基于大数据分析的数学建模实践应用研究
足 以 包 罗 万 象 .其 中 大 数 据 分 析 是 指 对 规 模 巨 大 的 数 据 进 行 分 析 ，大 数 据 分 析 研 究 致 力 于 从 大 量 的 动 态 变 化 的 数 据 中 挖 掘 一 些 深 刻 的 见 解 或 收 益 ，即对 数 据 隐 含 的 信 息 进 行 深 刻 挖 掘 ，从 看 似 庞 大 且 杂 乱 无 章 的 数 据 中 找 出 其 暗 藏 的 信 息 ，以 确 定 数 据 的 合 理 信 息 ，找 出 数 据 源 供 给 的 用 户 需 求 ，从而在第一时
L I Jing
(Dept, of Basic Courses, Shaanxi Railway Institute, Weinan 714000, China)
Abstract：The essence of big data analysis is expounded, and four basic elements of big data anal
究 ，（E_mail) 8 6 8 31234@.
2
) 淮 海 工 学 院 学 报 （自然科学版
2017年 3 月
间满足用户未来需求[1].
进行合理的数据裁剪. 2 . 4 数据特性
1 大数据分 析 的 4 个要素
在 建 模 之 前 还 需 要 了 解 数 据 的 特 性 ，比如噪声 度 、稀疏度以及数据的分布.
大数据分析可以被看作是大规模地收集或处理 数据[2]，有用的信息可以从大量的数据集合中被检
3 大数据分析应用实例
索到.传统的数据分析方法是基于已有问题的数学
模 型 ，然后对比数据是否适用于这些模型.结合统计 3 . 1 项目介绍
学 数 据 分 析 的 两 个 目 标 ：预 测 和 推 理 ，即预测未来的
ysis are defined. I t is clear that in the practical application of big data analysis, four key points should be grasped, and the value of big data can be extracted by traditional data m ining methods combining modeling and feature. T his paper lists how the large data analysis method can be used
中图分类号：〇141. 4;TTM614
文 献 标 识 码 ：A
文 章 编 号 ：1672-6685(2017)01-0001-04
Research on the Application of Mathematical Modeling Practice Based on Big Data Analysis
* 收 稿 日 期 ：2016-12-22;修 订 日 期 ：2017-03-05
KY 基 金 项 目 ：陕 西 铁 路 工 程 职 业 技 术 学 院 科 研 项 目 （ 2016-29)
作 者 筒 介 :李 静 （1983 —），女 ，陕 西 渭 南 人 ，陕 西 铁 路 工 程 职 业 技 术 学 院 基 础 课 部 讲 师 ，硕 士 ，主 要 从 事 大 数 据 分 析 、数 据 挖 掘 方 面 的 研
基于大数据分析的数学建模实践应用研究％
李静
( 陕 西 铁 路 工 程 职 业 技 术 学 院 基 础 课 部 ，陕 西 渭 南 714000)
摘 要 ：阐述了大数据分析的实质意义，定义了大数据分析的4 个基本要素，明确了在大数据分析
的实践应用中，应 把 握 4 个关键点，并结合建模、特征等传统数据挖掘手段来提取大数据的价值.分
第 26卷 第 2017年 3 月
Journal of Huaihai淮In海st工itu学te院of学T报ech（n自ol然og科yC学N版at）ural Science Edition)
DO I: 10. 3969/j. issn. 1672-6685. 2017. 01. 001
VoMl. a2r6. 2N01o7. 1
Key words：big data analysis；element；key p o in ts；mathematical modeling practice；w ind power
generation
〇 引言
大 数 据 是 数 据 量 增 长 从 量 变 到 质 变 的 过 程 ，从 人的认知角度来看，在数据量比较小的情况下，应该 基 于 典 型 的 数 据 去 思 考 ，而 大 数 据 的 数 据 量 足 够 大 ，*
中国是世界上最早利用风能的国家之一.风能
响应输出输人变量，推理出响应变量和输人变量之 作为一种无污染、可再生的新能源，有着巨大的发展
析 了 某 风 力 发 电 站 在 扩 建 过 程 中 ，采 用 大 数 据 分 析 方 法 去 逐 层 解 决 问 题 的 途 径 ，并得出相关结论.
同时，还展示了大数据分析在该风力发电站扩建项目实施与否的决策过程中所体现的巨大作用，为
大数据分析的实践应用提供了范例.
