Dalam matematika, lebih tepatnya dalam teori usikan, soal usikan singular adalah soal yang mengandung sebuah parameter kecil yang tak dapat diaproksimasi dengan menyusun nilai parameter menuju nol. Hal ini berlawanan dengan soal usikan reguler, di mana aproksimasi dapat diperoleh secara sederhana dengan menyusun parameter kecil menuju nol.

Lebih tepatnya lagi, solusi tak dapat secara serba sama diaproksimasi dengan ekspansi asimptotik

sebagaimana . Di sini adalah parameter kecil soal dan adalah barisan fungsi urutan meningkat, semisal . Hal ini berlawanan dengan soal usikan reguler, di mana aproksimasi serba sama bentuk ini dapat diperoleh.

Soal usikan singular secara umum dicirikan dengan dinamika yang beroperasi pada skala ganda. Beberapa contoh usikan singular diberikan di bawah.

Persamaan diferensial biasa

sunting

Persamaan diferensial yang mengandung parameter kecil yang mengganda awal suku pangkat paling tinggi secara khas menunjukkan lapisan batas, sehingga solusi mencangkup dua skala berbeda. Untuk contoh, tinjau soal nilai batas.

Solusinya ketika adalah kurva solid ditunjukkan di bawah. Catat bahwa solusi berubah secara cepat dekat titik asal. Jika kita secara naif menyusun , kita akan memperoleh solusi berlabel "luar" di bawah mana tak tampak lapisan batas pada nol. Untuk lebih detail yang menunjukkan bagaimana memperoleh aproksimasi valid serba sama, lihat metode ekspansi asimptotik bersesuaian

📚 Artikel Terkait di Wikipedia

Penguraian nilai singular

approximation of one matrix by another of lower rank. Psychometrika, I, 211-218. Golub, Gene H.; Kahan, William (1965), "Calculating the singular values and pseudo-inverse

Matriks terbalikkan

× n {\displaystyle n\!\times \!n} terbalikkan (invertible) atau tidak singular, jika terdapat matriks persegi B {\displaystyle \mathbf {B} } dengan ukuran

Analisis komponen utama

Eigenvalue Decomposition dari Covariance Matrix (atau correlation matrix) dari suatu data atau menggunakan metode Singular Value Decomposition (SVD). Contoh

Data tidak terstruktur

mengembangkan SAS Text Miner, yang menggunakan teknik penguraian nilai singular (Singular Value Decomposition; SVD) untuk mengurangi ruang teks dengan hiper-dimensi

Gene H. Golub

terapan dan matematika industri. Salah satu bukunya yang terkenal adalah Matrix Computations, yang ditulis bersama Charles F. Van Loan. Ia merupakan kontributor

Dekomposisi LU

bahwa L atau U adalah tunggal. Hal ini tidak mungkin terjadi jika A tidak singular (dapat dibalik). Dalam hal operasi, pemusnahan/eliminasi elemen-elemen

Polinomial karakteristik

bahwa matriks ( λ I − A ) {\displaystyle (\lambda I-A)} harus bersifat singular, dan determinan-nya bernilai nol, yang ditulis sebagai det ( λ I − A )

Rank (aljabar linear)

alternatif yang efektif adalah dengan menggunakan dekomposisi nilai singular (singular value decomposition, SVD). Alternatif lain yang tidak mahal (secara