承诺书
我们仔细阅读了《全国大学生数学建模竞赛章程》和《全国大学生数学建模竞赛参赛规则》（以下简称为“竞赛章程和参赛规则”，可从全国大学生数学建模竞赛网站下载）。
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章程和参赛规则的，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，严格遵守竞赛章程和参赛规则，以保证竞赛的公正、公平性。如有违反竞赛章程和参赛规则的行为，我们将受到严肃处理。
我们授权全国大学生数学建模竞赛组委会，可将我们的论文以任何形式进行公开展示（包括进行网上公示，在书籍、期刊和其他媒体进行正式或非正式发表等）。
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）：
所属学校（请填写完整的全名）：成都工业学院
参赛队员(打印并签名) ：1. 王××
2. 卢××
3. 唐××
指导教师或指导教师组负责人(打印并签名)：
（论文纸质版与电子版中的以上信息必须一致，只是电子版中无需签名。以上内容请仔细核对，提交后将不再允许做任何修改。如填写错误，论文可能被取消评奖资格。）
日期： 2015年 7 月 27 日赛区评阅编号（由赛区组委会评阅前进行编号）：
编号专用页
赛区评阅编号（由赛区组委会评阅前进行编号）：
赛区评阅记录（可供赛区评阅时使用）：
评
阅
人
评
分
备
注
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）：
MERS传播的数学模型的建立与分析
摘要
本文针对MERS的传播建立了传统的SIR仓室数学模型。
针对问题一，对附件一提供的早期模型，认为“传染概率”的说法欠妥，传染期限L的确定缺乏医学上的支持，使模型的说服力降低。模型中借鉴广东香港的参数来预测北京的疫情走势，不失为一种方法。但在不同国家因政策，地域的不同，病毒的传播和控制呈现不同的特点，使不同国家不同城市之间的可比性降低。而且由于MERS和SARS的治病机理不同，传染率和死亡率不同，患病人数规模不同，所以对MERS的传播分析，不能简单的套用附件一所用的模型。
针对问题二，我们在WHO(World Health Orgnazation)的官方网站上查找到了韩国MERS疫情从2015年5月20日至2015年7月5日的详细数据[1]。对MERS 的传播建立传统的SIR仓室模型，采用最小二乘法拟合参数，利用MATLAB编程求解，画出参数感染率λ的参数散点图和参数移出率α的散点图
对第三个问题，本文研究对MERS疫情对韩国入境旅游收入的影响，建立了灰色预测GM（1，1）模型。
关键字：SIR仓室模型常微分方程参数拟合灰色预测
1.问题重述
MERS（Middle East Respiratory Syndrome）病毒是一种新型的冠状病毒，这种病毒已经被命名为中东呼吸综合征冠状病毒，大多数MERS病毒感染病例发生在沙特。
2015年，MERS在韩国又有新一轮的爆发和蔓延，给韩国的经济发展和人民生活带来了较大影响。对MERS 的传播建立数学模型，具体要求如下：
（1）对附件所提供的一个SARS传播的早期模型，请对其评价是否适用MERS。
（2）收集MERS的韩国疫情数据，建立MERS传播的数学模型，说明优于附件1中的模型的原因；特别要说明怎样建立一个真正能够预测以及能为预防和控制提供可靠、足够的信息的模型。对于卫生部门所采取的措施做出评论，如：提前或延后n天采取严格的隔离措施，对疫情传播所造成的影响做出估计。
（3）收集MERS对韩国旅游方面影响的数据，建立相应的数学模型并进行预测。
2.模型假设
1.假设一个MERS康复者不会二度感染，他们已退出传染体系，因此将其归为“退出者”；
2.模型不考虑所研究这段时间内的自然出生率和死亡率，MERS引起的死亡人数归为“退出者”；
3.假设在疾病传播期内所考察地区总人数视为常数；
4.假设每个病人单位时间有效接触的人数为常数；
5.假设韩国在MERS疫情流行期间和结束之后，旅游业数据的变化只与MERS疫情的影响有关，不考虑其它随机因素的影响。
3.变量说明
S：表示易感染人群 (susceptible)占总人数的比例；
I；表示感染人群(infected)占总人数的比例；
R：表示移出人群占总人数的比例；
λ：表示感染者对易感染者有效感染的感染率；
α：表示移出率，即移出者的增加率
()()
x n：表示第n个单位时间的旅游业的收益；
1
()()
1
X n表示在n个单位时间时的累积旅游业的收益；
1
?：称为系统发展灰数；
ψ：称为内生控制变量
4.对早期模型的评价
附件1的模型主要采用“数据拟合”和“借鉴参数”的方法对北京疫情走势进行预测。
在数据拟合方面，该模型中有两个疑点：
1、感染期限L的确定。由于被严格隔离、治愈、死亡等原因，感染者在某一时段后不再具有对易感人群的传染力，故对病毒的传染加上感染期限是合理的。但在对该参数的确定上，作者为了较好地拟合各阶段的数据 ,通过人为调试来确定L的取值，缺乏医学上的支持，使模型的说服力减弱，合理性和可靠性大大降低。
2、文中认为“K代表某种环境下一个人传染他人的平均概率”。但从模型的公式中可以看出，参数K的实际意义是一个病人平均每天传染其他人的个数。两者之间有实质的区别，文中的说法显然不妥。
从预测思想来看，该模型是借鉴先发地区——广东、香港的有关参数对北京的疫情进行预测的。由于广东、香港的疫情和控制都在北京之前，已经过了高峰期，到5月8日为止每日新增病例已降至10来例，基本处于后期控制阶段。而当时北京的疫情刚过了高峰期，正处于社会剧烈调整时期，数据较为凌乱，略有下降趋势，但不明显。可见在当时，采取这种借鉴是无奈之举。
但是由于城市之间的政策，风俗习惯等不同，城市之间的可比性不强，借鉴存在很大的局限性。如在香港，由于对传播机制认识不足，中途又出现高度感染的特殊情况。另外使用借鉴法无法对首发城市进行预测。
MERSS和SARS又有许多不同, 例如，MERS的病死率约为40.7%，传染性没有SARS强，但SARS的病死率为14%-15%，低于MERS，传染性则强于MERS。MERS 和SARS治病机理不同，传染率死亡率不同，病毒潜伏时间也不同，所以不能简单的套用附件所给模型来分析和预测MERS的传播。
5.模型的建立与求解
5．1问题2的模型建立与求解
5.1.1 问题2的模型思路
对于传染病感染区，由于为了避免传染病的更大的扩散，一方面政府会对人口的流动做出限制，另一方面个人由于对传染病的警惕也不会进入感染区，所以，
感染区人口流动很小。即可把它看作一个封闭区，则可以建立SIR仓室模型[2],里面的总人数不变，里面的人分类为：
易感染者:即正常人，但可能会被感染。
感染者：已经感染这种病的人，可以传染给周围的人。
移出者：包括感染者中死亡的人，感染者中自愈的人和先天对这种病毒有免疫的人，他们将不在受这种传染病的影响。
5.1.2 问题2的模型建立
根据传染病的感染而致的各类人口比例的变化可以建立微分方程。这里用
()S t 表示易感染人群 (susceptible)的比例关于时间t 的函数，同样用()I t 表示感染人群(infected)的比例关于时间t 的函数，用()R t 表示移出人群的比例关于时间t 的函数。
方程一：根据感染人群比例增长相等，可建立如下方程：
λα=-()
()()()dI t S t I t I t dt
(1)
这里λ表示感染者对易感染者有效感染的感染率，即单位时间内单位病人传染的人数与易感者之比值；α表示移出率，
即单位时间内移出者占染病者的比率；()I t 表示感染者比例关于时间t 的函数；()S t 表示易感染人者比例关于时间t 的函数。
方程二：根据易感染者比例减少相等，可建立如下方程：
λ=-()()dS
S t I t dt
(2)
方程三：根据移出者的增长相等，建立如下方程：
α=()
()dR t I t dt
(3)
这里()R t 表示移出者比例关于时间t 的函数。
方程四：易感染者比例，感染者比例和移出者比例之和恒为1： ++=()()()1S t I t R t (4)
综上：
λαλα?=-???=-?
