数学建模_品酒问题
数学建模之葡萄酒的评价
葡萄酒的评价摘要葡萄拥有很高的营养价值，含有多种氨基酸、蛋白质和维生素，而以葡萄为原料的葡萄酒也蕴藏了多种营养物质，而且这些物质都是人体必须补充和吸收的营养品。
目前，已知的葡萄酒中含有的对人体有益的成分大约就有600种。
葡萄酒的营养价值由此也得到了广泛的认可，可以说葡萄酒是一个良好的滋补品。
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。
对于本题，我们主要采用SPSS和MATLAB软件对模型进行求解。
针对问题一，首先我们将附件1中数据在Excel中进行处理；其次，我们在SPSS中，采用T检验，分别分析出两组评酒品红、白葡萄酒的评价结果有无差异性。
最后，我们通过T检验，在SPSS中可其相应的标准差，通过比较标准差来确定哪个组更可靠。
针对问题二，首先利用主成分分析法对酿酒葡萄的指标进行简化，将问题转化成一个多元函数的求解问题，然后分别对酿酒葡萄中的指标和葡萄酒理化指标进行相关性分析，得出指标间的相关性关系，将问题转化为求解超定方程组的解，最后利用最小二乘法建立了酿酒葡萄与葡萄酒理化指标间的关系式。
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。
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. 分析酿酒葡萄与葡萄酒的理化指标之间的联系。
二、问题分析2.1针对问题一，我们将它分成两个问题去解决1、针对问题一中的两组评酒员的评价结果有无显著性差异，我们在SPSS 中利用T检验去判断。
在这之前，我们对附录1中数据进行处理，利用excel 分别求出两组评酒员分别对红葡萄酒和白葡萄酒的评价结果的平均值。
数学建模葡萄酒评价优秀论文
葡萄酒的评价模型摘要近年来，我国掀起了一场葡萄酒热，对葡萄酒的需求与日俱增。
特别是随着食品科学技术的发展，人们不再满足传统感官评价葡萄酒的水平。
如何运用数据资料定量研究葡萄酒的品质，加快建立葡萄酒市场指标规则成为人们关注的焦点。
本文通过对感官评价分析，结合葡萄酒和酿酒葡萄的理化指标和芳香物质的大量数据，建立了客观可靠的葡萄酒质量综合评价模型。
针对问题一：本题需要检验两组品酒员的评价结果是否存在显著差异，并选出更可靠的一组。
我们将各种葡萄酒的10个二级指标得分，相加得到每种酒的总分。
在判断知每组品酒员的评价总分均服从正态分布后，用t检验分析两组品酒员对各葡萄酒评价的差异性，由此计算得到两组评价的显著性差异率为13.36%，即总体上两组品酒员的评价不存在显著差异。
但由于两组品酒员的评价仍存在部分差异，我们比较两组品酒员对55种葡萄酒评价的方差，发现第二组评分的方差普遍小于第一组，所以第二组的评价结果更可信。
针对问题二：为了对酿酒葡萄进行分级，我们将葡萄的理化指标作为媒介。
先根据国际指标制定适用于本题评分的分级标准，将葡萄酒进行分级，再根据理化指标经标准化之后的数值，利用欧氏距离对酿酒的55种酿酒葡萄进行Q型聚类分析。
聚类得到红白葡萄各六个分类后，再把各类酿酒葡萄对应至相应葡萄酒的等级，将酿酒红葡萄和酿酒白葡萄各分为五级。
针对问题三：由于各种酿酒葡萄的理化指标种类复杂，我们用主成分分析的方法，从酿酒红葡萄和酿酒白葡萄的27个有效指标中各提取出了8个和9个主要成分。
考虑到酿酒葡萄经化学反应酿造成葡萄酒的过程中各项理化指标一般存在线性关系，我们建立多元线性回归模型，得出酿酒葡萄和葡萄酒各项有效理化指标的正负相关关系。
关键词：显著性检验；聚类分析；主成分分析；多元回归。
一、问题的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。
数学建模_品酒问题
71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 *
总计
