葡萄酒评价问题
葡萄酒的评价 第三问
红葡萄酒指标的主成分聚类法hx2 = 0.94407 * C1 - 0.17345 * C2 + 0.33123 * C3此处仅列出hx1、hx2的因子方程作为代表。
主成分方程：C10.16629*hx1+0.18649*hx2+0.19221*hx3+0.18119*hx4+0.18812*hx6-0.17304*hx7C20.61750*hx80.61750*hx9C3hx5==+= 其中C1 、C2、C3、分别为第一类、第二类成分，第三类成分。
白葡萄酒指标的主成分聚类法bx10.92052* C10.04923*C20.16194*C3bx20.94723* C10.07191*C20.13808*C3=--=-- 主成分方程：C10.32147*bx1+0.33080* bx2+0.22606*bx3+0.29215*bx5C20.38223*bx6+0.38223*bx70.42585*bx8C3bx4==-=红葡萄指标的主成分聚类法第一类C1: hy4、hy10、hy11、hy12、hy13、hy26 、hy29 ；其Own Cluster 值依次为：0.6646、0.7546、0.8838、0.7232、0.8001、0.4794、0.2329；选出Own Cluster 值最高的两个变量 hy11、hy13。
第二类C2: hy1、hy3、hy16、hy17、hy18 、hy22 、hy28；其Own Cluster 值依次为：0.4875、0.2162、0.8117、0.6236、0.7613 、0.9183、0.2732；选出Own Cluster 值最高的两个变量 hy22、hy16。
第三类C3: hy2、hy5、hy14、hy19、hy20、hy21；其Own Cluster值依次为：0.5863、0.3331、0.1821 、 0.4948、0.7375、0.5544 ；选出Own Cluster值最高的两个变量 hy20、hy2。
葡萄酒品评中常见的失误
葡萄酒品评中常见的失误葡萄酒品评在酒爱好者和专业品酒师中非常普遍。
其目的是通过酒的外观、香气、口感等方面的评估，来评判酒的品质。
然而，在品评的过程中，经常出现一些失误，这可能会影响评估的准确性。
一、没有适当的条件在品评葡萄酒之前，必须确保酒品在适当的条件下。
这包括确保酒在正确的温度下，以确保香气和口感都能够充分展现。
此外，评酒者还应使用正确的杯子，以保证酒能够充分散发出其醇郁香气。
如果品评者未能满足这些条件，可能会导致对酒品的评判存在偏差。
二、过于主观品评葡萄酒通常是一个主观的过程。
有时，品评者会因自己的口味喜好而对酒品产生偏见，或是受到情绪、环境等因素的影响，导致对酒品作出不准确的评估。
因此，为了避免主观偏见，评酒者应尽量保持客观，不要受到自己的感官和情绪的影响。
三、未能分辨酒的特征评酒者需要能够分辨酒的品种、产地、年份、等级和风味特征等，这有助于他们更准确地评估酒品的质量。
如果评酒者未能分辨这些特征，可能会导致对酒品的评估存在偏差。
四、盲目追求成就感一些品评者在评估酒品时，可能会过于追求成就感。
他们可能会过分夸大自己的评酒成就，或者是在评估酒品时为自己的品味打分。
此种行为的结果是评酒者会失去了对酒品评估的客观性，也会导致对酒品的评估存在偏差。
五、没有实用性尽管品评葡萄酒是一个重要的过程，但它在某些情况下可能并没有实用性。
比如，在购买酒的时候，人们通常会关注酒的品质和价值，而非评酒师的评分。
因此，在一些情况下，品评葡萄酒的过程可能与实际上所需的信息不符。
总之，品评葡萄酒是一个非常重要的过程，但在品评时需要注意克服一些常见的失误。
这意味着需要评酒者具备分辨酒品特征的技能、保持客观、注意细节、克服主观偏见和充分利用评酒的实用性。
只有通过这些方式，才能更准确地评估葡萄酒的品质，以提高消费者对酒品的认知和使用价值。
葡萄酒评价问题分析
葡萄酒评价问题分析首先，外观。
外观是葡萄酒评价的第一步，通过观察葡萄酒的颜色、清澈度和泡沫等特征，可以初步判断葡萄酒的品质和类型。
然而，不同的颜色和清澈度可能是由葡萄品种、产区和酿造工艺等因素造成的，因此需要结合其他方面的评价进行综合判断。
其次，气味。
葡萄酒的气味是评价葡萄酒的重要指标之一，可以揭示葡萄酒的品种、产区和风味特点。
通过嗅闻葡萄酒的香气，可以评价葡萄酒的香气强度、复杂性和协调性。
然而，不同人对气味的感知能力存在差异，而且个人的经验和背景也会对气味的评价产生影响，因此需要注意进行客观而综合的评价。
口感是葡萄酒评价的重要组成部分。
口感包括涩感、酸味、甜度和酒体等方面。
葡萄酒的口感可以评价葡萄酒的凝聚力、平衡性、柔顺度和陈旧性等特点。
然而，不同人对口感的偏好存在差异，而且个人的感官体验和酒品背景也会对口感的评价产生影响，因此需要注意进行客观而综合的评价。
此外，葡萄酒评价还需要注意以下几个问题。
首先，葡萄酒评价需要有系统性和科学性，不能只凭主观感受。
评价葡萄酒需要有一定的专业知识和经验，可以通过参考葡萄酒专家的评价进行学习和提高。
其次，评价葡萄酒需要有参照物。
参照物可以是同一产区中的其他葡萄酒，也可以是具有代表性的葡萄酒。
通过与参照物进行比较，可以更清晰地了解葡萄酒的特点和优劣之处。
最后，评价葡萄酒需要注意主观性和客观性的平衡。
评价葡萄酒需要考虑个人感受和主观偏好，同时也要尽量客观地评价葡萄酒的品质和性能。
综上所述，葡萄酒评价是一个复杂而有挑战性的过程，需要结合葡萄酒的外观、气味、口感和口感等多个方面进行评价，并注意系统性、科学性、参照性、主观性和客观性的平衡。
通过不断学习和实践，可以提高对葡萄酒的评价能力，并享受评价葡萄酒的乐趣。
葡萄酒的评价问题
葡萄酒的评价问题首先，我们来谈谈葡萄酒的外观。
一个好的葡萄酒应该有一个清澈纯净的外观，没有悬浮物或沉淀物。
颜色也是评价葡萄酒的重要因素之一、红葡萄酒应该有鲜艳而明亮的颜色，白葡萄酒则应该呈现透明而清澈的色调。
接下来是葡萄酒的香气评价。
闻一下葡萄酒，我们可以发现各种各样的香气，如水果的香味（例如桃子、李子或柠檬）、花香、香料或橡木桶的香气等。
一个好的葡萄酒应该有丰富而复杂的香气，而不只是单一的香味。
口感是评价葡萄酒的另一个重要因素。
葡萄酒的口感可以分为轻盈或丰满、柔顺或严厉、酸或甜等。
葡萄酒的质地也是评价口感的关键因素之一，如丝滑、干燥或粘稠。
一个好的葡萄酒应该在口感上平衡和谐，柔顺而干爽。
余味是葡萄酒品尝的最后一个环节。
一个好的葡萄酒应该有一个持久而愉悦的余味，它会在你品尝完之后留存几秒甚至几分钟。
余味可以是水果的味道、香料的味道或者其他令人愉悦的味道。
以下是评价葡萄酒的一些专业术语和常见的评价标准：1.浓度：指的是葡萄酒中的酒精和其他溶解性物质的含量。
浓度越高，葡萄酒通常越坚固和丰满。
2.酸度：葡萄酒中的酸度对于口感和平衡性非常重要。
高酸度的葡萄酒会让人感到清新、爽口，而低酸度的葡萄酒则会显得平淡无味。
3.甜度：葡萄酒中的糖分含量会影响其甜度。
干型葡萄酒几乎没有残余糖分，而甜型葡萄酒则含有较高的糖分。
4.单宁：单宁是葡萄酒中的一种天然化合物，会给葡萄酒带来一种苦涩和干燥的感觉。
适量的单宁可以为葡萄酒增加结构和口感。
5.均衡和复杂性：均衡是指葡萄酒中各个组成部分（如酸度、单宁和甜度）之间的和谐程度。
而复杂性是指葡萄酒中各种香气和味道的丰富性和层次感。
最后，评价葡萄酒是一个主观性很强的过程，每个人的口味和喜好都不尽相同。
一方面，要根据自己的口味和喜好来评价葡萄酒；另一方面，多尝试不同类型的葡萄酒，以拓宽自己的葡萄酒品味。
总结起来，评价葡萄酒需要从外观、香气、口感和余味等方面综合考虑。
同时，专业术语和常见的评价标准可以帮助我们更好地理解和描述葡萄酒的特点。
葡萄酒评价问题分析
葡萄酒评价问题分析
葡萄酒的评价对于酿酒师来说依然具有不可缺少的重要性，一款优秀的葡萄酒需要经过严格的葡萄酒评价体系，并从评价者的视角准确估算出葡萄酒的价值，从而更好地衡量葡萄酒的质量，推动葡萄酒行业的发展。
具体来说，葡萄酒评价具有以下几个问题。
首先，葡萄酒评价需要考虑评价者的主观因素，葡萄酒的质量和价值受评价者心理和审美偏好的影响，因此，评价者可能会根据他们的审美偏好来对葡萄酒进行评价，这可能导致他们过分挑剔，最终对葡萄酒的评价不公正。
