---
title: 线性代数 第 11 章 · 数值线性代数 习题答案
aliases:
  - 数值线性代数 习题答案
tags:
  - 类型/习题答案
  - 线性代数/数值
chapter: "11"
created: 2026-10-17
updated: 2026-10-17
---

# 线性代数 第 11 章 · 数值线性代数（15 题）

> [!abstract] 本章速览
> 3 篇 · 15 题：数值稳定性与 LU（11-1，5 题）、范数与条件数（11-2，5 题）、迭代方法与预条件（11-3，5 题）。

## 11-1 数值稳定性与 LU（5 题）

| 题号 | 结论 |
|---|---|
| 练习 1 | 见解析（浮点吞噬与选主元判据） |
| 练习 2 | $P,L,U$ 见解析 |
| 练习 3 | $l_{jj}^2=D_j/D_{j-1}$ |
| 练习 4 | $D=\operatorname{diag}(10^{-8},1,10^{8})$：$\det=1$、$\kappa=10^{16}$ |
| 练习 5 | 向后 $\sim2.2\times10^{-10}$；$\kappa\lesssim4.5\times10^{3}$ |

### 练习 1　（浮点吞噬与乘子）

**解**

**第 1 步：(a) 三个表达式。**

- `1e16 + 1.0 - 1e16` = $0$：$10^{16}$ 的相邻浮点数间隔（ulp）为 $2$，加 $1$ 被**吞噬**（舍入回原值），再减回去得 $0$。
- `(1e16 + 1.0) - 1e16` = $0$：同上，括号不改变「先加再减」的顺序。
- `1e-16 + 1e-16 == 2e-16` = `True`：$2\times10^{-16}$ 可精确表示（只是幂次的调整），故相等。

**第 2 步：(b) $A=\begin{bmatrix}1&\varepsilon\\ \varepsilon&1\end{bmatrix}$。** 乘子

$$
\ell_{21}=\frac{\varepsilon}{1}=\varepsilon=10^{-18}
$$

主元 $1$ 正常、乘子极小，**不会出问题**（这恰是「好」的情形：主元远大于乘子）。

**第 3 步：(c) $A=\begin{bmatrix}\varepsilon&1\\1&\varepsilon^{-1}\end{bmatrix}$。** 乘子

$$
\ell_{21}=\frac{1}{\varepsilon}=10^{18}
$$

消元后

$$
U=\begin{bmatrix}\varepsilon&1\\0&\varepsilon^{-1}-\varepsilon^{-1}\end{bmatrix}=\begin{bmatrix}\varepsilon&1\\0&0\end{bmatrix}
$$

（因 $\det A=\varepsilon\cdot\varepsilon^{-1}-1=0$，矩阵本就奇异。）此时出现**零主元**，分解中断。

**第 4 步：正确判据。** 是否选主元不能只看「主元是否为零」，而要看**主元相对于同列其余元素是否过小**（即增长因子 / 条件数是否被放大）。实用判据是部分选主元：每步选该列绝对值最大的元素作主元。

**答案**　如上。

### 练习 2　（带部分选主元的 LU）

**解**

**第 1 步：第一列选主元。** $a_{11}=0$，第一列最大绝对值在 $R_3$（值 $2$），交换 $R_1\leftrightarrow R_3$：

$$
P=\begin{bmatrix}0&0&1\\0&1&0\\1&0&0\end{bmatrix},\qquad PA=\begin{bmatrix}2&1&3\\1&1&1\\0&2&1\end{bmatrix}
$$

**第 2 步：消元。** $\ell_{21}=\frac12$、$\ell_{31}=0$：

$$
\begin{bmatrix}2&1&3\\0&\frac12&-\frac12\\0&2&1\end{bmatrix}
$$

**第 3 步：第二列。** $\ell_{32}=\frac{2}{1/2}=4$：

$$
U=\begin{bmatrix}2&1&3\\0&\frac12&-\frac12\\0&0&3\end{bmatrix},\qquad L=\begin{bmatrix}1&0&0\\\frac12&1&0\\0&4&1\end{bmatrix}
$$

