数值分析第三版答案：从误差与收敛过程看解题参照

简介：这份资源是 Timothy Sauer《Numerical Analysis》第三版（Pearson 2018）的官方教师解答手册，面向正在学习数值分析课程的高校本科生、研究生及授课教师，用于核对课后习题答案、理解算法推导过程。手册按教材章节组织，覆盖多项式求值、二分法与不动点迭代、精度极限、牛顿法、高斯消元与LU分解、插值误差与切比雪夫插值、样条与贝塞尔曲线、最小二乘与QR分解、数值微分与龙贝格积分、常微分方程初值问题及龙格-库塔方法、边值问题与有限元等内容，配合教材使用可对照验证每一步计算结果与误差分析思路。整包为1个PDF文件，约6.75MB，便于在电脑或平板上直接检索与批注。目前已有3381人学习下载，适合需要系统练习、核对答案与查漏补缺的读者。

1. 数值分析第三版答案到底是什么：一份能看见推导过程的参照

很多人第一次搜“数值分析 答案 第三版”，是在作业本上卡住的晚上：方法明明看懂了，算出来的数却和书后对不上。这份东西的本质，是一份把中间步骤展开给你看的解题参照。数值分析这门课研究的不是求一个漂亮的解析式，而是“计算机怎么一步步逼近一个足够好的近似值”——二分法怎么缩区间、牛顿法怎么用切线找零点、误差项怎么估、收敛阶从哪来。教材正文负责讲方法，答案手册补的是每一步具体代入了什么数、迭代了几轮、误差落在什么量级。搞清这个定位，你才知道该拿它对照思路，而不是抄最后一行。

2. 为什么会有“答案手册”这种东西：从“算得出”到“算得对”

2.1 计算机算数学，难在哪

数学里的实数有无限多位，计算机里的浮点数只有有限位。这个矛盾是所有数值方法的起点。你写下一个根号 2，纸面上它是个精确符号；交给计算机，它只能变成 1.4142135623730951 这样一串有限长的近似值。于是每一个数值算法都必须回答三个问题：近似值离真值有多远，这叫误差；多算几步会不会更接近，这叫收敛；算到哪一步该停，这叫停机准则。

举个最朴素的例子。求方程 x² = 2 的正根，解析解是根号 2，写出来就完事。可计算机不会开方，它只会做加减乘除和比较大小，所以得换一条路：先猜一个区间 [1, 2]，因为 1²=1 小于 2、2²=4 大于 2，根一定夹在中间；取中点 1.5，平方得 2.25，比 2 大，于是把区间缩到 [1, 1.5]；再取中点 1.25……每缩一次，区间长度减半，误差上限也就减半。这套动作重复五十来次，你就能拿到十几位有效数字。

这里藏着一个关键认知：数值分析题目的答案，往往不是一个数字，而是一串中间结果。迭代了几次、每次的误差是多少、误差缩小的速度是线性还是二次、矩阵的条件数有多大，这些东西才构成“算对了”的证据。只盯最后一行数字，你根本不知道自己错在哪一步——是公式抄错了，是初值选偏了，还是本来就该有这个量级的误差。

这也是答案手册存在的第一个理由。数值计算里，“算错”和“算到精度上限”长得非常像：结果都和你心里的标准值有偏差。区分这两者，靠的是看过程，不是看结果。

2.2 答案手册的原始定位：一份给授课者的对照表

这份材料的英文原名是 Instructor's Solutions Manual，直译就是“教师解答手册”。它的封面页写得很清楚：作者和出版方尽力研究、测试了书中的理论与程序，但不对程序的有效性作任何担保，也不承担因使用这些程序造成的连带损失。这段话不是客套，它点明了一件事：手册的定位是教学配套，是给讲课的人快速核对每道题演算路径的参照物。