其次，葡萄酒的评价受到外在因素的影响，如葡萄酒原料质量、环境因素及酿造过程等。
如果实验室条件不理想，由于实验条件的不匹配，最终得出的评价可能与真实葡萄酒性能有较大差异。
数学建模葡萄酒评价问题
数学建模葡萄酒评价问题葡萄酒作为一种重要的饮品，在许多场合都扮演着重要的角色。
但在选择和鉴赏葡萄酒时，往往需要一定的专业知识和经验。
如何评价葡萄酒的品质，成为一个重要的问题。
通过数学建模，可以对葡萄酒评价问题进行深入研究。
一、葡萄酒评价的一些基本概念在对葡萄酒进行评价时，我们需要了解一些基本概念。
其中有几个核心概念，包括：1.口感：葡萄酒口感主要包括甜度、酸度、单宁和酒精度四个方面。
其中，甜度和酸度是相反的两个方面，而单宁和酒精度则是影响葡萄酒深度和复杂度的关键因素。
2.香气：葡萄酒香气是葡萄酒评价中非常重要的部分，其中包括了果香、花香、木香等多种因素。
3.口感平衡度：葡萄酒口感的平衡度是评价葡萄酒品质的重要指标，它包括了口感中甜度、酸度、单宁和酒精度四个因素之间的和谐程度。
二、对葡萄酒品质的数学建模通过对葡萄酒的评价指标进行分析和量化，我们就可以建立一种数学模型，来对葡萄酒的品质进行评价。
其中的一些关键步骤包括：1.建立评价指标的量化模型：通过对葡萄酒评价指标的分析，我们可以建立相应的量化模型。
例如，将单宁的口感评价量化为0-10分，将香气的评价量化为0-5分等等。
2.确定评分标准：针对不同类型的葡萄酒，我们可以设定相应的评分标准。
例如，某种类型的葡萄酒，其平衡度得分要高于80分，香气得分要高于90分等等。
3.对葡萄酒样品进行测量和评分：在具体的评分过程中，我们需要对葡萄酒样品进行测量和评分，以得出相应的评价分数。
三、葡萄酒品质的数据分析通过对大量葡萄酒样品的评价数据进行收集和整理，我们可以进行相应的数据分析，以得到一些关于葡萄酒品质的重要结论。
例如：1.不同类型的葡萄酒在各项评价指标上存在差异。
例如，红葡萄酒相对白葡萄酒来说，具有更重的单宁和更鲜明的果香和木香。
2.葡萄酒品质在不同地区和不同产年之间也存在差异。
例如，同一品种的葡萄，在不同地区以及不同产年中，会产生明显的差异。
3.葡萄酒品质和价格之间的关系并不一定单调。
葡萄酒问题——精选推荐
葡萄酒的评价一、问题重述确定葡萄酒质量时一般是通过聘请一批有资质的评酒员进行品评。
每个评酒员在对葡萄酒进行品尝后对其分类指标打分，员在对葡萄酒进行品尝后对其分类指标打分，然后求和得到其总分，然后求和得到其总分，从而确定葡萄酒的质量。
酿酒葡萄的好坏与所酿葡萄酒的质量有直接的关系，酿酒葡萄的好坏与所酿葡萄酒的质量有直接的关系，葡萄酒和酿酒葡萄酒和酿酒葡萄检测的理化指标会在一定程度上反映葡萄酒和葡萄的质量。
附件1给出了某一年份一些葡萄酒的评价结果，附件2和附件3分别给出了该年份这些葡萄酒的和酿酒葡萄的成分数据。
请尝试建立数学模型讨论下列问题： 1. 1. 分析附件分析附件1中两组评酒员的评价结果有无显著性差异，哪一组结果更可信？哪一组结果更可信？ 2. 2. 根据酿酒葡萄的理化指标和葡萄酒的质量对这些酿酒葡萄进行分级。
根据酿酒葡萄的理化指标和葡萄酒的质量对这些酿酒葡萄进行分级。
二、问题分析1 1、、 对于问题一，首先对附件一中的数据进行检查，剔除异常值；然后分别将各个评酒员对每个样品酒各项指标的打分求和。
然后对两组评酒员对酒的评价进行方差分析，便可得出两组评价结果有无显著性差异。
便可得出两组评价结果有无显著性差异。
然后对哪一组结果更可然后对哪一组结果更可信的问题，我们对各组内的打分进行方差求解，并且认为打分方差较小的那组，结果比较稳定，所以更可信。
结果比较稳定，所以更可信。
2 2、、对于问题二，对于问题二，对酿酒葡萄进行分级。
对酿酒葡萄进行分级。
对酿酒葡萄进行分级。
酿酒葡萄的好坏直接影响葡萄酒的好酿酒葡萄的好坏直接影响葡萄酒的好坏，坏，也就是葡萄酒的好坏可以反应酿酒葡萄的好坏。
也就是葡萄酒的好坏可以反应酿酒葡萄的好坏。
也就是葡萄酒的好坏可以反应酿酒葡萄的好坏。
根据观察，根据观察，根据观察，对附件二中酿酒对附件二中酿酒葡萄的的部分成分求平均。
利用回归分析找出酿酒葡萄的哪些指标对葡萄酒的质量有显著影响，量有显著影响，然后根据这些筛选出来的指标，然后根据这些筛选出来的指标，然后根据这些筛选出来的指标，利用聚类分析，利用聚类分析，利用聚类分析，对这些酿酒葡萄对这些酿酒葡萄进行聚类分级。
a题 葡萄酒的评价
a题葡萄酒的评价葡萄酒的评价是一项需要经验和专业知识的工作，而且每个人对于葡萄酒的口味和品质都有不同的偏好。
一般来说，评价一款葡萄酒需要考虑它的外观、气味、口感和品质等多个方面。
首先，外观是评价一款葡萄酒的第一步。
葡萄酒的外观通常包括颜色和清澈度。
颜色可以告诉我们葡萄酒的年龄、种类和质量。
例如，年轻的白葡萄酒通常呈现出清澈的淡黄色，而陈年的红葡萄酒可能呈现出深红色或褐色。
清澈度则表明葡萄酒是否澄清良好。
其次，气味是葡萄酒评价中的关键要素之一。
葡萄酒的气味可以分为初级香味、次级香味和陈年香味。
初级香味通常是葡萄酒的果香，次级香味可能是葡萄酒的花香或草本香味，而陈年香味则是葡萄酒在陈年过程中产生的气味。
气味的复杂性和持久性也是评价一款葡萄酒的重要指标。
口感是评价葡萄酒的另一重要方面。
口感通常包括酒体、酒质和余味。
酒体是指葡萄酒的口感厚重程度，可以是轻盈、中等或饱满。
酒质是指葡萄酒的口感细腻度，可以是柔滑、粗糙或均衡。
余味则是葡萄酒在口腔中停留的时间和味道的持久性，优质的葡萄酒通常有长而丰富的余味。
最后，葡萄酒的品质是评价的最终目标。
葡萄酒的品质包括酒的平衡、复杂性和陈年潜力。
平衡是指葡萄酒的酒体、酒质、酸度和酒精之间的和谐程度。
复杂性则是指葡萄酒的口感和气味的多样性和深度。
陈年潜力是指葡萄酒在未来陈年的潜力和发展空间。
综上所述，葡萄酒的评价是一个综合性的过程，需要考虑外观、气味、口感和品质等多个方面。
只有通过对葡萄酒的全方位评价，才能准确地判断一款葡萄酒的品质和特点，为消费者提供更好的饮酒体验。
CUMCM A题葡萄酒评价讲评
问题二的建模
• 问题：根据酿酒葡萄的理化指标和葡萄酒的质 量对这些酿酒葡萄进行分级
• 评阅要点：给出根据酿酒葡萄的理化指标和葡 萄酒的质量对这些酿酒葡萄进行分级的原则 模型 算法和结果
• 确定酿酒葡萄质量好坏的主要依据是问题1中 评酒员对酒的质量的评价结果;根据这个评价 结果和酿酒葡萄的各种理化指标给出确定葡萄 质量的模型;由此给出这些酿酒葡萄的分级结 果
• 优点：既考虑了葡萄的理化指标;又考虑了葡萄酒的评 分对葡萄分级的影响; 保留了对酒的质量有较大影响的 理化指标
• 分级结果的检验：应与葡萄酒的分级结果基本一致
问题三
• 问题：分析酿酒葡萄与葡萄酒的理化指标之间 的联系
• 评阅要点： 1 给出分析酿酒葡萄与葡萄酒的成分之间关系 的原理 模型和方法;得到葡萄酒的理化指标是 否与葡萄的理化指标相关的结论;相关时给出 具体的依赖关系 2 求解时最好先对葡萄的理化指标包括芳香物 质进行分类和筛选;然后进行评价
• 根据附录三中得到葡萄的芳香类理化指标;根据其化 学性质;将其划分为酯类;芳香烃类;醛类;萜类 以各类 芳香物质的相对分子质量作为权重;进行加权平均
建模方法
• 相关性分析;典型相关性分析； • 多元回归分析;偏最小二乘回归分析； • 多因素优势的灰色关联度分析；
问题四
• 问题：分析酿酒葡萄和葡萄酒的理化指标对葡 萄酒质量的影响;并论证能否用葡萄和葡萄酒 的理化指标来评价葡萄酒的质量
CUMCM_A题：葡萄酒的评价
• 问题背景：确定葡萄酒质量时一般是通过
聘请一批有资质的评酒员进行品评 每个评酒
员在对葡萄酒进行品尝后对其分类指标打分 ;然后求和得到其总分;从而确定葡萄酒的质 量 酿酒葡萄的好坏与所酿葡萄酒的质量有 直接的关系;葡萄酒和酿酒葡萄检测的理化 指标会在一定程度上反映葡萄酒和葡萄的质 量 附件1给出了某一年份一些葡萄酒的评价 结果;附件2和附件3分别给出了该年份这些 葡萄酒的和酿酒葡萄的成分数据
葡萄酒感官评价
葡萄酒感官评价葡萄酒的品评大致可以分为三方面，观色、闻香和品尝。
本文着重为您展示葡萄酒的闻香和品尝。
其实葡萄酒的变化如同人生的变化。
年轻时热情活泼、朝气蓬勃，有时却会显得经验不足、太过青涩；随阅历的累积、时光的雕琢，渐渐趋向成熟，展现出优雅魅力，达到事业顶峰；一过中年，又慢慢走向衰老。
