市场营销教学中运用经济数学模型的几点体会

第一篇：市场营销教学中运用经济数学模型的几点体会

在市场营销教学中运用经济数学模型的几点体会

摘 要：本文从数学模型和经济的关系出发，论述了数学模型在经济领域，尤其在市场营销教学中应用的重要性。主要说明了市场营销常用的数学模型的建立过程，教学中常用的几种典型经济数学模型的应用及应用条件和注意事项。关键词：数学模型

市场营销

应用

一般地说，数学模型可以描述为，对于现实世界的一个特定对象，为了一个特定目的，根据特有的内在规律，做出一些必要的简化假设，运用适当的数学工具，得到的一个数学结构，从而建立一种应用数学模型。目前，随着数学以空前的广度和深度向一切领域的渗透，电子计算机的出现和飞速发展，数学模型的应用价值越来越受到人们的重视。在现实世界应用中体现愈来愈重要的社会价值。在经济决策科学化、定量化呼声日渐高涨的今天,数学经济建模更是无处不在。如生产厂家可根据客户提出的产品数量、质量、交货期、交货方式、交货地点等要求。根据快速报价系统(根据厂家各种资源、产品工艺流程、生产成本及客户需求等数据进行数学经济建模)与客户进行商业谈判。正如马克思所说，一门科学只有成功地运用数学时，才算达到了完善的地步。

结合自身教学体会认为数学模型对经济领域中的企业营销价值的提升越来越明显。运用现代数学方法研究营销问题，不仅丰富了营销学的分析工具、推动了营销学的发展，而且使研究者对营销问题的解释能力和对市场的预测能力都得到了极大提高。尤其在教学中的实践效果非常显著，我认为主要体现在以下几个方面：

首先掌握构建经济数学模型的一般步骤。

1.了解熟悉实际问题,以及与问题有关的背景知识。2.通过假设把所要研究的实际问题简化、抽象,明确模型中诸多的影响因素,用数量和参数来表示这些因素。运用数学知识和技巧来描述问题中变量参数之问的关系。一般情况下用数学表达式来表示,构架出一个初步的数学模型。然后,再通过不断地调整假设使建立的模型尽可能地接近实际,从而得到比较满意的结论。3.使用已知数据,观测数据或者实际问题的有关背景知识对所建模型中的参数给出估计值。4.运行所得到的模型。把模型的结果与实际观测进行分析比较。如果模型结果与实际情况基本一致,表明模型是符合实际问题的。我们可以将它用于对实际问题进一步的分析或者预测;如果模型的结果与实际观测不一致,不能将所得的模型应用于所研究的实际问题，此时需要回头检查模型的组建是否有问题。问题的假设是否恰当,是否忽略了不应该忽略的因素或者还保留着不应该保留的因素，并对模型进行必要的调整修正。重复前面的建模过程,直到建立出一个经检验符合实际问题的模型为止。一个较好的数学模型是从实际中得来,又能够应用到实际问题中去的。

其次，结合营销实务证实常用的经济数学模型的实际应用价值。

一、统计回归模型的构建及预测。该模型应用于市场需求预测，它将抽象的市场规模量化，使经济研究中的市场发展趋势数字化、精确化，将经济风险降到最低。

统计回归模型是依靠数学模型和数理统计方法对各种资料进行计算分析，从而对市场变化趋势做出数字预测。常用的模型有：

（一）简单平均法，模型公式为： ytxx1x2.....xnnxi1nin

将相关的系数代入模型公式，计算出各期的平均数，将其作为下期的预测值。即可成功计算出下期的目标市场经营规模，将抽象的目标市场量化到一个数值，模型运作的结果会使营销规划、决策的风险值产生可估性，便于营销人员及时作出应对方法，及时应对市场的变故和障碍的发生。