理解这个定位很要紧。它意味着手册里的解答是“一条可行路径”，不是“唯一正确路径”。同样一道求根题，你用二分法做，他用牛顿法做，中间过程完全不同，最后都收敛到同一个根，误差都落在合理范围里，两个都对。手册给的是其中一条路，你拿自己的过程去对，对的是“思路有没有走偏、误差量级对不对”，而不是“小数点后第八位是不是一模一样”。

手册里还有一类题叫 Computer Problems，配套的是脚本语言写的命令和输出。比如第 0 章有一题，用嵌套乘法算一个 51 次多项式在 x = 1.00001 处的值，命令执行后得到 51.01275208274999，与理论值相差 4.76×10⁻¹²。这类题的答案形态是“命令 + 输出 + 与理论值的偏差”，它要你观察的正是浮点运算累积起来的那点误差，而不是那个数字本身。

所以这份手册写得“啰嗦”是有原因的：数值题的得分点全在过程里。矩阵消元的每一步乘数、换行记录，迭代法的误差序列，插值误差项里那个 n+1 阶导数的上界估计，这些才是能判断你会不会的东西。

2.3 一份答案手册里到底有什么：从第 0 章说起

翻开目录，第 0 章叫 Fundamentals，讲的是多项式求值、二进制数、实数的浮点表示、有效数字丢失、微积分复习。这一章看起来像“预备知识”，实际上是后面所有误差分析的尺子。你不懂浮点数只有 53 位尾数，就看不懂后面为什么牛顿法迭代到某一步就不再变好。

往下走，第 1 章 Solving Equations 是解方程：二分法、不动点迭代、精度极限、牛顿法、不用导数的求根方法。第 2 章 Systems of Equations 是方程组：高斯消元、LU 分解、误差来源、PA=LU 分解、迭代法、对称正定矩阵的特殊方法、非线性方程组。第 3 章 Interpolation 是插值：数据与插值函数、插值误差、切比雪夫插值、三次样条、贝塞尔曲线。第 4 章 Least Squares 是最小二乘：正规方程、模型综述、QR 分解、GMRES、非线性最小二乘。

再往后，第 5 章是数值微分与积分，从牛顿-科茨公式一路讲到龙贝格积分、自适应求积、高斯求积。第 6 章是常微分方程初值问题：解的存在性分析、方程组、龙格-库塔、变步长、隐式方法与刚性方程、多步法。第 7 章边值问题：打靶法、有限差分、配点与有限元。第 8 章偏微分方程：抛物型、双曲型、椭圆型、非线性。第 9 章随机数与蒙特卡洛，第 10 章三角插值与快速傅里叶变换，第 11 章压缩（离散余弦变换、图像压缩、哈夫曼编码、音频压缩），第 12 章特征值与奇异值（幂迭代、QR 算法、SVD），第 13 章优化。

这份结构本身就是一张知识地图。它告诉你：数值分析的每一章都包含三样东西——方法的构造、方法的误差分析、方法在计算机上的实际表现。答案手册对这三样都有对应，所以你翻答案时不能只看“结果对不对”，还要看“它有没有给出误差估计”和“它有没有讨论这个方法什么时候会失效”。

拿多项式求值来说，第 0 章第一节讲的是把多项式改写成嵌套形式。原式 P(x) = 6x⁴ + x³ + 5x² + x + 1，改写成 P(x) = 1 + x(1 + x(5 + x(1 + x·6)))，乘法次数从十几次降到四次。这就是为什么数值分析里到处都是这种“改写”：

# 秦九韶（Horner）法则：把多项式写成嵌套形式，减少乘法次数 def horner(coeffs, x): # coeffs 按从最高次到常数项排列，例如 [6, 1, 5, 1, 1] 表示 6x^4 + x^3 + 5x^2 + x + 1 result = coeffs[0] for c in coeffs[1:]: result = result * x + c # 每轮做一次乘法一次加法，而不是重新算幂 return result print(horner([6, 1, 5, 1, 1], 1/3)) # 输出 2.0，和直接代入的结果一致

