综合实验数值计算.docx

该【综合实验数值计算 】是由【花双韵芝】上传分享，beplayapp体育下载一共【27】页，该beplayapp体育下载可以免费在线阅读，需要了解更多关于【综合实验数值计算 】的内容，可以使用beplayapp体育下载的站内搜索功能，选择自己适合的beplayapp体育下载，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此beplayapp体育下载到您的设备，方便您编辑和打印。数学与统计学院数学综合实验报告班级:2013级数学三班姓名:康萍数值计算一、实验目的本实验通过介绍Mathmatca的数值计算功能,它的特点是准确计算与数值计算相结合,能够通过可选参数提高计算精度,学****包括数据的拟合及插值、数值积分与方程的近似解、极值问题、最优化与数理统计方面的内容。二、实验环境基于Windows环境下的软件与软件。三、实验的基本理论和方法1、Mathmatica提供了进行数据拟合的函数:Fit[data,funs,vars] 对数据data 用最小二乘法求函数表 funs中各函数的一个线性组合作为所求的近似解析式,其中 vars是自变量或自变量的表。Fit[data,1,x,x]求形如yabx的近似函数式。Fit[data,1,x,x2,x]求形如yabxcx2的近似函数式。Fit[data,1,x,y,xy,x,y]求形如yabxcydxy的近似函数式。2、函数InterpolatingPolynomial 求一个多项式,使给定的数据是准确的函数值,其调用格式如下:InterpolatingPolynomial[{ f1,f2, },x] 当自变量为 1,2,时的函数值为f1,f2, 。InterpolatingPolynomial[{ (x1,f1),(x2,f2), },x] 当自变量为 xi时的函数值为fiInterpolatingPolynomial[{ {x1,{f1,df1,ddf1, }}, },x] 规定点xi处的函数值。3、求定积分的数值解有两种方法:使用N[Integrate[f,{x,a,b}],n] 或使用NIntegrate[f,{x,a,b}] 前者首先试图求符号然后再求近似解,后者使用数值积分的直接求近似解。 究竟选用哪一个,这需要首先了解两者各自的特点。 前者首先试图求符号解,当然花费更多的时间,但安全可靠。后者使用数值积分的直接求近似解,节约运行时间,但可靠性就差了。NIntegrate[f,{ x,xmin,xmax},{ y,ymin,ymax}, ]是标准形式而且允许积分区间端点是奇异点。如果积分区间内部有奇异点,积分区间内部的奇异点不能被识别,需要明确指出:NIntegrate[f,{ x,xmin,x1,x2, ,xmax}], 其中x1,x2, ,是奇异点。NIntegrate 有控制计算精度的可选参数:WorkingPrecision 内部近似计算使用的数字位数(默认值为 16,等于系统变量SMachinePrecision 的值)。AccuracyGoal计算结果的绝对误差(默认值为Infinity)。PrecisionGoal计算结果的相对误差(默认值为Automatic一般比WorkingPrecision的值小10)。这3个参数都可以缺省或重新设置,后两个值之一可以为Infinity,表示使用该参数,只使用另一个,一般第一个应该大于后两个。MaxPoints计算时选取的被积函数的最大样本数(默认值为Automatic)。MaxRecursion积分区域递归子划分的最大个数(默认值为6)。MinRecursion积分区域递归子划分的最小个数(默认值为0)。SingularityDepth 积分区间端点处变量变化前使用的递归子划分个数(默认值为4)。4、求数值的和、积的函数NSum[f,{i,imin,imax,di}]求通项为f的和的近似值。NProduct[f,{i,imin,imax,di}]求通项为f的积的近似值。5、函数Nsolve用于求代数方程(组)的全部近似解,其调用格式如下:Nsolve[eqns,vars,n] 其中可选参数n表示结果有n位的精度。能解类型广泛的方程(组)的是 FindRoot,大多数情况下它使用牛顿迭代法,无法求出符号导数时用正割法,其调用格式如下:FindRoot[eqn,{x,x0}]从x0出发求未知量x的方程eqn的一个解。FindRoot[eqn,{x,x0,x,min,xmax}]如果超出区间[xmin,xmax]则停止寻找。FindRoot[eqn,{x,{x0,x1}}]当方程无法求出符号导数时必须给出两个初值x0,x1。FindRoot[{eqn1,eqn2,},{x,x0},{y,y0},]求方程组的一个解。