数学建模结果分析

f (x ) = 1 - q x + , (x ≥ 2) ，对于一个给定的 p ，可以求出函数 f (x) 的极值，结果分析

综上所述，由模型求解可知，在满足模型条件的假设（4）的条件下，当所

给阳性的先验概率 p ≥ 0.3066 时，在不分组的条件下每个人一次一次的检验可

以使总次数最少；当所给 0.2929 ≤ p < 0.3066 时，进行一次检验比分两次组和不

分组均可使总次数最少；当 0 < p < 0.2929 时，分两次组总次数比分一次组总次

数要少。

当 p 固定时，为了是人群中总的检验次数最小，就需要确定每组中的人数 k 。根据固定值 p 的大小分类讨论：

当 p ≥ 0.3066 时，此时不需要分组，即 k = 1时可使检验次数最小；

当 p < 0.3066 时，此时需要分组，要使人群总的检验次数最小，只需要使

每个人的检验次数的期望值 E ξ 最小，通过引入与 E ξ = 1 - q k + 1 k

变化趋势相同的连续性函数

1 x

又由分析知 f ' (x) 是增函数，所以求出 f (x) 的极值就是 f (x) 的最小值的取值 x m ，

故取与 x m 最相近的两个值(上取整和下取整)，代入 E ξ ，然后比较两个函数值，

找出较小的一个，以此类推，可以确定，每一个给定的 p 要使人群中总的检验次数最小所对应的人数 k 。

在 p < 0.3066 中，当 0.2929 ≤ p < 0.3066 时，进行一次分组检验比进行两

次分组检验和不分组检验可使检验次数最少；当 0 < p < 0.2929 时，分两组比分

一组总的检验次数少。

模型检验

当然这都是在假设（4）的前提下做出的，现举一例具体说明上述假设的合

理性：设p=0.002时，经过上述计算可得，当k=23时可使在一次分组的情况下平均每人检验次数最小，为满足假设（4），可以取k=24（此时平均每人检

验次数仅比k=23时多10-5次，故在检验100000人时总次数才多一次，故可忽略），然后取k

=12或更小（如k1=6），此时一定可以做到分两次组比分一次

组平均每人检验次数小。当然此时还可以继续求满足条件的第二次分组平均每人检验次数的最小值。

由于题给条件是人群数量很大，基本是健康人，先验概率p很小，所以

k<4的情况在实际当中可以不予考虑（此时的概率p在0.3左右，相当大）。

模型推广

本模型可以说在所给定的假设内解决了该问题。如果说对于假设的合理性做出判断的话，如上所述，假设（1）在实际当中可能不会被作为分组与不分组的判断标准；假设（2）与（3）是可以接受的，直观上可以认为以阳性的先验概率至于不同疾病有关，而不会与检验次数有关，同时在没有遗传病的情况下，做出假设（3）也是合理的；假设（4）在人群数目较小时是很容易实现的，但当人群数目很大时，很难严格的达到平均分组的条件。例如对某几个地区某病毒的感染情况进行调查统计时，往往利用分治法的思想把人群按单位或更小的行政区域进行分区调查，再将所有的数字汇总。这种分组的方法并不能保证平均分配人数。如果人群总数在几十到几千的范围内除了利用给出的两种方法外，还可以利用二分法的思想将人群重复的进行二分操作，这样也可以很快地得到理想的结果。

影响此模型的因素还有先验概率，先验概率是一定人群中的患病概率，如果人群的情况有所变化可能会对模型给出的结论有所影响。比如普通人群中艾滋病病毒抗体的感染率是很低的，如果用这个概率作为先验概率去进行对以男性同／双性恋者为对象的估计中，往往会出现较大的偏差。

同时本数学模型也可适用于某人民医院要对某地区的居民是否患有某种病（如乙肝）的检验,并对该地区的病情作一定的预测,从而达到预防和及早治疗的效果。乙肝的血样检验只有阴性、阳性两种情况,我们可用本数学模型切实地解决这个问题。

模型评价

在实际中利用本模型还是可以跟分组检验一定依据的。但在实际操作中，由于多次分组需要多次混合血样，在操作中会带来很大的麻烦；而且，在混合当中可能会造成很大的误差，特别是当多次混合血样比一次混合或不分组的平均每人检验次数不是少很多的时候，进行一次分组或不分组效果可能会更好。

但是由于血样的先检概率通常很小,为减少检验次数,我们通过先对检验的人群进行分组,引入阳性组的概率,通过阳性组数的平均值作为桥梁,由于阳性组的人需要全部重新检验,最后可得平均总检验次数,进而得到一个人的平均检验次数的一元函数。

然而我们通过对阳性组人群进行再次分组（即对检验人群进行二次分组）,从而得到一个关于两次分组人数二元函数,进而得到更为优化的数学模型。

最后,我们引入平均概率模型,再把血样检验中出现的可能性细化,得到当血样检验为阳性的人数等于分组后每一组的人数时,通过这样的分组模型可以使检验次数达到最优,但是我们未能给出确实的理论证明。

由此我们可以得出这样的结论，建立模型的过程中先验概率和合理假设具有非常重要的影响。比如，如果先验概率是一个特定的特定群体的概率，而在建立模型的时候把这个特定的群体的概率用到大众群体上来，就必然会导致模型预测的重大偏差。又如，如果在建立模型的时候假设不合理，如相互有影响的实践假设成独立事件，忽略了事物的内在影响，也会导致模型预测的失效，一个合理的模型，一定要建立在合理的假设之下。

在实际生活中利用本模型可以说在给定的假设内解决了该问题。如果期望对假设做出和理性的判断的话，综上所述，在实际当中可能会出现作为分组与不分组判断标准不一的情况；且在直观上可以认为阳性的先验概率与不同疾病有关，但不会与检验次数有关，并且在没有遗传病的情况下，做出某些假设也是合理的。有的假设在人群数目较少的时候比较容易实现，但当人群数目比较大时，就很难严格的达到平均分组条件。例如这样的情形之下：对某几个地区某病毒的感染情况进行调查统计时，往往利用分而治之的思想把人群按单位或更小的行政区域进行划分调查，最后将所有的数字情况汇总。这种分组的方

法并不能保证平均分配人数。如果人群总数在几十到几千的范围内除了已经给出的这种方法还可以利用二分法的思想将人群进行重复的二分操作，或者其他的操作形式，这样也可以很快的得到理想的结果。

影响此模型的因素还有先验概率，先验概率是一定人群中的患病概率，有时人群的情况的变化会对模型结论的得出造成影响。比如说普通人中艾滋病毒抗体出现的概率是极其低的，如果以这个概率做为先验概率去进行对以男性或者双性性恋的对象的估计中则会出现极大的偏差。

附：数学模型中常用的检验方法

1.单个总体N(μ,σ2)的均值μ的检验:

σ2已知,关于均值的检验用ztest命令来实现.

