企业电子商务战略决策中变动成本要素及数学模型分析

摘要：互联网应用技术的成熟及日益普及使得电子商务已经成为一种大众化的商业模式，正在逐步改变人们的传统消费行为和生活方式。在企业进行电子商务活动的战略决策中，对电子商务业务开展的成本分析至关重要。文章在王忠元等人通过“企业电子商务战略固定成本数学模型建立”一文建立的企业电子商务的成本时间函数基础上，分析企业开展电子商务的流程，分别提炼出企业电子商务的变动成本因素，建立了相应的变动成本数学模型，并且完善了企业电子商务时间成本函数，为企业电子商务战略决策中的成本分析提供了量化方法。

关键词：企业；电子商务；变动成本；战略决策；数学模型信息技术及互联网应用的飞速发展和普及使得电子商务成为了大众化的商业模式。电子商务正在逐步改变人们的传统消费行为和生活方式。企业经营模式的转变也迫在眉睫，适时介入并开展电子商务经营已经成为企业经营战略变革的必然趋势。在企业进行电子商务活动的战略决策中，对电子商务业务开展成本分析至关重要。由于电子商务发展迅速，在这方面的研究文献极为有限，其中王忠元等人在“企业电子商务战略固定成本数学模型建立”一文对企业开展电子商务活动经营流程中的固定成本因素进行了分析和提炼，并且建立了相应的成本时间函数。研究结论是基于企业开展电子商务活动整个经营流程进行探索和提炼的。企业电子商务的开展包括相互关联的活动：企业电子商务项目策划、电子商务系统开发建设及电子商务经营活动。这些电子商务活动在时间上是按顺序进行的，如图1所示。

图中，t0是企业开始涉足于电子商务商务活动起始时间点，企业开始进行电子商务项目建设策划；t1是企业电子商务系统及平台开发起始时间点；t2是企业进行电子商务的商务运作起始时间点。从企业电子商务活动的成本考虑，从t0开始，企业进行电子商务项目策划，随着时间推移，成本随之增加；在t1时间点进入电子商务系统开发开发阶段后，成本也持续增加；在t2时间点，企业开始的电子商务的经营，网上交易活动开始产生效益，但是电子商务运营中必然存在经营成本，包括固定成本及其变动成本，因此成本也持续增长。其收入时间曲线R（t）和成本时间曲线C（t）如图1所示。当收入时间曲线和时间成本曲线相交时，说明企业电子商务经营达到盈亏平衡，即为图1所示的“企业电子商务的盈亏平衡点”。

1 上述企业电子商务成本模型的不足

王忠元等人建立的数学模型为企业开展电子商务活动的成本效益量化分析开创了先河，由于该模型仅仅只考虑了企业开展电子商务活动流程中的固定成本因素，而企业开展电子商务经营必然存在变动成本，因此该数学模型本身是不完善的。由此有必要重新研究企业电子商务活动及项目建设的整个流程，并深入分析其中的变动成本因素，并通过建立数学模型完善企业电子商务时间成本函数，为企业开展电子商务决策提供量化的方法。

2 企业开展电子商务活动的变动成本分析

变动成本（Variable Costs）与固定成本相反，是指那些成本的总发生额在相关范围内随着业务量的变动而呈线性变动的成本。变动成本在一定期间内它们的发生总额随着业务量的增减而成正比例变动，但单位产品的耗费则保持不变。

企业电子商务项目策划及电子商务系统开发阶段，电子商务活动的成本主要是人力资源成本和部分开发软件硬件投入，这些投入一般是刚性的、固定的，因

《数学模型》

《数学模型》考试大纲适应专业：数学与应用数学、信息与计算科学、统计学、应用统计学专业一、课程性质与目的要求数学模型课亦称为数学建模课，它是数学与应用数学、信息与计算科学、统计学、应用统计学专业必修课或限选课，教育部1998年颁布的高等学校本科专业目录中，把“数学模型”课作为数学类专业的必开课。数学模型是架于实际问题与数学理论之间的桥梁。数学模型就是应用数学语言和方法，对于现实世界中的实际问题进行抽象、简化和假设所得到的数学结构。本课程是研究数学建模的理论、思想和方法，研究建立数学模型、简单的优化模型、数学规划模型、微分方程模型、代数方程与差分方程模型、稳定性模型、离散模型、概率模型等。数学模型课需要用到数学分析、高等代数、微分方程、图论、概率统计、运筹学等数学知识，它是学生所学数学知识的综合应用，是培养学生综合素质以及应用数学知识解决实际问题的能力的良好课程。该课程的考试评价依据是按照课程目标、教学内容和要求，把握合适的难易程度出试卷，用笔试的方法对学生学习情况和学习成绩做出评价。二、课程内容和考核要求第一章建立数学模型１、考核知识点：数学建模的背景及重要意义、数学模型与数学建模、数学模型的分类与特点、数学建模的基本方法和步骤、数学建模举例等。２、考核要求：（1）理解数学建模的背景及意义、原型、模型、数学模型、数学建模等概念。（2）理解数学模型的各种分类、数学模型的特点。（3）理解数学建模的基本方法和步骤、通过实例初步了解数学建模的思想和方法。第二章简单的优化模型１、考核知识点：存储模型、生猪的出售时机、森林救火、冰山运输等。

