葡萄酒的评价数学建模论文大学毕设论文
数学建模毕业论文--葡萄酒的评价
数学建模毕业论文--葡萄酒的评价
葡萄酒的评价是一项复杂的任务，涉及多个因素，包括葡萄品种、酿造过程、年份、产地和存储条件等。
在数学建模中，我们可以利用统计分析和机器学习算法来对葡萄酒进行评价，以预测其质量和特征。
首先，我们可以采集一定数量的葡萄酒样本，并测量其相关属性，如酒精含量、酸度、pH值、残留糖分、挥发性酸、柠檬
酸等。
利用统计分析方法，我们可以探索这些属性与葡萄酒质量之间的关系，建立相应的数学模型。
例如，可以使用线性回归分析来确定具体属性与葡萄酒得分之间的相关性。
另一方面，机器学习算法可以帮助我们构建更复杂的评价模型。
可以使用聚类算法将葡萄酒样本分成不同的类别，以发现具有相似特征的葡萄酒群体。
此外，可以使用分类算法或回归算法来预测葡萄酒的质量评分。
这些算法可以利用已知的葡萄酒样本数据进行训练，并在新样本上进行预测。
除了属性数据，我们还可以考虑其他因素对葡萄酒评价的影响。
例如，可以考虑葡萄酒的价格、评分和消费者评价等因素，以构建更综合的评价模型。
可以使用模糊数学方法来处理这些不确定性和主观性因素，以得出更准确的评价结果。
最后，为了验证模型的准确性和稳定性，可以使用交叉验证或留一验证的方法进行模型评估。
这些方法可以帮助我们评估模型的泛化能力，并进行必要的调整和改进。
数学建模可以帮助我们对葡萄酒进行评价，为葡萄酒生产商、消费者和酒评人提供有关葡萄酒质量和特征的有价值信息。
MATLAB·设计论文葡萄酒质量评价的数学建模
MATLAB·设计论⽂葡萄酒质量评价的数学建模葡萄酒质量评价的数学建模摘要：关于葡萄酒质量的评价，通常是通过评酒员的打分来确定的。
本论⽂通过对酿酒葡萄与葡萄酒的理化指标之间的相关关系和评酒员打分进⾏了深⼊系统地分析，给出了葡萄酒质量评价的量化研究。
基于相关数据，利⽤配对的t(α=0.05)检验、克隆巴赫系数信度分析、主成分分析、模糊C均值聚类、多元回归等⽅法，对酿酒葡萄质量评级模型，酿酒葡萄与葡萄酒之间的典型性相关分析关系模型等，并通过图像与数据分析研究了酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响。
对于问题⼀，利⽤配对数据的t检验，我们得出两组评酒员的评价结果没有显著性差异，并应⽤克伦巴赫系数信度分析法分别求出两组评酒员评价结果的可信度，通过数据⽐较和分析得到第⼀组评酒员的评价结果更可信，更符合实际。
对于问题⼆，基于数据，本⽂⾸先根据第⼀问中确定的的可信的⼀组（第⼀组评酒员）根据附表⼀对葡萄酒品尝后得出的总分，确定葡萄酒的质量，从⽽相应的给酿酒葡萄进⾏⼀个初步的排名。
然后对附表⼆中的酿酒葡萄的理化指标进⾏标准化处理后，进⾏主成分分析，根据新变量进⾏排名。
最后采⽤模糊C均值聚类⽅法对酿酒葡萄的理化指标进⾏了聚类分析，同时结合葡萄酒的质量得分，我们最终确定了酿酒葡萄的三级评判⽅案。
对于问题三，我们将酿酒葡萄与葡萄酒的理化指标做了多元回归，将酿酒葡萄与葡萄酒的主要指标做了典型相关系数的检验，结果表明：酿酒红葡萄中氨基酸总量、花⾊苷、苹果酸、褐变度、DPPH⾃由基、总酚、单宁、葡萄总黄酮、还原糖、PH值、果⽪颜⾊等对红葡萄酒中主要成分有显著影响；酿酒⽩葡萄中氨基酸总量、单宁、葡萄总黄酮、黄酮醇、⼲物质含量、出汁率，对⽩葡萄酒中主要成分有显著影响。
