1
% \text{ und }
% f(x) = 1
% .
% \end{align*}
\item Wir verwenden die Laguerre-Polynome $L_n(x)$ mit
$w(x) = e^{-x}$ und $f(x) = x^{z - 1}$.
% $f(x)=x^{z-1}$
% \begin{align*}
% \int_0^\infty x^{z-1} e^{-x} \, dx
% =
% \int_0^\infty f(x) w(x) \, dx
% \quad
% \text{mit }
% w(x)
% =
% e^{-x}
% \text{ und }
% f(x) = x^{z - 1}
% .
% \end{align*}
\end{enumerate}
Die erste Variante wäre optimal auf das Problem angepasst,
allerdings müssten die Gewichte und Nullstellen für jedes $z$
neu berechnet werden,
da sie per Definition von $z$ abhängen.
Dazu kommt,
dass die Berechnung der Gewichte $A_i$ nach
\cite{laguerre:Cassity1965AbcissasCA}
\begin{align*}
A_i
=
\frac{
\Gamma(n) \Gamma(n+\nu)
}
{
(n+\nu)
\left[L_{n-1}^{\nu}(x_i)\right]^2
}
\end{align*}
Evaluationen der Gamma-Funktion benötigen.
Somit ist diese Methode eindeutig nicht geeignet für unser Vorhaben.

Bei der zweiten Variante benötigen wir keine Neuberechung der Gewichte
und Nullstellen für unterschiedliche $z$.
In \eqref{laguerre:quadratur_gewichte} ist ersichtlich,
dass die Gewichte einfach zu berechnen sind.
Auch die Nullstellen können vorgängig,
mittels eines geeigneten Verfahrens,
aus den Polynomen bestimmt werden.
Als problematisch könnte sich höchstens
die zu integrierende Funktion $f(x)=x^{z-1}$ für $|z| \gg 0$ erweisen.
Somit entscheiden wir uns aufgrund der vorherigen Punkte,
die zweite Variante weiterzuverfolgen.

\subsubsection{Direkter Ansatz}
%
\begin{figure}
\centering
% \input{papers/laguerre/images/rel_error_simple.pgf}
\includegraphics{papers/laguerre/images/rel_error_simple.pdf}
%\vspace{-12pt}
\caption{Relativer Fehler des direkten Ansatzes
für verschiedene reelle Werte von $z$ und Grade $n$ der
Laguerre-Polynome}%
\label{laguerre:fig:rel_error_simple}
\end{figure}
%.
Wenden wir also die Gauss-Laguerre-Quadratur aus
\eqref{laguerre:laguerrequadratur} auf die Gamma-Funktion
\eqref{laguerre:gamma} an,
ergibt sich
\begin{align}
\Gamma(z)
\approx
\sum_{i=1}^n x_i^{z-1} A_i
\label{laguerre:naive_lag}
.
\end{align}
Bevor wir die Gauss-Laguerre-Quadratur anwenden,
möchten wir als ersten Schritt eine Fehlerabschätzung durchführen.
Für den Fehlerterm \eqref{laguerre:lag_error} wird die $2n$-te Ableitung
der zu integrierenden Funktion $f(\xi)$ benötigt.
Für das Integral der Gamma-Funktion ergibt sich also
\begin{align*}
\frac{d^{2n}}{d\xi^{2n}} f(\xi)
 & =
\frac{d^{2n}}{d\xi^{2n}} \xi^{z-1}
\\
 & =
(z - 2n)_{2n} \xi^{z - 2n - 1}
.
\end{align*}
Eingesetzt im Fehlerterm \eqref{laguerre:lag_error} resultiert
\begin{align}
R_n
=
(z - 2n)_{2n} \frac{(n!)^2}{(2n)!} \xi^{z-2n-1}
,
\label{laguerre:gamma_err_simple}
\end{align}
wobei $\xi$ ein geeigneter Wert im Intervall $(0, \infty)$ ist
und $n$ der Grad des verwendeten Laguerre-Polynoms.
Eine Fehlerabschätzung mit dem Fehlerterm stellt sich als unnütz heraus,
da $R_n$ für $z < 2n - 1$ bei $\xi \rightarrow 0$ eine Singularität aufweist
und für $z > 2n - 1$ bei $\xi \rightarrow \infty$ divergiert.
Nur für den unwahrscheinlichen Fall $ z = 2n - 1$
wäre eine Fehlerabschätzung plausibel.

