企业官网建设流程全解析

简介：Timothy Sauer《Numerical Analysis（Third Edition）》的英文教师解答手册，面向使用该教材学习数值方法的高校学生、助教与授课教师，用于对照教材习题检查推导过程、核对数值结果并补充解题思路。压缩包共1个PDF文件，大小约6.75MB，内容按教材章节编排，涵盖第0章基础、第1章解方程、第2章方程组、第3章插值、第4章最小二乘、第5章数值微分与积分、第6章常微分方程及第7章边值问题。具体涉及二分法、固定点迭代、牛顿法、高斯消元与LU/PA=LU分解、Chebyshev插值与三次样条、QR分解、Romberg积分、Runge-Kutta方法等，每章配有对应习题解答，便于定位薄弱环节、复盘误差来源并验证程序输出。读者可借助逐题解答理解算法收敛性、稳定性与误差分析，也可与课堂讲义、编程作业相互印证。目前已有3381人学习下载，适合课程作业订正、考前复习和算法实现对照。

1. 一份答案手册背后真正该记的东西

数值分析第三版的答案手册摊开看是一叠解题步骤，合起来其实是一张 13 章的知识地图：从浮点数怎么存、多项式怎么算，到方程求根、线性系统、插值与最小二乘、数值微积分、常微分与偏微分方程，最后收到 FFT、压缩、特征值与优化。学这门课最容易踩的坑，是把每章当成独立题型去背，换个包装就认不出该用哪套工具。这份笔记按三条主线重排——误差从哪来、算法收敛靠什么条件、复杂度与稳定性怎么权衡，适合正在系统学的人建立地图，也适合考前定位薄弱环节。

2. 基础与方程求根：从机器精度到收敛阶

2.1 嵌套乘法：一个被低估的起步动作

多项式求值看起来是最没技术含量的一节，但它决定了后面所有算法误差分析的基调。把P(x) = a0 + a1x + ... + anx^n改写成a0 + x(a1 + x(a2 + ...))，乘法次数从约n^2/2降到n，加法也是n次。这个改写不只是快，中间量更少，累加的舍入误差也更可控。如果多项式是以基点形式给出的（比如插值里的牛顿形式），嵌套写法是c1 + (x-r1)(c2 + (x-r2)(c3 + ...))，代价是n次乘法加2n次加法。

def horner(coeffs, x): # coeffs 按升幂排列：a0, a1, ..., an acc = coeffs[-1] for a in reversed(coeffs[:-1]): acc = acc * x + a return acc # 例：P(x) = 1 + x(2 + x(3 + x(4))) 的系数是 [1, 2, 3, 4] print(horner([1, 2, 3, 4], 0.5)) # 1 + 0.5*(2 + 0.5*(3 + 0.5*4))

这段代码只有一个循环变量和一个累加器，参数coeffs的顺序必须和公式一致，写反了结果不会报错、只会错得很安静。实际操作里最容易翻车的是系数长度和次数对不上：n次多项式需要n+1个系数，缺项要补 0，比如x^3 - 1应该写成[-1, 0, 0, 1]。教材里那些“用嵌套乘法计算并比较误差”的计算机习题，本质是在提醒一件事：同一个数学表达式，不同计算顺序在浮点下不是等价的。

2.2 IEEE 754 双精度：机器精度不是一个玄学数字

双精度浮点数由三段组成，理解这三段是后面所有误差估计的地基。

由此得到几个必须背下来的常数：机器精度ε_mach = 2^-52 ≈ 2.22e-16，它刻画的是 1 附近相邻两个浮点数的间距；最大规格化数约1.8e308，最小规格化数约2.2e-308，再往下是次规格化数，精度会逐渐掉光。最近舍入规则要说清楚：看第 53 位，为 0 就舍、为 1 就入，如果恰好是1000...这种平局情况，取偶数尾数。这条“取偶”规则在大量累加时会影响最后几位，写数值实验时值得留意。

十进制小数转二进制是这一节的常见考法：整数部分除 2 取余、倒序排列，小数部分乘 2 取整、顺序排列。像0.1这种十进制有限小数，在二进制里是无限循环的，所以fl(0.1)从存储那一刻就带了相对误差约1e-17的偏差，这也是0.1 + 0.2 != 0.3的根源。

2.3 有效数字丢失：减法才是精度杀手

很多人以为浮点误差来自“除不尽”，实际最常见的翻车点是两个相近数相减。经典的二次求根公式x = (-b ± sqrt(b^2 - 4ac)) / (2a)，当b^2远大于4ac时，-b + sqrt(b^2-4ac)这一支会发生严重抵消，有效数字成片消失。稳定写法是把它改写成x1 = (-b - sqrt(b^2-4ac)) / (2a)，另一根用韦达定理x2 = c / (a * x1)求，避免直接相减。

同类问题还有几个固定套路，复习时可以直接当清单用：

• 1 - cos(x)在x很小时改写为2 * sin(x/2)^2。
• e^x - 1在x接近 0 时用expm1(x)。
• log(1 + x)在x很小时用log1p(x)。
• 大数加小数再减大数，顺序一换结果就变，能合并的先合并。

这一类改写背后的判断标准是相对误差而不是绝对误差。绝对误差1e-16对1.0可以忽略，对1e-20就是灾难。梳理下来会发现，教材把“损失有效数字”单独列一节，是因为它直接决定了后面牛顿法、差商、数值微分里步长怎么选。

提示：判断是否发生抵消，看运算结果的有效位数是否远小于输入的有效位数，而不是看结果绝对值大小。

2.4 二分、不动点、牛顿与割线：收敛阶对照表

方程求根是第一个完整的算法模块，四种方法的差别必须能一张表说清。

二分法的迭代次数可以直接估：要把区间从b-a缩到tol，需要n ≥ log2((b-a)/tol)步。双精度下大概 52 次左右就会卡在相邻浮点数之间，再分下去区间端点不再变化，这就是教材里“精度极限”那一节要讨论的现象——不是方法失效，是浮点表示到了尽头。

牛顿法的误差递推值得手推一遍：e_{i+1} ≈ (f''(r) / (2f'(r))) * e_i^2。这个式子解释了为什么初值重要（误差被平方放大或缩小）、为什么重根会退化（f'(r) = 0时前面的系数发散，实际降为线性收敛）。割线法用差商代替导数，牺牲一点收敛阶换来不用解析导数，实际工程里更常用；再往上还有逆二次插值和混合策略，思路都是“先用安全方法兜底，接近根时切换成快方法”。

def bisect(f, a, b, tol=1e-12, max_iter=200): fa, fb = f(a), f(b) if fa * fb > 0: raise ValueError("端点必须异号") for _ in range(max_iter): m = 0.5 * (a + b) fm = f(m) if abs(fm) < tol or 0.5 * (b - a) < tol: return m if fa * fm < 0: b, fb = m, fm else: a, fa = m, fm return 0.5 * (a + b) def newton(f, df, x0, tol=1e-12, max_iter=100): x = x0 for _ in range(max_iter): fx, dfx = f(x), df(x) if dfx == 0: raise ZeroDivisionError("导数为零，牛顿法失效") x_new = x - fx / dfx if abs(x_new - x) < tol: return x_new x = x_new return x

两段代码的关键差异在停止条件和安全保障。二分法用区间宽度和函数值双重判断，牛顿法只比较相邻两次迭代的差，这在收敛慢的时候会误判为“已经收敛”，所以生产代码里通常再加一条残差判据abs(f(x)) < tol。参数tol不要设到比ε_mach还小，否则循环永远达不到，白白跑满迭代次数。

3. 线性系统、最小二乘与特征值：矩阵这条主线

3.1 高斯消元与 PA=LU：为什么必须换行

高斯消元的代价是(2/3)n^3 + O(n^2)次乘除，前代和回代各O(n^2)。手算时没人关心这个数，但它是判断“能不能直接解”的唯一依据：n = 10000时n^3量级已经到了普通机器扛不住的程度，这才有了后面的迭代法。

