用数学建模解决身边的经济问题案例及分析

第一篇：用数学建模解决身边的经济问题案例及分析

用数学建模解决身边的经济问题案例及分析

许多专科学校都开设了各种形式的数学建模课程和讲座，我校也在1996年开设了数学建模课程，同年开始参加全国大学生数学建模竞赛。经过近20年的建设，数学建模课程已被评为校级精品课，越来越多的学生也开始对数学建模这门课程产生了兴趣。但这门课程对数学素质的要求比较高，很多学生在学习中很难理解和接受，尤其经济、管理类专业的学生，觉得这门课程枯燥乏味，晦涩难懂，和本专业好像联系不大，从而产生厌学思想。本文根据笔者多年教学实践和探索，将身边的经济问题转化为数学问题，建立数学模型，用数学方法加以解决，让学生对数学建模产生兴趣，在讲解经济数学的同时掌握了常见的数学建模方法，这样极大地提高了学生学习数学的兴趣，取得了较好的教学效果。

二、教学案例

（一）是买还是租

随着人们生活水平的提高，越来越多的人们开始拥有了私家车，随着买车市场的繁荣，租车市场也日渐兴起。那么，到底是买车划算还是租车划算呢，下面我们用建模的思想对此问题加以解决。

即在此期间，万美元GDP环境负荷应降低2.04倍。

以上是笔者在经济数学课程教学中将数学建模融入其中的几个教学案例，当然还有很多需要完善和改进的地方。用数学定量地解决经济、管理科学和经济、管理实践中的问题，恰当地建立于这些问题有关的数学模型是关键。培养学生具有一定的数学素养、掌握一定的数学建模能力，对当前培养创新型和应用型人才显得尤为重要。

参考文献：

[1] 母丽华，周永芳.数学建模[M].科学出版社，2011

[2] 彭红军，张伟，李媛.微积分[M].机械工业出版社，2013

[3] 谭永基等.经济管理数学模型案例教程[M].高等教育出版社，2006

[4] 钱和平，徐青舟.数学建模融入经济数学教学中的案例及分析[J].大学数学，2012（6）

（责编：贾伟）

第二篇：小学数学建模案例

小学数学建模案例

相遇问题。①创设问题情境，激发学生的求知欲。先请两位同学在黑板的两边同时相向而行，可以让学生重复多走几次。接着可以问同学们看到了什么。学生的回答会有很多，如：他们在中间碰到了；两个人面对面在走；两个人背对背在走„„此时就可以引入相遇问题中的一些条件：同时出发、相向而行、相背而行、途中相遇。当学生对此有一定的了解之后就可以举一个具体的例子来进入教学重点了。例如：甲乙两车同时从A、B两地相向而行，在距A地80千米处相遇，相遇后两车继续前进，甲车到达B地、乙车到达A地后均立即返回，第二次在距A地60千米处相遇。求A、B两地间的路程。②抽象概括，建立模型，导入学习课题。此题可以将整个过程用线段图来形象地描述，这就是这个相遇问题建立的数学模型。③研究模型，形成数学知识。

总结出一般规律之后可以举个例子让学生做，看看学生是否已经掌握，是否会应用这个规律来解决实际问题。如：两艘渡轮在同一时刻垂直驶离H河的甲、乙两岸相向而行，它们在距离甲岸720米处相遇。到达预定地点后，每艘船都要停留10分钟，以便让乘客上船下船，然后返航。这两艘在距离乙岸4OO米处又重新相遇。问：该河的宽度是多少?可以请两位同学到黑板上来做，其他同学做在作业本上，然后讲解，并充分肯定学生的表现，增强学生的学习积极性。案例二：小学高年级数学教学时会遇到“牛吃草问题”，牛吃草问题又称消长问题或牛顿牧场，是17世纪英国伟大的科学家牛顿提出来的。典型牛吃草问题的条件是假设草的生长速度固定不变，不同头数的牛吃光同一片草地所需的天数各不相同，求若干头牛吃这片草地可以吃多少天。