Wenden wir nun also direkt die Gauss-Laguerre-Quadratur
auf die Gamma-Funktion an.
Dazu benötigen wir die Gewichte nach
\eqref{laguerre:quadratur_gewichte}
und als Stützstellen die Nullstellen des Laguerre-Polynomes $L_n$.
Evaluieren wir den relativen Fehler unserer Approximation zeigt sich ein
Bild wie in Abbildung~\ref{laguerre:fig:rel_error_simple}.
Man kann sehen,
wie der relative Fehler Nullstellen aufweist für ganzzahlige $z \leq 2n$.
Laut der Theorie der Gauss-Quadratur ist das auch zu erwarten,
da die Approximation via Gauss-Quadratur
exakt ist für zu integrierende Polynome mit Grad $\leq 2n-1$ und
der Integrand $x^{z-1}$ wird für $z \in \mathbb{N} \setminus \{0\}$
zu einem Polynom .
% Hinzukommt, dass zudem von $z$ noch $1$ abgezogen wird im Exponenten.
Es ist ersichtlich,
dass sich für den Polynomgrad $n$ ein Intervall gibt,
in dem der relative Fehler minimal ist.
Links steigt der relative Fehler besonders stark an,
während er auf der rechten Seite zu konvergieren scheint.

\begin{figure}
\centering
% \input{papers/laguerre/images/rel_error_mirror.pgf}
\includegraphics{papers/laguerre/images/rel_error_mirror.pdf}
%\vspace{-12pt}
\caption{Relativer Fehler des Ansatzes mit Spiegelung negativer Realwerte
für verschiedene reelle Werte von $z$ und Grade $n$ der Laguerre-Polynome}
\label{laguerre:fig:rel_error_mirror}
\end{figure}

Um die linke Hälfte in den Griff zu bekommen,
könnten wir die Reflektionsformel der Gamma-Funktion verwenden.
Spiegelt man nun $z$ mit negativem Realteil mittels der Reflektionsformel,
ergibt sich ein stabilerer Fehler in der linken Hälfte,
wie in Abbildung~\ref{laguerre:fig:rel_error_mirror}.
Die Spiegelung bringt nur für wenige Werte einen,
für praktische Anwendungen geeigneten,
relativen Fehler.
Wie wir aber in Abbildung~\ref{laguerre:fig:rel_error_simple} sehen konnten,
gibt es für jeden Polynomgrad $n$ ein Intervall $[a(n), a(n) + 1]$,
$a(n) \in \mathbb{Z}$,
in welchem der relative Fehler minimal ist.
Die Funktionalgleichung der Gamma-Funktion \eqref{laguerre:gamma_funktional}
könnte uns hier helfen,
das Problem in den Griff zu bekommen.

\subsubsection{Analyse des Integranden}
Wie wir im vorherigen Abschnitt gesehen haben,
scheint der Integrand problematisch.
Darum möchten wir ihn jetzt analysieren,
damit wir ihn besser verstehen können.
Dies sollte es uns ermöglichen,
anschliessend geeignete Gegenmassnahmen zu entwickeln.

% Dieser Abschnitt soll eine grafisches Verständnis dafür schaffen,
% wieso der Integrand so problematisch ist.
% Was das heisst sollte in Abbildung~\ref{laguerre:fig:integrand} 
% und Abbildung~\ref{laguerre:fig:integrand_exp} grafisch dargestellt werden.
\begin{figure}
\centering
% \input{papers/laguerre/images/integrand.pgf}
\includegraphics{papers/laguerre/images/integrand.pdf}
%\vspace{-12pt}
\caption{Integrand $x^z$ mit unterschiedlichen Werten für $z$}
\label{laguerre:fig:integrand}
\end{figure}

In Abbildung~\ref{laguerre:fig:integrand} ist der Integrand $x^z$ für
unterschiedliche Werte von $z$ dargestellt.
Dies entspricht der zu integrierenden Funktion $f(x)$
der Gauss-Laguerre-Quadratur für die Gamma-Funktion.
Man erkennt,
dass für kleine $z$ sich ein singulärer Integrand ergibt
und auch für grosse $z$ wächst der Integrand sehr schnell an.
Das heisst,
die Ableitungen im Fehlerterm divergieren noch schneller
und das wirkt sich negativ auf die Genauigkeit der Approximation aus.
Somit lässt sich hier sagen,
dass kleine Exponenten um $0$ genauere Resultate liefern sollten.

\begin{figure}
\centering
% \input{papers/laguerre/images/integrand_exp.pgf}
\includegraphics{papers/laguerre/images/integrand_exp.pdf}
%\vspace{-12pt}
\caption{Integrand $x^z e^{-x}$ mit unterschiedlichen Werten für $z$}
\label{laguerre:fig:integrand_exp}
\end{figure}

