第五章插值与拟合答案—牟善军
数值分析插值拟合
题库分类 填空题1. 绪论部分(1). 设x =3.214, y =3.213，欲计算u =y x -,请给出一个精度较高的算式u = . u=yx y x +-(2). 设y =f (x 1,x 2) 若x 1,x 2,的近似值分别为x 1*,x 2*,令y *=f (x 1*,x 2*)作为y 的近似值,其绝对误差限的估计式为:ε ≤| |f (x 1*,x 2*)|x 1-x*1|+ |f (x 1*,x 2*)|x 2-x*2| (3). 要使20的近似值的相对误差限≤0.1%, 应至少取_______位有效数字？20＝0.4…⨯10, a 1=4, εr ≤121a ⨯10-(n-1)< 0.1%故可取n ≥4, 即4位有效数字。
(4). 要使17的近似值的相对误差限≤0.1%, 应至少取_________位有效数字？17＝0.4…⨯10, a 1=4, εr ≤121a ⨯10-(n-1)<0.1%故可取n ≥3.097, 即4位有效数字。
(5). 对于积分I n =e-1⎰1x n e x dx 试给出一种数值稳定的递推公式_________。
I n -1=(1-I n )/n , I n ≈0易知 I 0=1-e -1I n =1-nI n -1 故I n -1=(1-I n )/n0<I n ≤1/(n +1)→0 (n →∞) 取I n ≈0 选择填空(6). 计算 f=(2-1)6 , 取2＝1.4 , 利用下列算式，那个得到的结果最好？(C)(A)6121)(-, (B) (3-22)2,(C)32231)(+, (D) 99-7022. 方程的根(1). 用N e w t o n 法求方程f (x )=x 3+10x -20=0 的根，取初值x 0= 1.5, 则x 1= (3) x 1=1.5970149(2). 迭代公式x k +1=x k (x k 2+3a )/(3x k 2+a )是求a 1/2的 (12) 阶方法 (3).3. 方程组直接解法4. 迭代解法(1). 设线性方程组的系数矩阵为A =⎪⎪⎪⎪⎪⎭⎫⎝⎛-6847153131483412,全主元消元法的第一次可选的主元素为 (13) ，第二次可选的主元素为 (14) .列主元消元法的第一次主元素为 (15) ；第二次主元素为(用小数表示) (16) ; 记此方程组的高斯-塞德尔迭代矩阵为B G =(a ij )4⨯4，则a 23= (17) ； -8，或8； 8+7/8或-8-7/8； -8； 7 .5；第 1 章 插值§1. 填空(1). 设P k (x k ,y k ) , k =1,2,…,5 为函数y =x 2-3x +1上的5个互异的点，过P 1,…,P 5且次数不超过4次的插值多项式是 ______ 。
插值和拟合参考答案
插值和拟合实验目的：了解数值分析建模的方法，掌握用Matlab进行曲线拟合的方法，理解用插值法建模的思想，运用Matlab一些命令及编程实现插值建模。
实验要求：理解曲线拟合和插值方法的思想，熟悉Matlab相关的命令，完成相应的练习，并将操作过程、程序及结果记录下来。
实验内容：一、插值1．插值的基本思想·已知有n +1个节点（xj,yj），j = 0,1,…, n，其中xj互不相同，节点(xj, yj)可看成由某个函数y= f （x）产生；·构造一个相对简单的函数y=P(x)；·使P通过全部节点，即P (xk) = yk，k=0,1,…, n ；·用P (x)作为函数f ( x )的近似。
2．用MA TLAB作一维插值计算yi=interp1(x，y，xi，'method')注：yi—xi处的插值结果；x，y—插值节点；xi—被插值点；method—插值方法（‘nearest’：最邻近插值；‘linear’：线性插值；‘spline’：三次样条插值；‘cubic’：立方插值；缺省时：线性插值）。
注意：所有的插值方法都要求x是单调的，并且xi不能够超过x的范围。
练习1：机床加工问题机翼断面下的轮廓线上的数据如下表：x 0 3 5 7 9 11 12 13 14 15y 0 1.2 1.7 2.0 2.1 2.0 1.8 1.2 1.0 1.6 用程控铣床加工机翼断面的下轮廓线时每一刀只能沿x方向和y方向走非常小的一步。
表3-1给出了下轮廓线上的部分数据但工艺要求铣床沿x方向每次只能移动0.1单位.这时需求出当x坐标每改变0.1单位时的y坐标。
试完成加工所需的数据，画出曲线.步骤1：用x0，y0两向量表示插值节点；步骤2：被插值点x=0:0.1:15; y=interp1(x0,y0,x,'spline');步骤3：plot(x0,y0,'k+',x,y,'r')grid on>> x0=[0 3 5 7 9 11 12 13 14 15 ];>> y0=[0 1.2 1.7 2.0 2.1 2.0 1.8 1.2 1.0 1.6 ];>> x=0:0.1:15;y=interp1(x0,y0,x,'spline');plot(x0,y0,'k+',x,y,'r')grid on0510150.511.522.53．用MA TLAB 作网格节点数据的插值(二维) z=interp2(x0,y0,z0,x,y,’method’) 注：z —被插点值的函数值；x0，y0，z0—插值节点；x ，y —被插值点；method —插值方法（‘nearest’ ：最邻近插值；‘linear’ ：双线性插值； ‘cubic’ ：双三次插值；缺省时：双线性插值）。