**第 4 步：验证 $PA=LU$。** 第三行：$4\cdot(0,\frac12,-\frac12)+(0,0,3)=(0,2,1)$ ✓；第二行：$\frac12(2,1,3)+(0,\frac12,-\frac12)=(1,1,1)$ ✓

**答案**　如上。

### 练习 3　（Cholesky 与正定性）

**解**

**第 1 步：子块结构。** $A$ 正定 ⇒ 各阶顺序主子矩阵 $A_j$ 也正定，且 $A_j=L_jL_j^{\mathsf T}$（$L_j$ 是 $L$ 的前 $j$ 阶主子块）。

**第 2 步：行列式。**

$$
D_j=\det A_j=\left(\det L_j\right)^2=\left(\prod_{i=1}^{j}l_{ii}\right)^2
$$

**第 3 步：相除。**

$$
\frac{D_j}{D_{j-1}}=\frac{\left(\prod_{i\le j}l_{ii}\right)^2}{\left(\prod_{i<j}l_{ii}\right)^2}=l_{jj}^2
$$

**第 4 步：作为正定性判据。** 若某步根号内 $D_j/D_{j-1}\le0$，说明存在非正的顺序主子式 ⇒ $A$ **不正定**（实对称矩阵正定 ⟺ 全部顺序主子式为正）。反之正定时每个 $D_j>0$，算法必能走完。故 Cholesky 既是分解算法、也是正定性的数值判定。$\blacksquare$

### 练习 4　（$\det=1$ 但极度病态）

**解**

**第 1 步：构造。**

$$
A=\operatorname{diag}\left(10^{-8},\ 1,\ 10^{8}\right)
$$

**第 2 步：两个指标。**

$$
\det A=10^{-8}\cdot1\cdot10^{8}=1,\qquad \kappa_2(A)=\frac{\sigma_{\max}}{\sigma_{\min}}=\frac{10^{8}}{10^{-8}}=10^{16}
$$

**第 3 步：为什么行列式不是好指标。** 行列式是「体积」的**整体**度量，会被**各方向尺度的乘积**左右：把某方向缩小 $c$、另一方向放大 $c$，体积不变而「扁度」剧变。条件数 $\kappa_2=\sigma_{\max}/\sigma_{\min}$ 才是衡量「矩阵接近奇异」的几何量——它只与最大/最小拉伸比有关，与整体缩放无关。$\blacksquare$

### 练习 5　（向后误差与有效数字）

**解**

**第 1 步：向后误差量级。**

$$
c\,n^{2}\rho\,u=1\times10^{6}\times2\times1.1\times10^{-16}\approx2.2\times10^{-10}
$$

**第 2 步：条件数上限。** 前向相对误差 $\lesssim\kappa\cdot2.2\times10^{-10}\le10^{-6}$：

$$
\kappa\le\frac{10^{-6}}{2.2\times10^{-10}}\approx4.5\times10^{3}
$$

**第 3 步：与经验法则对照。** 「双精度损失约 $k$ 位」中

$$
k\approx\log_{10}\kappa+\log_{10}\left(cn^{2}\rho\right)\approx3.65+6.34\approx10
$$

双精度约 $16$ 位 ⇒ 剩约 $6$ 位，与 $10^{-6}$ 一致 ✓（损失位数 = $\log_{10}$ 前向相对误差的倒数。）

**答案**　$2.2\times10^{-10}$；$\kappa\le4.5\times10^{3}$；与经验法则一致。

## 11-2 范数与条件数（5 题）

| 题号 | 结论 |
|---|---|
| 练习 1 | $\lVert\mathbf x\rVert_1=5$、$\lVert\mathbf x\rVert_2=3$、$\lVert\mathbf x\rVert_\infty=2$、$\lVert\mathbf x\rVert_4\approx2.396$ |
| 练习 2 | 错；对；对；对；对 |
| 练习 3 | $\kappa_\infty\approx4/\delta$；$\delta=10^{-12}$ 时剩约 $3.4$ 位 |
| 练习 4 | $10^{-6}$；$100$（完全失真） |
| 练习 5 | 见解析 |