（二）平滑预测法，yt1yt(1)yt

其中^^yt1——下期预测销售额； ^； ——平滑系数（01）y——t期销售额；

tyt——t期的平滑销售额。

该模型适用于市场营销的短期预测，采用这种方法，只需三种信息：本期实际销售额，本期平滑销售额和平滑常数。通过该模型将相关资料信息进行数值计算，能快速确定企业短期的准目标市场的销售规模和短期市场需求趋势变化量的大小。

二、线性回归模型的构建及预测 确定两个变量之间是线性相关，就可以进行线性回归分析。线性回归分析的方法是在相关点之间找到一条直线，以这条直线表明两个变量之间的数量变动关系。设线性回归模型为：yc=a+bx Yc表示y的估计值，x、y表示经济变量，模型的关键问题是如何根据以往资料确定系数a、b，一般采用最小平方法：即先计算y=a+bx的总和，然后计算^xy 的总和，由此计算出

a、b的值，即a=yn，b=

xyx2。

建立好数学模型以后，就可以进行市场数据的预测，将相关的经济数值如销售额、销售量、生产总值、代入回归预测模型，就能得到此后相关经济指标的的预测值。

在指导学生进行市场营销实务核算的过程中，发现线性回归模型的实际应用还需注意两点问题

（一）进行经济模型的检验和校正误差。因为在企业营销核算中预测人员对模型的选择形式不当会造成选择的模型不够完善，以及观察和测量误差等原因，实际值和预测值会产生一定的误差。为了测定线性回归模型的可靠程度和预测值的准确性，需要对回归模型进行检验，检验的方法主要是计算估计标准误差就可以解决偏差度。

（二）关注线性回归模型的使用条件及优越性。线性回归模型的使用条件是：市场现象的因变量与自变量必须高度相关；市场现象的自变量的预测值比较容易得到；使用线性回归模型进行经济预测时，还要根据事物的发展变化，不断收集新资料，不断修正预测模型。如果根据多个影响因素预测经济变量，就要采用多元预测模型。另外，线性回归模型较其他预测方法更具优越性：实用性强，该方法广泛适用于各种经济预测，如产量与成本、利润与销售量等；预测结果精确，实践证明，该方法比移动平均法、季节指数法等更为准确；使用方法简便，只需将调查数据代入模型，即可得出结果。

三、商品提价问题的数学模型:

1.问题

商场经营者即要考虑商品的销售额、销售量。同时也要考虑如何在短期内获得最大利润。这个问题与商场经营的商品的定价有直接关系。定价低、销售量大、但利润小，定价高、利润大但销售量减少。下面研究在销售总收入有限制的情况下.商品的最高定价问题。

2.实例分析

某商场销售某种商品单价25元。每年可销售3万件。设该商品每件提价1元。销售量减少0.1万件。要使总销售收入不少于75万元。求该商品的最高提价。

解:设最高提价为X元。提价后的商品单价为（25+x)元

提价后的销售量为(30000-1000X/1)件

则(25+x)(30000-1000X/1)≥750000

(25+x)(30-x)≥750

计算结果表明提价最高不能超过5元。可见通过模型的建立和计算可以使企业产品定价的市场风险降到最低，给企业充分的定价权衡。

总之，在实际市场营销教学中，为了准确地探求市场需求量（现实和潜在需求量）、企业需求量和市场潜量。必须充分地借助经典的数学模型进行测定和预测，（尤其对未来的经济价值可以预测和估计的）才能精确地对企业未来市场的需求量、市营目标、成本、利润及影响的因素进行定量和定性相结合的分析研究和预测，从而使企业最低风险地回避市场障碍，将市场风险转化为企业的机会。同时，数学经济建模应用的广泛性也为决策者们提供可靠的数据参考，并对许多经济部门的具体经济管理工作进行有据的指导,如提供节省开支,降低成本,提高利润等的数据尺度，可见数学建模的应用对促进科学技术和经济的蓬勃发展起了很大的推动作用。

1.冯亮能.市场调查与预测[M].高等教育出版社，2006

2、吴建安 市场营销学

高等教育出版社

2007

3、.张玉红.统计原理[M]