???=??++=?()
()
()()()()()()()()()1
dI t S t I t I t dt dS
S t I t dt
dR t I t dt S t I t R t (5)
5.1.3问题2的模型求解
5.2.1问题2的模型微分方程初始值确定
我们统计的数据
????
1是从2015年5月20日到2015年7月7日的数据（见表
一），共计49天，对于移除者比例()R t ，在病情开始没有死亡人数，也没有治愈人数，所以移除者比例()R t 的初始条件(0)0R =，对于感染者比例()I t ，根据数据看出开始只有1人，所以感染者比例()I t 的初始条件(0)1/I N =，对于易感染者()S t 的初始条件可有()()()1S t I t R t ++=算出，即(0)11/S N =-。
表一 对MERS 疫情每天数据的统计
日期 当天确诊病例人数 累计确诊病例人
数
当天死亡人数
累计死亡人数
20/05/2015
3 3 0
0 21/05/2015 0 3 0 0 22/05/2015 0 3 0 0 23/05/2015 0 3 0 0 24/05/2015 0 3 0 0 25/05/2015 1 4 0 0 26/05/2015 1 5 0 0 27/05/2015 0 5 0 0 28/05/2015 2 7 0 0 29/05/2015 6 13 0 0 30/05/2015 3 16 0 0 31/05/2015 8 24 0 0 01/06/2015 4 28 1 1 02/06/2015 7 35 0 1 03/06/2015 5 40 1 2 04/06/2015 13 53 1 3 05/06/2015 7 60 1 4 06/06/2015 16 76 0 4 07/06/2015 16 92 0 4 08/06/2015 6 98 3 7 09/06/2015 16 114 1 8 10/06/2015 12 126 3 11 11/06/2015 6 132 2 13 12/06/2015 13 145 1 14 13/06/2015 3 148 3 17 14/06/2015 5 153 4 21 15/06/2015 4 157 1 22 16/06/2015 5 162 2 24 17/06/2015
2 164
5
29
18/06/2015 3 167 0 29
19/06/2015 0 167 1 30
20/06/2015 2 169 0 30
21/06/2015 3 172 0 30
22/06/2015 3 175 0 30
23/06/2015 4 179 0 30
24/06/2015 0 179 1 31
25/06/2015 1 180 1 32
26/06/2015 1 181 2 34
27/06/2015 0 181 0 34
28/06/2015 0 181 0 34
29/06/2015 0 181 0 34
30/06/2015 0 181 0 34
01/07/2015 1 182 0 34
02/07/2015 2 184 1 35
03/07/2015 0 184 0 35
04/07/2015 1 185 0 35
05/07/2015 0 185 0 35
06/07/2015 0 185 0 35
07/07/2015 0 185 1 36
5.2.2问题2的模型参数拟合
对于模型上的参数感染率λ和移出率α受很多因素影响，很显然不是一个常数。但是对于不是常数的参数很难拟合，所以，我们把所采集的数据（见表一）分为适当个组，把每个组的参数看作常数，这样就很方便拟合出每个组的参数，最后再综合各个组拟合的参数，把参数拟合成关于自变量时间t的函数（当然这里的组数分得越多则参数拟合得更加精确）。这样就完整拟合出了每个时刻的参数值。
对于每个组的参数拟合，根据参数感染率λ的定义（单位时间内单位病人传
λ<。
染的人数与易感者之比值）而易感染人数远大于单位病人传染人数，所以1
α<，所以可以移出率α（单位时间内移出者占染病者的比率）同样可以得知1
定两个参数的范围都在0到1之间，这里可以用尝试参数值去逼近最佳参数，具体步骤如下：
Step1：因为模型的参数感染率λ和移出率α范围都在0到1之间，这里我们先用0.1的梯度把参数分成（0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9）九个值，两个参数共组成81组值。
Step2：把分成的每组参数值代入模型的微分方程组，用matlab中的函数可算出一个数值解。
Step3：用上面求出来的函数计算出的值和实际值作差计算平方和（即最小二乘法），找出所有组参数值中最小的二乘数，即那组的感染率λ和移出率α就是在梯度0.1下的最佳参数值。
Step4：画出已经计算出来的函数图，与实际数据的函数图对比，如果相差太远这进行下一步，反之转到Step7。
Step5：为了更加靠近最终的参数最佳值，这里再在上次拟合出来的参数值左右一个梯度的范围再以上次梯度的0.1倍进行参数再分组。例如：假设上次算出来的最佳感染率λ=0.5移出率α=0.2，这次的参数范围就是0.40.6λ≤≤ 0.10.3α≤≤，这次就用0.01的梯度把参数分为20组参数。
Step6：回到Step2。
Step7：到了这里我们已经算出了一组数据的最佳参数值。然后重复以上步骤，算出每组数据的最佳参数值。
Step8：根据各组数据的最佳参数值画出参数值得散点图，拟合成适应函数。到这里，全部参数拟合结束。
算法流程图如图一所示：
图1 算法流程图
开始
把参数分组
将每一组参数值代入微分方程组，求方程组的数值解
由每组参数算出函数的值与实际值比较，记录最小二乘数反应的两个参数
画出函数图，与实际函数图对比
再次将参数分组，代入微分方程组，求数值解
记录这组数据的额参数值
每组数是否找到了参数
相差不大
相差很大
否
结束
根据以上算法用matlab 编程（程序见附件一），可以画出参数感染率λ的参数散点图（见图2）和参数移出率α的散点图（见图3）。[程序没有写出来，没有结果]
5.3问题3的模型建立与求解 5.3.1问题3的模型建立
对于问题3，MERS 疫情对韩国入境旅游游客人数的影响，这里建立了一阶一元灰色预测模型2????
GM(1，1)，对旅游入境旅游游客人数进行预测。
以单位是t 表示的时间序列就为： ()
()()
()()
(){} 0001
1
1
1,2,,X X
X n
(6)
这里()
()01x n 表示第n 个单位时间的韩国入境旅游游客人数
令：
()
()
()==
∑1011
1
()i
i X t X i
(7)
即通过上面公式（7）累积形成新的列： ()
()()
()()
(){
} 1111
1
1
1,2,,X X X n
(8)
这里()
()11
X n 表示表示在n 个单位时间时的韩国累积入境旅游的游客人数
则可以建立GM(1,1)模型：
()()()()()
()()()?ψ
?ψ
?+=????+=??01111111X t Y t dX i X i di
(9)
这里
()
()()()()()??=
????
1111
111
+-12
Y t X t X t
(10)
? 称为系统发展灰数，ψ称为内生控制变量。
5.3.2问题3的模型求解 确定参数
2????
：
可利用一阶微分方程的解法求得其解，然后将（7）式代入，使用最小二乘法，便可以得出：
()
?ψ-??= ???
1
n T T A A A M
(11)
其中：
()
()()
()()()()
()()()()()?
????-+????
?
???????-+?
??
=??
?????
??
???--+?
?????
?
11111111111
111212123121112
X X X X A X n X n (12)
()()()()()()????????
??=????????????