２、考核要求：（1）掌握应用微积分理论建立存储问题模型。（2）理解应用微积分理论建立生猪的出售时机模型和森林灭火模型。（3）理解应用微积分理论建立冰山运输问题模型。第三章数学规划模型１、考核知识点：数学规划问题的基本概念、数学规划问题图解法步骤、生产安排问题、奶制品的生产与销售等。２、考核要求：（1）掌握数学规划问题的基本概念、数学规划问题图解法步骤。（2）掌握生产安排问题的模型及图解法。（3）理解奶制品的生产与销售的模型及求解。第四章微分方程模型１、考核知识点：传染病模型、正规战与游击战、药物在体内的分布与排除、香烟过滤嘴的作用等。２、考核要求：（1）理解传染病问题的建模及讨论。（2）理解战争问题、房室问题的建模及讨论。（3）了解香烟过滤嘴作用问题的建模及讨论。第五章代数方程与差分方程模型１、考核知识点：量纲、量纲齐次原理、量纲分析法、差分方程的基本概念、市场经济中蛛网模型、节食与运动问题等。２、考核要求：（1）掌握量纲、量纲齐次原理、量纲分析法建模及解法步骤。（2）掌握市场经济中蛛网模型及解法步骤。（3）理解理解差分方程的基本概念、减肥问题的建模思想。第六章稳定性模型

第1章数学建模与误差分析

第1章数学建模与误差分析 1.1 数学与科学计算数学是科学之母，科学技术离不开数学，它通过建立数学模型与数学产生紧密联系，数学又以各种形式应用于科学技术各领域。数学擅长处理各种复杂的依赖关系，精细刻画量的变化以及可能性的评估。它可以帮助人们探讨原因、量化过程、控制风险、优化管理、合理预测。近几十年来由于计算机及科学技术的快速发展，求解各种数学问题的数值方法即计算数学也越来越多地应用于科学技术各领域，相关交叉学科分支纷纷兴起，如计算力学、计算物理、计算化学、计算生物、计算经济学等。科学计算是指利用计算机来完成科学研究和工程技术中提出的数学问题的计算，是一种使用计算机解释和预测实验中难以验证的、复杂现象的方法。科学计算是伴随着电子计算机的出现而迅速发展并获得广泛应用的新兴交叉学科，是数学及计算机应用于高科技领域的必不可少的纽带和工具。科学计算涉及数学的各分支，研究它们适合于计算机编程的数值计算方法是计算数学的任务，它是各种计算性学科的联系纽带和共性基础，兼有基础性和应用性的数学学科。它面向的是数学问题本身而不是具体的物理模型，但它又是各计算学科共同的基础。随着计算机技术的飞速发展，科学计算在工程技术中发挥着愈来愈大的作用,已成为继科学实验和理论研究之后科学研究的第三种方法。在实际应用中所建立的数学模型其完备形式往往不能方便地求出精确解，于是只能转化为简化模型，如将复杂的非线性模型忽略一些因素而简化为线性模型，但这样做往往不能满足精度要求。因此，目前使用数值方法来直接求解较少简化的模型，可以得到满足精度要求的结果，使科学计算发挥更大作用。了解和掌握科学计算的基本方法、数学建模方法已成为科技人才必需的技能。因此，科学计算与数学建模的基本知识和方法是工程技术人才必备的数学素质。 1.2 数学建模及其重要意义数学，作为一门研究现实世界数量关系和空间形式的科学，在它产生和发展的历史长河中，一直是和人们生活的实际需要密切相关。用数学方法解决工程实际和科学技术中的具体问题时，首先必须将具体问题抽象为数学问题，即建立起能描述并等价代替该实际问题的数学模型，然后将建立起的数学模型，利用数学理论和计算技术进行推演、论证和计算，得到欲求解问题的解析解或数值解，最后用求得的解析解和数值解来解决实际问题。本章主要介绍数学建模基本过程和求解数学问题数值方法的误差传播分析。 1.2.1 数学建模的过程数学建模过程就是从现实对象到数学模型，再从数学模型回到现实对象的循环，一般通过表述、求解、解释、验证几个阶段完成。数学建模过程如图1.2.1所示，数学模型求解方法可分为解析法和数值方法，如图1.2.2所示。表述是将现实问题“翻译”成抽象的数学问题，属于归纳。数学模型的求解方法则属于演绎。归纳是依据个别现象推出一般规律；演绎是按照普遍原理考察特定对象，导出结论。演绎利用严格的逻辑推理，对解释现象做出科学预见，具有重要意义，但是它要以归纳的结论作为公理化形式的前提，只有在这个前提下

因子分析模型的建立

基于因子分析模型的居民消费价格指数影响因素分析摘要：由于目前对居民消费价格变动原因的分析指标很多，且指标体系中各指标之间存在着多重共线性，从而影响了分析模型的稳定性，使所得模型中出现了不符合经济学原理的现象。本文采用多元统计分析方法，以2010年居民消费物价水平为例，建立了关于居民消费价格分类指数变动的因子分析模型，研究发现影响居民消费价格指数的主要因素为食品、衣着和家用设备等生活必需品的价格水平，其次为健身等娱乐设施价格和房价水平。关键词：消费价格指数；影响因素；因子分析一、研究背景随着社会主义市场经济体制的确立和逐步完善，我国经济总量和综合实力迅速上升，居民的生活水平显着提高，经济和社会都有了较大的发展。相对于过去而言，居民食品方面的消费支出比重在逐渐下降，而在文化娱乐等方面的消费支出比重越来越大。国家发改委在全国物价局长会议上指出，明年要围绕促进经济平稳较快发展这一主线，积极稳妥地推进价格改革，切实改进价格监管，保持价格总水平基本稳定。同时由于影响价格变动的因素日益复杂，价格异常波动的可能性增加。分析影响居民消费价格指数的主要影响因素，改进价格监管，保持价格总水平基本稳定有着重要意义；同时也为产业政策的制定和宏观经济的调控提供了参考。居民消费价格指数（CPI）是反映与居民生活有关的产品及劳务价格统计出来的物价变动指标，通常作为观察通货膨胀水平的重要指标，在一定程度上也反映出我国居民消费结构的变化。本文通过对2010年全国居民消费价格指数的变化进行因子分析，从而确定出影响全国居民消费物价水平和消费结构变化的主导因素。二、因子分析模型的建立因子分析最初是由英国心理学家C.Spearman提出的，是多元统计分析的一个重要分支，其主要目的是浓缩数据。通过对诸多变量的相关性研究，来表示原来变量的主要信息。假设有n个样本，对于多指标问题X=（X1，X2，...Xk），形成的背景原因是多种多样的，其中共同原因称为公共因子，假设用Fj表示，它们之间是两两正交的；每一个分量Xi又有其特定的原因，称为特殊因子，假设用ei表示，其两两之间互不相关，且只对相应的Xi起作用。同时，F与e相互独立。于是因子分析的数学模型可表示为： Fi叫做公共因子(也称主因子)，它们是在各个原观测变量的表达式中都共同出现的因子，是相互独立的不可观测的理论变量。