不选主元的高斯消元在遇到主元为 0 时直接崩，遇到主元很小时误差被放大。部分主元法每次选当前列绝对值最大的行交换上来，把乘数控制在 1 以内。写成矩阵形式就是PA = LU，其中P是置换矩阵、L是单位下三角、U是上三角。这个分解的复用价值在于：同一个系数矩阵、多个右端项时，分解一次就能反复前代回代，代价从每次O(n^3)降到O(n^2)。

import numpy as np def lu_partial_pivot(A): A = A.astype(float).copy() n = A.shape[0] P = np.eye(n) L = np.zeros((n, n)) for k in range(n - 1): p = k + np.argmax(np.abs(A[k:, k])) # 选列主元 if abs(A[p, k]) < 1e-15: raise ValueError("矩阵接近奇异") if p != k: A[[k, p], :] = A[[p, k], :] P[[k, p], :] = P[[p, k], :] L[[k, p], :k] = L[[p, k], :k] # 已算出的乘数也要跟着换 for i in range(k + 1, n): L[i, k] = A[i, k] / A[k, k] A[i, k:] -= L[i, k] * A[k, k:] L += np.eye(n) return P, L, np.triu(A)

这段实现里最容易漏的是“交换行时L已经算出的那部分也要换”，漏了就会得到一个看起来像模像样、代入验证却不满足PA = LU的结果。参数上没有需要调的东西，但阈值1e-15是经验值，判断奇异更稳妥的做法是比较主元与矩阵范数的比值。

3.2 误差来源与条件数：残差小不等于解得对

线性系统这一块最重要的概念是条件数。对方程组Ax = b，右端扰动带来的相对误差满足||δx|| / ||x|| ≤ cond(A) * ||δb|| / ||b||，其中cond(A) = ||A|| * ||A^-1||。这句话的信息量很大：条件数放大的是相对误差，不是绝对误差；条件数只和矩阵有关，和用什么算法无关。

一个必须纠正的直觉是“残差小说明解对”。残差是r = b - A x_hat，它衡量的是x_hat代回方程后差多少，而误差是x_hat和真解的差距。对病态矩阵，完全可能残差只有1e-14而解的误差在第一位有效数字上。经典例子是希尔伯特矩阵，n = 12左右条件数就上了1e16，双精度基本解不动。

误差来源这一节通常分三类：数据本身的误差（建模、测量）、舍入误差（浮点表示）、算法误差（截断、消元过程中的增长因子）。向后误差分析给出的结论是“高斯消元配部分主元是向后稳定的”，但它只保证解是某个邻近问题的精确解，不保证离原问题近。所以复习时要分清：稳定性是算法属性，条件性是问题属性，前者不能弥补后者。

3.3 迭代法与 SPD 矩阵：什么时候不用直接法

直接法代价O(n^3)，迭代法每步O(n^2)（稀疏矩阵还能更低），适合大型稀疏系统。Jacobi 迭代把A拆成D - L - U，用x^{k+1} = D^-1 (b + (L+U)x^k)；Gauss-Seidel 立刻用上新算出来的分量，通常收敛更快。收敛的充要条件是迭代矩阵的谱半径小于 1，充分条件是矩阵严格对角占优——后者好验证，所以考试里常考。

对称正定矩阵有专门的 Cholesky 分解A = R^T R，代价约(1/3)n^3，是高斯消元的一半，而且不用选主元（对称正定保证了主元恒正）。判断能不能用：先看对称，再看所有顺序主子式是否为正，或者直接试分解，出现负数开根就说明不满足前提。

def cholesky(A): n = A.shape[0] R = np.zeros((n, n)) for i in range(n): for j in range(i + 1): s = A[i, j] - sum(R[i, k] * R[j, k] for k in range(j)) if i == j: if s <= 0: raise ValueError("矩阵不是正定") R[i, j] = np.sqrt(s) else: R[i, j] = s / R[j, j] return R

循环里s <= 0的检查是必须的，它同时承担了“数值上是否还能继续”的判断。实际算的时候，A只读下三角，输出是上三角R，验证方式是和R.T @ R对比，而不是和A直接比。