00011123n
X X M X n (13)
生成列()
(){
}11
X t 可以按以下公式计算出：
()
()()
()ψψ
??
--?
?=-
+???
? 11(1)1
1
1a t X t X (14)
其中，2,3,,t n = 。
计算预测：
根据采集的数据（见表2），可以通过以上公式（11）可以用matlab 算出参数，然后用matlab 解出微分方程。
表 2 2015年韩国旅游各月份的游客数
月份 游客（万人） 月份 游客（万人） 1月 52 4月 67 2月 56 5月 30 3月 61 6月 20
通过matlab 程序（见附件2），可以画出出()
()11
X t （在第t 个月的韩国入境
旅游的游客人数）的函数图（表3）。
表3 预计游客人数结果
月份 1 2 3 4 5 6 7 8 游客人数（万人） 79.69 60.17 54.98 45.69 37.96 31.54 26.21 21.78
6、模型的分析、推广与改进
要真正建立能够预测以及能为预防和控制提供可靠，足够的信息的模型。要怎样做，以及困难。
事实上，真正情况要比我们的模型复杂的多，比如，由于初期传播机理不明，医护人员为收到好的保护，很多受到传染。而传播率事实上也是按照某种趋势变化的，他与人们的警惕心理等因素有关。
要建立这样的模型，我们认为：
1、要不断的研究传染病理，完善模型。
2、建立实时反馈机制，不断修改模型参数，以求更准确的预测以后的数据。
3、尽量以实际的研究数据建模，力求准确反映事件的实质。这样，当人为修改参数进行模拟预测时，可以为采取什么措施效果最好做出较准确的建议。
4、研究各种措施实际对疾病传播的影响。
要做到这些，也恰恰是建模的难点，因为当涉及到新的传染病的时候，以上数据或参数都必须通过长期的研究或拟合才能得到的。比如措施对疾病传播的影响，是要统计大量实际数据才能获得的。以上也可以看作我们模型的改进方向。
7、参考文献
[1]世界卫生组织. http://www.who.int/csr/disease/coronavirus_infections/MERS-CoV-cases-rok-21Jul15.xlsx?ua=1
[2] 周宁 李林，基于灰色微分方程的传染病预测，https://www.doczj.com/doc/e0998366.html,/Article/CJFDTotal-LLYY201404016.htm ，2015.07.29
8、附录
附件1： 附件2：
y= dsolve('Dy=81.9185-0.1852*y','y(1)=52','t') y =
819185/1852 - (722881*exp(-(463*t)/2500)*exp(463/2500))/1852
>> x=81.9185-0.5*0.1852*((819185/1852 - (722881*exp(-(463*t)/2500)*exp(463/2500))/1852)+(819185/1852 - (722881*exp(-(463*(t-1))/2500)*exp(463/2500))/1852))
>> x
>> t=[1 2 3 4 5 6 7 8]
t =
1 2 3 4 5 6
7 8
>> x=81.9185-0.5*0.1852*((819185/1852 - (722881*exp(-(463*t)/2500) *exp(463/2500))/1852)+(819185/1852 - (722881*exp(-(463*(t-1))/2500) *exp(463/2500))/1852))
x =
79.6419 66.1775 54.9894 45.6928 37.9679 31.5490 26.2152 21.7832
y= dsolve('Dy=81.9185-0.1852*y','y(1)=52','t')
y =
819185/1852 - (722881*exp(-(463*t)/2500)*exp(463/2500))/1852
t=[1 2 3 4 5 6 7 8]
t =
1 2 3 4 5 6
7 8
>> x=81.9185-0.5*0.1852*((819185/1852 - (722881*exp(-(463*t)/2500) *exp(463/2500))/1852)+(819185/1852 - (722881*exp(-(463*(t-1))/2500) *exp(463/2500))/1852))
x =
79.6419 66.1775 54.9894 45.6928 37.9679 31.5490 26.2152 21.7832
y= dsolve('Dy=81.9185-0.1852*y','y(1)=52','t')
y =
819185/1852 - (722881*exp(-(463*t)/2500)*exp(463/2500))/1852
t=[1 2 3 4 5 6 7 8]
t =
1 2 3 4 5 6
7 8
>> x=81.9185-0.5*0.1852*((819185/1852 - (722881*exp(-(463*t)/2500) *exp(463/2500))/1852)+(819185/1852 - (722881*exp(-(463*(t-1))/2500) *exp(463/2500))/1852))
x =
79.6419 66.1775 54.9894 45.6928 37.9679 31.5490 26.2152 21.7832
第四讲层次分析法 在现实世界中，往往会遇到决策的问题，比如如何选择旅游景点的问题，选择升学志愿的问题等等。在决策者作出最后的决定以前，他必须考虑很多方面的因素或者判断准则，最终通过这些准则作出选择。 比如选择一个旅游景点时，你可以从宁波、普陀山、浙西大峡谷、雁荡山和楠溪江中选择一个作为自己的旅游目的地，在进行选择时，你所考虑的因素有旅游的费用、旅游地的景色、景点的居住条件和饮食状况以及交通状况等等。这些因素是相互制约、相互影响的。我们将这样的复杂系统称为一个决策系统。这些决策系统中很多因素之间的比较往往无法用定量的方式描述，此时需要将半定性、半定量的问题转化为定量计算问题。层次分析法是解决这类问题的行之有效的方法。层次分析法将复杂的决策系统层次化，通过逐层比较各种关联因素的重要性来为分析、决策提供定量的依据。 一、建立系统的递阶层次结构 首先要把问题条理化、层次化，构造出一个有层次的结构模型。一个决策系统大体可以分成三个层次： （1） 最高层（目标层）：这一层次中只有一个元素，一般它是分析问题的预定目标或理想结果； （2） 中间层（准则层）：这一层次中包含了为实现目标所涉及的中间环节，它可以由若干个层次组成，包括所需考虑的准则、子准则； （3） 最低层（方案层）：这一层次包括了为实现目标可供选择的各种措施、决策方案等。 比如旅游景点问题，我们可以得到下面的决策系统： 目标层——选择一个旅游景点 准则层——旅游费用、景色、居住、饮食、交通 方案层——宁波、普陀山、浙西大峡谷、雁荡山、楠溪江 二、构造成对比较判断矩阵和正互反矩阵 在确定了比较准则以及备选的方案后，需要比较若干个因素对同一目标的影响，从额确定它们在目标中占的比重。如旅游问题中，五个准则对于不同决策者在进行决策是肯定会有不同的重要程度，而不同的方案在相同的准则上也有不同的适合程度表现。层次结构反映了因素之间的关系，但准则层中的各准则在目标衡量中所占的比重并不一定相同，在决策者的