关键词：大数据分析；要 素 ；关键点；数学建模；风力发电
to solve the problem in the process of the expansion of a w ind power plant and draw the relevant conclusions. A t the same tim e , it also shows the great effect of big data analysis in the decision making process of the expansion of w ind power p la n t, which provides an example fo r the practical application of big data analysis.
2020年研究生数学建模竞赛题目
2020 年全国研究生数学建模竞赛题目解析
本文将为您介绍 2020 年全国研究生数学建模竞赛的题目，并提供详细的解析，帮助您更好地了解和应对这些题目。
2020 年全国研究生数学建模竞赛共分为三个题目，分别是：题目一：基于大数据的人口普查数据分析
题目二：无人机在管网巡检中的应用
题目三：新冠疫情背景下的高校毕业生就业问题
以下是对每个题目的详细解析：
题目一：基于大数据的人口普查数据分析
该题目要求参赛者利用大数据技术对人口普查数据进行分析，通过挖掘数据中的规律和特点，为政府决策提供依据。
具体来说，参赛者需要从给定的人口普查数据中提取有用信息，通过数据可视化、机器学习等方法进行分析，并针对人口老龄化、人口流动等问题提出相应的建议。
题目二：无人机在管网巡检中的应用
该题目要求参赛者研究无人机在管网巡检中的应用，通过建立数学模型和算法，提高巡检效率和准确性。
具体来说，参赛者需要分析管网巡检中的关键问题，如无人机的路径规划、图像识别、数据处理等，并结合实际场景进行模型验证和优化。
题目三：新冠疫情背景下的高校毕业生就业问题
该题目要求参赛者针对新冠疫情背景下高校毕业生就业问题进
行研究，通过建立数学模型和分析方法，为政府和高校提供决策依据。
具体来说，参赛者需要从就业市场、政策干预等角度进行分析，探讨疫情对高校毕业生就业的影响，并提出相应的应对措施。
在创作过程中，我们遵循了专业、客观、完整的原则，确保内容准确无误。
数学建模的实例与分析
数学建模的实例与分析在现代社会中，数学建模作为一种重要的科学方法，被广泛应用于各个领域。
通过数学模型的构建和分析，我们能够深入了解问题的本质，预测未来的趋势，并为决策提供科学依据。
本文将为大家介绍两个关于数学建模的实例，并对其进行详细分析。
实例一：股票价格预测股票市场一直以来都备受人们的关注，因为其价格的波动会对投资者的财富造成重大影响。
为了帮助投资者更好地预测股票价格，数学建模成为了一种重要的工具。
在股票价格预测的建模过程中，一般使用时间序列分析方法。
首先，我们需要获取一段时间内的历史股票数据，包括每日的股票价格和交易量。
然后，通过统计学方法对这些数据进行分析，例如平均值、标准差等。
接下来，我们可以利用时间序列模型，如ARIMA模型，来对未来的股票价格进行预测。
除了时间序列分析，机器学习算法也可以应用于股票价格的预测。
例如，可以使用支持向量机（SVM）或人工神经网络（ANN）等算法，通过训练模型来捕捉股票价格的变化规律，并进行预测。
这些算法能够根据历史数据中的模式和趋势，预测未来股票价格的走势。
通过数学建模，我们能够更好地理解股票市场的运行规律，并及时预测股票价格的变化，为投资者提供决策参考。
实例二：交通拥堵模拟随着城市化的发展，交通拥堵成为了一个普遍存在的问题。
为了有效地缓解交通拥堵，数学建模可以帮助我们研究交通流的特性，并设计出更好的交通管理策略。
在交通拥堵模拟中，常常使用微观模型和宏观模型相结合的方法。
微观模型关注个体车辆的行为，例如车辆的加速度、减速度以及车头间距等。
而宏观模型则关注整体交通流的特性，例如道路容量、流量以及速度等。
通过对交通流的建模和仿真，我们可以模拟城市道路网络中交通流的变化，以及拥堵的产生和扩散过程。
