mathematica数据处理.pptVIP

第8章 数据处理 在多种情况下,引入近似函数可给我们带来 很大的方便,近似函数可认为是一般实数近似的推广,它给出一个或多个参数函数的近似值. 近似函数由InterpolatingFunction对象生成。 当求指定变量的函数值时，用插值法求近似函数值。 多项式精确拟合函数 Fit提取给定的函数组，并以最小二乘法求出最佳拟合，但数据拟合并不存在一个绝对标准检验拟合的好坏，应使用统计检验函数。为检验拟合好坏，Mathematica 提供了多项式精确拟合函数。 InterpolatingPolynomial[{f1,f2,…,fn},x] 如有足够数据点，则可用足够多项构造数据的多项式的精确拟合，一般有n个数据点，则需n-1阶多项式拟合 1.插值多项式 插值函数 (1)Interpolation Interpolation通过在数据点之间进行多项式插值,构造一个近似函数.近似函数曲线总是通过已知的数据点,格式如下: Interpolation[{f1,f2, …}] 当自变量值为1,2, …时的函数值为f1,f2, … 8.2 曲线拟合 给定一组数据，Mathematica可按最小二乘法的原理对这组数据进行线性拟合或n次多项式等曲线拟合。 实验数据： 数据的一些拟合方式 举例 全局最大值和最小值 函数Findminimum[]可以求任意函数的局部极小值，而函数ConstrainedMax[]或ConstrainedMin[]在求解优化问题时，可以求得全局最大值或最小值。 一般地，Mathematica可以求任意线性函数的最大值或最小值，这些线性函数一般满足线性不等式定义的约束条件。 8.5线性规划 练习 ２.求函数x^2+3x+Cos[x]在x=0.5处的局部极小值 ３ 、求函数2x+y在x3,y4时的最大值和最小值。 ４．P108 15(1)(4) ５．P108 16(2) 练习 已知 1 1 1 1 A= 1 0 -1 1 3 1 -1 3 3 2 1 3 1、计算AX=0的基础解系。 2、求A的特征值和特征向量。 3、求A的行列式的值。 4、求A3 练习 给出如下数据： {{1，1},{2，4},{3，9},{4，16},{5，25}} 1、根据所给数据，构造近似函数。 2、根据所给数据，构造数据的多项式的精确拟合。 练习 已知函数为2e-x 1、求x从0到10的函数表（为近似值）。 2、求第一题所得数据的线性拟合。 3、求第一题所得数据的二次线性拟合。 4、把两次拟合的图形与原图形进行比较。 * 8.1 近似函数与插值法 data1={{x0,y0},{x1,y1},...,{xn,yn}} data2={y0,y1,...,yn} 用x=xi处的函数值yi与1至n阶导数值 dyi,ddyi,...给出输入数据 data4={{x0,y0,z0},{x1,y1,z1},...} 给出空间输入数据 data5=Table[fi,{i,min,max,step}] 用表格的方式给出输入数据 数据的给出形式 函数InterpolatingPolynomial求一个多项式,使给定的数据是准确的函数值,调用格式如下: InterpolatingPolynomial[{f1,f2, …},x] 当自变量值为1,2, …时的函数值为f1,f2, … InterpolatingPolynomial[{{x1,f1},{x2,f2}, …},x] 当自变量值为xi时的函数值为fi; InterpolatingPolynomial[{{x1,{f1,df1, …}}, …},x] 规定点xi处的导数值; Interpolation[{{x1,f1},{x2,f2}, …}] 当自变量值为xi时的函数值为fi; Interpolation[{{x1,{f1,df1, …}}, …}] 规定点xi处的导数值; 如果要构造多元近似函数,只要将参数改为: {xi,yi, …, fi}等 可选参数: InterpolationOrder-n 指定插值多项式的次数 (默认为3) (2)ListInterpolation 由自变量取网格点时对应的函数值表构造一个插值函数,使已知点处的近似函数的值等于已知的值. ListInterpolation[list,{{x1