[h,p,ci]=ztest(x,mu,sigma,alpha,tail)

σ2已知,关于均值的检验用ttest命令来实现.

[h,p,ci]=ttest(x,mu,alpha,tail)

2.两个正态总体均值差的检验（t检验）

还可以用t检验法检验具有相同方差的2个正态总体均值差的假设。在Matlab中

由函数ttest2实现，命令为：

[h,p,ci]=ttest2(x,y,alpha,tail)

3.分布拟合检验

在实际问题中，有时不能预知总体服从什么类型的分布，这时就需要根据样本来检

验关于分布的假设。下面介绍χ2检验法和专用于检验分布是否为正态的“偏峰、峰度

检验法”。

χ2检验法

0H：总体x的分布函数为F(x),

1H:总体x的分布函数不是F(x).

在用下述χ2检验法检验假设0H时，若在假设0H下F(x)的形式已知，但

其参数

值未知，这时需要先用极大似然估计法估计参数，然后作检验。

偏度、峰度检验

4．其它非参数检验

Wilcoxon秩和检验

在Matlab中，秩和检验由函数ranksum实现。命令为：

[p,h]=ranksum(x,y,alpha)

其中x，y可为不等长向量，alpha为给定的显著水平，它必须为0和1之间的数量。p返回

产生两独立样本的总体是否相同的显著性概率，h返回假设检验的结果。如果

x和y的总

体差别不显著，则h为零；如果x和y的总体差别显著，则h为1。如果p接近于零，则可对

原假设质疑。

5．中位数检验

在假设检验中还有一种检验方法为中位数检验,在一般的教学中不一定介绍,

但在

实际中也是被广泛应用到的。在Matlab中提供了这种检验的函数。函数的使

用方法简单，

下面只给出函数介绍。

signrank函数

signrank Wilcoxon符号秩检验

[p,h]=signrank(x,y,alpha)

其中p给出两个配对样本x和y的中位数相等的假设的显著性概率。向量x，y的长度必须

相同，alpha为给出的显著性水平，取值为0和1之间的数。h返回假设检验的

结果。如果

这两个样本的中位数之差几乎为0，则h=0；若有显著差异，则h=1。

signtest函数

signtest符号检验

[p,h]=signtest(x,y,alpha)

其中p给出两个配对样本x和y的中位数相等的假设的显著性概率。x和y若为向量，二者

的长度必须相同；y亦可为标量，在此情况下，计算x的中位数与常数y之间的差异。alpha

和h同上。

matlab判断正态分布

总体分布正态性检验

进行参数估计和假设检验时，通常总是假定总体服从正态分布，虽然在许多情

况下这个假定是合理的，但是当要以此为前提进行重要的参数估计或假设检验，

或者人们对它有较大怀疑的时候，就确有必要对这个假设进行检验，

进行总体正态性检验的方法有很多种，以下针对MATLAB统计工具箱中提供的程序，简单介绍几种方法。

1）Jarque-Bera检验

利用正态分布的偏度g1和峰度g2，构造一个包含g1，g2的分布统计量（自

由度n=2），对于显著性水平，当分布统计量小于分布的分位数时，接受H0：总体服从正态分布；否则拒绝H0，即总体不服从正态分布。

这个检验适用于大样本，当样本容量n较小时需慎用。Matlab命令：h

=jbtest(x)，[h,p,jbstat,cv]=jbtest(x,alpha)。

2）Kolmogorov-Smirnov检验

通过样本的经验分布函数与给定分布函数的比较，推断该样本是否来自给定分

布函数的总体。容量n的样本的经验分布函数记为F n(x)，可由样本中小于x的

数据所占的比例得到，给定分布函数记为G(x)，构造的统计量为

，即两个分布函数之差的最大值，对于假设H0：总体服从给定的分布G(x)，及给定的，根据D n的极限分布（n?￥时的分布）确定统计量关于是否接受H0的数量界限。

因为这个检验需要给定G(x)，所以当用于正态性检验时只能做标准正态检验，即H0：总体服从标准正态分布。Matlab命令：h=kstest(x)。

3）Lilliefors检验

它将Kolmogorov-Smirnov检验改进用于一般的正态性检验，即H0：总体服从正态分布，其中由样本均值和方差估计。Matlab命令：

h=lillietest(x)，[h,p,lstat,cv]=lillietest(x,alpha)。

4）另外还有一种方法：首先对于数据进行标准化：Z=ZSCORE(X)，然后在进行2）的Kolmogorov-Smirnov检验，检验是否为标准正态分布，类似于对于方法2）的改进

参考文献

[1]姜启源，谢金星，叶俊数学模型(第四版)．高等教育出版社．2012.12

[2]姜启源，谢金星，叶俊数学模型(第四版)习题参考解答．高等教育出版社．2011.12

数学建模——回归分析

回归分析——20121060025 吕佳琪企业编号生产性固定资产价值(万元)工业总产值(万元) 1318524 29101019 3200638 4409815 5415913 6502928 7314605 812101516 910221219 1012251624 合计65259801 （2）建立直线回归方程; （3）计算估价标准误差; （4）估计生产性固定资产(自变量)为1100万元时总产值(因变量)的可能值。解: (1)画出散点图,观察二变量的相关方向 x=[318 910 200 409 415 502 314 1210 1022 1225]; y=[524 1019 638 815 913 928 605 1516 1219 1624]; plot(x,y,'or') xlabel('生产性固定资产价值(万元)') ylabel('工业总产值(万元)') 由图形可得,二变量的相关方向应为直线 (2)

x=[318 910 200 409 415 502 314 1210 1022 1225]; y=[524 1019 638 815 913 928 605 1516 1219 1624]; X = [ones(size(x))', x']; [b,bint,r,rint,stats] = regress(y',X,0、05); b,bint,stats b = 395、5670 0、8958 bint = 210、4845 580、6495 0、6500 1、1417 stats = 1、0e+004 * 0、0001 0、0071 0、0000 1、6035 上述相关系数r为1,显著性水平为0 Y=395、5670+0、8958*x (3) 计算方法:W=((Y1-y1)^2+……+(Y10-y10)^2)^(1/2)/10 利用SPSS进行回归分析:

数学建模竞赛题目

西安科技大学第二届数学建模竞赛题目 A题：垃圾分类处理与清运方案设计垃圾分类化收集与处理是有利于减少垃圾的产生，有益于环境保护，同时也有利于资源回收与再利用的城市绿色工程。在发达国家普遍实现了垃圾分类化，随着国民经济发展与城市化进程加快，我国大城市的垃圾分类化已经提到日程上来。2010年5月国家发改委、住房和城乡建设部、环境保护部、农业部联合印发了《关于组织开展城市餐厨废弃物资源化利用和无害化处理试点工作的通知》，并且在北京、上海、重庆和深圳都取得一定成果，但是许多问题仍然是垃圾分类化进程中需要深入研究的。在深圳，垃圾分为四类：橱余垃圾、可回收垃圾、有害垃圾和其他不可回收垃圾，这种分类顾名思义不难理解。其中对于居民垃圾，基本的分类处理流程如下：

在垃圾分类收集与处理中，不同类的垃圾有不同的处理方式，简述如下：1）橱余垃圾可以使用脱水干燥处理装置，处理后的干物质运送饲料加工厂做原料。不同处理规模的设备成本和运行成本（分大型和小型）见附录1说明。2）可回收垃圾将收集后分类再利用。 3）有害垃圾，运送到固废处理中心集中处理。 4）其他不可回收垃圾将运送到填埋场或焚烧场处理。所有垃圾将从小区运送到附近的转运站，再运送到少数几个垃圾处理中心。显然，1）和2）两项中，经过处理，回收和利用，产生经济效益，而3）和4）只有消耗处理费用，不产生经济效益。本项研究课题旨在为深圳市的垃圾分类化进程作出贡献。为此请你们运用数学建模方法对深圳市南山区的分类化垃圾的实现做一些研究，具体的研究目标是： 1）假定现有垃圾转运站规模与位置不变条件下，给出大、小型设备（橱余垃圾）的分布设计，同时在目前的运输装备条件下给出清运路线的具体方案。以期达到最佳经济效益和环保效果。 2）假设转运站允许重新设计，请为问题1）的目标重新设计。仅仅为了查询方便，在题目附录2所指出的网页中，给出了深圳市南山区所有小区的相关资料，同时给出了现有垃圾处理的数据和转运站的位置。其他所需数据资料自行解决。附录1 1）大型厨余垃圾处理设备（如南山餐厨垃圾综合利用项目，处理能力为200吨/日，投资额约为4500万元，运行成本为150元/吨。小型餐厨垃圾处理机，处理能力为200-300公斤/日，投资额约为28万元，运行成本为200元/吨。橱余垃圾处理后产物价格在1000-1500元/吨。 2）四类垃圾的平均比例橱余垃圾：可回收垃圾：有害垃圾：其他不可回收垃圾比例约为4：2：1：3。可回收垃圾划分为纸类、塑料、玻璃、金属四大类，大概比例分别是：55%、35%、6%、4%。纸类、塑料、玻璃、金属四类的废品回收价格是每公斤：1元、2.5元、0.5元、2.5元。

对中国大学生数学建模竞赛历年成绩的分析与预测

2012年北京师范大学珠海分校数学建模竞赛题目：对中国大学生数学建模竞赛历年成绩的分析与预测摘要本文研究的是对自数学建模竞赛开展以来各高校建模水平的评价比较和预测问题。我们将针对题目要求，建立适当的评价模型和预测模型，主要解决对中国大学生数学建模竞赛历年成绩的评价、排序和预测问题。首先我们用层次分析法来评价广东赛区各校2008年至2011年及全国各大高校1994至2011年数学建模成绩，从而给出广东赛区各校及全国各大高校建模成绩的科学、合理的评价及排序；其次运用灰色预测模型解决广东赛区各院校2012年建模成绩的预测。针对问题一，首先我们对比了2008到2011年参加建模比赛的学校，通过分析我们选择了四年都参加了比赛的学校进行合理的排序（具体分析过程见表13），同时对本科甲组和专科乙组我们分别进行排序比较。在具体解决问题的过程中，我们先分析得出影响评价结果的主要因素：获奖情况和获奖比例，其中获奖情况主要考虑国家一等奖、国家二等奖、省一等奖、省二等奖、省三等奖，我们采用层次分析法，并依据判断尺度构造出各个层次的判断矩阵，对它们逐个做出一致性检验，在一致性符合要求的情况下，通过公式与matlab求得各大学的权重，总结得分并进行排序（结果见表11）；在对广东赛区各高校2012建模成绩预测问题中，我们采用灰色预测模型，我们以华南农业大学为例，得到该校2012年建模比赛获奖情况为：省一等奖、省二等奖、省三等奖及成功参赛奖分别为5、9、8、8(其它各高校预测结果见表10）。针对问题二，我们对全国各院校的自建模竞赛活动开展以来建模成绩排序采用与问题一相同的数学模型，在获奖情况考虑的是全国一等奖、全国二等奖。运用matlab求解，结果见表12。针对问题三，我们通过对一、二问排序的解答及数据的分析，得出在对院校进评价和预测时还应考虑到各院的师资力量、学校受重视程度、学生情况、参赛经验等因素，考虑到这些因素，为以后评价高校建模水平提供更可靠的依据。关键词：层次分析法权向量灰色预测模型模型检验 matlab