借助于数学建模，我们可以预测在不同交通管理策略下，拥堵情况的变化以及交通状况的优化效果。
此外，数学建模还可以结合其他领域的知识，如人工智能和大数据分析，来进一步提高交通拥堵模拟的准确性和可靠性。
数学建模在大数据分析中的应用
数学建模在大数据分析中的应用随着大数据时代的到来，如何高效、可靠地处理海量数据成为业内研究热点。
而数学建模作为一种高效、可靠的方法，日益受到许多学者和业界人士的关注。
本文将就数学建模在大数据分析中的应用进行探讨。
一、什么是数学建模？数学建模指的是利用数学方法分析和解决实际问题的过程。
在实际的问题中，我们可以用数学语言描述问题，将实际问题中的问题抽象地呈现出来，从而使问题求解变得更为精确、高效、系统化。
二、1. 数据预处理在进行数据分析之前，我们需要将数据进行预处理。
在这个过程中，我们可以运用数学建模中的数据处理方法，如归一化、标准化、降维等方法，将原始数据转化为有意义的数据，从而为后续数据分析奠定基础。
2. 数据分类数据分类作为大数据分析中重要的一步，可以通过一些统计方法进行。
在这个过程中，我们可以用数学建模的分类方法，如朴素贝叶斯分类等方法，对所需分类的数据进行处理，使分类变得更加准确。
3. 数据挖掘在进行大数据分析中，我们需要对海量的数据进行挖掘，从中找到有用的信息和规律。
而数据挖掘正是利用数学模型来解决这个问题的。
在数据挖掘中，可以运用聚类分析、回归分析、时间序列分析等数学建模方法，将庞杂的数据转化为有效的信息。
4. 预测分析某些领域，如股票市场、天气预测等，需要我们对未来的情况进行预测。
而预测正是数学建模中的强项。
在预测分析中，我们可以用一些统计模型，如交叉验证、贝叶斯网络等方法，对未来的情况进行预测，为我们的决策提供参考。
三、数学建模在大数据分析中的优势1. 高效通过数学模型的建立，我们可以对大数据进行分析和处理，快速有效地提取数据中的有用信息，使数据分析的效率大大提高。
2. 精确数学建模能够将数据分析变得更加准确。
通过数学建模的方法，我们可以对数据进行深入分析，得出更加精确的结论，避免了人工分析时的主观性和选择性。
3. 可视化在大数据分析中，可视化的分析结果更为直观、易懂。
数学建模可以将分析结果进行可视化处理，使数据分析结果的呈现更加生动、直观。
数学建模在初中数学教学中的应用研究
数学建模在初中数学教学中的应用研究引言：数学建模作为数学教学的一种新方法，逐渐受到了教育界的重视。
它通过将数学与实际问题相结合，培养学生的实际应用能力和解决问题的能力。
本文将探讨数学建模在初中数学教学中的应用研究，并分析其优势和存在的问题。
一、数学建模在初中数学教学中的意义数学建模是将数学与实际问题相结合，通过建立数学模型来解决实际问题的过程。
在初中数学教学中，数学建模能够帮助学生更好地理解数学知识的实际应用，培养学生的实际问题解决能力。
通过数学建模，学生可以将抽象的数学概念与实际问题相联系，提高对数学的兴趣和学习动力。
二、数学建模在初中数学教学中的应用案例1. 实际问题的建模通过引入实际问题，让学生自己思考并建立数学模型，能够帮助学生更深入地理解数学概念。
例如，通过让学生分析某个地区的人口增长情况，让学生建立人口增长的数学模型，从而培养学生的分析问题和解决问题的能力。
2. 数学概念的实际应用通过将数学概念应用于实际问题中，可以帮助学生更好地理解和记忆数学知识。
例如，通过让学生解决一个涉及到比例关系的实际问题，让学生理解比例的概念，并将其应用于实际生活中。
3. 多学科交叉应用数学建模还可以与其他学科进行交叉应用，帮助学生更好地理解学科间的关系。
例如，通过与物理学的结合，让学生研究物体的运动规律，从而培养学生的跨学科思维能力。
三、数学建模在初中数学教学中的优势1. 培养学生的实际应用能力数学建模能够培养学生将数学知识应用于实际问题解决的能力，提高学生的实际应用能力。
2. 培养学生的解决问题的能力通过数学建模，学生需要分析问题、建立数学模型、解决问题，培养学生的解决问题的能力和思维能力。
3. 提高学生对数学的兴趣数学建模将数学与实际问题相结合，使学生更加直观地感受到数学的实际应用，从而提高学生对数学的兴趣。