回归分析——20121060025 吕佳琪 企业编号生产性固定资产价值(万元)工业总产值(万元) 1318524 29101019 3200638 4409815 5415913 6502928 7314605 812101516 910221219 1012251624 合计65259801 （2）建立直线回归方程; （3）计算估价标准误差; （4）估计生产性固定资产(自变量)为1100万元时总产值(因变量)的可能值。解: (1)画出散点图,观察二变量的相关方向 x=[318 910 200 409 415 502 314 1210 1022 1225]; y=[524 1019 638 815 913 928 605 1516 1219 1624]; plot(x,y,'or') xlabel('生产性固定资产价值(万元)') ylabel('工业总产值(万元)') 由图形可得,二变量的相关方向应为直线 (2)
x=[318 910 200 409 415 502 314 1210 1022 1225]; y=[524 1019 638 815 913 928 605 1516 1219 1624]; X = [ones(size(x))', x']; [b,bint,r,rint,stats] = regress(y',X,0、05); b,bint,stats b = 395、5670 0、8958 bint = 210、4845 580、6495 0、6500 1、1417 stats = 1、0e+004 * 0、0001 0、0071 0、0000 1、6035 上述相关系数r为1,显著性水平为0 Y=395、5670+0、8958*x (3) 计算方法:W=((Y1-y1)^2+……+(Y10-y10)^2)^(1/2)/10 利用SPSS进行回归分析:
层次分析法在数学建模中的应用 摘要：人们在生活中处理一些决策问题的时候，要考虑的因素有多有少，有大有小，但是 一个共同的特点是它们通常都涉及到经济 、社会、 人文等方面的因素。在作比较、 判断 、 评价、 决策时，这些因素的重要性 影响力或者优先程度往往难以量化，人的主观选择会起 着相当主要的作用，这就给用一般的数学方法解决问题带来本质上的困难。这是就有人提出 了一种能有效地处理这样一类问题的实用方法，称为层次分析法，这是一种定性和定量相结 合的、系统化、层次化的分析方法。以及在对层次分析法的引入基础之上，建立层次分析模 型，并给出了层次分析的求解过程，以及在现实生活中的应用。 关键词：层次分析法；成对比较矩阵；权向量；一致性指标；一致性比率 一． 问题的提出：人们在日常生活中常常碰到许多决策问题：请朋友吃饭要筹划是办家宴还是去饭店，是吃中餐、西餐还是自助餐；假期旅游和科研成果的评价。诸如此类问题面临抉择，就要慎重考虑，反复比较，尽可能满意的决策。 然而人们在处理上面这些决策问题的时候，要考虑的因素有多有少，有大有小，但是一个共同的特点是它们通常都涉及经济社会和人文等方面的因素。在做比较、判断、评价、决策时，这些因素的重要性、影响力或者优先程度难以量化，人的主观选择会起着相当重要的作用。T.L.Saaty 等人在20世纪70年代提出了一种能有效地处理这样一类问题的实用方法，称为层次分析法（简称AHP ），这是一种定性和定量相结合的、系统化、层次化的分析方法。 二． 层次分析法的基本步骤 1.将决策问题分解为三个层次。最上层为目标层，最下层为方案层，中间层为准则层。 2.通过相互比较确定各准则对于目标的权重，及各方案对于每一准则的权重，这些权重在人的思想过程常是定性的，而在层次分析法中则要给出得到权重的定量方法。 3.将方案层对准则层的权重及准则层对目标层的权重进行综合，最终确定方案层对目标层的权重。在层次分析法中要给出进行综合的计算方法。 三． 构造成对比较阵、计算权向量并做一致性检验；计算组合权向量并做组合一致性检验。 1.成对比较矩阵和权向量 所有因素两两相互对比，对比时采用相对尺度，以尽可能减少性质不同的诸因素相互对比的困难，提高准确度。 假设要比较某一层n 个因素对12,n c c c 上层一个因素O 的影响，每次取两个
第1章数学建模与误差分析 1.1 数学与科学计算 数学是科学之母，科学技术离不开数学，它通过建立数学模型与数学产生紧密联系，数学又以各种形式应用于科学技术各领域。数学擅长处理各种复杂的依赖关系，精细刻画量的变化以及可能性的评估。它可以帮助人们探讨原因、量化过程、控制风险、优化管理、合理预测。近几十年来由于计算机及科学技术的快速发展，求解各种数学问题的数值方法即计算数学也越来越多地应用于科学技术各领域，相关交叉学科分支纷纷兴起，如计算力学、计算物理、计算化学、计算生物、计算经济学等。 科学计算是指利用计算机来完成科学研究和工程技术中提出的数学问题的计算，是一种使用计算机解释和预测实验中难以验证的、复杂现象的方法。科学计算是伴随着电子计算机的出现而迅速发展并获得广泛应用的新兴交叉学科，是数学及计算机应用于高科技领域的必不可少的纽带和工具。科学计算涉及数学的各分支，研究它们适合于计算机编程的数值计算方法是计算数学的任务，它是各种计算性学科的联系纽带和共性基础，兼有基础性和应用性的数学学科。它面向的是数学问题本身而不是具体的物理模型，但它又是各计算学科共同的基础。 随着计算机技术的飞速发展，科学计算在工程技术中发挥着愈来愈大的作用,已成为继科学实验和理论研究之后科学研究的第三种方法。在实际应用中所建立的数学模型其完备形式往往不能方便地求出精确解，于是只能转化为简化模型，如将复杂的非线性模型忽略一些因素而简化为线性模型，但这样做往往不能满足精度要求。因此，目前使用数值方法来直接求解较少简化的模型，可以得到满足精度要求的结果，使科学计算发挥更大作用。了解和掌握科学计算的基本方法、数学建模方法已成为科技人才必需的技能。因此，科学计算与数学建模的基本知识和方法是工程技术人才必备的数学素质。 1.2 数学建模及其重要意义 数学，作为一门研究现实世界数量关系和空间形式的科学，在它产生和发展的历史长河中，一直是和人们生活的实际需要密切相关。用数学方法解决工程实际和科学技术中的具体问题时，首先必须将具体问题抽象为数学问题，即建立起能描述并等价代替该实际问题的数学模型，然后将建立起的数学模型，利用数学理论和计算技术进行推演、论证和计算，得到欲求解问题的解析解或数值解，最后用求得的解析解和数值解来解决实际问题。本章主要介绍数学建模基本过程和求解数学问题数值方法的误差传播分析。 1.2.1 数学建模的过程 数学建模过程就是从现实对象到数学模型，再从数学模型回到现实对象的循环，一般通过表述、求解、解释、验证几个阶段完成。数学建模过程如图1.2.1所示，数学模型求解方法可分为解析法和数值方法，如图1.2.2所示。 表述是将现实问题“翻译”成抽象的数学问题，属于归纳。数学模型的求解方法则属于演绎。归纳是依据个别现象推出一般规律；演绎是按照普遍原理考察特定对象，导出结论。演绎利用严格的逻辑推理，对解释现象做出科学预见，具有重要意义，但是它要以归纳的结论作为公理化形式的前提，只有在这个前提下
基于层次分析法研究云南烟草品牌竞争力 摘要 与国外知名烟草品牌相比，国内的烟草品牌存在着品牌集中度不够，品牌多、杂、散、小；品牌定位模糊，市场占有率低；品牌形象乱，品牌美誉度低，消费者购买行为习惯化导致忠诚度差等问题，因此，本文采用层次分析法对在中国烟草行业中有着举足轻重地位的云南省烟草品牌竞争力进行了评价研究，分析云南烟草业品牌现状，提出品牌竞争力的影响因素，对提高云南烟草业的品牌竞争力、解决烟草业存在的问题提供一定的帮助。 关键词：烟草品牌云南烟草品牌竞争力层次分析法 一、问题重述 近年来，我国一直推进实施卷烟工业的整合重组、卷烟品牌的淘汰和优化。但是，由于之前的卷烟品牌众多；截止到 2009 年底我国的烟草企业有 30 家，卷烟品牌 138 个，所以目前我国烟草企业之间的竞争非常激烈，行业内有众多势均力敌的竞争对手。当今卷烟产品差异化日渐缩小，消费者购买时会更看重品牌价值和品牌文化，使烟草行业内部面临着激烈的竞争,以具有代表性的云烟为实证，分析云南烟草企业的品牌竞争力及影响品牌竞争力的主要因素，并提出提高云烟品牌竞争力的对策建议。