数学建模之回归分析法

什么是回归分析回归分析（regression analysis)是确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法。运用十分广泛，回归分析按照涉及的自变量的多少，可分为一元回归分析和多元回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。如果在回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。回归分析之一多元线性回归模型案例解析多元线性回归，主要是研究一个因变量与多个自变量之间的相关关系，跟一元回归原理差不多，区别在于影响因素（自变量）更多些而已，例如：一元线性回归方程为：毫无疑问，多元线性回归方程应该为：上图中的x1, x2, xp分别代表“自变量”Xp截止，代表有P个自变量，如果有“N组样本，那么这个多元线性回归，将会组成一个矩阵，如下图所示：那么，多元线性回归方程矩阵形式为：其中：代表随机误差，其中随机误差分为：可解释的误差和不可解释的误差，随机误差必须满足以下四个条件，多元线性方程才有意义（一元线性方程也一样） 1：服成正太分布，即指：随机误差必须是服成正太分别的随机变量。 2：无偏性假设，即指：期望值为0 3：同共方差性假设，即指，所有的随机误差变量方差都相等 4：独立性假设，即指：所有的随机误差变量都相互独立，可以用协方差解释。

今天跟大家一起讨论一下，SPSS---多元线性回归的具体操作过程，下面以教程教程数据为例，分析汽车特征与汽车销售量之间的关系。通过分析汽车特征跟汽车销售量的关系，建立拟合多元线性回归模型。数据如下图所示：（数据可以先用excel建立再通过spss打开）点击“分析”——回归——线性——进入如下图所示的界面：

回归分析在数学建模中的应用

摘要回归分析和方差分析是探究和处理相关关系的两个重要的分支,其中回归分析方法是预测方面最常用的数学方法,它是利用统计数据来确定变量之间的关系,并且依据这种关系来预测未来的发展趋势。本文主要介绍了一元线性回归分析方法和多元线性回归分析方法的一般思想方法和一般步骤,并且用它们来研究和分析我们在生活中常遇到的一些难以用函数形式确定的变量之间的关系。在解决的过程中,建立回归方程,再通过该回归方程进行预测。关键词:多元线性回归分析;参数估计;F检验

回归分析在数学建模中的应用 Abstract Regression analysis and analysis of variance is the inquiry and processing of the correlation between two important branches, wherein the regression analysis method is the most commonly used mathematical prediction method, it is the use of statistical data to determine the relationship between the variables, and based on this relationship predict future trends. introduces a linear regression analysis and multiple linear regression analysis method general way of thinking and the general steps, and use them to research and analysis that we encounter in our life, are difficult to determine as a function relationship between the variables in the solving process, the regression equation is established by the regression equation to predict. Keywords:Multiple linear regression analysis; parameter estimation;inspection II

数学建模及全国历年竞赛题目

数学建模及全国历年竞赛题目 (2010-09-28 21:58:01) 标签：分类：专业教学数学建模应用数学模型教育一、数学建模的涵（一）数学建模的概念数学建模是一种数学的思考方法，是运用数学的语言和方法，通过抽象、简化建立能近似刻画并"解决"实际问题的一种强有力的数学手段。使用数学语言描述的事物就称为数学模型，这个建立数学模型的全过程就称为数学建模。（二）应用数学模型应用数学去解决各类实际问题，把错综复杂的实际问题简化、抽象为合理的数学结构。通过调查、收集数据资料，观察和研究实际对象的固有特征和在规律，抓住问题的主要矛盾，建立起反映实际问题的数量关系，然后利用数学的理论和方法去分析和解决问题。需要诸如数理统计、最优化、图论、微分方程、计算方法、神经网络、层次分析法、模糊数学，数学软件包如 Mathematica,Matlab,Lingo,Spss,Mapple的使用，甚至排版软件等知识的基础。

（三）数学建模的特点数学建模具有难度大、涉及面广、形式灵活，对教师和学生要求高等特点；数学建模的教学本身是一个不断探索、不断创新、不断完善和提高的过程。（四）数学建模的指导思想数学建模的指导思想就是：以实验室为基础、以学生为中心、以问题为主线、以培养能力为目标来组织教学工作。（五）数学建模的意义数学建模是联系数学与实际问题的桥梁，是数学在各个领械广泛应用的媒介，是数学科学技术转化的主要途径。通过教学使学生了解利用数学理论和方法去分析和解决问题的全过程，提高他们分析问题和解决问题的能力；提高他们学习数学的兴趣和应用数学的意识与能力，使他们在以后的工作中能经常性地想到用数学去解决问题，提高他们尽量利用计算机软件及当代高新科技成果的意识，能将数学、计算机有机地结合起来去解决实际问题。 1.培养创新意识和创造能力； 2.训练快速获取信息和资料的能力； 3.锻炼快速了解和掌握新知识的技能； 4.培养团队合作意识和团队合作精神； 5.增强写作技能和排版技术；

数学建模-回归分析-多元回归分析

1、多元线性回归在回归分析中，如果有两个或两个以上的自变量，就称为多元回归。事实上，一种现象常常是与多个因素相联系的，由多个自变量的最优组合共同来预测或估计因变量，比只用一个自变量进行预测或估计更有效，更符合实际。在实际经济问题中，一个变量往往受到多个变量的影响。例如，家庭消费支出，除了受家庭可支配收入的影响外，还受诸如家庭所有的财富、物价水平、金融机构存款利息等多种因素的影响，表现在线性回归模型中的解释变量有多个。这样的模型被称为多元线性回归模型。（multivariable linear regression model ）多元线性回归模型的一般形式为：其中k 为解释变量的数目，j β (j=1,2,…，k)称为回归系数（regression coefficient)。上式也被称为总体回归函数的随机表达式。它的非随机表达式为： j β也被称为偏回归系数（partial regression coefficient)。 2、多元线性回归计算模型多元性回归模型的参数估计，同一元线性回归方程一样，也是在要求误差平方和（Σe)为最小的前提下，用最小二乘法或最大似然估计法求解参数。设（ 11 x ， 12 x ，…， 1p x ， 1 y ），…，（ 1 n x ， 2 n x ，…， np x ， n y ）是一个样本，用最大似然估计法估计参数：达到最小。