4.现代测试技术-检测信号的线性化-附：曲线插值与曲线拟合
显然二者之间是矛盾的，究其原因是因为在测量过程中存在一定 的误差。 误差是无法完全消除的，但是要使误差达到最小，也就是说要找 到最优值。
一般情况下，我们可以选择曲线使其点点通过这些点， 一般情况下，我们可以选择曲线使其点点通过这些点，这种 生成曲线的方法，称为插值方法。 生成曲线的方法，称为插值方法。
中国石油大学信息与控制工程学院
曲线插值 2、插值的概念
已知某函数过点（1，3），（2，5），（4，11），那么该曲线过 点（5，17）吗，f（2.5）＝？ 通过一系列点 ( xi, yi ) ，而且还不一定唯一。 ，理论上讲应存在相应的函数表达式
中国石油大学信息与控制工程学院
曲线插值
曲线插值： 曲线插值：就是选择的函数 （曲线）表达式点点通过已知 曲线） 型值点 。 它要求曲线必须严格地点点通 过已知的点，就像一个一个的 点“插”了上去。
曲线插值
所选的曲线（函数）必须要点点通过已知的型值点，那么这个函数 应该是什么样的呢？
中国石油大学信息与控制工程学院
已知函数 f ( x) 通过下列三个点：
x0 = 1.1 x1 = 1.7 x2 = 3.0
f (x0 ) =10.6 f (x1) =15.2 f (x2 ) = 20.3
利用二次插值求 f (2.3) 的近似值。
解：令简单函数
p ( x ) 为函数 f ( x ) 的插值函数,
根据基函数的书写规律写出基函数:
反过来说，如果某函数通过规定的一系列点，我们也不能说它 就是要求的函数表达式。
y = x 2 ，其曲线经过点 ( − 1,1), (0, 0), (1,1) 如：对于函数 ， 2 但是反过来我们不能说通过上述3点的曲线就是 y = x ，我们知道，
《应用回归分析》课后习题部分答案-何晓群版
第二章 一元线性回归2.14 解答：（1）散点图为：（2）x 与y 之间大致呈线性关系。
（3）设回归方程为01y x ββ∧∧∧=+1β∧=12217()ni ii nii x y n x yxn x --=-=-=-∑∑0120731y x ββ-∧-=-=-⨯=-17y x ∧∴=-+可得回归方程为（4）22ni=11()n-2i i y y σ∧∧=-∑ 2n 01i=11(())n-2i y x ββ∧∧=-+∑=2222213⎡⎤⨯+⨯+⨯⎢⎥+⨯+⨯⎣⎦（10-（-1+71））（10-（-1+72））（20-（-1+73））（20-（-1+74））（40-（-1+75）） []1169049363110/3=++++=6.1σ∧=（5）由于211(,)xxN L σββ∧t σ∧==服从自由度为n-2的t 分布。
因而/2||(2)1P t n αασ⎡⎤⎢⎥<-=-⎢⎥⎣⎦也即：1/211/2(p t t ααβββ∧∧∧∧-<<+=1α-可得195%β∧的置信度为的置信区间为（7-2.3537+2.353 即为：（2.49，11.5）2201()(,())xxx Nn L ββσ-∧+t ∧∧==服从自由度为n-2的t 分布。
因而/2|(2)1P t n αα∧⎡⎤⎢⎥⎢⎥<-=-⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦即0/200/2()1p βσββσα∧∧∧∧-<<+=- 可得195%7.77,5.77β∧-的置信度为的置信区间为（）（6）x 与y 的决定系数22121()490/6000.817()ni i nii y y r y y ∧-=-=-==≈-∑∑（7）由于(1,3)F F α>,拒绝0H ,说明回归方程显著，x 与y 有显著的线性关系。
（8）t σ∧==其中2221111()22n ni i i i i e y y n n σ∧∧====---∑∑ 7 3.661==≈/2 2.353t α= /23.66t t α=>∴接受原假设01:0,H β=认为1β显著不为0，因变量y 对自变量x 的一元线性回归成立。
系统工程 [完整版] 汪应洛主编课后题答案
![系统工程 [完整版] 汪应洛主编课后题答案](https://img.taocdn.com/s3/m/f30dfd18998fcc22bdd10d24.png)