由于吃的天数不同，草又是天天在生长的，所以草的存量随牛吃的天数不断变化。例：牧场上一片青草，每天牧草都匀速生长，这片草地可供l0头牛吃20天，或者可以供l5头牛吃10天，问：可供25头牛吃几天?分析：这类题目难就难在牧场上草的数量每天都在发生变化，我们要想办法从变化当中找到不变的量。总草量可以分为牧场上原有的草和新长出来的草两部分。牧场上原有的草是不变的，新长出来的草虽然在变化，因为是匀速生长，所以这片草地每天新长出的草的数量相同，即每天新长出的草是不变的。下面就要设法计算出原有的草量和每天新长出的草这两个不变的量。

运用，J学数学建模解决此类问题时，要充分发挥学生的自主性，教师需要一步一步地引导学生建立数学模型。解决牛吃草问题的数学模型如下：假定一头牛一天吃草量为“1”。①草的生长速度=(对应的牛头数×吃的较多天数一相应的牛头数X吃的较少天数)；②原有草量=牛头数x吃的天数一草的生长速度X吃的天数；③吃的天数=原有草量÷(牛头数一草的生长速度)；④牛头数=原有草量÷吃的天数+草的生长速度。由于小学数学建模是让学生掌握新的知识、提高新的能力为目的，那么让学生掌握和理解所建立的数学模型尤为重要，并且在理解的基础上还要学会应用。牛吃草问题相关的数学问题还有很多，如：①有一个灌溉用的中转水池，一直开着进水管往里灌水，一段时间后，用2台抽水机排水，则用40分钟能排完；如果用4台同样的抽水机排水，则用16分钟排完。

问如果计划用10分钟将水排完，需要多少台抽水机?②有一口很深的水井，连续不断涌出泉水。使用17架抽水机来抽水，30分钟可以将水抽干。若使用19架抽水机，则24分钟就可以将水井抽干。现在有若干架抽水机在抽水，6分钟后，撤走4架抽水机，再过2分钟后，水井被抽干。那么原来有抽水机多少架?③物美超市的收银台平均每小时有60名顾客前来排队付款，每一个收银台每小时能应付80名顾客付款。某天某时刻，超市如果只开设一个收银台，付款开始4小时就没有顾客排队了，问如果当时开设两个收银台，则付款开始几个小时就没有顾客排队了?

第三篇：高中生家庭教育案例分析及解决策略

高中生家庭教育案例分析及解决策略

[ 2009-12-24 15:31:00 | By: 郁菊丽 ]

高中生家庭教育案例分析及解决策略

一个孩子的成长是多方面因素影响的结果，家庭教育、学校教育、社会教育是教育的三大支柱，三者缺一不可。家庭教育是一门科学和艺术，与学校教育相比，它更侧重于良好的品德、行为、习惯的培养，侧重于健康的心理的培养。而这样的培养对学生的一生都有着重大的影响。不同的方式会产生不同的影响,不同的方式会产生不同的结果。因而怎样选择一种适当的教育方式就成为广大学生及家长极为关心的问题。英国著名社会学家斯宾塞曾说过：“无论是从父母本身的幸福来看，或是从对子女和后代的性格和生活的影响看，我们都必须承认，懂得对儿童少年进行体育、智育、德育的正确方法是非常重要的知识。这应该是每个男女所受教育中的最后课题。” 从我国目前家庭教育现实情况来看，“家教误区”还相当普遍。当孩子的成绩出现明显波动时，当朝气蓬勃的脸上失去笑容时，我们知道，这背后肯定有着许多故事，而这故事大多数会来自家庭教育。