对于问题四，我们把葡萄的理化参数、葡萄酒的理化参数作为⾃变量，对酒的评价作为因变量，通过⽤MATLAB中plot作图，分析了酿酒葡萄与葡萄的理化指标之间的关系，得出结论：葡萄酒与葡萄酒的理化指数存在关系，但是葡萄酒的质量与其⾊泽、品味、环境以及⼝感有关系，所以并不能⽤葡萄和葡萄酒的理化指数指标来评价葡萄酒的质量。
数学建模经典案例分析以葡萄酒质量评价为例
数学建模经典案例分析以葡萄酒质量评价为例一、本文概述本文旨在通过深入剖析数学建模在葡萄酒质量评价中的应用，展示数学建模的经典案例。
我们将首先简要介绍数学建模的基本概念及其在各个领域的应用，然后聚焦葡萄酒质量评价这一具体问题，阐述如何通过数学建模对其进行科学、客观的分析。
文章将详细分析数据的收集与处理、模型的建立与求解、模型的验证与优化等关键环节，并探讨不同数学模型在葡萄酒质量评价中的优缺点。
我们将总结数学建模在葡萄酒质量评价中的实际应用效果，展望其在未来葡萄酒产业中的发展前景。
通过阅读本文，读者将能够了解数学建模在葡萄酒质量评价中的重要作用，掌握相关数学建模方法和技术，为类似问题的解决提供有益的参考和借鉴。
本文也将促进数学建模在葡萄酒产业中的应用与发展，推动葡萄酒产业的科技进步和产业升级。
二、数学建模基础数学建模是一种将实际问题抽象化、量化的过程，通过数学工具和方法来求解问题的近似解。
在葡萄酒质量评价这一案例中，数学建模提供了从复杂的实际生产环境中提取关键信息，并建立预测模型的可能。
这需要我们具备一定的数学基础，如统计学、线性代数、微积分等，同时也需要理解并掌握数据处理的基本技术，如数据清洗、特征提取和选择等。
在葡萄酒质量评价问题中，我们首先需要收集大量的葡萄酒样本数据，这些数据可能包括葡萄品种、产地、气候、土壤、酿造工艺、化学成分等多个方面的信息。
然后，我们需要对这些数据进行预处理，如去除缺失值、异常值，进行数据标准化等，以提高模型的稳定性和准确性。
接下来，我们可以选择适合的模型进行训练。
在这个案例中，我们可以选择线性回归、决策树、随机森林、神经网络等模型进行尝试。
我们需要根据数据的特性和问题的需求，选择最合适的模型。
同时，我们还需要进行模型的训练和验证，通过调整模型的参数，提高模型的预测能力。
我们需要对模型进行评估和优化。
这可以通过交叉验证、ROC曲线、AUC值等评估指标来进行。
如果模型的预测能力不足，我们需要对模型进行优化，如改进模型的结构、增加更多的特征等。
数学建模葡萄酒的评价
葡萄酒的评价摘要葡萄拥有很高的营养价值，本文通过对葡萄酒的评价，以及酿酒葡萄和葡萄酒的理化指标之间的关系进行讨论分析，对不同的酿酒葡萄进行了分类，并更深入讨论两者的理化指标是否影响葡萄酒质量。
针对问题一，我们首先分别计算每类葡萄酒样品在两组组评酒师评价下的综合得分，以此作为每组评酒师的最终评价结果。
再运用统计学中的T 检验进行假设与检验，得出两组评价结果具有显著性差异。
最后通过计算各组评价员的评价结果的标准差，以此推算稳定性指标值P ，P 值较大的可信度较高，得出2p p <红1红与2P P <白1白，进而得出第二组的评价结果更加可信。
针对问题二，我们分别对两组葡萄进行分类。
在这里我们采用聚类分析法和主成分分析法，在matlab 中实现对酿酒葡萄的分类。