3.4 最小二乘：正规方程、QR 与非线性版本

最小二乘要解min ||Ax - b||_2，最直接的做法是正规方程A^T A x = A^T b。它的坑在于条件数平方：cond(A^T A) = cond(A)^2，原本cond(A) = 1e8还能勉强算，平方之后直接到1e16，双精度报废。所以正规方程适合教学和良态小问题，实际计算走 QR 分解：A = QR，解Rx = Q^T b，条件数不会被放大。Householder 变换做 QR 的代价约2mn^2 - (2/3)n^3，比正规方程贵一点，但稳得多。

模型综述那一节覆盖了多项式拟合、指数模型、幂律模型，核心技巧是“能线性化的先线性化”，比如y = a e^{bx}取对数变成ln y = ln a + bx。代价是误差的度量方式被改变了（在对数尺度上最小化残差），拟合结果和原始尺度上的最小二乘不完全一样，这个差别在数据跨几个数量级时很明显。

非线性最小二乘用 Gauss-Newton：在当前点线性化残差r(x)，解J^T J δ = -J^T r，更新x ← x + δ。J是残差向量的雅可比。它本质上是把正规方程套在每一步的线性化上，所以病态和发散的风险原样继承，Levenberg-Marquardt 加一个阻尼项λI就是为了在“接近二次收敛”和“稳定下降”之间切换。大尺度稀疏问题还会用到 GMRES 这类 Krylov 子空间方法，思路是只在低维子空间里找近似解。

3.5 特征值与 SVD：幂迭代、QR 算法与低秩近似

幂迭代求主特征值，迭代式就是x ← Ax / ||Ax||，收敛比率由|λ2 / λ1|决定。λ2和λ1靠得越近收敛越慢，这个比率是判断“值不值得用幂迭代”的唯一指标。逆幂迭代把A换成(A - σI)^-1，可以收敛到离σ最近的那个特征值；瑞利商迭代动态更新σ，局部可以做到三次收敛。

QR 算法是求全部特征值的标准路线，先化成 Hessenberg 形式降低每步代价，再用移位加速。SVD 是这一章的收尾大招，A = UΣV^T，奇异值是A^T A特征值的平方根，条件数就是σ1 / σn。它的实际价值在低秩近似：只保留前k个奇异值，得到的是所有秩为k的矩阵里在 Frobenius 范数下最近的逼近（Eckart-Young 定理），图像压缩、推荐系统、降噪都建立在这个结论上。伪逆A^+ = VΣ^+U^T则把最小二乘和秩亏问题统一处理了。

def power_iteration(A, num_iter=1000, tol=1e-12): n = A.shape[0] x = np.ones(n) / np.sqrt(n) # 初始向量，避免全零 lam_old = 0.0 for _ in range(num_iter): y = A @ x lam = x @ y # 瑞利商，比 ||y|| 的估计更准 x = y / np.linalg.norm(y) # 归一化，防止溢出 if abs(lam - lam_old) < tol: break lam_old = lam return lam, x

归一化那一步不能省，否则几十次迭代后数值就溢出了。停止条件用的是瑞利商的变化量，比直接比较特征向量更稳。初始向量的选择会影响迭代次数，但不会影响最终收敛到的主特征值——除非初始向量恰好和主特征向量正交，概率极低但理论上存在。

4. 插值、数值微积分与微分方程：从离散点到连续解

4.1 多项式插值、Runge 现象与样条

n+1个互异节点可以唯一确定一个不超过n次的多项式，这是插值的理论起点。误差公式是f(x) - P_n(x) = f^{(n+1)}(ξ) / (n+1)! * ∏(x - x_i)，它说明误差由两部分决定：函数的高阶导数和节点乘积项。等距节点插值高次多项式会出现 Runge 现象，典型例子是1/(1+25x^2)在[-1, 1]上，次数越高两端振荡越剧烈。

