Thomas-Fermi模型，是量子化学密度泛函理论非常重要的参考，这种准经典模型也具有自己独特的研究价值，考虑如下的Thomas-Fermi方程的数值求解http://s6/mw690/003QbYAdgy6ToPe3Gmx05&690

参见E. Di Grezia，S. Esposito的文章《Fermi, Majorana and the statistical model of atoms》

下面是Majorana方法的程序实现，并给出Thomas-Fermi函数的离散数据点

http://s2/mw690/003QbYAdgy6ToPVkVDb71&690

http://s4/mw690/003QbYAdgy6ToPVpfera3&690

http://s15/mw690/003QbYAdgy6ToPVR0jYde&690

http://s14/mw690/003QbYAdgy6ToPW2qTz8d&690

函数离散值：

     x                      u（x）

     0.00000000     1.00000000
     0.00042468     0.99912585
     0.00169993     0.99701587
     0.00382907     0.99372639
     0.00681734     0.98931265
     0.01067184     0.98382875
     0.01540145     0.97732766
     0.02101674     0.96986118
     0.02752997     0.96147998
     0.03495503     0.95223358
     0.04330746     0.94217038
     0.05260441     0.93133768
     0.06286469     0.91978167
     0.07410874     0.90754747
     0.08635871     0.89467912
     0.09963845     0.88121963
     0.11397359     0.86721098
     0.12939156     0.85269411
     0.14592167     0.83770898
     0.16359521     0.82229455
     0.18244546     0.80648879
     0.20250785     0.79032871
     0.22382000     0.77385034
     0.24642187     0.75708878
     0.27035587     0.74007817
     0.29566696     0.72285170
     0.32240283     0.70544164
     0.35061403     0.68787932
     0.38035415     0.67019514
     0.41167997     0.65241858
     0.44465172     0.63457821
     0.47933322     0.61670166
     0.51579219     0.59881565
     0.55410041     0.58094601
     0.59433409     0.56311763
     0.63657411     0.54535450
     0.68090636     0.52767970
     0.72742208     0.51011542
     0.77621829     0.49268293
     0.82739815     0.47540261
     0.88107146     0.45829393
     0.93735514     0.44137547
     0.99637381     0.42466492
     1.05826033     0.40817907
     1.12315651     0.39193385
     1.19121381     0.37594427
     1.26259413     0.36022449
     1.33747069     0.34478779
     1.41602896     0.32964657
     1.49846777     0.31481239
     1.58500042     0.30029592
     1.67585601     0.28610701
     1.77128087     0.27225465
     1.87154013     0.25874701
     1.97691948     0.24559141
     2.08772718     0.23279436
     2.20429621     0.22036157
     2.32698674     0.20829793
     2.45618888     0.19660757
     2.59232577     0.18529380
     2.73585701     0.17435920
     2.88728262     0.16380557
     3.04714741     0.15363398
     3.21604601     0.14384477
     3.39462851     0.13443756
     3.58360694     0.12541127
     3.78376264     0.11676415
     3.99595466     0.10849375
     4.22112946     0.10059699
     4.46033204     0.09307017
     4.71471875     0.08590895
     4.98557227     0.07910840
     5.27431882     0.07266301
     5.58254845     0.06656673
     5.91203864     0.06081295
     6.26478219     0.05539457
     6.64302002     0.05030399
     7.04928020     0.04553314
     7.48642443     0.04107351
     7.95770372     0.03691618
     8.46682543     0.03305184
     9.01803449     0.02947080
     9.61621235     0.02616306
    10.26699829     0.02311829
    10.97693920     0.02032589
    11.75367582     0.01777502
    12.60617608     0.01545461
    13.54503010     0.01335344
    14.58282622     0.01146010
    15.73463527     0.00976310
    17.01864077     0.00825084
    18.45696835     0.00691170
    20.07679156     0.00573405
    21.91182605     0.00470630
    24.00437990     0.00381692
    26.40821435     0.00305451
    29.19261074     0.00240783
    32.44827459     0.00186583
    36.29611181     0.00141773
    40.90062970     0.00105303
    46.49104171     0.00076157