.高等教育出版社，2007

Discussion of Applications about Economic Mathematical in Marketing Teaching Jin Fu Jun Wei Wen Hong ,(Cangzhou TeachersCollege, Cangzhou, 061001,Hebei)Abstract：This paper starts from the relationship between mathematical model and economy, discusses the importance of mathematical model in the economy especially in marketing management teaching。It chiefly points out the establishment process of marketing model on marketing magement and the application conditions of some economic mathematical model in teaching process。

Key words：mathematical model；maketing management；applicatoin

第二篇：数学模型在生物信息学教学中的应用

目 录

目录...............................................................................................................................................i 摘要..............................................................................................................................................ii 第一部分 数学建模........................................................................................................................1 数学建模的介绍...................................................................................................................1 2 数学建模的主要内容...........................................................................................................1 3 数学建模的流程...................................................................................................................2 4 数学建模的主要算法...........................................................................................................3 5 数学建模的软件...................................................................................................................3 第二部分 生物信息学....................................................................................................................3 什么是生物信息学...............................................................................................................3 2 生物信息学的研究方向.......................................................................................................4 第三部分 生物信息学与数学建模的交叉.....................................................................................4 方法和技术的交叉...............................................................................................................4

1.1 数学统计方法............................................................................................................4 1.2 动态规划方法............................................................................................................4 1.3 机器学习....................................................................................................................5 1.4 数据挖掘....................................................................................................................5 1.5 生物分子的计算机模拟............................................................................................5 2 目的上的相似.......................................................................................................................5 第四部分 数学建模在生物信息学中的部分应用.........................................................................6 运用数学模型的预测...........................................................................................................6 2 运用数学模型的数据分析...................................................................................................7 参考文献..........................................................................................................................................7

i 数学建模在生物信息学中的应用研究

摘 要

本文首先介绍了数学建模和生物信息学的基础知识，然后分析了数学建模和生物信息学的交叉知识点。分析显示，数学建模和生物信息学不仅在统计方法和数据挖掘等使用方法和技术方面存在交叉知识点，还在目的上具有一定的相似性，即两者都是对大量的数据进行统计和分析，都以解决问题为最终目的。最后，文章重点回顾了数学建模在生物信息学中数据分析和结构预测方面的部分应用。

关键词：数学建模 生物信息学 应用研究

ii

第一部分 数学建模 数学建模的介绍

从航空航天领域中的火箭发射、武器的自动导航，到企业中该如何配置人力、物力和财力，进而用最小的成本产生最大的利润，再到生活中如何规划自己有限的时间复习期末考试，等等。这都或多或少地运用到了数学建模的知识。数学建模是一个将实际问题用数学的语言、方法，去近似刻画、建立相应数学模型并解决科研、生产和生活中的实际问题的过程。数学建模的问题比较广泛，涉及到多学科知识，它不追求解决方法的天衣无缝，不追求所用数学知识的高深，也不追求理论的严密逻辑，它以解决问题为主要目的。

模型的建立，即把错综复杂的实际问题简化、抽象化为具有合理的数学结构的过程。通过调查、收集数据资料，观察和研究实际对象的固有特征和内在规律，抓住问题的主要矛盾，建立起反映实际问题的数量关系，然后利用数学的理论和方法去分折和解决问题。

随着科学技术的飞速发展，人们越来越认识到数学的重要性：数学的思考方式具有根本的重要性，数学为组织和构造知识提供了方法，将它用于技术时能使科学家和工程师生产出系统的、能复制的、且可以传播的知识„„数学对于经济竞争是必不可少的，数学科学是一种关键性的、普遍的、可实行的技术。在当今高科技与计算机技术日新月异且日益普及的社会里，高新技术的发展离不开数学的支持，没有良好的数学素养已无法实现工程技术的创新与突破。数学建模的主要内容

