数学建模模拟题,图论,回归模型,聚类分析,因子分析等 (23).docVIP

利用回归分析对金属的含量在矿脉中的分布的研究 摘要 本文主要采用先利用Spss16.0分别画出关于y 的散点图，判断两者的线性关系，我们将采用回归分析和方差分析，用统计分析决定其拟合程度并作出修正。 通过观察散点图我们可以得出两者具有很明显的线性关系，因此作出假设模型，利用Matlab7.6编写程序（见附录一）得出模型合理的结果，紧接着通过观察残差分布图（见附录二）发现第一组数据不合理，因此我们对其进行剔除，并对剔除后的数据进行重新统计分析，得出剔除第一组数据后的模型更合理的结果。 关键词：回归分析 残差分析 问题重述 一般而言，金属的含量在矿脉中的分布是不均匀的。现一矿脉有13个相邻样本点，人为地设定一原点，现测得各样本点对原点的距离x与该样本点处某种金属含量y 的一组数据如表一，画出散点图观测二者的关系，试建立合适的回归模型，如二次曲线、双曲线、对数曲线等。 表一 2 3 4 5 7 8 10 106.42 109.20 109.58 109.50 110.00 109.93 110.49 11 14 15 16 18 19 110.59 110.60 110.90 110.76 111.00 111.20 问题假设 1、只考虑距离对其影响，忽略湿度、土质等其他影响； 2、数据误差在可允许范围内； 三、符号说明和名称解释 、：为回归系数； b ：回归系数估计值； ：判定系数； F：检验统计量； P：与F 对应的概率； ：剩余方差； 四、模型的建立和求解 4.1问题的分析 题目中已经给出了各样本点对原点的距离x与该样本点处某金属含量y 的数据表，画出散点图便可以直接明了的观察出两者是否具有线性关系。并通过观察拟合确定其回归模型。 4.2问题的求解 利用Spss16.0绘制各样本点对原点的距离x与该样本点处某金属含量y 的散点图，结果如下： 可以看出两者具有很明显的线性关系，因此，我们建立线性回归模型： （1） 利用Matlab7.6编写程序（程序见附录一）可得： b = 108.2726 0.1714 bint =107.2936 109.2517 0.0870 0.2558 stats =0.6450 19.9873 0.0009 0.602 即:=108.2726,=0.1714, :的置信区间为[107.2936,109.2517]，的置信区间为[0.0870,0.2558], =0.6450 ， F =19.9873， p =0.0009， =0.602。 4.2.1模型的检验 当较大时原数据的总变异基本可以由拟合值的变异来解释，并且残差较小，即拟合点与原数据吻合程度高。p =0.0009较小拒绝原假设模型不成立。因此模型（1）成立。 观察命令rcoplot(r,rint)所画的残差分布（见附录二），除第1个数据外其余残差的置信区间均包含零点，第1个点应视为异常点，将其剔除后重新计算，可得 b =109.0778 0.1140 bint =108.8292 109.3264 0.0934 0.1346 stats = 0.9382 151.7945 0.0000 0.0289 对剔除第一组后数据编写程序（程序见附录三）的观察重新计算后的残差分布图（见附录四）可以得出剔除后的数据更合理 应该用修改后的这个结果: 表二 3 4 5 7 8 10 109.20 109.58 109.50 110.00 109.93 110.49 14 15 16 18 19 110.60 110.90 110.76 111.00 111.20 所以模型应该为：=109.0778+0.1140 五、模型的分析、评价与推广 该模型简单并且拟合程度较好，可以解决一般的线性问题。只要采用的模型和数据相同，通过标准的统计方法可以计算出唯一的结果。除此之外还可以准确地计量各个因素之间的相关程度与回归拟合程度的高低，提高预测方程式的效果。 不足之处是但在图和表的形式中，数据之间关系的解释往往因人而异，不同分析者画出的拟合曲线很可能是不一样的，而且有时候在回归分析中，选用何种因子和该因子采用何种表达式只是一种推测，这影响了因子的多样性和某些因子的不可测性，使得回归分析在某些情况下受到限制[1]。 参考文献 [1]回归分析优缺点 /view/b472747a168884868762d66a.html附录 附录一、 x1=[2 3 4 5 7 8