Konditionszahl-Rechner für Matrizen

Die Konditionszahl einer invertierbaren Matrix A ist definiert als κ(A) = ‖A‖ · ‖A⁻¹‖, wobei ‖·‖ eine beliebige kompatible Matrixnorm bezeichnet. Sie misst, wie stark der relative Fehler in der Lösung x eines linearen Systems A·x = b durch einen relativen Fehler in b verstärkt werden kann. Anschaulich gilt: Eine Matrix mit kleiner Konditionszahl ist gut konditioniert — kleine Eingabefehler erzeugen kleine Ausgabefehler. Eine Matrix mit großer Konditionszahl ist schlecht konditioniert — selbst winzige Rundungsfehler in Gleitkommazahlen können zu stark ungenauen Lösungen führen. Dieser Rechner unterstützt 2 × 2- und 3 × 3-Matrizen sowie drei der am häufigsten verwendeten Matrixnormen. Die 1-Norm ist die maximale absolute Spaltensumme, ‖A‖₁ = max_j Σᵢ |aᵢⱼ|. Die Unendlich-Norm ist die maximale absolute Zeilensumme, ‖A‖∞ = max_i Σⱼ |aᵢⱼ|. Die Frobenius-Norm ist die Quadratwurzel aus der Summe der Quadrate aller Einträge, ‖A‖_F = √(Σᵢⱼ |aᵢⱼ|²), und entspricht dem euklidischen Vektor-Normanalogon für Matrizen. Für 2 × 2-Matrizen wird die Inverse analytisch als A⁻¹ = (1/det A) · [[d, −b], [−c, a]] berechnet. Für 3 × 3-Matrizen wird die Kofaktor-(Adjungierten-)Formel verwendet. Konditionszahlen sind zentral in der numerischen linearen Algebra. Wenn Sie ein lineares System auf einem Computer per LU-Zerlegung oder Gauß-Elimination lösen, ist der relative Fehler der berechneten Lösung ungefähr durch κ(A) · ε nach oben beschränkt, wobei ε die Maschinenpräzision ist (bei IEEE-754 Double-Precision etwa 10⁻¹⁶). Eine Konditionszahl von 10⁶ bedeutet daher, dass Sie allein durch Rundung bis zu sechs Stellen Genauigkeit verlieren können. Als Faustregel gelten Matrizen mit κ < 100 als gut konditioniert, solche mit κ zwischen 100 und 1000 als mäßig konditioniert, und alles über 10³ als schlecht konditioniert und mit Vorsicht zu behandeln. Es gibt einige wichtige Einschränkungen. Die Konditionszahl hängt von der gewählten Norm ab, daher sind mit verschiedenen Normen berechnete Werte nicht direkt vergleichbar, auch wenn sie meist nur um einen kleinen konstanten Faktor auseinanderliegen. Die 2-Norm-(Spektralnorm-)Konditionszahl, definiert über Singularwerte, ist theoretisch am natürlichsten, aber aufwendiger zu berechnen und hier nicht verfügbar. Eine singuläre Matrix hat Determinante exakt null, keine Inverse und eine unendliche Konditionszahl; der Rechner erkennt diesen Fall explizit. Nutzen Sie dieses Tool immer dann, wenn Sie prüfen möchten, ob eine kleine lineare Gleichung numerisch sicher invertierbar ist, wenn Sie grundlegende numerische Analysis lehren oder als schnellen Plausibilitätscheck vor dem Lösen eines Systems in einer größeren Simulation oder einer Machine-Learning-Pipeline.