数值分析论文没写过，只写过大作业。先写算法设计方案，然后是源程序，最后把结果写上就行。
说说写一份好的数据分析报告的重要性，很简单，因为分析报告的输出是你整个分析过程的成果，是评定一个产品、一个运营事件的定性结论，很可能是产品决策的参考依据，既然这么重要那当然要写好它了。 一份好的分析报告，有以下一些要点： 首先，要有一个好的框架 跟盖房子一样，好的分析肯定是有基础有层次，有基础坚实，并且层次明了才能让阅读者一目了然，架构清晰、主次分明才能让别人容易读懂，这样才让人有读下去的欲望； 第二，每个分析都有结论，而且结论一定要明确 如果没有明确的结论那分析就不叫分析了，也失去了他本身的意义，因为你本来就是要去寻找或者印证一个结论才会去做分析的，所以千万不要忘本舍果； 第三，分析结论不要太多要精 如果可以的话一个分析一个最重要的结论就好了，很多时候分析就是发现问题，如果一个一个分析能发现一个重大问题，就达到目的了，不要事事求多，宁要仙桃一口，不要烂杏一筐，精简的结论也容易让阅者接受，减少重要阅者(通常是事务繁多的领导，没有太多时间看那么多)的阅读心理门槛，如果别人看到问题太多，结论太繁，不读下去，一百个结论也等于0； 第四，分析结论一定要基于紧密严禁的数据分析推导过程 不要有猜测性的结论，太主观的东西会没有说服力，如果一个结论连你自己都没有肯定的把握就不要拿出来误导别人了； 第五，好的分析要有很强的可读性 这里是指易读度，每个人都有自己的阅读习惯和思维方式，写东西你总会按照自己的思维逻辑来写，你自己觉得很明白，那是因为整个分析过程是你做的，别人不一定如此了解，要知道阅者往往只会花10分钟以内的时间来阅读，所以要考虑你的分析阅读者是谁？他们最关心什么？你必须站在读者的角度去写分析邮件； 第六，数据分析报告尽量图表化 这其实是第四点的补充，用图表代替大量堆砌的数字会有助于人们更形象更直观地看清楚问题和结论，当然，图表也不要太多，过多的图表一样会让人无所适从； 第七，好的分析报告一定要有逻辑性 通常要遵照：1、发现问题–2、总结问题原因–3、解决问题，这样一个流程，逻辑性强的分析报告也
没有上网的话就可以再次发表，上网的话就算了
没有上网的话就可以再次发表，上网的话就算了
一、正确的论文格式：论文属于科学性的文章，它有严格的书写格式规范，因此一篇好的论文一定要有正确的格式，就拿摘要来说吧，它要包括6 要素（问题,方法,模型,算法,结论,特色），它是一篇论文的概括，摘要的好坏将决定你的论文是否吸引评委的目光，但听阅卷老师说，这次有些论文的摘要里出现了大量的图表和程序，这都是不符合论文格式的，这种论文也不会取得好成绩，因此我们写论文时要端正态度，注意书写格式。二、论文的写作：我个人认为论文的写作是至关重要的，其实大家最后的模型和结果都差不多，为什么有些队可以送全国，有些队可以拿省奖，而有些队却什么都拿不到，这关键在于论文的写作上面。一篇好的论文首先读上去便使人感到逻辑清晰，有条例性，能打动评委；其次，论文在语言上的表述也很重要，要注意用词的准确性；另外，一篇好的论文应有闪光点，有自己的特色，有自己的想法和思考在里面，总之，论文写作的好坏将直接影响到成绩的优劣。三、算法的设计：算法的设计的好坏将直接影响运算速度的快慢，建议大家多用数学软件（Mathematice,Matlab,Maple, Mathcad,Lindo,Lingo,SAS 等），这里提供十种数学建模常用算法，仅供参考：1、 蒙特卡罗算法（该算法又称随机性模拟算法，是通过计算机仿真来解决问题的算法，同时可以通过模拟可以来检验自己模型的正确性，是比赛时必用的方法）2、数据拟合、参数估计、插值等数据处理算法（比赛中通常会遇到大量的数据需要处理，而处理数据的关键就在于这些算法，通常使用Matlab 作为工具）3、线性规划、整数规划、多元规划、二次规划等规划类问题（建模竞赛大多数问题属于最优化问题，很多时候这些问题可以用数学规划算法来描述，通常使用Lindo、Lingo 软件实现）4、图论算法（这类算法可以分为很多种，包括最短路、网络流、二分图等算法，涉及到图论的问题可以用这些方法解决，需要认真准备）5、动态规划、回溯搜索、分治算法、分支定界等计算机算法（这些算法是算法设计中比较常用的方法，很多场合可以用到竞赛中）6、最优化理论的三大非经典算法：模拟退火法、神经网络、遗传算法（这些问题是用来解决一些较困难的最优化问题的算法，对于有些问题非常有帮助，但是算法的实现比较困难，需慎重使用）7、网格算法和穷举法（网格算法和穷举法都是暴力搜索最优点的算法，在很多竞赛题中有应用，当重点讨论模型本身而轻视算法的时候，可以使用这种暴力方案，最好使用一些高级语言作为编程工具）8、一些连续离散化方法（很多问题都是实际来的，数据可以是连续的，而计算机只认的是离散的数据，因此将其离散化后进行差分代替微分、求和代替积分等思想是非常重要的）9、数值分析算法（如果在比赛中采用高级语言进行编程的话，那一些数值分析中常用的算法比如方程组求解、矩阵运算、函数积分等算法就需要额外编写库函数进行调用）10、图象处理算法（赛题中有一类问题与图形有关，即使与图形无关，论文中也应该要不乏图片的，这些图形如何展示以及如何处理就是需要解决的问题，通常使用Matlab 进行处理）