数学建模理论包含统计回归模型、优化模型、图论模型、微分模型和概率模型等【1-3】，如表1所示。

表1 数学建模的主要内容

统计回归模型 数学挖掘 聚类分析 层次分析 线性回归 非线性回归 主成分分析 时间序列分析 运筹与优化模型 博弈论

图论模型

线性规划

最小生成树

整数规划

最大流问题

目标规划

最短路径问题

动态规划

最长路径问题

非线性规划

PERT网络图模型

多目标决策

最小费用流问题

数据拟合与插值 存贮论模型

偏微分方程模型 灰色预测模型

马氏链模型

差分方差模型

排队论模型

稳定性模型

决策论模型

微分方程模型

计算机模拟

GM模型

随机模拟

图论与网络模型

微分差分模型

概率模型 数学建模的流程

图1数学建模的流程[3] 数学建模的主要算法

蒙特卡罗算法——该算法又称随机性模拟算法，是通过计算机仿真来解决问题的算法，同时可以通过模拟可以来检验自己模型的正确性。

数据处理算法——通常会遇到大量的数据需要数据拟合、参数估计、插值等处理，通常使用Matlab作为工具。

规划算法——遇到线性规划、整数规划、多元规划、二次规划等最优化问题，可以用数学规划算法来描述，通常使用Lingo软件实现。

图论算法——包括最短路、网络流、二分图等算法。动态规划、回溯搜索、分治算法、分支定界等算法。

非经典算法——模拟退火法、神经网络、遗传算法为最优化理论的三大非经典算法。数学建模的软件

数学建模有专用的软件：Matlab 7，Lingo 8为其中最主要的软件，其他重要的软件有Mathematice，S-plus，SAS等。

第二部分 生物信息学 什么是生物信息学

生物信息学是一门新兴的交叉学科，它使用数学和计算机这两项工具，对日益增长的生物数据进行快速、高效的组织与分析。生物信息学的近期任务是大规 3 模的基因组测序中的信息分析、新基因和新SNP的发现与鉴定、完整基因组的比较研究、大规模基因功能表达谱的分析、生物大分子的结构模拟与药物分析，其远期任务是非编码区信息结构分析、遗传密码起源和生物进化的研究。2 生物信息学的研究方向

生物信息学的发展异常迅速，现主要包括DNA序列对比、蛋白质结构对比与预测、编码区的基因识别、序列重叠群(Contigs)装配、基于结构的药物设计、非编码区的分析研究、遗传密码的起源、分子进化与比较基因组学、生物系统的建模和仿真、生物信息学技术方法的研究等几个研究方向【4-6】。

第三部分 生物信息学与数学建模的交叉

生物信息学是利用数学和计算机作为工具，不可避免地与数学建模，这一利用计算机和数学理论解决实际问题的学科，无论在研究方法和技术上，还是在运用目的上均产生一定的交叉。1 方法和技术的交叉

生物信息学所使用的方法与技术包括数学统计方法、动态规划方法、机器学习与模式识别技术、数据库技术与数据挖掘、人工神经网络技术、生物分子的计算机模拟等，而这些恰恰是数学建模领域的核心理论与知识。1.1 数学统计方法

数据统计、因素分析、多元回归分析是生物学研究必备的工具，而这些是数学建模的统计回归模型中最为基础的知识；隐马尔科夫模型（Hidden Markov Models）在序列分析方面有着重要的应用，与隐马尔科夫模型相关的技术是马尔科夫链（Markov Chain），而马尔科夫链模型正是数学建模中针对离散状态按照离散时间的随机转移而建立的模型。总之，生物信息学和数学建模有的第一个共同点是，都有对海量数据进行统计分析的过程。1.2 动态规划方法

动态规划（Dynamic Programming）是一种解决多阶段决策过程的最优化方法，在每个阶段做出一定的决策并影响后续的决策，最终选择一个最优决策。

当两个DNA序列长度较小时，采用动态规划算法可以很好地解决两个序列的相似性问题。当序列长度太长时，改进的BALST和FASTA算法也是基于动态规划 的思想。同时，动态规划在数学建模领域也被用来解决最短路线、库存管理、资源分配等生产和生活中的现实问题。1.3 机器学习