针对问题三，根据σμ-=x Z 对附件2中的数据进行标准化处理，排除单位不同的影响。
以酿酒葡萄的30个一级理化指标作为自变量X ，葡萄酒9个一级的理化指标作为因变量y,建立多元线性回归模型εβ+=X y ,得出酿酒葡萄的理化指标与葡萄酒的理化指标之间的联系即回归系数矩阵β。
针对问题四，用灰色关联度分析对两者的关系进行度量，求得理化指标对样品酒的的关联系数。
然后根据葡萄酒综合得分及指标的相关系数得出样品酒的综合指标，通过MATLAB 软件对综合指标与第二问中葡萄酒的分数进行指数拟合，拟合效果不佳，因此不能定量的用葡萄和葡萄酒的理化指标来评价葡萄酒的质量，只能根据图像大致猜测综合指标与葡萄酒的质量负相关。
关键词：T 检验 聚类分析法 主成分分析法 Z 分数 多元线性回归 一、问题重述确定葡萄酒质量时一般是通过聘请一批有资质的评酒员进行品评。
每个评酒员在对葡萄酒进行品尝后对其分类指标打分，然后求和得到其总分，从而确定葡萄酒的质量。
酿酒葡萄的好坏与所酿葡萄酒的质量有直接的关系，葡萄酒和酿酒葡萄检测的理化指标会在一定程度上反映葡萄酒和葡萄的质量。
葡萄酒的评价 数学建模优秀论文
答卷编号（参赛学校填写）：答卷编号（竞赛组委会填写）：论文题目：A组别：本科生参赛队员信息(必填)：参赛学校：黑龙江八一农垦大学答卷编号（参赛学校填写）：答卷编号（竞赛组委会填写）：评阅情况（学校评阅专家填写）：学校评阅1.学校评阅2.学校评阅3.评阅情况（联赛评阅专家填写）：联赛评阅1.联赛评阅2.联赛评阅3.摘要葡萄酒是世界上三大酒种之一，葡萄酒的准确评价和理化指标的评测对我国葡萄酒产业崛起有着重要意义，本文针对葡萄酒的评价问题进行了建模、求解和分析。
对于问题一，为了评价评酒员的评价结果是否有显著性差异，首先，对数据进行整理，利用SPSS软件做方差分析和配对样品T检验。
得出两配对样品的P值分别为0.028 、0.026，均小于0.05，因此具有显著性差异。
其次，为了解决可信度问题，通过建立评价差异指数，即以评价葡萄酒的各属性的总分的百分比为权重，乘以其对应的方差并求和。
得两组评酒员对红白葡萄酒的评价差异指数为：2.3498>1.6159；3.5313>1.9899。
因此有第二组评酒员在葡萄酒评价中可信度高。
对于问题二，基于问题一得到的结论，建立了酿酒葡萄品质的综合评价模型。
首先，对数据指标进行归一化处理，并计算出酿酒葡萄与各指标因素间的相关系数。
然后，采用层次分析法确定了各指标因素的权重。
最后，利用确定的权重，建立了酿酒葡萄品质的综合评价模型，对葡萄进行分级，分别为优质,较好,普通,劣质。
对于问题三，需要分析酿酒葡萄与葡萄酒的理化指标之间的联系，即是要分析两组随机变量之间的相关性关系，考虑运用多元统计分析中的典型相关分析法进行求解。
首先在每组变量中找出变量的线性组合，使得两组的线性组合之间具有最大的相关系数。
然后选取和最初挑选的这对线性组合不相关的性组合，使其配对，并选取相关系数最大的一对，如此继续下去，直到两组变量之间的相关性被提取完毕为止，从而最终求得酿酒葡萄与葡萄酒的理化指标之间的相关关系。
葡萄酒的评价论文(1) (1)
葡萄酒的评价摘要随着时代的进步，经济的发展，葡萄酒渐渐地走进百姓的生活。
评判葡萄酒的方法则是通过聘请一批有资质的评酒员进行品评。