因酒龄、品种、种植条件的不同，葡萄酒带给人的感觉也千变万化。
1、红葡萄酒1）香气评价香气的类型会因葡萄酒的酒龄不同而不同。
年轻的红葡萄酒多展现出新鲜的花果类香气，这是来自葡萄品种本身的香气。
如博若莱的佳美葡萄酒，常常展现出紫罗兰、覆盆子、红樱桃的香气。
有的葡萄酒也会带有植物类香气，如年轻的赤霞珠葡萄酒时而会出现青椒、新鲜碎树叶的味道。
适合陈酿的葡萄酒，随着橡木桶中的陈酿时间的增加，会逐渐散发出香料类、干果类、烟熏类香气。
如里奥哈的特级珍藏，常会出现香草、烤面包、烟草的味道。
葡萄酒中的香气越复杂，变化越丰富，葡萄酒的评价也会更高。
2）口感评价当你喝进一口葡萄酒时，先不用急着咽下，可以仔细的感受葡萄酒中的各种滋味。
舌尖最敏感的是甜味，舌头上部会感觉到涩味，两端常感觉有酸味。
口感的评价，很重要的一点是平衡，即是指各种味道之间的协调。
对红葡萄酒来说，是指单宁与酒精之间的协调。
酒精带给人甜味，单宁带给人酸味和涩味；酒精与单宁的味道是相互抗衡的。
如果甜、酸、涩之间达到一种协调，这款酒在口中就能感觉到比较平衡。
此外还有浓郁度，如果同时拿两瓶葡萄酒对比，这种体会就会比较深刻。
酒体的轻或重，这种感觉如同喝一杯水和一碗肉汤。
很明显，肉汤的感觉会重一些。
葡萄酒的酒体与酒精及其他物质的含量有关，是一种综合感觉。
口腔感觉，虽然葡萄酒均会给人酸涩的感觉，但是这种酸涩之间又有不同。
一般来说，酒龄更长的葡萄酒，喝起来会更加舒服，舌头上面的涩味感会没有那麽强烈。
这并不是说单宁的含量变少了，或者是酒精的含量变多了。
这是因为酒中的单宁随时间的变化更加细腻了，所以你的感觉才不会像喝同类型的新酒那般强烈。
葡萄酒的评价问题
我们参赛选择的题号是（从 A/B/C/D 中选择一项填写）： 我们的参赛报名号为（如果赛区设置报名号的话）： 所属学校（请填写完整的全名）： 参赛队员 (打印并签名) ：1. 麻思达
2. 潘博渊 3. 李蕾 指导教师或指导教师组负责人 (打印并签名)：
日期： 日
A 年月
赛区评阅编号（由赛区组委会评阅前进行编号）：
酿酒红白葡萄和红白葡萄酒理化指标的主成分分析结果见如红葡萄的理化指标主成分分析结果红葡萄的主成分第一主成分rg1第二主成分rg2第三主成分rg3主要包含成分名称花色苷单宁干物质含量白藜芦醇第四主成分rg4第五主成分rg5ph白葡萄的理化指标主成分分析结果白葡萄的主成分第一主成分wg1第二主成分wg2第三主成分wg3第四主成分wg4包含成分名称可溶固形物干物质含量总酚葡萄总黄酮固酸比苹果酸红葡萄综合评分的结果根据主成分理化指标综合评分的结果得出各类葡萄的综合评分结果
问题四，因为问题三已经得出了酿酒葡萄与葡萄酒理化指标具有显著的线性 关系的结论，因此本问中以葡萄酒质量为因变量葡萄酒理化指标的典型相关变量 为自变量进行多元线性回归，回归结果如下： Q = 70.515 − 0.805× v9 −1.375× v8 − 0.499× v7 + 0.043× v6 − 0.640× v5 − 0.581× v4 + 0.925× v3 + 0.382× v2 − 2.132× v1
对于问题二，我们根据酿酒葡萄的理化指标和葡萄酒的质量对葡萄进行了分 级。首先对酿酒葡萄的理化指标进行标准化处理，应用主成分分析法得出了主成 分的主要构成。又基于主成分综合评分将葡萄的等级划分为五级，最终得出酿酒 葡萄的分级标准。
对于第三问，首先通过线性回归检验筛选出与葡萄酒理化指标拟合最为紧密 的酿酒葡萄理化指标，再计算每组之间的相关系数，通过典型相关分析得出每组 之间的强度关系。最后对得出的相关系数进行分析，得出酿酒葡萄与葡萄酒的理 化指标之间的联系。
葡萄酒的评价
葡萄酒的评价一、观色：主要观察葡萄酒的色泽和澄清度。
白葡萄酒的颜色从年轻时的水白色或浅黄带绿边到成熟后的禾杆黄、深金黄色。
红葡萄酒会因酒的陈年而颜色淡退，从紫红变为深红、宝石红、桃红、橙红。
葡萄酒澄清度不高，表明该葡萄酒受到了细菌污染或发生了非生物混浊，从而可以判断它的澄清工序和过滤工序是否完好，保藏条件是否卫生，是否变质。
酒的颜色应该明亮，如缺乏亮度是象征其味道也可能呈现单调。
因酒的亮度是由其酸和品质所构成的。
二、闻香：闻香是嗅酒的香气是否协调、完美。
酒香是葡萄酒本身必须具备的典型物质。
第一次先闻静止状态的酒，一般只闻到扩散性最强的那一部分香气。
第二次闻香前，先晃动酒杯，促使酒与空气中的氧接触，让酒的香味物质释放出来。
这次闻到的香味应该是比较丰富、浓郁、复杂。
第三次闻香主要用于鉴别香气中的缺陷。
闻香前，先用力摇动酒杯，使葡萄酒剧烈转动。
这样可加强葡萄酒中醋酸乙酯、氧化、霉味、苯乙烯、硫化氢等使人不愉快的气味的释放。
品酒时，白葡萄酒品香温度最好在14 ℃摄氏度以下；红葡萄酒温度稍高，但不得超过20 ℃。
由于葡萄酒香气极为复杂，所以闻香时主要是注意酒的果香和酒香两种。
三、品味：以口感品尝酒体的滋味也是对葡萄酒品质的直接检验。
品味时，啜上一口葡萄酒含在口中不急于马上吞下去，用舌头在口腔里快速搅动，让整个口腔的上、下颚充分与酒液接触，去体味其口感或酒体。
四、葡萄酒品评的地点要求1、适宜的光线：充足、均匀的散射光，人工光源用日光灯类；2、无杂讯：品尝场所应远离杂讯源，最好是隔音的；3、清洁卫生无异味：品尝场所应便于通风或排气，无任何异味；4、保持使人舒适稳定的温度与湿度：温度保持在20～22 ℃，相对湿度以60 %～70 %为宜。
5、平衡度葡萄酒的平衡是指各种物质之间的平衡，我们可以将各种物质分为两大类，即果味和糖分属于一类，酸和单宁属于另外一类。
这两类物质之间，也存在着一种平衡。
水果或糖的增加，可以与过高的酸和单宁相平衡。
葡萄酒评价问题分析
贡献率% 0.2387 0.1537 0.1238 0.0969 0.0684 0.0600 0.0489 0.0414
累积贡献率% 0.2387 0.3924 0.5162 0.6131 0.6815 0.7415 0.7904 0.8318
从上表张我们看到前八个因子累计贡献率达到 83.1%，基本信息包含在这些因子里。
因此，认定第二组的评酒员的评价稳定性较高， 数据比较可靠。
二、葡萄分级
(一) 酿酒葡萄指标的遴选 酿酒葡萄有很多的理化指标，我们在分析时只
考虑30个一级指标。经观察，在一级指标中固酸比 指标值=可溶性固形物指标值/可滴定酸指标值，因 为三个指标间的关系，因此我们选择剔除可溶性固 形物指标。选择29个一级指标作为分析指标。
判定正态性 >> z=zscore(y1);%数据标准化 >> a=kstest(z)%数据判定是否正态 输出结果
a=0 所以数据服从正态分布
对数据做成对数据的假设检验： H0：μd=0，两组数据无差别， H1：μd≠0，两组数据存在差别 (1)将两组数据对应相减
d=y1-y2=[-0.8 -0.2 0 0.5 0.7 0.4 0.5 -0.7
>> [h,sig,ci,stats]=ttest(x3,0,0.05,0)
结果： h= 1 sig = 0.0195 ci = 0.4489 4.6918 stats = tstat: 2.4905 df: 26 sd:5.3628
%拒绝原假设 %假设成立的概率 %均值的置信区间
%统计值 %自由度 %样本标准差
i 1
10
yiБайду номын сангаасj )
1 27
葡萄酒的评价
题目：葡萄酒的评价【摘要】葡萄酒是世界上三大酒种之一，葡萄酒的准确评价和理化指标的评测对我国葡萄酒产业崛起有着重要意义，本文针对葡萄酒的评价问题进行了建模、求解和相关分析。
对于问题一，首先将原始评分数据提取整合为两个组分别对27种红葡萄酒样品和28种白葡萄酒样品的综合平均评分，然后利用皮尔逊检验判断出评分结果无法用正态分布进行拟合，因而采取非参数假设检验中的Wilcoxon符号秩检验方法分别对红葡萄酒样品两组评分结果、白葡萄酒样品两组评分结果进行显著性分析，最终得出当α≥0.0118时，红葡萄酒样品的两组评分结果具有显著性差异；当α≥0.0376时，白葡萄酒样品的两组评分结果具有显著性差异。
通常情况下选取显著性水平α=0.05，即两组评酒员对葡萄酒样品的评价结果具有显著性差异。
