首先，我们来看一下如何使用MATLAB创建一个简单的二维散点图。假设有一组随机生成的数据（xData 和 yData），可以通过调用scatter() 函数来完成绘图：
matlab
% 生成模拟数据
xData = linspace(0,10);
yData = xData.^2 + randn(size(xData));
% 绘制散点图
figure;
scatter(xData,yData,'filled');
xlabel('X轴标签'); ylabel('Y轴标签');
title('原始数据分布 - 散点图示例');
上述代码中，linspace用于产生等差数列作为横坐标值；通过平方运算并加上噪声项得到纵坐标的离散观测值。最后 scatter 函数以这些坐标对为基础绘制出散布图形。
接下来是关于函数曲线拟合的部分。MATLAB 提供了诸如 polyfit、cftool 等多种方式来进行回归分析或非线性拟合。例如对于上面生成的带有一定规律性的散点数据 (y ~ x^2)，我们可以尝试对其进行二次多项式拟合并画出拟合后的曲线：
matlab
% 使用polyfit进行二次多项式拟合
p = polyfit(xData, yData, 2); % 求解二阶系数
% 计算预测结果
fitted_y = polyval(p,xData);
hold on; % 在当前图像上继续添加元素而不覆盖原有内容
plot(xData,fitted_y,'r-','LineWidth',2); % 'r-' 表示红色实线
legend({'原始数据' ,'二次多项式拟合'});
grid on;
在这段代码里，`polyfit()` 方法用来估算最优拟合参数，然后 `polyval()` 将求得的最佳模型应用于整个x区间从而得出相应的拟合曲线，最终在同一张图表内显示出原数据点及其对应的拟合情况。
当然，MATLAB 的强大之处还在于它可以轻松应对更为复杂的多元高次方程甚至自定义函数形式的拟合需求，只需适当调整相关算法或者采用更高级别的统计/优化工具即可达成目标。
总结来说，借助于 MATLAB 强大的数学建模能力和丰富的可视化接口库，无论是基本的散点图制作还是复杂函数曲线拟合都能方便快捷地得以实施，为科研工作者提供了有力的支持与便捷的服务。