数学模型.doc

数学模型复习题 1、)(t x 为连续函数，初值条件0)0(x x = ，假设其增长率为常数r ，显然有 t t rx t x t t x ?=-?+)()()(，则其满足微分方程；微分方程满足初值条件的解为；这个模型称为。阻滞增长模型的形式的微分形式；求解得到的曲线称为曲线。 2、叙述数学建模的一般步骤模型准备、模型假设、模型构成、模型求解、模型分析、模型检验、模型应用从思想上理解。 3、简述数学模型按以下方面的分类：按应用领域可分为：人口、交通、能源、环境、经济、规划等等；按建立模型的数学方法可分为：初等数学模型、几何模型、微分方程模型、统计回归模型、数学规划模型等等；按模型的表现特征可以分为：确定性和随机性、线性和非线性、静态和动态、连续与离散等等。可以灵活理解。 4、在超市购物时你可能注意到大包装商品比小包装商品便宜，比如中华牙膏65g 每支2.5元，120g 每支3.8元，二者单位重量的价格比约为1.21：1。（1）分析商品单位重量价格C 与商品重量w 的关系。价格由生产成本、包装成本和其他成本所决定，这些成本中有的与体积成正比、有的与表面积成正比、有的与体积（重量w ）无关。（2）给出单位重量价格C 与w 的关系，画出它们的简图。说明w 越大C 越小，但是随着w 的增加C 减小的速度变慢，解释其意义是什么？ 5、2010级新生入学后，统计与应用数学学院共有在校学生1055人，其中统计学专业520人，信息与计算科学专业265人，数学与应用数学专业270人。要在全院推选23名学生组成学生代表团，试用下面的方法分配各专业的学生代表：（1）按比例分配取整的方法，剩下的名额按惯例分配给小数部分较大者；（2）用Q 值方法进行分配。 6、工厂定期订购原料，存入仓库供生产之用。设在一个生产周期T 内，原料每天的需求量为常数r ，每次的定货费用为1c ，每天每单位原料的存储费为2c ，订货后可立即到货，每次订货量为Q 。（1）建立一周期的总费用函数（包括订货费与库存费，购货费是常数可不予考虑）；（2）为使每天的平均费用最小，求最佳订货批量Q 、订货周期T 和最小成本C 。 7、一饲养场每天投入4元资金用于饲料、设备、人力，估计可使一头80公斤重的生猪每天体重增加2公斤。目前生猪的出售价格为每公斤8元，但是预测价格每天降低0.1元。（1）问该饲养场应该在什么时候出售这样的生猪最划算？（2）在最佳出售时机的价格之下，作体重增加关于时间的弹性分析，并对弹性分析作出相应的解释；（3）在最佳出售时机的价格之下，作价格的降低关于时间的弹性分析，并对弹性分析作出相应的解释； 8、利润)(p U 是销售收入)(p I 与生产支出)(p C 之差，p 为每单位商品的售价，即

数学建模 SPSS 典型相关分析

典型相关分析在对经济问题的研究和管理研究中，不仅经常需要考察两个变量之间的相关程度，而且还经常需要考察多个变量与多个变量之间即两组变量之间的相关性。典型相关分析就是测度两组变量之间相关程度的一种多元统计方法。典型相关分析计算步骤（一）根据分析目的建立原始矩阵原始数据矩阵 ? ?????? ?????? ?nq n n np n n q p q p y y y x x x y y y x x x y y y x x x 2 1 2 1222 21 22211121111211 （二）对原始数据进行标准化变化并计算相关系数矩阵 R = ?? ? ? ??2221 1211 R R R R 其中11R ，22R 分别为第一组变量和第二组变量的相关系数阵，12R = 21 R '为第一组变量和第二组变量的相关系数（三）求典型相关系数和典型变量计算矩阵=A 111-R 12R 122-R 21R 以及矩阵=B 122-R 21R 1 11-R 12R 的特征值和特征向量，分别得典型相关系数和典型变量。（四）检验各典型相关系数的显著性第五节利用SPSS 进行典型相关分析第一步，录入原始数据，如下表：X1 X2 X3 X4 X5 分别代表多孩率、综合节育率、初中及以上受教育程度的人口比例、人均国民收入和城镇人口比例。研究人口出生与教育程度、生活水平等的相关。

