数值分析复习

第一章：绪论

误差(绝对误差): 𝑒 𝑥 = 𝑥 ∗ − 𝑥, (绝对)误差限： 𝑒 𝑥 ≤𝜀
𝑒 𝑥
相对误差： 𝑒𝑟 𝑥 = , 相对误差限：|𝑒𝑟 𝑥 | ≤ 𝜀𝑟
𝑥∗

有效数字：设𝑥 ∗ = ± 𝑎1 . 𝑎2 … 𝑎𝑝 × 10𝑚 , 𝑎1 ≠ 0, 𝑝 ≤ ∞
1
若 𝑥 −𝑥 ≤
∗
10𝑚−𝑛+1 ,
×
2
则说𝑥 ∗ 有𝑛位有效数字.

𝜕𝑓 𝑥1∗ ,𝑥2∗ ,…,𝑥𝑛

∗
多元函数绝对误差限：𝜀 𝑦 ∗
= 𝑛
𝑖=1 𝜀 𝑥𝑖∗
𝜕𝑥𝑖
𝜀 𝑦 ∗
相对误差限：𝜀𝑟 𝑦 ∗ = 𝑓 𝑥1∗ ,𝑥2∗ ,…,𝑥𝑛
∗
例1：已知𝑥, 𝑦的近似取值为4和3,绝对误差均为0.005,则𝑥 2 + 𝑦 2 的相对
误差为________
0.0028
解：𝑓 𝑥, 𝑦 = 𝑥 2 + 𝑦 2
𝜕𝑓 𝜕𝑓
𝑒 𝑓 = ⋅ 𝑒 𝑥 + ⋅ 𝑒 𝑦 = 2𝑥 ⋅ 𝑒 𝑥 + 2𝑦 ⋅ 𝑒 𝑦 = 0.07
𝜕𝑥 𝜕𝑦
𝑒 𝑓 0.07
𝑒𝑟 𝑓 = ∗ = = 0.0028
𝑓 42 +32

例2：设𝑥 ∗ = 2.40315是准确值𝑥 = 2.40194的近似值,则𝑥 ∗ 有______位

3
有效数字
解: 𝑥 ∗ = 2.40315 × 100 , 则𝑚 = 0
1
𝑥 ∗ − 𝑥 = 0.00121 ≤ × 10−2 , 则𝑚 − 𝑛 + 1 = −2, ∴ 𝑛 = 3.
2

例3：已知𝑎 = 1.0653, 𝑏 = 0.698是经过四舍五入后得到的近似值,2𝑎 +

0.6 × 10−3
𝑏的误差限是____________
1 1
解：𝑓 𝑎, 𝑏 = 2𝑎 + 𝑏, 𝜀 𝑎 = × 10−4 , 𝜀 𝑏 = × 10−3
2 2
𝜕𝑓 𝜕𝑓
𝜀 𝑓 = ⋅𝜀 𝑎 + ⋅ 𝜀 𝑏 = 2𝜀 𝑎 + 𝜀 𝑏 = 0.6 × 10−3
𝜕𝑎 𝜕𝑏
 第二章：插值法
𝒙𝟎 𝒙𝟏 ⋯ 𝒙𝒏−𝟏 𝒙𝒏
𝒇(𝒙𝟎 ) 𝒇(𝒙𝟏 ) ⋯ 𝒇(𝒙𝒏−𝟏 ) 𝒇(𝒙𝒏 )

 Lagrange插值公式：
𝑛

𝐿𝑛 𝑥 = 𝑙𝑖 𝑥 𝑓(𝑥𝑖 )
𝑖=0

𝑛
𝑥 − 𝑥𝑗 𝑥 − 𝑥0 𝑥 − 𝑥1 ⋯ (𝑥 − 𝑥𝑖−1 )(𝑥 − 𝑥𝑖+1 ) ⋯ (𝑥 − 𝑥𝑛 )
𝑙𝑖 𝑥 = =
𝑥𝑖 − 𝑥𝑗 (𝑥𝑖 − 𝑥0 ) 𝑥𝑖 − 𝑥1 ⋯ (𝑥𝑖 − 𝑥𝑖−1 )(𝑥𝑖 − 𝑥𝑖+1 ) ⋯ (𝑥𝑖 − 𝑥𝑛 )
𝑗=0,𝑗≠𝑖

𝑓 𝑛+1 𝜉
插值余项： 𝑅𝑛 𝑥 = 𝜔𝑛+1 𝑥
𝑛+1 !
  Newton插值公式:

𝑁𝑛 𝑥 = 𝑓 𝑥0 + 𝑓 𝑥0 , 𝑥1 𝑥 − 𝑥0 + 𝑓 𝑥0 , 𝑥1 , 𝑥2 𝑥 − 𝑥0 𝑥 − 𝑥1
+ ⋯ + 𝑓 𝑥0 , … , 𝑥𝑛 𝑥 − 𝑥0 … 𝑥 − 𝑥𝑛−1