十六七岁的年龄正是青春期身体和心理发育最为剧烈的时期，国外有学者形容这一阶段是“骚动的、矛盾的、动荡的、暴风雨式的时期”。处在这个特殊时期的高中生,伴随着成长的欣喜、生活的苦恼、学习的压力、情感的吸引，种种感情交织在一起，年轻的心变得十分敏感和冲动，这就需要家长及时发现，及时沟通，及时解决。下面结合我在担任班主任工作期间遇到的真实的案例,谈一谈如何走出家庭教育误区，让孩子更加快乐、健康地成长。

民主平等的交流，培养孩子的独立自主意识

进入青春期后的青少年，最主要表现是独立活动的愿望变得越来越强烈，但由于缺乏生活经验不能正确理解自尊，只是强烈要求别人把他们看作成人。这个时期的孩子，尽管自我意识发展了，但自我控制能力还很差，常会无意识地违反纪律。他们喜欢与人争论，但论据不足；喜欢发表见解，却又判断不准；喜欢批评别人，但又容易片面；喜欢怀疑别人，却又缺乏科学依据。

如果这时家长还把他们当孩子来看待，他们就会厌烦，就会觉得伤害了他们的自尊心，就会产生反抗的心理，萌发对立的情绪。因此，家长必须学习一些心理学的知识，尊重孩子的自尊心，要尽可能支持他们，尤其在他们遇到困难、失败的时候，和他们平等交流，帮助他们分析事物、明辨是非，正确处理。另一方面，家长又不能过于迁就孩子的不合理的要求和不良的行为，以防孩子以后总是用反抗的方式来要挟父母，达到自己的目的。对于比较严重的反抗行为，家长可以采取奖赏训练的方法，强化孩子的顺从行为。

案例：王某，男生。第一次在班里自我介绍时，声称自己有极强的正义感，要拯救整个世界，因为现在社会上的阴暗面太多。在写的周记反思中，更多的是偏激、批判和叛逆的语言。很难想象，这是一个中学生写出来的文章。父母忧心忡忡地找到我，共同商量对策。他们也讲了在家里的一些情况：特别喜欢看武侠游戏类的动漫书。自初中以来，与父母的交流越来越少，总是与家长的观点格格不入，没有共同语言。其实，这个男孩在学校的其他表现还是很不错的：对班级工作非常积极负责，对同学也很热心，成绩也不错。应该说是一个很有号召力的人。与家长交流后，我首先肯定了这个孩子身上的闪光点，然后分析了几点原因：

1、除了武侠游戏类的动漫书，篮球书，其他书几乎不看，电视新闻也毫无兴趣。那么，动漫书上的一些“暴力”、“行侠仗义”对其思想会有较大影响。

2、父母强行没收了他“心爱”的动漫书。

3、当对某事发表自己的看法时，总被父母认为是奇谈怪论，然后全盘否定，再进行“洗脑”。久而久之，这个男孩就不愿意与父母多交流，生怕再被他们批判。中学生生理、心理各方面发展还很不成熟，是非辨别的能力也不强。如果这时候家长没有好好引导，很容易就会出现这种叛逆、偏激的心理，往往就不能正确对待家长的一片苦心、老师的批评教育。有时，他们会怀疑一切、目空一切，对正面宣传作反面思考，对榜样及先进人物无端否定，对不良倾向产生情感认同，对思想教育、遵章守纪要求消极抵抗。男孩的家长回去后采取了以下对策：

1、鼓励孩子多看新闻，时事评论性杂志，拓展知识面，开阔眼界，正确看待、评价周围的人和事；

2、多听听孩子的心声，让孩子发表自己的看法，然后加以正面的引导；

3、设定切实目标，品德方面——做受欢迎的人，有责任心的人；工作能力方面——多为集体做事，多帮助周围的同学；学习成绩方面——争取保持班级前五名。半年下来，这个男生被评为了校三好学生，受到了老师和同学的肯定，家长也感到非常欣慰。

以上案例虽然是个案，但从中可以从个性问题看到的共性问题，从特殊性看到一般性，同时分析这些案例，可以更好的了解学生的心理，有针对性地开展工作。

教师要了解学生，了解学生的心理，教师应是学生最信赖的人、最想倾诉的人。”愿我们走近学生，走进学生的心灵，做学生心灵的开拓者

第四篇：数学建模各种分析方法

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,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。