解决思路有两条。一条是换节点，用 Chebyshev 节点x_k = cos((2k+1)π / (2n+2))，它让节点乘积项的最大值最小化，误差被压到最低，这就是 Chebyshev 插值那一节的核心。另一条是换基函数，用分段低次多项式，三次样条就是代表：它要求C^2连续，每段是三次多项式，整体可以用一个三对角系统O(n)解出来。自然样条额外要求两端二阶导为零，夹持样条则给定端点导数。工程上做曲线，三次样条比高次多项式可靠得多。

Bézier 曲线是另一条路：用 Bernstein 基函数加权控制点，曲线落在控制点凸包内，端点处与控制多边形相切，de Casteljau 算法用反复取中点的方式稳定求值。它不追求插值所有点，追求的是形状可控，这和样条的出发点是不同的。

4.2 数值微分与 Newton-Cotes：步长不是越小越好

数值微分的误差有两个来源，一个是截断误差，随h减小而减小；一个是舍入误差，随h减小而增大（因为f(x+h) - f(x)的抵消越来越严重）。总误差≈ C h^p + ε/h，最优步长约在h ≈ ε^{1/(p+1)}处。

中心差分是O(h^2)，前向是O(h)。双精度下中心差分的最优步长约1e-5到1e-6，再小反而更差，这个现象在实验里非常直观，也是“误差阶只记结论不记前提”的经典翻车现场。

Newton-Cotes 公式是插值型求积：对节点上的插值多项式积分。梯形公式误差-(b-a)^3/12 * f''(ξ)，Simpson 公式误差-(b-a)^5/2880 * f^{(4)}(ξ)。复合形式把区间分成n段，误差分别降到O(h^2)和O(h^4)。

def composite_simpson(f, a, b, n): # n 必须是偶数，表示区间被分成 n 段 if n % 2 != 0: raise ValueError("Simpson 需要偶数段") h = (b - a) / n s = f(a) + f(b) for i in range(1, n): s += (4 if i % 2 == 1 else 2) * f(a + i * h) return s * h / 3

系数4, 2, 4, 2, ...交替出现是 Simpson 公式的结构，写错一次结果偏差会很明显。n必须是偶数，因为每两段构成一个抛物线。实际使用时通常采用“把n翻倍再比较”的方式估计误差，而不是相信理论误差公式，因为四阶导数的界往往估不出来。

4.3 Romberg、自适应与 Gauss 求积

Romberg 积分建立在梯形公式的 Euler-Maclaurin 展开上：误差可以写成h^2的幂级数，于是可以用两次不同步长的结果外推消掉低阶项。做成一整张表就是 Romberg 表，第一列是逐步减半的梯形值，后面每列都是前两列的线性组合。它不需要额外函数求值，纯粹靠已有数据外推，所以在函数求值昂贵的场景里很划算。

自适应求积换个思路：不平均分段，而是递归地比较一段上的粗算和细算结果，误差超过容差就把这段劈成两半继续。这样在函数剧烈变化的地方自动加密，在平缓的地方保持稀疏。

Gauss 求积是另一条路线：既然节点可以自由选，那就选到“n个节点能精确积分2n-1次多项式”为止。这些节点是 Legendre 多项式的根，权重由积分公式解出。n个节点能达到2n-1阶精度，这比等距节点的 Newton-Cotes 高出一倍，代价是节点和权重需要预先查表或现场计算，而且不能像复合公式那样简单地“再分一段”。

4.4 常微分方程：Euler、RK4、刚性与多步法

初值问题y' = f(t, y), y(t0) = y0的数值解法，核心概念是阶数和稳定性。显式 Euler 法y_{n+1} = y_n + h f(t_n, y_n)的局部截断误差是O(h^2)，全局是O(h)，也就是步长减半、误差减半，效率很低。四阶 Runge-Kutta 每步四次函数求值，全局O(h^4)，是默认首选。

def rk4(f, t0, y0, h, steps): t, y = t0, np.array(y0, dtype=float) ts, ys = [t], [y.copy()] for _ in range(steps): k1 = f(t, y) k2 = f(t + h / 2, y + h / 2 * k1) k3 = f(t + h / 2, y + h / 2 * k2) k4 = f(t + h, y + h * k3) y = y + h / 6 * (k1 + 2 * k2 + 2 * k3 + k4) t += h ts.append(t) ys.append(y.copy()) return np.array(ts), np.array(ys)