差商表
xi f ( xi ) 一阶均差 二阶均差 三阶均差 四阶均差

x0 f ( x0 )

x1 f ( x1 ) f [ x0 , x1 ]

x2 f ( x2 ) f [ x1 , x2 ] f [ x0 , x1 , x2 ]

x3 f ( x3 ) f [ x2 , x3 ] f [ x1 , x2 , x3 ] f [ x0 , x1 , x2 , x3 ]
x4 f ( x4 ) f [ x3 , x4 ] f [ x2 , x3 , x4 ] f [ x1 , x2 , x3 , x4 ] f [ x 0 , x1 , x2 , x3 , x4 ]

𝑓[𝑥1 , ⋯ , 𝑥𝑘−1 , 𝑥𝑘 ] − 𝑓[𝑥0 , 𝑥1 , ⋯ , 𝑥𝑘−1 ]

𝑓[𝑥0 , 𝑥1 , ⋯ , 𝑥𝑘 ] =
𝑥𝑘 − 𝑥0
 Hermite插值公式
n
H ( x )    j ( x ) y j   j ( x )m j
j 0

H ( x k )  yk , H ' ( xk )  mk ( k  0,1,, n)

 n 
1
 j ( x )  1  2( x  x j )  l 2j ( x )
 k  0 x j  xk 
 k j 

 j ( x )  ( x  x j )l 2j ( x )
𝒏 𝒏
𝟏
𝑯(𝒙) = 𝟏 − 𝟐 𝒙 − 𝒙𝒋 𝒍𝟐𝒋 (𝒙)𝒚𝒋 + 𝒙 − 𝒙𝒋 𝒍𝟐𝒋 (𝒙)𝒎𝒋
𝒙𝒋 − 𝒙𝒌
𝒋=𝟎 𝒌=𝟎
𝒌≠𝒋
Ex2.1．设节点𝑥0 = −1, 𝑥1 = 1, 𝑥2 = 2则 𝑦0 = 2, 𝑦1 = 1, 𝑦2 = 1, 分
别用Lagrange插值和Netwon插值求三个节点的二次插值多项式.
解：1.Lagrange插值
𝑥−1 𝑥−2 1
𝑙0 𝑥 = = (𝑥 2 − 3𝑥 + 2)
−1 − 1 −1 − 2 6
𝑥+1 𝑥−2 1 2
𝑙1 𝑥 = =− 𝑥 −𝑥−2 ,
1+1 1−2 2
𝑥+1 𝑥−1 1 2
𝑙2 𝑥 = = (𝑥 − 1)
2+1 2−1 3
1 2 1 4
𝐿2 𝑥 = 2𝑙0 𝑥 + 𝑙1 𝑥 + 𝑙2 𝑥 = 𝑥 − 𝑥 + .
6 2 3
2. Netwon插值 𝑥𝑘 𝑓(𝑥𝑘 ) 𝑓[𝑥𝑘 , 𝑥𝑘+1 ] 𝑓[𝑥𝑘 , 𝑥𝑘+1 , 𝑥𝑘+2 ]

-1 2 ** **
1 1 -1/2 **
2 1 0 1/6
𝑁2 𝑥 = 𝑓 𝑥0 + 𝑓 𝑥0 , 𝑥1 𝑥 − 𝑥0 + 𝑓 𝑥0 , 𝑥1 , 𝑥2 𝑥 − 𝑥0 𝑥 − 𝑥1
1 1 2 1 2 1 4
=2− 𝑥+1 + 𝑥 −1 = 𝑥 − 𝑥+
2 6 6 2 3
 Ex2.2.

解：
Ex2.3. 已知函数𝑓(𝑥)在节点𝑥0 = −1, 𝑥1 = 1, 𝑥2 = 2,满足：
𝑓 𝑥0 = 2, 𝑓 𝑥1 = 0, 𝑓 𝑥2 = 2, 𝑓 ′ 𝑥0 = 3, 𝑓 ′ 𝑥1 = −5
(1)计算函数𝑓(𝑥)的各阶差商，并将计算结果填入下表.
𝒌 𝒙𝒌 𝒇(𝒙𝒌 ) 𝒇[𝒙𝒌 , 𝒙𝒌+𝟏 ] 𝒇[𝒙𝒌 , 𝒙𝒌+𝟏 , 𝒙𝒌+𝟐 ]

0 -1 *** ***

1 1 ***

2 2

(2) 分别求出满足条件𝐿2 𝑥𝑘 = 𝑓 𝑥𝑘 , 𝑁2 𝑥𝑘 = 𝑓 𝑥𝑘 , (𝑘 = 0,1,2)的二次

Lagrange和Newton插值多项式。
(3) 试求一个四次插值多项式𝐻4 𝑥 满足𝐻4 𝑥𝑘 = 𝑓 𝑥𝑘 , 𝑘 = 0,1,2 , 𝐻4′ 𝑥𝑘 =
𝑓 ′ 𝑥𝑘 , 𝑘 = 0,1 .
第三章：函数逼近与拟合

