1 概率模型(决策模型)
经典预测模型汇总
经典预测模型汇总在统计学和机器学习中，预测模型是一种用来预测未来事件或未知数值的模型。
经典预测模型是在过去几十年中被广泛使用和研究的一些模型，下面将对其中一些经典预测模型进行汇总。
1. 线性回归模型（Linear Regression Model）：线性回归是最经典的预测模型之一，通过建立一个线性关系来预测因变量与自变量之间的关系。
最小二乘法是最常用的线性回归方法，它通过最小化因变量与预测值之间的平方差来拟合模型。
2. 逻辑回归模型（Logistic Regression Model）：逻辑回归是一种用来对二分类问题进行预测的模型，通过将线性回归的结果通过sigmoid函数映射到[0,1]的概率范围内，来预测样本属于其中一类的概率。
3. 决策树模型（Decision Tree Model）：决策树是一种非常直观的预测模型，它将数据集分割成不同的子集，每个子集中的样本具有相似的属性。
通过树状结构，决策树能够对未知样本进行分类或回归预测。
4. 随机森林模型（Random Forest Model）：随机森林是一种集成学习模型，它由多个决策树组成，并通过对每个决策树的预测结果进行投票或平均来得到最终的预测结果。
随机森林具有较强的鲁棒性和泛化能力。
5. 支持向量机模型（Support Vector Machine Model）：支持向量机是一种二分类模型，它通过在高维特征空间中找到一个最优的超平面来进行分类。
支持向量机可以通过核函数将线性分类问题转化为非线性分类问题。
6. 朴素贝叶斯模型（Naive Bayes Model）：朴素贝叶斯是一种基于贝叶斯定理和特征条件独立性假设的分类模型。
朴素贝叶斯模型通过计算样本属于每个类别的概率，并选择概率最大的类别作为预测结果。
7. K近邻模型（K-Nearest Neighbors Model）：K近邻是一种基于样本之间距离进行分类和回归的方法。
K近邻模型通过计算待预测样本与训练集中K个最近邻样本的距离，并选择出现最多的类别或计算平均值来进行预测。
概率模型知识点总结
概率模型知识点总结概率模型是一种用来描述随机现象的模型，通常用来预测或计算某个事件发生的概率。
在统计学和机器学习领域，概率模型被广泛应用于数据分析、模式识别、预测和决策等领域。
本文将从概率基础、贝叶斯网络、隐马尔可夫模型等方面对概率模型进行详细介绍和总结。
一、概率基础1. 概率的定义概率是描述随机事件发生可能性的数学概念。
在统计学中，概率通常用P(A)来表示，表示事件A发生的可能性。
概率的范围是0≤P(A)≤1，即事件发生的概率介于0和1之间。
2. 条件概率条件概率是指在已知事件B发生的条件下，事件A发生的概率，用P(A|B)表示。
条件概率的计算公式为：P(A|B) = P(A∩B) / P(B)。
3. 贝叶斯定理贝叶斯定理是指在已知事件B发生的条件下，事件A发生的概率，用P(A|B)表示。
贝叶斯定理的公式为：P(A|B) = P(B|A) * P(A) / P(B)。
4. 随机变量随机变量是指在试验中可能出现并且有可能取得不同值的量。
随机变量分为离散型随机变量和连续型随机变量两种。
5. 概率分布概率分布是描述随机变量取值概率的分布情况。
常见的概率分布包括伯努利分布、二项分布、泊松分布、均匀分布、正态分布等。
二、贝叶斯网络1. 贝叶斯网络的概念贝叶斯网络是一种用图模型表示随机变量间依赖关系的概率模型。
贝叶斯网络由有向无环图(DAG)和条件概率分布组成。
2. 贝叶斯网络的表示贝叶斯网络由节点和有向边组成，节点表示随机变量，有向边表示变量之间的依赖关系。
每个节点都有一个条件概率分布，表示给定父节点的情况下，节点的取值概率。
3. 贝叶斯网络的推理贝叶斯网络可以用来进行概率推理，即在已知部分变量的情况下，推断其他变量的取值概率。
常见的推理方法包括变量消除、动态规划等。
4. 贝叶斯网络的应用贝叶斯网络被广泛应用于机器学习、模式识别、数据挖掘等领域，常见的应用包括故障诊断、风险评估、信息检索、智能决策等。
三、隐马尔可夫模型1. 隐马尔可夫模型的概念隐马尔可夫模型是一种用于建模时序数据的统计模型，它假设观察数据和状态之间存在概率关系。
概率模型和非概率模型
概率模型和非概率模型在机器学习领域中扮演着重要的角色，它们分别基于概率理论和非概率理论来建立模型，用于解决各种复杂的问题。
概率模型是建立在概率论的基础上的数学模型，能够通过概率分布来描述随机变量之间的关系，常见的概率模型包括朴素贝叶斯、高斯混合模型等；而非概率模型则是利用非概率分布来建模，主要用于处理数据集之间的关系，例如决策树、支持向量机等。
本文将从概率模型和非概率模型的定义、应用、优缺点等方面进行深入探讨，希望能为读者对这两种模型有更深入的了解。
一、概率模型概率模型是一种建立在概率论基础上的数学模型，它主要用于描述随机变量之间的关系，并通过概率分布来推断数据之间的概率关系。
概率模型在机器学习领域中被广泛应用，尤其是在数据挖掘、自然语言处理、图像识别等领域。
常见的概率模型包括朴素贝叶斯、隐马尔可夫模型、高斯混合模型等。
1. 朴素贝叶斯朴素贝叶斯是一种基于贝叶斯定理和条件独立性假设的分类算法，它假设特征之间相互独立，通过计算每个特征的概率来推断数据类别。
朴素贝叶斯简单易实现，适用于处理大规模数据集，尤其在文本分类、垃圾邮件过滤等方面表现优异。
2. 隐马尔可夫模型隐马尔可夫模型是一种用来处理序列数据的统计模型，它假设系统中存在隐藏的马尔可夫链，通过观测数据推断隐藏状态序列。
隐马尔可夫模型在语音识别、生物信息学等领域有着广泛的应用，能够很好地解决序列数据的建模和预测问题。