2 0 0 1 1 1 0 2 0 1 2 1 1 3 2 5 1 3 0 4 2 3 3 5 0 0 1 1 0 1 80
1
2012 年商丘师范学院建模模拟练习
编 号 专 用 页
参赛队伍的参赛号码：（请各个参赛队提前填写好）：
竞赛统一编号（由竞赛组委会送至评委团前编号）：
竞赛评阅编号（由竞赛评委团评阅前进行编号）：
2
2012 年商丘师范学院数学建模模拟练习
题目
品酒问题
摘要
5 名品酒师对某酒厂的 80 种酒进行好次排序，由于酒的外观、香气、风味、温度， 品酒师的心情、水平，环境的干扰等多方面的影响，会对酒的分数造成较大误差，所以 针对问题二可以建立如下两种模型。 第一种--均值法，采用 5 名品酒师的分数相加除以 5，进而得到酒的估测值。第二 种 -- 去 掉 品 酒 人 不 同 带 来 的 差 异 法 ， 根 据 i 位 品 酒 人 给 分 的 期 望 ： Ea(i) = 第i个品酒师所品的所有酒分数的总和 （1 i 5 ） ， 可以得到所有品酒人给分的期望：Ea 第i个品酒师品酒的总数
品酒师 1 92 94 94 88 83 81 93 74 84 90 68 90 91 93 90 86 63 85 94 80 94 85 97 87 91 81 63 78 86 53 66 65 82 86 88 76 70 68 94 65 59 63 60 64 93 90
品酒师 2 99 95 85 88 79 73 73 94 82 63 93 93 79 66 68 96 93 97 81 93 84 95 83 84 73 94 74 66 68 96 93 93 84 73 92 97 83 73 90 87 97 94 85 83 55 79
数学建模葡萄酒评价问题
数学建模葡萄酒评价问题葡萄酒作为一种重要的饮品，在许多场合都扮演着重要的角色。
但在选择和鉴赏葡萄酒时，往往需要一定的专业知识和经验。
如何评价葡萄酒的品质，成为一个重要的问题。
通过数学建模，可以对葡萄酒评价问题进行深入研究。
一、葡萄酒评价的一些基本概念在对葡萄酒进行评价时，我们需要了解一些基本概念。
其中有几个核心概念，包括：1.口感：葡萄酒口感主要包括甜度、酸度、单宁和酒精度四个方面。
其中，甜度和酸度是相反的两个方面，而单宁和酒精度则是影响葡萄酒深度和复杂度的关键因素。
2.香气：葡萄酒香气是葡萄酒评价中非常重要的部分，其中包括了果香、花香、木香等多种因素。
3.口感平衡度：葡萄酒口感的平衡度是评价葡萄酒品质的重要指标，它包括了口感中甜度、酸度、单宁和酒精度四个因素之间的和谐程度。
二、对葡萄酒品质的数学建模通过对葡萄酒的评价指标进行分析和量化，我们就可以建立一种数学模型，来对葡萄酒的品质进行评价。
其中的一些关键步骤包括：1.建立评价指标的量化模型：通过对葡萄酒评价指标的分析，我们可以建立相应的量化模型。
例如，将单宁的口感评价量化为0-10分，将香气的评价量化为0-5分等等。
2.确定评分标准：针对不同类型的葡萄酒，我们可以设定相应的评分标准。
例如，某种类型的葡萄酒，其平衡度得分要高于80分，香气得分要高于90分等等。
3.对葡萄酒样品进行测量和评分：在具体的评分过程中，我们需要对葡萄酒样品进行测量和评分，以得出相应的评价分数。
三、葡萄酒品质的数据分析通过对大量葡萄酒样品的评价数据进行收集和整理，我们可以进行相应的数据分析，以得到一些关于葡萄酒品质的重要结论。
例如：1.不同类型的葡萄酒在各项评价指标上存在差异。
例如，红葡萄酒相对白葡萄酒来说，具有更重的单宁和更鲜明的果香和木香。
2.葡萄酒品质在不同地区和不同产年之间也存在差异。
例如，同一品种的葡萄，在不同地区以及不同产年中，会产生明显的差异。
3.葡萄酒品质和价格之间的关系并不一定单调。
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。
2012年全国大学生数学建模A题--葡萄酒质量的评价分析