 最佳一次逼近多项式

设 f ( x )  C 2
[a , b], 且 f ' ' ( x ) 不变号，求最佳一次逼近多项式 p1 ( x )  a1 x  a0

𝑓(𝑏)−𝑓(𝑎)
1. 𝑎1 = = 𝑓′ 𝜉
𝑏−𝑎
2. 𝑓 ′ 𝜉 = 𝑎1 ⟹ 𝜉, 𝑓 𝜉
𝑓(𝑎)+𝑓(𝜉) 𝑎+𝜉 p1 ( x )
3. 𝑎0 = − 𝑎1
2 2
4. 𝑝1 𝑥 = 𝑎1 𝑥 + 𝑎0 a  b
 1
Ex3.1. 求函数𝑓 𝑥 = 𝑥 在区间[4 , 1] 上的最佳一致一次逼近多项式

𝑓 𝑏 −𝑓 𝑎 1 − 1/2 2
解：𝑎1 = = =
𝑏−𝑎 1 − 1/4 3

1 3 9
𝑓′ 𝜉 = = 𝑎1 ⟹ 𝜉= , 𝜉=
2 𝜉 4 16

1 𝑎+𝜉
𝑝1 𝑥 = 𝑓 𝑎 + 𝑓 𝜉 + 𝑎1 𝑥 −
2 2
1 9
1 1 3 2 + 2 17
= + + 𝑥− 2 16 = 𝑥+
2 2 4 3 2 3 48
 最佳平方逼近多项式

1. 确定𝜑0 , 𝜑1 , … , 𝜑𝑛
𝑏
2. 求内积 (𝜑𝑖 , 𝜑𝑗 ) = 𝑎 𝑖
𝜑 𝑥 𝜑𝑗 𝑥 𝜌 𝑥 𝑑𝑥,
𝑏
𝜑𝑖 , 𝑓 = 𝑎 𝑖
𝜑 𝑥 𝑓 𝑥 𝜌 𝑥 𝑑𝑥
3. 解方程组，求𝑎0 , … , 𝑎𝑛
 ( 0 ,  0 ) ( 0 , 1 )  ( 0 ,  n )  a0   ( f ,  0 ) 
    
 (1 ,  0 ) (1 ,1 )  (1 ,  n )  a1   ( f , 1 ) 
     
     
    
 ( n , 0 ) ( n ,1 )  ( n ,  n )  an   ( f ,  n ) 

4. 最佳平方逼近多项式为𝑝 𝑥 = 𝑎0 𝜑0 𝑥 + 𝑎1 𝜑1 𝑥 + ⋯ + 𝑎𝑛 𝜑𝑛 𝑥
例：求区间[1,3]上函数𝑓(𝑥) = ln 𝑥的最佳一次平方逼近多项式

解 0  1， 1  x
3 26
(1 ,1 )   x 2dx 
3 3
(0 ,0 )   1dx  2 (0 ,1 )   xdx  4
1 1 1 3
3 9
(1 , f )   x ln xdx 
3
(0 , f )   ln xdx  3 ln 3  2  1.2958 ln 3  2  2.9438
1 1 2

2 4  a  1.2958 
4 26   0    
 3   1  
a 2 . 9438 
解得 a0  0.4087 a1  0.5283

所以 S * ( x )  0.5283 x  0.4087
 𝒙𝟎 𝒙𝟏 ⋯ 𝒙𝒎−𝟏 𝒙𝒎
 最小二乘法
𝒇(𝒙𝟎 ) 𝒇(𝒙𝟏 ) ⋯ 𝒇(𝒙𝒎−𝟏 ) 𝒇(𝒙𝒎 )

1. 确定𝜑0 , 𝜑1 , … , 𝜑𝑛
𝑚
2. 求内积 (𝜑𝑖 , 𝜑𝑗 ) = 𝑘=0 𝜑𝑖 𝑥𝑘 𝜑𝑗 𝑥𝑘 𝜌(𝑥𝑘 ),
𝜑𝑖 , 𝑓 = 𝑚 𝑘=0 𝜑𝑖 𝑥𝑘 𝑓 𝑥𝑘 𝜌(𝑥𝑘 )
3. 解方程组，求𝑎0 , … , 𝑎𝑛
 ( 0 ,  0 ) ( 0 , 1 )  ( 0 ,  n )  a0   ( f ,  0 ) 
    
 (1 ,  0 ) (1 ,1 )  (1 ,  n )  a1   ( f , 1 ) 
     
     
    
