线性代数在数学建模中的应用举例

合集下载

数学建模中的线性代数应用

数学建模中的线性代数应用

数学建模中的线性代数应用作者:郑婷来源:《新一代》2017年第20期摘要:数学建模教学中,主要是为了大学生能够通过数学知识解决实际生活中的问题,这些是数学教学中比较重要的内容。

数学建模的主要目的就是将实际问题转变成数学模型。

本文将会对数学建模线性代数和涵义进行分析,通过线性代数中的向量、矩阵、行列在线性模型中的使用进行分析,通过实例方法对线性代数方法建模进行探讨。

关键词:数学建模;析线性代数;使用科技的发展与数学离不开,很多问题的存在基本上都离不开数据问题。

利用数学知识来解决实际问题,应该是新时代的学生需要具备的能力和素质,同时也是考察学生掌握的数学知识。

一、模型的建立对于大学生来说,建模是比较困难的。

对于比较复杂的实际问题,学生分析的不是很全面,这个过程中教师要重视将实际问题转变成数学模型,从数学语言,通俗的描述客观对象的规律,进行数学建模。

在数学建模中,主要执行几个步骤:假设模型、建立模型、计算模型,推广模型等。

在解决实际问题上,学生要掌握到基本问题的原理,具有全局分析的能力,根据求解目的来分析问题。

数据建模的关键就是解决实际问题,教师要重视学生对实际问题的分析,培养学生更好的逻辑思维,这样才能学习数学建模的意义。

二、实例的分析(一)投入的产出模型例如:在我国某个地区中,一条铁路、一个发电厂、一个煤矿。

经过市场调查,开采煤的价值是1元钱,需要的煤矿资源是0.25元电费,同时进行煤运开采到目的地,需要0.25元的运费;发电厂使用了1元的电力资源,价值是煤的0.65元,还需要0.05元的运费和0.05元的电费;铁路运输过程中需要1元运费,铁路还需要0.1元电费和0.55元煤炭资源。

在市场调查中,煤矿价值订货单有85000元,发电厂的订货单价值36800元,而本条路线无任何要求。

根据数据建模,对这一周发电厂、煤矿和铁路上想要满足订单和本地区的需求需要多少产值。

模型的建立:假设本周总产值煤矿是x1,铁路总产值是x3,发电厂的产值是x2,根据市场调查,发电厂价值是36800元,煤矿订货单价值是85000元,而本条铁路是没有任何要求的,如果列出的线性方程是如下:矩阵中的B是完全的消耗矩阵,它与A直接消耗在部门不同的情况下产出的投入是平衡的。

线性代数精彩应用案例_之一_

线性代数精彩应用案例_之一_

1 斐波那契数列
例 1 数列 F1 , F2 , , Fn , 如果 = Fn- 1 + Fn- 2 ( 对所有的正整数 n 3) , 就称为斐波那契( F ibonacci) 数列. 试求斐波那契数列的通项公式.
解 先求满足递推关系
an = an- 1 + an- 2
Fn=
qn2 q2 -
qn1 q1
=
n
n
1+ 5 2
-
1- 5 2
.
5
以上的解法的关键是: 满足条件( 1) 的两个等比数列{ an } , { bn} 之和{ cn } 仍然满足条件( 1) , ( 虽然
{ cn } 一般说来不再是等比数列) , 适当选择{ an } , { bn } 就可以使{ cn } 的前两项都等于 1. 实际上, 满足条件( 1) 的任意两个数列的和仍然满足条件( 1) , 满足条件( 1) 的任意一个数列{ an } 的
公式.
例 1 可以推广到更一般的情形:
问题 1 对任意给定的复数 b, c, 如果数列{ un} 满足条件
un = bun- 1 + c un- 2 ( n 3)
( 4)
并且已知这个数列的前两项 u1 , u2 , 求 un . 仍用 V 表示复数组成的全体数列{ an} 组成的复数域上线性空间. 则满足条件( 4) 的全体数列组成 V
列 , 与等比数列类似可以得到它的通项:
F n- 1 =
n- 1 = A n- 2 = A2 n- 3 =
Fn
= An- 2 1 = An- 2 F1 = An- 2 1 .
F2
1
只要算出了 An- 2 , 就能得到 F n . 为了算出 An- 2 , 利用矩阵相似的理论和方法, 先将 A 相似于尽可能