In Abbildung~\ref{laguerre:fig:integrand_exp} fügen wir
die Dämpfung der Gewichtsfunktion $w(x)$
der Gauss-Laguerre-Quadratur wieder hinzu
und erhalten so wieder den kompletten Integranden $x^{z} e^{-x}$
der Gamma-Funktion.
Für negative $z$ ergeben sich immer noch Singularitäten,
wenn $x \rightarrow 0$.
Um $x = 1$ wächst der Term $x^z$ für positive $z$
schneller als die Dämpfung $e^{-x}$,
aber für $x \rightarrow \infty$ geht der Integrand gegen $0$.
Das führt zu glockenförmigen Kurven,
die für grosse Exponenten $z$ nach der Stelle $x=1$ schnell anwachsen.
Zu grosse Exponenten $z$ sind also immer noch problematisch.
Kleine positive $z$ scheinen nun aber auch zulässig zu sein.
Damit formulieren wir die Vermutung,
dass $a(n)$,
welches das Intervall $[a(n), a(n) + 1]$ definiert,
in dem der relative Fehler minimal ist,
grösser als $0$ und kleiner als $2n-1$ ist.

\subsubsection{Ansatz mit Verschiebungsterm}
% Mittels der Funktionalgleichung \eqref{laguerre:gamma_funktional} 
% kann der Wert von $\Gamma(z)$ im Intervall $z \in [a,a+1]$,
% in dem der relative Fehler minimal ist,
% evaluiert werden und dann mit der Funktionalgleichung zurückverschoben werden.
Nun stellt sich die Frage,
ob die Approximation mittels Gauss-Laguerre-Quadratur verbessert werden kann,
wenn man das Problem in einem geeigneten Intervall $[a(n), a(n)+1]$,
$a(n) \in \mathbb{Z}$,
evaluiert und dann mit der
Funktionalgleichung \eqref{laguerre:gamma_funktional} zurückverschiebt.
Für dieses Vorhaben führen wir einen Verschiebungsterm $m \in \mathbb{Z}$ ein.
Passen wir \eqref{laguerre:naive_lag}
mit dem Verschiebungsterm $m$
%,der $z$ and die Stelle $z_m = z + m$ verschiebt, 
an,
ergibt sich
\begin{align}
\Gamma(z)
\approx
s(z, m) \sum_{i=1}^n x_i^{z + m - 1} A_i
% &&
% \text{mit }
% s(z, m)
% =
% \begin{cases}
% \displaystyle
% \frac{1}{(z - m)_m} & \text{wenn } m \geq 0\\
% (z + m)_{-m} & \text{wenn } m < 0
% \end{cases}
% .
\label{laguerre:shifted_lag}
\end{align}
mit
\begin{align*}
s(z, m)
=
\begin{cases}
\displaystyle
\frac{1}{(z)_m} & \text{wenn } m \geq 0 \\
(z + m)_{-m}    & \text{wenn } m < 0
\end{cases}
.
\end{align*}

\subsubsection{Finden der optimalen Berechnungsstelle}
Um die optimale Stelle $z^*(n) \in \left[a(n), a(n) + 1\right]$,
$z^*(n) \in \mathbb{R}$,
zu finden,
erweitern wir denn Fehlerterm \eqref{laguerre:gamma_err_simple}
und erhalten
\begin{align}
R_{n,m}(\xi)
=
s(z, m) \cdot (z - 2n)_{2n} \frac{(n!)^2}{(2n)!} \xi^{z + m - 2n - 1}
,\quad
\text{für }
\xi \in (0, \infty)
\label{laguerre:gamma_err_shifted}
.
\end{align}
%
\begin{figure}
\centering
\includegraphics{papers/laguerre/images/targets.pdf}
% %\vspace{-12pt}
\caption{$m^*$ in Abhängigkeit von $z$ und $n$}
\label{laguerre:fig:targets}
\end{figure}
%
Daraus formulieren wir das Optimierungproblem
\begin{align*}
m^*
=
\operatorname*{argmin}_m \max_\xi R_{n,m}(\xi)
.
\end{align*}
Allerdings ist die Funktion $R_{n,m}(\xi)$ unbeschränkt und
hat die gleichen Probleme wie die Fehlerabschätzung des direkten Ansatzes.
Dazu müssten wir $\xi$ versuchen,
unter Kontrolle zu bringen,
was ein äussersts schwieriges Unterfangen zu sein scheint.
Da die Gauss-Quadratur aber sowieso
nur wirklich praktisch sinnvoll für kleine $n$ ist,
können die Intervalle $[a(n), a(n)+1]$ empirisch gesucht werden.