二、问题分析 （1）云南卷烟近年情况分析 图1为云产卷烟在全国各地区的销量情况，有颜色部分为云南卷烟销量均超过15.58万箱，在全国卷烟销售中占有很大份额。2008 年卷烟品牌为16个，比2003年的36个减少了 20个。作为全国卷烟产销量最大的省份，2009 年云南的产销量达到 3667.9 亿支。在卷烟产量增幅较小的情况下，2008 年云南烟草工业税利为 577 亿元，比2003 年的 330 亿元增加了 247 亿元。因此，分析云南卷烟品牌竞争力有助于对云南卷烟品牌做出适当的规划调整，很大程度上能够促进云南经济的发展。（数据为云南中烟系统中2015年 云产卷烟销量数据） 图1
层次分析法 层次分析法是一种解决多目标的复杂问题的定性与定量相结合的决策分析方法。该方法将定量分析与定性分析结合起来，用决策者的经验判断各衡量目标能否实现的标准之间的相对重要程度，并合理地给出每个决策方案的每个标准的权数，利用权数求出各方案的优劣次序，比较有效地应用于那些难以用定量方法解决的课题。 缺点： （1）层次分析法的主观性太强，模型的搭建，判断矩阵的输入都是决策者的主观判断，往往会因为决策者的考虑不周、顾此失彼而造成失误。 （2）层次分析法模型的内部结构太过理想化，完全分离、彼此独立的层次结构在实践中很难做到。 （5）层次分析法只能从给定的决策方案中去选择，而不能给出新的、更优的策略。 1.模型的应用 用于解决多目标的复杂问题的定性与定量相结合的决策分析。 （1）公司选拔人员， （2）旅游地点的选取， （3）产品的购买等， （4）船舶投资决策问题（下载文档）， （5）煤矿安全研究， （6）城市灾害应急能力， （7）油库安全性评价， （8）交通安全评价等。 2.步骤 ①建立层次结构模型 首先明确决策目标，再将各个因素按不同的属性从上至下搭建出一个有层次的结构模型，模型如下图所示。
目标层 准则层 方案层 目标层：表示解决问题的目的，即层次分析要达到的总目标。通常只有一个总目标。 准则层：表示采取某种措施、政策、方案等实现预定总目标所涉及的中间环节。 方案层：表示将选用的解决问题的各种措施、政策、方案等。通常有几个方案可选。 注意： （1）任一元素属于且仅属于一个层次；任一元素仅受相邻的上层元素的支配，并不是任一元素与下层元素都有联系； （2）虽然对准则层中每层元素数目没有明确限制，但通常情况下每层元素数最好不要超过 9 个。这是因为，心理学研究表明，只有一组事物在 9 个以内，普通人对其属性进行判别时才较为清楚。当同一层次元素数多于 9 个时，决策者对两两重要性判断可能会出现逻辑错误的概率加大，此时可以通过增加层数，来减少同一层的元素数。 ②构造判断（成对比较）矩阵 以任意一个上一层的元素为准则，对其支配的下层各因素之间进行两两比 a重要程度的衡量用Santy的1—9较。得到判断矩阵，再求出各元素的权重。 ij 标度方法给出。即
什么是回归分析 回归分析（regression analysis)是确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法。运用十分广泛，回归分析按照涉及的自变量的多少，可分为一元回归分析和多元回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。如果在回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。 回归分析之一多元线性回归模型案例解析 多元线性回归，主要是研究一个因变量与多个自变量之间的相关关系，跟一元回归原理差不多，区别在于影响因素（自变量）更多些而已，例如：一元线性回归方程为： 毫无疑问，多元线性回归方程应该为： 上图中的x1, x2, xp分别代表“自变量”Xp截止，代表有P个自变量，如果有“N组样本，那么这个多元线性回归，将会组成一个矩阵，如下图所示： 那么，多元线性回归方程矩阵形式为： 其中：代表随机误差，其中随机误差分为：可解释的误差和不可解释的误差，随机误差必须满足以下四个条件，多元线性方程才有意义（一元线性方程也一样） 1：服成正太分布，即指：随机误差必须是服成正太分别的随机变量。 2：无偏性假设，即指：期望值为0 3：同共方差性假设，即指，所有的随机误差变量方差都相等 4：独立性假设，即指：所有的随机误差变量都相互独立，可以用协方差解释。
今天跟大家一起讨论一下，SPSS---多元线性回归的具体操作过程，下面以教程教程数据为例，分析汽车特征与汽车销售量之间的关系。通过分析汽车特征跟汽车销售量的关系，建立拟合多元线性回归模型。数据如下图所示：（数据可以先用excel建立再通过spss打开） 点击“分析”——回归——线性——进入如下图所示的界面：
大学生消费问题的层次分析模型 1.问题的提出及相关问题的分析 大学生的消费结构是指大学生所消费的各种消费资料之间的比例关系．全面细致地了解大学生的消费状况具有重要的现实意义．关注大学生的消费行为，引导大学生科学消费，可以使大学生在校时合理使用有限的经济收入，进行科学消费．因此帮助大学生树立起适度、合理的消费观念，对于促进经济的发展和社会进步有着重要的意义． 1.1 目前大学生的消费来源 当今大学生的经济来源主要包括: 家庭供给、家教兼职、特困补助和奖学金．大学生由于其自身社会角色的限制，没有独立的经济来源, 主要靠家庭供给．大学生消费收入差距悬殊，主要受家庭收入的影响．1.2 目前大学生的消费状况 目前大学生的消费主要由生活消费、学习消费、娱乐消费三部分构成．生活消费,如吃饭、购置生活必需品;学习消费,如学习用品等; 娱乐消费,如购物、旅游等．随着生活水平的提高和网络信息化的发展,大学生消费呈现出多样化．在市场经济的今天，大学生的消费形式、内容、消费心理以及消费观念都发生了显著的变化．大学生传统必需型消费呈明显下降趋势，如饮食消费、衣着消费所占比例下降，其他形式的消费比例逐渐增加．学习消费主要集中在购买学习参考书、英语和计算机等级考试等和学习工具上．娱乐消费主要表现为休闲、旅游等方面，并呈上涨趋势．通讯消费主要表现在手机话费、上网等方面．大学生的
人际交往消费、恋爱消费也成为日常支出的一个重要方面． 1.3 研究目的 了解当代大学生消费的基本情况，发现大学生日常消费中存在的一些问题，为大学生的消费提供正确合理的建议指导,帮助大学生确立正确的消费观． 2 数据说明与符号约定 2.1 数据说明 以韶关学院学生为调查的对象，通过问卷调查所得数据，调查问卷的原始数据见附录．问卷是通过对60名韶关学院学生随机发放，并收回有效问卷52份而得．由调查的统计结果可知：在校大学生平均的月总支出为514.8077，学习支出为64.42308元，食物支出占301.7308元，衣着支出为62.5元，通讯支出为39.32692元，娱乐支出为51.05769元．家庭月人均收入不同的在校大学生在月总支出和其他各项具体支出方面存在差异，在校大学生的月总支出主要用于食物支出、其他方面的支出相对较少，这反应了当代大学生的消费仍然是以物质消费为基础，这是由在校大学生的非独立经济地位决定的． 2.2 符号约定 y y 为学生的平均月消费(元) 1x 1x 为学生每月由家庭提供的收入(元) 2x 2x 为学生每月做家教等兼职所获取的收入(元) 3x 3x 为学生每月的特困补助的收入(元)
摘要 回归分析和方差分析是探究和处理相关关系的两个重要的分支,其中回归分析方法是预测方面最常用的数学方法,它是利用统计数据来确定变量之间的关系,并且依据这种关系来预测未来的发展趋势。本文主要介绍了一元线性回归分析方法和多元线性回归分析方法的一般思想方法和一般步骤,并且用它们来研究和分析我们在生活中常遇到的一些难以用函数形式确定的变量之间的关系。在解决的过程中,建立回归方程,再通过该回归方程进行预测。 关键词:多元线性回归分析;参数估计;F检验
