高等数学 / 系统课时

构建数学实验笔记

构建数学实验笔记

本课将建立一套可复现的数学实验记录方法,把问题、公式、参数、代码、图像和结论串成闭环。完成后,你可以让自己或他人在相同环境下重新运行实验并核对结论。

学习目标

  • 设计包含问题、推导、验证和结论的实验笔记结构
  • 使用代码和图像检验数学公式及数值误差
  • 记录环境、参数与随机性,使实验能够复现

确定实验笔记的最小闭环

一份有效笔记不是推导、截图和代码的简单堆叠,而是回答四个连续问题:验证什么、理论上应得到什么、程序实际得到什么、两者为何一致或不一致。缺少任一环节,读者都难以判断实验是否真正支持结论。

数学实验笔记闭环

实验开始前先写一句可验证的问题,例如“中心差分能否逼近函数在指定点的导数”。这句话决定后续需要哪些公式、数据和图像,也能防止实验过程中不断加入无关内容。

设计可复现的记录结构

推荐按以下顺序组织单次实验:

  1. 实验问题:明确输入、输出和需要验证的判断。
  2. 理论依据:列出公式、适用条件和预期趋势。
  3. 实验设置:记录软件版本、依赖、参数、随机种子和数据来源。
  4. 运行过程:保留完整代码及必要命令。
  5. 结果观察:同时记录数值、图像和异常现象。
  6. 结论:回答原问题,并写明结论的适用范围。

参数不要只写在代码里。步长、批量大小、迭代次数等关键值应在正文中列出,便于比较不同实验,也能在代码修改后保留当时的真实设置。

用代码验证导数公式

下面用中心差分验证函数 f(x)=x3−2xf(x)=x^3-2x 在 x=1.5x=1.5 处的导数。理论导数为 f′(x)=3x2−2f'(x)=3x^2-2,实验主步长为 h=10−5h=10^{-5},同时用 10−410^{-4} 做对照,并把曲线与验证点保存为图片。安装 Matplotlib 后运行,在无图形界面的环境中可设置 MPLBACKEND=Agg。

python
import matplotlib.pyplot as plt

def f(x: float) -> float:
    return x**3 - 2 * x

def analytic_gradient(x: float) -> float:
    return 3 * x**2 - 2

def central_difference(x: float, h: float = 1e-5) -> float:
    # 中心差分同时利用左右扰动,通常比前向差分更准确
    return (f(x + h) - f(x - h)) / (2 * h)

def main() -> None:
    x0 = 1.5
    h = 1e-5
    expected = analytic_gradient(x0)
    measured = central_difference(x0, h)

    print(f"解析导数: {expected:.8f}")
    print(f"数值导数: {measured:.8f}")
    print(f"绝对误差: {abs(expected - measured):.2e}")
    coarse = central_difference(x0, 1e-4)
    print(f"h=1e-4 的绝对误差: {abs(expected - coarse):.2e}")

    # 固定采样间隔,确保曲线与验证点来自同一个函数
    xs = [i / 20 for i in range(-40, 41)]
    ys = [f(x) for x in xs]
    plt.plot(xs, ys, label="f(x) = x^3 - 2x")
    plt.scatter([x0], [f(x0)], label="Check point (1.5, 0.375)")
    plt.xlabel("x")
    plt.ylabel("f(x)")
    plt.legend()
    plt.grid(True)
    plt.tight_layout()
    # 保存静态图片,便于与本次参数和输出一起归档
    plt.savefig("derivative_experiment.png", dpi=150)
    plt.close()
    print("已保存图像: derivative_experiment.png")

if __name__ == "__main__":
    main()

预期输出如下。不同平台的浮点末位可能略有差异,但误差量级应接近 10−1010^{-10}。

text
解析导数: 4.75000000
数值导数: 4.75000000
绝对误差: 1.31e-10
h=1e-4 的绝对误差: 1.00e-08
已保存图像: derivative_experiment.png

运行后应检查当前目录是否生成 derivative_experiment.png,并核对图中横轴为 xx、纵轴为 f(x)f(x),验证点为 (1.5,0.375)(1.5,0.375)。本次数值示例用 Python 3.11.18 和 Matplotlib 3.8.4 复现。数值接近只说明当前点和当前步长下结果一致,不能自动证明所有输入都成立。

把观察写成可检验的结论

“结果正确”不是合格结论。应明确写出理论值、实验值、误差和条件,例如:“当 x=1.5x=1.5、h=10−5h=10^{-5} 时,中心差分结果与解析导数均显示为 4.754.75,绝对误差约为 1.31×10−101.31\times10^{-10}。”

对这个三次函数,精确算术下中心差分等于 3x2−2+h23x^2-2+h^2,故两种步长的理论截断误差分别为 10−1010^{-10} 与 10−810^{-8}。浮点实测约为 1.31×10−101.31\times10^{-10} 与 1.00×10−81.00\times10^{-8}。把理论误差和实测误差分开记录,可以看出缩小步长的效果,也为进一步观察舍入影响留出对照。

图像需要配合可检验的说明。至少说明横纵轴含义、关键点位置、观察到的趋势,以及图像是否支持原假设。若图像与数值矛盾,应优先检查坐标范围、数据预处理和绘图变量,而不是直接修改结论。

记录复现信息并完成验收

交付前使用最小复现清单检查笔记:Python 与依赖版本是否记录,代码能否从空目录运行,输入数据是否可获得,随机实验的种子或随机状态是否记录,生成文件名是否明确,预期输出是否与正文一致。

还要区分“实验事实”和“解释”。输出数值、图像形状属于事实;误差来源、趋势原因属于解释。解释应由公式、对照实验或额外数据支持,不能仅凭直觉下结论。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

构建数学实验笔记

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通