在算法上，主成分分析和因子分析很类似，不过，在因子分析中所采用的协方差矩阵的对角元素不在是变量的方差，而是和变量对应的共同度（变量方差中被各因子所解释的部分）。

3.聚类分析(Cluster Analysis)

聚类分析是直接比较各事物之间的性质，将性质相近的归为一类，将性质差别较大的归入不同的类的分析技术。

在市场研究领域，聚类分析主要应用方面是帮助我们寻找目标消费群体，运用这项研究技术，我们可以划分出产品的细分市场，并且可以描述出各细分市场的人群特征，以便于客户可以有针对性的对目标消费群体施加影响，合理地开展工作。

4.判别分析(Discriminatory Analysis)

判别分析(Discriminatory Analysis)的任务是根据已掌握的1批分类明确的样品，建立较好的判别函数，使产生错判的事例最少，进而对给定的1个新样品，判断它来自哪个总体。

根据资料的性质，分为定性资料的判别分析和定量资料的判别分析；采用不同的判别准则，又有费歇、贝叶斯、距离等判别方法。

费歇（FISHER）判别思想是投影，使多维问题简化为一维问题来处理。选择一个适当的投影轴,使所有的样品点都投影到这个轴上得到一个投影值。对这个投影轴的方向的要求是：使每一类内的投影值所形成的类内离差尽可能小，而不同类间的投影值所形成的类间离差尽可能大。

贝叶斯（BAYES）判别思想是根据先验概率求出后验概率，并依据后验概率分布作出统计推断。所谓先验概率,就是用概率来描述人们事先对所研究的对象的认识的程度；所谓后验概率，就是根据具体资料、先验概率、特定的判别规则所计算出来的概率。它是对先验概率修正后的结果。

距离判别思想是根据各样品与各母体之间的距离远近作出判别。即根据资料建立关于各母体的距离判别函数式，将各样品数据逐一代入计算，得出各样品与各母体之间的距离值，判样品属于距离值最小的那个母体。5.对应分析(Correspondence Analysis)

对应分析是一种用来研究变量与变量之间联系紧密程度的研究技术。

运用这种研究技术，我们可以获取有关消费者对产品品牌定位方面的图形，从而帮助您及时调整营销策略，以便使产品品牌在消费者中能树立起正确的形象。

这种研究技术还可以用于检验广告或市场推广活动的效果，我们可以通过对比广告播出前或市场推广活动前与广告播出后或市场推广活动后消费者对产品的不同认知图来看出广告或市场推广活动是否成功的向消费者传达了需要传达的信息。

6.典型相关分析

典型相关分析是分析两组随机变量间线性密切程度的统计方法，是两变量间线性相关分析的拓广。各组随机变量中既可有定量随机变量，也可有定性随机变

量(分析时须F6说明为定性变量)。本法还可以用于分析高维列联表各边际变量的线性关系。注意：

1．严格地说，一个典型相关系数描述的只是一对典型变量之间的相关，而不是两个变量组之间的相关。而各对典型变量之间构成的多维典型相关才共同揭示了两个观测变量组之间的相关形式。

2．典型相关模型的基本假设和数据要求

要求两组变量之间为线性关系，即每对典型变量之间为线性关系；

每个典型变量与本组所有观测变量的关系也是线性关系。如果不是线性关系，可先线性化：如经济水平和收入水平与其他一些社会发展水之间并不是线性关系，可先取对数。即log经济水平，log收入水平。3．典型相关模型的基本假设和数据要求

所有观测变量为定量数据。同时也可将定性数据按照一定形式设为虚拟变量后，再放入典型相关模型中进行分析。

7.多维尺度分析(Multi-dimension Analysis)