葡萄酒质量的评价分析摘要本文主要讨论了葡萄酒和葡萄的理化指标与葡萄酒质量的关系。
通过品酒员对样品酒的外观，香气，口感的评分数据与所酿葡萄酒的理化指标和对酿酒葡萄的化学分析来确定葡萄酒质量好坏以及它们之间的关系。
根据附录中所给的两组品酒员分别对红葡萄酒和白葡萄酒进行品尝后的评分数据和各种理化指标进行了严谨的分析之后，继而运用适当的数学软件结合数学模型进行大量的拟合数据分析。
在葡萄酒品尝评分表中，由于品酒员对葡萄酒的要求、口感及其他各方面的主观条件存在一定的差异，因此，我们对品酒员给出的评分数据进行了客观的分析，降低品酒员主观造成的误差，客观的反映了样品酒之间的真实差异，同时将酿酒葡萄进行了等级划分。
并通过所给的理化指标数据和芳香物质含量更加准确的描述了酿酒葡萄、葡萄酒、葡萄酒质量之间的联系。
对于问题一，题目中要求我们判断两组品酒员的评价结果有无显著性差异，哪一组结果更可信。
由于题中数据量很大，且杂乱无章，很难直接看出，因此我们将数据在统计图中进行表示，观察了数据的稳定情况，为了更好的表达数据的稳定情况，我们采用了求每组数据方差的方法，通过比较，得出两组品酒员的评价结果存在显著性差异，且第二组品酒员所给的评分更为可信。
对于问题二，题目要求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，由问题一所得结果可知，第二组评分更为可信，故直接采用第二组数据进行分析。
将该数据进行数学期望处理，得到了十位评委对每种样品酒的平均打分，我们根据帕克评分系统的标准[1]将样品酒进行了分级。
对于问题三，我们使用了EXCEL中拟合数据分析的功能来探究酿酒葡萄与葡萄酒的各项理化指标之间的联系。
经过对得到的散点图不断的尝试各种函数图像，最终我们找到了最适合它们之间关系的也就是散点落在函数图象外最少的数学函数图像，从而得到该图像的数学表达式。
由于图表中显示酿酒葡萄与葡萄酒对应的各项指标存在多项式函数关系，所以我们得出结论，酿酒葡萄与葡萄酒各项理化指标存在着多项式函数的联系。
数学建模-葡萄酒的品尝
摘要葡萄酒是用新鲜的葡萄或葡萄汁经发酵酿成的酒精饮料。
通常分红葡萄酒和白葡萄酒两种。
前者是红葡萄带皮浸渍发酵而成；后者是葡萄汁发酵而成的。
葡萄酒讲究三分工艺七分原料，而葡萄酒是以鲜葡萄或葡萄汁为原料，葡萄质量好，酒相对就好。
对于问题一，葡萄酒质量的评定是由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而确定的。
第一、二两组评酒员分别评定同一批酒品,故为单因素模型，分别求出两组评酒员评定结果的方差，方差较小的说明稳定性较高，波动较小，经过计算分析得出第二组更为精确。
此后均认为第二组结果作为一个评价酒的质量的一个标准。
对于问题二，已知葡萄酒的品质，利用反演法把确定的葡萄酒品质信息流的方向倒转,关注酿酒葡萄的各项理化指标。
然后根据附件一中各种判断指标标准的比例以及通过查找的资料信息对主要理化指标成分进行加权，最终得出了酿酒葡萄的品质结果并进行了降序排列，对酿酒葡萄划分了四个不同的等级。
对于问题三，首先将附件二中葡萄酒和酿酒葡萄中相同的理化指标放在一张表上加以分析，利用matlab软件对所得的数据分别进行曲线拟合，得出了相对应的函数表达式和相关参数，并且做了简要的分析。
对于问题四，假设酿酒葡萄和葡萄酒的理化指标对葡萄酒质量有影响，根据附件中数据得知为无重复试验的双因素问题。
利用双因素方差分析法的数学模型对两种因素求得总偏差平方和及效应平方和，再根据它们对误差的影响程度确定那种影响因素更能决定葡萄酒的质量。
最后根据附件三的芳香物质表验证，得出一个重要的结论：比较好的酒所含的脂类物质远比品质较差的酒高，与此同时我们还得到，品质较好的酒所对应的酿酒葡萄所含的酯类同样也远高于品质较差的酒所对应的酿酒葡萄所含的酯类。
关键词：葡萄酒质量、曲线拟合、反演法、双因素方差分析模型一、 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。