评酒员品尝葡萄酒并对其打分，通过求和确定葡萄酒的质量。
本文通过对所给数据的观察分析，先对数据预处理，再建立相对较好的模型评价葡萄酒的质量。
对于问题一，首先我们利用MATLAB软件制作Q-Q图，根据所得到的图观察得到，这些点可近似拟合成一条直线，从而证明该组数据满足正态分布。
然后利用T-检验方法判断评酒员的评价有无显著差异，最终得出两组评酒员的评价结果存在显著性差异的结论。
关于哪组评价结果更可信的问题，我们采用了方差分析法，根据所得到的红、白葡萄酒均值和方差表，经过计算比较，我们发现第二组的方差小于第一组的方差。
由于方差越小则数据越稳定，于是我们得到第二组评酒员的评价结果更可信的结论。
对于问题二，我们选择利用灰色关联分析法。
我们根据附件一中评分员的评分得出葡萄酒的得分，并对其标准化，将所得的数据作为葡萄酒质量的评分。
对于酿酒葡萄的理化指标，首先我们通过参考文献确定对葡萄酒影响较大的酿酒葡萄的理化指标，再采用均值化无差异法对数据求标准化值，然后利用变异系数法求得筛选出来的葡萄的理化指标的权重，通过计算权重和标准化值最后求得酿酒葡萄的综合评分。
再用均值化无差异法求葡萄和葡萄酒的标准化值。
将所得到的两组数据做和并排序，从而将酿酒葡萄划分为优、良、中、差四个等级。
对于问题三，我们采用了单个拟合和综合拟合的方法。
题目中要求寻找酿酒葡萄和葡萄酒的理化指标的关系，我们首先从参考文献中找到了对葡萄酒的主要理化指标有重大影响的酿酒葡萄的理化指标。
然后利用MATLAB软件进行拟合，建立线性回归方程，从而得出酿酒葡萄的部分理化指标对葡萄酒的理化指标的影响系数和两者之间的函数表达式，可见表N,为了进一步确定两者之间的相关关系，我们又对附件二和附件三中的数据进行处理，利用MATLAB软件再次进行拟合，从而得出酿酒葡萄与葡萄酒的理化指标之间呈正相关关系的结论。
葡萄酒的评价数学建模论文A
葡萄酒的评价摘要我们对两种葡萄和葡萄酒都单独进行分析。
问题一：经过处理附表1的数据，分别得到两组酒评酒员对每一个红葡萄酒样品评分的平均值，将这两组数据看成两个相互独立的样本，用SPSS软件分别对两组数据进行参数和非参数假设检验，进而判断两组评酒员对红葡萄酒的评价结果是否有显著性差异。
根据两组评酒员的评分，分别求出每一个红葡萄样品10位评酒员评分的标准差，然后求和，通过比较两组标准差和的大小，结果比较小的，评分更稳定，更可信。
最后得到的结论是： 1、两组评酒员的评价结果有显著性差异。
2、第二组评酒员的结果更可信。
以下用到葡萄酒质量的评分都是以第二组评酒员的分数为标准。
问题二：我们采用相关分析和聚类方法对酿酒葡萄进行分级。
首先，对酿酒葡萄的多项理化指标与葡萄酒质量评分进行相关分析，得出一些与葡萄酒质量评分相关系数比较高的葡萄理化指标。
接着，这些指标和评酒员对葡萄酒的质量评分一起作为标准，对葡萄样品聚类分析，从而得出葡萄的分级。
得出，对红葡萄分成五级，对白葡萄分成四级，为了对分级的合理进行检验，我们定义一种对葡萄划分的检验方法，以评酒员对葡萄酒的评分作为标准，通过检验得出，红葡萄划分有误率为25.9%，白葡萄划分有误率为14.3%，可以认为结论合理。