多维尺度分析(Multi-dimension Analysis)是市场研究的一种有力手段，它可以通过低维空间（通常是二维空间）展示多个研究对象（比如品牌）之间的联系，利用平面距离来反映研究对象之间的相似程度。由于多维尺度分析法通常是基于研究对象之间的相似性（距离）的，只要获得了两个研究对象之间的距离矩阵，我们就可以通过相应统计软件做出他们的相似性知觉图。

在实际应用中，距离矩阵的获得主要有两种方法：一种是采用直接的相似性评价，先所有评价对象进行两两组合，然后要求被访者所有的这些组合间进行直接相似性评价，这种方法我们称之为直接评价法；另一种为间接评价法，由研究人员根据事先经验，找出影响人们评价研究对象相似性的主要属性，然后对每个研究对象，让被访者对这些属性进行逐一评价，最后将所有属性作为多维空间的坐标，通过距离变换计算对象之间的距离。

多维尺度分析的主要思路是利用对被访者对研究对象的分组，来反映被访者对研究对象相似性的感知，这种方法具有一定直观合理性。同时该方法实施方便，调查中被访者负担较小，很容易得到理解接受。当然，该方法的不足之处是牺牲了个体距离矩阵，由于每个被访者个体的距离矩阵只包含1与0两种取值，相对较为粗糙，个体距离矩阵的分析显得比较勉强。但这一点是完全可以接受的，因为对大多数研究而言，我们并不需要知道每一个体的空间知觉图。

多元统计分析是统计学中内容十分丰富、应用范围极为广泛的一个分支。在自然科学和社会科学的许多学科中，研究者都有可能需要分析处理有多个变量的数据的问题。能否从表面上看起来杂乱无章的数据中发现和提炼出规律性的结论，不仅对所研究的专业领域要有很好的训练，而且要掌握必要的统计分析工具。对实际领域中的研究者和高等院校的研究生来说，要学习掌握多元统计分析的各种模型和方法，手头有一本好的、有长久价值的参考书是非常必要的。这样一本书应该满足以下条件：首先，它应该是“浅入深出”的，也就是说，既可供初学者入门，又能使有较深基础的人受益。其次，它应该是既侧重于应用，又兼顾必要的推理论证，使学习者既能学到“如何”做，而且在一定程度上了解“为什么”这样做。

最后，它应该是内涵丰富、全面的，不仅要基本包括各种在实际中常用的多元统计分析方法，而且还要对现代统计学的最新思想和进展有所介绍、交代。因子分析

主成分分析通过线性组合将原变量综合成几个主成分，用较少的综合指标来代替原来较多的指标(变量)。在多变量分析中，某些变量间往往存在相关性。是什么原因使变量间有关联呢？是否存在不能直接观测到的、但影响可观测变量变化的公共因子？因子分析(Factor Analysis)就是寻找这些公共因子的模型分析方法，它是在主成分的基础上构筑若干意义较为明确的公因子，以它们为框架分解原变量，以此考察原变量间的联系与区别。

例如，随着年龄的增长，儿童的身高、体重会随着变化，具有一定的相关性，身高和体重之间为何会有相关性呢？因为存在着一个同时支配或影响着身高与体重的生长因子。那么，我们能否通过对多个变量的相关系数矩阵的研究，找出同时影响或支配所有变量的共性因子呢？因子分析就是从大量的数据中“由表及里”、“去粗取精”，寻找影响或支配变量的多变量统计方法。

可以说，因子分析是主成分分析的推广，也是一种把多个变量化为少数几个综合变量的多变量分析方法，其目的是用有限个不可观测的隐变量来解释原始变量之间的相关关系。

因子分析主要用于：

1、减少分析变量个数；

2、通过对变量间相关关系探测，将原始变量进行分类。即将相关性高的变量分为一组，用共性因子代替该组变量。

1.因子分析模型

因子分析法是从研究变量内部相关的依赖关系出发，把一些具有错综复杂关系的变量归结为少数几个综合因子的一种多变量统计分析方法。它的基本思想是将观测变量进行分类，将相关性较高，即联系比较紧密的分在同一类中，而不同类变量之间的相关性则较低，那么每一类变量实际上就代表了一个基本结构，即公共因子。对于所研究的问题就是试图用最少个数的不可测的所谓公共因子的线性函数与特殊因子之和来描述原来观测的每一分量。

