综合实验数值计算教程.doc

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 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，学习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Mathematica7.0软件与Mathematica9.0软件。 实验的基本理论和方法 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, , ] 求形如的近似函数式。 Fit[data, , ] 求形如的近似函数式。 Fit[data, , ] 求形如的近似函数式。 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[{},x] 当自变量为1，2，…时的函数值为。 InterpolatingPolynomial[{},x] 当自变量为时的函数值为 InterpolatingPolynomial[{,x] 规定点处的函数值。 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grate[f,{x,a,b}]前者首先试图求符号前者首先试图求符号 NIntegrate[f,{},{ },…]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,{}],其中是奇异点 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 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 MinRecursion 积分区域递归子划分的最小个数 SingularityDepth 积分区间端点处变量变化前使用的递归子划分个数 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 函数Nsolve用于求代数方程 Nsolve[eqns,vars,n] 其中可选参数n表示结果有 能解类型广泛的方程 FindRoot[eqn,{x, }] 从出发求未知量 FindRoot[eqn,{x, ,x,min,xmax}] 如果超出区间xmin,xmax]则停止寻找 FindRoot[eqn,{x, {，}}] 当方程无法求出符号导数时必须给出两个初值。 FindRoot[{eqn1，eqn2,…},{x, },{}, …] 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 函数FindMinimum寻找一个函数的极小值点，其调用格式如下： FindMinimum[] 从出发求未知量x的函数 FindMinimum[] 当函数无法自动求出符号函数时必须给出两个初值 FindMinimum[] 求多元函数的一个极小值点和一个极小值 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。 Variance[data] 求方差（无偏估计）。 StandardDeviation[data] 求标准差（无偏估计）。 VarianceMLE[data] 求方差。 StandardDeviationMLE[data] 求标准差（无偏估计）。 CentralMoment[data,k] 求k阶中心矩。 BinomialDistribution[p] Bernoulli分布 BinomialDistribution[n,p] 二项