Номер условия

редактировать

В поле числового анализа номер условия функции измеряет, насколько выходное значение функции может измениться при небольшом изменении входного аргумента. Это используется для измерения того, насколько чувствительна функция к изменениям или ошибкам во входных данных, и сколько ошибок в выходных данных возникает из-за ошибок во входных данных. Очень часто решается обратная задача: при $f (x) = y, {\ displaystyle f (x) = y,}$ $f (x) = y,$ решается для x, и, следовательно, число обусловленности необходимо использовать (локальный) обратный. В линейной регрессии число обусловленности матрицы моментов может использоваться в качестве диагностики для мультиколлинеарности.

. Число условий - это приложение производной, и оно формально определено как значение асимптотического относительного изменения выхода в худшем случае для относительного изменения входа. «Функция» - это решение проблемы, а «аргументы» - это данные в проблеме. Число обусловленности часто применяется к вопросам линейной алгебры, и в этом случае производная проста, но ошибка может быть во многих различных направлениях и, таким образом, вычисляется из геометрии матрицы. В более общем смысле числа условий могут быть определены для нелинейных функций от нескольких переменных.

Проблема с низким числом условий называется хорошо обусловленной, в то время как проблема с большим числом условий называется плохо обусловленной . В нематематических терминах плохо обусловленная проблема - это проблема, в которой при небольшом изменении входных данных (независимых переменных или правой части уравнения) происходит большое изменение ответ или зависимая переменная. Это означает, что становится трудно найти правильное решение / ответ на уравнение. Номер условия - это свойство проблемы. С проблемой связано любое количество алгоритмов, которые можно использовать для решения проблемы, то есть для вычисления решения. Некоторые алгоритмы имеют свойство, называемое обратной стабильностью. В общем, можно ожидать, что алгоритм с обратной стабильностью будет точно решать хорошо обусловленные проблемы. Учебники по численному анализу дают формулы для чисел обусловленности задач и идентифицируют известные обратные устойчивые алгоритмы.

Как показывает опыт, если число условия $κ (A) = 10 k {\ displaystyle \ kappa (A) = 10 ^ {k}}$ $\ kappa (A) = 10 ^ k$ , то вы может потерять до $k {\ displaystyle k}$ $k$ разрядов точности сверх того, что было бы потеряно для численного метода из-за потери точности арифметических методов. Однако номер условия не дает точного значения максимальной погрешности, которая может возникнуть в алгоритме. Обычно он просто ограничивает его оценкой (вычисленное значение которой зависит от выбора нормы для измерения погрешности).

Содержание

1 Общее определение в контексте анализа ошибок
2 Матрицы
3 Нелинейные
- 3.1 Одна переменная
- 3.2 Несколько переменных
4 См. Также
5 Ссылки
6 Дополнительная литература
7 Внешние ссылки

Общее определение в контексте анализа ошибок

Учитывая проблему $f {\ displaystyle f}$ $f$ и алгоритм $f ~ {\ displaystyle {\ tilde {f}}}$ ${\ тильда {f}}$ с вводом x, абсолютная ошибка составляет $‖ f (x) - f ~ (x) ‖ {\ displaystyle \ left \ | f (x) - {\ tilde {f}} (x) \ right \ |}$ ${\ displaystyle \ left \ | f (x) - {\ tilde {f}} (x) \ right \ |}$ и относительная погрешность составляет $‖ f (x) - f ~ (x) ‖ / ‖ е (х) ‖ {\ displaystyle \ left \ | f (x) - {\ тильда {f}} (x) \ right \ | / \ left \ | f (x) \ right \ |}$ ${\ Displaystyle \ влево \ | е (х) - {\ тильда {е}} (х) \ вправо \ | / \ влево \ | е (х) \ вправо \ |}$ .

