mathematica-数值命令和例题.pptVIP

第六章 数值计算命令与例题;6.1 求近似函数 在生产和实验中, 人们经常遇到需要通过某个未知的函数f(x)在有限个给定点的函数值:{xi, yi}, i=1,2,…., n, 这里 f(xi) = yi 去获得函数f(x)的近似函数?(x), 求近似函数?(x)的方法主要有拟合方法和插值方法。 6.1.1 曲线拟合 曲线拟合主要用来求一元近似函数, 它是根据最小二乘原理的意义下获得近似函数的, 此近似函数具有在数据点处的误差平方和最小的特点。记函数集合: M=Span[?0, ?1, ?2,…, ?m]= {?(x)|?(x)= a0 ?0(x)+a1?1(x)+…+am?m(x), ai ?R} 称集合M为函数?0, ?1, ?2,…, ?m张成的空间，m+1个函数?0(x), ?1(x), ?2(x),…, ?m(x)称为拟合基函数集合, 它们都是已知的函数。;Mathematica曲线拟合的一般形式为: Fit[{数据点集合}, {拟合基函数集合}, 自变量名] 具体的拟合命令有: 命令形式1：Fit[{{x1,y1},{x2,y2},...,{xn,yn}},{ ?0, ?1, ?2,???, ?m },x] 功能：根据数据点集{{x1,y1},{x2,y2},...,{xn,yn}}求出具有拟合函数为 ?(x)= a 0 ?0(x)+a1?1(x)+…+a m?m(x) 形式的近似函数?(x) 命令形式2：Fit[{y1,y2,...,yn},{ ?0, ?1, ?2,…, ?m },x] 功能：根据数据点集{{1,y1},{2,y2},...,{n,yn}}求出具有拟合函数为 ?(x)= a 0 ?0(x)+a1?1(x)+…+a m?m(x) 形式的近似函数?(x) 命令形式3：Fit[{{x1,y1},{x2,y2},...,{xn, yn}}, Table[x^i,{i,0,m}] ,x] 功能：根据数据点集{{x1,y1},{x2,y2},...,{xn,yn}}求出拟合函数为m次多项式的近似函数?(x) =a 0 +a1x+ a2x2 +…+a mx m ;多项式拟合算法 ;求m次多项式拟合程序;;程序中变量说明 xi：存放拟合基点{x0 , x1, ... , xn } yi: 存放对应函数值{y0 , y1 , … , yn} m: 存放拟合多项式次数 a: 存放正规方程组系数矩阵 b: 存放正规方程组常数项 p: 存放m次拟合多项式 h: 存放散点图 p1：存放拟合函数图形 xx:定义正规方程组变量，存放m次拟合多项式的系数 注：语句s=Table[Sum[xi[[k]]^i,{k,1,n}],{i,0,2m}]、a=Table[s[[i+j-1]],{i,1,m+1},{j,1,m+1}]、 b=Table[Sum[xi[[k]]^i*yi[[k]],{k,1,n}],{i,0,m}]是用简化的正规方程组编程的。;例1．已知一组实验数据x 1 3 4 5 6 7 8 9 10f(x) 10 5 4 2 1 1 2 3 4用多项式拟合求其拟合曲线。;;;;;;;;;线性模型拟合 ;求线性模型拟合程序;;;;;;;;6.1.2 函数插值 多项式插值 多项式插值是在给定n个数据点:{xi, yi}, i=1,2,…., n 后, 求出一个次数不超过n-1的多项式?(x)作为函数 y=f(x) 的近似表达式，它就是计算方法中常说的拉格朗日(Lagrange)插值或Newton插值多项式。 Mathematica多项式插值的一般形式为: InterpolatingPolynomial [{数据点集合}, 自变量名] 具体的多项式插值命令有: 命令形式1：InterpolatingPolynomial [{{x1,y1},{x2,y2},...,{xn,yn}},x] 功能：根据数据点集{{x1,y1},{x2,y2},...,{xn,yn}}求出n-1次插值多项式?(x) 命令形式2：InterpolatingPolynomial [{y1,y2,...,yn},x] 功能：根据数据点集{{1,y1},{2,y2},...,{n,yn}}求出n-1次插值多项式?(x);Lagrange插值;;;;;Newton插值;求Newton插值多项式程序;;;;;;;;;;分段多项式插值;例5: 用分段多项式插值重做例4的插值问题, 并验证, 随着插值点的增多, 分段插值函数的误差会越来越小。(见图) 解: In[27]:= r=Interpolatio