建模论文-葡萄酒的评价
葡萄酒的评价摘要葡萄酒的质量评价是研究葡萄酒的一个重要领域，目前一般是通过聘请一些有资历的评酒员进行品评。
每个评酒员在对葡萄酒进行品尝后对其进行打分，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，葡萄酒和酿酒葡萄的理化指标会在一定程度上反映葡萄酒和葡萄的质量。
本文分析了如何对酿酒葡萄进行分类，寻找了酿酒葡萄与葡萄酒的理化指标之间的联系，以及解决了酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响等问题，建立了相应的数学模型，并且充分运用了Excel和SPSS等数学工具。
对于问题一，我们首先使用Excel对附件一中的数据进行了加权平均，求得两组品酒员对红白葡萄酒的评分；再通过方差分析法比较两组品酒员对红白葡萄酒评分的波动性大小。
在判断显著性差异的时候，我们使用了成对样本的t检验，通过比较p值和0.05，得到红葡萄酒和白葡萄酒都存在显著性差异；通过对方差大小的观察，可以得到第二组评分结果更加可信。
对于问题二，我们先运用主成分分析法找出红白酿酒葡萄的主成分，再运用SPSS软件通过聚类分析法对酿酒葡萄进行分类。
对于问题三，首先我们运用主成分分析法对葡萄酒的理化指标进行了降维，再利用SPSS对酿酒葡萄和葡萄的理化指标进行了相关性分析，发现酿酒葡萄和葡萄的理化指标之间的相关性不强。
对于问题四，我们把酿酒葡萄和葡萄酒的理化指标作为自变量，对第二组评酒员的评分作为因变量，建立多元回归线性模型，最终发现葡萄酒的质量仅用酿酒葡萄和葡萄酒的理化指标来评价是不客观的，还与葡萄品种和环境等很多因素有关。
关键字：SPSS软件聚类分析主成分分析多元线性回归模型 t检验一、问题的提出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。
数学建模论文++饮酒驾车的数学模型
一、问题重述关键词：微分方程、模型。
本问题主要是分析驾驶员在喝过一定量的酒后，血液中酒精含量上升，影响司机驾车，所以司机饮酒后需经过一段时间后才能安全驾车，国家标准新规定，车辆驾驶人员血液中的酒精含量大于或等于20毫克/百毫升，小于80毫克/百毫升为饮酒驾车，血液中酒精含量大于或等于80毫克/百毫升为醉酒驾车，司机大李在中午12点喝下一瓶啤酒，6小时后检查符合新标准，晚饭地其又喝了一瓶啤酒，他到凌晨2点驾车，被检查时定为饮酒驾车，为什么喝相同量的酒，两次结果不一样？讨论问题：1. 对大李碰到的情况做出解释；2. 在喝了3瓶啤酒或者半斤低度白酒后多长时间内驾车就会违反上述标准，在以下情况下回答：1）酒是在很短时间内喝的；2）酒是在较长一段时间（比如2小时）内喝的。
3. 怎样估计血液中的酒精含量在什么时间最高。
4. 根据你的模型论证：如果天天喝酒，是否还能开车？5. 根据你做的模型并结合新的国家标准写一篇短文，给想喝一点酒的司机如何驾车提出忠告。
参考数据1. 人的体液占人的体重的65%至70%，其中血液只占体重的7%左右；而药物（包括酒精）在血液中的含量与在体液中的含量大体是一样的。
2. 体重约70kg的某人在短时间内喝下2瓶啤酒后，隔一定时间测量他的血液中酒精含量（毫克／百毫升），得到数据如下：二、模型假设1、酒精从胃转移到体液的速率与胃中的酒精浓度成正比。
2、酒精从体液转移到体外的速率与体液中的酒精浓度成正比。
3、酒精从胃转移到体液的过程中没有损失，且不考虑误差。
三、符号说明k:酒精从体外进入胃的速率；f(t):酒精从胃转移到体液的速率；1f(t):酒精从体液转移到体外的速率；2X(t):胃里的酒精含量；Y(t)：体液中酒精含量；V 0:体液的容积；K 1:酒精从胃转移到体液的速率系数；K 2:酒精从体液转移到体外的速率系数；C(t):体液中的酒精浓度。
0D ：短时间喝酒情况下进入胃中的初始酒精量。