в этом В контексте, число абсолютного условия задачи f равно

lim ε → 0 sup ‖ δ x ‖ ≤ ε ‖ δ f ‖ ‖ δ x ‖ {\ displaystyle \ lim _ {\ varepsilon \ rightarrow 0} \ sup _ { \ | \ delta x \ | \ leq \ varepsilon} {\ frac {\ | \ delta f \ |} {\ | \ delta x \ |}}}

{\ displaystyle \ lim _ {\ varepsilon \ rightarrow 0} \ sup _ {\ | \ delta x \ | \ leq \ varepsilon} {\ frac {\ | \ delta f \ |} {\ | \ дельта х \ |}}}

, а относительное число обусловленности равно

lim ε → 0 sup ‖ δ x ‖ ≤ ε ‖ δ f (x) ‖ / ‖ Е (Икс) ‖ ‖ δ Икс ‖ / ‖ Икс ‖ {\ Displaystyle \ lim _ {\ varepsilon \ rightarrow 0} \ sup _ {\ | \ delta x \ | \ leq \ varepsilon} {\ frac { \ | \ delta f (x) \ | / \ | f (x) \ |} {\ | \ delta x \ | / \ | x \ |}}}

{\ displaystyle \ lim _ {\ varepsilon \ rightarrow 0} \ sup _ {\ | \ delta x \ | \ leq \ varepsilon} {\ frac {\ | \ delta f (x) \ | / \ | f (x) \ |} {\ | \ delta x \ | / \ | x \ |} }}

Матрицы

Например, число обусловленности, связанное с линейным уравнением Ax = b, дает оценку того, насколько неточным будет решение x после аппроксимации. Обратите внимание, что это делается до того, как будут приняты во внимание эффекты ошибки округления ; кондиционирование - это свойство матрицы, а не точность алгоритма или с плавающей запятой компьютера, используемого для решения соответствующей системы. В частности, следует думать о числе обусловленности как о (очень грубо) скорости, с которой решение x будет меняться по отношению к изменению b. Таким образом, если число условия велико, даже небольшая ошибка в b может вызвать большую ошибку в x. С другой стороны, если число условия невелико, то ошибка в x не будет намного больше, чем ошибка в b.

Число условия определено более точно как максимальное отношение относительной ошибки в x к относительной ошибке в b.

Пусть e будет ошибкой в b. Предполагая, что A - невырожденная матрица, ошибка решения Ab равна Ae. Отношение относительной ошибки решения к относительной ошибке в b равно

‖ A - 1 e ‖ ‖ A - 1 b ‖ / ‖ e ‖ ‖ b ‖ = ‖ A - 1 e ‖ ‖ e ‖ ‖ b ‖ ‖ A - 1 б ‖. {\ displaystyle {\ frac {\ left \ | A ^ {- 1} e \ right \ |} {\ left \ | A ^ {- 1} b \ right \ |}} / {\ frac {\ | e \ |} {\ | b \ |}} = {\ frac {\ left \ | A ^ {- 1} e \ right \ |} {\ | e \ |}} {\ frac {\ | b \ |} { \ left \ | A ^ {- 1} b \ right \ |}}.}

{\ displaystyle {\ frac {\ left \ | A ^ {- 1} e \ right \ |} {\ left \ | A ^ {- 1} b \ right \ |}} / {\ frac {\ | e \ |} {\ | b \ |}} = { \ frac {\ left \ | A ^ {- 1} e \ right \ |} {\ | e \ |}} {\ frac {\ | b \ |} {\ left \ | A ^ {- 1} b \ вправо \ |}}.}

Максимальное значение (для ненулевых b и e) тогда рассматривается как произведение двух норм оператора следующим образом:

max e, b ≠ 0 {‖ A - 1 e ‖ ‖ e ‖ ‖ b ‖ ‖ A - 1 b ‖} = max e ≠ 0 {‖ A - 1 e ‖ ‖ e ‖} max b ≠ 0 {‖ b ‖ ‖ A - 1 b ‖} = max e ≠ 0 {‖ A - 1 e ‖ ‖ e ‖} max x ≠ 0 {‖ A x ‖ ‖ x ‖} = ‖ A - 1 ‖ ‖ A ‖. {\ displaystyle {\ begin {align} \ max _ {e, b \ neq 0} \ left \ {{\ frac {\ left \ | A ^ {- 1} e \ right \ |} {\ | e \ | }} {\ frac {\ | b \ |} {\ left \ | A ^ {- 1} b \ right \ |}} \ right \} = \ max _ {e \ neq 0} \ left \ {{ \ frac {\ left \ | A ^ {- 1} e \ right \ |} {\ | e \ |}} \ right \} \, \ max _ {b \ neq 0} \ left \ {{\ frac { \ | b \ |} {\ left \ | A ^ {- 1} b \ right \ |}} \ right \} \\ = \ max _ {e \ neq 0} \ left \ {{\ frac {\ left \ | A ^ {- 1} e \ right \ |} {\ | e \ |}} \ right \} \, \ max _ {x \ neq 0} \ left \ {{\ frac {\ | Ax \ |} {\ | x \ |}} \ right \} \\ = \ left \ | A ^ {- 1} \ right \ | \, \ | A \ |. \ end {align}}}

{\ displaystyle {\ begin {align} \ max _ {e, b \ neq 0} \ left \ {{\ frac {\ left \ | A ^ {- 1} e \ right \ |} {\ | e \ |}} {\ frac {\ | b \ |} {\ left \ | A ^ {- 1} b \ right \ |}} \ right \} = \ max _ {e \ neq 0} \ left \ {{\ frac {\ left \ | A ^ {- 1} e \ right \ |} {\ | e \ |}} \ right \ } \, \ max _ {b \ neq 0} \ left \ {{\ frac {\ | b \ |} {\ left \ | A ^ {- 1} b \ right \ |}} \ right \} \\ = \ max _ {e \ neq 0} \ left \ {{\ frac {\ left \ | A ^ {- 1} e \ right \ |} {\ | e \ |}} \ right \} \, \ max _ {x \ neq 0} \ left \ {{\ frac {\ | Ax \ |} {\ | x \ |}} \ right \} \\ = \ left \ | A ^ {- 1} \ right \ | \, \ | A \ |. \ Конец {выровнено}}}

То же определение используется для любой непротиворечивой нормы, т. Е. Такой, которая удовлетворяет

κ (A) = ‖ A - 1 ‖ ‖ A ‖ ≥ ‖ A - 1 A ‖ = 1. {\ displaystyle \ каппа (A) = \ left \ | A ^ {- 1} \ right \ | \, \ left \ | A \ right \ | \ geq \ left \ | A ^ {- 1} A \ right \ | = 1. }

{ \ Displaystyle \ каппа (A) = \ left \ | A ^ {- 1} \ right \ | \, \ left \ | A \ right \ | \ geq \ left \ | A ^ {- 1} A \ right \ | = 1.}

Когда число условия равно единице (что может произойти только в том случае, если A является скалярным кратным линейной изометрии ), тогда алгоритм решения может найти (в принципе, то есть если алгоритм не вводит собственных ошибок) приближение решения, точность которого не хуже что данных.

Однако это не означает, что алгоритм будет быстро сходиться к этому решению, просто он не будет произвольно расходиться из-за неточности исходных данных (обратная ошибка), при условии, что прямая ошибка, вносимая алгоритмом также не расходится из-за накопления промежуточных ошибок округления.

Число условий также может быть бесконечным, но это означает, что проблема некорректно поставлена (не имеет уникального, хорошо -определенное решение для каждого выбора данных; то есть матрица необратима), и нельзя ожидать, что ни один алгоритм надежно найдет решение.

Определение числа обусловленности зависит от выбора нормы, что можно проиллюстрировать двумя примерами.

Если $‖ ⋅ ‖ {\ displaystyle \ | \ cdot \ |}$ $\ | \ cdot \ |$ - это норма, определенная в суммируемом квадрате пространстве последовательностей ℓ (которое соответствует обычному расстоянию в стандартном евклидовом пространстве и обычно обозначается как $‖ ⋅ ‖ 2 {\ displaystyle \ | \ cdot \ | _ {2}}$ $\ | \ cdot \ | _ {2}$ ), затем

κ (A) знак равно σ max (A) σ min (A), {\ displaystyle \ kappa (A) = {\ frac {\ sigma _ {\ text {max}} (A)} {\ sigma _ {\ текст {min}} (A)}},}

{\ displaystyle \ kappa (A) = {\ frac {\ sigma _ {\ text {max}} (A)} {\ sigma _ {\ text {min}} (A)}},}

где $σ max (A) {\ displaystyle \ sigma _ {\ text {max}} (A)}$ ${\ displaystyle \ sigma _ {\ text {max}} (A)}$ и $σ min (A) {\ displaystyle \ sigma _ {\ text {min}} (A)}$ ${\ displaystyle \ sigma _ {\ text {min}} (A)}$ - максимальное и минимальное особые значения из $A {\ displaystyle A }$ $A$ соответственно. Следовательно:

Если $A {\ displaystyle A}$ $A$ является нормальным, то

κ (A) = | λ max (A) | | λ min (A) |, {\ displaystyle \ kappa (A) = {\ frac {\ left | \ lambda _ {\ text {max}} (A) \ right |} {\ left | \ lambda _ {\ text {min}} (A) \ right |}},}

{\ displaystyle \ kappa (A) = {\ frac {\ left | \ lambda _ {\ text {max} } (A) \ right |} {\ left | \ lambda _ {\ text {min}} (A) \ right |}},}

где

λ max (A) {\ displaystyle \ lambda _ {\ text {max}} (A)}

{\ displaystyle \ lambda _ {\ text {max}} (A)}

λ min ( A) {\ displaystyle \ lambda _ {\ text {min}} (A)}

{\ displaystyle \ lambda _ {\ text {min}} (A)}

- максимальные и минимальные (по модулям) собственные значения из

A {\ displaystyle A}

A

соответственно.

Если $A {\ displaystyle A}$ $A$ является унитарным, то $κ (A) = 1. {\ displaystyle \ kappa (A) = 1.}$ ${\ displaystyle \ kappa (A) = 1.}$

Число обусловленности по отношению к L возникает так часто в числовой линейной алгебре, что ему дается имя, число обусловленности матрицы .

Если $‖ ⋅ ‖ {\ displaystyle \ | \ cdot \ |}$ $\ | \ cdot \ |$ - это норма, определенная в пространстве последовательности ℓ всех ограниченных последовательности (что соответствует максимуму расстояний, измеренных на проекциях в базовые подпространства, и обычно обозначается $‖ ⋅ ‖ ∞ {\ displaystyle \ | \ cdot \ | _ {\ infty}}$ ${\ displaystyle \ | \ cdot \ | _ {\ infty}}$ ), а $A {\ отображает tyle A}$ $A$ - нижний треугольник неособое число (т.е. $∀ i, aii ≠ 0 {\ displaystyle \ forall i, a_ {ii} \ neq 0}$ ${\ displaystyle \ forall i, a_ {ii} \ neq 0}$ ), то

κ (A) ≥ max i (| а я я |) мин я (| а я я |). {\ displaystyle \ kappa (A) \ geq {\ frac {\ max _ {i} {\ big (} | a_ {ii} | {\ big)}} {\ min _ {i} {\ big (} | a_ {ii} | {\ big)}}}.}

{\ displaystyle \ kappa (A) \ geq {\ frac {\ max _ { i} {\ big (} | a_ {ii} | {\ big)}} {\ min _ {i} {\ big (} | a_ {ii} | {\ big)}}}.}

Число обусловленности, вычисленное по этой норме, обычно больше, чем число обусловленности, вычисленное с помощью суммируемых с квадратом последовательностей, но его можно вычислить легче (а это часто единственное практически вычислимое число обусловленности, когда решаемая задача включает нелинейную алгебру, например, при приближении иррациональных и трансцендентных функций или чисел численными методами).

Если число условия не намного больше единицы, матрица хорошо обусловлена, что означает, что ее обратное значение может быть вычислено с хорошей точностью. Если число обусловленности очень велико, то матрица называется плохо обусловленной. На практике такая матрица почти сингулярна, и вычисление ее обратной, или решение линейной системы уравнений подвержено большим численным ошибкам. Необратимая матрица имеет число обусловленности, равное бесконечности.

Нелинейный

Числа условий также могут быть определены для нелинейных функций и могут быть вычислены с помощью исчисления. Номер условия зависит от точки; в некоторых случаях можно использовать максимальное (или верхнее) число обусловленности в области определения функции или области вопроса в качестве общего числа условий, в то время как в других случаях число условий в определенной точке представляет больший интерес.

Одна переменная

Номер условия дифференцируемой функции $f {\ displaystyle f}$ $f$ в одной переменной как функции: $| x f ′ / f | {\ displaystyle \ left | xf '/ f \ right |}$ $\left|xf'/f\right|$ . Вычисляется в точке $x {\ displaystyle x}$ $x$ , это

| x f ′ (x) f (x) |. {\ displaystyle \ left | {\ frac {xf '(x)} {f (x)}} \ right |.}

\left|{\frac {xf'(x)}{f(x)}}\right|.

Наиболее элегантно это можно понять как (абсолютное значение) отношения логарифмическая производная от $f {\ displaystyle f}$ $f$ , которая равна $(log ⁡ f) ′ = f ′ / f {\ displaystyle (\ log f) '= f '/ f}$ $(\log f)' = f'/f$ , и логарифмическая производная от $x {\ displaystyle x}$ $x$ , которая равна $(log ⁡ x) ′ = x ′ / x = 1 / x {\ displaystyle (\ log x) '= x' / x = 1 / x}$ $(\log x)'=x'/x=1/x$ , что дает соотношение $xf ′ / f {\ displaystyle xf '/ f}$ $xf'/f$ . Это потому, что логарифмическая производная - это бесконечно малая скорость относительного изменения функции: это производная $f ′ {\ displaystyle f '}$ $f'$ , масштабированная на значение $f {\ displaystyle f}$ $f$ . Обратите внимание, что если функция имеет ноль в точке, ее число обусловленности в этой точке бесконечно, так как бесконечно малые изменения на входе могут изменить выход с нуля на положительный или отрицательный, давая соотношение с нулем в знаменателе, следовательно, бесконечное относительное изменение.

Более конкретно, с учетом небольшого изменения $Δ x {\ displaystyle \ Delta x}$ $\ Delta x$ в $x {\ displaystyle x}$ $x$ , относительное изменение в $x {\ displaystyle x}$ $x$ равно $[(x + Δ x) - x] / x = (Δ x) / x {\ displaystyle [(x + \ Delta x) -x] / x = (\ Delta x) / x}$ ${\ displaystyle [(x + \ Delta x) -x] / x = ( \ Delta x) / x}$ , а относительное изменение $f (x) {\ displaystyle f (x)}$ $f (x)$ равно $[е (x + Δ x) - f (x)] / f (x) {\ displaystyle [f (x + \ Delta x) -f (x)] / f (x)}$ ${\ displaystyle [f (x + \ Delta x) -f (x)] / f (x)}$ . Принимая соотношение доходности, получаем

[f (x + Δ x) - f (x)] / f (x) (Δ x) / x = xf (x) f (x + Δ x) - f (x) ( х + Δ х) - х знак равно xf (х) f (х + Δ х) - f (х) Δ х. {\ displaystyle {\ frac {[е (х + \ Delta x) -f (x)] / f (x)} {(\ Delta x) / x}} = {\ frac {x} {f (x)} } {\ frac {f (x + \ Delta x) -f (x)} {(x + \ Delta x) -x}} = {\ frac {x} {f (x)}} {\ frac {f (x + \ Delta x) -f (x)} {\ Delta x}}.}

{\ displaystyle {\ frac {[f (x + \ Delta x) -f (x)] / f (x)} {(\ Delta x) / x}} = {\ frac {x} {f (x)}} {\ frac {f (x + \ Delta x) -f (x)} {(x + \ Delta x) -x}} = {\ frac {x} {f (x)}} {\ frac {f (x + \ Delta x) -f (x)} {\ Delta x}}.}

Последний член - это разностное отношение (наклон секущей линии), и взятие предела дает производную.