问题三：根据附表2和附表3所给的数据，分别对酿酒葡萄和葡萄酒的理化指标进行相关性分析，得出相关矩阵，对于多个相关性比较明显的理化指标选出一个代表性理化指标，先对红葡萄和红葡萄酒指标进行分析，选出红葡萄中的7个代表性理化指标，红葡萄酒的8个代表性理化指标，然后用选取的这15个理化指标进行典型相关分析，得出酿酒葡萄和葡萄酒的理化指标之间的联系。
分析的结果要考虑相关分析后被掩盖的理化指标。
对于白葡萄和白葡萄的理化指标同样分析，选出白葡萄的6个代表性理化指标，白葡萄酒的7个代表性理化指标，然后用选取的这13个理化指标进行典型相关分析，得出酿酒葡萄和葡萄酒的理化指标之间的联系。
2012年数学建模葡萄酒的评价一等奖论文
2012高教社杯全国大学生数学建模竞赛承诺书我们仔细阅读了中国大学生数学建模竞赛的竞赛规则.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规则的, 如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。
我们郑重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。
如有违反竞赛规则的行为，我们将受到严肃处理。
我们参赛选择的题号是（从A/B/C/D中选择一项填写）： A我们的参赛报名号为（如果赛区设置报名号的话）： 20122129 所属学校（请填写完整的全名）：参赛队员 (打印并签名) ：1.2.3.指导教师或指导教师组负责人 (打印并签名)：日期： 2012年 9月 9日赛区评阅编号（由赛区组委会评阅前进行编号）：2011高教社杯全国大学生数学建模竞赛编号专用页赛区评阅编号（由赛区组委会评阅前进行编号）：全国统一编号（由赛区组委会送交全国前编号）：全国评阅编号（由全国组委会评阅前进行编号）：A题葡萄酒的评价一，摘要第一问中，我们通过T-检验来判断两组评酒员的评价结果有无显著性差异，结果发现两组评酒员的评价结果无显著性差异；对红，白葡萄各自两组的可信度分析，我们引入稳定性指标X，即将每一组的十位品酒师对于同一样品所有指标所给的分求标准差并根据指标所占分数进行相应的加权求和。
最后求出总平均稳定性指标，数值较小的可信度较高。
结果发现红，白葡萄酒均是第二组品尝评分较合理。
第二问中，首先对酿酒葡萄的一些特殊理化指标进行简化处理（如Ph值，芳香物质，果皮颜色），接着采用用无量纲化对所有数据进行处理。
将指标分级后运用熵值法求出各个指标所占权重。
使用topsis算法求出各评价对象与最优方案的接近程度并进行排序，将红葡萄酒酿酒葡萄分为7级，白葡萄酒酿酒葡萄分为5级。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
葡萄酒的评价摘要本文主要研究葡萄酒的评价问题。
以酿酒葡萄和葡萄酒为对象，通过对酿酒葡萄理化指标的分析、分级，筛选出影响葡萄酒质量的主要指标，就酿酒葡萄和葡萄酒理化指标、芳香物质对葡萄酒质量进行分析研究，从而得出对葡萄酒质量的客观评价。
问题一，我们发现有两组数据是有误的，最后我们取平均值代替，再对两组葡萄酒的数据进行处理，通过t检验征得有显著性差异，然后利用alpha模型来得出第二组比较可信。
问题二，第一问所得的可信组，用EXCLE先计算酿酒葡萄的显著性理化指标的相关系数，然后在按他们的分数给这些指标按分数分级，最后算出各样品的和按分数再给各样品分级。