数学建模-matlab在线性代数中的应用

数学建模-matlab在线性代数中的应用

-310-附录二Matlab 在线性代数中的应用§1 向量组的线性相关性求列向量组A 的一个最大线性无关组可用命令rref(A)将A 化成阶梯形的行最简形式,其中单位向量对应的列向量即为最大线性无关组所含向量,其它列向量的坐标即为其对应向量用最大线性无关组线性表示的系数。

例1 求下列矩阵列向量组的一个最大无关组。

⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡−−−−−=3 3 3 3 42 1 0 2 32 4 2 6 61 2 1 0 2A解编写M 文件ex1.m 如下:format rata=[1,-2,-1,0,2;-2,4,2,6,-6;2,-1,0,2,3;3,3,3,3,4];b=rref(a)求得b = 1 0 1/3 0 16/30 1 2/3 0 -1/90 0 0 1 -1/30 0 0 0 0记矩阵A 的五个列向量依次为1α、2α、3 α、4α、5 α,则1α、2α、4腹有诗书气自华α是列向量组的一个最大无关组。

且有3 1 2 323α= 1α+ α, 5 1 2 4 31913α= 16α−α−α.例2 设⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡−−−= =1 2 22 1 22 2 1[ , , ] 1 2 3 A a a a ,⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡−= =4 20 31 4[ , ] 1 2 B b b ,验证1 2 3 a ,a ,a 是R3的一个基,并把1 2 b ,b 用这个基线性表示。

解编写M 文件ex2.m 如下:format rat腹有诗书气自华a=[2,2,-1;2,-1,2;-1,2,2];b=[1,4;0,3;-4,2];c=rref([a,b])求得c= 1 0 0 2/3 4/30 1 0 -2/3 10 0 1 -1 2/3§2 线性方程组Matlab 中解线性方程组可以使用“\”。

虽然表面上只是一个简简单单的符号,而它的内部却包含许许多多的自适应算法,如对超定方程用最小二乘法,对欠定方程它将给出范数最小的一个解,解三对角阵方程组时用追赶法等。

线性代数在数据科学中的应用

线性代数在数据科学中的应用

线性代数在数据科学中的应用线性代数是数学的一个分支,研究向量空间和线性映射等代数结构及其表达方式。

它作为一门工具学科,广泛应用于各个领域,其中数据科学是一个重要的应用领域。

本文将探讨线性代数在数据科学中的应用。

一、向量表示和线性回归在数据科学中,经常需要处理大量的数据以及对这些数据进行分析和建模。

其中,向量是一种常用的数据结构,可以用来表示具有多个特征的数据点。

线性代数中的向量运算和线性方程组求解方法,为我们提供了解决数据建模与分析问题的工具。

例如,在线性回归问题中,我们需要根据一些已知的特征来预测目标变量的值。

假设我们有n个样本数据,每个样本有m个特征。

可以将这些样本数据表示为一个n行m列的矩阵X,目标变量的值表示为一个n行1列的向量Y。

线性回归模型可以表示为Y = X * β + ε,其中β表示系数向量,ε表示误差向量。

通过最小二乘法等方法,可以求解出最优的系数向量β,从而得到一个用于预测的线性回归模型。

二、矩阵分解和主成分分析矩阵分解是线性代数中的一个重要概念,可以将一个矩阵拆分为多个因子的乘积形式。

在数据科学中,矩阵分解广泛应用于推荐系统、图像处理以及数据降维等领域。

其中,主成分分析(PCA)是一种常用的数据降维技术。

它通过将原始数据映射到一个更低维度的空间,从而能够保留原始数据中的主要特征。

具体而言,PCA可以将一个包含n个样本、m个特征的数据矩阵X分解成X = U * Σ * V^T的形式,其中U和V为正交矩阵,Σ为对角矩阵。

通过保留对应于最大特征值的前k个特征向量,可以得到一个k维的投影矩阵,从而实现数据降维的目标。

三、矩阵计算和网络分析矩阵计算是线性代数的一个重要分支,在数据科学中也有广泛的应用。

例如,在网络分析中,我们经常需要计算网络中节点之间的关系和相似性。

这些关系可以通过一个邻接矩阵来表示,其中矩阵的元素表示节点之间的连接情况。

通过对邻接矩阵进行矩阵运算,我们可以得到各种网络分析的指标。

线性代数在天气预报中的应用 案例解析

线性代数在天气预报中的应用 案例解析

线性代数在天气预报中的应用案例解析线性代数是一门数学分支,与线性方程组、线性变换以及向量空间等概念相关。

尽管它看起来可能与天气预报没有任何关系,但实际上,线性代数在天气预报中有着重要的应用。

本文将通过案例解析,介绍线性代数在天气预报中的具体应用。

案例一:温度预测温度预测是天气预报中最常见的任务之一。

我们常常需要根据过去几天的气温数据,通过建立数学模型来预测未来几天的气温变化。

线性代数提供了一种有效的方法来解决这个问题。

假设我们有一组数据,包含过去7天的气温情况,分别是28°C、25°C、27°C、26°C、29°C、31°C和30°C。

我们将这组数据表示为向量(28, 25, 27, 26, 29, 31, 30)。

为了建立一个能够预测未来气温的模型,我们利用线性代数中的最小二乘法来拟合一条直线。

我们假设直线的方程为 y = a + bx,其中 y 表示温度,x 表示天数。

通过最小二乘法,我们可以求得最佳拟合直线的参数 a 和 b。

根据这个模型,我们可以预测未来几天的温度。

案例二:风向风速预测风向和风速的预测对于许多行业和领域都有着重要的意义,例如风力发电、飞行器安全等。

线性代数也可以应用于风向风速的预测中。

所示:(80°, 3m/s)(90°, 4m/s)(75°, 3.5m/s)(85°, 3.2m/s)(70°, 2.8m/s)我们将这组数据表示为矩阵形式:[80 3][90 4][75 3.5][85 3.2][70 2.8]为了预测未来的风向和风速,我们可以使用线性代数中的回归分析方法。

通过将矩阵进行分解和计算得到的拟合方程,我们可以得到预测模型。

案例三:降水量预测对于农业、水资源管理等领域来说,降水量的准确预测十分重要。

线性代数可以提供一种有效的方法来建立降水量预测模型。

线性代数应用案例[精华]

线性代数应用案例[精华]

行列式的应用案例1 大学生在饮食方面存在很多问题,多数大学生不重视吃早餐,日常饮食也没有规律,为了身体的健康就需要注意日常饮食中的营养。

大学生每天的配餐中需要摄入一定的蛋白质、脂肪和碳水化合物,下表给出了这三种食物提供的营养以及大学生的正常所需营养(它们的质量以适当的单位计量)。

种食物的量。

解:设123,,x x x 分别为三种食物的摄入量,则由表中的数据可以列出下列方程组12323123365113337 1.1352347445x x x x x x x x ++=⎧⎪+=⎨⎪++=⎩ 利用matlab 可以求得x =0.27722318361443 0.39192086163701 0.23323088049177案例2 一个土建师、一个电气师、一个机械师组成一个技术服务社。

假设在一段时间内,每个人收入1元人民币需要支付给其他两人的服务费用以及每个人的实际收入如下表所示,问这段时间内,每人的总收入是多少?(总收入=实际收入+支付服务费)解:设土建师、电气师、机械师的总收入分别是123,,x x x 元,根据题意,建立方程组1232133120.20.35000.10.47000.30.4600x x x x x x x x x --=⎧⎪--=⎨⎪--=⎩ 利用matlab 可以求得x =1.0e+003 *1.256484149855911.44812680115274 1.55619596541787案例3医院营养师为病人配制的一份菜肴由蔬菜、鱼和肉松组成,这份菜肴需含1200cal热量,30g 蛋白质和300mg 维生素c ,已知三种食物每100g 中的有关营养的含量如下表,试求所配菜肴中每种食物的数量。

解:设所配菜肴中蔬菜、鱼和肉松的数量分别为123,,x x x 百克,根据题意,建立方程组12312312360300600120039630906030300x x x x x x x x x ++=⎧⎪++=⎨⎪++=⎩利用matlab 可以求得x =1.521739130434782.39130434782609 0.65217391304348矩阵的应用案例1 矩阵概念的引入(1)线性方程组11112211211222221122n n n n n n nn n na x a x a xb a x a x a x b a x a x a x b +++=⎧⎪+++=⎪⎨⎪⎪+++=⎩ 的系数(,1,2,,),(1,2,,)i j j a i j n b j n == 按原来的位置构成一数表11121121222212n n n n nnn a a a b a a a b a a a b ⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦该数表决定着上述方程组是否有解,以及如果有解,解是什么等问题,因而研究这个数表就很重要。