### 练习 1　（向量与矩阵范数）

**解**

**第 1 步：向量范数（$\mathbf x=(1,-2,2)^{\mathsf T}$）。**

$$
\lVert\mathbf x\rVert_1=1+2+2=5,\quad \lVert\mathbf x\rVert_2=\sqrt{1+4+4}=3
$$

$$
\lVert\mathbf x\rVert_\infty=\max(1,2,2)=2,\qquad \lVert\mathbf x\rVert_4=\left(1+16+16\right)^{1/4}=33^{1/4}\approx2.396
$$

**第 2 步：矩阵范数（$A=\begin{bmatrix}1&2\\0&-3\end{bmatrix}$）。**

$$
\lVert A\rVert_1=\max\{1+0,\ 2+3\}=5,\qquad \lVert A\rVert_\infty=\max\{1+2,\ 0+3\}=3
$$

$$
\lVert A\rVert_F=\sqrt{1+4+0+9}=\sqrt{14}\approx3.742
$$

$\lVert A\rVert_2$：$A^{\mathsf T}A=\begin{bmatrix}1&2\\2&13\end{bmatrix}$，$\lambda=7\pm2\sqrt{10}$，

$$
\lVert A\rVert_2=\sqrt{7+2\sqrt{10}}\approx3.650
$$

**第 3 步：条件数。** $A^{-1}=\begin{bmatrix}1&\frac23\\0&-\frac13\end{bmatrix}$：

$$
\kappa_1=\lVert A\rVert_1\lVert A^{-1}\rVert_1=5\times1=5,\qquad \kappa_\infty=3\times\frac53=5
$$

两数相等是**本题巧合**（$A^{-1}$ 的列和与行和恰好都取到同一个值）；一般 $\kappa_1\ne\kappa_\infty$。

**答案**　如上。

### 练习 2　（五条判断）

**解**

**第 1 步：(1) 错。** 恒有 $\kappa_2\ge1$，而 $A=\frac12I$ 满足 $\lVert A\rVert_2=\frac12<1$ 但 $\kappa_2=1$，不大于 $1$。

**第 2 步：(2) 对。** $A$ 与 $A^{\mathsf T}$ 有相同的奇异值（$A^{\mathsf T}A$ 与 $AA^{\mathsf T}$ 的非零特征值一致）。

**第 3 步：(3) 对。** $\kappa_2(A^{-1})=\sigma_1(A^{-1})/\sigma_n(A^{-1})=\sigma_n(A)/\sigma_1(A)$ 的倒数关系给出 $\kappa_2(A^{-1})=\kappa_2(A)$。

**第 4 步：(4) 对。** $\det A=0\Rightarrow\sigma_n=0\Rightarrow\kappa_2=+\infty$。

**第 5 步：(5) 对。** $\kappa_2=1\Rightarrow\sigma_1=\sigma_n\Rightarrow A=\sigma_1UV^{\mathsf T}$，其中 $UV^{\mathsf T}$ 正交。

**答案**　错；对；对；对；对。

### 练习 3　（$1$ vs $1+\delta$）

**解**

**第 1 步：(1) 行列式与逆。**

$$
\det A=\delta,\qquad A^{-1}=\frac1\delta\begin{bmatrix}1+\delta&-1\\-1&1\end{bmatrix}
$$

**第 2 步：(2) 条件数（$\infty$-范数）。** $\lVert A\rVert_\infty\approx2$（$\delta$ 很小），

$$
\lVert A^{-1}\rVert_\infty=\frac1\delta\max\left\{2+\delta,\ 2\right\}\approx\frac2\delta
$$

故

$$
\kappa_\infty(A)\approx\frac{4}{\delta}\longrightarrow\infty
$$

**第 3 步：同步性与不普遍性。** 这里 $\lVert A\rVert$ **有界**而 $\det A=\delta\to0$，故 $\det\to0$ 与 $\kappa\to\infty$ 同步。但这不普遍：取 $A=\delta I_3$，则

$$
\det A=\delta^3\to0,\qquad \kappa_2(A)=1
$$

——行列式极小而条件数完美。可见「小行列式」既不必要也不充分地蕴含病态。

**第 4 步：(3) $\delta=10^{-12}$。** 损失位数约 $\log_{10}\kappa\approx\log_{10}(4\times10^{12})\approx12.6$，双精度约 $16$ 位 ⇒ 只剩约 $3.4$ 位有效数字。