机器学习一般采用遗传算法、神经网络或聚类分析等，模拟人类的学习过程，以计算机为工具获取知识、积累经验，在拥有大样本、多向量数据的数据分析中发挥着日益重要的作用。比如，聚类分析已经运用于癌症类型的分类，神经网络和隐马尔可夫模型对于缺乏完备理论体系的生物领域也同样奏效。以上聚类分析、神经网络和隐马尔可夫模型均为数学建模中的重点方法。1.4 数据挖掘

数据挖掘又被称作数据库中的知识发现，在此意义上，生物信息学也是在海量的生物数据中发掘生命的奥秘。基因序列包括外显子和内含子，其中外显子只占其中的一小部分。大部分的内含子序列的作用并不为人知，如何从这些简单的ACGT序列中发现内含子如何参与基因的转录与翻译变得异常重要。比如，利用一阶和二阶马尔可夫链的方法侦测密码区。1.5 生物分子的计算机模拟

所谓生物分子的计算机模拟就是从分子或者原子水平上的相互作用出发，建立分子体系的数学模型，利用计算机进行模拟实验，预测生物分子的结构和功能，预测动力学及热力学等方面的性质，常用的方法是蒙特卡罗法和模拟退火方法。2 目的上的相似

数学建模与生物信息学都会对大量的数据进行统计和分析，都以解决问题为最终目的，并且以求得满意解为重点，因为有时全局最优解难以得到。另外，数学建模和生物信息学的研究都更强调能否具有实用性。比如生物信息学的机器学习技术中运用到了神经网路或隐马氏模型，但人们目前并不清楚该算法或模型是如何到达解的，即对其具体的机理并不十分了解。但这并不妨碍我们使用这种方法，因为这种方法具有使用成功性和可用性。在这个意义上，数学建模也经常通过此类“黑箱” 操作达到特定解。正如Cynthia Gibas和Per Jambeck在《Developing Bioinformatics Computer Skills》的前言所说，生物信息学“is often less about developing perfectly elegant algorithms than it is about answering practical questions”。从这个意义上说，数学建模与生物信息学有着目的上的相似性。

第四部分 数学建模在生物信息学中的部分应用

1.运用数学模型的预测

1993年Rost和Sander[6]提出了三级网络模型，这种神经网络方法已经成为了蛋白质结构预测普遍采用的方法。2003年闫化军等[7]人也通过神经网络算法预测蛋白质二级结构。2007年林卫中等[8]人将GM(1,1)模型应用于蛋白质二级结构类型的预测，把提取出的蛋白质氨基酸的排列信息作为伪氨基酸成分，从而较大的提高了预测的成功率。2008年邱望仁等[9]人将OET-KNN算法应用于蛋白质二级结构类型的预测，通过LZ复杂度的算法计算了伪氨基酸的成分，再用OET-KNN算法分类预测，从而也较大的提高了预测的成功率。

Bader等[10]人将Logistic回归模型用来预测蛋白质之间的生物学关系，这种运用使得通过遗传学和基因表达数据来分析蛋白质数据成为了可能。2006年王明会等[11]人将Markov链模型应用于蛋白质可溶性的预测，预测精度普遍好于或接近于神经网络、信息论和支持向量机法的结果，而且该模型的运算复杂度低，耗时也更短。2006年张菁晶等[12]人将隐马尔可夫模型运用于目标基因全基因组的预测，同量高、准确度高并且操作简单，尤其在多结构域蛋白家族的预测上优势明显。2008年刘桂霞等[13]人提出了一种带偏差单元的递归神经网络模型。该模型根据BP算法得出权系数调整规则，使得收敛速度比一般的BP网络更快，对于预测蛋白质关联图有一定的实用价值。

2.运用数学模型的数据分析

1997年Carr等[14]研究了大鼠脊髓的基因活动，通过聚类分析证明具有已知相似功能的基因属于一类。2006年张文彤等[15]人综合了聚类方法和进化树分析的优点，通过先聚类将数据拆分，然后根据聚类的类别构建进化树，这种方法可以很好地在大样本数据中应用，并以甲型流感病毒的H3A1序列作为实例，构建拼接出了完整的进化树结果。