1、点击“Files→New→Syntax”打开如下对话框。 2、输入调用命令程序及定义典型相关分析变量组的命令。如图

输入时要注意“Canonical correlation.sps”程序所在的根目录，注意变量组的格式和空格。第三步，执行程序。用光标选择这些命令，使其图黑，再点击运行键，即可得到所有典型相关分析结果。

(完整版)SPSS因子分析法-例子解释

因子分析的基本概念和步骤一、因子分析的意义在研究实际问题时往往希望尽可能多地收集相关变量，以期望能对问题有比较全面、完整的把握和认识。例如，对高等学校科研状况的评价研究，可能会搜集诸如投入科研活动的人数、立项课题数、项目经费、经费支出、结项课题数、发表论文数、发表专著数、获得奖励数等多项指标；再例如，学生综合评价研究中，可能会搜集诸如基础课成绩、专业基础课成绩、专业课成绩、体育等各类课程的成绩以及累计获得各项奖学金的次数等。虽然收集这些数据需要投入许多精力，虽然它们能够较为全面精确地描述事物，但在实际数据建模时，这些变量未必能真正发挥预期的作用，“投入”和“产出”并非呈合理的正比，反而会给统计分析带来很多问题，可以表现在：计算量的问题由于收集的变量较多，如果这些变量都参与数据建模，无疑会增加分析过程中的计算工作量。虽然，现在的计算技术已得到了迅猛发展，但高维变量和海量数据仍是不容忽视的。变量间的相关性问题收集到的诸多变量之间通常都会存在或多或少的相关性。例如，高校科研状况评价中的立项课题数与项目经费、经费支出等之间会存在较高的相关性；学生综合评价研究中的专业基础课成绩与专业课成绩、获奖学金次数等之间也会存在较高的相关性。而变量之间信息的高度重叠和高度相关会给统计方法的应用带来许多障碍。例如，多元线性回归分析中，如果众多解释变量之间存在较强的相关性，即存在高度的多重共线性，那么会给回归方程的参数估计带来许多麻烦，致使回归方程参数不准确甚至模型不可用等。类似的问题还有很多。为了解决这些问题，最简单和最直接的解决方案是削减变量的个数，但这必然又会导致信息丢失和信息不完整等问题的产生。为此，人们希望探索一种更为有效的解决方法，它既能大大减少参与数据建模的变量个数，同时也不会造成信息的大量丢失。因子分析正式这样一种能够有效降低变量维数，并已得到广泛应用的分析方法。因子分析的概念起源于20世纪初Karl Pearson和Charles Spearmen等人关于智力测验的统计分析。目前，因子分析已成功应用于心理学、医学、气象、地址、经济学等领域，并因此促进了理论的不断丰富和完善。因子分析以最少的信息丢失为前提，将众多的原有变量综合成较少几个综合指标，名为因子。通常，因子有以下几个特点： ↓因子个数远远少于原有变量的个数原有变量综合成少数几个因子之后，因子将可以替代原有变量参与数据建模，这将大大减少分析过程中的计算工作量。 ↓因子能够反映原有变量的绝大部分信息因子并不是原有变量的简单取舍，而是原有变量重组后的结果，因此不会造成原有变量信息的大量丢失，并能够代表原有变量的绝大部分信息。 ↓因子之间的线性关系并不显著由原有变量重组出来的因子之间的线性关系较弱，因子参与数据建模能够有效地解决变量多重共线性等给分析应用带来的诸多问题。 ↓因子具有命名解释性通常，因子分析产生的因子能够通过各种方式最终获得命名解释性。因子的命名解

数学建模方法模型

数学建模方法模型一、统计学方法 1 多元回归 1、方法概述: 在研究变量之间的相互影响关系模型时候用到。具体地说:其可以定量地描述某一现象和某些因素之间的函数关系，将各变量的已知值带入回归方程可以求出因变量的估计值，从而可以进行预测等相关研究。 2、分类分为两类:多元线性回归和非线性线性回归;其中非线性回归可以通过一定的变化转化为线性回归，比如:y=lnx 可以转化为 y=u u=lnx 来解决;所以这里主要说明多元线性回归应该注意的问题。 3、注意事项在做回归的时候，一定要注意两件事: (1) 回归方程的显著性检验(可以通过 sas 和 spss 来解决) (2) 回归系数的显著性检验(可以通过 sas 和 spss 来解决) 检验是很多学生在建模中不注意的地方，好的检验结果可以体现出你模型的优劣，是完整论文的体现，所以这点大家一定要注意。 4、使用步骤: (1)根据已知条件的数据，通过预处理得出图像的大致趋势或者数据之间的大致关系; (2)选取适当的回归方程; (3)拟合回归参数; (4)回归方程显著性检验及回归系数显著性检验 (5)进行后继研究(如:预测等)

2 聚类分析 1、方法概述该方法说的通俗一点就是，将 n个样本，通过适当的方法(选取方法很多，大家可以自行查找，可以在数据挖掘类的书籍中查找到，这里不再阐述)选取 m 聚类中心，通过研究各样本和各个聚类中心的距离 Xij，选择适当的聚类标准，通常利用最小距离法(一个样本归于一个类也就意味着，该样本距离该类对应的中心距离最近)来聚类，从而可以得到聚类结果，如果利用sas 软件或者 spss 软件来做聚类分析，就可以得到相应的动态聚类图。这种模型的的特点是直观，容易理解。 2、分类聚类有两种类型: (1) Q型聚类:即对样本聚类; (2) R型聚类:即对变量聚类; 通常聚类中衡量标准的选取有两种: (1) 相似系数法 (2) 距离法聚类方法: (1) 最短距离法 (2) 最长距离法 (3) 中间距离法 (4) 重心法 (5) 类平均法 (6) 可变类平均法 (7) 可变法