**答案**　如上。

### 练习 4　（测量误差的放大）

**解**

**第 1 步：误差传播。** 由 $\dfrac{\lVert\delta\mathbf x\rVert}{\lVert\mathbf x\rVert}\le\kappa_2\dfrac{\lVert\delta\mathbf b\rVert}{\lVert\mathbf b\rVert}$：

$$
\kappa_2=10^{6},\quad\text{相对误差 }10^{-12}\ \Longrightarrow\ \text{解的相对误差}\lesssim10^{-6}
$$

**第 2 步：病态矩阵。** $\kappa_2=10^{14}$ 时

$$
10^{14}\times10^{-12}=100
$$

即误差可达 $100\%$——解完全不可信。

**第 3 步：物理反演的含义。** 病态模型把测量噪声放大 $\kappa$ 倍：无论算法多稳定，**问题本身**决定了可辨识精度。实践上必须**正则化**（Tikhonov、截断 SVD）或改进实验设计（增加观测、改善条件数），而不是换更好的求解器。$\blacksquare$

### 练习 5　（正交 × 对角）

**解**

**第 1 步：(1) 三个条件数。** $QD$ 的奇异值为 $d_i$：

$$
\kappa_2(QD)=\frac{d_1}{d_n},\qquad \kappa_F(QD)=\frac{\sqrt{\sum d_i^2}}{d_n}
$$

$QDQ^{\mathsf T}$ 与 $D$ 相似且正交相似 ⇒ 奇异值仍为 $d_i$ ⇒ $\kappa_2(QDQ^{\mathsf T})=d_1/d_n$。

**第 2 步：(2) $\kappa_F(I_n)$。** 按 $\kappa_F(A)=\lVert A\rVert_F/\sigma_{\min}$：

$$
\kappa_F(I_n)=\frac{\sqrt n}{1}=\sqrt n\ne1
$$

故 $\kappa_F$ **不满足**「$\kappa\ge1$ 且单位矩阵取 $1$」这一直觉；它还随 $n$ 增大。

**第 3 步：(3) 几何 vs 非几何。** $\kappa_2$ 是「最大拉伸 / 最小拉伸」之比，纯几何、与 $n$ 及缩放无关；$\kappa_F$ 混入了 Frobenius 范数对**维数**的依赖（$\lVert I_n\rVert_F=\sqrt n$），故不能作为「扁度」的度量。$\blacksquare$

## 11-3 迭代方法与预条件（5 题）

| 题号 | 结论 |
|---|---|
| 练习 1 | 真解 $(1,1)$；$\rho_J=1/\sqrt6$、$\rho_{GS}=1/6$ |
| 练习 2 | 错；对；错；错；错 |
| 练习 3 | $\lambda=2.8,0.1,0.1$；Jacobi 发散、GS 收敛 |
| 练习 4 | 特征值与谱半径见解析 |
| 练习 5 | 对角预条件的适用范围 |

### 练习 1　（两种迭代的对比）

**解**

**第 1 步：真解。** 解得 $(x_1,x_2)=\left(1,1\right)$（$3\cdot1+1=4$ ✓）。

**第 2 步：(1) 迭代公式。**

Jacobi：

$$
x_1^{(k+1)}=\frac{4-x_2^{(k)}}{3},\qquad x_2^{(k+1)}=\frac{3-x_1^{(k)}}{2}
$$

Gauss–Seidel（用最新值）：

$$
x_1^{(k+1)}=\frac{4-x_2^{(k)}}{3},\qquad x_2^{(k+1)}=\frac{3-x_1^{(k+1)}}{2}
$$

**第 3 步：(2) 手算三步（初值 $(0,0)$）。**

Jacobi：$(0,0)\to(\frac43,\frac32)\to(\frac56,\frac56)\to(\frac{19}{18},\frac{13}{12})$，与真解的最大偏差依次 $1,0.5,\frac16,\approx0.028$。

GS：$(0,0)\to(\frac43,\frac56)\to(\frac{19}{18},\frac{13}{12})\to(\frac{59}{54},\frac{103}{108})$，偏差依次 $1,\frac13,\approx0.056,\approx0.046$。GS 每步都用了更新的分量，通常下降更快。