3. 高斯混合模型高斯混合模型是一种利用多个高斯分布混合来表示数据分布的生成模型，它可以拟合各种复杂的数据分布，并通过最大似然估计或EM算法来估计分布参数。
高斯混合模型在图像处理、模式识别等领域有着广泛的应用，能够有效地处理高维数据和复杂数据分布。
概率模型的优点是能够较好地表达数据之间的概率关系，具有较强的泛化能力和鲁棒性；但其缺点是依赖于数据的概率分布假设，对数据的噪声和异常值敏感，且参数估计常常比较复杂。
二、非概率模型非概率模型是一种不基于概率分布的数学模型，它主要用于建立数据之间的关系，常用于分类、回归、聚类等问题。
管理者的决策分析和决策模型
管理者的决策分析和决策模型决策是管理者日常工作中不可或缺的一部分。
管理者需要根据各种情况和信息做出决策，以促进组织的发展和实现目标。
为了提高决策的质量和效率，管理者需要运用决策分析和决策模型来辅助决策过程。
一、决策分析决策分析是指通过对问题进行分析、评价和比较，选择最优决策方案的过程。
在决策分析中，管理者可以采用以下步骤：1. 定义问题：明确决策的目标和内容，确定需要解决的问题。
2. 收集信息：收集相关的数据和信息，了解问题的背景和关键因素。
3. 分析信息：对收集到的信息进行整理和分析，找出问题的根本原因和影响因素。
4. 评价方案：制定潜在的解决方案，并对其进行评估和比较，确定最有利的方案。
5. 做出决策：根据评价的结果，选择最优的决策方案，并做出决策。
二、决策模型决策模型是指用数学或者逻辑来描述决策问题的模型。
常见的决策模型包括：1. 判断模型：用于处理不确定性决策问题。
如概率模型和统计模型等，可以通过概率和统计方法来评估不同方案的风险和收益。
2. 优选模型：用于选择最优决策方案。
如线性规划、整数规划和动态规划等，可以通过数学方法求解最优解。
3. 影响模型：用于分析不同因素对决策结果的影响程度。
如敏感性分析和决策树等，可以帮助管理者理解不同因素对决策的影响。
决策模型的选择需要根据具体问题的特点和需求来确定，不同的决策模型适用于不同的决策情境。
三、决策分析和决策模型的优势1. 提高决策质量：决策分析和决策模型可以系统地分析和评估问题，帮助管理者清晰地认识问题的本质和关键因素，从而提高决策的质量。
2. 降低决策风险：决策模型可以通过概率、统计等方法评估不同方案的风险和收益，帮助管理者降低决策风险，做出更加合理和可行的决策。
3. 提高决策效率：决策分析和决策模型可以帮助管理者系统地收集和分析信息，减少决策的时间和成本，提高决策的效率。
四、决策分析和决策模型的应用决策分析和决策模型广泛应用于各个领域，包括企业管理、市场营销、金融投资等。
决策理论的基本模型
因此，这里的每个数 f ( x t ) 都可以被
理解为：若 t 是世界真实状态，则由彩
票 f 得 到 彩 金 x 的 客 观 条 件f (概x t率)
是
。
为使上述解释合乎情理，状态必须
被定义得足够的广泛，以致于包括所有 可能影响到彩金获得的主观未知事件。
从而，一旦确定了状态，余下的只
讲：决策理论的基本模型
主要内容：
1. 决策的基本模型 2. 个体偏好假设 3. 效用存在性定理 4. 相关问题讨论
1. 决策的基本模型
不确定性下的决策通常可用下述两个 模型之一描述。
1） 概率模型(Probability Model)； 2）状态变量模型(State-variable Model)。
更进一步，我们假定 X 中的一个彩 金表示了决策者在由其决策导致的局势 中他所关心的各方面的一个完备描述。 因而，给定决策者关于世界真实状态的 任一信息，他应该能给出其在彩票集上 的偏好序。
决策者关于世界真实状态可能拥有 的 信 息 可 以 用 一 个 事 件 (event) 来 描 述 ， 每个事件都是 的一个非空子集。用
这 类 赌 博 有 安 斯 库 姆 和 奥 曼 (1963) 的“轮盘彩票” (roulette lotteries)和奈 特(Knight，1921)的“风险”(risk) 等。
例如，依赖于掷一枚匀质的硬币、
轮盘的自旋，或者从装有同样大小而颜 色不同的球的瓮中随机地抽取一个球(各 色球的总体已知)之类的赌博都可以用概 率模型充分地描述。
是客观概率，而对于任何一个规范界定 的赌博而言，其可能彩金集的客观概率 分布总是可以被计算出来的。
因此，我们对彩票的上述规范定义，
决策数学知识点总结
决策数学知识点总结决策数学是运用数学方法和模型研究决策问题的一门交叉学科。
它将数学的思维方式和技巧运用到决策问题的建模、分析和解决过程中，帮助决策者做出科学、合理的决策。
本文将围绕决策数学的主要知识点进行总结，包括决策模型、决策分析、风险管理、优化理论等方面的内容。
一、决策模型1. 决策树模型决策树模型是一种常用的决策分析方法，它通过构建决策树来描述决策问题的各种可能的决策选择和结果，以及它们之间的关系。
决策树模型可以帮助决策者更直观地理解决策问题，从而做出更科学、更有效的决策。
2. 马尔可夫决策过程马尔可夫决策过程是描述在某种随机环境下，决策者为了达到某种目标而采取不同行为的一种数学模型。
它通过建立状态、决策和转移概率等要素的数学关系来描述决策问题，从而找到最优的决策策略。
3. 线性规划模型线性规划模型是一种常用的优化模型，它将决策问题转化为一个线性约束条件下的最优化问题，即通过确定决策变量的取值来最大化或最小化某种目标函数。
线性规划模型在实际应用中有着广泛的应用，包括生产调度、资源配置、运输优化等领域。
二、决策分析1. 决策目标设定决策目标设定是决策分析的第一步，它涉及到对决策问题的目标、约束条件和评价指标等方面的明确定义和量化，从而为后续的决策分析提供基础。
2. 决策风险评估在进行决策分析时，需要对决策问题的风险进行评估，包括确定风险的可能性和影响程度，从而为决策者提供科学的风险管理建议。