数学建模模拟题,图论,回归模型,聚类分析,因子分析等 (48)

第11章第2题摘要本题分析4 种化肥和3 个小麦品种对小麦产量的影响，以及二者交互作用对小麦产量的影响，可视为两因素方差分析，即化肥和小麦品种两个因素，4种化肥可看作是化肥的四个不同水平，3个小麦品种也可以看作是小麦品种的三个不同水平。试验的目的是分析化肥的四个不同水平以及小麦品种的三个不同水平对小麦产量有无显着性影响。关键词：方差分析显着性化肥种类小麦品种

一．问题重述为了分析4 种化肥和3 个小麦品种对小麦产量的影响，把一块试验田等分成36个小块，分别对3种种子和四种化肥的每一种组合种植3 小块田，产量如表1所示（单位公斤），问不同品种、不同种类的化肥及二者的交互作用对小麦产量有无显着影响。二．问题分析本题意在分析四种化肥和三种小麦品种对小麦产量的影响，以及二者交互作用对小麦产量的影响，为两因素方差分析问题，即化肥和小麦品种两个因素，4种化肥可看作是化肥的四个不同水平，3个小麦品种也可以看作是小麦品种的三个不同水平。通过对这两种因素的不同水平及交互作用的分析，从而分析 4 种化肥和3 个小麦品种对小麦产量的影响。三．模型假设 1.假设只有化肥种类和小麦品种两个因素，其他因素对试验结果不构成影响。 2.假设不存在数据记录错误。 3.假设每一块试验田本身各项指标相同，不会影响结果。四．符号说明数字1,2,3,4——不同的化肥种类数字1,2,3——不同的小麦品种五．模型建立将化肥种类和小麦品种视为两个因素，四种化肥种类看作是化肥种类的四个不同水平，三个小麦品种看作是小麦品种的三个不同水平，将表1的数据进行整理，如表2所示。

六．模型求解将表2数据导入到spss软件中，进行两因素方差检验，得到结果如下：表3

因子分析例题

因子分析例题公司内部编号：（GOOD-TMMT-MMUT-UUPTY-UUYY-DTTI-

因子分析因子分析（Factor Analysis ）是主成分分析的推广，它也是从研究相关矩阵内部的依赖关系出发，把一些具有错综复杂关系的变量归结为少数几个综合变量的一种多变量统计分析方法。第一节因子分析的基本思想首先我们看下面两个实际例子：例1．例1．某企业招聘人才，对每位应聘者进行外貌、申请书的形式、专业能力、讨人喜欢的能力、自信心、洞察力、诚实、推销本领、经验、积极性、抱负、理解能力、潜在能力、实际能力、适应性等15个方面的考核。这15个方面可归结为应聘者的外露能力、讨人喜欢的能力、经验、专业能力4个方面，每一方面称之为一个公共因子。企业可根据这4个公共因子的情况来衡量应聘者的综合水平。例2．例2．在企业经济效益的评价中，有经济效益的指标体系。通常这个指标体系有八项指标：固定资产利税率、资金利税率、销售收入利税率、资金利税率、固定资产产值率、流动资金周转天数、万元产值能耗、全员劳动生产率等。这八项指标可概括为盈利能力、资金和人力利用、产值能耗三个方面。这三个方面在企业的生产经营活动中为主要因子，起着支配作用，企业要提高经济效益就要在这三个公共因子方面下功夫。因子分析的基本思想：是通过变量（或样品）的相关系数矩阵（对样品是相似系数矩阵）内部结构的研究，找出能控制所有变量（或样品）的少数几个随机变量去描述多个变量（或样品）之间的相关（相似）关系，但在这里，这少数几个随机变量是不可观测的，通常称为因子。因子分析分为两类，即R 型因子分析（对变量作因子分析），Q 型因子分析（对样品作因子分析）。第二节第二节因子分析的数学模型 1．1．模型（R 型）设),,,(21p x x x X =为观察到的随机向量，),,,(21m F F F F =是不可观测的向量。有即其中)',,(1p εεε =称作误差或特殊因子。满足假设： 1）p m ≤ 2）0),cov(=εF ， 3）m I F =)var(，),,()var(2 21p diag σσε =。称i F 为第i 个公共因子，ij a 为因子载荷。因子分析与主成分的关系：