**第 4 步：(3) 迭代矩阵与谱半径。**

$$
G_J=-D^{-1}(L+U)=\begin{bmatrix}0&-\frac13\\-\frac12&0\end{bmatrix},\qquad \rho_J=\frac{1}{\sqrt6}\approx0.408
$$

$$
G_{GS}=-(D+L)^{-1}U=\begin{bmatrix}0&-\frac13\\0&\frac16\end{bmatrix},\qquad \rho_{GS}=\frac16
$$

而 $\rho_J^2=\frac16=\rho_{GS}$ ✓（定理：三对角 / 相容次序时 $\rho_{GS}=\rho_J^2$）。

**第 5 步：(4) 两个条件。** 对角线元素 $3,2$，行和 $3+1=4>3$、$1+2=3>2$ ⇒ **严格对角占优** ✓（保证两种迭代都收敛）；$A$ 对称且顺序主子式 $3>0$、$6-1=5>0$ ⇒ **对称正定** ✓。两者都成立，故 (1) 的迭代都收敛。

**答案**　如上。

### 练习 2　（五条判断）

**解**

**第 1 步：(1) 错。** 对称正定**不保证** Jacobi 收敛。反例：$A=\begin{bmatrix}1&2\\2&1\end{bmatrix}$ 的特征值为 $3,-1$（不定），而取 $A=\begin{bmatrix}1&0.9&0.9\\0.9&1&0.9\\0.9&0.9&1\end{bmatrix}$（正定）时 $\rho_J=1.8>1$ 发散（见练习 3）。

**第 2 步：(2) 对。** 严格对角占优是 Jacobi 与 GS 都收敛的经典充分条件。

**第 3 步：(3) 错。** 迭代法有**极限精度**：舍入误差使残差停在地板附近，继续迭代不会更好，甚至可能变差。

**第 4 步：(4) 错。** CG 的「$n$ 步收敛」是**精确算术**下的性质；浮点运算中它表现为迭代法，且因舍入会损失正交性，实际常用重启动/预条件。它属于**迭代法**（Krylov 子空间法）。

**第 5 步：(5) 错。** 预条件若选得差（如与 $A$ 的谱结构不匹配），可能**变慢**（甚至破坏收敛）。好的预条件要求 $M^{-1}A$ 的条件数更小且 $M$ 易解。

**答案**　错；对；错；错；错。

### 练习 3　（正定但 Jacobi 发散）

**解**

**第 1 步：(1) 特征值。** $A=I+0.9(J-I)$ 型：$A=0.1I+0.9\mathbf e\mathbf e^{\mathsf T}$，故特征值为

$$
\lambda_1=0.1+0.9\cdot3=2.8,\qquad \lambda_2=\lambda_3=0.1
$$

全正 ⇒ 对称正定 ✓；$\kappa_2=2.8/0.1=28$。

**第 2 步：(2) 谱半径。**

$$
G_J=D^{-1}(L+U)=\begin{bmatrix}0&0.9&0.9\\0.9&0&0.9\\0.9&0.9&0\end{bmatrix}
$$

其特征值为 $1.8$（二重）与 $-0.9$ ⇒ $\rho_J=1.8>1$ ⇒ **Jacobi 发散**。

$$
G_{GS}=-(D+L)^{-1}U,\qquad \rho_{GS}=\rho_J^2=3.24>1?
$$

——注意 $\rho_{GS}=\rho_J^2$ 只对**三对角/相容次序**成立，本例（满矩阵）不适用。直接计算得 $\rho_{GS}=\frac{0.81}{1.9}\approx0.426<1$ ⇒ **GS 收敛**。

> [!note] 结论
> 「对称正定 ⇒ GS 收敛」是定理；「对称正定 ⇒ Jacobi 收敛」**不是**。本例正是标准反例。

**第 3 步：(3) 残差曲线。** 用程序各跑 $30$ 步，会看到 Jacobi 的相对残差按 $1.8^k$ 增长（发散）、GS 按 $0.426^k$ 衰减到 $10^{-10}$ 量级。

**第 4 步：(4) 为什么 SDS 只对 GS 够。** GS 的收敛可由「$A$ 正定 ⇒ $A$ 的能量内积下 $G_{GS}$ 是压缩映射」证明（$A=D+L+L^{\mathsf T}$，$G_{GS}=-(D+L)^{-1}L^{\mathsf T}$ 在 $A$-内积下非扩张）；而 Jacobi 的谱可以在正定矩阵上任意接近甚至超过 $1$，没有这种能量结构保护。