线性代数在医学图像处理中的应用 案例解析

线性代数在医学图像处理中的应用 案例解析

线性代数在医学图像处理中的应用案例解析线性代数在医学图像处理中的应用近年来,随着科技的不断发展,医学图像处理技术在医疗领域中扮演着越来越重要的角色。

而线性代数作为一门重要的数学分支,也被广泛应用于医学图像处理中。

本文将以多个案例来解析线性代数在医学图像处理中的应用,展示其在提高医学诊断准确性、减少操作风险等方面的积极作用。

案例一:三维重建技术在医学图像处理中,三维重建技术是一项常用的技术。

通过将多幅二维医学图像进行重建,可以得到一个三维的结构模型,从而更准确地了解患者的病情。

在这个过程中,线性代数起到了至关重要的作用。

首先,我们可以将每一幅二维医学图像视为一个二维向量,然后将这些向量构成一个矩阵。

通过对这个矩阵进行分解和运算,可以得到一个近似原始三维结构的矩阵。

然后,通过对这个近似矩阵进行优化和逼近,最终可以得到一个高精度的三维结构模型。

其次,线性代数的矩阵运算还可以用于解决三维重建中的一些实际问题。

例如,在重建过程中,可能会遇到数据缺失或者不完整的情况。

通过利用线性代数中的矩阵填补方法,可以将缺失的数据进行估计,从而得到一个更完整的三维结构模型。

案例二:图像增强和恢复在医学图像处理中,图像增强和恢复技术被广泛应用于提高图像质量和清晰度。

而线性代数提供了一种有效的数学工具来实现图像的增强和恢复。

一种常用的图像增强技术是滤波操作。

通过对图像进行滤波,可以去除图像中的噪声,并提高图像的清晰度。

在这个过程中,线性代数中的卷积运算被广泛应用。

通过将图像视为矩阵,可以利用线性代数中的卷积定理和矩阵运算,对图像进行滤波操作,从而实现图像的增强。

此外,在医学图像处理中,还常常需要对低质量的图像进行恢复。

这种情况下,线性代数中基于最小二乘法的技术被广泛应用。

通过对图像进行建模,利用线性代数中的最小二乘法,可以对低质量的图像进行修复,从而恢复其细节和清晰度。

案例三:图像分割和分类在医学图像处理中,图像的分割和分类是非常关键的步骤。

研究线性代数中的数学建模

研究线性代数中的数学建模

研究线性代数中的数学建模一、线性代数教学中融入数学建模的必要性线性代数是高职院校机电、信息、经济管理等专业的一门重要基础课程和工具课程.学生学习这门课程就是要用相应的数学方法解决实际问题,而数学建模就是培养数学实践能力的最有效最实用的方法.目前众多高校在线性代数教学中,教学内容更新缓慢,过多追求逻辑的严密性和理论体系的完整性,缺乏对学生动手能力和应用能力的培养,不利于与其它课程和所属专业的衔接,造成了学生“学不会,用不了”的局面.因此,在线性代数中融入数学建模思想是非常必要,也是势在必行的.二、在线性代数教学中融入数学建模思想的有益尝试1数学建模思想在线性代数理论背景中的渗透线性代数中诸多概念和定理都是对相关实际问题的抽象和概括.如果不介绍实际背景直接讲解,对高职生而言难以接受,他们往往靠机械记忆.因此在教学过程中,可借助于线性代数理论产生的来源和背景,通过对实际问题进行抽象、概括、分析和求解的过程,可让学生切实体会到由实际问题到数学理论的思想方法,从中渗透数学建模的思想方法.矩阵是课程各部分内容的纽带.在讲解矩阵和矩阵运算概念时,可引入此实例.三个炼油厂I、II、III生成甲、乙、丙、丁四种油品,现要统计此三个分厂2010年与2011年生产四种油品的总产量.为了使学生体会数学建模思想,教学过程可如下进行.(1)问题分析与模型建立:教师可以提问一年中各炼油厂生产各油品的数量如何表示?可以提示产品统计量按炼油厂与油品排成行与列,以数表的形式表示.经学生思考后,教师给出肯定答案.同时指出在数据上加上括号就得到了矩阵的定义.(2)模型求解:用矩阵A、B分别表示2010、2011年三个炼油厂所生产的四种油品的产量,引导学生思考若要求两年各工厂生产各油品的总产量的计算方法,通过师生之间的分析讨论,从而水到渠成地引出矩阵运算A+B.通过这个实例,学生既了解到矩阵和矩阵运算产生的背景和在实际中的应用,又体会到了数学建模的过程,增强了学习的兴趣,也为后面学习打下良好的基础.2针对学生专业特点,融入相应的数学模型在线性代数教学中,对于不同的专业,可以有所侧重地补充相应的数学模型.而且确保融入的每一个数学模型都能反映出线性代数知识的本质,让学生通过这些模型对线性代数的知识点有充分的认识和理解,激发他们学习的积极性.在讲授面向专业的数学模型时,应遵循专业实际问题→数学模型→数学解答→应用于专业问题的教学过程.