Wir bestimmen nun die optimalen Verschiebungsterme empirisch
für $n = 1,\ldots, 12$ im Intervall $z \in (0, 1)$,
da $z$ sowieso mit den Term $m$ verschoben wird,
reicht es,
die $m^*$ nur in diesem Intervall zu analysieren.
In Abbildung~\ref{laguerre:fig:targets} sind die empirisch bestimmten $m^*$
abhängig von $z$ und $n$ dargestellt.
In $n$-Richtung lässt sich eine klare lineare Abhängigkeit erkennen und
die Beziehung zu $z$ ist negativ,
d.h. wenn $z$ grösser ist, wird $m^*$ kleiner.
Allerdings ist die genaue Beziehung zu $z$
aus dieser Grafik nicht offensichtlich,
aber sie scheint regelmässig zu sein.
Es lässt die Vermutung aufkommen,
dass die Restriktion von $m^* \in \mathbb{Z}$ Rundungsprobleme verursacht.
Wir versuchen,
dieses Problem via lineare Regression und geeignete Rundung zu beheben.
Den linearen Regressor
\begin{align*}
\hat{m}
=
\alpha n + \beta
\end{align*}
machen wir nur abhängig von $n$,
in dem wir den Mittelwert $\overline{m}$ von $m^*$ über $z$ berechnen.

\begin{figure}
\centering
% \input{papers/laguerre/images/estimates.pgf}
\includegraphics{papers/laguerre/images/estimates.pdf}
%\vspace{-12pt}
\caption{Schätzung Mittelwert von $m$ und Fehler}
\label{laguerre:fig:schaetzung}
\end{figure}

In Abbildung~\ref{laguerre:fig:schaetzung} sind die Resultate
der linearen Regression aufgezeigt mit $\alpha = 1.34154$ und $\beta =
0.848786$.
Die lineare Beziehung ist ganz klar ersichtlich und der Fit scheint zu genügen.
Der optimale Verschiebungsterm kann nun mit
\begin{align*}
m^*
\approx
\lceil \hat{m} - z \rceil
=
\lceil \alpha n + \beta - z \rceil
\end{align*}
% kann nun mit dem linearen Regressor und $z$
gefunden werden.

\subsubsection{Evaluation des Schätzers}
In einem ersten Schritt möchten wir analysieren,
wie gut die Abschätzung des optimalen Verschiebungsterms ist.
Dazu bestimmen wir den relativen Fehler für verschiedene Verschiebungsterme $m$
in der Nähe von $m^*$ bei gegebenem Polynomgrad $n = 8$ für $z \in (0, 1)$.
In Abbildung~\ref{laguerre:fig:rel_error_shifted} sind die relativen Fehler
der Approximation dargestellt.
Man kann deutlich sehen,
dass der relative Fehler anwächst,
je weiter der Verschiebungsterm vom idealen Wert abweicht.
Zudem scheint der Schätzer den optimalen Verschiebungsterm gut zu bestimmen,
da der Schätzer zuerst der grünen Linie folgt und
dann beim Übergang auf die orange Linie wechselt.
\begin{figure}
\centering
% \input{papers/laguerre/images/rel_error_shifted.pgf}
\includegraphics{papers/laguerre/images/rel_error_shifted.pdf}
%\vspace{-12pt}
\caption{Relativer Fehler des Ansatzes mit Verschiebungsterm
für verschiedene reelle Werte von $z$ und Verschiebungsterme $m$.
Das verwendete Laguerre-Polynom besitzt den Grad $n = 8$.
$m^*$ bezeichnet hier den optimalen Verschiebungsterm.}
\label{laguerre:fig:rel_error_shifted}
\end{figure}

\subsubsection{Resultate}
Das Verfahren scheint für den Grad $n=8$ und $z \in (0,1)$ gut zu funktioneren.
Es stellt sich nun die Frage,
wie der relative Fehler sich für verschiedene $z$ und $n$ verhält.
In Abbildung~\ref{laguerre:fig:rel_error_range} sind die relativen Fehler für
unterschiedliche $n$ dargestellt.
Der relative Fehler scheint immer noch Nullstellen aufzuweisen
für ganzzahlige $z$.
Durch das Verschieben ergibt sich jetzt aber,
wie zu erwarten war,
ein periodischer relativer Fehler mit einer Periodendauer von $1$.
Zudem lässt sich erkennen,
dass der Fehler abhängig von der Ordnung $n$
des verwendeten Laguerre-Polynoms ist.
Wenn der Grad $n$ um $1$ erhöht wird,
verbessert sich die Genauigkeit des Resultats um etwa eine signifikante Stelle.

