16.1数据从何而来？如何善用资讯？ 16.2 样本告诉我们什么？ 16.3 好样本与坏样本 16.4怎样可取得坏样本？ 16.5有偏抽样法 16.6 简单随机样本 16.7谈谈实验

1.基础知识 2.作为一门新的编程语言 3.图形处理(二维、三维及其参数方程的形式) 4.极限、微分与积分 5.求解方程(组)、微分方程(组) 6.在线形代数方面的应用 7.数值处理 8.文件及其它高级操作

向量代数 一、向量的概念 向量:既有大小又有方向的量 向量表示:a或M1M2 以M1为起点,M2为终点的有向线段

1.设μ是环上的有限可加测度,即μ是R上的非负值集函数满足μ()=0 和有限可加性.证明若μ满足次可数可加性,则μ是上的测度 2.设A是X的一个非空真子集.试在-代数={,X,A,A}上定义一个不 恒为零的有限测度

一、理解偏摩尔量和化学势的定义、性质。掌握化学 势的计算以及表达式中的参考态与标准态。 二、掌握拉乌尔(Raoult)定律和亨利(Henry)定律的 表述与数学表达式。 三、掌握理想混合物的概念、性质以及任一组分化学 势表达式。 四、掌握理想稀溶液概念及溶剂溶质的化学势表达式 。理想稀溶液的依数性。 五、了解实际气体的逸度与逸度系数以及实际溶液的 活度与活度系数的概念。 4.1 偏摩尔量 4.2 化学势 4.3 气体组分的化学势 4.4 拉乌尔定律和亨利定律 4.5 理想液态混合物 4.6 理想稀溶液 4.7 稀溶液的依数性 4.8 逸度与逸度因子 4.9 活度与活度因子

函数展开成幂级数 由于幂级数在收敛域内确定了一个和函 数,因此我们就有可能利用幂级数来表示函 数。如果一个函数已经表示为幂级数,那末 该函数的导数、积分等问题就迎刃而解

概念 实际中,fx)多样,复杂,通常只能观测到一些离散数据; 或者fx)过于复杂而难以运算。这时我们要用近似函数g(x来 逼近fx)

实际中，存在大量的解线性方程组的问题。很多数值方 法到最后也会涉及到线性方程组的求解问题：如样条插值的 M和m关系式，曲线拟合的法方程，方程组的Newton迭代等 问题

递推关系是计数的一个强有力的工具 ,特别是在做算法分析时是必需的。递推 关系的求解主要是利用母函数。当然母函 数尚有其他用处,但这主要是介绍解递推 关系上的应用

直接法得到的解是理论上准确的,但是我们可以看得出,它们的计算量都是n3 数量级,存储量为nη2量级,这在n比较小的时候还比较合适(n<400),但是对于现 在的很多实际问题,往往要我们求解很大的n的矩阵,而且这些矩阵往往是系数矩阵 就是这些矩阵含有大量的0元素