即通过案例分析,筛选变量要素,强调如何用数学语言描述和简化实际问题,进而揭示其内在规律,利用线性代数知识建立线性代数模型,然后引导学生运用所学知识求解模型和应用模型分析实际问题.当然,不同的模型,突出的重点也需要作适当的调整.如在讲解线性方程组解的问题时,对电信专业可以适当融入电路网络方面的数学模型;对于信息专业可以融入计算机图形处理模型;对经济类专业可以融入投入产出模型等等.教师引导学生分析和解决问题,使学生体会到线性方程组与专业课的结合,激发学生学习课程的积极性.由于课堂时间有限,我们可选用比较小的数学建模问题,难易程度可参考如下案例所示.投入产出模型:某地区有三个重要企业:一个煤矿,一个发电厂和一条铁路.开采1元的煤,煤矿要支付0.25元的电费及0.25元的运输费.生产1元的电力,发电厂要支付0.65元的煤费、0.05元的电费及0.05元的运输费.创收1元的运输费,铁路要支付0.55元的煤费及0.1元的电费.在某一周内,煤矿接到外地50000元的订货,发电厂接到外地金额为2500元的订货,问三个企业在一周内生产总值各位多少?三个企业互相支付多少金额?(1)模型假设与变量说明.假设该地区三个产业间需要的资金完全由该地区提供.设本周内煤矿的总产值为x1,电厂的总产值为x2,铁路总产值为x(2)模型的分析与建立.煤的产值=订货值+(发电+运输)所需要煤的费用;同理,电厂的产值=订货值+(开采煤+运输+发电);铁路的产值=订货值+(开采煤+发电)所需要的运输费用.3立足数学建模思想的有效融入,多种教学手段有机结合线性代数教学可以尝试采用多种教学手段相结合,以期达到很好的教学效果.(1)平衡多媒体教学与传统教学.多媒体教学有很好的辅助作用.在教学中引入数学模型时,需要利用多媒体课件呈现实际问题,以及引导学生对模型的分析与求解,使教学内容生动形象.例如,在基础理论教学中,对于比较抽象的概念,如矩阵的特征值、特征向量等,可以利用多媒体课件展示它们的几何意义,使学生从直观上加深对概念的理解,起到事倍功半的效果.可见,多媒体教学可以增加教学容量,扩大教学空间,延长教学时间.但是,传统的黑板教学在把握数学思维的发展、形成过程和知识反馈等方面,要技高一筹,教师所表现出的艺术感染力和魅力不是多媒体所能替代的.因此,我们要逐步找到传统教学手段与多媒体教学有机结合的平衡点,充分发挥多媒体对教学内容的补充和延伸优势,同时体现传统教学的逻辑性,不断提高教学质量.(2)增设适当的数学实验.根据线性代数计算程序化和独特的计算特征,增加数学软件的上机操作和数学实验,训练学生用计算机解决问题.首先在多媒体课件中添加了Matlab界面下矩阵生成、运算以及线性方程组各情形下的相应解法.而且,在课程中融入数学模型的求解过程也是利用数学软件完成的,这样可以用来引导学生学习数学软件.其次,在每章节加入了相关的实验内容,帮助学生能借助简单的Excel程序和Matlab软件进行科学计算,以增强学生科学计算能力.这样可以更好的提高学生应用线性代数的实践能力.(3)充分利用网路教学.当将数学模型融入课堂时,会出现学时少与信息量大的矛盾,而且由于学生的认知水平不同,对数学建模思想的领会程度也会有较大差异.为此,我们可以利用校园网建立课程网站,作为课堂教学的补充,为学生提供多层次、多方位的教学资源.网站中的教学资源除包括课堂教学内容外,还提供丰富的与专业相关的数学模型和数学实验,可以利用网上答疑和学生进行数学模型的讨论,算法的研究等.这样缩短了学生与数学建模的距离,而且学生还可以根据需要自由地选择学习内容和形式,灵活安排自己的学习时间,有利于培养学生应用线性代数解决实际问题和其创新能力.4重视教师队伍高素质化建设教师是课堂教学的主导者,能否在教学中顺利向学生渗透数学建模思想,教师的素质起着重要作用.这就给我们教师队伍提出了较高的要求,无论是从教育理念上,还是从教学内容、教学方法和教学手段上,都应有新的突破.教学过程中,要求教师对自身的知识体系和知识内容进行及时更新,以适应信息化社会的需求,并应由传统的课堂主导者转变为以学生为主体,通过现代化教学手段,积极调动学生学习的积极性和学习热情.教师要积极参与数学建模竞赛的培训和指导,积极主动地学习和掌握数学建模知识,亲身体会建模的全过程.同时,教师也要结合自己的研究方向,将专业知识运用到实际问题中,进而不断提高自己的数学建模能力和水平.几年的实践表明将数学建模思想融入线性代数教学中的探索与尝试,旨在使学生领悟数学精神的实质、思想方法及其应用,从而培养学生的数学实践能力和创新能力.在这个长期系统的工程里,课程教学所涉及的教材建设、教学内容、教学手段和方法等方面,还是需要不断地进行探索与改革的.这是需要广大教育工作者的继续努力,以适应培养应用型人才目标的需要.。