3. 决策方案评价决策方案评价是决策分析的核心环节，它通过对各种决策方案的优劣进行定量分析和比较，从而为决策者提供最优的决策建议。
三、风险管理1. 风险度量与分析风险度量与分析是对决策问题中各种风险因素进行量化和分析的过程，包括确定风险的可能性、影响程度和相互关联等方面的内容。
2. 风险控制与规避在面临各种风险时，决策者需要采取相应的控制和规避措施来降低风险的发生和影响，包括风险的传播路径、控制措施和应急预案等内容。
决策模型建立
决策模型建立决策模型是指为了解决复杂问题而建立的一种抽象模型，通过对问题进行分析、归纳和抽象，以及对决策变量和决策条件的建模，来辅助决策者做出理性决策。
决策模型可以为决策者提供决策方案的选择和评估，使其能够在面对不确定性和复杂性的情况下做出更加明智的决策。
一、决策模型的分类根据问题的特点和决策变量的性质，决策模型可以分为确定性决策模型和随机性决策模型两大类。
确定性决策模型是指在决策过程中，所有的决策变量和决策条件都是已知的，不存在任何不确定性。
这类模型通常采用数学规划、线性规划等方法，通过建立数学模型来求解最优解或满足特定条件的解。
随机性决策模型是指在决策过程中，决策变量和决策条件存在一定的不确定性，可能是由于环境变化、信息不完全或者数据不准确等原因造成的。
这类模型通常采用概率论和统计学的方法，通过建立概率模型来对不确定性进行量化，并基于概率模型进行决策。
二、决策模型的建立过程建立决策模型是一个复杂而繁琐的过程，需要经过问题分析、模型建立、模型求解和模型验证等多个阶段。
1. 问题分析阶段在问题分析阶段，决策者需要对待解决的问题进行全面而深入的分析，明确问题的背景、目标和约束条件，并确定影响决策的关键因素。
同时，还需要收集相关的数据和信息，为后续的模型建立和求解提供依据。
2. 模型建立阶段在模型建立阶段，决策者根据问题的特点和决策变量的性质选择合适的建模方法和技术，将问题进行抽象和形式化，建立数学模型或概率模型。
在建立确定性决策模型时，可以采用数学规划、线性规划、整数规划等方法，将问题转化为目标函数和约束条件的数学形式，通过数学方法求解最优解或满足特定条件的解。
在建立随机性决策模型时，可以采用概率论和统计学的方法，将问题的不确定性进行量化，并建立概率模型，如决策树、马尔可夫链、蒙特卡洛模拟等，通过概率计算和模拟实验进行决策。
3. 模型求解阶段在模型求解阶段，决策者需要根据建立的模型选择合适的求解方法和工具，对模型进行求解。
数学建模 四大模型总结
四类基本模型1 优化模型1.1 数学规划模型线性规划、整数线性规划、非线性规划、多目标规划、动态规划。
1.2 微分方程组模型阻滞增长模型、SARS 传播模型。
1.3 图论与网络优化问题最短路径问题、网络最大流问题、最小费用最大流问题、最小生成树问题(MST)、旅行商问题(TSP)、图的着色问题。
1.4 概率模型决策模型、随机存储模型、随机人口模型、报童问题、Markov 链模型。
1.5 组合优化经典问题● 多维背包问题(MKP)背包问题：n 个物品，对物品i ，体积为i w ，背包容量为W 。
如何将尽可能多的物品装入背包。
多维背包问题：n 个物品，对物品i ，价值为i p ，体积为i w ，背包容量为W 。
如何选取物品装入背包，是背包中物品的总价值最大。
多维背包问题在实际中的应用有：资源分配、货物装载和存储分配等问题。
该问题属于NP 难问题。
● 二维指派问题(QAP)工作指派问题：n 个工作可以由n 个工人分别完成。
工人i 完成工作j 的时间为ij d 。
如何安排使总工作时间最小。
二维指派问题（常以机器布局问题为例）：n 台机器要布置在n 个地方，机器i 与k 之间的物流量为ik f ，位置j 与l 之间的距离为jl d ，如何布置使费用最小。
二维指派问题在实际中的应用有：校园建筑物的布局、医院科室的安排、成组技术中加工中心的组成问题等。
● 旅行商问题(TSP)旅行商问题：有n 个城市，城市i 与j 之间的距离为ij d ，找一条经过n 个城市的巡回（每个城市经过且只经过一次，最后回到出发点），使得总路程最小。
● 车辆路径问题(VRP)车辆路径问题（也称车辆计划）：已知n 个客户的位置坐标和货物需求，在可供使用车辆数量及运载能力条件的约束下，每辆车都从起点出发，完成若干客户点的运送任务后再回到起点，要求以最少的车辆数、最小的车辆总行程完成货物的派送任务。
TSP 问题是VRP 问题的特例。
● 车间作业调度问题(JSP)车间调度问题：存在j 个工作和m 台机器，每个工作由一系列操作组成，操作的执行次序遵循严格的串行顺序，在特定的时间每个操作需要一台特定的机器完成，每台机器在同一时刻不能同时完成不同的工作，同一时刻同一工作的各个操作不能并发执行。
决策模型构建
决策模型构建决策模型构建是一个系统性的过程，用于帮助决策者分析和解决复杂问题。
这个过程涉及到识别决策问题、收集相关数据、选择合适的决策工具或方法，以及构建和实施决策模型。
以下是决策模型构建的基本步骤：问题定义：明确决策问题的目标、约束条件和关键变量。
确定决策问题的类型和范围，例如是选择问题、优化问题还是多目标决策问题。
数据收集：收集与决策问题相关的数据和信息。
评估数据的可靠性和完整性，确保数据质量。
进行数据预处理，如清洗、转换和标准化等。
决策工具和方法选择：根据问题的性质选择合适的决策工具或方法。
常见的决策工具包括风险决策分析、多属性决策分析、不确定性决策分析等。
常用的决策方法包括线性规划、整数规划、动态规划、博弈论、决策树、神经网络等。
模型构建：建立决策问题的数学模型，将实际问题抽象为数学表达式。
确定模型的参数和变量，以及它们之间的关系。