In Abbildung~\ref{laguerre:fig:rel_error_complex}
ist der Betrag des relativen Fehlers in der komplexen Ebene dargestellt.
Je stärker der Imaginäranteil von $z$ von $0$ abweicht,
umso schlechter wird die Genauigkeit der Approximation.
Das erstaunt nicht weiter,
da die Gauss-Quadratur eigentlich nur für reelle Zahlen definiert ist.
Wenn der Imaginäranteil von $z$ ungefähr $0$ ist,
lässt sich das gleiche Bild beobachten wie in
Abbildung~\ref{laguerre:fig:rel_error_range}.

\begin{figure}
\centering
% \input{papers/laguerre/images/rel_error_range.pgf}
\includegraphics{papers/laguerre/images/rel_error_range.pdf}
%\vspace{-12pt}
\caption{Relativer Fehler des Ansatzes mit optimalen Verschiebungsterm
für verschiedene reelle Werte von $z$ und Laguerre-Polynome vom Grad $n$}
\label{laguerre:fig:rel_error_range}
\end{figure}

\begin{figure}
\centering
\includegraphics{papers/laguerre/images/rel_error_complex.pdf}
%\vspace{-12pt}
\caption{Absolutwert des relativen Fehlers in der komplexen Ebene}
\label{laguerre:fig:rel_error_complex}
\end{figure}

\subsubsection{Vergleich mit Lanczos-Methode}
Nun stellt sich die Frage,
wie das in diesem Abschnitt beschriebene Approximationsverfahren
der Gamma-Funktion sich gegenüber den üblichen Approximationsverfahren schlägt.
Eine häufig verwendete Methode ist die Lanczos-Approximation,
welche gegeben ist durch
\begin{align}
\Gamma(z + 1)
\approx
\sqrt{2\pi} \left( z + \sigma + \frac{1}{2} \right)^{z + 1/2}
e^{-(z + \sigma + 1/2)} \sum_{k=0}^n g_k H_k(z)
,
\end{align}
wobei
\begin{align*}
g_k = \frac{e^\sigma \varepsilon_k (-1)^k}{\sqrt{2\pi}}
\sum_{r=0}^k (-1)^r \, \binom{k}{r} \, (k)_r
\left( \frac{e}{r + \sigma + \frac{1}{2}}\right)^{r + 1/2}
,
\end{align*}
\begin{align*}
\varepsilon_k
=
\begin{cases}
1 & \text{für } k = 0 \\
2 & \text{sonst}
\end{cases}
\quad \text{und}\quad
H_k(z)
=
\frac{(-1)^k (-z)_k}{(z+1)_k}
\end{align*}
mit $H_0 = 1$ und $\sum_0^n g_k = 1$ (siehe \cite{laguerre:lanczos}).
Diese Methode wurde zum Beispiel in
{\em GNU Scientific Library}, {\em Boost}, {\em CPython} und
{\em musl} implementiert.
Diese Methode erreicht für $n = 7$ typischerweise eine Genauigkeit von $13$
korrekten, signifikanten Stellen für reelle Argumente.
Zum Vergleich: die vorgestellte Methode erreicht für $n = 7$
eine minimale Genauigkeit von $6$ korrekten, signifikanten Stellen
für reelle Argumente.

\subsubsection{Fazit}
% Das Resultat ist etwas enttäuschend,
Die Genauigkeit der vorgestellten Methode schneidet somit schlechter ab
als die Lanczos-Methode.
Dieser Erkenntnis kommt nicht ganz unerwartet,
% aber nicht unerwartet,
da die Lanczos-Methode spezifisch auf dieses Problem zugeschnitten ist und
unsere Methode eine erweiterte allgemeine Methode ist.
Allerdings besticht die vorgestellte Methode
durch ihre stark reduzierte Komplexität. % und Rechenaufwand.
% Was die Komplexität der Berechnungen im Betrieb angeht,
% ist die Gauss-Laguerre-Quadratur wesentlich ressourcensparender,
% weil sie nur aus $n$ Funktionsevaluationen,
% wenigen Multiplikationen und Additionen besteht.
Was den Rechenaufwand angeht,
benötigt die vorgestellte Methode,
für eine Genauigkeit von $n-1$ signifikanten Stellen,
nur $n$ Funktionsevaluationen
und wenige zusätzliche Multiplikationen und Additionen.
Demzufolge könnte diese Methode Anwendung in Systemen mit wenig Rechenleistung
und/oder knappen Energieressourcen finden.
Die vorgestellte Methode ist ein weiteres Beispiel dafür,
wie Verfahren durch die Kenntnis der Eigenschaften einer Funktion
verbessert werden können.