全国大学生数学建模竞赛A题葡萄酒评价分析
全国大学生数学建模竞赛A题葡萄酒评价分析葡萄酒是一种古老而美妙的饮品，其种类繁多，风味各异。
如何对葡萄酒进行准确的评价和分析成为了葡萄酒爱好者和生产商们共同关注的问题。
在此次全国大学生数学建模竞赛A题中，我们将围绕葡萄酒的评价和分析展开讨论。
1. 引言葡萄酒是一种由葡萄经过发酵而成的酒类饮品。
葡萄酒的风味和品质受到许多因素的影响，如产地、葡萄品种、酿造工艺等。
为了准确评价葡萄酒的质量和特点，我们需要建立相应的评价指标和模型。
2. 数据分析为了进行葡萄酒评价，我们首先需要收集相关的数据。
通过对不同品牌、不同种类的葡萄酒进行采样和测试，我们可以获得葡萄酒的关键指标，如酒精含量、酸度、甜度、单宁含量等。
在数据分析中，我们可以运用统计学方法和数学建模技术，对数据进行整理和处理。
通过计算均值、方差、相关系数等指标，我们可以得到葡萄酒的基本特征和相互之间的关系。
3. 葡萄酒评价指标体系建立基于数据分析的结果，我们可以建立葡萄酒评价指标体系。
这一体系应该包含对葡萄酒各项指标的评价方法和权重。
常见的评价指标包括酒精含量、色泽、香气、口感等。
在指标体系中，我们可以采用层次分析法，通过对各个指标的重要性进行排序和评估。
同时，还可以利用数学模型，将各项指标综合起来，得到最终的评价结果。
4. 葡萄酒评价模型构建在对葡萄酒进行评价时，我们可以利用数学建模方法构建评价模型。
常用的模型包括多元回归模型、灰色关联度模型等。
多元回归模型可以用来分析葡萄酒各项指标之间的关系，进而预测葡萄酒的品质。
灰色关联度模型则可以用来度量葡萄酒各个指标对品质的影响程度。
通过不断地调整模型和参数，我们可以得到更准确的葡萄酒评价结果，并为葡萄酒生产商提供有针对性的改进建议。
5. 葡萄酒评价系统设计为了方便葡萄酒评价和分析的实施，我们可以设计一个葡萄酒评价系统。
该系统可以包括数据输入、数据处理、指标评价、模型计算等功能模块。
数据输入模块用于将葡萄酒相关数据录入系统。
- 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)。
在第三问中对五位品酒师进行评价，按照其打分的合理性，由好到次排序，可以采 取第二问中较准确的估测值来求取各个品酒师与准确值之间的相关性来判断来判断品 酒师的好次程度。
四、符号假设
A：品酒师 1 对第 9 种酒的打分分值期望； B：品酒师 2 对第 25 种酒的打分分值期望； C：品酒师 3 对第 58 种酒的打分分值期望； i：品酒师的序号； Ea(i) ：i 位品酒人给分的期望； Ea ：所有品酒人给分的期望； △a(i)：差异因子；
序号 24 73 37 3 48 55 34 25 75 2 17 46 74 27 54 28 60 7 65 62 52 20 26 23 57 68 78 13 21 6 61 44 43 59
品酒师 1 92 78 84 88 62 98 60 68 67 92 63 86 63 61 59 63 55 76 60 51 55 56 71 69 75 58 61 58 61 84 86 63 67 71
5 并将分数从高到低进行排序。 将上述题目应用 EXCEL 分析出数据的结果如下：
每位品酒师给出的分数 ，
6
序号 39 19 51 47 5 4 80 66 40 64 69 79 18 16 53 22 77 45 15 49 14 11 72 50 76 63 67 12 29 8 10 38 32 71 33 9 70 1 41 36 35 58 31 30 56 42
W：当五位品酒师品酒的实际分数；
ri：品酒师和估测分数之间的密切程度，i=1、2、3、4、5。
五、模型的建立与求解
5.1 关于问题 1 的模型建立与求解 补齐表中缺失的数据方法和理由： 有 80 种酒需要评价，因此样本空间足够大，在理想情况下可以认为品酒师打分等 于品酒师 1、2、3 分别对第 9、25、58 种酒打分的期望值 A、B、C。 A、B、C 的求解过程，品酒师的打分统计结果如下：