制定模型的约束条件和目标函数。
模型求解：使用适当的算法或软件工具求解模型。
根据求解结果分析决策方案的效果和可行性。
如果需要，可以进行模型验证和修正，以提高模型的准确性和可靠性。
决策实施与评估：选择最优决策方案并实施。
监控和评估决策效果，收集实际数据并与预测结果进行比较。
根据评估结果调整决策策略或模型参数，以改进未来的决策过程。
在构建决策模型时，还需要注意以下几点：决策者的偏好：决策者的偏好和价值观对决策结果有重要影响，需要在模型中加以考虑。
不确定性处理：决策问题通常存在不确定性因素，需要采用适当的方法来处理这些不确定性，如概率分析、模糊数学等。
数据隐私和安全：在收集和使用数据时，需要遵守相关法律法规和道德规范，确保数据的安全和隐私。
总之，决策模型构建是一个复杂而系统的过程，需要综合运用多种方法和工具来分析和解决问题。
通过科学的决策模型构建和实施，可以提高决策的准确性和效率，为组织和个人创造更大的价值。
概率模型的概念
概率模型的概念概率模型的概念1. 概论•概率模型是一种用于描述和分析随机现象的数学模型。
•它基于概率论的观点，通过建立数学关系或函数来描述随机事件之间的关联与变化。
2. 概率模型的构建•概率模型的构建过程包括确定样本空间、事件集合和概率分布。
–样本空间：描述随机试验可能的所有结果的集合。
–事件集合：样本空间中的某些子集，代表一些特定的结果。
–概率分布：对每个事件赋予一个概率值，描述事件发生的可能性大小。
3. 常见的概率模型•离散型随机变量模型：描述一些具有有限或可数个取值的随机变量，如二项分布、泊松分布等。
•连续型随机变量模型：描述一些取值为连续范围内任意一个数的随机变量，如正态分布、指数分布等。
4. 概率模型的应用•概率模型在各个领域都有广泛应用，包括但不限于：–金融领域的风险评估和投资决策。
–模式识别和机器学习领域的数据建模和预测分析。
–工程领域的可靠性分析和优化设计。
–生物医学领域的遗传研究和疾病诊断。
5. 概率模型的评估与改进•概率模型的评估通常使用统计学的方法，比如最大似然估计、交叉验证等。
•将模型应用于实际问题时，可能需要对模型进行改进和调整，以提高模型的准确性和适用性。
6. 概率模型的优点与局限•优点：能够描述随机现象的不确定性和相关性，提供了一种量化分析的工具。
•局限：对于复杂的问题，可能需要做出一些简化假设；模型的准确性受到数据质量和模型参数设定的影响。
以上是关于概率模型的相关概念及内容的简述。
概率模型作为一种重要的数学模型，被广泛应用于各个领域，帮助我们理解和分析随机现象，以及做出相应的决策和预测。
通过学习和应用概率模型，我们能够更好地理解和利用不确定性，提高问题解决的效率和准确性。
7. 概率模型的建模步骤•确定分析问题的目标，明确需要预测或推断的变量。
•收集和整理相关的数据，包括观测变量和解释变量。
•根据数据的特点和问题的需求，选择合适的概率分布或模型。
•根据数据进行参数估计或模型拟合，以得到最优的模型参数。
概率统计模型决策模型课件
案例三：市场预测决策
பைடு நூலகம்
总结词
通过概率统计模型，可以帮助企业了解 市场趋势和消费者需求，为产品研发、 市场营销等提供决策支持。
VS
详细描述
市场预测决策需要考虑消费者行为、市场 趋势等因素。利用概率统计模型，可以对 历史数据和消费者行为进行分析，预测未 来市场趋势和消费者需求，为产品研发、 市场营销等提供决策支持。
案例二：生产计划制定决策
总结词
通过概率统计模型，可以帮助企业根据市场需求和生产能力制定合理的生产计划，提高生产效率和降 低成本。
详细描述
生产计划制定决策需要考虑市场需求、库存状况、生产能力等因素。利用概率统计模型，可以对历史 销售数据进行分析，预测未来市场需求，同时根据生产能力等因素进行生产计划安排，实现生产效益 最大化。
决策模型是指用来描述一个系统或者过程的一系列数学方程和算法，它可以帮助 我们理解和预测系统的行为。
决策模型通常包括三个主要部分：输入、处理和输出。输入部分包括所有可能影 响决策的因素，处理部分包括决策规则和算法，输出部分则是决策结果。
决策模型的应用领域
决策模型被广泛应用于各种领域，如金 融、医疗、军事、环境保护等。
案例四：质量控制决策
总结词
通过概率统计模型，可以帮助企业实现产品 质量控制和优化生产过程，提高产品质量和 生产效益。
详细描述
质量控制决策需要考虑产品质量、生产过程 等因素。利用概率统计模型，可以对生产过 程数据进行统计分析，找出影响产品质量的 关键因素，实现产品质量控制和优化生产过 程，提高产品质量和生产效益。
概率统计模型的基本概念
01
02
03
04
概率
描述随机事件发生的可能性大 小。
如何利用概率图模型进行决策分析(Ⅰ)
概率图模型（Probabilistic Graphical Models, PGM）是一种强大的工具，可以帮助我们在面对不确定性和复杂性的问题时进行决策分析。
它结合了概率论和图论的思想，能够对不同变量之间的关系进行建模，并基于这些关系进行推断和决策。
在实际应用中，概率图模型可以帮助我们理清问题的逻辑关系，找出最优的决策方案。
本文将探讨如何利用概率图模型进行决策分析，以及在不同领域中的应用。
1. 概率图模型的基本概念概率图模型是一种用图结构表示随机变量之间依赖关系的模型。
它分为两大类：贝叶斯网络（Bayesian Network）和马尔可夫随机场（Markov Random Field）。
贝叶斯网络是一种有向无环图，用于描述变量之间的因果关系；而马尔可夫随机场是一种无向图，用于描述变量之间的相关关系。
通过这种图结构，我们可以清晰地看到各个变量之间的关系，从而进行概率推断和决策分析。
