常见数学建模问题.docVIP

1、已知如下点列，求其回归直线方程，并计算最小误差平方和 x 0.1 0.11 0.12 0.13 0.14 0.15 0.16 0.17 0.18 0.2 0.21 0.23 y 42 43.5 45 45.5 45 47.5 49 53 50 55 55 60 解： 在matlab中可画出散点图如下： 那么由散点图可以建立数学模型如下： y=ax+b; 在matlab软件中输入命令 X=[0.1,0.11,0.12,0.13,0.14,0.15,0.16,0.17,0.18,0.2,0.21,0.23]; Y=[42,43.5,45,45.5,45,47.5,49,53,50,55,55,60]; P=polyfit(x,t,1) 得出：p = 130.8348 28.4928 那么可知线性回归直线方程为：y=130.8348x+28.4928 而最小误差平方和 将a=130.8348,b=28.4928代入上式可得，s=17.4095. 2、合金强度y与其中含碳量x有密切关系，如下表 x 0.10 0.11 0.12 0.13 0.14 0.15 0.16 0.17 0.18 0.20 0.21 0.23 y 42.0 41.5 45.0 45.5 45.0 47.5 49.0 55.0 50.0 55.0 55.5 60.5 根据此表建立y(x)。并对结果作可信度进行检验、判断x对y影响是否显著、检查数据中有无异常点、由x的取值对y作出预测。 解： 在x-y平面上画散点图，直观地知道y与x大致为线性关系。 用命令polyfit(x,y,1)可得y=140.6194x+27.0269。 作回归分析用命令 [b,bint,r,rint,ststs]=regress(y,x,alpha) 可用help查阅此命令的具体用法 残差及置信区间可以用rcoplot(r,rint)画图 设回归模型为 y=β0+β1x, 在MATLAB命令窗口中键入下列命令进行回归分析 x=0.1:0.01:0.18;x=[x,0.2,0.21,0.23]; y=[42,41.5,45,45.5,45,47.5,49,55,50,55,55.5,60.5]; X=[ones(12,1),x]; [b,bint,r,rint,stats]=regress(y,X,0.05); b,bint,stats,rcoplot(r,rint) 得结果和图 b = 27.0269 140.6194 bint = 22.3226 31.7313 169.4546 stats = 0.9219 118.0670 0.0000 结果含义为 β0=27.0269 β1=140.6194 β0的置信区间是 [22.3226,31.7313] β1的置信区间是 [111.7842,169.4546] R2=0.9219 F=118.0670, p10-4. R是衡量y与x的相关程度的指标，称为相关系数。R越大，x与y关系越密切。通常R大于0.9才认为相关关系成立。 F是一统计指标 p是与F对应的概率，当 p0.05时，回归模型成立。 此例中 p=0 10-40.05，所以，所得回归模型成立。 观察所得残差分布图，看到第8个数据的残差置信区间不含零点，此点视为异常点，剔除后重新计算。 此时键入： X(8,:)=[]; y(8)=[]; [b,bint,r,rint,stats]=regress(y,X); b,bint,stats,rcoplot(r,rint) 得： b = 27.0992 137.8085 bint = 23.8563 30.3421 117.8534 157.7636 stats = 0.9644 244.0571 0.0000 可以看到：置信区间缩小；R2、F变大，所以应采用修改后的结果。 某厂生产的某产品的销售量与竞争对手的价格x1和本厂的价格x2有关。下表是该产品在10个城市的销售记录。 x1 120 140 190 130 155 175 125 145 180 150 x2 100 110 90 150 210 150 250 270 300 250 y(个) 102 100 120 77 46 93 26 69 65 85 试建立关系y(x1，x2)，对结果进行检验。若某城市本厂产品售价160（元），对手售价170（元），预测此产品在该城市的销售量。 解:这是一个多元回归问题。若设回归模型是线性的，即设y=β0+β1x1+β2x2 那么依然用regress(y,x,alpha)求回归系数。键入 x1=[120,