2006年徐丽等[16]人针对Viterbi算法和Baum-Welch算法在隐马尔可夫模型（Hidden Markov Model）的参数估计中无法找到全局最优解，提出了基于遗传算法的HMM参数估计，这种方法用于多序列对比研究时可以更好的避免局部最优解。2007年周晓彦等[17]人通过综合模糊数学和核判别方法的优点，提出了一种基于模糊核判别分析的基因表达数据分析方法，并以多发性骨髓瘤的基因表达数据为例证实了这种方法的可行性和精确性。2007年刘万霖等[18]人介绍了构建基因调控网络的多种算法和方法，比如马尔可夫链可以用于分析时间序列微阵列表达数据；将随机和概率等引入布尔网络模型，可以增强基因网络调控的精确性；贝叶斯网络模型在Friedman和Pe’er等人做出了开拓性的工作后，在基因表达数据和调控网络方面得到了快速的发展。

参考文献

[1] 冯杰等.数学建模原理与案例.科学出版社,2007.[2] 高隆昌,杨元著.数学建模基础理论.科学出版社,2007.[3] 戴朝寿,孙世良.数学建模简明教程.高等教育出版社,2007.[4] 陶士珩.生物信息学.科学出版社,2007.[5] DAVID W.MOUNT.生物信息学:中文版.高等教育出版社,2003.[6] Rost B, Sander C.Proc.Natl.Acad.Sci.USA, Biothysics, 1993,90:7558-7562 [7] 闫化军,傅

彦,章

毅等.神经网络方法预测蛋白质二级结构.计算机科学.2003,30(11):48-52 [8] 林卫中, 肖绚.基于GM(1,1)模型的蛋白质二级结构类型预测.计算机工程与应用, 2007, 43(34): 41-45 [9] 邱望仁, 肖绚, 林卫中.基于OET-KNN算法的蛋白质二级结构类型预测.计算机工程与应用, 2008, 44(29): 204-210 [10] Bader JS,Chaudhuri A,Rothberg JM,et al.Gaining confidence in high-throughput protein interaction network.Nat Biotechnol,2004,22: 78-85 [11] 王明会, 李 骜, 王娴等.Markov链模型在蛋白质可溶性预测中的应用.生物医学工程学杂志, 2006, 23(5): 1109-1113 [12] 张菁晶,冯

晶,朱英国.全基因组预测目标基因的新方法及其应用.遗传.2006,28(10):1299-1305 [13] 刘桂霞, 于哲舟, 周春光.基于带偏差递归神经网络蛋白质关联图的预测.吉林大学学报(理学版), 2008, 46(2): 265-270 [14] Carr DB, Somogyi R, Michaels G.Templates for looking at gene expression clustering.Statistical Computing & Statistical Graphics Newsletter, 1997,8:20-29 [15] 张文彤, 姜庆五.聚类技术在大样本序列进化树分析中的应用.中国卫生统计.2006,23(5):393-396 [16] 徐丽,康瑞华.基于遗传算法的HMM参数估计.湖北工业大学学报.2006,21(4):68-71 [17] 周晓彦,郑文明.基于模糊核判别分析的基因表达数据分析方法.华中科技大学学报(自然科学版), 2007, 35(I): 173-176 [18] 刘万霖,李

栋,朱云平等.基于微阵列数据构建基因调控网络.遗传,2007,29(12):1434-1442 8

第三篇：如何在教学中渗透数学模型思想

如何在教学中渗透数学模型思想

“数学模型思想作为一种重要的数学思想方法之一, 它更多体现的是一种思维方式和品质, 相对于数学模型而言, 作为一种意识形态的模型思想更加关注学习的过程和体验”。简单地说,我认为学生在探索、获得数学模型的过程中, 也同时获得了构建数学模型、解决实际问题的思想、程序与方法, 而这对学生的发展来说, 其意义远大于仅仅获得某些数学知识。结合自己十几年数学的教学实践，以五年级数学上册《梯形的面积计算》一课为例，谈谈自己的一些见解。

师: 同学们!我们已经认识了梯形,今天我们继续来研究梯形。那今天你们打算研究梯形的什么知识呢?