 ( n , 0 ) ( n ,1 )  ( n ,  n )  an   ( f ,  n ) 
4. 最小二乘多项式为𝑝 𝑥 = 𝑎0 𝜑0 𝑥 + 𝑎1 𝜑1 𝑥 + ⋯ + 𝑎𝑛 𝜑𝑛 𝑥
Ex3.5. 已知一组实验数据如下，用一次多项式拟合。
𝑥𝑖 1 2 3 4
𝑓(𝑥𝑖 ) 4 4.5 6 8

解 0  1， 1  x
3 3 3
( 0 , 0 )  1  4 ( 0 ,1 )   xi  10 (1 ,1 )   xi2  30
i 0 i 0 i 0
3 3
( 0 , f )   f ( xi )  22.5 (1 , f )   xi f (xi )  63
i 0 i 0

 4 10  a  22.5
10 30 b    63  解得 a  2.25，b  1.35
    

所以 y  1.35 x  2.25
例：用最小二乘法确定经验公式𝑦 = 𝑎𝑥 2 + 𝑏中的参数𝑎和𝑏，
使该曲线拟合下表数据。
𝑥𝑖 -1 0 1 2
𝑓(𝑥𝑖 ) 1.9 0.95 2.1 5

解 0  1， 𝜑1 = 𝑥 2
3 3 3

( 0 , 0 )  1  4 (𝜑0 , 𝜑1 ) = 𝑥𝑖2 = 6 (𝜑1 , 𝜑1 ) = 𝑥𝑖4 = 18

i 0 𝑖=0 𝑖=0
3 3

(𝜑0 , 𝑓) = 𝑓(𝑥𝑖 ) = 9.95 (𝜑1 , 𝑓) = 𝑥𝑖2 𝑓( 𝑥𝑖 ) = 24

𝑖=0 𝑖=0

4 6 𝑏 9.95
= 解得 𝑏 = 1.0083，𝑎 = 0.975
6 18 𝑎 24

所以 𝑦 = 0.975𝑥 2 + 1.0083
 第四章：数值积分
b
  1  dx
𝑏 𝑛

𝑓(𝑥)d𝑥 ≈ 𝐴𝑘 𝑓(𝑥𝑘 ) a
𝑎 𝑘=0 b
  x  dx
a
验证求积公式代数精度方法：依次取
𝑓 𝑥 = 1, 𝑥, 𝑥 2 , 𝑥 3 … ,验证求积公式是否
精确成立，若𝑓 𝑥 = 𝑥 𝑚+1 时，是第一
个不成立等式，则代数精度为𝑚.
 𝒏
(𝒏)
Newton-Cotes公式 𝑰𝒏 = (𝒃 − 𝒂) 𝑪𝒌 𝒇𝒌
𝒌=𝟎
𝑛

 Cotes系数特点： (1) (𝑛)

𝐶𝑖 =1 (2) 𝐶 (𝑛) = 𝐶 (𝑛)
𝑖 𝑛−𝑖
𝑖=0

(3) 当 𝑛 ≤ 7 时，牛顿-科特斯公式是稳定的。当 𝑛 ≥ 8 时,
系数出现负数，稳定性得不到保证。

𝒃−𝒂
𝒏=𝟏 𝑰𝟏 = 𝑻 = [𝒇(𝒂) + 𝒇(𝒃)] 梯形公式
𝟐
𝒃−𝒂 𝒂+𝒃
𝒏=𝟐 𝑰𝟐 = 𝑺 = 𝒇(𝒂) + 𝟒𝒇 + 𝒇(𝒃) Simpson求积公式
𝟔 𝟐
𝒃−𝒂
𝒏=𝟒 𝑰𝟒 = 𝑪 = 𝟕𝒇𝟎 + 𝟑𝟐𝒇𝟏 + 𝟏𝟐𝒇𝟐 + 𝟑𝟐𝒇𝟑 + 𝟕𝒇𝟒 Cotes求积公式
𝟕𝟎
 复化求积法 a  xk x k 1  b
𝑏−𝑎
第一步：等分区间： ℎ = 𝑛 , 𝑥𝑘 = 𝑎 + 𝑘ℎ, 𝑘 = 0,1, ⋯ , 𝑛

第二步：在区间 [𝑥𝑘 , 𝑥𝑘+1 ] 上用Newton-Cotes公式求积 𝑰𝒌

𝑛−1

第三步：求和 𝐼 ≈ 𝐼𝑘
𝑘=0
h n 1
h n 1

（1）复化梯形公式 Tn   ( f k  f k 1 )   f a  2 f k  f b 
k 0 2 2 k 1 
n 1
h h  n 1 n 1 
（2）复化Simpson公式 S n  
k 0 6
( f k  4 f