因子分析模型描述如下：

（1）X =(x1，x2，…，xp)￠是可观测随机向量，均值向量E(X)=0，协方差阵Cov(X)=∑，且协方差阵∑与相关矩阵R相等（只要将变量标准化即可实现）。

（2）F =(F1，F2，…，Fm)￠（m

（3）e =(e1，e2，…，ep)￠与F相互独立,且E(e)=0, e的协方差阵∑是对角阵，即各分量e之间是相互独立的，则模型：

x1 = a11F1+ a12F2 +…+a1mFm + e1

x2 = a21F1+a22F2 +…+a2mFm + e2

………

xp = ap1F1+ ap2F2 +…+apmFm + ep

称为因子分析模型，由于该模型是针对变量进行的，各因子又是正交的，所以也称为R型正交因子模型。

其矩阵形式为:

x =AF + e.其中：

x=，A=，F=，e=

这里，（1）m ￡ p；

（2）Cov(F,e)=0，即F和e是不相关的；

（3）D(F)= Im，即F1,F2,…,Fm不相关且方差均为1；

D(e)=，即e1,e2,…,ep不相关，且方差不同。

我们把F称为X的公共因子或潜因子，矩阵A称为因子载荷矩阵，e 称为X的特殊因子。

A =(aij)，aij为因子载荷。数学上可以证明，因子载荷aij就是第i变量与第j因子的相关系数，反映了第i变量在第j因子上的重要性。

2.模型的统计意义

模型中F1，F2，…，Fm叫做主因子或公共因子，它们是在各个原观测变量的表达式中都共同出现的因子，是相互独立的不可观测的理论变量。公共因子的含义，必须结合具体问题的实际意义而定。e1，e2，…，ep叫做特殊因子，是向量x的分量xi(i=1,2,…,p)所特有的因子，各特殊因子之间以及特殊因子与所有

公共因子之间都是相互独立的。模型中载荷矩阵A中的元素(aij)是为因子载荷。因子载荷aij是xi与Fj的协方差，也是xi与Fj的相关系数，它表示xi依赖Fj的程度。可将aij看作第i个变量在第j公共因子上的权，aij的绝对值越大(|aij|￡1)，表明xi与Fj的相依程度越大，或称公共因子Fj对于xi的载荷量越大。为了得到因子分析结果的经济解释，因子载荷矩阵A中有两个统计量十分重要，即变量共同度和公共因子的方差贡献。

因子载荷矩阵A中第i行元素之平方和记为hi2，称为变量xi的共同度。它是全部公共因子对xi的方差所做出的贡献，反映了全部公共因子对变量xi的影响。hi2大表明x的第i个分量xi对于F的每一分量F1，F2，…，Fm的共同依赖程度大。

将因子载荷矩阵A的第j列(j =1,2,…,m)的各元素的平方和记为gj2，称为公共因子Fj对x的方差贡献。gj2就表示第j个公共因子Fj对于x的每一分量xi(i=1,2,…,p)所提供方差的总和，它是衡量公共因子相对重要性的指标。gj2越大，表明公共因子Fj对x的贡献越大,或者说对x的影响和作用就越大。如果将因子载荷矩阵A的所有gj2(j =1,2,…,m)都计算出来，使其按照大小排序，就可以依此提炼出最有影响力的公共因子。

3.因子旋转

建立因子分析模型的目的不仅是找出主因子，更重要的是知道每个主因子的意义，以便对实际问题进行分析。如果求出主因子解后，各个主因子的典型代表变量不很突出，还需要进行因子旋转，通过适当的旋转得到比较满意的主因子。