四个k的系数1/6, 2/6, 2/6, 1/6来自 Simpson 权重，这不是巧合——RK4 的构造和数值积分有直接联系。f的签名必须是f(t, y)，y支持向量，这样同一份代码能处理方程组，因为高阶方程化成一阶方程组之后形式完全一样。

稳定性要用测试方程y' = λy分析。显式 Euler 的稳定域是|1 + hλ| ≤ 1，当λ是绝对值很大的负实数（刚性方程），h必须小到不现实，这就是刚性问题。隐式 Eulery_{n+1} = y_n + h f(t_{n+1}, y_{n+1})需要每步解方程，但稳定域覆盖整个左半平面，是无条件稳定的。多步法用前几步的历史值，Adams-Bashforth 是显式、Adams-Moulton 是隐式，预测-校正把两者结合，用显式预测、隐式校正，兼顾效率和稳定。

4.5 边值问题与偏微分方程：打靶、有限差分与稳定性条件

边值问题y'' = f(x, y, y')加两端条件，常见解法有三种。打靶法把未知的初始斜率当成参数，解一系列初值问题，再用求根方法调整参数使右端满足边界条件——本质是把 BVP 转成根问题。有限差分法直接在网格上把导数换成差商，得到一个三对角线性系统，误差O(h^2)。配点法和有限元法用基函数展开，适合复杂区域，代价是要处理弱形式和刚度矩阵组装。

偏微分方程按类型分三块：

热方程的显式格式往前推一步只需要O(n)，但r ≤ 1/2意味着空间网格加密一倍，时间步要缩到四分之一，总代价涨得很快。Crank-Nicolson 是隐式的、无条件稳定，每步要解三对角系统，通常更划算。CFL 条件的物理含义是“信息传播速度不能超过网格允许的速度”，写反h和k是这一节最高频的错误。

4.6 变换、压缩与随机模拟：FFT、DCT 与 Monte Carlo

三角插值用正弦余弦函数做基，DFT 直接算是O(n^2)，FFT 用分治把代价降到O(n log n)，前提是长度取 2 的幂（或者做补零/混合基处理）。这个加速幅度大到改变了工程实践：实时信号处理、频谱分析都建立在它之上。

DCT 是 DFT 的实数版本，能量集中特性好，8×8 分块加量化就是 JPEG 的核心。Huffman 编码做变长前缀码，高频符号用短码，压缩率取决于符号分布；MDCT 用重叠窗消除块边界的不连续，是音频压缩的基础。这一块的知识点是“变换 + 量化 + 熵编码”三段式，考试里常考 DCT 为什么比 DFT 更适合图像压缩。

随机数这章容易被当成选修，但内容很成体系：线性同余生成器产生伪随机序列，Monte Carlo 积分用样本均值近似期望，误差是O(1/√n)——收敛慢，但和维数无关，这是它对抗维数灾难的唯一资本。布朗运动和随机微分方程用 Euler-Maruyama 格式离散，强阶 0.5、弱阶 1.0，阶数定义和确定性 ODE 不一样，考试里经常在这里设陷阱。

5. 易漏点：误差阶、收敛条件与稳定性上最容易翻车的地方

5.1 易漏点一：把“方法收敛”当成“这道题能算对”

为什么漏：定理给的是极限意义下的收敛，条件是“迭代次数趋于无穷”或“初值足够近”，而实际只跑有限步、初值也只是拍脑袋选的。二分法在双精度下会卡在相邻浮点数之间，不动点迭代在|g'(r)|等于 0.99 时每步只缩小 1% 的误差，牛顿法在导数接近 0 时会跳到很远的地方。

怎么补：动手前先做三件事——验证前提（端点异号、导数非零、谱半径小于 1）、估一个迭代次数上限、设一个和ε_mach匹配的容差。跑完再看残差和步长历史，如果步长突然变大或残差不再下降，就是前提被破坏了，不是代码写错了。