1  f k 1 
)
6
 fa  4  f 1  2 fk fb 
k 
 
k
2 k 02 k 1

n 1
h
（3）复化Cotes公式 C n   (7 f k  32 f 1  12 f 1  32 f 3  7 f k 1 )
k  0 90 k k k
4 2 4
 Romberg算法
xk x 1
x k 1
k
2
𝑏−𝑎 二分点
1.梯形公式 𝑇1 = [𝑓 𝑎 + 𝑓 𝑏 ]
2
1 h n1
1 ℎ
𝑛−1
T2 n  Tn   f 1
2.变步长梯形公式 𝑇2𝑛 = 𝑇𝑛 + 𝑓(𝑥 1 ) 2 2 k 0 k  2
2 2 𝑘+
2
𝑘=0 （1）二分前的步长
4 1
3.加速公式 𝑆𝑛 = 𝑇2𝑛 − 𝑇𝑛 （2）二分前的区间中值
3 3
即 16 1
𝐶𝑛 = 𝑆2𝑛 − 𝑆𝑛
15 15
64 1
𝑅𝑛 = 𝐶2𝑛 − 𝐶𝑛
63 63
4.终止条件 |𝑅2𝑛 − 𝑅𝑛 | < 𝜀
 2 1 2 1
例：已知求积公式 1
𝑓 𝑥 𝑑𝑥 ≈ 𝑓 1 + 𝐴𝑓 + 6 𝑓(2) , 则
6 3
4/6
A=________.

解：Cotes系数特点：
𝑛
(𝑛)
𝐶𝑖 =1
𝑖=0

1 1 4
则， + 𝐴 + = 1, 得 𝐴 = .
6 6 6

1 2
例：积分 𝑥 1/3
𝑑𝑥用辛普森公式计算的近似值为__________
0

1 2 1−0 1 1
解： 0
𝑥 𝑑𝑥 ≈ (𝑓 0 + 4𝑓 +𝑓 1 )=3
6 2
 2
三（10分）、设积分为  xdx
0

用Romberg方法计算,将计算结果填入下表（计算过程和结果保留3位小数）
 2 1
T1  [ f (0)  f (2)]  1.414, T2  [ f (0)  2 f (1)  f (2)]  1.707
2 2
1 1 3
T4  [ f (0)  2 f ( )  2 f (1)  2 f ( )  f (2)]  1.819
4 2 2
1 1 2 3 5 6 7
T8  [ f (0)  2 f ( )  2 f ( )  2 f ( )  2 f (1)  2 f ( )  2 f ( )  2 f ( )  f (2)] （4）
8 4 4 4 4 4 4
 1.861
4 1
S1  T2  T1  1.805
3 3
16 1
4 1
S 2  T4  T2  1.856 C1  S 2  S1  1.860
3 3 15 15
16 1 64 1
4 1 C2  S 4  S2  1.876 R1  C2  C1  1.906  0.030  1.876
S 4  T8  T4  1.875 15 15 63 63
3 3

1.414

1.707 1.805
1.819 1.856 1.860

1.861 1.875 1.876 1.876

第五章：常微分方程数值解法

一阶常微分方程的初值问题

𝑦 ′ = 𝑓(𝑥, 𝑦)
𝑦(𝑥0 ) = 𝑦0

解的唯一性: 如果f(x, y) 满足利普希茨(Lipschitz)条件，即

𝑓(𝑥, 𝑦1 ) − 𝑓(𝑥, 𝑦2 ) ≤ 𝐿 𝑦1 − 𝑦2 , 𝐿是正数

则初值问题的解y＝f(x)存在并且唯一。
 y ( xi 1 )  y ( xi )
 y ( xi ).
h

𝒚𝒊+𝟏 = 𝒚𝒊 + 𝒉𝒇 (𝒙𝒊 ，𝒚𝒊) ——Euler 公式（显式）

y ( xi 1 )  y ( xi )
 y ( xi 1 )  f ( xi 1 , y ( xi 1 ))
h

𝒚𝒊+𝟏 = 𝒚𝒊 + 𝒉𝒇 (𝒙𝒊+𝟏 ，𝒚𝒊+𝟏 ) ——向后Euler 公式（隐式）

显、隐式两种算法的平均

ℎ
𝑦𝑖+1 = 𝑦𝑖 + 2 [𝑓(𝑥𝑖 , 𝑦𝑖 ) + 𝑓(𝑥𝑖+1 , 𝑦𝑖+1 )] ————梯形公式（隐式）
 𝑦𝑖+1 = 𝑦𝑖 + ℎ𝑓(𝑥𝑖 , 𝑦𝑖 )
改进的Euler公式(显式格式) ℎ
𝑦𝑖+1 = 𝑦𝑖 + [𝑓(𝑥𝑖 , 𝑦𝑖 ) + 𝑓(𝑥𝑖+1 , 𝑦𝑖+1 )]
2