这段代码的关键参数只有一个 coeffs，顺序不能乱：从最高次项系数排到常数项。x 是代入点。函数返回的是多项式的值。它之所以出现在答案手册的第一页，是因为“少做运算”本身就是一种降低误差的手段——每多一次浮点乘法，就多一次舍入。答案手册在这里给的不是一个数，而是一种习惯。

3. 从求根到特征值：答案手册覆盖的知识地图

3.1 解方程与方程组：误差从哪里冒出来

解方程这一章的核心问题是：给你一个函数 f(x)，找它等于零的点。二分法是最稳的，只要区间两端函数值异号，它就一定能收敛，代价是慢——每迭代一次，区间长度减半，误差也减半，这叫线性收敛。牛顿法快得多，它用当前点的切线去和 x 轴相交，把交点当作下一个猜测，收敛速度是二次的：误差每次平方，有效数字位数翻倍。但快是有代价的，牛顿法要求你能算出导数，而且初值不能离根太远，否则切线可能把你甩到很远的地方，甚至直接发散。

这中间的取舍就是答案手册反复展示的东西。你去看牛顿法的解答，会发现它往往只迭代四五次就给出十几位精度；你再看二分法的解答，会发现它老老实实列了二三十行区间。这不是作者偏心，是两种方法的收敛阶摆在那里。答案手册把这两个过程并排放在一起，就是要你亲眼看到“线性”和“二次”在数字上的差距。

方程组那一章同理。高斯消元法的运算量是 O(n³)，n 是未知数个数，一千个未知数就是十亿次运算。LU 分解的价值在于复用：同一个系数矩阵、不同的右端项，分解一次可以反复用。PA=LU 分解里的 P 是置换矩阵，作用是在消元过程中交换行，避免主元位置上出现零或者极小的数——这一步不做，程序就会在某个看起来很正常的矩阵上突然出错。答案手册里那些带换行记录的矩阵，演示的就是这个“后悔药”机制。

还有一个容易被忽略的点：误差来源。第 2 章专门有一节叫 Sources of Error，讲的是同一个算法，为什么在有些矩阵上算得准、有些矩阵上算得离谱。答案是条件数。条件数大的矩阵，输入上一点点扰动会被放大成输出上的巨大偏差，这跟算法写得好不好没关系，是问题本身“病”了。答案手册里的数值例子会让你看到：同一个消元程序，条件数小的矩阵误差在 10⁻¹⁵ 量级，条件数大的矩阵误差能到 10⁻³。

def bisect(f, a, b, tol=1e-10, max_iter=100): # 前提：f(a) 与 f(b) 异号，保证区间内至少有一个根 fa, fb = f(a), f(b) if fa * fb > 0: raise ValueError("区间端点同号，二分法不适用") for k in range(max_iter): m = (a + b) / 2 # 取中点 fm = f(m) if abs(fm) < tol or (b - a) / 2 < tol: # 函数值够小，或区间够窄 return m, k + 1 if fa * fm < 0: # 根在左半区间 b, fb = m, fm else: # 根在右半区间 a, fa = m, fm return (a + b) / 2, max_iter root, steps = bisect(lambda x: x * x - 2, 1, 2) print(root, steps) # 约 1.4142135623，迭代约 34 次

这里的 tol 控制精度，max_iter 是保险丝，防止死循环。steps 这个返回值很重要：答案手册里二分法的解答通常会把迭代次数标出来，因为次数直接对应误差上界——区间初始长度除以 2 的 k 次方，就是第 k 步的误差上限。你拿自己算的次数和手册里的次数一比，就知道有没有多跑或者少跑。