5.2 易漏点二：误差阶只记结论，不记前提

为什么漏：O(h^2)这种写法把常数和条件都藏起来了。中心差分是二阶，前提是f三阶连续可导且h落在截断误差主导的区间；h小到1e-10时舍入误差反超，实测误差比一阶的前向差分还大。

怎么补：对任何带步长的公式，做一次log-log误差曲线，看斜率是不是理论阶数，看曲线在哪里拐弯。拐点之前的误差是截断主导，拐点之后是舍入主导，最优点就在中间。这个动作比背结论有用得多。

5.3 易漏点三：条件数与残差混为一谈

为什么漏：残差||b - Ax||在代码里唾手可得，看起来像个现成的正确性指标；条件数要额外算，容易被跳过。病态矩阵上残差可以小到1e-14而解的误差在第一位上。

怎么补：养成“残差 + 条件数”双检查的习惯，用相对误差 ≲ cond(A) * 相对残差估一个上界。如果条件数已经到1e12以上，就别指望双精度能给出 6 位有效数字，要么换问题 formulation，要么上高精度。

5.4 易漏点四：稳定性条件写反或漏掉边界

为什么漏：r = k/h^2和c k/h两个式子里的h、k位置不同，量纲也不一样，记混一次就全错。另外≤ 1/2的等号边界经常被写成<，实际在边界上格式仍然稳定，只是余量消失。

怎么补：用量纲检查——k是时间、h是空间，k/h^2必须无量纲才可能是稳定性判据。再补一个收敛测试：取一个已知解析解，跑几组不同网格，看误差是否按理论阶下降，稳定性条件错的话误差会直接爆掉而不是缓慢增长。

5.5 易漏点五：答案手册的中间步骤对不上，其实是参数没对齐

为什么漏：同一道题在不同版本里编号会变，代码题里的系数个数、初始值、容差也可能不同。照着答案抄一遍能对上，自己动手时函数签名或参数顺序一改，结果就不同，然后怀疑自己理解错了。

怎么补：不要只对照纸面步骤，先把代码跑通，打印中间量（迭代次数、残差序列、矩阵分解结果），和自己的手算逐步对比。对不上的时候优先查三处：系数顺序（升幂还是降幂）、索引起点（0 还是 1）、容差定义（绝对还是相对）。这三处能解释大部分“明明一样却算不出”的情况。

6. 复习清单：把 13 章压成一张能执行的查漏表

考前最有效的动作不是重读一遍，而是按模块做自测。下面这张表把每章压成“必背结论 + 一个可执行动作”，做完打勾，空着的就是薄弱环节。

最后留一个能直接跑的小实验，用来验证“误差阶”这件事到底是不是真的：

import numpy as np f = np.sin df = np.cos x0 = 1.0 for h in [1e-1, 1e-2, 1e-3, 1e-4, 1e-5, 1e-6, 1e-7, 1e-8]: forward = (f(x0 + h) - f(x0)) / h central = (f(x0 + h) - f(x0 - h)) / (2 * h) print(f"h={h:.0e} 前向误差={abs(forward - df(x0)):.3e} 中心误差={abs(central - df(x0)):.3e}")

跑完会看到前向差分的误差随h线性下降，中心差分先按平方下降、到h约1e-8附近开始反弹。反弹那一段就是舍入误差接管了，它比任何公式都更能说明“步长不是越小越好”。

我自己的习惯是：每复习完一章，不急着翻下一章，而是先合上书把这一章的“前提、代价、失效场景”三句话写出来，写不出来的地方就是没真懂。数值分析这门课的血泪经验是，公式记错还能查，前提记错会一路错到底。从那以后我每次做数值题都强制先写一遍前提条件再动笔，正确率比刷题量提升得明显。希望帮到你。

这份笔记对应的完整答案手册已经整理好，按章归档、题号与原书对齐，配合上面的清单逐章过一遍，比漫无目的地翻要省时间得多。

本文还有配套的精品资源，点击获取