So nutzen Sie den Konditionszahl-Rechner
Der Konditionszahl-Rechner ist ein spezialisiertes Online-Werkzeug zur Analyse der numerischen Stabilität von Matrizen und mathematischen Funktionen. Mit dem Konditionszahl-Rechner bestimmen Sie in wenigen Schritten, wie empfindlich ein lineares Gleichungssystem oder eine Funktion auf kleine Eingabefehler reagiert.
- Berechnungsmodus wählen — Wählen Sie im Konditionszahl-Rechner zwischen dem Matrix-Modus für lineare Systeme und dem Funktions-Modus für skalare Funktionen $f(x)$.
- Dimension und Norm festlegen — Bestimmen Sie bei Matrizen die Zeilen- und Spaltenanzahl sowie die gewünschte Matrixnorm (1-Norm, 2-Norm / Spektralnorm oder $\infty$-Norm).
- Werte eingeben — Tragen Sie die Koeffizienten in die Matrixfelder ein. Der Konditionszahl-Rechner akzeptiert ganze Zahlen, Dezimalzahlen sowie Brüche.
- Ergebnis und Zwischenschritte analysieren — Der Konditionszahl-Rechner berechnet unmittelbar die Konditionszahl $\kappa$, die Matrixnormen $|A|$ und $|A^{-1}|$ bzw. die Singulärwerte $\sigma_{\max}$ und $\sigma_{\min}$.
Dank integrierter Beispieldaten, Reset-Funktion und Zwischenschritt-Anzeige unterstützt Sie der Konditionszahl-Rechner sowohl beim schnellen Nachschlagen als auch beim gründlichen Nachvollziehen von Rechenwegen.
Mathematische Grundlagen & Formeln zur Konditionszahl
In der numerischen Mathematik beschreibt die Konditionszahl (oft mit $\kappa$ oder $\text{cond}$ bezeichnet) das Verhältnis der relativen Änderung der Lösung zur relativen Störung der Eingangsdaten. Der Konditionszahl-Rechner nutzt hierfür etablierte algebraische Definitionen.
1. Matrix-Konditionszahl bezüglich einer Norm
Für eine invertierbare quadratische Matrix $A \in \mathbb{R}^{n \times n}$ und eine zugehörige submultiplikative Matrixnorm $|\cdot|$ lautet die allgemeine Definition:
$$\kappa(A) = |A| \cdot |A^{-1}|$$
Da für jede konsistente Matrixnorm $|I| \ge 1$ gilt, ist die Konditionszahl stets größer oder gleich 1: $\kappa(A) \ge 1$.
| Norm-Typ | Mathematische Bezeichnung | Berechnungsformel |
|---|---|---|
| 1-Norm | Spaltensummennorm | $|A|1 = \max_j \sum_i |a{ij}|$ |
| $\infty$-Norm | Zeilensummennorm | $|A|\infty = \max_i \sum_j |a{ij}|$ |
| 2-Norm | Spektralnorm | $\kappa_2(A) = \frac{\sigma_{\max}(A)}{\sigma_{\min}(A)}$ |
2. Spektrale Konditionszahl über Singulärwerte
Bei Verwendung der euklidischen 2-Norm berechnet der Konditionszahl-Rechner das Verhältnis des größten zum kleinsten Singulärwert:
$$\kappa_2(A) = \frac{\sigma_{\max}(A)}{\sigma_{\min}(A)}$$
Für symmetrische, positiv definite Matrizen entspricht dies dem Verhältnis aus größtem und kleinstem Eigenwert: $\kappa_2(A) = \frac{\lambda_{\max}}{\lambda_{\min}}$.
3. Lokale Konditionszahl einer skalaren Funktion
Für eine differenzierbare Funktion $f(x)$ ermittelt der Konditionszahl-Rechner die relative Empfindlichkeit an der Stelle $x$:
$$\kappa_{\text{rel}}(x) = \left| \frac{x \cdot f’(x)}{f(x)} \right|$$
Dieser Wert quantifiziert, um welchen Faktor ein relativer Fehler in der Eingangsvariable $x$ durch die Funktionsauswertung verstärkt wird.
Interpretation: Gut vs. schlecht konditionierte Probleme
Der Konditionszahl-Rechner erleichtert die Einordnung der Rechenergebnisse anhand bewährter Faustregeln der numerischen linearen Algebra:
- $\kappa(A) \approx 1$ (Optimal konditioniert): Orthogonale Matrizen besitzen die minimale Konditionszahl $\kappa_2(A) = 1$. Eingabefehler werden nicht verstärkt, das System ist maximal stabil.
- $\kappa(A) < 10^2$ (Gut konditioniert): Standard-Lösungsverfahren wie die LU-Zerlegung oder QR-Zerlegung liefern hochpräzise Ergebnisse.
- $10^2 \le \kappa(A) \le 10^6$ (Mäßig konditioniert): Es kann zu einem spürbaren Verlust an signifikanten Dezimalstellen kommen.
- $\kappa(A) > 10^6$ (Schlecht konditioniert / Ill-conditioned): Das System reagiert extrem sensibel auf Rundungsfehler. Kleine Störungen verfälschen das Ergebnis massiv.
Schritt-für-Schritt-Beispielrechnung
Betrachten wir die 2×2-Matrix $A$:
$$A = \begin{pmatrix} 2 & 1 \ 1 & 2 \end{pmatrix}$$
- Norm $|A|_\infty$ bestimmen:
Zeile 1: $|2| + |1| = 3$, Zeile 2: $|1| + |2| = 3 \implies |A|_\infty = 3$. - Inverse $A^{-1}$ bilden:
Die Determinante ist $\det(A) = 2 \cdot 2 - 1 \cdot 1 = 3$.
$$A^{-1} = \frac{1}{3} \begin{pmatrix} 2 & -1 \ -1 & 2 \end{pmatrix} = \begin{pmatrix} 2/3 & -1/3 \ -1/3 & 2/3 \end{pmatrix}$$ - Norm $|A^{-1}|_\infty$ ermitteln:
$|2/3| + |-1/3| = 1 \implies |A^{-1}|_\infty = 1$. - Konditionszahl berechnen:
$\kappa_\infty(A) = |A|\infty \cdot |A^{-1}|\infty = 3 \cdot 1 = 3$.
Der Konditionszahl-Rechner bestätigt diesen exakten Wert und liefert für $\kappa_2(A)$ ebenfalls den Wert $3{,}00$.
Anwendungsbereiche in Wissenschaft und Praxis
Der Konditionszahl-Rechner findet breite Anwendung in zahlreichen technischen Disziplinen:
- Ingenieurwesen & FEM-Simulationen: Bei der Finite-Elemente-Methode (FEM) überprüft der Konditionszahl-Rechner Steifigkeitsmatrizen auf numerische Stabilität.
- Maschinelles Lernen & Statistik: In der linearen Regression verhindert die Analyse der Kondition von Kovarianzmatrizen Multikollinearitätsprobleme.
- Mathematikstudium & Lehre: Studierende und Dozenten nutzen den Konditionszahl-Rechner zur Verifikation manueller Matrixinversionen und Fehlerabschätzungen.
- Signalverarbeitung & Regelungstechnik: Bei Zustandsschätzungen und Filteralgorithmen (z. B. Kalman-Filter) stellt der Konditionszahl-Rechner verlässliche Systemstabilität sicher.
Testen Sie Ihre Matrizen jetzt mit dem Konditionszahl-Rechner für zuverlässige und transparente numerische Analysen!