四、数学建模在初中数学教学中存在的问题1. 教师的培训和素质数学建模需要教师具备一定的数学知识和实际问题解决能力，但目前教师的培训和素质存在一定的问题，需要加强。
大数据分析师行业的统计学和数学建模
大数据分析师行业的统计学和数学建模大数据分析师是当今信息时代中重要的职业之一。
随着互联网的迅速发展，各行各业都产生了大量的数据，而如何挖掘、分析和应用这些数据成为了一项关键的技能。
在大数据分析师行业中，统计学和数学建模是不可或缺的工具和技术。
一、统计学在大数据分析师行业中的应用统计学是大数据分析的基础，通过对数据的收集、整理和分析，统计学可以帮助大数据分析师发现数据背后的规律和趋势，做出科学的决策和预测。
1. 数据收集与整理统计学提供了一套科学的方法和技术，用于数据的收集和整理。
大数据来源广泛，可能包含结构化数据和非结构化数据，通过统计学的方法，可以将这些数据进行分类、整理和过滤，为后续的分析工作提供准备。
2. 数据分析与解释统计学中的各类分析方法，如假设检验、方差分析、回归分析等，可以帮助大数据分析师对数据进行分析和解释。
通过统计模型的建立，可以揭示数据之间的关系，并得出有效的结论。
3. 数据可视化与展示统计学包含了大量的图表和图形，可以将数据进行可视化展示。
通过图表的分析，人们可以直观地了解数据的分布情况、趋势变化等，从而更好地理解数据的含义。
大数据分析师可以利用统计学的可视化方法，将复杂的数据转化为易于理解和传播的信息。
二、数学建模在大数据分析师行业中的应用数学建模是将现实问题抽象为数学模型的过程，它能够帮助大数据分析师建立准确的预测模型和优化模型，为企业决策提供科学的依据。
1. 预测模型的建立大数据分析师可以利用数学建模中的时间序列分析、回归分析等方法，建立各类预测模型。
通过对历史数据的分析和挖掘，预测模型可以对未来的数据进行预测，帮助企业做出合理的决策。
2. 优化模型的建立在大数据分析师的工作中，经常需要面对一些优化问题，如资源分配问题、生产规划问题等。
数学建模可以帮助大数据分析师将这些问题抽象为数学模型，并利用线性规划、整数规划、动态规划等方法，求解最优解，实现资源的最大利用和效益的最大化。
数学建模在大数据分析中的应用有哪些
数学建模在大数据分析中的应用有哪些在当今数字化时代，大数据已经成为了企业和组织决策的重要依据。
然而，要从海量的数据中提取有价值的信息并非易事，这就需要运用数学建模的方法来进行分析和处理。
数学建模作为一种将实际问题转化为数学问题并求解的工具，在大数据分析中发挥着至关重要的作用。
首先，数学建模可以用于数据预处理。
在大数据分析中，原始数据往往存在缺失值、异常值和噪声等问题。
通过建立数学模型，如统计模型、插值模型等，可以对缺失值进行合理的填充，对异常值进行识别和处理，以及对噪声进行滤波和平滑。
例如，在处理销售数据时，如果某些月份的销售额缺失，可以使用时间序列模型来预测缺失的值；对于明显偏离正常范围的销售额，可以通过设定阈值来识别并剔除异常值。
其次，分类和预测是大数据分析中的常见任务，数学建模在这方面也表现出色。
决策树、支持向量机、朴素贝叶斯等机器学习算法本质上都是数学模型。
以决策树为例，它通过对数据特征的递归划分，构建出一棵类似于流程图的树结构，从而实现对新数据的分类。
在预测方面，回归模型如线性回归、逻辑回归等被广泛应用。
比如，通过建立线性回归模型，可以根据历史房价数据来预测未来房价的走势。
数学建模还能够帮助进行聚类分析。
聚类的目的是将相似的数据点归为同一类，而不同类之间的数据差异较大。
常见的聚类模型有KMeans 算法、层次聚类算法等。
以 KMeans 算法为例，它通过不断迭代计算数据点到聚类中心的距离，重新分配数据点所属的类别，最终实现数据的聚类。
在市场细分、客户细分等领域，聚类分析可以帮助企业更好地了解客户群体的特征和行为模式。
在关联规则挖掘中，数学建模也发挥着重要作用。
关联规则挖掘旨在发现数据中不同项之间的关联关系，例如购物篮分析中，哪些商品经常被一起购买。
Apriori 算法是一种经典的关联规则挖掘算法，它基于概率和统计的原理，通过设置支持度和置信度等阈值来筛选出有意义的关联规则。