问题三，以葡萄酒的评分表示质量的优劣程度，将酿酒葡萄、葡萄酒分别与质量计算相关系数，筛选出相关系数较大的指标，然后用酿酒葡萄和葡萄酒中选出的指标做相关性分析，从而得到酿酒葡萄与葡萄酒理化指标的联系。
问题四，根据第三问中酿酒葡萄与葡萄酒显著的理化指标，分别与葡萄酒的质量（评分）建立多元回归方程，再对芳香物质进行显著性分析，发现芳香物质也是影响葡萄酒的重要因素，故分析葡萄酒的质量需要考虑芳香物质的影响。
关键词：t检验alpha模型相关性分析一、问题重述1.1 问题背景葡萄酒的生产有着非常久远的历史，可上溯至几千年前，它是一种世界通畅性酒种，有着广泛交流的基，现已发展成最重要的酒种之一。
葡萄酒的感官分析又叫品酒、评酒，是指评酒员通过眼、鼻、口等感觉器官对葡萄酒的外观、香气、滋味及典型性等感官特性进行分析评定的一种分析方法。
一方面，评酒员必须要抛开个人喜好，排除时间、地点、环境和情绪等的影响，像一台精密的仪器一样进行感官分析；另一方面，因为葡萄酒的复杂多样及变化性，评酒员又必须充分发挥主观能动性，将获得的感觉与大脑中贮存的感官质量标准进行比较分析。
只有兼顾以上两个方面，才能保证结果的精确性。
同时各个评酒员之间还必须保证分析结果的一致性。
一致性和精确性是正确性的保证。
1.2 提出问题确定葡萄酒质量时一般是通过聘请一批有资质的评酒员进行品评。
每个评酒员在对葡萄酒进行品尝后对其分类指标打分，然后求和得到其总分，从而确定葡萄酒的质量。
酿酒葡萄的好坏与所酿葡萄酒的质量有直接的关系，葡萄酒和酿酒葡萄检测的理化指标会在一定程度上反映葡萄酒和葡萄的质量。
附件1给出了某一年份一些葡萄酒的评价结果，附件2和附件3分别给出了该年份这些葡萄酒的和酿酒葡萄的成分数据。
请尝试建立数学模型讨论下列问题：（1）分析附件1中两组评酒员的评价结果有无显著性差异，哪一组结果更可信？（2）根据酿酒葡萄的理化指标和葡萄酒的质量对这些酿酒葡萄进行分级。
（3）分析酿酒葡萄与葡萄酒的理化指标之间的联系。
（4）分析酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响，并论证能否用葡萄和葡萄酒的理化指标来评价葡萄酒的质量？二、问题分析2.1 问题一的分析问题一评价两组评酒员的评价结果的显著性以及可靠性。
首先要考虑每组评酒员对同一酒样品的评价是否满足正态分布，然后把它看着单样本t检验，从而判断两组评酒员的评价结果有无显著性差异。
在建立alpha模型来判断可信度，alpha 值越大，可信度越大。
2.2 问题二的分析问题二是根据酿酒葡萄的理化指标和葡萄酒的质量对这些酿酒葡萄进行分级。
先对酿酒葡萄的理化指标计算相关系数，筛选出相关系数较大的指标，用EXCLE对每一个指标进行排序，分类，按照建立的评分规则对每一个葡萄样品进行评分，最后按照汇总后的评分将葡萄样品分级即可。
2.3 问题三的分析问题三是分析酿酒葡萄与葡萄酒的理化指标之间的联系。
先计算葡萄酒的理化指标与葡萄酒质量（评分）的相关系数，选出相关系数较大的指标；用葡萄酒的质量即评分作为连接葡萄酒与酿酒葡萄的桥梁，使用SPSS对酿酒葡萄、葡萄酒中显著的理化指标进行相关分析，根据结果分析二者之间的联系。
2.4 问题二的分析问题四是分析酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响，并论证能否用葡萄和葡萄酒的理化指标来评价葡萄酒的质量。
首先对酿酒葡萄、葡萄酒分别和葡萄酒质量建立多元回归方程，根据所得结果分析影响；要论证能否用葡萄和葡萄酒的理化指标来评价葡萄酒的质量，只需用SPSS对芳香物质各指标与评分做相关分析，根据结果来论证是否有影响。
三、模型假设（1）两组葡萄出自同一地方；（2）两组葡萄酒都是由同样的酿酒师酿造出来的，且排除他们的非系统性误差；（3）酿酒葡萄和葡萄酒的贮存方式、条件都是一样的；（4）排除评酒员在评价过程中视觉、嗅觉、味觉等产生的误差。
四、符号及变量说明五、模型的建立与求解（一）问题一的解决问题：分析附件1中两组评酒员的评价结果有无显著性差异，哪一组结信？通过对数据的整理，我们发现在附件一中存在两处错误：首先对有误数据的处理：（1）第一组红葡萄酒品尝评分中，酒样品20的品酒员4号的外观分析中的色调一栏中的数据丢失，所以用均值填充，即为6.2（2）第一组白葡萄酒品尝评分中，酒样品3的品酒员7号的口感分析中久性一栏数据错误，所以用均值填充，即为6.1。
首先利用Excel求出红色葡萄酒的的综合均值然后再利用spss做p-p图进行正态分布检验，若样品点再正态分布p-p图上呈直线分布，则被检验数据基本上成一条直线。
分布满足正态分布满足正态5.1.1显著性差异的确定现在两组的红葡萄酒分布符合正态分布再进行t 检验，因为两种葡萄酒的样品都小于30，故可以用t 检验。
通过EXCEL 我们得到两组葡萄酒的个样品品评总分的均值为12(,,...,)n x x x 和12(,,...,)n y y y 。
将两个变量配对进行t 检验。
要我们引入一个新的随机变量(1,2...)i i i z x y i n =-=,对应样本的值为12(,...)n z z z ，样本方差z s 。
这样，配对t 检验的问题就转化为单样本t 检验问题即转化为检验的均值是否与0有显著差异。
首先我们建立原假设为0H ：0Z μ= 然后构造t统计量为：(1)t t n =→-用spss 进行单样本检验,得到红葡萄酒：用spss 进行单样本检验,得到白葡萄酒：由于两组的Sig 的值都小于0.05，所以故拒绝原假设，说明存在显著性差异。
5.1.2 可信度问题的解决对于可信度问题，我们建立相应的alpha 模型，做可信度分析时，将两组的27种酒样品评价结果组成两组评价总矩阵，以葡萄酒的评价指标为列项，共10列，以每个评酒员作为横向量，共270行，分别用SPSS19.0对两组矩阵进行信度分析，目的是对量表的可靠性与有效性进行检验，判断出哪一组可信度更高。
克伦巴赫α系数:测度内部一致性的一个指标, α与皮尔逊r 系数都是一样的范围在0—1 之间，如果为负值则表明表中某些项目的内容是其他一些项目的反面；α越接近于1，则量表中项目的内部一致性越是高，可信度越大用spss 来alpha 分析得：因为第二组的红葡萄酒的alpha 值>第一组的红葡萄酒的alpha 值，故第二组的可信度高。
因为第二组的白葡萄酒的alpha 值>第一组的白葡萄酒的alpha 值，故第二组的可信度高。
（二）问题二的解决问题：根据酿酒葡萄的理化指标和葡萄酒的质量对这些酿酒葡萄进行分级附件2中测定了27个红葡萄样品的59个理化指标，其中有30个一级指标，29个二级指标。
5.2.1 用双变量分析相关性很强的变量且按等分进行分级首先用SPSS对所有的酿酒红葡萄的理化指标与红葡萄酒的质量分数进行相关分析，即导入数据—分析—相关—双变量，结果见附录一。
由附录一的显著性检验可得：DPPH自由基，总酚，葡萄总黄酮，PH值，蛋白质跟红酒的质量显著性相关，且正相关，即含量越多质量越好。
果皮颜色a*，果皮颜色b*跟红酒的质量呈负相关，即含量越少红葡萄酒质量越好。
对以上七个指标排序，将葡萄酒分成四个等级，即优、良、中、差，结果如下：5.2.2 将各变量得分相加把葡萄酒按得分进行分级给出对应优、良、中、差的等级分分别为4、3、2、1，将每一个酒样品的等级分求和，并将最后的总和按照已经建立的等级规则分为四类。
得红葡萄酒的分级为：对于白葡萄酒我们同理：首先我们发现白葡萄酒没有花色苷，经过我们查资料发现它对葡萄酒的质量没有影响。
故同理可得：酿酒白葡萄的理化指标与白葡萄酒的质量分数的相关分析，结果见附录二.由附录二的相关性检验可得：酒石酸、总糖、可溶性固形物、果穗质量、果皮颜色b*与白酒质量显著性相关，且酒石酸、总糖、可溶性固形物、果皮颜色b*呈正相关，果穗质量与白酒质量呈负相关。
所以以这五个指标作为分级标准，将白葡萄酒分为优、良、中、差四个等级，结果如下：综上：得白葡萄样品的分级：（三）问题三的解决问题：分析酿酒葡萄与葡萄酒的理化指标之间的联系。
5.3.1 酿酒葡萄与红葡萄酒的理化指标的关系在此问中，我们要用到酿酒葡萄和葡萄酒中几个与葡萄酒质量密切相关的理化指标。
在第二问中我们知道酿酒红葡萄DPPH自由基，总酚，葡萄总黄酮，PH值，蛋白质、果皮颜色a*、果皮颜色b*跟红酒质量显著性相关，现在我们需要求出红葡萄酒中对葡萄酒质量影响较为显著的理化指标。
求出红葡萄酒的指标与红葡萄酒的质量分数的相关系数，如下表4.3.1.选出相关系数相对较高的前六个指标，分别为：单宁(mmol/L)、总酚(mmol/L)、酒总黄酮(mmol/L)、白藜芦醇(mg/L)、DPPH半抑制体积（IV50） 1/IV50(uL)、L*(D65)。
表4.3.1红葡萄酒的理化指标与红酒质量的相关系数用上述得到的葡萄酒的六个指标与第二问得到的酿酒葡萄的七个指标做相关分析，结果参照附录三。
由附录三的显著性检验可得：葡萄酒的单宁、总酚、酒总黄酮、白藜芦醇、DPPH抑制体积都与酿酒葡萄的DPPH自由基、总酚、葡萄总黄酮、蛋白质呈显著的正相关。
葡萄酒的色泽L*与酿酒葡萄的DPPH自由基、总酚、葡萄总黄酮呈显著的负相关，与果皮颜色a*呈正相关。
其他指标间无显著性关系。
5.3.2 酿酒葡萄与白葡萄酒的理化指标的关系同理在第二问中，我们知道酿酒白葡萄的酒石酸、总糖、可溶性固形物、果穗质量、果皮颜色b*与白酒质量显著性相关，求出白葡萄酒的理化指标与白葡萄酒的质量分数的相关系数，如表4.3.2。
选出相对相关系数较高的五个指标，分别为：酒总黄酮(mmol/L)、白藜芦醇(mg/L)、DPPH半抑制体积（IV50）1/IV50(uL)、L*(D65)、b*(D65)。
表4.3.2白葡萄酒的理化指标与白酒质量的相关系数用上述葡萄酒的五个理化指标与第二问求得的酿酒葡萄的五个理化指标做相关分析，参照附录四。
由附录四的显著性检验得：白葡萄酒的白藜芦醇与酿酒葡萄的总糖呈负相关。
白葡萄酒的色泽L*与酿酒葡萄的总糖、可溶性固形物呈显著的负相关，与果穗质量呈显著的正相关。