Числа условий общих элементарных функций особенно важны при вычислении значащих цифр и могут быть вычислены немедленно из производной; см. арифметика значений трансцендентных функций. Ниже приведены некоторые важные из них:

Имя	Символ	Номер условия
Сложение / вычитание	$x + a {\ displaystyle x + a}$ ${\ displaystyle x + a}$	$\| х х + а \| {\ displaystyle \ left \| {\ frac {x} {x + a}} \ right \|}$ ${\ displaystyle \ left \| {\ frac {x} {x + a}} \ right \|}$
Скалярное умножение	$ax {\ displaystyle ax}$ ${\ displaystyle ax}$	$1 {\ displaystyle 1}$ $1$
Division	$1 / x {\ displaystyle 1 / x}$ ${ \ Displaystyle 1 / х }$	$1 {\ displaystyle 1}$ $1$
Многочлен	$xn {\ displaystyle x ^ {n}}$ $x ^ {n}$	$\| п \| {\ displaystyle \| n \|}$ ${\ displaystyle \| n \|}$
Экспоненциальная функция	$e x {\ displaystyle e ^ {x}}$ $e ^ {x}$	$\| х \| {\ displaystyle \| x \|}$ $\| x \|$
Функция натурального логарифма	$ln ⁡ (x) {\ displaystyle \ ln (x)}$ $\ ln (x)$	$\| 1 ln ⁡ (x) \| {\ displaystyle \ left \| {\ frac {1} {\ ln (x)}} \ right \|}$ ${\ displaystyle \ left \| {\ frac {1} { \ ln (x)}} \ right \|}$
Функция синуса	$sin ⁡ (x) {\ displaystyle \ sin (x)}$ $\ sin (x)$	$\| x детская кроватка ⁡ (x) \| {\ displaystyle \| x \ cot (x) \|}$ $\| x \ cot (x) \|$
Функция косинуса	$cos ⁡ (x) {\ displaystyle \ cos (x)}$ $\ cos (x)$	$\| x tan ⁡ (x) \| {\ displaystyle \| x \ tan (x) \|}$ $\| x \ tan (x) \|$
Функция касания	$tan ⁡ (x) {\ displaystyle \ tan (x)}$ $\ tan (x)$	$\| x (загар ⁡ (x) + кроватка ⁡ (x)) \| {\ displaystyle \| x (\ tan (x) + \ cot (x)) \|}$ $\| x (\ tan (x) + \ cot (x)) \|$
функция обратного синуса	$arcsin ⁡ (x) {\ displaystyle \ arcsin (x)}$ $\ arcsin (x)$	$x 1 - x 2 arcsin ⁡ (x) {\ displaystyle {\ frac {x} {{\ sqrt {1-x ^ {2}}} \ arcsin (x)}}}$ $\ frac {x} {\ sqrt {1-x ^ 2} \ arcsin (x)}$
Функция обратного косинуса	$arccos ⁡ (x) {\ displaystyle \ arccos (x)}$ $\ arccos (x)$	$\| х \| 1 - x 2 arccos ⁡ (x) {\ displaystyle {\ frac {\| x \|} {{\ sqrt {1-x ^ {2}}} \ arccos (x)}}}$ ${\ displaystyle {\ frac {\| x \|} {{\ sqrt {1-x ^ {2}}} \ arccos (x)}}}$
Функция обратной тангенсации	$arctan ⁡ (x) {\ displaystyle \ arctan (x)}$ $\arctan(x)$	$x (1 + x 2) arctan ⁡ (x) {\ displaystyle {\ frac {x} {(1 + x ^ {2}) \ arctan (x)}}}$ $\ frac {x} {(1 + x ^ 2) \ arctan (x)}$