3.2 插值与最小二乘：为什么答案常有两套写法

插值要解决的问题是：给你若干个数据点，找一个函数穿过它们，好去估计中间位置的值。最直接的想法是多项式插值，n+1 个点能唯一确定一个 n 次多项式。理论上很漂亮，实际用起来有个坑：点数多了，多项式次数就高，高次多项式会在区间两端剧烈摆动，这叫龙格现象。答案手册在第 3 章用切比雪夫节点来对付它——把插值点从均匀分布改成往两端加密的分布，摆动就被压下去了。另一条路是三次样条：不用一个高次多项式，而是用一段段三次多项式拼起来，在拼接点上保证函数值、一阶导、二阶导都连续，曲线光滑，也不会乱摆。

最小二乘解决的是另一类问题：数据点有噪声，你不想让曲线穿过每一个点，只想让它整体上离所有点最近。数学上就是最小化误差平方和，求导之后得到正规方程 AᵀAx = Aᵀb。这里有个数值上的陷阱：AᵀA 的条件数是 A 的条件数的平方。A 的条件数本来是一百，平方就是一万，精度直接掉一半。所以实际计算更常用 QR 分解，先把它拆成一个正交矩阵乘一个上三角矩阵，再解方程，条件数不会被平方放大。

这就解释了一个现象：同一道最小二乘题，答案手册可能给出两个略有差异的结果。不是它算错了，是它分别演示了正规方程解法和 QR 解法，让你看到两者在数值上的差别。你对着自己的答案时，得先搞清楚自己走的是哪条路，再判断偏差是否合理。

3.3 微分方程与信号处理：答案的形态变了

到了常微分方程这一章，答案的形态又变了。前面几章的答案是一个数或者一组数，这里答案是一张表：步长 h 取多少、每一步的近似值、和精确解的差、误差随 h 缩小的速率。第 6 章讲初值问题，欧拉法是一阶的，步长减半误差也减半；龙格-库塔四阶法的误差和 h⁴ 成正比，步长减半误差降到十六分之一。答案手册里的表格就是让你验证这个“阶”对不对。

刚性方程是个分水岭。所谓刚性，就是方程里同时存在变化极快和极慢的分量，显式方法为了稳定性被迫把步长压到极小，算到天荒地老。这时候必须换隐式方法，每一步都要解一个方程，单步成本高，但步长可以放大很多。答案手册在 6.6 节专门处理这类问题，给的解答里会明确标注用的是显式还是隐式格式，因为用错了格式，结果会直接崩掉。

再往后，偏微分方程、快速傅里叶变换、图像与音频压缩、特征值分解，每一章的答案都带着自己的“验证形式”：偏微分方程看稳定性条件，傅里叶变换看频域结果，压缩看重建误差，特征值看残差范数。这也是为什么这份手册不能当“对答案工具”用——不同章节的正确性标准根本不是一个东西。

4. 常见误区与易混概念：答案、解析解、代码实现不是一回事

4.1 误区一：答案只有一个数，对不上就是自己做错了

易混点在于把数值答案当成唯一解。数值方法算出来的永远是近似值，误差只要在方法本身的收敛阶允许范围内，就是对的。你用的是牛顿法，迭代四次得到 1.41421356237，手册上写 1.4142135623730951，两者差在第十一位，这不是错，是收敛到那一步的正常表现。

为什么容易混？因为从小学到高中的数学题，答案都是精确的、唯一的，1+1 只能等于 2。到了数值分析，正确性变成了一个区间概念。

怎么区分？看两件事：一是误差量级是否和方法匹配，二分法迭代三十次就不该指望十五位精度；二是看手册有没有给出误差估计，如果它给了上界，你就拿自己的结果去比上界，而不是比数字。

4.2 误区二：数值解和解析解是一回事，只是精度不同

易混点在于两个词都叫“解”。解析解是符号表达式，比如根号 2、π、e^{-x}；数值解是一串浮点数。它们不是“同一个东西的粗略版和精确版”，而是两种性质不同的对象。