Step 1: 先用显式欧拉公式作预测，算出

yn1  yn  hf  xn , yn 

Step 2: 再将 𝒚𝒏+𝟏 代入隐式梯形公式的右边作校正，得到

yn 1  yn 
h
2
 
f  xn , yn   f xn 1 , yn 1 


亦可写成
h
yn 1  yn  [ f ( xn , yn )  f ( xn  h, yn  hf ( xn , yn ))]
2
第六章：方程求根

 二分法
𝑎+𝑏
设𝑓 𝑎 ⋅ 𝑓 𝑏 < 0, 取𝑥0 = .
2
假如𝑓(𝑥0 )是𝑓(𝑥)的零点，那么输出𝑥0 , 停止. 假若不然，
𝑎1 + 𝑏1
若𝑓 𝑎 与𝑓 𝑥0 同号，则𝑎1 = 𝑥0 , 𝑏1 = 𝑏; 否则𝑎1 = 𝑎, 𝑏1 = 𝑥0 , 取𝑥1 =
2
⋯⋯
故[𝑎, 𝑏] ⊃ [𝑎1 , 𝑏1 ] ⊃ ⋯ ⊃ [𝑎𝑘 , 𝑏𝑘 ] ⊃ ⋯ ,

𝑎𝑘 + 𝑏𝑘
𝑥𝑘 =
2
𝑏𝑘 − 𝑎𝑘 𝑏 − 𝑎
误差限 |𝑥𝑘 − 𝑥 ∗ | ≤ = 𝑘+1 .
2 2
32
 基本迭代法

将方程𝑓(𝑥) = 0 变成一个等价方程𝑥 = 𝜑(𝑥)

𝑥𝑘+1 = 𝜑(𝑥𝑘 ), 𝑘 = 0,1, ⋯ 称为迭代公式或迭代过程

收敛条件： 𝜑 ′ 𝑥 ≤𝐿<1

 Newton迭代法

𝑓(𝑥𝑘 )
𝑥𝑘+1 = 𝑥𝑘 − , (𝑘 = 0,1,2, ⋯ )
𝑓′(𝑥𝑘 )
例. 证明方程2𝑥 2 + 2𝑥 − 5 = 0在区间 1,2 有实根。若采用二分法
求解，需二分多少次，才能使误差不超过10−2

解：𝑓 1 = −1, 𝑓 2 = 7, 𝑓 1 ⋅ 𝑓 2 < 0, 由零点定理，知𝑓(𝑥)在 1,2 内有实根。

𝑏−𝑎 1
二分法误差估计 𝑥𝑘 − 𝑥 ∗ ≤ = ≤ 10−2 ⟹ 𝑘 + 1 ≥ 6.6 ⟹ 𝑘 ≥ 6
2𝑘+1 2𝑘+1

所以，至少二分6次。

例. 用 Newton迭代法求方程2𝑥 3 + 3𝑥 − 4 = 0在𝑥0 = 1附近的根,并且

计算迭代法的前两步
𝑓 𝑥𝑛 2𝑥𝑛3 + 3𝑥𝑛 − 4 4𝑥𝑛3 + 4
解：𝑥𝑛+1 = 𝑥𝑛 − ′ = 𝑥𝑛 − 2 = 2
𝑓 𝑥𝑛 6𝑥𝑛 + 3 6𝑥𝑛 + 3
8
𝑥0 = 1, 𝑥1 = , 𝑥2 = 0.8797
9
第七章：线性方程组的直接解法

 列主元消去法 按列选主元！！！

思 1. 在矩阵A的第一列中选绝对值最大的元素作为主元，再消元
路 2. 第k步在框内选中选绝对值最大的元素作为主元，再消元

(1) (1) (1) (1) (1) (1)

𝑎11 𝑎12 ⋯ 𝑎1𝑛 𝑎11 𝑎12 ⋯ ⋯ ⋯ 𝑎1𝑛
(2) (2)
⋮ ⋮ ⋮ 𝑎22 ⋯ ⋯ ⋯ 𝑎2𝑛
(1) (1) (1) ⋱ ⋮
𝑎𝑖1 𝑎𝑖2 ⋯ 𝑎𝑖𝑛 (𝑘) (𝑘)
⋱ 𝑎𝑘𝑘 ⋯ 𝑎𝑘𝑛
⋮ ⋮ ⋮ ⋮ ⋮
(1)
𝑎𝑛1
(1)
𝑎𝑛2 ⋯ 𝑎 (1) (𝑘) (𝑘)
𝑛𝑛 𝑎𝑛𝑘 ⋯ 𝑎𝑛𝑛
 2 x1  x2  3x3  4