品酒师 2 85 81 78 76 98 63 91 81 82 69 74 76 71 74 95 80 72 76 83 65 75 67 66 90 64 63 84 86 80 67 55 82 67 82
品酒师 3 82 87 83 76 74 80 78 65 87 74 90 64 92 76 69 69 95 68 64 78 93 91 61 65 65 84 75 72 79 86 67 65 67 61
打分次数 品酒师 分数 51 53 55 56 58 59 60 61 62 63 64 65 66 67 68 69 70
1 1 1 2 1 2 2 3 3 1 7 1 2 1 2 3 1 1
5
2 0 0 2 0 0 0 0 0 0 3 1 1 3 2 2 1 0
3 0 0 0 0 0 0 0 3 1 0 3 5 2 1 1 2 1
品酒师 1 92 94 94 88 83 81 93 74 84 90 68 90 91 93 90 86 63 85 94 80 94 85 97 87 91 81 63 78 86 53 66 65 82 86 88 76 70 68 94 65 59 63 60 64 93 90
品酒师 2 99 95 85 88 79 73 73 94 82 63 93 93 79 66 68 96 93 97 81 93 84 95 83 84 73 94 74 66 68 96 93 93 84 73 92 97 83 73 90 87 97 94 85 83 55 79
品酒师 4 66 78 61 70 93 63 78 84 63 65 63 87 86 87 75 76 85 64 79 94 84 97 75 65 94 84 69 63 70 56 62 69 67 57
品酒师 5 68 69 85 80 62 84 81 87 86 83 92 69 68 78 74 84 64 86 83 80 60 56 94 76 63 72 72 81 69 66 80 66 67 61
每个分数 * 相应的差异分子 ，再分析比较两种模型的优劣。
Ea ，可以得到五位品酒师品酒 Ea(i)
关键词: 均值法、差异法、Bivariate 过程、差异因子
3
一、问题重述
某酒厂要对其80种酒综合评价，请5名品酒师对其进行综合打分，附录是品酒师的 评分结果，1-80表示所有80种酒产品，其中的星号“*”表示该品酒师没有给相应的产 品打分。请你建立数学模型解决下面的问题： （1）补齐表中“*”部分所缺的数据，同时说明所用的方法及理由。 （2）对80种酒产品进行由好到次的排序。 （3）对五位品酒师进行评价，按照其打分的合理性，由好到次排序，同时说明排 序的理由。 说明：5 名品酒师对 80 种的评分见附录 1
Ea (i)
=
1
5
5
（1 i 5 ） ，再通过求出差异因子： a(i )
的实际分数为 W=
5 对于问题一有 80 种酒需要评价， 因此样本空间足够大， 我们可以采用求取期望值， 进而得到表中所有缺失值。 问题三运用问题二中预测的误差相对较小的准确值，调用 Bivariate 过程对变量进 行相关关系的分析，计算有关的统计指标，以分别判断变量品酒师 1 和估测分数、品酒 师 2 和估测分数、品酒师 1 和估测分数、品酒师 4 和估测分数、品酒师 5 和估测分数之 间相互关系的密切程度。当品酒师和估测分数之间的密切程度 r 越大时，其相关程度越 高，品酒师排名越靠前。最后再对其作出评价
二、模型假设
1、5 位品酒师对 80 种酒的打分相互独立； 2、假设品酒师打分时所处环境一致，不掺杂个人因素； 3、80 种酒的外观、香气、风味等类似，且不影响品酒师的判断； 4、酒的编号是随机安排的； 5、理想的分数值位于 0 到 100 之间； 6、忽略温度对品酒师味觉的影响；