数学建模案例分析

案例分析1: 自行车外胎的使用寿命问题：目前，自行车在我国是一种可缺少的交通工具。它小巧、灵活、方便、易学，而且价格适中，给广大居民带来了不小的益处。但是，自行车也有令人头痛的地方，最常见的问题莫过于扎胎了。扎胎的原因有很多，但相当一部分是由于外胎磨损，致使一些玻璃碴、小石子很容易侵入、扎破内胎。为了减少不必要的麻烦，如何估计自行车外胎的寿命，及时更换? 分析：分析角度：由于题目里未明确指出我们是应从厂家角度，还是应从用户角度来考虑这个问题，因此需要我们自己做出合理判断。若从厂家角度，我们面对的应当是一大批自行车外胎的平均寿命的估计。这样的估计要求一定精确度和相对明确的使用环境；而从用户角度来说，面对的仅是个人的一辆车，不需要很高的精确度，这样的寿命估计更简单，易于随时了解，下面仅从用户角度进行分析。产品的使用者需要了解产品的寿命，是基于安全性及更换的费用来考虑的。我们将这两个标准作为主要标准来分析，首先值得注意的两个关键性问题是如何定义寿命、何时为寿命的终止。寿命的定义要做到科学，直观，有可比性，在航空工业中航天飞机的使用寿命是用重复使用的次数来衡量，而工厂机器设备的寿命则以连续工作的时间来定义。本题外胎的寿命亦可用时间来表征，但由于外胎的寿命直接与其磨损速度相关；而磨损速度又与使用频率及行驶速度相互联系，致使外胎的寿命不一定与使用时间成正比(这种非正比关系使我们不能拿一辆—天跑200公里的自行车与一天只跑1公里的自行车进行寿命比较)，降低了可比性。如换成自行车的路程寿命来比较，就好得多。产品寿命是在安全性和更换费用相互制约下达到的一个点，在这个点上，外胎的安全系数降到用户不可接受的最低值，更换费用(寿命越长，在一定意义上更换费用越低)也达到了最大限度的节省。弄清了上面两个问题后，我们继续明确建立模型需要解决哪些问题及建立模型的重点难点。自行车使用过程中，一来影响因素多，二来这些因素之间彼此相关，十分复杂，要做到比较准确地估计使用寿命，不但要对外胎的性能有相当的了解，而且对使用环境更不能忽视。当然我们由于是站在用户角度上来考虑的，相对地就可忽略一些次要的影响因素。这样的数学模型面对着两个主要问题。一、自行车使用寿命与外胎厚度的关系，二、外胎能够抵御小石子破坏作用的最小厚度。后者可处理得相对简略些(如只考虑一块具有一般特征的小石子对外胎的破坏作用)，而重点(也是难点)是第一个问题。车重、人重、轮胎性质(力学的、热学的、甚至化学的)和自行车使用频率等都左右着它们的关系。这么多相关因素，不必一一都加以考虑(用户是不会在意这么多的)，有些因素，可以先不考虑，在模型的改进部分再作修改，采取逐步深入的方法，如：摩擦损耗有滑动摩擦和滚动摩擦损耗两种，由于滚动摩擦占用的时间(或路程)显然占绝对优势，因此可重点考虑。但滑动摩擦造成的一次损坏又比滚动摩擦大，在刹车使用过频的情况下，就不能不考虑了。最后，需对得出的结果用简单清晰的文字进行说明，以供用户参考。案例分析2：城市商业中心最优位置分析问题：城市商业中心是城市的基本构成要素之一。它的形成是一个复杂的定位过程。商业中心的选址涉及到各种因素制约，但其中交通条件是很重要的因素之一。即商业中心应位于城市“中心”，如果太偏离这一位置，极有可能在城市“中心”地带又形成一个商业区，造成重复建设。某市对老商业中心进行改建规划，使居民到商业中心最方便。如果你是规划的策划者，如何建立一个数学模型来解决这个问题。

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,

数学建模结果分析

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0.3066p ≥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0.29290.3066p ≤<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00.2929p <<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0.3066p ≥时，此时不需要分组，即1k =时可使检验次数最小；当0.3066p <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11k E q k ξ=-+ 变化趋势相同的连续性函数 )2(,11)(≥+-=x x q x f x ，对于一个给定的p ，可以求出函数(x)f 的极值，又由分析知'(x)f 是增函数，所以求出(x)f 的极值就是(x)f 的最小值的取值m x ，故取与m x 最相近的两个值(上取整和下取整)，代入ξE ，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0.3066p <中，当0.29290.3066p ≤<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00.2929p <<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0.002p =时，经过上述计算可得，当23k =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24k =（此时平均每人检验次数仅比23k =时多510-次，故在检验100000人时总次数才多一次，故可忽略），然后取112k =或更小（如16k =），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4

数学建模多元统计分析

实验报告一、实验名称多元统计分析作业题。二、实验目的（一）了解并掌握主成分分析与因子分析的基本原理和简单解法。（二）学会使用matlab编写程序进行因子分析，求得特征值、特征向量、载荷矩阵等值。（三）学会使用排序、元胞数组、图像表示最后的结果，使结果更加直观。三、实验内容与要求

四、实验原理与步骤（一）第一题： 1、实验原理：因子分析简介： (1) 1.1 基本因子分析模型设p维总体x=(x1,x2,....,xp)'的均值为u=(u1,u2,....,u3)'，因子分析的一般模型为 x1=u1+a11f1+a12f2+........+a1mfm+ε 1 x2=u2+a21f1+a22f2+........+a2mfm+ε 2 ......... xp=up+ap1f1+fp2f2+..........+apmfm+εp 其中，f1,f2,.....,fm为m个公共因子；εi是变量xi(i=1,2,.....,p)所独有的特殊因子，他们都是不可观测的隐变量。称aij(i=1,2,.....,p;j=1,2,.....,m)为变量xi的公共因子fi上的载荷，它反映了公共因子对变量的重要程度，对解释公共因子具有重要的作用。上式可以写为矩阵形式 x=u+Af+ε