将两组评酒员对27种红葡萄酒、28种白葡萄酒的评分从高到低排序，运用欧式距离判别法求出评分排序与平均分排序的距离，距离越小说明评分越接近平均值，一致性越好，最终通过两组距离比较确定第一组评分结果更可信。
对于问题二，需要根据酿酒葡萄的理化指标和葡萄酒的质量对酿酒葡萄进行分级，首先利用Excel软件的统计工具箱将酿酒葡萄的各项理化指标分别与对应葡萄酒的质量评分作相关性分析，得到酿酒葡萄的蛋白质含量、DPPH自由基含量、总酚含量、葡萄总黄酮含量和PH值等5个相关性显著的指标，然后利用加权Topsis法对这5个指标值进行分析，求出各种酿酒葡萄与最优方案的接近程度Ci，将Ci划分为5段，从而可将对应的酿酒葡萄分为5级。
对于问题三，需要分析酿酒葡萄与葡萄酒的理化指标之间的联系，即是要分析两组随机变量之间的相关性关系，可以考虑运用多元统计分析中Hotelling 典型相关分析法进行求解。
首先在每组变量中找出变量的线性组合，使得两组的线性组合之间具有最大的相关系数。
然后选取和最初挑选的这对线性组合不相关的线性组合，使其配对，并选取相关系数最大的一对，如此继续下去，直到两组变量之间的相关性被提取完毕为止，从而最终求得酿酒葡萄与葡萄酒的理化指标之间的相关关系。
葡萄酒评价问题
葡萄酒评价问题摘要葡萄酒评价问题属于数理统计分析问题，需要对大量数据进行处理分析建立模型，从而对酿酒葡萄进行分级，并确定酿酒葡萄与葡萄酒的理化指标之间的联系，从而给出葡萄酒的综合评价模型，并用MATLAB进行求解。
问题一，我们对两组评酒员的评价结果进行了显著性差异分析。
根据已给的数据特点，两组数据的均值差服从同一分布，于是我们选用了基于数据的t 假设检验法，求解可知两组评酒员的评价结果基本上不存在显著性差异。
在对于评酒师的评价结果的可信度分析中，采用方差比的基于数据的F假设检验法，求解可知第二组的可信度更高。
问题二，我们以累计贡献率0.85作为限值，用主成分分析法对酿酒葡萄的理化指标进行了分析，再根据主成分的值对理化指标进行聚类分析，红葡萄酒和白葡萄各得到6类。
最后对葡萄的理化指标和葡萄酒的评价得分赋予0.5:0.5的权重进行相加计算总得分Q。
由修正后的总得分Q得到葡萄聚类后的分级。
问题三，通过相关性分析得到每个葡萄酒样品和葡萄理化指标之间的相关系数，找到线性关系较强的理化指标，然后对这些指标建立多元线性回归方程，并利用残差分析拟合方程效果，拟合效果良好。
问题四，我们用二级模糊综合评判评价葡萄酒的质量，以各项评分所占的比例为A，由相关性分析得到权重A。
分析葡萄酒和葡萄的理化指标，得到模i糊评价的结果。
并与第二组评酒员的评价结果进行比较，发现可以用葡萄和葡萄酒的理化指标来评价葡萄酒的质量。
关键词：t假设检验；F假设检验；主成分分析；聚类分析；回归分析；模糊分析一、问题重述葡萄酒质量的确定一般是通过聘请一批有资质的评酒员进行品评。
每个评酒员在对葡萄酒进行品尝后对其分类指标打分，然后求和得到其总分，从而确定葡萄酒的质量。
酿酒葡萄的好坏与所酿葡萄酒的质量有直接的关系，葡萄酒和酿酒葡萄检测的理化指标会在一定程度上反映葡萄酒和葡萄的质量。
根据所给出的某一年份一些葡萄酒的评价结果，以及所给出的该年份这些葡萄酒的和酿酒葡萄的成分数据。
葡萄酒品评细则
葡萄酒品评细则一、葡萄酒的外观评价葡萄酒的外观评价主要包括颜色、透明度和附着力。
以下是具体的评价要点：1. 颜色葡萄酒的颜色可以提供关于葡萄品种、葡萄酒的年份和酿造工艺等信息。
常见的颜色包括深红色、紫色、黄金色等。
评价时需要注意以下几个方面：•色彩纯度：酒液是否具有鲜明的纯色，或者存在其他杂质色。
•色调：葡萄酒的颜色在光谱中所占比例，比如蓝色调、红色调等。
•色度：颜色的深浅程度，可以用浅色、中等色和深色等词语进行描述。
2. 透明度透明度是指葡萄酒的清澈程度，可以通过观察酒液是否有颗粒物、浑浊或杂质等来评价。
需要注意的是，一些葡萄酒可能会有一定程度的浑浊，这是由于酒液中的沉淀物或酿造工艺所致。
3. 附着力附着力是指葡萄酒在杯壁上滑动的速度和程度。
一般来说，附着力越强，酒体的质地和浓度越高。
通过观察酒液在杯壁上的水平线和滴落情况，可以对葡萄酒的附着力进行评价。
二、葡萄酒的气味评价葡萄酒的气味评价是鉴定和品尝葡萄酒的重要环节，主要包括香气和气味的辨认和描述。
以下是具体的评价要点：1. 香气香气是指葡萄酒中芳香物质的感知，通常可以分为主要香气和次要香气两种。
•主要香气：来自葡萄品种本身的香气，比如果香、花香、香草香等。
•次要香气：可以来自酵母菌或橡木桶陈酿等过程中的化学反应产生的香气，比如酵母香、烤麦香等。
评价时需要注意以下几个方面：•强度：香气的程度，可以用轻微、中等和浓郁等词语进行描述。
•质地：香气的质地，可以是清新的、沉重的、芬芳的等。
2. 气味气味是指葡萄酒中除了香气外的其他感知，比如酒的发酵状态、贮存、酿造工艺等。
常见的气味包括酸味、酒精味、木材味等。
评价气味时需要注意以下几个方面：•强度：气味的程度，可以用轻微、中等和浓郁等词语进行描述。
•质地：气味的质地，可以是清新的、沉重的、刺激性的等。
三、葡萄酒的口感评价葡萄酒的口感评价是通过品尝葡萄酒时对其所产生的触觉和感受来评价。
以下是具体的评价要点：1. 口感质地口感质地是指葡萄酒在口腔中所产生的感受，常见的口感质地有滑爽、干涩、澄净等。
葡萄酒的质量分析与评价
考虑到与葡萄酒的质量成最直接关联的应该是葡萄酒中的化学物质，即其对应 的理化指标；而酿酒葡萄中的理化指标由于经过酿酒过程转化成葡萄酒中的理化指 标，其对于葡萄酒质量的影响则相应较低。因此可在逐步回归分析的基础上基于葡 萄和葡萄酒的关系扩展成多级逐步回归分析，第一级以葡萄酒的理化指标为解释变 量与葡萄酒的质量进行直接逐步回归分析；第二级则以葡萄的理化指标为解释变量 与葡萄酒的理化指标进行回归分析；从而论证是否能用葡萄和葡萄酒的理化指标评 价葡萄酒的质量这一命题则可转化为：(1)针对葡萄酒的理化指标，是否能通过逐步 回归分析得到关于葡萄酒理化指标和葡萄酒质量的回归方程，并且方程的检验量能 通过显著性检验；(2)针对葡萄的理化指标，仅当(1)情况得以成立时，是否能通过逐 步回归分析得到关于葡萄理化指标和葡萄酒理化指标的回归方程，并且方程的检验 量能通过显著性检验。
移变换 xj
Mj
xj ，其中 M j
max
1in
xij
。则可将极小型指标 x j 化为极大型。
（2） 居中型化为极大型
5
对于居中型指标
xj
，即
xj
取中间值
M
j
mj 2
为最好。要将其化为极大型指标，
令
xj
2(x j Mj
mj mj
)
,mj
2(M Mj
j xj mj
然后，针对指标体系中的每一种方向类别，可使用聚类方法基于指标间数值的 相似性将其初步划分成若干类别，则对于类别中的理化指标，可引入优势因子以等 级方式刻画其数之间的差异性，建立相应的优势因子矩阵，再通过计算聚类所得的 类别内所有指标的优势因子总和并进行比较，确定类别间的优势值的高低，进而确 定聚类所得的类别对应的等级，通过对各方向类别应用优势矩阵，可分别得到类别 中各等级的优势值，最后通过加权求和或均值等数值处理，将基于优势值的各方向 类别的等级划分综合得到总的等级划分。
葡萄酒的评价与理化指标检验
葡萄酒的评价与理化指标检验葡萄酒是一种受到广泛关注和喜爱的饮品，其品质和风味对消费者来说至关重要。
因此，葡萄酒的评价和理化指标检验是保证葡萄酒质量和消费者满意度的重要环节。
首先，观察外观是葡萄酒评价的第一步。
我们可以根据酒液的颜色、透明度和颜色的变化来判断其品质和类型。
例如，红葡萄酒通常呈现出紫红色、橘红色或棕红色，而白葡萄酒则呈现出浅黄色、金黄色或淡黄色。
其次，酒液的香气也是评价葡萄酒的重要指标。
葡萄酒的气味可以分为果香、花香、香料和烟熏等不同的类型。
评价葡萄酒的香气要注意其清新、浓郁和持久性等特点。
口感也是评价葡萄酒的重要指标之一、葡萄酒的口感可以分为甜、酸、苦和酒体等几个方面。
良好的口感应该是平衡和谐的，不过于酸或苦，而且具有适度的酒体和丰富的层次。
最后，葡萄酒的余味也是评价其质量的重要指标之一、余味是指饮用完毕后在口腔中残留的感觉，良好的葡萄酒应该有清爽的余味，并且在口中久久不散。
除了评价，葡萄酒的理化指标检验也是确保其质量的重要环节。
葡萄酒的理化指标主要包括酒精度、总酸、挥发性酸度、pH值、总酚和氨基酸等几个方面。