把（4）式化简可得：引入矩阵：方程组（5）可以化简得：可得最大似然估计值：

3、Matlab 多元线性回归的实现多元线性回归在Matlab 中主要实现方法如下：（1）b=regress(Y, X ) 确定回归系数的点估计值其中（2）[b,bint,r,rint,stats]=regress(Y,X,alpha)求回归系数的点估计和区间估计、并检验回归模型 ①bint 表示回归系数的区间估计. ②r 表示残差 ③rint 表示置信区间 ④stats 表示用于检验回归模型的统计量,有三个数值：相关系数r2、F 值、与F 对应的概率p 说明：相关系数r2越接近1，说明回归方程越显著；F>F1-alpha(p,n-p-1) 时拒绝H0，F 越大，说明回归方程越显著；与F 对应的概率p<α 时拒绝H0，回归模型成立。 ⑤alpha 表示显著性水平(缺省时为0.05) （3）rcoplot(r,rint) 画出残差及其置信区间

数学建模挑战赛真题

数学建模挑战赛真题--垃圾焚烧厂布袋式除尘系统运行稳定性分析今天，以焚烧方法处理生活垃圾已是我国社会维持可持续发展的必由之路。然而，随着社会对垃圾焚烧技术了解的逐步深入，民众对垃圾焚烧排放污染问题的担忧与日俱增，甚至是最新版的污染排放国标都难以满足民众对二恶英等剧毒物质排放的控制要求（例如国标允许焚烧炉每年有60小时的故障排放时间，而对于焚烧厂附近的居民来说这是难以接受的）。事实上，许多垃圾焚烧厂都存在虽然排放达标，但却仍然扰民的现象。国标控制排放量与民众环保诉求之间的落差，已成为阻碍新建垃圾焚烧厂选址落地的重要因素。而阻碍国标进一步提升的主要问题还是现行垃圾焚烧除尘工艺存在缺乏持续稳定性等重大缺陷。另外，在各地不得不建设大型焚烧厂集中处理垃圾的情况下，采用现行除尘工艺的大型焚烧厂即便其排放浓度不超标，却仍然存在排放总量限额超标的问题，也会给当地的环境带来重大的恶化影响。总之，现行垃圾焚烧除尘工艺不能持续稳定运行的缺陷，是致使社会公众对垃圾焚烧产生危害疑虑的主要原因。因此，量化分析布袋除尘器运行稳定性问题，不仅能深入揭示现行垃圾焚烧烟气处理技术缺陷以期促进除尘技术进步，同时也能对优化焚烧工况控制及运行维护规程有所帮助。附件1是某垃圾焚烧发电厂布袋式烟气处理系统的部分实际运行数据，从中可以看出，布袋除尘工艺环节对整个袋式烟气处理系统的运行稳定性有决定性影响。请收集资料，综合研究现行垃圾焚烧发电厂袋式除尘系统影响烟尘排放量的各项因素，构建数学模型分析袋式除尘系统运行稳定性问题，并分析其运行稳定性对周边环境烟尘排放总量的影响。基于你的模型请回答下述问题： 1、如果给定焚烧厂周边范围单位面积排放总量限额（地区总量/地区面积），在考虑除尘系统稳定性因素的前提下，试分析讨论焚烧厂扩建规模的环境允许上限是多少？并基于你的分析结果，向政府提出环境保护综合监测建议方案； 2、如果采用一种能够完全稳定运行、且除尘效果超过布袋除尘工艺的新型超净除尘替代工艺，你的除尘模型稳定性能提升多少？

回归模型的残差分析

回归模型的残差分析山东胡大波判断回归模型的拟合效果是回归分析的重要内容，在回归分析中，通常用残差分析来判断回归模型的拟合效果。下面具体分析残差分析的途径及具体例子。一、残差分析的两种方法 1、差分析的基本方法是由回归方程作出残差图，通过观测残差图，以分析和发现观测数据中可能出现的错误以及所选用的回归模型是否恰当；在残差图中，残差点比较均匀地落在水平区域中，说明选用的模型比较合适，这样的带状区域的宽度越窄，说明模型的拟合精度越高，回归方程的预报精度越高。 2、可以进一步通过相关指数∑∑==--- =n i i n i i i y y y y R 1 2 1 2 ^ 2 )()(1来衡量回归模型的拟合效果，一般规律是2 R 越大，残差平方和就越小，从而回归模型的拟合效果越好。二、典例分析：例1、某运动员训练次数与运动成绩之间的数据关系如下：试预测该运动员训练47次以及55次的成绩。解答：（1）作出该运动员训练次数x 与成绩y 之间的散点图，如图1所示，由散点图可知，它们之间具有线性相关关系。（2）列表计算：由上表可求得875.40,25.39==y x ， 126568 1 2 =∑=i i x ，137318 1 2=∑=i i y ，

131808 1 =∑=i i i y x ，所以∑∑==---= 8 1 2 8 1 )() )((i i i i i x x y y x x β.0415.188 1 2 28 1≈--= ∑∑==i i i i i x x y x y x 00302.0-≈-=x y βα，所以回归直线方程为.00302.00415.1^ -=x y （3）计算相关系数将上述数据代入∑∑∑===---= 8 1 8 1 2 22 2 8 1 ) 8)(8(8i i i i i i i y y x x y x y x r 得992704.0=r ，查表可知 707.005.0=r ，而05.0r r >，故y 与x 之间存在显着的相关关系。（4）残差分析：作残差图如图2，由图可知，残差点比较均匀地分布在水平带状区域中，说明选用的模型比较合适。计算残差的方差得884113.02 =σ ，说明预报的精度较高。（5）计算相关指数2 R 计算相关指数2 R ＝0.9855.说明该运动员的成绩的差异有98.55％是由训练次数引起的。（6）做出预报由上述分析可知，我们可用回归方程 .00302.00415.1^ -=x y 作为该运动员成绩的预报值。将x ＝47和x ＝55分别代入该方程可得y ＝49和y ＝57，故预测运动员训练47次和55次的成绩分别为49和57. 点评：一般地，建立回归模型的基本步骤为：（1）确定研究对象，明确哪个变量是解释变量，哪个变量是预报变量；（2）画出确定好的解释变量和预报变量的散点图，观察它们之间的关系（如是否存在线性关系等）；（3）由经验确定回归方程的类型（如我们观察到数据呈线性关系，则选用线性回归方程y ＝bx ＋a ）；（4）按一定规则估计回归方程中的参数（如最小二乘法）；（5）得出结果后分析残差图是否有异常（个别数据对应残差过大，或残差呈现不随机的规律性等等），若存在异常，则检查数据是否有误，或模型是否合适等。例2、某城区为研究城镇居民月家庭人均生活费支出和月人均收入的相关关系，随机抽取