2. 决策分析的基本步骤利用概率图模型进行决策分析一般包括以下几个步骤：首先，需要建立一个概率图模型，这包括确定变量和它们之间的关系，以及参数的估计；其次，进行概率推断，即计算给定观测数据下各个变量的概率分布；最后，基于概率推断的结果进行决策分析，找出最优的决策方案。
这些步骤在不同的问题领域中都有着广泛的应用。
3. 在医疗诊断中的应用概率图模型在医疗诊断中有着重要的应用。
以贝叶斯网络为例，我们可以利用患者的症状和检查结果作为观测变量，构建一个概率图模型来描述不同疾病之间的关系和诊断规则。
通过概率推断，我们可以计算出每种疾病的概率，并据此做出诊断决策。
概率图模型可以帮助医生在面对复杂的病例时，更加客观和科学地做出诊断和治疗决策。
4. 在金融风控中的应用在金融风控领域，概率图模型也有着重要的应用。
通过建立客户信用评分模型的贝叶斯网络，我们可以将客户的个人信息、财务状况和信用历史等变量作为观测变量，构建一个描述客户信用状况的概率图模型。
管理学中的决策过程与决策模型
管理学中的决策过程与决策模型决策过程是管理学中的一个重要概念，它指的是管理者在面对问题或挑战时，通过一系列方法和步骤来选择和实施最佳方案的过程。
决策过程涉及到收集信息、分析数据、制定方案、以及评估和监控结果等多个环节，旨在最大程度地提高决策的质量和效果。
为了更好地了解决策过程，本文将详细介绍决策过程的步骤，并介绍一些常用的决策模型。
决策过程的步骤如下：1. 定义问题或目标：决策过程始于发现问题或设定目标。
管理者需要明确问题或目标的性质和范围，同时确保团队成员对问题或目标有共识。
2. 收集信息：收集与问题或目标相关的各种信息和数据，可以通过调研、观察、咨询专家等方式进行。
这些信息将为后续的分析和决策提供基础。
3. 分析信息：对收集到的信息进行整理、归类和分析。
通过统计分析、比较分析、SWOT分析等方法，理清问题或目标的关键因素和影响因素，为制定方案提供依据。
4. 制定方案：在分析的基础上，制定多个备选方案。
每个备选方案都应该清晰、具体，并且考虑到资源和约束条件。
同时，制定方案时应尽量多考虑不同的选项。
5. 评估和选择方案：对制定的备选方案进行评估和比较。
可以使用决策矩阵、成本效益分析、敏感性分析等方法来评估方案的风险、效益和可行性。
最终选择一个最佳方案。
6. 实施方案：将选择的方案转化为具体行动计划，并安排资源和分工。
管理者需要明确任务的分配和时间表，以确保方案能够顺利实施。
7. 监控和调整：持续监控方案的执行过程，并根据实际情况调整方案。
如果出现问题或变化，及时采取措施进行调整和修正。
在决策过程中，管理者还可以应用一些常用的决策模型来辅助决策：1. 基于效用的决策模型：该模型考虑到决策者的偏好和效用函数，通过计算每个备选方案的效用值，选择效用最大的方案。
这种模型适用于涉及多个目标和多个利益相关方的决策。
2. 基于风险的决策模型：该模型在考虑备选方案效益的基础上，引入风险评估。
通过概率分析和风险评估，选择预期风险最小的方案。
概率统计模型决策模型(优秀)PPT资料
例4.1的决策树如图4－1所示，其中： □——表示决策点，从它引出的分枝叫方案分 枝，其数目就是方案数
○——表示时机节点，从它引出的分支叫概率分 支，每条概率分支代表一种自然状态，并标
有相应状态发生的概率。
△——称为末稍节点，右边数字表示各方案在不同 自然状态下的益损值。
计算各时机节的期望值，并将结果标在节点止方， 再比较各时机节点上标值的大小，进行决策，在淘汰 方案分枝上标“＋＋〞号，余下方案即为最优方案， 最优方案的期望值标在决策点的上方。本例上方标 4.1为最大，因此选定方案 ，其收益数值的期望4.1。
E(A1)40.260.510.34.1 E(A2)50.240.51.50.33.45 E(A3)60.220.51.20.32.56
显然，EA1最大，所以采取行动方案 A 1 最正确，即选
择甲地举办展销会效益最大。 值得提出的是，为了形象直观地反映决策问题未
来开展的可能性和可能结果所作的预测而采用的决 策树法就是按期望值准那么进行决策的一种方案。 以例4.1来说明其决策步骤。
案或策略，这些是可控因素，至于选择哪个方案由
决策者决定。表4—2中右下方的数字4，6，1，5，
4，1.5，6，2，1.2称为益损值，根据这些数字的含
义不同，有时也称为效益值或
M 5
4
1.5
6 2 1.2
•
称为决策的益损矩阵或风险矩阵，表4—2
•
中的P1，P2，P3是各状态出现的概率。
△ +5
阴 P （ N 2） = 0 .5 多 雨 P （ N 3） = 0 .1
△ +4 △ + 1 .5
晴 P （ N 1） = 0 .2
△ +6
数学模型的类型
数学模型的类型
1. 线性模型：用线性方程、线性规划等方法描述问题，被广泛应用于物理、经济、管理、工程等领域。
2. 非线性模型：解决非线性问题，例如非线性规划、微积分方程、动力系统等。
3. 概率模型：描述随机变量及其概率分布，包括统计推断、回归分析和假设检验等。
4. 离散模型：离散模型的主要应用领域是计算机科学，涉及图论、排队论、模拟等。
5. 运筹模型：用于优化问题，例如线性规划、整数规划、网络流问题等。
6. 贝叶斯模型：基于贝叶斯定理构建出的模型，用于概率推理、统计学习等。
7. 决策模型：描述决策过程，包括决策树、马尔可夫决策过程、多属性决策等。
8. 动态模型：描述随时间变化的系统，例如微积分方程、差分方程、系统仿真等。
9. 系统模型：将一个大型、复杂的系统分解为较小的子系统，并用数学语言来
表示它们之间的相互作用。
10. 统计学模型：可以用于描述数据集，包括回归分析、时间序列分析、聚类分析等。
管理学中的决策模型