酒精度是指葡萄酒中的酒精含量，通常以体积百分比（vol%）表示。
合理的酒精度对于葡萄酒的口感和风味具有重大影响。
总酸度是指葡萄酒中的总酸含量，它与葡萄酒的口感和新鲜度有关。
挥发性酸度是葡萄酒中的挥发性酸的含量，它与葡萄酒的稳定性和储存寿命有关。
pH值是葡萄酒的酸碱度，对于葡萄酒的稳定性和感官性质具有重要作用。
总酚是指葡萄酒中的酚类物质含量，它与葡萄酒的色泽和抗氧化性有关。
氨基酸是葡萄酒中重要的风味物质，它对葡萄酒的风味和品质有重要影响。
总之，葡萄酒的评价和理化指标检验对于保证葡萄酒质量和消费者满意度至关重要。
通过评价葡萄酒的外观、气味、口感和余味等特征，我们可以判断其品质和风味。
而通过理化指标检验，我们可以了解葡萄酒的酒精度、总酸度、挥发性酸度、pH值、总酚和氨基酸等特征，从而确保葡萄酒的质量和稳定性。
葡萄酒的评价问题
葡萄酒的评价问题摘要科学地对葡萄酒的质量进行评价，关系到葡萄酒产业的发展方向，本文针对酿酒葡萄以及葡萄酒的理化指标进行建模以对其进行科学的定量分析，解决了葡萄酒的分级问题，并得到其中的相互联系和相互影响关系.针对问题一，我们建立了熵权法模型，先通过对两组品酒员的评分赋予相应的权重，继而求出每种葡萄酒加权后获得的总分，再分别对两组评价结果的值进行做差，通过作图获得两组评价结果的差异大小，发现差值并没有稳定在一个小范围内，而是上下大幅度波动，故得出两组品酒员的评价结果存在显著性差异，接着利用品酒员离差系数的计算,第一组离差系数为0.118376，第二组为0.082758，因此得到第二组的评价结果更可信.针对问题二，我们采用主成分分析法，先将酿酒葡萄的理化指标进行降维处理，提取了9种影响指标，然后再制定分级标准对这9种指标进行分级，分成五个等级，从高到低各个等级的指数值依次为5，4，3，2，1，计算得出相应的综合评价指数. 接着，根据问题一中得到的第二组葡萄酒的评价可信性更高的结论，我们将所得的加权总分再进行分级，最后利用“木桶效应”对上述酿酒葡萄的理化指标和葡萄酒质量的分级结果取分级低的那个级别作为最终的酿酒葡萄的分级，得到红葡萄样品23与白葡萄样品3、6、18、24为一级，而红葡萄样品4、13、18与白葡萄样品1、14为五级.针对问题三，我们选取相关系数模型，对酿酒葡萄与葡萄酒的共同理化指标建立相关关系，并做出相关散布图，继而求出相关系数xy r ，通过对|xy r |接近1和0的判断以及xy r 正负的判断，最终确定酿酒葡萄与葡萄酒的理化指标之间的联系.针对问题四，我们建立了灰色关联分析模型，并通过对关联i r 的验证，得到酿酒红葡萄的理化指标与红葡萄酒质量的灰色关联度为0.587，红葡萄酒的理化指标与红葡萄酒质量为0.526，酿酒白葡萄的理化指标与白葡萄酒质量的灰色关联度为0.569，白葡萄酒的理化指标与白葡萄酒质量为0.665，从而证明这四种关系中两两之间的关联性都成立，然后利用“反证法”引入芳香物质作为感官指标的核心指标，结合第三问的理论，再根据集合关系最终得到感官指标不足以评价葡萄酒的质量，而葡萄和葡萄酒的理化指标可以用来评价葡萄酒的质量.本文最大的亮点在模型求解时的简化，并通过作图对问题做更直观地分析，最后，通过对模型的优缺点进行客观评价，并提出了改进方法，同时也为模型的推广提供了方向.关键词：葡萄酒的评价； 酿酒葡萄；理化指标；葡萄酒的质量一、问题重述确定葡萄酒质量时一般是通过聘请一批有资质的评酒员进行品评. 每个评酒员在对葡萄酒进行品尝后对其分类指标打分，然后求和得到其总分，从而确定葡萄酒的质量.酿酒葡萄的好坏与所酿葡萄酒的质量有直接的关系，葡萄酒和酿酒葡萄检测的理化指标会在一定程度上反映葡萄酒和葡萄的质量. 附件1给出了某一年份一些葡萄酒的评价结果，附件2和附件3分别给出了该年份这些葡萄酒的和酿酒葡萄的成分数据. 请尝试建立数学模型讨论下列问题：问题一：分析附件1中两组评酒员的评价结果有无显著性差异，哪一组结果更可信？问题二：根据酿酒葡萄的理化指标和葡萄酒的质量对这些酿酒葡萄进行分级.问题三：分析酿酒葡萄与葡萄酒的理化指标之间存在怎样的联系？问题四：分析酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响，并论证能否用葡萄和葡萄酒的理化指标来评价葡萄酒的质量？二、问题分析2.1. 问题一的分析问题一要求对品酒员的评价结果分析显著差异性，并解决哪一组更可信问题.题目中已经给出了两组品酒员对葡萄酒包括外观、香气、口感在内项目评定的分数，考虑到各个品酒员的打分水平不尽相同，所以关键是要确立两组品酒员评分的权重，并且权重要体现每位品酒员评分的差异性.加权的方法有很多种，诸如平均加权法，动态惩罚加权法等，但对于此种多影响因素的加权，熵权法模型是一个很好的选择.熵权法是一种客观赋权方法，在具体使用过程中，熵权法根据各指标的变异程度，利用信息熵计算出各指标的熵权，再通过熵权对各指标的权重进行修正，从而得出较为客观的指标权重. 这样就可以达到我们的目的.接着，通过权重对每一组中的红酒、白酒进行求解加权总分，再做两组加权总分的差值，通过作图就可以很直观的看到两组评价结果的差异性了. 而对于可信性问题，可以通过离差系数来求解数据的波动性，继而分析出可信性.2.2. 问题二的分析问题二要求对酿酒葡萄进行分级.我们需要先确定酿酒葡萄的理化指标的分级和葡萄酒质量的分级，然后进行两个分级的再综合而得到最终的分级.为此我们要先制定分级的标准，利用主成分分析法对数据进行处理，选取酿酒葡萄主要的影响指标，然后对这些成分测定数据进行分级[1]，各成分指标以其平均数为基准向两侧等距分级，分级间间距为最大值与最小值之差除以分级数所得的数值，并剔除较大及较小的特殊数据，从高到低分为5个等级.根据该划分标准，求出每个理化成分所对应的指数值，将各项指数值累加得到不同品种的综合评价指标.接着由题目意思，我们需要再考虑葡萄酒的质量分级，可以根据问题一中的品酒员加权总数确定下来的那一组葡萄酒作为分级的基础，同样利用上述分级的原则，对葡萄酒的质量进行分级.最后，我们通过酿酒葡萄的理化指标以及葡萄酒的质量进行数据的再处理，最终确定酿酒葡萄的各分级.2.3. 问题三的分析此问题要求找出酿酒葡萄与葡萄酒的理化指标之间的联系，首先需要找出酿酒葡萄与葡萄酒具有的共同指标，这样才能确定它们之间的联系.为了进一步挖掘二者关系，我们选取相关系数模型，从而可以建立起酿造葡萄与葡萄酒的共同指标之间的相关关系，做出相关散布图，得到直观的相关关系程度，并求得相关系数来作为进一步的分析.同时为了获得更好的相关性分析，我们又对酿酒葡萄的总指标以及葡萄酒的总指标进行分析，在宏观上把握二者的相关性.2.4. 问题四的分析问题要求分析酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响，首先我们需要确定酿酒葡萄和葡萄酒的理化指标是否能对葡萄酒质量产生影响. 为此我们建立了灰色关联分析模型，计算酿酒葡萄及葡萄酒与葡萄酒质量之间的关联度，继而确认他们的影响关系.接下来，为了更好地论证葡萄酒的质量影响因素，我们查阅相关资料发现，除了理化指标对葡萄酒的质量有影响外，感官指标也有可能对其产生影响，而对葡萄酒的感官指标最直观的影响因素便是葡萄酒的香味，而香味又是葡萄酒中的芳香物质发挥着作用，这样我们需要针对题目中提供给我们的芳香物质进行论证.三、模型假设模型一假设：假设一：品酒员之间的打分互不影响，相互独立，而且品酒员之间存在打分水平的高低；假设二：品酒员不存在过于主观判断的现象，故意抬高或压低某种葡萄酒的分数；模型二假设：假设一：二级指标是一级指标的子分级，用一级指标可以代替下属的二级指标来进行量的计算，有一定误差但可暂不考虑二级指标；假设二：多次测量得到的数据项目可以通过求平均值获得该项目的含量值；模型三、四假设：葡萄酒和酿酒葡萄检测的理化指标会在一定程度上反映葡萄酒和葡萄的质量.四、模型符号4.1. 模型一符号m：葡萄酒种数n：品酒员人数p i：每种状态出现的概率(i=1,2,…,m)R：m和n形成的原始数据的矩阵w1：第一组葡萄酒各品酒员的评分权重w2：第二组葡萄酒各品酒员的评分权重4.2. 模型二符号p：前p个主成分4.3. 模型三符号r xy ：x 与y 轴两种变量的相关系数 4.4. 模型四符号ξi (k ) ：关联系数r i ：关x ：比较对象的个数 y ：评价对象的个数五、模型的建立和求解5.1 . 