旋转的方法有很多，正交旋转(orthogonal rotation)和斜交旋转(oblique rotation)是因子旋转的两类方法。最常用的方法是最大方差正交旋转法(Varimax)。进行因子旋转，就是要使因子载荷矩阵中因子载荷的平方值向0和1两个方向分化，使大的载荷更大，小的载荷更小。因子旋转过程中，如果因子对应轴相互正交，则称为正交旋转；如果因子对应轴相互间不是正交的，则称为斜交旋转。常用的斜交旋转方法有Promax法等。

4.因子得分

因子分析模型建立后，还有一个重要的作用是应用因子分析模型去评价每个样品在整个模型中的地位，即进行综合评价。例如地区经济发展的因子分析模型建立后，我们希望知道每个地区经济发展的情况，把区域经济划分归类，哪些地区发展较快，哪些中等发达，哪些较慢等。这时需要将公共因子用变量的线性组合来表示，也即由地区经济的各项指标值来估计它的因子得分。

设公共因子F由变量x表示的线性组合为:

Fj = uj1 xj1+ uj2 xj2+…+ujpxjp

j=1,2,…,m

该式称为因子得分函数，由它来计算每个样品的公共因子得分。若取m=2，则将每个样品的p个变量代入上式即可算出每个样品的因子得分F1和F2，并将其在平面上做因子得分散点图，进而对样品进行分类或对原始数据进行更深入的研究。

但因子得分函数中方程的个数m小于变量的个数p，所以并不能精确计算出因子得分，只能对因子得分进行估计。估计因子得分的方法较多，常用的有回归估计法，Bartlett估计法，Thomson估计法。

（1）回归估计法

F = X b = X(X ￠X)-1A￠ = XR-1A￠

(这里R为相关阵，且R = X ￠X)。

（2）Bartlett估计法

Bartlett估计因子得分可由最小二乘法或极大似然法导出。

F = [(W-1/2A)￠ W-1/2A]-1(W-1/2A)￠ W-1/2X =(A￠W-1A)-1A￠W-1X

（3）Thomson估计法

在回归估计法中，实际上是忽略特殊因子的作用，取R = X ￠X，若考虑特殊因子的作，此时R = X ￠X＋W，于是有：

F = XR-1A￠ = X(X ￠X＋W)-1A￠

这就是Thomson估计的因子得分，使用矩阵求逆算法(参考线性代数文献)可以将其转换为：

F = XR-1A￠ = X(I+A￠W-1A)-1W-1A￠

5.因子分析的步骤

因子分析的核心问题有两个：一是如何构造因子变量；二是如何对因子变量进行命名解释。因此，因子分析的基本步骤和解决思路就是围绕这两个核心问题展开的。

（i）因子分析常常有以下四个基本步骤：

（1）确认待分析的原变量是否适合作因子分析。

（2）构造因子变量。

（3）利用旋转方法使因子变量更具有可解释性。

（4）计算因子变量得分。

（ii）因子分析的计算过程：

（1）将原始数据标准化，以消除变量间在数量级和量纲上的不同。

（2）求标准化数据的相关矩阵；

（3）求相关矩阵的特征值和特征向量；

（4）计算方差贡献率与累积方差贡献率；

（5）确定因子：

设F1，F2，…, Fp为p个因子，其中前m个因子包含的数据信息总量（即其累积贡献率）不低于80%时，可取前m个因子来反映原评价指标；

（6）因子旋转：

若所得的m个因子无法确定或其实际意义不是很明显，这时需将因子进行旋转以获得较为明显的实际含义。

（7）用原指标的线性组合来求各因子得分：

采用回归估计法，Bartlett估计法或Thomson估计法计算因子得分。

（8）综合得分

以各因子的方差贡献率为权，由各因子的线性组合得到综合评价指标函数。

F =(w1F1+w2F2+…+wmFm)／(w1+w2+…+wm)