回归分析在数学建模中的应用 Abstract Regression analysis and analysis of variance is the inquiry and processing of the correlation between two important branches, wherein the regression analysis method is the most commonly used mathematical prediction method, it is the use of statistical data to determine the relationship between the variables, and based on this relationship predict future trends. introduces a linear regression analysis and multiple linear regression analysis method general way of thinking and the general steps, and use them to research and analysis that we encounter in our life, are difficult to determine as a function relationship between the variables in the solving process, the regression equation is established by the regression equation to predict. Keywords:Multiple linear regression analysis; parameter estimation;inspection II
典型相关分析 在对经济问题的研究和管理研究中，不仅经常需要考察两个变量之间的相关程度，而且还经常需要考察多个变量与多个变量之间即两组变量之间的相关性。典型相关分析就是测度两组变量之间相关程度的一种多元统计方法。 典型相关分析计算步骤 （一）根据分析目的建立原始矩阵 原始数据矩阵 ? ?????? ?????? ?nq n n np n n q p q p y y y x x x y y y x x x y y y x x x 2 1 2 1222 21 22211121111211 （二）对原始数据进行标准化变化并计算相关系数矩阵 R = ?? ? ? ??2221 1211 R R R R 其中11R ，22R 分别为第一组变量和第二组变量的相关系数阵，12R = 21 R '为第一组变量和第二组变量的相关系数 （三）求典型相关系数和典型变量 计算矩阵=A 111-R 12R 122-R 21R 以及矩阵=B 122-R 21R 1 11-R 12R 的特征值和特征向量，分 别得典型相关系数和典型变量。 （四）检验各典型相关系数的显著性 第五节 利用SPSS 进行典型相关分析 第一步，录入原始数据，如下表：X1 X2 X3 X4 X5 分别代表多孩率、综合节育率、初中及以上受教育程度的人口比例、人均国民收入和城镇人口比例。 研究人口出生与教育程度、生活水平等的相关。
1、点击“Files→New→Syntax”打开如下对话框。 2、输入调用命令程序及定义典型相关分析变量组的命令。如图
输入时要注意“Canonical correlation.sps”程序所在的根目录，注意变量组的格式和空格。 第三步，执行程序。用光标选择这些命令，使其图黑，再点击运行键，即可得到所有典型相关分析结果。
1、 多元线性回归在回归分析中，如果有两个或两个以上的自变量，就称为 多元回归。事实上，一种现象常常是与多个因素相联系的，由多个自变量的最优组合共同来预测或估计因变量，比只用一个自变量进行预测或估计更有效，更符合实际。 在实际经济问题中，一个变量往往受到多个变量的影响。例如，家庭消费支出，除了受家庭可支配收入的影响外，还受诸如家庭所有的财富、物价水平、金融机构存款利息等多种因素的影响，表现在线性回归模型中的解释变量有多个。这样的模型被称为多元线性回归模型。（multivariable linear regression model ） 多元线性回归模型的一般形式为： 其中k 为解释变量的数目，j β (j=1,2,…，k)称为回归系数（regression coefficient)。上式也被称为总体回归函数的随机表达式。它的非随机表达式为： j β也被称为偏回归系数（partial regression coefficient)。 2、 多元线性回归计算模型 多元性回归模型的参数估计，同一元线性回归方程一样，也是在要求误差平方和（Σe)为最小的前提下，用最小二乘法或最大似然估计法求解参数。 设（ 11 x ， 12 x ，…， 1p x ， 1 y ），…，（ 1 n x ， 2 n x ，…， np x ， n y ）是一个样本， 用最大似然估计法估计参数： 达 到最小。
把（4）式化简可得： 引入矩阵： 方程组（5）可以化简得： 可得最大似然估计值：
3、Matlab 多元线性回归的实现 多元线性回归在Matlab 中主要实现方法如下： （1）b=regress(Y, X ) 确定回归系数的点估计值 其中 （2）[b,bint,r,rint,stats]=regress(Y,X,alpha)求回归系数的点估计和区间估计、并检 验回归模型 ①bint 表示回归系数的区间估计. ②r 表示残差 ③rint 表示置信区间 ④stats 表示用于检验回归模型的统计量,有三个数值：相关系数r2、F 值、与F 对应的 概率p 说明：相关系数r2越接近1，说明回归方程越显著；F>F1-alpha(p,n-p-1) 时拒绝H0，F 越大，说明回归方程越显著；与F 对应的概率p<α 时拒绝H0，回归模型成立。 ⑤alpha 表示显著性水平(缺省时为0.05) （3）rcoplot(r,rint) 画出残差及其置信区间
回归模型的残差分析 山东 胡大波 判断回归模型的拟合效果是回归分析的重要内容，在回归分析中，通常用残差分析来判断回归模型的拟合效果。下面具体分析残差分析的途径及具体例子。 一、 残差分析的两种方法 1、差分析的基本方法是由回归方程作出残差图，通过观测残差图，以分析和发现观测数据中可能出现的错误以及所选用的回归模型是否恰当；在残差图中，残差点比较均匀地落在水平区域中，说明选用的模型比较合适，这样的带状区域的宽度越窄，说明模型的拟合精度越高，回归方程的预报精度越高。 2、可以进一步通过相关指数∑∑==--- =n i i n i i i y y y y R 1 2 1 2 ^ 2 )()(1来衡量回归模型的拟合效果，一般 规律是2 R 越大，残差平方和就越小，从而回归模型的拟合效果越好。 二、 典例分析： 例1、某运动员训练次数与运动成绩之间的数据关系如下： 试预测该运动员训练47次以及55次的成绩。 解答：（1）作出该运动员训练次数x 与成绩y 之间的散点图，如图1所示，由散点图可 知，它们之间具有线性相关关系。 （2）列表计算： 由上表可求得875.40,25.39==y x ， 126568 1 2 =∑=i i x ，137318 1 2=∑=i i y ，