其中A=(aij)pxm 称为因子载荷矩阵；f=(f1,f2,....,fm)'为公共因子向量；ε=(ε1,ε2,.....εp)称为特殊因子向量 (2) 1.2 共性方差与特殊方差 xi的方差var(xi)由两部分组成，一个是公共因子对xi方差的贡献，称为共性方差；一个是特殊因子对xi方差的贡献，称为特殊方差。每个原始变量的方差都被分成了共性方差和特殊方差两部分。 (3) 1.3 因子旋转因子分析的主要目的是对公共因子给出符合实际意义的合理解释，解释的依据就是因子载荷阵的个列元素的取值。当因子载荷阵某一列上各元素的绝对值差距较大时，并且绝对值大的元素较少时，则该公共因子就易于解释，反之，公共因子的解释就比较困难。此时可以考虑对因子和因子载荷进行旋转（例如正交旋转），使得旋转后的因子载荷阵的各列元素的绝对值尽可能量两极分化，这样就使得因子的解释变得容易。因子旋转方法有正交旋转和斜交旋转两种，这里只介绍一种普遍使用的正交旋转法：最大方差旋转。这种旋转方法的目的是使因子载荷阵每列上的各元素的绝对值（或平方值）尽可能地向两极分化，即少数元素的绝对值（或平方值）取尽可能大的值，而其他元素尽量接近于0. (4) 1.4 因子得分在对公共因子做出合理解释后，有时还需要求出各观测所对应的各个公共因子的得分，就比如我们知道某个女孩是一个美女，可能很多人更关心该给她的脸蛋、身材等各打多少分，常用的求因子得分的方法有加权最小二乘法和回归法。注意：因子载荷矩阵和得分矩阵的区别：因子载荷矩阵是各个原始变量的因子表达式的系数，表达提取的公因子对原始变量的影响程度。因子得分矩阵表示各项指标变量与提取的公因子之间的关系，在某一公因子上得分高，表明该指标与该公因子之间关系越密切。简单说，通过因子载荷矩阵可以得到原始指标变量的线性组合，如X1=a11*F1+a12*F2+a13*F3,其中X1为指标变量1，a11、a12、a13分别为与变量X1在同一行的因子载荷，F1、F2、F3分别为提取的公因子；通过因子得分矩阵可以得到公因子的线性组合，如F1=a11*X1+a21*X2+a31*X3，字母代表的意义同上。 (5) 1.5 因子分析中的Heywood（海伍德）现象如果x的各个分量都已经标准化了，则其方差=1。即共性方差与特殊方差的和为1。也就是说共性方差与特殊方差均大于0，并且小于1。但在实际进行参数估计的时候，共性方差

数学建模之因子分析法

因子分析因子分析就是一种降维、简化数据的技术。它通过研究众多变量之间的部依赖关系，探求观测数据中的基本结构，并用少数几个“抽象”的变量来表示其基本的数据结构。这几个抽象的变量被称作“因子”，能反映原来众多变量的主要信息。原始的变量是可观测的显在变量，而因子一般是不可观测的潜在变量。 1.因子分析法的应用 ①汽车行业业绩评价研究（下载文档）， ②上市公司盈利能力及资本结构实证分析， ③生育率影响因素分析。 2.步骤 ①对原始数据进行标准化处理用12,, ,m x x x 表示因子分析指标的m 个变量，评价对象有n 个，ij a 表示第i 个评价对象对应于第j 个指标的取值。将每个指标值ij a 转化为标准化指标ij a ，即 ,(1,2, ,;1,2, ,)ij j ij j a a i n j m s μ-= == 式中：11n j ij i a n μ==∑，21 1()1n j ij j i s a n μ==--∑ 相应地，标准化指标变量为 ,(1,2, ,)j j j j x x j m s μ-= = ②计算相关系数矩阵R ()ij m m R r ?= 1 ,(,1,2, ,)1 n ki kj k ij a a r i j m n =?= =-∑ 式中：1,ii ij ji r r r ==，ij r 是第i 个指标和第j 指标之间的相关系数。

③计算初等载荷矩阵解特征方程0=-R I λ，得到特征值(1,2,,)i i m λ=12,0m λλλ≥≥≥≥，再求出相对应的特征值i λ的特征向量(1,2,,)i u i m =，其中12(,,,)T j j j mj u u u u =, 得到初等载荷矩阵为 11, ,m m u λ?Λ=? ④ 确定主因子的个数()k k m ≤ 一般选取使得累计贡献率11 85%k m i i i i λλ ==≥∑∑的这k 个主因子，对k 个因子载荷矩阵作旋转，用() 1k Λ表示1Λ的前k 列，T 表示正交矩阵，则得矩阵()21k T Λ=Λ，建立因子模型，即 1111111, . k k m m mk k x F F x F F αααα=++?? ??=++? ⑥计算因子得分，作出综合评价求出单个因子的得分函数?j F ，用?ij F 表示第i 个样本对第j 个因子的得分估计值，Y 表示原始数据标准化后的矩阵，则总得分为 1??()ij n k k F F YR -?== Λ 例题我国上市公司赢利能力与资本结构的实证分析已知上市公司的数据见表1 表1 上市公司数据

因子分析数学模型说课材料

因子分析数学模型

因子分析数学模型 1、因子分析看基本思想因子分析是一种旨在寻找隐藏在多变量数据中，无法直接观察到却影响或支配可观测变量的潜在因子，并估计潜在因子对可观测变量的影响程度，以及潜在因子之间的相关性的一种多元统计分析方法。其基本思想是从分析多变量数据的相关关系入手，找到支配这种相关关系的少数几个相关独立的潜在因子，并通过建立起这些潜在因子与原变量之间的数量关系来预测潜在因子的状态，帮助发现隐藏在原变量之间的某种客观规律性。因子分析和主成分分析都能起到清理多个原始变量内在结构关系的作用，但主成分分子重在综合原始变量信息，而因子分析重在解释原始变量间的关系，是比主成分分析更深入的一种多元统计方法。因子分析法就是这些潜在因子的数学模型方法，它是在主成分的基础上构筑若干个意义较为明确的潜在因子，以它们为框架分析原变量，以考察原变量间的联系与区别。 2、因子分析的基本原理 3、因子分析的数学模型假设对n例样品观测了p个指标，即，，…，，得到观测数据。我们的任务就是从一组观测数据出发，通过分析各指标，，…，之间的相关性，找出支配作用的潜在因子，使得这些因子可以解释各个指标之间的相关性。因子分析模型描述如下：（1）X=（，，…，）是可观测随机变量，均值向量E(X)=0，协方差Cov（X）与相关矩阵R相等，（只要将变量标准化即可实现）。（2）F=(，，…，)（m<=p）是不可测的向量，其均值E(F)=0，协方差矩阵Cov（F）=1，即向量的各分量是独立的。（3）e=（，，…，）与F相互独立，且E(e)=0，e的协方差矩阵是对角矩阵，即各分量e之间是相互独立的。则因子分析的数学模型如下：