数学建模数据分析题

承诺书我们仔细阅读了中国矿业大学数学建模常规赛论文格式规范和2016年中国矿业大学数学建模常规赛通知。我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。我们知道，抄袭别人的成果是违反竞赛章程和参赛规则的，如果引用别人的成果或资料（包括网上资料），必须按照规定的参考文献的表述方式列出，并在正文引用处予以标注。在网上交流和下载他人的论文是严重违规违纪行为。我们以中国矿业大学大学生名誉和诚信郑重承诺，严格遵守竞赛章程和参赛规则，以保证竞赛的公正、公平性。如有违反竞赛章程和参赛规则的行为，我们将受到严肃处理。我们授权中国矿业大学数学建模协会，可将我们的论文以任何形式进行公开展示（包括进行网上公示，在书籍、期刊和其他媒体进行正式或非正式发表等）。我们的参赛队号：25 参赛队员(打印并签名)：1.易阳俊 2.令月霞 3.刘景瑞日期： 2016年 10 月日（请勿改动此页内容和格式。此承诺书打印签名后作为纸质论文的封面。以上内容请仔细核对，如填写错误，论文可能被取消评奖资格。）

编号专用页评阅统一编号（数学建模协会填写）：

数学建模-数据的统计分析

数学建模与数学实验课程设计学院数理学院专业数学与应用数学班级学号学生姓名指导教师 2015年6月

数据的统计分析摘要问题：某校60名学生的一次考试成绩如下： 93 75 83 93 91 85 84 82 77 76 77 95 94 89 91 88 86 83 96 81 79 97 78 75 67 69 68 84 83 81 75 66 85 70 94 84 83 82 80 78 74 73 76 70 86 76 90 89 71 66 86 73 80 94 79 78 77 63 53 55 （1）计算均值、标准差、极差、偏度、峰度，画出直方图；（2）检验分布的正态性；（3）若检验符合正态分布，估计正态分布的参数并检验参数；模型：正态分布。方法：运用数据统计知识结合MATLAB软件结果：符合正态分布

一．问题重述某校60名学生的一次考试成绩如下： 93 75 83 93 91 85 84 82 77 76 77 95 94 89 91 88 86 83 96 81 79 97 78 75 67 69 68 84 83 81 75 66 85 70 94 84 83 82 80 78 74 73 76 70 86 76 90 89 71 66 86 73 80 94 79 78 77 63 53 55 （1）计算均值、标准差、偏差、峰度，画出直方图；（2）检验分布的正态性；（3）若检验符合正态分布，估计正态分布的参数并检验参数。二．模型假设假设一：此组成绩没受外来因素影响。假设二：每个学生都是独自完成考试的。假设三：每个学生的先天条件相同。三．分析与建立模型像类似数据的信息量比较大，可以用MATLAB 软件决绝相关问题，将n 名学生分为x 组，每组各n\x 个学生，分别将其命为1x ，2X ……j x 由MATLAB 对随机统计量x 进行命令。此时对于直方图的命令应为 Hist(x,j) 源程序为： x1=[93 75 83 93 91 85 84 82 77 76 ] x2=[77 95 94 89 91 88 86 83 96 81 ] x3=[79 97 78 75 67 69 68 84 83 81 ]

初中数学数学论文线性回归分析的数学模型

线性回归分析的数学模型在实际问题中常常遇到简单的变量之间的关系，我们会遇到多个变量同处于一个过程之中，它们之间互相联系、互相制约．这些问题中最简单的是线性回归．线性回归分析是对客观事物数量关系的分析，是一种重要的统计分析方法，被广泛的应用于社会经济现象变量之间的影响因素和关联的研究．由于客观事物的联系错综复杂经济现象的变化往往用一个变量无法描述，故本篇论文在深入分析一元线性回归及数学模型的情况下，又详细地介绍了多元线性回归方程的参数估计和其显著性检验等．全面揭示了这种复杂的依存关系，准确测定现象之间的数量变动．以提高预测和控制的准确度．本文中详细的阐述了线性回归的定义及其线性模型的简单分析并应用了最小二乘法原理．具体介绍了线性回归分析方程参数估计办法和其显著性检验．并充分利用回归方程进行点预测和区间预测．但复杂的计算给分析方法推广带来了困难，需要相应的操作软件来计算回归分析求解操作过程中的数据．以提高预测和控制的准确度．从而为工农业生产及研究起到强有力的推动作用．关键词：线性回归；最小二乘法；数学模型目录第一章前言 (1) 第二章线性模型 (2) 第一节一元线性模型 (2) 第二节多元线性模型 (4) 第三章参数估计 (5) 第一节一元线性回归方程中的未知参数的估计 (5) 第二节多元线性回归模型的参数估计 (8) 第四章显著性检验 (13) 第一节一元线性回归方程的显著性检验 (13) 第二节多元线性回归方程的显著性检验 (20) 第五章利用回归方程进行点预测和区间预测 (21) 第六章总结 (26) 致谢 (27) 参考文献………………………………………………………………………… 第一章前言