第四章7 解：（c ）:S=（ S 1, S 2， S 3， S 4, S 5, S 6, S 7)R b= (S 2 ， S 3 ），( S 2 ， S 4 ）， ( S 3 , S 1 ）, （ S 3 , S 4 ）， （ S 3 , S 5 ) , ( S 3 ， S 6 ）, (S 3， S 7） ，(S 4， S 1） , ( S 5 ， S 3 ) , （ S 7, S 4 ）, (S 7, S 6)⎥⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡=0101000000000000001000000001111100100011000000000A ⎥⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡=1101001010000011111010001001111110111111110000001M =(A+I)2 ⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡=111001010000001001111101111111000001'M8、根据下图建立系统的可达矩阵解：⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡=100000000110000000111100111110100000110111001110001000110000101110001010110000001M9、（2)解：规范方法：1、 区域划分因为B(S)=｛3，6｝所以设B 中元素Bu=3、Bv=6R(3）=｛ 1，2，3，4}、R （6）=｛ 2，4，5，6，7，8}R(3）∩R （6)=｛ 1，2、3,4} ∩ {2，4，5,6,7,8} ≠φ，故区域不可分解2将满足C ＝R 的元素2，8挑出作为第1级 将满足C ＝R 的元素4挑出作为第2级 将满足C ＝R 的元素1，5挑出作为第3级将满足C ＝R 的元素3，7挑出作为第4级 将满足C ＝R 的元素6挑出作为第5级 将M 按分级排列：⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡=110101110101011100101101000101010000110100000101000000100000000167351482M提取骨架矩阵如下:⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡=111111167351482'A建立其递阶结构模型如下：（1）实用方法：（2）⎥⎥⎥⎥⎥⎥⎥⎥⎥⎤⎢⎢⎢⎢⎢⎢⎢⎢⎢⎣⎥⎥⎥⎥⎥⎥⎥⎥⎥⎦⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡=1111111167351482M建立其递阶结构模型同上。
数值计算方法倪勤习题答案
数值计算方法倪勤习题答案数值计算方法倪勤习题答案数值计算方法是一门研究如何利用计算机进行数值计算的学科。
它在科学计算、工程计算、金融计算等领域中有着广泛的应用。
倪勤的《数值计算方法》是该领域的经典教材之一，其中的习题是帮助学生巩固所学知识的重要资源。
下面是一些数值计算方法倪勤习题的答案，供大家参考。
一、插值与拟合1. 设有下列数据点：(0, 0)，(1, 1)，(2, 4)，(3, 9)。
试用拉格朗日插值多项式求x=2.5处的函数值。
解答：拉格朗日插值多项式的表达式为：P(x) = ∑[f(xi) * l(x)] / ∑[l(xi)]其中，l(x) = ∏[(x - xj) / (xi - xj)]，i ≠ j根据给定的数据点，可以得到：l0(x) = (x - 1)(x - 2)(x - 3) / (0 - 1)(0 - 2)(0 - 3) = -x(x - 1)(x - 2) / 6l1(x) = (x - 0)(x - 2)(x - 3) / (1 - 0)(1 - 2)(1 - 3) = x(x - 2)(x - 3) / 2l2(x) = (x - 0)(x - 1)(x - 3) / (2 - 0)(2 - 1)(2 - 3) = -x(x - 1)(x - 3) / 2l3(x) = (x - 0)(x - 1)(x - 2) / (3 - 0)(3 - 1)(3 - 2) = x(x - 1)(x - 2) / 6代入公式，得到：P(x) = 0 * l0(x) + 1 * l1(x) + 4 * l2(x) + 9 * l3(x)= -x(x - 1)(x - 2) / 6 + 4x(x - 1)(x - 3) / 2 + 9x(x - 1)(x - 2) / 6= -x(x - 1)(x - 2) / 6 + 2x(x - 1)(x - 3) + 3x(x - 1)(x - 2) / 2= x^3 - 3x^2 + 3x将x=2.5代入上式，得到：P(2.5) = 2.5^3 - 3 * 2.5^2 + 3 * 2.5 = 2.375因此，当x=2.5时，函数值为2.375。
第四讲matlab插值、拟合和回归分析