问题一的模型建立和求解 5.1.1. 熵权法模型的建立根据问题分析当由题目所述的品酒员的评分系统，处于多种不同的状态. 而每种状态出现的概率为i p 时，则该系统的熵就定义为：∑=-=mi i i p p e 1ln .显然，当m p i /1=时，即各种状态出现的概率相同时，熵取最大值为：m e ln m ax =.现有m 个待评项目，即题目中的葡萄酒的种类，n 个评价指标，即品酒员数，则形成原始评价矩阵n m ij r R ⨯=)(对于某个指标j r 有信息熵：∑=⋅-=mi ij ij p p e 1ln ，其中 ∑==mi ij ij ij r r p 1/.从上述式子分析可得如果某个指标的熵值j e 越小，说明其指标值的变异程度越大，提供的信息量越多，在综合评价中该指标起的作用越大，其权重应该越大； 如果某个指标的熵值j e 越大，说明其指标值的变异程度越小，提供的信息量越少，在综合评价中起的作用越小，其权重也应越小.这样，根据各品酒员的变异程度，利用熵来计算各品酒员的熵权，利用各品酒员的熵权对所有品酒员进行加权，从而得出较为客观的品酒员评分的权值. 依照上述原理，首先建立原始数据矩阵：⎪⎪⎪⎪⎪⎭⎫ ⎝⎛=mn m m m n n r r r r r r rr r r r r R32122322211131211,其中r ij 为第j 个品酒员对第i 种葡萄酒的评价值.接下来我们再求各个品酒员所评分数值的权重过程：步骤1 计算第j 个品酒员对第i 种葡萄酒的指标值比重ij p ：∑==mi ij ij ij r r p 1/;步骤2 计算第j 种葡萄酒的熵值j e ：∑=⋅-=mi ij ij j p p k e 1ln 其中，m k ln /1=;步骤3 计算第j 种葡萄酒的熵权j w ：∑=--=nj j j j e e w 1)1(/)1(;步骤4 确定指标的综合权数：在此处我们根据目的和要求将指标重要性的权重确定为 n j j ,,2,1, =α，结合指标的熵权j w 就可以得到指标j 的综合权数：∑==mi ii ii j ww 1ααβ.综上所述，利用MATLAB （源程序见附录1）计算中各个品酒员在打分上的权重值，计算得到第一组葡萄酒个品酒员评分的权重为：由各位品酒员的权重分析结果知，第二位品酒员所赋权重偏大，第八位品酒员偏小. 第二组葡萄酒个品酒员评分的权重为：由各位品酒员的权重分析结果知，第四位品酒员所赋权重偏大，第三位品酒员偏小. 通过1w ，2w 的权重值，我们得到如下表格，见表一：为了获得更好的数据比较以期获得两组评价结果是否存在显著性差异，我们通过第二组的红葡萄酒加权总分与第一组红葡萄酒的加权总分的差值，第二组的白葡萄酒加权总分与第一组白葡萄酒的加权总分的差值做出下图，见图一：图一从上图看，可以明显得到：差值并没有稳定在一个小范围内，而是上下大幅度波动所以得出两组评酒员的评价结果存在显著性差异.5.1.2. 两组品酒员离差系数计算以及可信性分析依据问题分析，可以得到每位专家对55种葡萄酒（红葡萄酒和白葡萄酒）在外观分析、香气分析、口感分析以及整体评价四个项目中的总得分数，并求得每种葡萄酒获得10位品酒员评分的离差系数（见附表2）.离差系数是一个表示标准差相对于平均数大小的相对量，其公式为）平均数（）标准差（）变差系数（x /C v σ=根据以上公式可以得出：由离差系数的数值大小代表数据波动性大小，得到第二组品酒员的离差系数更小，说明其评酒的稳定性更高，所评成绩不会存在波动很大的现象，说明其结果更可信.5.2.问题二的模型建立和求解5.2.1.主成分分析模型的建立由于在指标总表中，酿酒葡萄的理化指标存在过多的影响指标，分析起来难度很大，我们查阅相关资料[2]了解到糖、酸、单宁、色素和芳香物质是构成酿酒葡萄品质优劣的要素，但由于在指标总表中，酿酒葡萄的理化指标存在过多的影响指标，分析起来难度很大，而人为选择变量影响指标往往会带有主观性，这样，必须对所考虑的众多变量用数理统计方法经过正交化处理变成一些相互独立、为数较少的综合指标[3]，而主成分分析法正好为实现这种想法提供了十分有效的数学方法，为此我们利用主成分分析从累计贡献率确定品质评价因素的选择个数.首先通过主成分分析确定出各变量对入选的主成分的作用大小并据此作必要的因子剔除即保留主导因子，由于指标总表中的数据是不同的品质指标其计量单位不同所以数据量纲也不一致，不同量纲之间不便于做主成分分析，所以我们需要先做标准化处理数据后再输入计算机，并利用SPSS进行主成分分析，由于我们主要需要降维后的影响指标，所以得到解释的总方差表以及成分矩阵，见表二.根据主成分理论分析，若前p个主成分的累计贡献率达到85%，则这p个主成分能反映足够的信息，再从解释的总方差表格中，我们了解到前9个主成分的累计贡献率已达到87.402%，这样我们就可以根据关系矩阵表中，找到9种成分中每一种成分最大的含量数作为红葡萄酒的影响指标，即黄酮醇、PH值、VC、苹果酸、白黎芦醇、总酚、可滴定酸、固酸比、果穗质量等9种指标；同理，我们得到白葡萄酒的影响指标：干物质含量、总酚、固酸比、苹果酸、酒石酸、单宁、白黎芦醇、出汁率、百粒质量等9种影响指标.5.2.2. 酿酒葡萄的理化指标的分级利用主成分分析法得到酿酒葡萄的理化指标，然后我们将各成分指标以其平均数为基准向两侧等距分级，分级间间距为最大值与最小值之差除以分级数所得的数值，从高到低分为5个等级. 各个等级的指数值依次为5，4，3，2，1，根据该划分标准，求出每个理化成分所对应的指数值，将各项指数值累加得到不同品种的综合评价指标.另外，由于红葡萄酒和白葡萄酒本身成分就存在差异性，所以我们需要分开来制定分级标准，可以得到表四、表五：分级标准说明：以红葡萄酒的VC含量为例，0.413表示数据 0.413，属于分数5；0.313表示数据处于0.313~0.413（不包含0.413，下同）之间，属于分数4；0.214表示数据处于0.214~0.313之间，属于分数3；0.115表示数据处于0.115~0.214，属于分数2；0.015表示数据处于0.015~0.115之间，属于分数1.类似的，总酚、葡萄总黄酮等物质下的数据都是以这样的区间来划分的，同理，白葡萄酒也是这样来得到分数等级的.这边要重点提到的是对PH值的处理，根据有关资料[4]，PH值要在3.00~3.60之间才会适宜，因为高PH值会增加微生物的相对活性，降低花色苷的显色比例以及游离SO2的有效量，并缩短酒的陈酿潜力，这样，我们利用|PH-3.3|来计算PH值与3.3的接近程度，这样数值越小，说明接近程度越高，分数等级就越高.通过上述的分级标准，我们可以得到每种葡萄酒样品9种影响指标的分数值，为了提高计算效率，我们利用VC++6.0软件进行计算，并算出每一种样品9种指标的分数总值，我们分别对红葡萄和白葡萄的总分再进行等级区分，红葡萄（28≥为一级，35~37为二级，22~24为三级，19~21为四级，18≥为一级，27~29≤为五级），白葡萄（30为二级，24~26为三级，21~23为四级，20≤为五级），该区间的制定仍旧遵循上述分级原则，则可以得到下表：5.2.3. 葡萄酒质量的分级为了标准的统一性，我们仍旧沿用上述制定的分级标准，根据第（1）题的加权总数，我们得到第二组的品酒员可信性更高，为此我们直接对第二组的葡萄酒质量做了以下分级，见表七：表七：葡萄酒的质量分级根据上述分级即可对红白葡萄酒的质量进行分级.5.2.4. 酿酒葡萄进行分级根据葡萄的理化指标以及酿酒葡萄的指标，我们引入“木桶效应”原理，即一个由许多块长短不同的木板箍成的木桶，决定其容水量的大小的并非是其中最长的那块木板或全部木板长度的平均值，而是取决于最短的那块木板.类似的，我们最终的酿酒葡萄等级的确认取决于葡萄理化指标和酿酒葡萄酒质量指标哪个更小.这样，我们确定了下列表格，见表八，表九：5.3. 问题三的模型建立和求解5.3.1相关系数模型的建立所谓相关就是指事物或现象之间的相互关系.