2025年大学《数学与应用数学》专业题库- 数学计算与编程实践

2025年大学《数学与应用数学》专业题库——数学计算与编程实践考试时间：______分钟总分：______分姓名：______一、简述数值求根方法中，二分法、牛顿迭代法各有什么优缺点，并说明适用条件。二、给定线性方程组Ax=b，其中A为非奇异矩阵。简述高斯消元法的基本步骤。若采用LU分解法求解Ax=b，请说明其基本思想及与高斯消元法的联系。三、解释什么是数值微分。分别说明用差分法（如向前差分、向后差分、中心差分）近似导数时，其精度与步长h的关系（定性描述即可，无需推导误差公式）。四、考虑用梯形法则计算定积分∫[a,b]f(x)dx。若要求误差不超过某个给定的小正数ε，如何确定所需的子区间数量n？（请写出确定n的思路或公式）五、编写Python代码片段（无需完整程序，只需关键代码行或函数框架），实现以下功能之一：1.用欧拉法（显式）求解初值问题y'=f(t,y),y(t0)=y0在区间[t0,tf]上的数值解，步长为h。2.利用NumPy库计算一个给定的N×N矩阵A的特征值和特征向量。六、说明线性回归模型y=β0+β1x+ε的基本假设。若已用最小二乘法估计出回归系数β̂0和β̂1，如何检验回归效果是否显著？（请写出检验的基本思路或方法名称）七、设有一组数据点(x1,y1),(x2,y2),...,(xn,yn)。简述如何使用Python中的Matplotlib或Seaborn库绘制这组数据点的散点图。若要进一步拟合这些数据点，并绘制出拟合曲线，请说明可以采用哪些常见的拟合方法（至少两种），并简述其基本思想。八、编写Python代码片段（无需完整程序），实现以下功能：从某数据源（假设已用Pandas读取为DataFramedf，包含列'x'和'y'）中提取列'x'和'y'的数据，计算x和y的均值、标准差、协方差。然后，根据这些统计量，计算x和y的皮尔逊相关系数。九、给定函数f(x)=sin(x)，在区间[0,π]上进行4点等距拉格朗日插值。写出插值基函数li(x)的表达式（至少写出两个基函数）。若用此插值多项式计算f(π/4)，请给出计算过程（无需写出最终数值结果）。十、说明求解无约束最优化问题（如寻找函数f(x)的最小值）时，为什么需要用到梯度信息？以梯度下降法为例，简述其基本更新规则。试卷答案一、*二分法优点：简单易实现，对于单调连续函数，保证收敛，收敛速度线性（对数级）。缺点：只能找到根，不能判断根的符号或重根情况；每次迭代只减少了区间长度的一半，相对较慢。适用条件：函数在区间[a,b]上连续，且f(a)f(b)<0（保证存在根），函数在该区间内单调。*牛顿迭代法优点：收敛速度通常比二分法快（二阶收敛）；一旦接近真根，收敛速度很快。缺点：需要计算导数，对导数的依赖性强；初始值选择不当可能导致不收敛或收敛到异根；对某些函数可能收敛速度慢或停滞；不保证全局收敛。适用条件：函数可导，能提供较好的初始值，且该初始值足够接近真根。二、*高斯消元法步骤：1.消元过程：通过初等行变换，将方程组系数矩阵A逐步化为上三角矩阵U，同时将常数项向量b变换为向量c。此过程通常使用行交换以保证主元非零。2.回代过程：从最后一个方程开始，依次向上求解未知数x_n,x_{n-1},...,x_1。*LU分解思想：将系数矩阵A分解为一个下三角矩阵L（对角线元素通常为1）和一个上三角矩阵U。即A=LU。高斯消元法的过程实质上就是在消元过程中记录行变换，从而得到L和U。求解Ax=b等价于先求解Ly=c，再求解Ux=y。三、数值微分是用有限差分公式近似计算函数导数的方法。向前差分Δf(x)≈f(x+h)-f(x)/h，向后差分δf(x)≈f(x)-f(x-h)/h，中心差分Df(x)≈[f(x+h)-f(x-h)]/(2h)。定性关系：差分格式的精度通常与步长h成正比（h越小，近似值越接近真值，即精度越高）。但过小的h可能导致舍入误差累积影响增大。中心差分通常比向前差分和向后差分具有更高的精度（误差阶为O(h^2)相对于O(h)）。四、梯形法则的截断误差与步长h的平方成正比，即E_T∝h^2。因此，若要求误差|E_T|≤ε，可以通过比较ΔE/Δh≈C*h来估计。当ΔE≈ε时，有h≈ε/(C*Δh)，其中C是与函数f(x)及区间长度[a,b]相关的常数。更常用的做法是，由于误差与h^2成比例，可以通过固定一个因子（如1/2或1/10）来确定n，使得h=(b-a)/n满足误差要求，即n≥((b-a)/h)^2≥((b-a)/ε)^2*C。