为什么容易混？因为很多时候数值解确实在逼近解析解，看起来只是“不够精确”。但有些问题根本没有解析解，比如大多数非线性微分方程、五次以上的多项式方程、复杂的积分。这时候数值解不是退而求其次，它是唯一可得的答案。

怎么区分？问自己一句：这个结果能不能写成闭式表达式？能，解析解优先；不能，或者闭式表达式复杂到没法算，数值解就是正解。答案手册里两类都会出现，你看它给的是公式还是数字，就知道这道题在训练什么。

4.3 误区三：误差就是算错了

易混点在于中文里“误差”和“错误”都带个“误”字。数值分析里的误差是中性词，指近似值和真值之间的差距，它有来源、有量级、有传播规律。算错了是人为失误，公式抄反了、循环写错了、单位没统一。

为什么容易混？因为两者表现出来的样子一样：结果和预期不符。

怎么区分？做一次收敛性检查。把步长减半、把迭代次数加倍，如果误差按理论速率下降，说明方法在正常工作，剩下的偏差是截断误差和舍入误差；如果误差不降反升，或者乱跳，那才是真出问题了。答案手册里的误差分析段落，本质上就是在教你做这个判断。

4.4 误区四：收敛和稳定是同义词

易混点在于两个词经常一起出现，听起来都是“方法表现良好”。收敛说的是迭代序列会不会趋向真解；稳定说的是计算过程中误差会不会被放大。一个方法可以收敛但不稳定，也可以稳定但收敛得极慢。

为什么容易混？因为教材里经常写“该方法收敛且稳定”，一句话带过，读者就默认它们是同一件事。

怎么区分？收敛看极限，稳定看扰动。举个例子，显式欧拉法解某些刚性方程，理论上是收敛的，步长趋于零时解确实趋近真解，但实际计算时步长稍大就爆掉，这就是稳定性条件在限制你。答案手册里凡是出现“稳定性条件”“步长限制”的地方，讲的都是稳定，不是收敛。

4.5 误区五：答案里的代码可以直接拿去交作业或者上生产

易混点在于手册里确实有代码，有命令，有输出。但它们是为教学写的，不是为工程写的。

为什么容易混？因为代码能跑通，输出看着也对。

怎么区分？看三样东西：有没有异常处理，有没有参数校验，有没有考虑边界情况。教学代码通常假设输入是良态的，工程代码必须假设输入是恶意的。手册里一个求根函数可能只有十行，生产环境里同样的功能要考虑区间端点同号、函数值溢出、迭代不收敛、精度达不到要求这四种情况。把它当参考实现看没问题，当交付物用就会踩坑。

5. 答案里的“过程”怎么读：以浮点数与误差为例

5.1 浮点表示：为什么 0.1 存进去就不是 0.1 了

第 0 章用不小的篇幅讲二进制和浮点表示，原因很简单：计算机存不下 0.1。十进制里的 0.1，转成二进制是 0.00011001100110011……无限循环，和十进制里的 1/3 一样。双精度浮点数只有 53 位尾数，只能截断到某一位，存进去的其实是一个极其接近但不等于 0.1 的数。

print(0.1 + 0.2) # 输出 0.30000000000000004 print(0.1 + 0.2 == 0.3) # 输出 False

这不是程序有 bug，是浮点表示的必然结果。两个近似值相加，误差累积起来，最后那一位就对不上了。答案手册里凡是出现 0.30000000000000004 这种数字，都不是排版错误，是它在诚实地展示浮点运算的样子。

双精度的机器精度大约是 2.2×10⁻¹⁶，意思是 1 加上比这个更小的数，结果还是 1。这个数字决定了所有迭代方法的下限：你再怎么优化算法，误差也不可能低于这个量级。