事物之间在数量上的变化关系有的是属于因果关系，有的却不能直接作出因果关系的解释,一个或几个相互联系的变量取一定数值时，与之相对应的另一个变量的值虽然不确定，但它仍然按某种规律在一定范围内变化，变量间的这种关系被称为相关关系，依照上述定义，我们再根据问题分析，首先先确定酿酒红葡萄与红葡萄酒之间的相关性，我们发现花色苷、总酚、单宁、总黄酮、白藜芦醇是二者共有的理化指标，同时我们也对总指标做相关性分析，利用MATLAB 数学工具处理获得下图(源程序见附件5)，见图二图二从上图看，在各种指标中除了白藜芦醇，两变量间的散布图都可以看到明显的线性趋势，为了进一步的得到定量分析，我们根据相关系数的公式∑∑∑===----=Ni iNi iNi i ixy Y Y x xY Y x xr 12121)()())((，其中i x 为自变量的标志值；i =1，2，…，n ；x 为自变量的平均值，i Y 为因变量数列的标志值；Y 为因变量数列的平均值.求出上图六种指标的相关系数值r 1 =0.9226，r 2=0.8751，r 3=0.7180，r 4=0.8228，r 5=0.0135，r 6=0.7012，我们知道相关系数是变量之间相关程度的指标.|r |值越大，说明变量之间的线性相关程度越高；|r|值越接近0，变量之间的线性相关程度越低，并且γ值的范围在-1和+1之间，γ>0为正相关，γ<0为负相关.γ=0表示不相关.综上得在各种指标中，花色苷的相关性程度最高，白藜芦醇的相关性最低，其余相关性程度都比较高，而且所有指标都是正相关的.接下来我们需要确定酿酒白葡萄与白葡萄酒之间的相关性，我们得到总酚、单宁、总黄酮、白藜芦醇是二者共有的理化指标，同时我们也对总指标做相关性分析，见图三图三同样，我们也求出上图五种指标的相关系数值r 1 =0.5468，r 2=0.5738，r 3=0.6967，r 4=-0.2128，r 5=0.2261，综上得总黄酮的相关性程度最高，r 5=0.2261比较接近0，说明酿酒白葡萄和白葡萄的质量的相关性不强，且白藜芦醇这一指标是负相关，原因是白葡萄酒的制作工艺种是不把果皮那去榨汁的，而白藜芦醇绝大部分都存在果皮中，此外由于果皮里含有许多物质充分，而白葡萄酒不拿果皮榨汁，所以导致其相关性系数较低，其余指标都是正相关的.5.4. 问题四的模型建立和求解 5.4.1 灰色关联分析模型的建立关联分析是系统分析的一个重要方面，实际系统中的现象往往很复杂.涉及的因素很多，在这些因素中哪些是主要的，哪些是次要的，哪些是需要利用和发展，哪些需要抑制和避免，都可以通过系统的关联分析得以明确.步骤1 设比较对象有x 个，在本例中即为葡萄酒的质量：))x (,),2(),1((}x ,,2,1|)({00000x x x k k x x ===;步骤2 设评价对象有y 个，在本例中即为酿酒葡萄以及葡萄酒的理化指标：))y (,),2(),1((}y ,,2,1|)({i i i i i x x x k k x x ===，m i ,,2,1 =;步骤3 比较数列对基准数列在第k 个评价指标的关联系数：)()(max max )()()()(max max )()(min min )(0000k x k x k x k x k x k x k x k x k i kii i kii kii -+--+-=ρρξ,其中，]1,0[∈ρ称为分辨系数，)()(min min 0k x k x i ki-和)()(max max 0k x k x i ki- 分别称为两极最小差和两极最大差.关联系数这一指标描述了葡萄酒质量分别与酿酒葡萄的理化指标和葡萄酒的理化指标的关联程度，如果关联程度大，说明酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响程度就大，如果关联程度小，说明影响就小，对于影响程度大小的界定，我们不能主观的得出一个范围，因此引入比较数列对基准数列的关联度i r ：∑==ni i i k n r 1)(1ξ根据相关资料，对i r 的数值制定如下标准[5]，因分辨系数是在(0,1)中取定的实数，一般取5.0=ρ,关联度是各关联系数)(k ξ累加后在n (8,2,1 =n )维空间的平均值.当分辨系数5.0=ρ，认为关联度i r 大于0.5都可以接受，即通过关联度检验，否则关联程度差些.通过上述分析，我们得到酿酒红葡萄的理化指标与红葡萄酒质量的灰色关联度为0.587，红葡萄酒的理化指标与红葡萄酒质量为0.526，酿酒白葡萄的理化指标与白葡萄酒质量的灰色关联度为0.569，白葡萄酒的理化指标与白葡萄酒质量为0.665，综上我们可以得出结论：四者都满足以上要求.我们利用“反证法”，假设现在感官指标中的芳香物质对葡萄酒的质量存在一定的影响，那么根据第（3）问中建立的相关系数模型可以得知，芳香物质与葡萄酒质量这二者之间也可能存在某种相关.我们根据数据中提供的各种芳香物质的分子量乘上它们在各种葡萄酒、酿酒葡萄中的成分大小，并做求和处理，得到每一种葡萄酒所有芳香物质成分的总和，最后利用这些总和得到四者关联的散布图，见图四：图四从上图看，可以明显观察到这些芳香物质的红白葡萄酒的质量都不存在必然的相关性.但由于存在以下的集合关系，见图五，图五：葡萄酒与两种指标之间的集合关系因此我们得到如下结论：感官指标不足以评价葡萄酒的质量，而葡萄和葡萄酒的理化指标则可以用来评价葡萄酒的质量.六、模型的评价6.1. 模型的优点（1）本模型根据浅显易懂的等级区分，为购买者、投资者提供一份买酒的参考和决策，并且为每种酒制定的分数也可以为缺乏专业葡萄知识的投资者提供简单明了的分数来判断葡萄酒的“价值”.（2）本模型综合应用了主成分分析，相关系数，灰色关联等方法，使得模型的实用性较高，并具有较强的应用指导意义.6.2. 模型的缺点（1）熵权法对品酒员确定的权重比较参差，对评价葡萄酒的质量可能产生影响.（2）在模型中只是利用离差系数这一指标来确定品酒员评酒的可信性，不具有很好的说服力.（3）在用主成分分析的结果中发现氨基酸并没有在主成分当中，而实际上氨基酸的含量是占很大比例.（4）酿酒红葡萄和酿酒白葡萄指标的选择上有点相对不合理，导致葡萄的综合指标和分级有些偏差.七、模型的改进与推广7.1. 模型的改进随着C S- M S 方法在国内外香气检测领域的普遍使用[6], 葡萄酒芳香物质的研究呈现出新的特点, 从本模型的构建过程中我们发现单单从芳香物的含量或者质量上去考虑对葡萄酒质量的影响，研究方向过于狭隘，而且并没有达到很好的效果，所以应该更深入地分析各种芳香物质的成分，以及确定是否存在某种的物质可以对葡萄酒的质量产生影响，从而更加全面地去分析葡萄酒质量的影响因素，继而补充了本模型在这方面的不足.7.2. 模型的推广葡萄酒的评分是由主观的角度来评断一支酒，因此评分者是否为具有公信力的专家非常重要,而各人的评分类型也未尽相同[7].本模型主要还是通过数据对葡萄酒的评分进。
- 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)。
n(n 1) 4 u n(n 1)(2n 1) 24 （ 3 ）等级编号完成后恢复正负号，求出正等级之后 T ( ) 和负等级之和 T ( ) , 选择两者中较小一个最为检验统计量 T 。 （ 4 ）根据显著性水平 查附表得到临界值 T ，若 T T , 则拒绝原假设 T
三、模型假设
1.假设酿酒工艺和贮存条件等对葡萄酒质量及理化指标无影响； 2.假设品酒员打分是公平可信的； 3.假设对理化指标的检测误差在可接受范围之内；
四、符号说明
符号 xij 符号说明 i 品酒员对葡萄酒样品 j 评分排序的秩次 第 j 个样本的总秩和
i 酿酒葡萄的 j 指标值
Rj rij
ij
决策 无显著性 差异 无显著性 差异
5
表 1-2 白葡萄酒符号秩检验
H0
两组之间 差异中位 数为 0
显著性水平
标准差 39.324 39.324
检验统计量 182.50 182.50
Sig. 0.859 0.859
0.05 0.01
决策 无显著性 差异 无显著性 差异
因此，由表中信息可以看出，在显著性水平为 0.05、0.01 的两种情况下，两 组品酒员对于两种酒的评价均无显著性差异，则显著性水平对检验结果无影响。 可认为，该检验方法是比较稳健的，即评价结果较为可信。 1.2 可信度评价模型 1.2.1 基于组内方差比较的可信度评价 感官评分的差异体现在酒样之间的差异与品酒员之间的差异上。 一个良好的 评价方案中，品酒员之间的差异应该尽可能小，即 10 个排序之间越集中越好。 由于求出的对于两种葡萄酒，两组品酒员的评价结果无显著性差异，因此， 我们通过比较哪组组内的差异小来确定哪组可信度高。 本题中每个品酒员得到的评分不满足正态分布， 因此一般的组间方差齐次性 检验不适用。由于每组都通过综合 10 个品酒员得到了一个评分的总排序，因此， 可通过 10 个排序与总排序之间的方差大小进行评价。 （1）第 i 品酒员的排序与该组总排序方差：