  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)。

1 线性代数在数学建模中的应用举例 1 基因间“距离”的表示 在ABO血型的人们中,对各种群体的基因的频率进行了研究。如果我们把四种等位基因A1,A2,B,O区别开,有人报道了如下的相对频率,见表1.1。

表1.1基因的相对频率 爱斯基摩人f1i 班图人f2i 英国人f3i 朝鲜人f4i A1 0.2914 0.1034 0.2090 0.2208

A2 0.0000 0.0866 0.0696 0.0000

B 0.0316 0.1200 0.0612 0.2069

O 0.6770 0.6900 0.6602 0.5723

合计 1.000 1.000 1.000 1.000

问题 一个群体与另一群体的接近程度如何?换句话说,就是要一个表示基因的“距离”的合宜的量度。 解 有人提出一种利用向量代数的方法。首先,我们用单位向量来表示每一个群体。为此目的,我们取每一种频率的平方根,记kikifx.由于对这四种群

体的每一种有141ikif,所以我们得到4121ikix.这意味着下列四个向量的每个都是单位向量.记

.44434241,34333231,24232221,141312114321xxxxaxxxxaxxxxaxxxxa 2

在四维空间中,这些向量的顶端都位于一个半径为1的球面上. 现在用两个向量间的夹角来表示两个对应的群体间的“距离”似乎是合理的.如果我们把a1和a2之间的夹角记为θ,那么由于| a1|=| a2|=1,再由内只公式,得

21cosaa 而

.8307.03464.02943.03216.0,8228.01778.00000.05398.021aa

故 9187.0cos21aa 得 2.23°. 按同样的方式,我们可以得到表1.2. 表1.2基因间的“距离” 爱斯基摩人 班图人 英国人 朝鲜人 爱斯基摩人 0° 23.2° 16.4° 16.8° 班图人 23.2° 0° 9.8° 20.4° 英国人 16.4° 9.8° 0° 19.6° 朝鲜人 16.8° 20.4° 19.6° 0°

由表1.2可见,最小的基因“距离”是班图人和英国人之间的“距离”,而爱斯基摩人和班图人之间的基因“距离”最大.

2 Euler的四面体问题 问题 如何用四面体的六条棱长去表示它的体积?这个问题是由Euler(欧拉)提出的.

解 建立如图2.1所示坐标系,设A,B,C三点的坐标分别为(a1,b1,c1),( a2,b2,c2)和(a3,b3,c3),并设四面体O-ABC的六条棱长分别为.,,,,,rqpnml由立体几何知

道,该四面体的体积V等于以向量OCOBOA,,组成右手系时,以它们为棱的平行 3

六面体的体积V6的16 .而 .3332221116cbacbacbaOCOBOAV

于是得 .6333222111cbacbacbaV 将上式平方,得

.362323233232323231313232322222221212131313121212121212133322211133322211122cbaccbbaaccbbaaccbbaacbaccbbaaccbbaaccbbaacbacbacbacbacbacbacbaV