或者通过迭代尝试不同的n，计算对应的h和误差，直到满足ε。五、*选项1(欧拉法):```pythondefeuler(f,t0,y0,tf,h):t=t0y=y0whilet<tf:y=y+h*f(t,y)t=t+hreturnt,y```(其中f是一个函数，接受t和y作为参数，返回dy/dt的值)*选项2(NumPy特征值):```pythonimportnumpyasnpdefeig(A):eigenvalues,eigenvectors=np.linalg.eig(A)returneigenvalues,eigenvectors```六、线性回归模型y=β0+β1x+ε的基本假设包括：1.线性假设：误差项ε与自变量x之间是线性关系。2.误差独立性：观测值ε_i是相互独立的随机变量。3.误差同方差性：误差项ε_i的方差σ^2是常数，不随x_i的变化而变化。4.误差正态性（通常）：误差项ε_i服从正态分布N(0,σ^2)。检验回归效果是否显著，通常使用F检验。F检验的原假设是回归模型中所有自变量的系数（除截距β0外）均为零，即回归效果不显著。计算F统计量，并与F分布的临界值比较，或计算p值，若p值小于显著性水平α（如0.05），则拒绝原假设，认为回归效果显著。七、*绘制散点图(Matplotlib):```pythonimportmatplotlib.pyplotasplt#假设data是包含x和y列的DataFrameplt.scatter(data['x'],data['y'])plt.xlabel('x')plt.ylabel('y')plt.title('ScatterPlotofxvsy')plt.grid(True)plt.show()```*拟合方法与思想：1.线性回归(最小二乘法):思想是找到一条直线（或超平面），使得所有数据点到直线的垂直距离（误差）的平方和最小。适用于线性关系。2.多项式拟合(最小二乘法):思想是找到一条最高阶为n的多项式曲线，使得所有数据点到曲线的垂直距离（误差）的平方和最小。适用于非线性关系，但需注意过拟合问题。3.岭回归(RidgeRegression):在最小二乘法基础上增加一个惩罚项（系数平方和），适用于自变量相关性高或维度较大的情况。4.Lasso回归:在最小二乘法基础上增加一个L1惩罚项（系数绝对值之和），可以实现特征选择。八、```pythonimportpandasaspdimportnumpyasnp#假设df是包含'x'和'y'列的DataFrame#计算均值mean_x=df['x'].mean()mean_y=df['y'].mean()#计算标准差std_x=df['x'].std()std_y=df['y'].std()#计算协方差(DataFrame直接提供cov方法)cov_xy=df[['x','y']].cov().iloc[0,1]#计算相关系数(DataFrame直接提供corr方法)#corr方法默认计算皮尔逊相关系数correlation_xy=df[['x','y']].corr().iloc[0,1]```九、*4点等距拉格朗日插值节点：x0=0,x1=π/2,x2=π,x3=3π/2。*插值基函数li(x)(i=0,1,2,3):*l0(x)=(x-x1)(x-x2)(x-x3)/[(x0-x1)(x0-x2)(x0-x3)]*l1(x)=(x-x0)(x-x2)(x-x3)/[(x1-x0)(x1-x2)(x1-x3)]*l2(x)=(x-x0)(x-x1)(x-x3)/[(x2-x0)(x2-x1)(x2-x3)]*l3(x)=(x-x0)(x-x1)(x-x2)/[(x3-x0)(x3-x1)(x3-x2)]*计算f(π/4)过程：L(π/4)=f(x0)*l0(π/4)+f(x1)*l1(π/4)+f(x2)*l2(π/4)+f(x3)*l3(π/4)=sin(0)*(π/4-π/2)(π-π)(π-3π/2)/[0-π/2][0-π][0-3π/2]+sin(π/2)(π/4-0)(π-π)(π-3π/2)/[π/2-0][π/2-π][π/2-3π/2]+sin(π)(π/4-0)(π/4-π/2)(π/4-3π/2)/[π-0][π-π/2][π-3π/2]+sin(3π/2)(π/4-0)(π/4-π/2)(π/4-π)/[3π/2-0