数学建模例题及解析

。例１差分方程—-资金的时间价值问题1：抵押贷款买房——从一则广告谈起每家人家都希望有一套(甚至一栋)属于自己的住房，但又没有足够的资金一次买下，这就产生了贷款买房的问题。先看一下下面的广告（这是1991年1月1日某大城市晚报上登的一则广告）,任何人看了这则广告都会产生许多疑问,且不谈广告中没有谈住房面积、设施等等,人们关心的是：如果一次付款买这栋房要多少钱呢?银行贷款的利息是多少呢？为什么每个月要付12０0元呢？是怎样算出来的?因为人们都知道,若知道了房价(一次付款买房的价格），如果自己只能支付一部分款,那就要把其余的款项通过借贷方式来解决,只要知道利息，就应该可以算出五年还清每月要付多少钱才能按时还清贷款了,从而也就可以对是否要去买该广告中所说的房子作出决策了。现在我们来进行数学建模。由于本问题比较简单无需太多的抽象和简化。 a。明确变量、参数，显然下面的量是要考虑的：需要借多少钱，用记; 月利率(贷款通常按复利计）用R记；每月还多少钱用x记; 借期记为N个月。 b.建立变量之间的明确的数学关系。若用记第k个月时尚欠的款数,则一个月后（加上利息后)欠款 , 不过我们又还了x元所以总的欠款为ｋ=0，1，２，３，而一开始的借款为.所以我们的数学模型可表述如下 (1) c. （1)的求解。由

（2）这就是之间的显式关系。 d.针对广告中的情形我们来看（１）和（2）中哪些量是已知的。Ｎ=5年=60个月，已知;每月还款x＝１20０元，已知Ａ.即一次性付款购买价减去７０000元后剩下的要另外去借的款，并没有告诉你，此外银行贷款利率Ｒ也没告诉你,这造成了我们决策的困难.然而,由（2）可知6０个月后还清,即,从而得 (3） A和x之间的关系式，如果我们已经知道银（３)表示Ｎ=6０,x=1２00给定时0 A。例如，若Ｒ=0．01,则由(3)可算得行的贷款利息R，就可以算出0 5３94６元。如果该房地产公司说一次性付款的房价大于70０0０十53946＝12３946元的话，你就应自己去银行借款。事实上，利用图形计算器或Maｔheｍａtiｃa这样的数学软件可把（3）的图形画出来,从而可以进行估算决策。以下我们进一步考虑下面两个问题。注1问题1标题中“抵押贷款”的意思无非是银行伯你借了钱不还，因而要你用某种不动产（包括房子的产权）作抵押，即万一你还不出钱了，就没收你的不动产。例题１某高校一对年青夫妇为买房要用银行贷款６000０元，月利率0.01，贷款期25年=300月，这对夫妇希望知道每月要还多少钱，25年就可还清。假设这对

数学建模各种分析报告方法

现代统计学 1.因子分析(Factor Analysis) 因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系，即将相关比较密切的几个变量归在同一类中，每一类变量就成为一个因子（之所以称其为因子，是因为它是不可观测的，即不是具体的变量），以较少的几个因子反映原资料的大部分信息。运用这种研究技术，我们可以方便地找出影响消费者购买、消费以及满意度的主要因素是哪些，以及它们的影响力（权重）运用这种研究技术，我们还可以为市场细分做前期分析。 2.主成分分析主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前，用主成分分析来分析数据，让自己对数据有一个大致的了解是非常重要的。主成分分析一般很少单独使用：a，了解数据。(screening the data),b,和cluster analysis一起使用，c，和判别分析一起使用，比如当变量很多，个案数不多，直接使用判别分析可能无解，这时候可以使用主成份发对变量简化。（reduce dimensionality）d,在多元回归中，主成分分析可以帮助判断是否存在共线性（条件指数），还可以用来处理共线性。主成分分析和因子分析的区别 1、因子分析中是把变量表示成各因子的线性组合，而主成分分析中则是把主成分表示成个变量的线性组合。 2、主成分分析的重点在于解释个变量的总方差，而因子分析则把重点放在解释各变量之间的协方差。 3、主成分分析中不需要有假设(assumptions),因子分析则需要一些假设。因子分析的假设包括：各个共同因子之间不相关，特殊因子（specific factor）之间也不相关，共同因子和特殊因子之间也不相关。 4、主成分分析中，当给定的协方差矩阵或者相关矩阵的特征值是唯一的时候，的主成分一般是独特的；而因子分析中因子不是独特的，可以旋转得到不同的因子。 5、在因子分析中，因子个数需要分析者指定（spss根据一定的条件自动设定，只要是特征值大于1的因子进入分析），而指定的因子数量不同而结果不同。在主成分分析中，成分的数量是一定的，一般有几个变量就有几个主成分。和主成分分析相比，由于因子分析可以使用旋转技术帮助解释因子，在解释方面更加有优势。大致说来，当需要寻找潜在的因子，并对这些因子进行解释的时候，更加倾向于使用因子分析，并且借助旋转技术帮助更好解释。而如果想把现有的变量变成少数几个新的变量（新的变量几乎带有原来所有变量的信息）来进入后续的分析，则可以使用主成分分析。当然，这中情况也可以使用因子得分做到。所以这中区分不是绝对的。总得来说，主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前，用主成分分析来分析数据，让自己对数据有一个大致的了解是非常重要的。主成分分析一般很少单独使用：a，了解数据。(screening the data),b,