131808 1 =∑=i i i y x ，所以∑∑==---= 8 1 2 8 1 )() )((i i i i i x x y y x x β.0415.188 1 2 28 1≈--= ∑∑==i i i i i x x y x y x 00302.0-≈-=x y βα，所以回归直线方程为.00302.00415.1^ -=x y （3）计算相关系数 将上述数据代入∑∑∑===---= 8 1 8 1 2 22 2 8 1 ) 8)(8(8i i i i i i i y y x x y x y x r 得992704.0=r ，查表可知 707.005.0=r ，而05.0r r >，故y 与x 之间存在显着的相关关系。 （4）残差分析： 作残差图如图2，由图可知，残差点比较均匀地分布在水平带状区域中，说明选用的模型比较合适。 计算残差的方差得884113.02 =σ ，说明预报的精度较高。 （5）计算相关指数2 R 计算相关指数2 R ＝0.9855.说明该运动员的成绩的差异有98.55％是由训练次数引起的。 （6）做出预报 由上述分析可知，我们可用回归方程 .00302.00415.1^ -=x y 作为该运动员成绩的预报值。 将x ＝47和x ＝55分别代入该方程可得y ＝49和y ＝57， 故预测运动员训练47次和55次的成绩分别为49和57. 点评：一般地，建立回归模型的基本步骤为： （1）确定研究对象，明确哪个变量是解释变量，哪个变量是预报变量； （2）画出确定好的解释变量和预报变量的散点图，观察它们之间的关系（如是否存在线性关系等）； （3）由经验确定回归方程的类型（如我们观察到数据呈线性关系，则选用线性回归方程y ＝bx ＋a ）； （4）按一定规则估计回归方程中的参数（如最小二乘法）； （5）得出结果后分析残差图是否有异常（个别数据对应残差过大，或残差呈现不随机的规律性等等），若存在异常，则检查数据是否有误，或模型是否合适等。 例2、某城区为研究城镇居民月家庭人均生活费支出和月人均收入的相关关系，随机抽取
基于层次分析法的护岸框架最优方案选择 【摘要】长期以来，四面六边透水框架在河道整治等工程中，因其取材方便、自身稳定性、透水性、阻水性好、适合地形变化等特性优点而被广泛的应用。但是，在抛投和使用过程中，存在被水流冲击而翻滚移位、结构强度的不足、难以合理互相钩连的问题，使框架群不能达到理想的堆砌效果。本文主要探讨如何合理设计改进现有护岸框架，以最大程度减少框架群被水流冲击翻滚移位的情况，增加框架群在使用过程中互相钩连程度和结构强度，达到减速促淤效果。 针对问题，我们结合四面六边透水框架本身的优势特性，在原有框架的基础上进行改进设计，根据三角形稳定性的特性，通过应用机理分析，进行物理图形构造，设计出三种供选方案。 模型一：构建四面六边带触脚框架模型（图5.2），该模型在四面六边透水框架的基础上，运用触脚设计，较好的融合增强四面六边透水框架本身的优点特性，使框架达到不易翻滚，并与其他的框架自然地相互钩连。 模型二：构建六面九边带触脚框架模型（图5.6），该模型是对模型一的改进，综合模型一和原型模型的结构，不仅具备良好的亲水性、阻水性和稳定性，而且触脚比模型一更多，使框架更加稳定，不易翻滚、框架群之间也更容易钩连；同时，模型二施工简单，更容易构造，也更加节约经济造价成本。 模型三：构建双四面六边护岸框架模型（图5.12），该模型设计内外双层四面六边透水框架体，旨在增加护岸框架结构强度和稳定性及阻水性。运用内外双层结构设计，形成内外双层保障。由三角形的稳定性可以得知该模型结构强度高、稳定性强。 模型四：应用层次分析法对如何科学、合理地进行选择护岸框架，进行系统的分析。选取施工时架空率易接近4到6、结构强度、不易翻滚程度、框架群间易钩连程度、生产成本及易生产、施工简易度六个因素指标为准则层，选取原有护岸框架和本文设计的三个框架模型作为方案层，运用Matlab软件计算比较，最后得出结论为：模型二（六面九边带触脚框架模型）为最优护岸框架模型。 【关键词】护岸框架层次分析法立体图形触脚设计 Matlab
案例分析1: 自行车外胎的使用寿命 问题： 目前，自行车在我国是一种可缺少的交通工具。它小巧、灵活、方便、易学，而且价格适中，给广大居民带来了不小的益处。但是，自行车也有令人头痛的地方，最常见的问题莫过于扎胎了。扎胎的原因有很多，但相当一部分是由于外胎磨损，致使一些玻璃碴、小石子很容易侵入、扎破内胎。为了减少不必要的麻烦，如何估计自行车外胎的寿命，及时更换? 分析： 分析角度：由于题目里未明确指出我们是应从厂家角度，还是应从用户角度来考虑这个问题，因此需要我们自己做出合理判断。若从厂家角度，我们面对的应当是一大批自行车外胎的平均寿命的估计。这样的估计要求一定精确度和相对明确的使用环境；而从用户角度来说，面对的仅是个人的一辆车，不需要很高的精确度，这样的寿命估计更简单，易于随时了解，下面仅从用户角度进行分析。 产品的使用者需要了解产品的寿命，是基于安全性及更换的费用来考虑的。我们将这两个标准作为主要标准来分析，首先值得注意的两个关键性问题是如何定义寿命、何时为寿命的终止。寿命的定义要做到科学，直观，有可比性，在航空工业中航天飞机的使用寿命是用重复使用的次数来衡量，而工厂机器设备的寿命则以连续工作的时间来定义。本题外胎的寿命亦可用时间来表征，但由于外胎的寿命直接与其磨损速度相关；而磨损速度又与使用频率及行驶速度相互联系，致使外胎的寿命不一定与使用时间成正比(这种非正比关系使我们不能拿一辆—天跑200公里的自行车与一天只跑1公里的自行车进行寿命比较)，降低了可比性。如换成自行车的路程寿命来比较，就好得多。产品寿命是在安全性和更换费用相互制约下达到的一个点，在这个点上，外胎的安全系数降到用户不可接受的最低值，更换费用(寿命越长，在一定意义上更换费用越低)也达到了最大限度的节省。 弄清了上面两个问题后，我们继续明确建立模型需要解决哪些问题及建立模型的重点难点。 自行车使用过程中，一来影响因素多，二来这些因素之间彼此相关，十分复杂，要做到比较准确地估计使用寿命，不但要对外胎的性能有相当的了解，而且对使用环境更不能忽视。当然我们由于是站在用户角度上来考虑的，相对地就可忽略一些次要的影响因素。 这样的数学模型面对着两个主要问题。一、自行车使用寿命与外胎厚度的关系，二、外胎能够抵御小石子破坏作用的最小厚度。后者可处理得相对简略些(如只考虑一块具有一般特征的小石子对外胎的破坏作用)，而重点(也是难点)是第一个问题。车重、人重、轮胎性质(力学的、热学的、甚至化学的)和自行车使用频率等都左右着它们的关系。这么多相关因素，不必一一都加以考虑(用户是不会在意这么多的)，有些因素，可以先不考虑，在模型的改进部分再作修改，采取逐步深入的方法，如：摩擦损耗有滑动摩擦和滚动摩擦损耗两种，由于滚动摩擦占用的时间(或路程)显然占绝对优势，因此可重点考虑。但滑动摩擦造成的一次损坏又比滚动摩擦大，在刹车使用过频的情况下，就不能不考虑了。 最后，需对得出的结果用简单清晰的文字进行说明，以供用户参考。 案例分析2：城市商业中心最优位置分析 问题： 城市商业中心是城市的基本构成要素之一。它的形成是一个复杂的定位过程。商业中心的选址涉及到各种因素制约，但其中交通条件是很重要的因素之一。即商业中心应位于城市“中心”，如果太偏离这一位置，极有可能在城市“中心”地带又形成一个商业区，造成重复建设。 某市对老商业中心进行改建规划，使居民到商业中心最方便。如果你是规划的策划者，如何建立一个数学模型来解决这个问题。
层次分析法 一、分析模型和一般步骤 二、建立层次结构模型 三、构造成对比较矩阵 四、作一致性检验 五、层次总排序及决策 一. 层次分析模型和一般步骤 层次分析法是一种定性与定量分析相结合的多因素决策分析方法。这种方法将决策者的经验判断给于数量化，在目标因素结构复杂且缺乏必要数据的情况下使用更为方便，因而在实践中得到广泛应用。 层次分析的四个基本步骤： （1）在确定决策的目标后，对影响目标决策的因素进行分类，建立一个多层次结构； （2）比较同一层次中各因素关于上一层次的同一个因素的相对重要性，构造成对比较矩阵； （3）通过计算，检验成对比较矩阵的一致性，必要时对成对比较矩阵进行修改，以达到可以接受的一致性； （4）在符合一致性检验的前提下，计算与成对比较矩阵最大特征值相对应的特征向量，确定每个因素对上一层次该因素的权重； 计算各因素对于系统目标的总排序权重并决策。 二. 建立层次结构模型 将问题包含的因素分层：最高层（解决问题的目的）；中间层（实现总目标而采取的各种措施、必须考虑的准则等。也可称策略层、约束层、准则层等）；最低层（用于解决问题的各种措施、方案等）。把各种所要考虑的因素放在适当的层次内。用层次结构图清晰地表达这些因素的关系。 〔例1〕购物模型 某一个顾客选购电视机时，对市场正在出售的四种电视机考虑了八项准则作为评估依据，建立层次分析模型如下：