通过这种方式，企业可以进行商品推荐、优化库存管理等。
基于大数据技术的数学建模与优化应用研究
基于大数据技术的数学建模与优化应用研究随着互联网的不断普及和信息技术的快速发展，数据已经成为当今社会中最重要的资源之一。
在许多领域中，数据的采集、分析和应用可以有效地推动科技发展，增强人们的创造力和创新能力。
数学建模和优化技术，在大数据时代变得尤为重要，成为实现理论与实践相结合的桥梁，它可以用于解决许多现实中的问题。
一、大数据与数学建模技术近年来，随着各种数据快速积累，大数据技术已成为解决现实问题的重要手段。
大数据技术是利用计算机、网络、存储、数据库等技术对海量数据进行采集、存储、处理、计算、管理的一项综合技术和应用。
然而，大数据技术的发展离不开数学建模的支持，数学建模利用模型来描述和解决实际问题。
大数据技术提供了解决数据问题的基础，而数学建模则为数据问题提供了解决方案。
二、数学建模在大数据分析中的应用1. 预测模型大数据中的预测模型是通过收集大量数据，对未来趋势、趋势走向进行预测的模型。
例如，通过分析过去的销售数据，可以建立一个销售预测模型，预测未来每个月的销售量。
2. 机器学习模型机器学习是一种可以让计算机通过不断学习提高自己能力的技术。
大数据在机器学习中发挥了至关重要的作用，可以通过大数据中的学习模型训练机器，使机器能够更好地处理新的数据。
3. 数据挖掘模型数据挖掘是发现隐藏于海量数据背后的模式、关系和趋势的一种技术。
通过数据挖掘技术，可以在大数据中找到非常有价值的信息和知识。
三、基于数学建模技术的大数据优化应用在大数据的分析中，优化技术是必不可少的一环。
基于数学建模技术的大数据优化应用可分为两个部分：问题的描述和优化方法的设计。
1. 问题的描述问题的描述包括问题的数学公式和约束条件。
在进行数学建模时，我们需要将实际问题转化为数学公式，再加入约束条件限制数据的范围。
2. 优化方法的设计优化方法的设计是指针对问题的描述，选择一种最合适的优化方法。
常见的优化方法包括线性规划、整数规划、非线性规划、动态规划等。
数学建模基于人工智能的卷烟销售数据分析与预测研究烟草行业在国
数学建模基于人工智能的卷烟销售数据分析与预测研究烟草行业在国基于数模决策的卷烟营销模式构架卷烟营销数据整合。
数据源是构建模型及决策分析的基础。
卷烟营销数据源可划分为终端资源数据、卷烟经营数据和消费群体数据，并构成了卷烟营销大数据。
终端资源数据是指卷烟零售终端的硬件、软件等资源所构成的数据。
根据终端资源特征，细化资源指标，将终端资源按逻辑排列整合为陈列、广告、体验、人力、信息五类资源。
卷烟经营数据一方面反映了零售终端的销售能力，另一方面则反映了卷烟品牌的培育情况。
消费群体数据是指由消费者、消费需求、消费环境等因素构成的数据指标，根据消费群体特征，可将消费群体数据划分为消费者数据、消费需求数据和消费环境数据三类。
构建系统模型。
搭建终端资源数据模型。
终端资源数据模型是量化和评估终端资源水平的系统模型，也是有效连接商业企业和零售终端的评价工具。
在搭建时，主要采取量化评估赋分的形式，通过量化各项资源指标，并配合权重系数，运用数理统计方式，以构建终端资源数据模型。
此类数据模型可用于对终端资源的分类评价定位，便于商业企业对终端的服务。
搭建卷烟经营数据模型。
卷烟经营数据模型是衡量终端销售能力和卷烟品牌培育能力的系统模型，可以为商业企业和工业企业的决策提供参考依据。
在建立系统模型时，考虑使用数据库存储方式，并设计可视化系统管理软件，有效对卷烟经营数据进行统计和分析。
此模型可用于商业企业和工业企业对品牌培育策略的制定，实现精准品牌定位。
搭建消费群体数据模型。
消费群体数据模型是评估消费需求和消费环境的系统模型，有利于工业企业制定产品策略及商业企业规划营销策略。
消费群体数据模型的基础是三类消费群体数据，相关数据考虑以数据库表单的形式存在，建立消费数据库，并配合信息化软件、硬件，制定相关消费采集及跟踪机制，以此综合构成消费群体数据模型。
此类模型可用于对消费需求和市场情况的评估，为制定品牌营销策略提供依据。