生1: 梯形的周长。

生2: 我们可以研究梯形的面积。

生3: 梯形有什么用?

…

师小结: 同学们谈到的都很有价值, 那今天我们就首先一起来研究“梯形的面积”。(出示课题)

师: 对于梯形的面积, 你们已经有了哪些了解和认识呢?

生4: 我知道梯形的面积计算公式是: 梯形面积=(上底+下底)×高÷2。…

师: 真了不起!同学们知道了很多关于梯形面积的知识, 那同学们是否知道为什么梯形面积=(上底+下底)×高÷2 吗?

(无人有反应, 生4表示为难)

师:(假装惊讶)竟然没有人知道啊?那刚才同学们的观点是否正确呢?(生疑惑)今天我们一起就专门来研究和探讨这个问题..由于“小学阶段的数学模型主要都是确定性数学模型, 一般呈现的方式主要包括概念、法则、公式、性质、数量关系”等等, 但这并不表示知识技能就能取代或者等同于思维过程和方法。以上述《梯形的面积计算》一课来说,梯形的面积计算公式“S 梯形=(上底+下底)×高÷2”作为一种确定性数学模型, 早已经被学生所掌握和了解。如果单纯从知识技能的角度出发, 学生基本已经具备了计算梯形面积的能力,但我们教学目标的追求如果仅限于此的话, 那无疑学生的思维品质和数学思想素养在这样的课堂教学中并不能得到真正的提高和发展, 数学模型也就成了一个有形无实的空心萝卜, 并不具有多少营养, 它只是作为一种知识技能从一个学生复制给了另一个学生。因此, 我认为数学模型不是课堂教学的唯一目标, 也不是最终目标, 我们更应该关注建构获取数学模型的整个过程。俗话说“授人以鱼, 不如授人以渔”, 讲的就是同样一个道理。因此, 我们只有从知识技能、数学思考、问题解决、情感态度等多个维度出发, 并同时赋予数学模型以丰富的数学内涵, 才能为培养和发展学生的模型思想。

第四篇：教学中运用现代教育技术的几点体会

教学中运用现代教育技术的几点体会

自己在语文教学中运用现代教育技术的几点做法分述如下，希望能得到有关教育界同行的共鸣。

一、运用多媒体导入，创设情境，能调动学生的学习积极性

在导入新课时，良好的教育情景是能调动学生积极性，使其全身心地投入到教学当中来的一大重要因素。我在教学《地震中的父与子》这篇课文时，学生不清楚地震后发生的一些故事。我为了弥补这个不足，把网上下载的资料播放给学生看。特别播出一个片段：5.12地震后，一位父亲用自己的双手在废墟中整整挖了三天三夜，在武警战士的帮助下，终于挖出了自己的儿子，可惜已经死了，而这位父亲的指甲全掉光了，食指的第一节骨头也都挖断了。学生观看了视频后，很快被视频中的场面所感动。弥补了教师口述所不能达到的效果，由于作好了铺垫，学生在学习这课时，很快投入其中，感受地震给人类带来的危害和地震中的对不起的父子，同学情绪十分高涨，教学效果也十分明显。

二、运用多媒体展示过程，能加深理解课文内容，突破难点。

三年级教材第10课《捞铁牛》，怀丙和尚利用水的浮力把铁牛从河底的淤泥中捞起来，由于三年级的学生对浮力的概念和作用不太清楚。我就设计了这样的课件：两艘并排的船上搭好架子，装满泥沙，当架子上的绳子与水底的铁牛连接好后。工匠们拼命地往河里铲泥沙。随着船里的泥沙渐渐减少，船身慢慢上升，绳子越绷越紧，铁牛也随之上升。当船里的泥沙铲完后，铁牛离开河底，摇船离开，河底铁牛也跟上前行。整个过程十分清楚明了，很快学生明白了“大水冲走，又叫水送回来”这个难点，加深了对课文内容的理解。