管理学中的决策模型决策是管理学中至关重要的一个环节，它涉及到企业和组织的方方面面。
在管理学中，决策模型是一种理论框架，用于指导管理者在面对复杂情况时做出明智的决策。
本文将介绍一些常见的管理学中的决策模型，并探讨它们的应用和局限性。
一、利益最大化模型利益最大化模型是管理学中最常见的决策模型之一。
它的核心思想是在做出决策时，应该考虑到所有相关方的利益，并尽可能地使利益最大化。
这个模型适用于大多数商业组织，因为商业组织的目标通常是追求利润最大化。
然而，利益最大化模型也存在一些局限性。
例如，它忽视了其他非经济因素的影响，如环境保护和社会责任。
二、风险决策模型风险决策模型是管理学中另一个重要的决策模型。
它主要用于处理不确定性和风险的情况。
在这个模型中，管理者需要评估不同决策的潜在风险和回报，并选择最佳的决策方案。
风险决策模型通常使用概率和统计方法来量化风险，并帮助管理者做出决策。
然而，这个模型也存在一些局限性。
例如，它假设决策者能够准确地评估概率和风险，但实际上，这往往是困难的。
三、行为决策模型行为决策模型是管理学中相对较新的一个决策模型。
它关注决策者的行为和决策过程，试图理解决策者是如何做出决策的。
行为决策模型认为决策者的行为受到许多认知和心理因素的影响，如个人偏见、信息不对称和风险规避。
通过理解这些因素，管理者可以更好地理解决策过程，并改善决策结果。
然而，行为决策模型也存在一些挑战。
例如，它很难量化和预测决策者的行为，因为人们的行为往往是复杂和多变的。
四、决策树模型决策树模型是一种图形化的决策模型，它通过一系列的决策节点和结果节点来表示决策过程。
在这个模型中，管理者需要根据不同的决策节点和结果节点来制定决策策略。
决策树模型的优点是简单直观，易于理解和应用。
然而，它也有一些限制。
例如，决策树模型假设决策者能够准确评估不同决策的概率和结果，但实际上，这往往是困难的。
五、多目标决策模型多目标决策模型是管理学中另一个重要的决策模型。
决策模型资料
决策模型在组织和个人生活中，决策是一项非常重要的活动。
决策模型是为了帮助我们做出明智的选择而建立的框架。
本文探讨了决策模型的基本概念、类型和应用。
决策模型的基本概念决策模型是一种抽象的表示，用于描述一个决策问题中的各种元素以及它们之间的关系。
一个完整的决策模型由决策者、决策变量、目标函数以及约束条件组成。
•决策者是做出决策的个人或组织。
•决策变量是可以控制或调整的参数。
•目标函数是决策者希望优化的指标。
•约束条件是限制决策变量的条件。
决策模型的类型根据决策变量的类型和决策环境的不同，决策模型可以分为多种类型。
以下是一些常见的决策模型：1.确定性决策模型：在这种模型中，所有的参数和变量都是确定的，不存在不确定性因素。
2.随机性决策模型：考虑到决策参数或变量存在概率分布，将不确定性因素纳入模型。
3.多目标决策模型：在这种模型中，决策者需要考虑多个目标函数之间的权衡和取舍。
4.风险决策模型：考虑到决策可能面临的风险和不确定性，设计出能够最大程度减少风险的决策方案。
决策模型的应用决策模型在各个领域都有广泛的应用，比如生产制造、市场营销、金融等。
下面以金融行业为例，介绍决策模型的应用：•投资组合优化：利用决策模型确定最佳的投资组合，以实现风险和收益的平衡。
•信贷评分模型：通过建立合适的决策模型，银行可以更准确地评估客户的信用风险，从而减少坏账损失。
•风险管理：决策模型可以帮助银行和其他金融机构监控和管理风险，制定有效的风险控制策略。
总的来说，决策模型是一种有力的工具，可以帮助决策者在复杂的环境中做出明智的选择。
通过建立合适的决策模型，可以提高决策的科学性和有效性，降低决策风险，实现个人和组织的长远利益。
概率模型与决策分析
概率模型与决策分析是一种重要的方法，能够帮助我们理性地做出决策。
在现代社会中，我们面临各种各样的问题和决策，例如，在股票市场中，我们需要决定何时买入或卖出股票；在医疗领域，我们需要确定哪种治疗方法更有效；在工程项目中，我们需要确定最佳的设计方案。
这些问题都需要考虑不确定性和风险，概率模型与决策分析能够帮助我们做出更明智的决策。
概率模型是描述各种事件发生概率的数学模型。
在决策分析中，我们通常将问题抽象为一个决策树或决策网络。
然后，我们通过分析不同决策和不同结果之间的关系，计算出各种结果发生的概率和决策对应的风险。
概率模型能够提供我们所面临的事件发生的可能性，帮助我们了解各种决策的风险性。
决策分析是寻找最佳决策的过程。
在决策分析中，我们常常使用决策准则来评估不同的决策方案。
常见的决策准则包括期望值准则和风险规避准则。
期望值准则通过计算不同结果的期望值来评估不同决策方案的优劣性。
风险规避准则则是通过考虑风险偏好来评估不同决策方案的优劣性。
决策分析可以帮助我们根据概率模型提供的信息，做出最佳的决策。
概率模型与决策分析在许多领域都有广泛的应用。
在商业领域，概率模型与决策分析可以帮助企业确定最佳的市场战略和商品定价策略，以最大程度地提高企业的效益。
在金融领域，概率模型与决策分析可以帮助投资者制定最佳的投资组合，降低投资风险。
在医疗领域，概率模型与决策分析可以帮助医生确定最佳的治疗方案，提高治疗的效果。
然而，概率模型与决策分析也存在一些挑战和限制。
首先，概率模型的建立需要基于大量的数据和理论假设，而现实世界中的数据常常是不完全和不确定的。
其次，决策分析需要对不同决策和结果的概率进行准确的估计，这对于一些复杂的问题可能是困难的。
此外，决策分析还需要考虑到不同决策的成本和效益，这对于一些社会问题可能存在主观的评估。
总之，概率模型与决策分析是一种重要的方法，能够帮助我们理性地做出决策。
它能够帮助我们分析问题中的不确定性和风险，并选择最佳的决策方案。