第四讲matlab插值、拟合和回归分析第四讲插值、拟合与回归分析在⽣产实践和科学研究中，常常有这样的问题：由实验或测量得到变量间的⼀批离散样本点，要求得到变量之间的函数关系或得到样本点之外的数据。
解决此类问题的⽅法⼀般有插值、拟合和回归分析等。
设有⼀组实验数据0011(,),(,),(,)n n x y x y x y ，当原始数据精度较⾼，要求确定⼀个简单函数()y x ?=（⼀般为多项式或分段多项式）通过各数据点，即(),0,,i i y x i n ?== ，称为插值问题。
另⼀类是拟合问题，当我们已经有了函数关系的类型，⽽其中参数未知或原始数据有误差时，我们确定的初等函数()y x ?=并不要求经过数据点，⽽是要求在某种距离度量下总体误差达到最⼩，即(),0,,i i i y x i n ?ε=+= ，且20ni i ε=∑达到最⼩值。
对同⼀组实验数据，可以作出各种类型的拟合曲线，但拟合效果有好有坏，需要进⾏有效性的统计检验，这类问题称为回归分析。
⼀、插值(interpolation)常⽤的插值⽅法有分段线性插值、分段⽴⽅插值、样条插值等。
1、⼀元插值yi=interp1(x,y,xi,method)对给定数据点(x,y)，按method 指定的⽅法求出插值函数在点（或数组）xi 处的函数值yi 。
其中method 是字符串表达式，可以是以下形式：'nearest' ——最邻近点插值'linear' ——分段线性插值（也是缺省形式）'spline' ——分段三次样条插值'cubic' 分段⽴⽅插值例：在⼀天24⼩时内，从零点开始每间隔2⼩时测得环境温度数据分别为（℃）：12，9，9，10，18，24，28，27，25，20，18，15，13⽤不同的插值⽅法估计中午1点（即13点）的温度，并绘出温度变化曲线。
>> x=0:2:24;>> y=[12 9 9 10 18 24 28 27 25 20 18 15 13];>>y_linear=interp1(x,y,13),y_nearest=interp1(x,y,13,'nearest')>>y_cubic=interp1(x,y,13,'cubic'),y_spline=interp1(x,y,13,'spline')>> y1=interp1(x,y,xx); y2=interp1(x,y,xx,'nearest');>> y3=interp1(x,y,xx,'cubic');y4=interp1(x,y,xx,'spline');>> subplot(2,2,1),plot(x,y,'or',xx,y1)>> subplot(2,2,2),plot(x,y,'or',xx,y2)>> subplot(2,2,3),plot(x,y,'or',xx,y3)>> subplot(2,2,4),plot(x,y,'or',xx,y4)2、⼆元插值zi=interp2(X,Y,Z,xi,yi,method)已知数据点（X，Y，Z），求插值函数在（xi,yi）处的函数值zi,插值⽅法method同interp1。
应用回归分析(第三版)何晓群 刘文卿 课后习题答案 完整版
资料范本本资料为word版本，可以直接编辑和打印，感谢您的下载应用回归分析(第三版)何晓群刘文卿课后习题答案完整版地点：__________________时间：__________________说明：本资料适用于约定双方经过谈判，协商而共同承认，共同遵守的责任与义务，仅供参考，文档可直接下载或修改，不需要的部分可直接删除，使用时请详细阅读内容第二章一元线性回归分析思考与练习参考答案2.1 一元线性回归有哪些基本假定?答：假设1、解释变量X是确定性变量，Y是随机变量；假设2、随机误差项ε具有零均值、同方差和不序列相关性：E(εi)=0 i=1,2, …,nVar (εi)=s2 i=1,2, …,nCov(εi, εj)=0 i≠j i,j= 1,2, …,n假设3、随机误差项ε与解释变量X之间不相关：Cov(Xi, εi)=0 i=1,2, …,n假设4、ε服从零均值、同方差、零协方差的正态分布εi~N(0, s2 ) i=1,2, …,n2.2 考虑过原点的线性回归模型Yi=β1Xi+εi i=1,2, …,n误差εi（i=1,2, …,n）仍满足基本假定。
求β1的最小二乘估计解：得：2.3 证明（2.27式），Sei =0 ，SeiXi=0 。
证明：其中：即： Sei =0 ，SeiXi=02.4回归方程E（Y）=β0+β1X的参数β0，β1的最小二乘估计与最大似然估计在什么条件下等价?给出证明。
答：由于εi~N(0, s2 ) i=1,2, …,n所以Yi=β0 + β1Xi + εi~N（β0+β1Xi , s2 )最大似然函数：使得Ln（L）最大的，就是β0，β1的最大似然估计值。
同时发现使得Ln（L）最大就是使得下式最小，上式恰好就是最小二乘估计的目标函数相同。
值得注意的是：最大似然估计是在εi~N(0, s2 )的假设下求得，最小二乘估计则不要求分布假设。
所以在εi~N(0, s2 ) 的条件下，参数β0，β1的最小二乘估计与最大似然估计等价。