例2〕选拔干部模型 对三个干部候选人、、，按选拔干部的五个标准：品德、才能、资历、年龄和群众关系，构成如下层次分析模型：假设有三个干部候选人、、，按选拔干部的五个标准：品德，才能，资历，年龄和群众关系，构成如下层次分析模型 例3〕评选优秀学校 某地区有三个学校，现在要全面考察评出一个优秀学校。主要考虑以下几个因素： （1）教师队伍（包括平均学历和年龄结构）
线性回归分析的数学模型 在实际问题中常常遇到简单的变量之间的关系，我们会遇到多个变量同处于一个过程之中，它们之间互相联系、互相制约．这些问题中最简单的是线性回归．线性回归分析是对客观事物数量关系的分析，是一种重要的统计分析方法，被广泛的应用于社会经济现象变量之间的影响因素和关联的研究．由于客观事物的联系错综复杂经济现象的变化往往用一个变量无法描述，故本篇论文在深入分析一元线性回归及数学模型的情况下，又详细地介绍了多元线性回归方程的参数估计和其显著性检验等．全面揭示了这种复杂的依存关系，准确测定现象之间的数量变动．以提高预测和控制的准确度． 本文中详细的阐述了线性回归的定义及其线性模型的简单分析并应用了最小二乘法原理．具体介绍了线性回归分析方程参数估计办法和其显著性检验．并充分利用回归方程进行点预测和区间预测． 但复杂的计算给分析方法推广带来了困难，需要相应的操作软件来计算回归分析求解操作过程中的数据．以提高预测和控制的准确度．从而为工农业生产及研究起到强有力的推动作用． 关键词：线性回归；最小二乘法；数学模型 目录 第一章前言 (1) 第二章线性模型 (2) 第一节一元线性模型 (2) 第二节多元线性模型 (4) 第三章参数估计 (5) 第一节一元线性回归方程中的未知参数的估计 (5) 第二节多元线性回归模型的参数估计 (8) 第四章显著性检验 (13) 第一节一元线性回归方程的显著性检验 (13) 第二节多元线性回归方程的显著性检验 (20) 第五章利用回归方程进行点预测和区间预测 (21) 第六章总结 (26) 致谢 (27) 参考文献………………………………………………………………………… 第一章前言
结果分析 综上所述，由模型求解可知，在满足模型条件的假设（4）的条件下，当所给阳性的先验概率0.3066p ≥时，在不分组的条件下每个人一次一次的检验可以使总次数最少；当所给0.29290.3066p ≤<时，进行一次检验比分两次组和不分组均可使总次数最少；当00.2929p <<时，分两次组总次数比分一次组总次数要少。 当p 固定时，为了是人群中总的检验次数最小，就需要确定每组中的人数k 。根据固定值p 的大小分类讨论： 当0.3066p ≥时，此时不需要分组，即1k =时可使检验次数最小； 当0.3066p <时，此时需要分组，要使人群总的检验次数最小，只需要使每个人的检验次数的期望值E ξ最小，通过引入与11k E q k ξ=-+ 变化趋势相同的连续性函数 )2(,11)(≥+-=x x q x f x ，对于一个给定的p ，可以求出函数(x)f 的极值，又由分析知'(x)f 是增函数，所以求出(x)f 的极值就是(x)f 的最小值的取值m x ，故取与m x 最相近的两个值(上取整和下取整)，代入ξE ，然后比较两个函数值，找出较小的一个，以此类推，可以确定，每一个给定的p 要使人群中总的检验次数最小所对应的人数k 。 在0.3066p <中，当0.29290.3066p ≤<时，进行一次分组检验比进行两次分组检验和不分组检验可使检验次数最少；当00.2929p <<时，分两组比分一组总的检验次数少。 模型检验
当然这都是在假设（4）的前提下做出的，现举一例具体说明上述假设的合理性：设0.002p =时，经过上述计算可得，当23k =时可使在一次分组的情况下平均每人检验次数最小，为满足假设（4），可以取24k =（此时平均每人检验次数仅比23k =时多510-次，故在检验100000人时总次数才多一次，故可忽略），然后取112k =或更小（如16k =），此时一定可以做到分两次组比分一次组平均每人检验次数小。当然此时还可以继续求满足条件的第二次分组平均每人检验次数的最小值。 由于题给条件是人群数量很大，基本是健康人，先验概率p 很小，所以4 现代统计学 1.因子分析(Factor Analysis) 因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系，即将相关比较密切的几个变量归在同一类中，每一类变量就成为一个因子（之所以称其为因子，是因为它是不可观测的，即不是具体的变量），以较少的几个因子反映原资料的大部分信息。 运用这种研究技术，我们可以方便地找出影响消费者购买、消费以及满意度的主要因素是哪些，以及它们的影响力（权重）运用这种研究技术，我们还可以为市场细分做前期分析。 2.主成分分析 主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前，用主成分分析来分析数据，让自己对数据有一个大致的了解是非常重要的。主成分分析一般很少单独使用：a，了解数据。(screening the data),b,和cluster analysis一起使用，c，和判别分析一起使用，比如当变量很多，个案数不多，直接使用判别分析可能无解，这时候可以使用主成份发对变量简化。（reduce dimensionality）d,在多元回归中，主成分分析可以帮助判断是否存在共线性（条件指数），还可以用来处理共线性。 主成分分析和因子分析的区别 1、因子分析中是把变量表示成各因子的线性组合，而主成分分析中则是把主成分表示成个变量的线性组合。 2、主成分分析的重点在于解释个变量的总方差，而因子分析则把重点放在解释各变量之间的协方差。 3、主成分分析中不需要有假设(assumptions),因子分析则需要一些假设。因子分析的假设包括：各个共同因子之间不相关，特殊因子（specific factor）之间也不相关，共同因子和特殊因子之间也不相关。 4、主成分分析中，当给定的协方差矩阵或者相关矩阵的特征值是唯一的时候，的主成分一般是独特的；而因子分析中因子不是独特的，可以旋转得到不同的因子。 5、在因子分析中，因子个数需要分析者指定（spss根据一定的条件自动设定，只要是特征值大于1的因子进入分析），而指定的因子数量不同而结果不同。在主成分分析中，成分的数量是一定的，一般有几个变量就有几个主成分。 和主成分分析相比，由于因子分析可以使用旋转技术帮助解释因子，在解释方面更加有优势。大致说来，当需要寻找潜在的因子，并对这些因子进行解释的时候，更加倾向于使用因子分析，并且借助旋转技术帮助更好解释。而如果想把现有的变量变成少数几个新的变量（新的变量几乎带有原来所有变量的信息）来进入后续的分析，则可以使用主成分分析。当然，这中情况也可以使用因子得分做到。所以这中区分不是绝对的。 总得来说，主成分分析主要是作为一种探索性的技术，在分析者进行多元数据分析之前，用主成分分析来分析数据，让自己对数据有一个大致的了解是非常重要的。主成分分析一般很少单独使用：a，了解数据。(screening the data),b,数学建模各种分析报告方法
相关主题
文本预览