决策分析的决策模型
决策分析的决策模型决策分析是指应用科学方法作出最优决策的过程，其中决策模型就是决策分析的核心。
决策模型是指简化、抽象、数学化决策问题的过程，其构造过程包含问题设置、模型构建、求解和验证等阶段。
下面将从决策模型的一般框架、决策树模型、马尔科夫模型、规划模型等方面进行论述。
一、一般框架决策模型的一般框架由决策变量、决策指标、约束条件、决策标准等组成。
决策变量即为决策者可控制的变量，如价格、生产量等；决策指标指反映决策目标与决策变量之间关系的函数，是衡量决策的主要标准；约束条件是指不能违反的限制条件，如资源能力、市场需求等；决策标准是指进行决策的核心要素，主要体现在考察各个决策方案之间的优劣性。
二、决策树模型决策树模型是一种以树形结构表示决策问题的模型，其实现过程如下：首先，将各种方案可能出现的情况汇总成一张根结点是决策问题的前提，分支与叶结点分别对应于相应的决策方案和结果，形成决策树；接着，通过计算每个分支路径的期望收益值，得出各个方案的期望值或者价值。
决策树模型可以用于单一决策问题的分析，如市场营销、投资等领域，适用于实际决策的场景较为简单的情况。
三、马尔科夫模型马尔科夫模型是一种基于链式关系的概率模型，其特点是能够描述决策问题的随机过程，并通过该过程计算各种状态出现的概率。
具体而言，马尔科夫模型的构建包含三个步骤：定义状态、建立状态转移矩阵和计算状态稳定分布。
通过状态稳定分布的计算，可以得出各状态的概率，从而指导决策者进行决策。
马尔科夫模型通常用于描述具有明显转移概率的决策过程，如股票价格的波动、产品质量的控制等。
四、规划模型规划模型是指将决策问题转化为数学模型，并在模型中引入约束条件，求解出最优解决方案的方法。
规划模型可分为线性规划、非线性规划、整数规划等多种类型，其基本的构成要素包括目标函数、决策变量、约束条件等。
规划模型的优点在于能够描述多维度、多变量的决策问题，并且常常是提供全局最优解决方案的方法。
几种常见的决策模型
几种常见的决策模型决策模型是指用于建立决策过程和辅助决策的数学模型。
常见的决策模型有多种，下面将介绍其中几种常见的决策模型。
1. 线性规划模型（Linear Programming）：线性规划是一种常见的优化方法，用于在给定的约束条件下寻找线性目标函数的最优解。
线性规划模型适用于许多实际问题，如生产计划、资源分配等。
该模型的数学表达式为最大化或最小化目标函数，同时满足一系列线性等式或不等式约束。
2. 多目标决策模型（Multi-objective Decision Model）：多目标决策模型是用于处理多个相互矛盾目标的决策问题。
在多目标决策模型中，决策者需要权衡各个目标之间的优先级，并找到一个最优解或一组最优解。
方法包括权重法、直接偏好法和效用函数法等。
3. 非线性规划模型（Nonlinear Programming）：非线性规划模型是一种考虑非线性目标函数和非线性约束条件的优化方法。
这种模型适用于许多实际问题，如供应链优化、投资组合优化等。
非线性规划模型需要使用数值优化算法进行求解。
4. 随机决策模型（Stochastic Decision Model）：随机决策模型是用于处理存在不确定性和风险的决策问题。
该模型考虑到不同决策结果的概率分布，并使用概率统计方法评估各个决策的风险。
常见的方法包括决策树、马尔可夫链和蒙特卡洛模拟等。
5. 排队论模型（Queueing Theory Model）：排队论模型是一种用于分析和优化排队系统的数学模型。
排队论模型可以用于评估系统性能指标，如平均等待时间、平均队长等，并提供决策者关于系统优化的建议。
排队论模型广泛应用于运输、通信、服务等领域。
6. 博弈论模型（Game Theory Model）：博弈论模型是一种用于分析决策者之间互动行为的数学模型。
博弈论模型主要研究决策者在决策过程中的策略选择和利益分配，并研究在不同策略组合下的最优解。
博弈论模型适用于许多领域，如经济学、管理学和政治学等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
晴 P（N1）=0.2 阴 P（N2）=0.5 多雨 P（N3）=0.1
图 3-1
决策树
首先计算各方案的益损期望值，再将各方案 节点上的期望值加以比较，选取最大的益损期望 值4.1，写在决策点的上方，这说明选定了方案 A ，方案分枝中打有“艹”记号的表示该方案被删 除掉或称剪枝方案。 注意：决策问题的目标如果是效益（如利 润、投资、回报等）应取期望值的最大值，如果 决策目标是费用的支出或损失，则应取期望值的 最小值。
1 2 n 1 2 m
2.决策准则和方法-----2.1决策准则 1）最大可能性准则 由概率论知识知道，一个事件的概率就是 该事件在一次试验中发生的可能性大小，概率越 大，发生的可能性就越大。基于这种思想，在风 险决策中，先选择发生的概率最大的自然状态列 （不顾及其它自然状态），再从该列选择收益最
大（或损失最小）的方案为最优方案。这个准则 的实质是将风险型决策问题转化为确定型决策问 题的一种决策方法。 2）期望值准则 该准则是，在决策矩阵（表3—3）中计 算每一方案的益损期望值，从中选取收益最大值 者（或损失最小值者）为最优方案。 第 i 个方案的期望值计算公式为：
随机环境的决策分析
随机环境下的决策问题在实际 问题中是常见的.在数学建模 中也是常见的问题,如97年零 件参数的设计、99年自动化 车床的管理、02年彩票中的 数学、04年公务员招聘、05 年DVD在线租赁等等都涉及 统计决策分析.
决策分析面临多方面的问题, 如不确定性、多目标、序 贯性等等. 这里主要是讨论不确定性问 文本 文本 题.