上网搜不就行了自己论文中提到/引用过哪些研究结论、人物、现象等，查查原始文献，都可以加到引用里这个有什么难写的
你到底想了解些什么呢？Runge现象表明一般来讲高次多项式插值不安全，尤其是等距节点。那么基本的解决方案有以下几种：样条插值，用分段低次多项式来代替高次多项式拟合，把插值要求削弱选取非等距节点一般来讲Runge现象已经成为常识了，而且这些研究都是很多年前的事情，所以现在不会专门强调某种方案是针对Runge现象来设计的。补充：既然是本科论文，把我说的这些都去了解一遍就能写了。先去找本数值逼近的教材看一下。
这个论文呀，是发挥你的长处的时候了，加油啊
/html/shuxue
找一本 matlab 数值计算的书!看看！
James W Cooley and John W Tukey, "An algorithm for the machine calculation of complex Fourier series," Mathematics of Computation 19 (1965), 297- R Courant, K O Friedrichs and H Lewy, "Ueber die partiellen Differenzengleichungen der mathematischen Physik," Mathematische Annalen 100 (1928), 32- Translated as: "On the partial difference equations of mathematical physics," IBM Journal of Resarch and Development 11 (1967), 215- A S Householder, "Unitary triangularization of a nonsymmetric matrix," Journal of the Association of Computing Machinery 5 (1958), 339- C F Curtiss and J O Hirschfelder, "Integration of stiff equations," Proceedings of the National Academy of Sciences 38 (1952), 235- C de Boor, "On calculating with B-splines," Journal of Approximation Theory 6 (1972), 50- R Courant, "Variational methods for the solution of problems of equilibrium and vibrations," Bulletin of the American Mathematical Society 49 (1943), 1- G Golub and W Kahan, "Calculating the singular values and pseudo-inverse of a matrix," SIAM Journal on Numerical Analysis 2 (1965), 205- A Brandt, "Multi-level adaptive solutions to boundary-value problems," Mathematics of Computation 31 (1977), 333- Magnus R Hestenes and Eduard Stiefel, "Methods of conjugate gradients for solving linear systems," Journal of Research of the National Bureau of Standards 49 (1952), 409- R Fletcher and M J D Powell, "A rapidly convergent descent method for