例. 列主元消去法解方程组 4 x1  2 x2  5 x3  11
x  2x  3
 1 2

 2 - 1 3 4   4 2 5 11  4 2 5 11   4 2 5 11 
       
 4 2 5 11 ~  2 - 1 3 4  ~  0 - 2 0.5 - 1.5  ~  0 - 2 0.5 - 1.5 
 1 2 0 3   1 2 0 3   0 1.5 - 1.25 0.25   0 0 - 0.875 - 0.875 
       

x3  1
x2  1
x1  1
Ex5.3.
 LU分解

𝐴 = 𝐿𝑈
1 0 0 ⋯ 0 𝑢11 𝑢12 ... 𝑢1𝑛
𝑙21 1 0 ⋯ 0
𝑙32 1
𝑢22 ... 𝑢2𝑛
𝐿= 𝑙31 ⋯ 0 𝑈=
⋮ ⋮ ⋮ ⋱ ⋮ ... ⋮
𝑙𝑛1 𝑙𝑛2 𝑙𝑛3 … 1 𝑢𝑛𝑛

等价于 𝐿𝑦 = 𝑏
𝐴𝑥 = 𝑏
𝑈𝑥 = 𝑦
 LU分解
Gauss顺序消去的矩阵形式

1 0 0 ⋯ 0 0
𝑎11 0
𝑎12 ... 0
𝑎1𝑛
𝑙21 1 0 ⋯ 0 1 1
𝐿= 𝑙31 𝑙32 1 ⋯ 0 𝑈= 𝑎22 ... 𝑎2𝑛
⋮ ⋮ ⋮ ⋱ ⋮ ... ⋮
𝑛−1
𝑙𝑛1 𝑙𝑛2 𝑙𝑛3 … 1 𝑎𝑛𝑛

𝑎𝑖𝑘𝑘
𝑙𝑖𝑘 = 𝑘
, 𝑖 = 𝑘 + 1, … , 𝑛
𝑎𝑘𝑘
 LU分解
直接LU分解 令𝐴 = 𝐿𝑈
 a11 ... a1n   1   u11 u12  u1n 
    l   
    21 1  u22 u2n 

    ...    
    
a n1 ... ann   l n1 ... 1  unn 

根据矩阵乘法法则,比较等式两边元素 先U后L，先行后列
𝒌−𝟏

𝒖𝒌𝒋 ＝𝒂𝒌𝒋 － 𝒍𝒌𝒒 𝒖𝒒𝒋 , 𝒋 = 𝒌, 𝒌 + 𝟏, … , 𝒏. (𝟏)

𝒒=𝟏
𝒌−𝟏
𝒂𝒊𝒌 － 𝒒=𝟏 𝒍𝒊𝒒 𝒖𝒒𝒌
𝒍𝒊𝒌 ＝ , 𝒊 = 𝒌 + 𝟏, 𝒌 + 𝟐, … , 𝒏. (𝟐)
𝒖𝒌𝒌
u11 u12  u1k  u1 j  u1n  第1框
l 21 u22  u2 k  u2 j  u2 n  第2框
     
l k1 lk 2  ukk  ukj  ukn  第k框
   
l i1 li 2  l ik   
   
l n1 ln2  l nk  unn  第n框

按上图逐框求出矩阵A的LU分解
𝒌−𝟏

𝒖𝒌𝒋 ＝𝒂𝒌𝒋 － 𝒍𝒌𝒒 𝒖𝒒𝒋 , 𝒋 = 𝒌, 𝒌 + 𝟏, … , 𝒏. (𝟏)

𝒒=𝟏
𝒌−𝟏
𝒂𝒊𝒌 － 𝒒=𝟏 𝒍𝒊𝒒 𝒖𝒒𝒌
𝒍𝒊𝒌 ＝ , 𝒊 = 𝒌 + 𝟏, 𝒌 + 𝟐, … , 𝒏. (𝟐)
𝒖𝒌𝒌
例：用LU分解法（直接三角分解法）解方程组：
 4 - 1 0  x1   1 
    
 - 1 4 - 1 x 2    0 
 0 - 1 4  x   1 
  3   
  向量范数和矩阵范数

 向量范数  矩阵范数
𝑛

||𝑥||∞ = max |𝑥𝑖 |, (无穷范数) ||𝐴||1 = max |𝑎𝑖𝑗 | , — 列范数

1≤𝑖≤𝑛 1≤𝑗≤𝑛
𝑖=1
𝑛

||𝑥||1 = |𝑥1 | + ⋯ + |𝑥𝑛 |, (1-范数) ||𝐴||∞ = max |𝑎𝑖𝑗 | , — 行范数

1≤𝑖≤𝑛
𝑗=1

||𝑥||2 = |𝑥1 |2 + ⋯ + |𝑥𝑛 |2 , (2-范数) ||𝐴||2 = 𝜌(𝐴𝑇 𝐴), — 2范数

谱半径：矩阵A特征值绝对值的最大值，即
𝜌 𝐴 = max |𝜆𝑖 |
1≤𝑖≤𝑛
 5
Ex5.6. 设𝑥 = 2, −5, 4 𝑇 ，则||𝑥||∞ = _____________ ,
11
||𝑥||1 = _____________.
解：||𝑥||∞ = max 𝑥𝑖 = 5, 𝑥 |1 = 𝑥1 + |𝑥2 + 𝑥3 = 11

Ex5.7. 设𝑥 = 1, −3, 8 𝑇 ，则||𝑥||∞ = _____________

8 ,
12
||𝑥||1 = _____________.