现代终端数模决策体系的应用下面以云南省昆明市烟草专卖局（公司）现代卷烟零售终端建设理念为例，结合大数据下数模决策营销方法论进行探讨。
数学建模在实际问题中的应用与研究探讨
数学建模在实际问题中的应用与研究探讨在当今科技飞速发展的时代，数学建模作为一种强大的工具，正日益广泛地应用于解决各种实际问题。
它不仅是数学理论与实际应用之间的桥梁，更是推动社会进步和创新的重要力量。
数学建模到底是什么呢？简单来说，它是将实际问题转化为数学问题，并通过建立数学模型来求解和分析的过程。
这个过程就像是给一个复杂的现实问题穿上了一件数学的“外衣”，让我们能够用数学的方法和思维去理解和解决它。
在经济领域，数学建模发挥着至关重要的作用。
比如，企业在进行生产决策时，需要考虑成本、产量、价格等多个因素之间的关系。
通过建立数学模型，企业可以预测不同生产策略下的利润情况，从而制定出最优的生产计划。
以一家汽车制造企业为例，他们需要确定每种车型的生产数量，以满足市场需求并实现利润最大化。
这时候，就可以建立一个以成本、销售价格、市场需求为变量的数学模型，通过求解这个模型，找到最佳的生产组合。
在交通领域，数学建模也有着广泛的应用。
城市交通拥堵是许多大城市面临的难题。
为了优化交通流量，减少拥堵，交通规划者可以建立数学模型来模拟车辆的行驶和交通信号的控制。
例如，通过建立交通流模型，可以分析不同道路条件和交通信号设置对车辆通行速度和拥堵程度的影响，从而为交通规划和管理提供科学依据。
在医学领域，数学建模同样能大显身手。
比如在疾病传播的研究中，通过建立数学模型，可以预测疾病的传播趋势，评估防控措施的效果。
在新冠疫情期间，数学家们就建立了各种模型来预测疫情的发展，为政府制定防控策略提供了重要的参考。
除了上述领域，数学建模在环境保护、能源开发、金融风险评估等众多方面都有着不可或缺的应用。
那么，数学建模是如何在实际问题中发挥作用的呢？首先，需要对实际问题进行深入的观察和分析，明确问题的关键因素和目标。
然后，将这些因素用数学语言和符号进行描述，建立数学模型。
接下来，运用数学方法和工具对模型进行求解，得到结果。
最后，将结果还原到实际问题中，对其进行解释和验证。
数学建模融入应用数理统计中的案例教学研究
数学建模融入应用数理统计中的案例教学研究①王琼，王峰（常州大学阿里云大数据学院，江苏常州213164）一、引言“新工科”概念自2016年提出以来，迅速受到学术界和业界的广泛关注。
新工科教育注重产业需求导向、跨界交叉融合和支撑服务，注重培养学生的创新能力和工程实践能力[1]。
应用数理统计课程是工科研究生公共基础必修课程，是研究生培养过程中一门重要的应用类数学公共课程，所有尝试科学试验的自然科学、社会科学领域都需要掌握统计学的知识。
大数据时代下，研究生的数据统计分析能力与数学建模水平是应用型研究生综合素养、统计分析能力和创新能力的根基，更是能否真正成为高层次创新型应用人才所应具有的数学理论准备[2]。
如何在新工科背景下深化应用数理统计课程教学改革，助力提升研究生培养质量，是研究生教育面临的极具挑战性的问题。
不同于本科阶段，研究生阶段的教育会更加注重培养学生的创新能力。
目前大多数研究生一方面没有机会直接进到企业接触实际应用场景；另一方面从书中获得的理论知识稍显浅薄。
而综合数理知识与实际应用场景的数学建模竞赛赛题涉及的覆盖面广泛[3]，大多是与国家战略需求、社会热点等相关的问题，或是贴近科学研究前沿的有待解决或完善的问题。
通过数学建模竞赛赛题的训练，能够培养研究生综合运用数学模型、统计分析的思想及方法解决实际问题的能力，同时有助于培养他们的创新能力及团队协作精神。
而新工科建设中卓越工程师的核心秘诀就是其创新意识、团队协作精神和工程实践环境。
因此，在应用数理统计课程教学中，适当引入数学建模竞赛的相关内容作为教学案例，为研究生提供一个可触达实际需求和场景的“练兵场”，是实战的重要方式，将使研究生从全新的角度对课程的意义产生新的认识。
因此，开展新工科背景下数学建模融入应用数理统计课程的案例教学研究对提高研究生工程教育质量和培养卓越工程师具有重要的实践意义。
二、应用数理统计课程教学现状应用数理统计是数据统计分析的重要基础课程。