二、问题分析
问题一的分析 问题一中，每个品酒员都要从外观、香气、口感、整体四个大方面对每个酒 样进行评分，可将每个方面的评分相加作为总分确定葡萄酒的质量。问题一涉及 的是葡萄酒感官评价结果的统计检验问题，由于样本量偏小，且葡萄酒质量评分 的分布难以确定，因此，可考虑采取非参数检验的办法。 结合本题的背景，对于问题一中感官评价的问题，可选用排列试验中的排序 检验法对总分进行排序。对于 10 种排序结果，根据每一个排序的秩次求得每个 样品的秩和。最后通过秩和的非参数检验的方法评价有无显著性差异。 要评价哪组的评价结果更可信，主要是检验组内品酒员的评分是否集中，即 比较哪组的方差更小， 亦可以通过该组内所有品酒员与最终得分的差异来确定谁 的可信度更改。 问题二的分析 问题二中，对酿酒葡萄进行分级时，根据题意要将葡萄的理化指标与葡萄酒 的质量统一结合作为参考。 而葡萄酒的质量则是通过问题一中感官评价的得分反 应的。由于理化指标过多，因此在解决本问时，首先应该完成对指标的处理，尤 其是怎样将附表三的芳香物质与附表二中的理化指标结合起来。 由于指标的繁杂，且难以确定指标是偏大型还是偏小型，因此，可考虑将众 多指标数据经过转换，统一成与感官排序一样的排序类型数据，这样，转换后的 指标即可直接用来对葡萄进行分级。 本问的整体思想还是可运用排序检验中的求 秩和的方法。
6
秩和得到一个新的排序。由于此排序综合了 20 个评酒员的结果，因此，更能反 应酒样的排序真实性，即认为该综合排序为理想排序。记样品 j 在第一组、第二 组排序内的秩次为 X j (1) ， X j (2) ，综合之后排序秩次为 X j 。红葡萄酒三种排序的 比较图如下：
图 1-1 红葡萄酒两组排序比较
4
图 1-2 白葡萄酒两组排序比较
接下来，对两个排序结果进行显著性检验。 1.1.2 Wilcoxon 符号秩检验 Wilcoxon 符号秩检验为一种非参数检验方法，具有无需对总体分布作假定 的优点。该方法是在成对观测数据的符号检验基础上发展起来的，用于检验 产生数据的总体是否具有相同的均值，比传统的单独用正负号的检验更加 灵敏 [1]。 Wilcoxon 符号秩检验的步骤为[2]： （ 1）计算差数：求出成对观测数据的差 d i ； （ 2 ）编秩次 : 按差数的绝对值，由小到大编上等级， 并标上原数的正 负号。根据 Mann-Whitney U 检验，对 d i 绝对值按大小顺序编上等级。 u 值计 算：
A xij
1027
（1-1）
因此，第 j 个样品的总秩和为：
R j xij
i 1
10
（1-2）
最终，根据样品的总秩和对 27 个样本进行排序，秩和越小代表该酒样的得 分越高，排名越好，第一名记为 1.样品 j 的排序为 X j 。因此，对于红葡萄酒， 两个组共得到了两个排序结果。图 1-1、1-2 分别为红、白葡萄酒的两组排序比 较，纵坐标为每组综合排序中对应酒样的秩次：
Di ( xij X j )
j 1 23
（1-3）
（2）第一组品酒员的平均组内方差：
10 10 通过计算，得到两组品酒员对红、白葡萄酒的方差如下表所示：
表 1-3 组内方差比较
D
Di
i 1
10
( x
i 1 j 1
10
23
ij
X j)
（1-4）
红葡萄酒 平均组内方差 第一组
关键词：葡萄酒评价
排序检验法
符号秩检验
TOPSIS 法
多重比较
1
一、问题重述
对于葡萄酒质量的确定，现如今通常采用感官评价的方法，即聘请一批有资 质的品酒员对葡萄酒进行品评，然后对其外观、口感等分类指标进行打分。最后 通过求和得到每种葡萄酒的总分，从而确定葡萄酒的质量。附件 1 中给出了某一 年份一些葡萄酒的打分结果。 同时，酿酒葡萄的好坏又直接影响着所酿葡萄酒的质量。除了感官评价的方 法之外，在某种程度上，葡萄酒和酿酒葡萄检测的理化指标也能反映葡萄酒和葡 萄的质量。附件 2 和附件 3 即给出了同一年份中，这些葡萄酒的和酿酒葡萄的成 分数据。 请分析题目，试建立合适的数学模型解决以下问题： 1. 对于附件 1 中的红葡萄酒与白葡萄酒， 每种葡萄酒均由两组评酒员对其进 行打分。试分析这两组品酒员的评价结果有无显著性差异，并判断哪一组的结果 更为可信。 2. 综合感官评价所得到的葡萄酒质量与酿酒葡萄的理化指标，对酿酒葡萄 进行分级。 3. 试分析酿酒葡萄、葡萄酒的两组理化指标之间有何关系。 4. 分析酿酒葡萄的理化指标、葡萄酒的理化指标对葡萄酒质量的影响，论 证能否只用葡萄和葡萄酒的理化指标来评价葡萄酒的质量。
2012 高教社杯全国大学生数学建模竞赛
编 号 专 用 页
赛区评阅编号（由赛区组委会评阅前进行编号）：
赛区评阅记录（可供赛区评阅时使用）：
评 阅 人
评 分
备 注
全国统一编号（由赛区组委会送交全国前编号）：
全国评阅编号（由全国组委会评阅前进行编号）：
基于排序检验的葡萄酒评价
摘要
现行葡萄酒质量评价方案主要为专家感官评分， 本文旨在通过数学建模的方 法对酿酒葡萄与葡萄酒理化指标进行分析，从而研究两者与葡萄酒质量的关系。 针对问题一，通过食品评价中的排序检验法，计算同一酒样在不同评酒员评 分方案的秩次，再对两组的秩和排序进行 Wilcoxon符号秩检验，求得两种葡萄 酒在不同置信水平内的评价结果均无显著性差异。在无显著性差异的情况下，比 较同组内不同品酒员对该组总排序的方差大小， 同时综合所有评酒员的打分得到 一个理想排序，再比较不同组对理想排序的方差大小。两种方法所得到的结果均 为第一组对红葡萄酒的评价更可信，第二组对白葡萄酒的评价更可信。 针对问题二，将葡萄酒质量最高的样品作为理想点，通过相关性分析筛选芳 香物质中与香气评分相关性较大的成分， 对这些成分和葡萄的理化指标进行基于 TOPSIS 法的秩和排序，利用多重比较法对酿酒葡萄进行分级，结果得出红葡萄 可分为五级，白葡萄可分为四级。 针对问题三，运用主成分分析法对葡萄和葡萄酒的理化指标进行降维，分别 以葡萄酒和葡萄的主成分作为因变量和自变量进行回归分析，得出葡萄酒中总 酚、色泽等与葡萄中的花色苷、VC 含量、蛋白质和黄酮醇等有联系。 针对问题四，利用秩和排序的方法，对葡萄酒和葡萄的理化指标以及葡萄酒 的质量评分进行转换。将两组理化指标的秩和排序与葡萄酒评分作相关性分析， 结果表明有影响。为葡萄的理化指标设定不同权重，得到变权下的综合排序与葡 萄酒质量的相关性，证明能用红葡萄酒的理化指标评价红葡萄酒的质量，白葡萄 酒的质量需要结合白葡萄酒和白葡萄的理化指标来评价。 本文的创新之处在于将葡萄酒的质量、 葡萄与葡萄酒的理化指标逐步转化为 同一类型的秩和排序，消除了不同类型数据之间量纲、数量级等的区别。这种转 化方法可以推广到其他评价问题中去。
3
分的差异是否在一定的置信区间内，若不在，则认为评分差异性显著。 考虑到本题的背景，两组评分的差异可体现在对样本酒的排名差异上。由于 该问属于食品评价中的感官评价问题，因此，可结合感官评价中的排序检验与非 参数检验中的符号秩检验，对两组评分的显著性进行评价。 1.1.1 样品秩次和秩和的求解 评酒员对每一个酒样均从四大方面进行了评分。根据题意，葡萄酒的质量由 总分所确定。 因此， 我们将每一个方面的评分加和， 得到 i 品酒员对葡萄酒样品 j 的总评分。 以红葡萄酒的评价为例，对于品酒员 i ，将其对 27 种样品的评分进行排序， 评分最高的酒样秩次为 1，当多个样品有相同秩次时，则取平均秩次。记在 i 品 酒员的评价排序中， j 酒样的秩次为 xij ，可得到秩次矩阵为：
u D w
i 酿酒葡萄的 j 指标值对理想点对应指标的接近度
曼-惠特尼 U 检验统计量 排序间的方差 酒样的理化指标向量
五、模型的建立与求解
一 模型一的建立与求解 1.1 基于排序检验与符号秩检验的显著性评价 对于白葡萄酒和红葡萄酒，两个组别分别给出了各自的感官评价，对于同一 个葡萄酒样本，不同的评酒员的打分存在差异，但一定假设范围内的差异是允许 的。 要分析两组评酒员的评价结果有无显著性差异，应构造统计量，检验两组评