进一步的，将投资分为前三年和后七年两期考 虑，根据市场预测，前三年销路好的概率为0.7， 而如果前三年的销路好，则后七年销路好的概 率为0.9，如果前三年的销路差，则后七年的销 路肯定差，在这种情况下，建大厂和建小厂哪 个方案好？ 表 3—1
自然状态 益损值 概率 方案 建大厂 建小厂 销路好 0.7 100 40 销路差 0.3 -20 10
TL2 = 3.5373e+003
可以看到经多次运行大多数情况都是 TL1<TL2，所以可以认为方案乙要好一些。
讨论题
1、 某工程按正常速度施工时，若无坏天气的 影响可确保在30d（d为时间单位：天）内按 期完工，但据天气预报，15d后天气肯定变坏 有40%的可能出现阴雨天气，但这不会影响 工程进度；有50%的可能遇到小风暴而使工 期推迟15d；另有10%的可能遇到大风暴而使 工期推迟20d。关于以上可能出现的情况，
4.1 A1 甲地 4.1 决 策 丙地 乙地 3.45 A2
晴 P（N1）=0.2 阴 P（N2）=0.5 多雨 P（N3）=0.1 晴 P（N1）=0.2 阴 P（N2）=0.5 多雨 P（N3）=0.1
△+4 △+6 △+1 △+5 △+4 △+1.5 △+6 △+2 △+1.2
2.56 A3
问题1.1和1.2就是所谓的决策问题。 决策问题是指从多个备选方案中，选择一个最优 的或满意的方案付诸实施。
一般地，如果决策问题的可控因素，即行动方 案用 A (i 1,, m) 表示，状态用 N ( j 1,, n) 表示， 在 N 状态下采用 A 行动方案的益损值用 a 表示， N 状态发生的概率用 P ( j 1, , n) 表示，于是可以 得到决策矩阵（或称益损矩阵）的一般结构，如 下表3—3所示。 表 3—3
if D<Q2 S4=Q2; else S4=D; end L1=5*S3-2.5*Q1; L2=5*S4-2.5*Q2; TL1=TL1+L1; TL2=TL2+L2; k=k+1; end S1=S3; S22=S21; S21=S4;
在MATLAB下运行 >> T=10;S1=136;S21=136;S22=148; >> [TL1,TL2]=kucun(T,S1,S21,S22) TL1 = 3.5164e+003
文本 文本 文 本 文 文
1. 引例
1.1
投资决策问题
为了生产某种产品，设计了两个基建案，一 是建大厂，二是建小厂，大厂需要投资300万 元，小厂需要投资160万元，两者的使用期都是 10年。估计在此期间，产品销路好的可能性是 0.7，销路差的可能性是0.3，若销路好，建大厂 每年收益100万元，建小厂每年收益40万元；若 销路差，建大厂每年损失20万元，建小厂每年收 益10万元（详见表3—1），试问应建大厂还是建 小厂？
(0.3 10 3 0.3 70) 160 287.2万元
点6： 1.0 (20) 7 140万元 点7： [0.9 100 0.1 (20)] 7 616万元 点3： (0.7 100 3 0.7 616)
(0.3 (20) 3 0.3 (140)) 300 281.2万元
X Y1 或X Y1
按方案乙分析两种状态下：
X Y 2或X Y 2
的利润值L1（ Y1为存货量） 累积利润值TL1 N=N+1 判断：N≤T
的利润值L2（Y2为存货量） 累积利润值TL2
比较计算输出最大利润值及方案
％％确定库存方案的计算机 仿真程序 function[TL1,TL2]=kucun(T, S1,S21,S22) TL1=0;TL2=0;k=1; while k<T Q1=S1; Q2=(S21+S22)/2; D=normrnd(135,22.5); if D<Q1 S3=Q1; else S3=D; end
通过比较，可见两期建厂是比较合理的方案。
2.2.2) 随机模拟法 我们可用模拟法来实现对几种决策方案的筛 选。 企业生产的库存系统： 问题的提出 在销售部门、工厂等领域中都存在库存问题， 库存太多会造成浪费及资金积压，库存少了不 能满足需求也造成损失，部门的工作人员需要 决定何时进货、进多少，使得所花费的费用最 少、收益最大，这就是库存问题。
i
j
j
i
ij
j
j
状态 益损值 方 案 A1 概率
N1 P1 a11 … ai1 … am1
N2 P2 a12 … ai2 … am2
… … … … … … …
Nj Pj a1j … aij … amj
… … … … … … …
Nn Pn a1n … ain … amn
…
Ai
…
Am
注：在决策问题中，我们把面临的几种自然情况 称为自然状态或客观条件，简称为状态或条件， 如 N , N , N ，这些是不可控因素； 把 A , A , A 称为行动方案或策略，这些是 可控因素，至于选择哪个方案由决策者决定。
1.2 展销会选址问题：
某公司为扩大市场，要举办一个产品展会，会址打算选 择甲、乙、丙三地，获利情况除了与会址有关外，还与 天气有关，天气分为晴、阴、多雨三种，据天气预报， 估计三种天气情况可能发生的概率为0.2，0.5，0.3， 其收益情况见表3—2，现要通过分析，确定会址，使收 益最大。
表 自然状态 收益值 选址方案 A1（甲地） A2（乙地） A3（丙地） 概 率 天 N1（晴） P1=0.20 4 5 6 3—2 气 N2（阴） P2=0.50 6 4 2 情 况 N3（多雨） P3=0.30 1 1.5 1.2
1
（2）多级决策问题 下面以投资决策问题为例，说明决策方法。 （a）画决策树（图3-2）
图3-2 决策树
（b）计算各点的益损期望值： 点2：[0.7 100 0.3 (20)]10 300 340万元 点3：[0.7 40 0.310]10 160 150万元 由此可见，建大厂的方案是合理的。 现在考虑进一步的情况： 假定对投资决策问题分为前三年和后七年两 期考虑。根据市场预测，前三年销路好的概率为 0.7，而如果前三年销路好，则后七年销路好的 概率为0.9，如果前三年销路差，则后七年的销 路肯定差，在这种情况下，建大厂和建小厂那个 方案好？ （a）画出决策树如下（图3—3）
E ( Ai ) aij Pj
j 1 n
(i 1, 2,,Байду номын сангаасm)
2.2决策方法 2.2.1)决策树法：就是把某个决策问题未来发 展情况的可能性和可能结果所做的预测用树状图
画出来（形象地称为决策树），然后根据期望值准 则进行决策的一种方法。 （1）单级决策问题 下面以展销会选址问题来说明其决策步骤。 由前面表3—2数据可作出决策树如图3—1所示。 图3—1中符号说明： □：表示决策点，从它引出的分枝叫方案分枝， 分枝数反映可能的行动方案数； ○：表示方案节点，其上方的数字表示该方案 的益损期望值，从它引出的分支叫概率分支，每条 分支的上面写明了自然状态及其出现的概率，分枝 数反映可能的自然状态数； △：表示末稍节点，它旁边的数字是每一方案 在相应状态下的益损值。
考虑两种方案： 1. 提前加班，确定工程在15d内完成，实施 此方案需增加额外支付18000元； 2. 先维持原定的施工进度，等15d后根据实 际出现的天气状况再作决策； 若遇阴雨天，则维持正常进度，不必支 付额外费用。 若遇小风暴，则有下述两个供选方案： 1. 一是维持正常速度施工，支付工程延期 损失费20000元，
2
建立数学模型 计算机模拟的基本思路： 第一：需要获得市场对该产品的需要量的 数据； 第二：计算出按两种不同方案经 T 天后企 业的利润； 第三：比较大小从中选出一个较优的方案 下面我们给出库存系统的模拟流程图
初始状态
获取产品的需求量
X normand(135, 22.5)
N＝1 按方案甲分析两种状态下：
点6： [0.9 40 0.110] 7 259万元 点7：1.0 10 7 70万元 点3： (0.7 40 3 0.7 259)