语文教材中有很多的内容，仅靠学生的凭空想象，是很难对课文有一个透彻的理解，现代教育技术正好弥补了缺陷，能把整件事情的过程展示出来，突破难点，让学生在轻松愉快的氛围中感受学习的快乐。

三、用电子计算机配乐朗读，能增强学生美感，陶冶情操。

现代教育技术为学生有感情地朗读带来极大方便。在教学小学语文第五册《古诗二首》中的绝句一课时。先在屏幕上呈现了成都外浣君汉草堂明媚秀丽的景色：两只美丽的鸟在枝头叫，一行白鹭在天空飞翔，可以看见门前不化的积雪，门外停泊的要到万里之外去的船只。有这样的情景后，同时我又播放配好音乐的诗歌朗诵录音，一曲曲优美的旋律，使学生深深领悟到诗的意境。这样化静为动，化虚为实，随着悠扬的乐曲声，加上学生的朗读声，学生仿佛置身于美丽的草堂，感受着诗人当时所描写的情景，增强学生感受美、欣赏美的能力。

总之，把现代教育技术应用于语文教学中，可以更好地创设情境调动学生的积极性，弥补教师枯燥无味的讲解；更好展示过程，加深对课文内容的理解，让孩子们轻松愉快地学习；在陶治学生情操，培养美感，欣赏美，感受美也是功不可没，更主要使学生实践能力得到进一步的加强。现代信息技术真正走进教学课堂是教育现代的发展趋势，是培养学生能力的重要途径。

第五篇：《背影》教学中多媒体运用的一点体会

《背影》教学中多媒体运用的一点体会

“人类一次比印刷术、电话和电视更大的技术革命”——多媒体技术，进入中学语文课堂，以其生动活泼、丰富多彩，增加了教材的直观性、形象性、生动性，不仅为教师提供直观、形象、高效率的教学手段，也同样为学生的语文学习、智力培养、素质提高提供了有效途径。

运用多媒体手段进行教学，是用特定的、优美的音乐来渲染情境，用影视、图片等图像资料来显示情境，用变化的或醒目的文字来诠释情境。

多媒体教学要求教师在具体的教学过程中，根据不同的教学目标和不同的教学对象的特点，通过周密的教学设计，合理选择和灵活运用现代化教学媒体，并结合传统教学手段，共同参与教学全过程。

现在对多媒体教学，比较多的担心是：图像把人和景直观化固定化，可能抑制学生通过抽象的文字进行想象的能力，也可能因此限制学生的创造力。原本通过文字，可以“一千个读者心中有一千个哈姆雷特。但多媒体却可能大大束缚学生的想象和创造的空间。

本课——《背影》中，经典课文的经典桥段：父亲为儿艰难买橘，以往的教学是朗读和讨论：关于人物描写，关于“深深的无微不至的父爱”主旨的解读，现在，在传统教学的基础上，再配上观看“电视散文”：一段相关影片，再让影片变成“无声电视散文”，让学生结合课文内容，为电视散文配音，学生学习的积极性一下高涨——借助配音的多次变相朗读，让学生印象深刻，对课文“爱”的体悟自然也加深了。

可见，在这方面，其实关键还是教师如何设计教学环节，多媒体何时用，如何用的问题。——把多媒体教学定位于辅助教学，定位于“加强感受”，恰到好处地安排教学时间，还是能解决这一问题的。

声像文相结合，打破教室四十五分钟的时空限制，让语言文字所描述的内容变成形、声结合的画面图式，让静态的审美对象活跃起来成为动态，动静结合虚实相生引发大量的联想和想象，多媒体教学，帮助我们创设出一个崭新的语文教学审美时空。