5.2 有效数字丢失：一次减法如何吃掉精度

比舍入误差更隐蔽的是有效数字丢失。两个很接近的数相减，结果的绝对误差不变，但相对误差会被急剧放大。比如 1.000000000000001 减去 1，结果是 10⁻¹⁵ 量级，可这个结果里只剩下一位有效数字了，因为参与运算的两个数各自都只精确到 10⁻¹⁶。

第 0 章第 4 节 Loss of Significance 专门讲这个。典型例子是计算 1 + 2⁻⁵¹ + 2⁻⁵³ 再减 1：按双精度的舍入规则，中间那个和会被舍入到 1 + 2⁻⁵¹，减完 1 之后剩下 2⁻⁵¹，而理论上应该是 2⁻⁵¹ + 2⁻⁵³，尾数的那一小截被吃掉了。

对付它的办法是改写公式。求根公式里 b² 远大于 4ac 的时候，两个根一个正常、一个因为相减丢精度，这时候把那个根改写成 c/(a·x₁) 的形式，用乘法代替减法，精度就回来了。答案手册在数值微分、方差计算这些地方会反复用到这类改写，你对着看的时候要留意它为什么换了写法，而不是只看换完之后的数字。

5.3 迭代收敛速度：答案里的表格在说什么

答案手册里最值得看的是那种“迭代次数 vs 误差”的小表格。它其实在告诉你方法的收敛阶。线性收敛的表格，误差每一行大约缩小同一个倍数，比如每次都乘 0.5；二次收敛的表格，误差的指数在翻倍，这一行是 10⁻³，下一行就是 10⁻⁶，再下一行 10⁻¹²。

牛顿法就是典型的二次收敛：

def newton(f, df, x0, tol=1e-12, max_iter=50): x = x0 for k in range(max_iter): fx = f(x) if abs(fx) < tol: # 函数值足够接近零，认为已收敛 return x, k x = x - fx / df(x) # 沿切线方向走到与 x 轴的交点 return x, max_iter root, steps = newton(lambda x: x * x - 2, lambda x: 2 * x, 1.0) print(root, steps) # 约 1.4142135623730951，约 6 次迭代

x0 是初值，tol 是停机阈值，max_iter 防止发散时死循环。d f 必须由你提供，这是牛顿法最现实的门槛：很多函数手写导数很麻烦，写错了整个迭代就废了。答案手册里凡是牛顿法的题，导数都会单独列出来，你可以拿它对照自己求的导。

看到误差不是按平方缩小，而是按固定倍数缩小，就说明你可能把牛顿法写成了割线法，或者初值离根太远、还没进入二次收敛的区域。这张表比最终答案有用得多。

6. 什么时候该用它，什么时候别碰：一份使用边界清单

这份手册的价值集中在“对照过程”，不在“提供结果”。把它放在合适的位置上，它就是个好东西；放错位置，容易让人产生“我学会了”的错觉。

适合的场景有一个共同点：你已经有自己的思路和结果，需要一个参照物来判断对错。不适合的场景也有一个共同点：你想跳过思考，直接拿到一个可以交出去的东西。

我自己有过一次挺典型的翻车。当时用迭代法解一个线性方程组，跑出来的结果和手册对不上，差得不算离谱但也不在误差范围内。第一反应是手册印错了，第二反应是代码写错了，折腾了一下午，最后发现问题出在初值上——我随手给的初始向量离真解太远，迭代次数不够，压根没收敛。从那以后我每次跑数值实验前都强制走一遍固定动作：先打印误差序列看它有没有在稳定下降，再检查矩阵条件数，最后才去和答案手册的前两步对照。顺序一换，很多“玄学”问题就变成了可以定位的工程问题。

所以这份东西最适合放在手边当参照物，而不是当拐杖。你先自己算，算完再翻，翻的时候重点看过程而不是结果；卡住的时候看它怎么处理边界情况、怎么估计误差、怎么判断收敛。真要把数值方法用熟，靠的还是自己动手把每一步跑一遍。希望帮到你。

本文还有配套的精品资源，点击获取