**答案**　如上。

### 练习 4　（1D Poisson）

**解**

**第 1 步：(1) 特征值。** 取特征向量 $\mathbf v_k=\left(\sin\frac{kj\pi}{n+1}\right)_{j=1}^{n}$，代入三对角差分得

$$
\lambda_k=2-2\cos\frac{k\pi}{n+1}=4\sin^2\frac{k\pi}{2(n+1)},\qquad k=1,\dots,n
$$

故

$$
\kappa_2(A)=\frac{\lambda_n}{\lambda_1}=\frac{1+\cos\frac{\pi}{n+1}}{1-\cos\frac{\pi}{n+1}}\approx\frac{4(n+1)^2}{\pi^2}=O(n^2)
$$

**第 2 步：(2) 迭代谱半径。** $D=2I$，

$$
\rho(G_J)=\max_k\left\lvert\cos\frac{k\pi}{n+1}\right\rvert=\cos\frac{\pi}{n+1}
$$

$$
\rho(G_{GS})=\rho_J^2=\cos^2\frac{\pi}{n+1}
$$

**第 3 步：(3) 迭代次数。** 达到固定精度 $\varepsilon$ 需 $k\sim\dfrac{\ln(1/\varepsilon)}{\ln(1/\rho)}$。由

$$
\ln\frac1{\rho_J}=-\ln\cos\frac{\pi}{n+1}\approx\frac{\pi^2}{2(n+1)^2}=O\left(\frac1{n^2}\right)
$$

得 $k_J=O(n^2)$；GS 因 $\rho_{GS}=\rho_J^2$，$\ln(1/\rho_{GS})\approx2\ln(1/\rho_J)$ ⇒ 仍为 $O(n^2)$。

而 CG 的收敛因子为 $\dfrac{\sqrt\kappa-1}{\sqrt\kappa+1}\approx1-\dfrac{2}{\sqrt\kappa}$，$\sqrt\kappa\approx\dfrac{2(n+1)}{\pi}$，故

$$
k_{CG}=O\left(\sqrt\kappa\right)=O(n)
$$

——CG 比 Jacobi/GS 快一个量级。$\blacksquare$

### 练习 5　（对角预条件）

**解**

**第 1 步：(1) 相似与正特征值。** 令 $M=\operatorname{diag}(A)$（$A$ 正定 ⇒ $M$ 正定），

$$
M^{-1}A=M^{-1/2}\left(M^{-1/2}AM^{-1/2}\right)M^{1/2}
$$

即 $M^{-1}A$ 与对称矩阵 $\tilde A=M^{-1/2}AM^{-1/2}$ **相似**。而 $\tilde A$ 与 $A$ 合同（$M^{-1/2}$ 可逆）、且 $A$ 正定 ⇒ $\tilde A$ 正定 ⇒ 特征值全为正实数。

**第 2 步：(2) 条件数。** 相似矩阵特征值相同 ⇒ 谱相同；对正定矩阵 $\kappa_2=\lambda_{\max}/\lambda_{\min}$，故

$$
\kappa_2\left(M^{-1/2}AM^{-1/2}\right)=\kappa_2\left(M^{-1}A\right)
$$

**消除量纲失衡**：$M^{-1/2}AM^{-1/2}$ 的对角元全为 $1$（$\tilde a_{ii}=a_{ii}/a_{ii}=1$），把各变量缩放到同一量级，使「对角元相差 $10^6$ 倍」这类人为病态消失。

**第 3 步：(3) 何时无效。** 若 $A$ 对角元相同（如 $1$D Poisson，$D=2I$），则 $M^{-1/2}=\frac1{\sqrt2}I$，

$$
M^{-1/2}AM^{-1/2}=\frac12A
$$

只是整体缩放，特征值比不变 ⇒ $\kappa$ 不变、毫无帮助。这说明**预条件必须针对病态的真实来源**（量纲失衡用对角预条件；局部耦合造成的病态需 ILU、多重网格等）。$\blacksquare$