《数学模型》试题及参考答案

A卷 2009-2010学年第2学期《数学建模》试卷专业班级姓名分组号与学号开课系室数学与计算科学学院考试日期 2010年7月题号一二三四五六七八总分得分阅卷人

数学建模试卷(1007A) 一（10）(1)简述数学模型的概念，分析数学模型与数学建模的关系。（2）建立数学模型的一般方法是什么？在建模中如何应用这些方法，结合实例加以说明。二（10分）、(1).简述数学建模的一般步骤，分析每个步骤的主要内容和注意事项。(2)简述数学模型的表现形态，并举例说明。第一页

三（10分）、（1）简述合理分配席位的Q -值方法,包括方法的具体实施过程，简述分配席位的理想化原则。（2）建立录像机记数器读数与录像带转过时间之间的关系模型，包括模型假设与模型建立全过程。四(15分)（1）建立不允许缺货情况下的存储模型,确定订货周期和订货量（包括问题叙述,模型假设和求解过程）.（2）建立不允许缺货的生产销售存贮模型．设生产速率为常数k ，销售速率为常数r k r >,．在每个生产周期 T 内，开始的一段时间（00T t ≤≤）一边生产一边销售，后来的一段时间T t T ≤≤0(）只销售不生产．设每次生产开工费为1c ，单位时间每件产品贮存费为2c ，（a)求出存储量)(t q 的表示式并画出示意图。（2）以总费用最小为准则确定最优周期T ，讨论r k >>的情况．第二页

五（15分）、（1）建立传染病传播的SIS 模型并求解（简述假设条件和求解过程），（2）建立SIR 模型，并用相平面方法求解，在相平面上画出相轨线并进行分析。六（15分）（1）建立一般的战争模型，分析各项所表示的含义。（2）在假设a b y x 9,00==条件下对正规战争模型（忽略增援和非战斗减员）进行建模求解，确定战争结局和结束时间。第三页

控制系统的数学模型[]

第二章控制系统的数学模型 2-1 什么是系统的数学模型？大致可以分为哪些类型？答定量地表达系统各变量之间关系的表达式，称工矿企业数学模型。从不同的角度，可以对数学模型进行大致的分类，例如：用来描述各变量间动态关系的数学模型为动态模型，用来描述各变量间稳态关系有数学模型为静态模型；数学模型中各变量与几何位置无关的称为集中参数模型，反之与几何位置有关的称为分布参数模型；变量间关系表现为线性的称为线性模型，反之非线性模型；模型参数与时间有关的称为时变模型，与时间无关的称为时不变或定常模型；以系统的输入、输出变量这种外部特征来描述系统特性的数学模型称为输入输出模型，而以系统内部状态变量描述的数学模型称为状态空间模型；等等。 2-2 系统数学模型的获取有哪几种方法？答获取系统数学模型的方法主要有机理分析法和实验测试法。机理分析法是通过对系统内部机理的分析，根据一些基本的物理或化学变化的规律而导出支配系统运动规律的数学模型，这样得到的模型称为机理模型。实验测试法是通过对实际系统的实验测试，然后根据测试数据，经过一定的数据处理而获得系统的数学模型，这样得到的模型可称为实测模型或经验模型。如果将上述两种方法结合起来，即通过机理分析的方法预先得到数学模型的结构或函数形式，然后对其中的某些参数用实验辨识的方法来确定，这样得到的数学模型可称为混合模型。这是介于上述两种方法之间的一种比较切合实际的应用较为普遍的方法。 2-3 通过机理分析法建立对象微分方程数学模型的主要步骤有哪些？答主要步骤有： ⑴根据系统的控制方案和对象的特性，确定对象的输入变量和输出变量。一般来说，对象的输出变量为系统的被控变量，输入变量为作用于对象的操纵变量或干扰变量。 ⑵根据对象的工艺机理，进行合理的假设和简化，突出主要因素，忽略次要因素。⑶根据对象的工艺机理，从基本的物理、化学等定律出了，列写描述对象运动规律的原始微分方程式（或方程式组）。 ⑷消去中间变量，推导出描述对象输入变量与输出变量之间关系的方程式。 ⑸根据要求，对上述方程式进行增量化、线性化和无因次化的处理，最后得出无因次的、能够描述对象输入变量与输出变量的增量之间关系的线性微分方程式（对于严重非线性的对象，可进行分段线性化处理或直接导出非线性微分方程式）。 2-4 试述传递函数的定义。如何由描述对象动态特性的微分方程式得到相应的传递函数？并写出传递函数的一般形式。答对于线性定常系统、对象或环节的传递函数的定义可以表述为：当初始条件为零时，系统、对象或环节输出变量的拉氏变换式与输入变量的拉氏变换式之比。如果已知系统、对象或环节的动态数学模型用下述线性常系数微分方程式来描述：式中y为输出变量，x为输入变量，表示y(t) 的n阶导数，表示x(t)