minimization," Computer Journal 6 (1963), 163- G Wanner, E Hairer and S P Norsett, "Order stars and stability theorems," BIT 18 (1974), 475- N Karmarkar, "A new polynomial-time algorithm for linear programming," Combinatorica 4 (1984), 373- L Greengard and V Rokhlin, "A fast algorithm for particle simulations," Journal of Computational Physics 72 (1987), 325-
用透视表分析一般的数据就可以了啊。步骤：插入——数据透视表——选定需要分析的数据，即可生成透视表。然后根据自己需要的数据进行布局，在树枝一栏中可以选择统计方式，比如求和、求平均、最大值、最小值等等。另外，如果因为专业原因需要进行更专业的数据分析，可以参考楼上的数据分析软件进行分析即可。以上问题来源于天猫博望专营服务店团队，希望可以帮到您。
你要分析什么数据都没说，让人怎么回答问题呢？如果是从来没用过Excel，那还是找个入门的课程先学习一下。如果是简单的Excel操作会用，在数据分析过程中遇到了困难，那就要把excel表格截图发出来，然后描述清楚具体遇到什么难题，这样其他人才有可能帮助你的。
统计分析学习之数值分析方法 最近补了一些统计学的知识，大多都在这些年的学习中接触过，这里做个总结，以便回头方便看。从以下几个方面对数值进行分析：数值的位置平均数与中位数这个最常见的就是平均值和中位数了，平均值指的是数据在数值上的中心位置，是所有数和的平均，而中位数是一个样本序列在数值上的中间，序列长度为奇数是，中位数就是最中间的那个。我们可以吧平均数理解为样本序列在数学上的中间位置，把中位数理解为样本序列在物理上的中间位置。加权平均数权值对于学过算法或者图论的小伙伴都不陌生，权值不同则认为每个数据的权值（可以简单理解为重要性）不同，在上边提到的平均数中是认为每个数的权值相同。那加权平均数就是求平均时对每个数值乘上了他的权值。ps,加权的样本序列就比普通的样本序列多了一维的信息量。几何平均数这是个很有意思的平均数，在之前并没有接触过，它是n个数值乘积的n次方根，既然是几何平均数，那小伙伴们可以把它放在欧几里得空间来理解它的意义。众数样本序列中出现次数最多的数，这个在一些基本算法的面试题中经常出现，比如怎么在海量数据中找出重复次数最多的一个？（这个主要是采用分而治之的思想，外加hash等方法，有兴趣的可以百度一下）四分位数四分位数是百分位数的一种特殊情况，但是这个数值的位置具有比较高的工程使用价值，在统计分析中出现频率很高，比如后边用到的箱形分析法等跟此关系很大。数值的离散程度数据的离散程度也可以成为数据的变异程度，学过聚类算法的小伙伴说离散程度应该比变异程度更容易理解一些。有极差、四分位数间距、方差、标准差等指标（MAE、MSE等指标对机器学习的小伙伴应该都不陌生）。这个变异程度可以放在欧几里得几何空间来理解，都是描述数值之间分散的程度。注意：极值是最容易计算的，但是它比较容易受到异常值影响，单独计算时的工程意义并不大。四分位数间距能很好的避免异常值影响，甚至能进一步的检测异常值。（箱形法）样本方差是总体方差的无偏估计，标准差是方差的正平方根。分布形态和相对位置偏度偏度是分布形态的最常用度量。偏度的计算公式这里就不贴出来了，也可以通过平均数和中位数的关系来判断偏度。其关系如下所示：偏度为正值 = 数据右偏 = （平均数>中位数）偏度为0 = 数据对称 = （平均数=中位数）偏度为负值 = 数据左偏 = （平均数<中位数）切比雪夫定理学概率论的时候都接触过这个，这里就不做过多解释。他能帮我们指出与平均数的距离在某个特定个数的标准差之内的数据值所占的比例。（与平均数的距离在z个标准差之内的数据项所占比例至少为（1-1/z^2），其中z是大于1的任何实数）。异常点的检测异常点也成为离群点（outlier），对于机器学习的小伙伴也不陌生，在统计工程上常用的方法有简单的统计量分析，比如最大值最小值是否超出合理的范围，还有就是比较经典的箱形法。以上方法是基于统计的方法，其在多维数据上表现的很无力。除此之外还有基于位置，基于偏差和基于密度的方法。还有一些比较新的论文，是基于信息熵（Correntropy）和深度学习的异常点检测算法。有兴趣的小伙伴可以下一些论文看看。
数值分析论文没写过，只写过大作业。先写算法设计方案，然后是源程序，最后把结果写上就行。