此处wi为旋转前或旋转后因子的方差贡献率。

（9）得分排序：利用综合得分可以得到得分名次。

在采用多元统计分析技术进行数据处理、建立宏观或微观系统模型时，需要研究以下几个方面的问题：

· 简化系统结构，探讨系统内核。可采用主成分分析、因子分析、对应分析等方法，在众多因素中找出各个变量最佳的子集合，从子集合所包含的信息描述多变量的系统结果及各个因子对系统的影响。“从树木看森林”，抓住主要矛盾，把握主要矛盾的主要方面，舍弃次要因素，以简化系统的结构，认识系统的内核。

· 构造预测模型，进行预报控制。在自然和社会科学领域的科研与生产中，探索多变量系统运动的客观规律及其与外部环境的关系，进行预测预报，以实现对系统的最优控制，是应用多元统计分析技术的主要目的。在多元分析中，用于预报控制的模型有两大类。一类是预测预报模型，通常采用多元线性回归或逐步回归分析、判别分析、双重筛选逐步回归分析等建模技术。另一类是描述性模型，通常采用聚类分析的建模技术。

· 进行数值分类，构造分类模式。在多变量系统的分析中，往往需要将系统性质相似的事物或现象归为一类。以便找出它们之间的联系和内在规律性。过去许多研究多是按单因素进行定性处理，以致处理结果反映不出系统的总的特征。进行数值分类，构造分类模式一般采用聚类分析和判别分析技术。

如何选择适当的方法来解决实际问题，需要对问题进行综合考虑。对一个问题可以综合运用多种统计方法进行分析。例如一个预报模型的建立，可先根据有关生物学、生态学原理，确定理论模型和试验设计；根据试验结果，收集试验资料；对资料进行初步提炼；然后应用统计分析方法(如相关分析、逐步回归分析、主成分分析等)研究各个变量之间的相关性，选择最佳的变量子集合；在此基础上构造预报模型，最后对模型进行诊断和优化处理，并应用于生产实际。

第五篇：数学建模及大学生数学建模竞赛

数学建模及大学生数学建模竞赛

近几十年来，随着科学技术的进步，特别是电子计算机的诞生和不断完善，数学的应用已不再局限于物理学等传统领域，生态学、环境科学、医学、经济学、信息科学、社会科学及一些交叉学科都提出大量有待解决的实际研究课题。要用定量分析的方法解决这些实际问题，十分关键而又十分困难的一步就是要建立恰当的数学模型。建立数学模型的过程需要把错综复杂的实际问题抽象为简单合理的数学结构，要做到这一点，既需要丰富的想象力，又需要去寻找较合适的数学工具，从某种意义上讲，它是能力与知识的综合运用。

一、什么是数学建模

数学建模（Mathematical Modeling）简单地说就是建立数学模型的过程。

二、数学建模的起源

数学建模并不是新东西（尽管过去很长时间这一术语用得很少），可以说有了数学并要用数学去解决实际问题就一定要用数学的语言、方法去近似地刻划实际问题，而这种刻划的数学表述就是一个数学模型，其过程就数学建模过程。

三、数学建模的教学与数学素质的培养

众所周知人才培养是关键，数学模型方法已成为科学技术中常用的非常重要的方法，它是数学和其他科学技术之间的媒介和桥梁。同时数学建模的研究有了长足的进步，又有得心应手、强有力的计算机作为工具，因而必然会有人考虑到数学教育中一个不可缺少的内容应该是数学建模等数学的应用的内容。数学建模教学要求对学生以下几个方面的能力进行培养。

四、大学生数学建模竞赛

我国在高校中开设数学建模课程始于1982年，但当时只有少数重点院校作为选修课程来开设，可以说是自发的、民间，因而数学建模课程并未受到人们的重视。数学建模课程真正被许多高校融入主干课程，被国家教委、国家教育部重视，却是得益于大学生数学建模竞赛。可以说数学建模竞赛是目前我国设立的最成功的一项竞赛，它促进了各高校数学建模教学和数学建模活动的逢勃发展。