2.1 为什么要进行数据处理 2.2 有效数字及运算规则 2.3 不确定度的评定 2.4 作图 2.5 最小二乘法 2.6 用origin和excel作线性拟合

1. 确定近似函数的类型 （1）根据数据点的分布规律 （2）根据问题的实际背景 2. 确定近似函数的标准，实验数据有误差, 不能要求

一. 向量到子空间的距离 二. 最小二乘法

在解析几何中,两个点a和B间的距离等于向量a-B的长度 定义13长度-(称为向量a和B的距离,记为d(a,B) 不难证明距离的三条性质

要点：掌握一元线性回归模型中的基本概念、方法。区分 总体回归函数和样本回归函数。掌握普通最小二乘法的思 想和计算方法

一、联立方程模型随机误差项方差—协方差矩阵 二、三阶段最小二乘法简介 三、完全信息最大似然法简介

1．了解光电效应的规律，加深对光的量子性的理解； 2．利用光电效应测量普朗克常数 h； 3．学会用最小二乘法处理数据

第一节 误差与方程求根 第二节 拉格朗日插值公式 第三节 曲线拟和的最小二乘法 第四节 数值积分 第五节 常微分方程的数值解法

§2.1 简单模型 §2.2 量纲分析法建模 §2.3 经验模型 插值拟合方法 最小二乘法

给出一组离散点，确定一个函数逼近原函数，插值是这样的一种手段。 在实际中，数据不可避免的会有误差，插值函数会将这些误差也包括在内。 因此，我们需要一种新的逼近原函数的手段： ①不要求过所有的点（可以消除误差影响）；