Несколько переменных

Номера условий могут быть определены для любой функции $f {\ displaystyle f}$ $f$ , отображающей свои данные из некоторого домена (например, $m {\ displaystyle m}$ $м$ -набор действительных чисел $x {\ displaystyle x}$ $x$ ) в некоторый кодомен (например, $n {\ displaystyle n}$ $n$ -набор действительных чисел $f (x) {\ displaystyle f (x)}$ $f (x)$ ), где оба домен и кодомен - это банаховы пространства. Они показывают, насколько чувствительна эта функция к небольшим изменениям (или небольшим ошибкам) в своих аргументах. Это имеет решающее значение для оценки чувствительности и потенциальных трудностей с точностью множества вычислительных задач, например, полином нахождение корня или вычисление собственных значений.

Число обусловленности $f {\ displaystyle f}$ $f$ в точке $x {\ displaystyle x}$ $x$ (в частности, его относительное число состояния ) затем определяется как максимальное отношение дробного изменения $f (x) {\ displaystyle f (x)}$ $f (x)$ к любому дробному изменению $x {\ displaystyle x}$ $x$ , в предел, при котором изменение $δ x {\ displaystyle \ delta x}$ $\ delta x$ в $x {\ displaystyle x}$ $x$ становится бесконечно малым:

lim ε → 0 + sup ‖ δ Икс ‖ ≤ ε [‖ е (Икс + δ Икс) - е (Икс) ‖ ‖ е (Икс) ‖ / ‖ δ Икс ‖ ‖ Икс ‖], {\ Displaystyle \ lim _ {\ varepsilon \ to 0 ^ {+}} \ sup _ {\ | \ delta x \ | \ leq \ varepsilon} \ left [\ left. {\ Frac {\ left \ | f (x + \ delta x) -f (x) \ right \ |} {\ | f (x) \ |}} \ right / {\ frac {\ | \ delta x \ |} {\ | x \ |}} \ right],}

{\ displaystyle \ lim _ {\ varepsilon \ to 0 ^ {+}} \ sup _ {\ | \ delta x \ | \ leq \ varepsilon} \ left [\ left. {\ Frac {\ left \ | f (x + \ delta x) -f (x) \ right \ |} {\ | f (x) \ |}} \ right / {\ frac {\ | \ delta x \ |} {\ | x \ |} } \ right],}

где $‖ ⋅ ‖ {\ disp Laystyle \ | \ cdot \ |}$ $\ | \ cdot \ |$ - это норма в домене / кодомене $f {\ displaystyle f}$ $f$ .

Если $f {\ displaystyle f }$ $f$ дифференцируемо, это эквивалентно:

‖ J (x) ‖ ‖ f (x) ‖ / ‖ x ‖, {\ displaystyle {\ frac {\ | J (x) \ | } {\ | f (x) \ | / \ | x \ |}},}

{\ displaystyle {\ frac {\ | J (x) \ |} {\ | f (x) \ | / \ | x \ |}}, }

где $J (x) {\ displaystyle J (x)}$ $J (x)$ обозначает Матрица Якоби частных производных от $f {\ displaystyle f}$ $f$ в $x {\ displaystyle x}$ $x$ и $‖ J (x) ‖ {\ displaystyle \ | J (x) \ |}$ ${\ displaystyle \ | J (x) \ |}$ - индуцированная норма на матрице.

См. Также

Ссылки

Дополнительная литература

Demmel, Джеймс (1990). «Ближайшие дефектные матрицы и геометрия плохой обусловленности». In Cox, M. G.; Хаммарлинг, С. (ред.). Надежные численные вычисления. Оксфорд: Clarendon Press. С. 35–55. ISBN 0-19-853564-3.

Внешние ссылки

Номер условия матрицы в Институте целостных численных методов
«Номер условия матрицы». PlanetMath.
Библиотечная функция MATLAB для определения номера условия
Номер условия - энциклопедия математики
Кто изобрел матричный номер условия? Автор: Ник Хайэм