数学建模方法和步骤

数学建模的主要步骤: 第一、模型准备首先要了解问题的实际背景,明确建模目的,搜集必需的各种信息,尽量弄清对象的特征. 第二、模型假设根据对象的特征和建模目的,对问题进行必要的、合理的简化,用精确的语言作出假设,是建模至关重要的一步.如果对问题的所有因素一概考虑,无疑是一种有勇气但方法欠佳的行为,所以高超的建模者能充分发挥想象力、洞察力和判断力,善于辨别主次,而且为了使处理方法简单,应尽量使问题线性化、均匀化. 第三、模型构成根据所作的假设分析对象的因果关系,利用对象的内在规律和适当的数学工具,构造各个量间的等式关系或其它数学结构.这时,我们便会进入一个广阔的应用数学天地,这里在高数、概率老人的膝下,有许多可爱的孩子们,他们是图论、排队论、线性规划、对策论等许多许多,真是泱泱大国,别有洞天.不过我们应当牢记,建立数学模型是为了让更多的人明了并能加以应用,因此工具愈简单愈有价值. 第四、模型求解可以采用解方程、画图形、证明定理、逻辑运算、数值运算等各种传统的和近代的数学方法,特别是计算机技术.一道实际问题的解决往往需要纷繁的计算,许多时候还得将系统运行情况用计算机模拟出来,因此编程和熟悉数学软件包能力便举足轻重. 第五、模型分析对模型解答进行数学上的分析."横看成岭侧成峰,远近高低各不?quot;,能否对模型结果作出细致精当的分析,决定了你的模型能否达到更高的档次.还要记住,不论那种情况都需进行误差分析,数据稳定性分析. 数学建模采用的主要方法有：（一）、机理分析法：根据对客观事物特性的认识从基本物理定律以及系统的结构数据来推导出模型. 1、比例分析法：建立变量之间函数关系的最基本最常用的方法. 2、代数方法：求解离散问题（离散的数据、符号、图形）的主要方法. 3、逻辑方法：是数学理论研究的重要方法,对社会学和经济学等领域的实际问题,在决策,对策等学科中得到广泛应用. 4、常微分方程：解决两个变量之间的变化规律,关键是建立“瞬时变化率”的表达式. 5、偏微分方程：解决因变量与两个以上自变量之间的变化规律. （二）、数据分析法：通过对量测数据的统计分析,找出与数据拟合最好的模型 1、回归分析法：用于对函数f（x）的一组观测值（xi,fi）i=1,2,…,n,确定函数的表达式,由于处理的是静态的独立数据,故称为数理统计方法. 2、时序分析法：处理的是动态的相关数据,又称为过程统计方法. 3、回归分析法：用于对函数f（x）的一组观测值（xi,fi）i=1,2,…,n,确定函数的表达式,由于处理的是静态的独立数据,故称为数理统计方法.

全国大学生数学建模历年试题分析

1992-2012年全国大学生本科数学建模试题分析：赛题类型 92A题施肥效果分析回归分析、数据拟合 92B题实验数据分解离散模型、组合最优化 93A非线性交调的频率设计拟合、规划 93B足球队排名图论、层次分析、整数规划 94A逢山开路图论、插值、动态规划 94B锁具装箱问题图论、组合数学 95A飞行管理问题非线性规划、线性规划 95B天车与冶炼炉的作业调度动态规划、排队论、图论 96A最优捕鱼策略微分方程、优化 96B节水洗衣机非线性规划 97A零件的参数设计非线性规划 97B截断切割的最优排列随机模拟、图论 98A一类投资组合问题多目标优化、非线性规划 98B灾情巡视的最佳路线图论、组合优化 99A自动化车床管理随机优化、计算机模拟 99B钻井布局 0-1规划、图论 00A DNA序列分类模式识别、Fisher判别、人工神经网络00B钢管订购和运输组合优化、运输问题 01A血管三维重建曲线拟合、曲面重建 01B 公交车调度问题多目标规划 02A车灯线光源的优化非线性规划 02B彩票问题单目标决策 03A SARS的传播微分方程、差分方程 03B 露天矿生产的车辆安排整数规划、运输问题 04A奥运会临时超市网点设计统计分析、数据处理、优化 04B电力市场的输电阻塞管理数据拟合、优化 05A长江水质的评价和预测预测评价、数据处理 05B DVD在线租赁随机规划、整数规划 06A出版社书号问题整数规划、数据处理、优化 06B Hiv病毒问题线性规划、回归分析 07A 人口问题微分方程、数据处理、优化 07B 乘公交，看奥运多目标规划、动态规划、图论、0-1规划08A 照相机问题非线性方程组、优化 08B大学学费问题数据收集和处理、统计分析、回归分析09A 制动器试验台的控制方法分析微元分析法 09B 眼科病床的合理安排层次分析法、整数规划、动态规划 10A 储油罐的变位识别与罐容表标定非线性规划、多元拟合 10B 2010年上海世博会影响力的定量评估数据收集和处理、层次分析法时间序列分析 11A 城市表层土壤重金属污染分析微分方程、数据处理、统计分析 11B 交巡警服务平台的设置和调度 0-1规划、单目标规划、多目标规划 12A 葡萄酒的评价统计分析

数学建模的万能模板

K：学科评价模型学科的水平、地位是高等学校的一个重要指标，而学科间水平的评价对于学科的发展有着重要的作用，它可以使得各学科能更加深入的了解本学科(与其他学科相比较)的地位及不足之处，可以更好的促进该学科的发展。因此，如何给出合理的学科评价体系或模型一直是学科发展研究的热点问题。现有某大学（科研与教学并重型高校）的13个学科在一段时期的调查数据，包括各种建设成效数据和前期投入的数据。 1、根据已给数据建立学科评价模型，要求必要的数据分析及建模过程。 2、模型分析，给出建立模型的适用性、合理性分析。 3、假设数据来自于某科研型或教学型高校，请给出相应的学科评价模型。

承诺书

页编号

学科评价摘要（一）对问题的基本认识或处理整个问题的基本框架，思路（简明扼要，重点，亮点突出）研究目的，意义要求）本文研究。。。。问题。。即数学类型的归纳（一）（建模思路）（1.每题数据性质等粗略分析）首先，本文分别分析每个小题的特点：。。。。。（2.建立模型的思路：）针对第一问。。。问题，本文建立。。。模型；在第一个。。。模型中，本文对。。。。。问题进行简化，利用。。。。什么知识建立什么模型；在对。。。。。模型改进的基础上建立了。。。。模型Ⅱ。针对第二。。。。。。针对第三。。。。。。。（三）算法思想，求解思路，使用方法，程序） 1）针对模型求解，(设计。。。求解思路)。本文使用。。。什么算法，。。软件工具，对附件中所给的数据进行筛选，去除异常数据，对残缺数据进行适当的补充，求解出什么问题，进一步求解出。。。什么结果。（方法，软件，结果清晰写出来） 2）建模特点，模型检验）对模型进行合理的理论证明和推导，所给出的理论证明结果大约为。。。。。模型优点。。。，建模思想方法。。。。，算法特点。。。。。，结果检验。。。。，。。。。，模型检验。。。。从中随机抽取了3组（每组8个采样）对理论结果进行了数据模拟，