如果在参数中出现复数,则求复数解。方程的标准形式为方程的右边为 0,这时可以输入方程左边的表达式,等号与 0都可以省略。6、函数FindMinimum寻找一个函数的极小值点,其调用格式如下:FindMinimum[f,{x,x0}]从x0出发求未知量x的函数f的一个极小值点和极小值。FindMinimum[f,{x,{x0,x1}}]]当函数无法自动求出符号函数时,必须给出两个初值x0,x1。FindMinimum[f,{x,x0},{y,y0},]求多元函数的一个极小值点和一个极小值。7、ConstrainedMin[f,{ineqns},{x,y,}]在不等式约束的区域上求多元线性函数的最小值。ConstrainedMax[f,{ineqns},{x,y,}]求最大值。其中约定的所有自变量都非负, 不等式可以使用各种不等号和等号。 如果系数都是整数或分数,则答案也是整数或分数。8、SampleRange[data] 求表data中数据的极差(最大值减最小值)。Median[data]求中值。Mean[data]求平均值1nxi。ni1Variance[data]求方差(无偏估计)1n2xix。n1i11StandardDeviation[data] 求标准差(无偏估计)n 1VarianceMLE[data]求方差1n2xix。ni1n 2xi x 。i11StandardDeviationMLE[data] 求标准差(无偏估计)nn 2xi x 。i 1CentralMoment[data,k] 求k阶中心矩1nn kxi x 。i 1BinomialDistribution[p]Bernoulli 分布。BinomialDistribution[n,p] 二项分布。GeometricDistribution[p] 几何分布。HypergeometricDistribution[n,M,N] 超几何分布。PoissonDistribution[]Poisson分布。NormalDistribution[,]正态分布。ChiSquareDistribution[n]2分布。UniformDistribution[min,max]均匀分布。ExponentialDistribution[]指数分布。StudentTDDistribution[n]t分布。FRatioDistribution[n1,n2]F分布。GammaDistibution[r,]分布。9MeanCI[data,KnowVarianceVar]已知方差Var,由数据表data求总体数学、期望的置信区间(基于正态分布)。MeanCI[data] 由数据表data求总体数学期望的置信区间(方差未知,基于t分布)。10、MeanTest[data, ,KnownVariance Var] 已知方差Var,由数据表data检验总体数学期望 ,求出P值。MeanTest[data, ] 方差未知,由数据表检验总体数学期望 ,求出P值。四、实验的内容和步骤及得到的结果和结果分析实验一数据拟合与插值实验1数据拟合、实验内容:已知一组数据{,}、{25,}、{,}、{36,}、{40,}、{,}、{50,},求其函数解析式,并绘制出图形。实验步骤在Mathematica中输入语句如下实验结果结果分析这组数据的近似函数解析式为 y=+x,通过使用一次函数得到了很理想的拟合。实验内容:{,},{,},{,},{,},{,},{,},{,},{,},{,} ,求其函数解析式 ,并绘制出图形。实验步骤在Mathematica中输入语句如下:实验结果结果分析这组数据的近似函数解析式为y=x+x2,通过使用二次函数得到了很理想的拟合。实验内容:已知数据表xy求4次拟合多项式,并绘图进行比较。实验步骤:在Mathematica中输入语句如下、实验结果:、结果分析3 4拟合多项式为 x+x +x实验步骤:在Mathematica中输入语句如下:实验结果:结果分析首先生成二元函数15xxy,0x1,0y1的一个数据表,然好由这些数据反过来求二元函数。说明Fit函数可以求解多元问题。使用函数Chop去掉系数很小的项,以此消除误差。实验内容:使用初等函数的组合进行拟合实验步骤:在Mathematica中输入语句如下:实验结果:结果分析:在进行数据拟合时,第二个参数使用了几个初等函数,说明可以任意选用函数组成函数表。实验2插值法构造近似函数实验内容:由已知条件求多项式实验步骤:在Mathematica中输入语句如下实验结果:结果分析:输出结果表明,所得答案是准确结果,而不是近似函数,ln[30]是给出当x=1时的函数值和一、二阶导数值,由3个条件得到一个二次多项式。实验内容:生成插值函数及其多项式实验步骤:在Mathematica中输入语句如下实验结果: