模型07:方程模型

合集下载

★结构方程模型要点

★结构方程模型要点

★结构方程模型要点一、结构方程模型的模型构成1、变量观测变量:能够观测到的变量(路径图中以长方形表示)潜在变量:难以直接观测到的抽象概念,由观测变量推估出来的变量(路径图中以椭圆形表示)内生变量:模型总会受到任何一个其他变量影响的变量(因变量;路径图会受外生变量:模型中不受任何其他变量影响但影响其他变量的变量(自变量;路中介变量:当内生变量同时做因变量和自变量时,表示该变量不仅被其他变量影响,还可能对其他变量产生影响。

内生潜在变量:潜变量作为内生变量内生观测变量:内生潜在变量的观测变量外生潜在变量:潜变量作为外生变量外生观测变量:外生潜在变量的观测变量中介潜变量:潜变量作为中介变量中介观测变量:中介潜在变量的观测变量2、参数(“未知”和“估计”)潜在变量自身:总体的平均数或方差变量之间关系:因素载荷,路径系数,协方差参数类型:自由参数、固定参数自由参数:参数大小必须通过统计程序加以估计固定参数:模型拟合过程中无须估计(1)为潜在变量设定的测量尺度①将潜在变量下的各观测变量的残差项方差设置为1②将潜在变量下的各观测变量的因子负荷固定为1(2)为提高模型识别度人为设定限定参数:多样本间比较(半自由参数)3、路径图(1)含义:路径分析的最有用的一个工具,用图形形式表示变量之间的各种线性关系,包括直接的和间接的关系。

(2)常用记号:①矩形框表示观测变量②圆或椭圆表示潜在变量③小的圆或椭圆,或无任何框,表示方程或测量的误差单向箭头指向指标或观测变量,表示测量误差单向箭头指向因子或潜在变量,表示内生变量未能被外生潜在变量解释的部分,是方程的误差④单向箭头连接的两个变量表示假定有因果关系,箭头由原因(外生)变量指向结果(内生)变量⑤两个变量之间连线的两端都有箭头,表示它们之间互为因果⑥弧形双箭头表示假定两个变量之间没有结构关系,但有相关关系⑦变量之间没有任何连接线,表示假定它们之间没有直接联系(3)路径系数含义:路径分析模型的回归系数,用来衡量变量之间影响程度或变量的效应大小(标准化系数、非标准化系数)类型:①反映外生变量影响内生变量的路径系数②反映内生变量影响内生变量的路径系数路径系数的下标:第一部分所指向的结果变量第二部分表示原因变量(4)效应分解①直接效应:原因变量(外生或内生变量)对结果变量(内生变量)的直接影响,大小等于原因变量到结果变量的路径系数②间接效应:原因变量通过一个或多个中介变量对结果变量所产生的影响,大小为所有从原因变量出发,通过所有中介变量结束于结果变量的路径系数乘积③总效应:原因变量对结果变量的效应总和总效应=直接效应+间接效应4、矩阵方程式(1)和(2)是测量模型方程,(3)是结构模型方程 测量模型:反映潜在变量和观测变量之间的关系 结构模型:反映潜在变量之间因果关系 5x x ξδ=∧+ (1)y y ηε=∧+ (2) B ηηξζ=+Γ+ (3)三、模型修正1、参考标准模型所得结果是适当的;所得模型的实际意义、模型变量间的实际意义和所得参数与实际假设的关系是合理的;参考多个不同的整体拟合指数;2、修正原则①省俭原则两个模型拟合度差别不大的情况下,应取两个模型中较简单的模型;拟合度差别很大,应采取拟合更好的模型,暂不考虑模型的简洁性;最后采用的模型应是用较少参数但符合实际意义,且能较好拟合数据的模型。

数学建模的主要建模方法

数学建模的主要建模方法

数学建模的主要建模方法数学建模是指运用数学方法和技巧对复杂的实际问题进行抽象、建模、分析和求解的过程。

它是解决实际问题的一个重要工具,在科学研究、工程技术和决策管理等领域都有广泛的应用。

数学建模的主要建模方法包括数理统计法、最优化方法、方程模型法、概率论方法、图论方法等。

下面将分别介绍这些主要建模方法。

1.数理统计法:数理统计法是基于现有的数据进行概率分布的估计和参数的推断,以及对未知数据的预测。

它适用于对大量数据进行分析和归纳,提取有用的信息。

数理统计法可以通过描述统计和推断统计两种方式实现。

描述统计主要是对数据进行可视化和总结,如通过绘制直方图、散点图等图形来展示数据的分布特征;推断统计则采用统计模型对数据进行拟合,进行参数估计和假设检验等。

2.最优化方法:最优化方法是研究如何在给定的约束条件下找到一个最优解或近似最优解的方法。

它可以用来寻找最大值、最小值、使一些目标函数最优等问题。

最优化方法包括线性规划、非线性规划、整数规划、动态规划等方法。

这些方法可以通过建立数学模型来描述问题,并通过优化算法进行求解。

3.方程模型法:方程模型法是通过建立数学方程或函数来描述问题,并利用方程求解的方法进行求解。

这种方法适用于可以用一些基本的方程来描述的问题。

方程模型法可以采用微分方程、代数方程、差分方程等不同类型的方程进行建模。

通过求解这些方程,可以得到问题的解析解或数值解。

4.概率论方法:概率论方法是通过概率模型来描述和分析不确定性问题。

它可以用来处理随机变量、随机过程和随机事件等问题。

概率论方法主要包括概率分布、随机变量、概率计算、条件概率和贝叶斯推理等内容。

利用概率论的方法,可以对问题进行建模和分析,从而得到相应的结论和决策。

5.图论方法:图论方法是研究图结构的数学理论和应用方法。

它通过把问题抽象成图,利用图的性质和算法来分析和求解问题。

图论方法主要包括图的遍历、最短路径、最小生成树、网络流等内容。

第4次课:差分方程模型

第4次课:差分方程模型

模型的差分方程与分析 点 P ( x0 , y0 ) 满足 y0 f ( x0 ), x0 g ( y0 ) ,在 P 0 0 点附近取直线来近似曲线 y f ( x), x g ( y) :
yk y0 ( xk x0 ), 0 xk 1 x0 ( yk y0 ), 0
... 0 ... 0 ... 0 ... ... ... 1
考虑收获的情况,设收获向量为 y ( y1 , y2 ,..., yn ) ,
T

根据假设(3),砍伐的总数和补种的幼苗数相等, n n 记 矩阵为 1 1 ... 1 y1 y2 ... yn 0 0 ... 0 0 R ,则 R y ... ... ... ... ... 0 0 0 ... 0
7.2 供需平衡问题
7.2.1 问题的背景与提出
在自由竞争的社会中,很多领域会出现供需平衡 问题。供大于需时,供给减少;需大于供时,供给增 加。这种现象在经济领域中尤其突出,从自由集市上 某种商品的供需变化中可以看到,在某一时期,商品 的上市量过于大于需求量时,就会引起价格的下跌。 生产者觉得无利可图就会减产或转产,从而导致上市 量大减。一段时间之后,随着产量的下降,带来的供 不应求又会导致价格上涨,生产者见有利可图就会增 产或转回该商品的生产,随之而来的,又会出现商品 过剩,价格下降。在没有干预的情况下,这种现象将 循环下去。
*
yn1 qn2 xn2 q x
*
……
* 3 3
(7)
* n 1 n 1
yn q x
* n 1 n 1
因为 y 是收获向量,则 yi 0, i 1,2,..., n 。又由 于幼苗的经济价值为0,故不砍伐幼苗,即 y1 0 。 xk 代替 xk * ,从式(7)有 仍用

结构方程模型

结构方程模型

结构方程模型:定义:结构方程模型早期称为线性结构防城模型(Linear Structural Relations hips,简称LISREL)或称为工变数结构分析(Coratiance Strucyure A nalysis)。

主要目的在于检验潜在变项之关系与数个潜在变项间的因果关系。

【陈宽裕,《结构方程模型》-1996年11月】结构方程模型(Structural·Equation·Modeling,SEM)是一种非常通用的、主要的线性统计建模技术,广泛应用于经济学、心理学、社会学、管理学等领域的研究,是社会科学研究中的一个非常好的方法。

内容:结构方程模型包括测量方程(LV和MV之间关系的方程,外部关系)和结构方程(LV 之间关系的方程,内部关系),以ACSI模型为例,具体形式如下:测量方程 y=Λyη+εy , x=Λxξ+εx=(1)结构方程η=Bη+Гξ+ζ或(I-Β)η=Гξ+ζ(2)其中,η和ξ分别是内生LV和外生LV,y和x分别是和的MV,Λx和Λy是载荷矩阵,Β和Г是路径系数矩阵,ε和ζ是残差。

对这类模型进行参数估计,常使用偏最小二乘(Partial Least Square,PLS)和线性结构关系(LInear Structural RELationships,LISREL)方法。

测量方程描述潜变量与指标之间的关系;结构方程则反映潜变量之间的关系。

——【杜春雪,《结构方程模型理论的建立与应用》,大众科学·科学研究与实践,2008年第18期】SEM模式中,存在四种变量:潜在自变项、潜在依变项、X变项、Y变项。

用法:SEM 具有理论先验性能同时处理测量与分析问题以共变数的运用为核心,亦可处理平均数估计适用于大样本之分析包含了西多不同的统计技术重视多重统计指标的运用负荷量 潜在变项 观察变项 误差结构方程模型是一种非常通用的、主要的线形统计建模技术,广泛应用于心理学、经济学、社会学、行为科学等领域的研究。

数学中的模型

数学中的模型

数学中的模型1. 引言在数学领域中,模型被广泛应用于解决各种实际问题。

模型是数学的抽象表示,能够帮助我们理解和分析现实世界中复杂的现象。

本文将探讨数学中常见的几种模型,并介绍它们的应用领域和解决问题的方法。

2. 线性回归模型线性回归模型是一种最简单、最常见的模型,常用于建立变量之间的线性关系。

在统计学中,线性回归模型用于预测和解释变量之间的关系。

通过拟合一条直线来表示变量之间的线性关系,我们可以根据已知数据预测未知数据的值。

线性回归模型广泛应用于经济学、市场分析等领域。

3. 概率模型概率模型是研究随机变量之间关系的重要工具。

概率模型的基本思想是利用概率理论来描述和分析变量之间的不确定性。

概率模型常用于风险评估、统计推断等问题。

例如,在金融领域,概率模型被广泛应用于股票价格的预测和风险管理。

4. 离散数学模型离散数学模型是研究离散结构和离散运算的数学模型。

离散数学模型在计算机科学和信息技术中有着广泛的应用。

图论和网络优化就是离散数学模型的典型代表。

图论研究顶点和边构成的图的性质和运算规则,网络优化则研究在网络中找到最优解的问题。

5. 动态系统模型动态系统模型是研究具有时间演化规律的系统的数学模型。

动态系统模型广泛应用于物理学、生物学和工程学等领域。

通过建立微分方程或差分方程来描述系统的演化,我们可以预测未来的行为和状态。

在天气预报和经济学中,动态系统模型被用于预测和决策支持。

6. 最优化模型最优化模型是研究如何找到最佳解决方案的数学模型。

最优化模型在运筹学和管理科学中有着广泛的应用。

最优化模型可以帮助我们在众多可行解中找到最优解。

例如,在生产调度和资源分配中,最优化模型可以帮助我们最大化效益或最小化成本。

7. 结论数学中的模型是解决实际问题的有力工具。

无论是线性回归模型、概率模型、离散数学模型、动态系统模型还是最优化模型,它们都在各自的领域发挥着重要作用。

通过建立和分析模型,我们可以更好地理解和解决现实世界中的复杂问题。

07交通工程学第七讲交通流理论-排队论模型、跟弛模型与交通波模型

07交通工程学第七讲交通流理论-排队论模型、跟弛模型与交通波模型

交通运输与物流学院
6
5.3 排队论及其应用
4.应用
收费站
单通道排队服务系统(M/M/1系统):由于排队等待接 受服务的通道只有单独一条,也叫单通道服务系统。
交通运输与物流学院
7
5.3 排队论及其应用
4.应用
收 费 站
多路排队多通道服务:每一个通道各排一队每个通
道只为其相对应的一队车辆服务
交通运输与物流学院
8Байду номын сангаас
客 客客

到达
排队
服务 窗口
离去
排队论模型的应用
高速公路收费站
机动车
空港的起降跑道
飞机
船舶停靠码头

停车场
机动车
交叉口
机动车
交通运输与物流学院
收费 起飞、降落 货物装卸 驻车 通行
9
例题
例 有一停车场,到达车辆是60辆/h,服从泊松分布,停车 场的服务能力是100辆/h,服从负指数分布,其单一的 出入道可存6辆车,试问该数量是否合适?
2.说明:排队等待的车辆从一开始起动,就产生了起 动波,该波以接近 的v f 速度向后传播。
交通运输与物流学院
30
交通流中观测的加速度
把速度简单地看成密度的函数v(k),使得求解连续方程变得简单。 现实中交通流的平均速度v不可能瞬时地随密度发生变化,驾驶
员总是根据前方密度来调整车速
该式表明:观测车随交通流的加速度是密度梯度()的函数, 它从理论上证明了车流的加速减速与车流前方密度的关系
OB 事故发生堵塞部分车道 BC 因排障而完全封闭道路 CD 疏通部分车道 DE 障碍完全排除
排队车辆数 排队时间 总延误 车头时距 车头间距 密度波的波阵面(集散波)

差分方程模型

差分方程模型
是(1)的解.( C1 , C 2, ,C k 是任意常数)
问题:
若k n,则
y C1 y1 C2 y2 Ck yk 一定是通解吗?
定理7:如果
y1 (x),y2 (x), ,yn (x) 是
方程(1)的n个线性无关的特解, 那么
y C1 y1 C2 y2 Cn yn 就是方程(1)的通解.
注:由差分的定义及性质可知,差分方程的 不同定义形式之间可以相互转换。 如y x 5 4 y x 3 3 y x 2 2 0是三阶差分方程;
y x y x 1 0,虽然含有三阶差分,
3
但实际上是二阶差分方 程,
由于该方程可以化为 y x 3 3 y x 2 3 y x 1 1 0因此它是二阶差分方程 ,
nx ( n1)
(公式)
2.差分的四则运算法则
(1)(Cy x ) Cy x (C为常数)
(2)( y x z x ) y x z x
3 yx z x yx1z x z x yx yx z x z x1yx
y x z x y x y x z x z x 1y x y x 1z x 4 z z x z x 1 z x z x 1 x
差分方程及差分方程模型
一、差分的概念及性质 二、差分方程的概念 三、线性差分方程解的结构
四、一阶常系数线性差分方程
五、差分方程模型
一、差分的概念及性质
1.差分的定义
设 函 数 f ( x ).当x取 非 负 整 数 时 , y 函数值可以排成一个列 : 数 f (0),f (1), ,f ( x ),f ( x 1), 将之简记为 y 0,y1,y 2, ,y x,y x 1 , 称 函 数 的 改 变 量x 1 y x 为 函 数 的 差 分 , y y 也 称 为 一 阶 差 分 , 记 Δ y x y x 1 y x . 为

EViews第7章 联立方程模型

EViews第7章 联立方程模型
第 章 联立方程模型
7.1 联立方程的识别 7.2 联立方程的估计方法及比较 7.3 联立方程的检验 7.4 习题(略)
1/27/2020
哈尔滨工程大学版权所有
1
7.1:联立方程的识别
7.1.1结构式方程的识别
假设联立方程系统的结构式 BY+ΓZ=μ 中的第i个方程中包含ki个内生 变量和gi个先决变量,系统中的内生变量先决变量的数目仍用k和g比奥斯, 矩阵(B0 , Γ0)表示第i个方程中未包含的变量(包括内生变量和先决变量) 在其他k-1个方程中对应的系统所组成的矩阵。于是,判断第i个结构方程 识别状态的结构式识别条件为
11
用普通最小二乘法估计第二个简化式:
Yt 21CSt 1 22Gt 2t
1/27/2020
哈尔滨工程大学版权所有
12
普通最小乘法估计第一个方程结果
图7.4 普通最小乘法估计第一个方程结果
1/27/2020
哈尔滨工程大学版权所有
13
用普通最小二乘法估计第二个简化式
(1)在Equation Estimation 中Specification 内输 入“cst c cst(-1) gt”,如图7.3所示,点击确定, 得到如图7.4所示结果。
1/27/2020
哈尔滨工程大学版权所有
10
变量输入对话框
图7.3 变量输入对话框
1/27/2020
哈尔滨工程大学版权所有
(2)在Equation Estimation 中Specification 内输入“yt c cst(-1) gt”,如图7.5所示,点 击确定,得到如图7.6所示结果
1/27/2020
哈尔滨工程大学版权所有
  1. 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. 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. 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)。

数学建模课件
主讲人:孙云龙 主讲人:
模型构造
⇒ F ( r , t ) = ∫ p ( s , t ) dr 目标: 求 p(r,t) 0 考察 [r,r+dr),[t,t+dt) t 时刻: [r,r+dr)年龄 t+dt: [r+dr1 ,r+dr+dr1) ←dr1=dt 死亡人数 µ(r,t) p(r ,t)drdt 于是有 t→ → → →t+dt 时人口数变化: p(r ,t)dr - p(r+dr1 ,t+dt)dr = µ(r,t) p(r ,t)drdt 即 [p(r+dr1 ,t+dt) - p(r ,t+dt)] +[p(r ,t+dt) - p(r ,t)] = -µ(r,t) p(r ,t) dt 两边除以 dt 得

rm
0
τ −t
rp ( r , t ) dr
∫0 π ( s ) ds d τ e
R (t ) ω (t ) = S (t )
依赖性指数
N (t ) − L (t ) ρ (t ) = L (t ) L ( t ) = ......
数学建模课件
主讲人:孙云龙 主讲人:
数学建模课件
主讲人:孙云龙 主讲人:
x′ = − x3 − y, x(0) = 1 y′ = x − y 3 , y (0) = 0.5
l03.m fun3.m
数学建模课件
主讲人:孙云龙 主讲人:
二、简单物理模型
例1:物体温度变化 :
室温:20 C 物体:100 C 20 min 60 C 问: ? min 30 C
l01.m
数学建模课件
主讲人:孙云龙 主讲人:
2、微分方程 、
符号解 通解
缺省?
定量 定性
y=dsolve(f) y=dsolve(f ,’x’) [y1,y2,…]=dsolve(f , g ,…,’x’)
字符串
符号解 数值解 稳定性 ········
注:导数 特解 初始条件 例:
Dy D2y Dny y=dsolve(‘…’,’y(x0)=y0’,’…’) l02.m
x r (t ) = r (1 − ) xm
模型为
x )x x '( t ) = r (1 − xm x (0 ) = x 0
数学建模课件
主讲人:孙云龙 主讲人:
于是:阻滞增长模型
Logistic模型 模型
x )x x ' ( t ) = r (1 − xm x (0) = x0
专家估计
r=0.2557, xm=392.1
数学建模课件
主讲人:孙云龙 主讲人:
模型检验
用模型计算2000年美国人口,与实际数据比较
x(2000) = x(1990) + ∆x = x(1990) + rx(1990)[1− x(1990) / xm ]
x ( 2000 ) = 274 . 5
实际为281.4 (百万)
1 x = − 1 + cos( 6
ɶ x= x+x = 0.5( e
g t 6

−6 g t )
+e

g t 6
) −1
l04.m
答案
t =
6 ln ( 6 + g
35 )
数学建模课件
主讲人:孙云龙 主讲人:
二、人口模型
问题提出:人口预测 例如: 1998年末:12.5亿,自然增长率:9.53‰ 预测2000年末:12.5×(1+0.00953)2 ≈ 12.7394 2000年11月1日全国总人口为126583万人 预测2004年末: 12.5×(1+0.00953)6 ≈ 13.2320 2005年1月6日,中国人口总数达到13亿 2008年底,中国人口总数13.2802亿 设 基年人口数为 x0,k 年后为 xk,年增长率为r 则 人口增长模型为 xk=x0 (1 +r)k
x(t ) = x0 e rt
离散化 er ≈1+r (r<<1) 则有 x(t) ≈ x0 (1 +r)t l05.m
数学建模课件
主讲人:孙云龙 主讲人:
模型二:阻滞增长模型 模型二:
Logistic模型 模型 模型假设:增长率r是人口x(t)的线性函数 r(x)=r-sx ,(s、r>0 ) 设最大人口容量(自然资源和环境条件所能容纳的最大 人口数量)为 xm r(xm)=0 有

∆ x (t ) = rx (t ) ∆t
x '(t ) = rx(t )
初值问题 x' (t ) = rx(t )
x(0) = x0
数学建模课件
主讲人:孙云龙 主讲人:
于是:指数增长模型
x' (t ) = rx(t ) x(0) = x0
求解 符号演算 Matlab 模型解
T (t ) = 20 + 80e
− t ln 2 20
于是
T (t ) = 30 → t = 60
l04.m
数学建模课件
主讲人:孙云龙 主讲人:
例2:下滑时间 :
链条无摩擦下滑 问:需多少时间 链条才能全部划 过桌子 1米
5米
关键 位移变化规律 运动方程: 牛顿第二定律
F = ma
数学建模课件
求解
x (t ) =
xm xm 1+ ( − 1) e − rt x0
l05.m
数学建模课件
主讲人:孙云龙 主讲人:
图示 指数 指数 阻滞 阻滞
求解 l05.m
数学建模课件
主讲人:孙云龙 主讲人:
参数估计 统计方法——最小二乘法 ——参数 r 或 r, xm 例:美国人口数据(单位~百万) 1860 31.4 1870 38.6 1880 50.2 …… 1960 …… 179.3 1970 204.0 1980 226.5 1990 251.4
模型应用——预报 预报 模型应用
加入2000年人口数据后重新估计模型参数
r=0.2490, xm=434.0
x(2010)=306.0
数学建模课件
模型三:人口的预测与控制 模型三:
问题提出
主讲人:孙云龙 主讲人:
人口模型
指数模型, 阻滞模型 考虑年龄结构
模型假设
设: 人口分布函数 F(r,t) : 时刻,年龄小于 r 的人口数 人口总数 N(t) , ,最高龄 rm ∴F(0,t) ,F(rm ,t) F(0,t) =0 p(rm ,t)=0 时刻 t 年龄 r 的人的死亡率: µ(r,t) 时刻 t 年龄 r 在 [r,r+dr] 内单位时间死亡人数 µ(r,t) p(r ,t)dr =N(t) 定义:人口年龄密度函数 p(r,t)= ∂F/∂r ≥0 (0≤r≤rm )
数学建模课件
主讲人:孙云龙 主讲人:
一、 Matlab求解:方程 求解: 求解
1、代数方程 、
符号解
符号 字符串
其他 多项式 代数方程组
系数向量
solve (f) solve (f, x) solve (f,g,…, x,y,…) 数值解
字符串
roots (f) Ax=b x=A\b
例:
fsolve (f, x0) fzero(f, x0)
r
人口模型
数学建模课件
主讲人:孙云龙 主讲人:
一阶偏微分方程
∂P ∂P + = − µ (r , t ) p (r , t ) ∂r ∂t
人口模型
[p(r+dr1 ,t+dt) - p(r ,t+dt)] +[p(r ,t+dt) - p(r ,t)] = -µ(r,t) p(r ,t) dt
定解条件 ①p(r,0) = p0(r) ②p(0,t) = f(t)
已知
婴儿出生率:预测,控制
模型: ∂ P ∂ P + = − µ (r , t ) p (r , t )
∂r ∂t p ( r ,0 ) = p 0 ( r ) p ( 0, t ) = f (t ) p ( rm , t ) = 0

→难!
数学建模课件
主讲人:孙云龙 主讲人:
主讲人:孙云龙 主讲人:
模型
建立坐标系 令链条终点位置: x(t ) t 时刻 受力 重力 1米
5米
O
F=
ρ g (1 + x)
质量×加速度
线密度
= 6 ρ x′′

6 x′′ − gx − g = 0
数学建模课件
主讲人:孙云龙 主讲人:
模型
6 x′′ − gx − g = 0 x(0) = 0 x′(0) = 0
数学建模课件
主讲人:孙云龙 主讲人:
数学建模 与 数学实验
第七讲 方程模型
数学建模课件
主讲人:孙云龙 主讲人:
方程模型
代数方程 一元方程 方程组
f ( x) = 0 f ( x1 , x2 ) = 0 ...... g ( x1 , x2 ) = 0
微分方程 n阶 阶 初值问题 ……
f ( y ( n ) ,..., y′, y, x) = 0 f ( y ( n ) ,..., y′, y, x) = 0, y ( x0 ) = y0 ,...

r
t P0
t=r
f ( t − r ) e ∫0
− π ( s ) ds
r
相关文档
最新文档