根据向量的数量积的坐标表示,有 .,,,,232323323232222222313131212121212121cbaOCOCccbbaaOCOBcbaOBOBccbbaaOCOAccbbaaOBOAcbaOAOA

于是 .362OCOCOCOBOCOAOCOBOBOBOBOAOCOAOBOAOAOAV (2.1)

由余弦定理,可行 .2cos222nqpqpOBOA 同理 .2,2222222lrqOCOBmrpOCOA 将以上各式代入(2.1)式,得 4

.222222362222222222222222222222rlrpmrplrppnqpmrpnqppV (2.2)

这就是Euler的四面体体积公式. 例 一块形状为四面体的花岗岩巨石,量得六条棱长分别为

l=10m, m=15m, n=12m, p=14m, q=13m, r=11m. 则

.952222,462222,5.1102222lrpmrpnqp

代入(2.1)式,得 .75.13698291219546951695.110465.110196236V 于是 .)195(82639.38050223mV

即花岗岩巨石的体积约为195m3. 古埃及的金字塔形状为四面体,因而可通过测量其六条棱长去计算金字塔的体积.

3 动物数量的按年龄段预测问题 问题 某农场饲养的某种动物所能达到的最大年龄为15岁,将其分成三个年龄组:第一组,0~5岁;第二组,6~10岁;第三组,11~15岁.动物从第二年龄组起开始繁殖后代,经过长期统计,第二组和第三组的繁殖率分别为4和3.第一年龄和第二年龄组的动物能顺利进入下一个年龄组的存活率分别为12 和14 .假设农场现有三个年龄段的动物各100头,问15年后农场三个年龄段的动物

各有多少头? 问题分析与建模 因年龄分组为5岁一段,故将时间周期也取为5年.15年后就经过了3个时间周期.设)(kix表示第k个时间周期的第i组年龄阶段动物的数 5

量(k=1,2,3;i=1,2,3). 因为某一时间周期第二年龄组和第三年龄组动物的数量是由上一时间周期上一年龄组存活下来动物的数量,所以有 ).3,2,1(41,21)1(2)(3)1(1)(2kxxxxkkkk 又因为某一时间周期,第一年龄组动物的数量是由于一时间周期各年龄组出生的动物的数量,所以有 ).3,2,1(34)1(3)1(2)(1kxxxkkk 于是我们得到递推关系式:





.41,21,34)1(2)(3)1(1213)1(2)(1kkkkkkkxxxxxxx

用矩阵表示 ).3,2,1(04100021340)1(3)1(2)1(1)(3)(2)(1kxxxxxxkkkkkk

则 ).3,2,1()1()(kLxxkk 其中

.100010001000,04100021340)0(xL 则有 ),3,2,1()(3)(2)(1)(kxxxxkkkk 6

,250500700010001000100004100021340)0()1(Lxx ,12535002750250500700004100021340)1()2(Lxx .8751375143751253500275004100021340)2()3(Lxx 结果分析 15年后,农场饲养的动物总数将达到16625头,其中0~5岁的有14375头,占86.47%,6~10岁的有1375头,占8.27%,11~15岁的有875头,占5.226%.15年间,动物总增长16625-3000=13625头,总增长率为13625/3000=454.16%. 注 要知道很多年以后的情况,可通过研究式)0()1()(xLLxxkkk中当趋于无穷大时的极限状况得到. 关于年龄分布的人口预测模型 我们将人口按相同的年限(比如5年)分成若干年龄组,同时假设各年龄段的田、女人口分布相同,这样就可以通过只考虑女性人口来简化模型.人口发展随时间变化,一个时间周期的幅度使之对应于基本年龄组间距(如先例的5年),令)(kix是在时间周期k时第i个年龄组的(女性)人口,i=1,2,…,n.用1表示最低年龄组,用n表示最高年龄组,这意味着不考虑更大年龄组人口的变化. 假如排除死亡的情形,那么在一个周期内第i个年龄组的成员将全部转移到i+1个年龄组.但是,实际上必须考虑到死亡率,因此这一转移过程可由一存活系数所衰减. 于是,这一转移过程可由下述议程简单地描述: ),1,,2,1()1()(1nixbxkiiki

相关文档
最新文档