三 、问题分析
评分排序是品酒师对多种酒的排名问题，是一个带有多方面因素的优化问题，其影 响是多方面的，包括酒的外观、香气、风味、温度，品酒师的心情、水平，环境的干扰 等等。假设问题已明确了酒的状态和品酒师的心态是公正的，对 80 种酒作出一个科学 合理，公正的排序，以便评出酒的好坏。对评分排序这样重要的问题进行建模排序，是 一项涉及统计学，概率统计和一些数学学科的综合研究。影响品酒师的因素很多，品酒 师根据评分标准在各自的主观认知和知识领域的影响下打出分数，由于品酒师各自研究 方面的局限对评相同种类的酒时难免会有所偏差，对某些酒的理解程度的不同所造成的 对同一种酒的差异。 在第一问中求表中品酒师没有对酒的打分也就是求缺失值， 因为有 80 种酒需要评价， 因此样本空间足够大，所以可以采用 spss 程序求出缺失值，也可以采用各个品酒师打分 的期望值来求得缺失值。 在第二问中对 80 种酒产品进行由好到次排序， 为体现评分的公正性和合理性， 我们 可以考虑两个方面：第一，尽力避免某些品酒师对某些酒的偏爱或讨厌，可以采取求取 平均值；第二，尽力去掉或减少品酒师不同带来的成绩的差异和干扰。因此可采取两种 不同的模型，均值法和去掉品酒人不同带来的差异法，然后比较其优劣。
71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 *
总计
2 0 0 1 1 1 0 2 0 1 2 1 1 3 2 5 1 3 0 4 2 3 3 5 0 0 1 1 0 1 80
1
2012 年商丘师范学院建模模拟练习
编 号 专 用 页
参赛队伍的参赛号码：（请各个参赛队提前填写好）：
竞赛统一编号（由竞赛组委会送至评委团前编号）：
竞赛评阅编号（由竞赛评委团评阅前进行编号）：
2
2012 年商丘师范学院数学建模模拟练习
题目
品酒问题
摘要
5 名品酒师对某酒厂的 80 种酒进行好次排序，由于酒的外观、香气、风味、温度， 品酒师的心情、水平，环境的干扰等多方面的影响，会对酒的分数造成较大误差，所以 针对问题二可以建立如下两种模型。 第一种--均值法，采用 5 名品酒师的分数相加除以 5，进而得到酒的估测值。第二 种 -- 去 掉 品 酒 人 不 同 带 来 的 差 异 法 ， 根 据 i 位 品 酒 人 给 分 的 期 望 ： Ea(i) = 第i个品酒师所品的所有酒分数的总和 （1 i 5 ） ， 可以得到所有品酒人给分的期望：Ea 第i个品酒师品酒的总数
品酒师 3 79 64 94 96 95 84 83 96 92 95 91 72 83 91 88 79 97 83 80 85 70 81 97 80 90 73 91 99 95 65 80 62 97 73 66 76 75 85 65 86 75 80 96 61 66 85 7
品酒师 4 86 96 74 80 83 98 90 89 95 91 82 94 85 74 92 84 90 84 66 82 78 81 64 93 79 63 94 90 71 95 90 99 78 75 59 87 96 88 66 64 76 82 67 90 84 81
品酒师 5 90 95 93 87 98 94 90 76 76 87 91 73 84 97 83 75 76 70 92 72 86 69 68 64 74 95 83 71 84 94 73 83 60 94 95 64 76 86 84 96 88 76 87 96 96 58
总分 446 444 440 439 438 430 429 429 429 426 425 422 422 421 421 420 419 419 413 412 412 411 409 408 407 406 405 404 404 403 402 402 401 401 400 400 400 400 399 398 395 395 395 394 394 393