解：||𝑥||∞ = max 𝑥𝑖 = 8, 𝑥 |1 = 𝑥1 + |𝑥2 + 𝑥3 = 12

1 2 0
Ex5.8. 𝐴 = 2 2 6
0 , ||𝐴||1 = ________, 4
||𝐴||∞ = ________
0 −2 −1
第八章：线性方程组的迭代解法

线性方程组𝐴𝑥 = 𝑏
迭代法的基本步骤
（1）等价形式 x  Bx  f B称为迭代矩阵；
（2）迭代公式 𝑥 (𝑘+1) = 𝐵𝑥 (𝑘) + 𝑓 (𝑘 = 0,1,2, ⋯ )
(k )
（3）任取向量 x ( 0 ) ,由上式生成向量序列 x ；若 𝑘→∞  
lim 𝑥 (𝑘) = 𝑥 ∗
则迭代过程收敛 。
 雅可比(Jacobi)迭代公式
(𝑘+1) 1
𝑥1 = (𝑏1 − 𝑎12 𝑥2𝑘 − ⋯ − 𝑎1𝑛 𝑥𝑛𝑘 )
𝑎11
𝑎11 𝑥1 + 𝑎12 𝑥2 +. . . +𝑎1𝑛 𝑥𝑛 = 𝑏1 (𝑘+1) 1
𝑎21 𝑥2 + 𝑎22 𝑥2 +. . . +𝑎2𝑛 𝑥𝑛 = 𝑏2 𝑥2 = (𝑏2 − 𝑎21 𝑥1𝑘 − ⋯ − 𝑎2𝑛 𝑥𝑛𝑘 )
𝑎22
⋮ ⋮
𝑎𝑛1 𝑥1 + 𝑎𝑛2 𝑥2 +. . . +𝑎𝑛𝑛 𝑥𝑛 = 𝑏𝑛 1
(𝑘+1)
(𝑏𝑛 − 𝑎𝑛1 𝑥1𝑘 − ⋯ − 𝑎𝑛,𝑛−1 𝑥𝑛−1
𝑘
𝑥𝑛 = )
𝑎𝑛𝑛

𝑎12 𝑎 𝑎1𝑛
0 −𝑎 − 𝑎13 ⋯ −𝑎
11 11 11
𝑎 𝑎 𝑎
− 21
0 − 𝑎23 ⋯ − 𝑎2𝑛
迭代矩阵𝐵 = D −1
L+U = 𝑎22 22 22
⋮ ⋮ ⋮ ⋱ ⋮
𝑎 𝑎𝑛2 𝑎𝑛3
− 𝑛1 − − ⋯ 0
𝑎𝑛𝑛 𝑎𝑛𝑛 𝑎𝑛𝑛
高斯-赛德尔(G-S)迭代公式

(𝑘+1) 1
𝑥1 = (𝑏1 − 𝑎12 𝑥2𝑘 − ⋯ − 𝑎1𝑛 𝑥𝑛𝑘 )
𝑎11
(𝑘+1) 1
𝑥2 = (𝑏2 − 𝑎21 𝑥1𝑘+1 − ⋯ − 𝑎2𝑛 𝑥𝑛𝑘 )
𝑎22
⋮
(𝑘+1) 1
𝑥𝑛 = (𝑏𝑛 − 𝑎𝑛1 𝑥1𝑘+1 − ⋯ − 𝑎𝑛,𝑛−1 𝑥𝑛−1
𝑘+1
)
𝑎𝑛𝑛
 迭代法矩阵描述 A  D  L U
 0  0  a12    a1n 
a11   a   
 a   21 0   0   
D 22  L   a31  a32 



U 

   

           a
   n 1n 
 an1  an 2  0  0 
 ann 

𝑘+1
Jacobi迭代 𝑥 = 𝐷−1 𝐿 + 𝑈 𝑥 (𝑘) + 𝐷−1 𝑏
G-S迭代 𝑥 (𝑘+1) = (𝐷 − 𝐿)−1 𝑈𝑥 (𝑘) + (𝐷 − 𝐿)−1 𝑏
Th: 迭代法𝑥 (𝑘+1) = 𝐵𝑥 (𝑘) + 𝑓收敛的充要条件是𝜌 𝐵 < 1
Th: 若A为严格对角占优矩阵或不可约弱对角占优矩阵，则
Jacobi和G-S迭代都收敛
𝜌 𝐺 = 4/5 < 1,因此，G-S迭代收敛。