(优选)数学建模方法及其应用中的随机模型讲解部分随机模型
随机数学建模方法及其应用
随机数学建模方法及其应用学院：数学与计算机科学学院班级：2012级数学与应用数学班姓名：马从从学号：P121713346回归分析法概述回归分析法是通过研究两个或两个以上变量之间的相关关系，运用数理统计方法从事物的抑制状况预测未来的一种信息研究定量方法。
优点：首先它利用降维技术用少数几个综合变量来代替原始多个变量，综合变量集中了原始变量的大部分信息。
其次它通过计算综合主成分函数得分，对客观经济现象进行科学评价。
再次它在应用上侧重于信息贡献影响力综合评价。
缺点：是当主成分的因子负荷的符号有正有负时，综合评价函数意义就不明确。
命名清晰性低。
案例分析以某医院的病例调查为例，对多元线性回归的显着性判断进行说明。
某医院为了解病人对医院工作的满意程度、病人的年龄、病情的严重程度、病人的忧虑程度之间的关系随机调查该医院的10位病人，可得到如下表格。
年龄病情程度忧虑程度满意度50 51 2.3 4836 46 2.3 5740 48 2.2 6641 44 1.8 7028 43 1.8 8949 54 2.9 3642 50 2.2 4645 48 2.4 5452 62 2.9 2629 50 2.1 77步骤：1、将数据导入spss2、打开分析--回归--- 线性3、依次打开界面的每个选项进行对应选择。
可得到以下结果。
模型汇总b模型R R 方调整R 方标准估计的误差1 .960a.922 .883 6.528a. 预测变量: (常量), 忧虑程度, 年龄, 病情程度。
b. 因变量: 满意度Anova b模型平方和df 均方 F Sig.1 回归3031.208 3 1010.403 23.710 .001a残差255.692 6 42.615总计3286.900 9a. 预测变量: (常量), 忧虑程度, 年龄, 病情程度。
b. 因变量: 满意度系数a模型 非标准化系数标准系数B 标准 误差试用版t Sig.1(常量)175.52521.3358.227.000年龄 -1.171 .389 -.509 -3.015 .024 病情程度 -.512 .799 -.146 -.641 .545 忧虑程度-19.64512.361-.389-1.589.163a. 因变量: 满意度由上表可以得出：321645.195117.01713.15249.175x x x y ---=聚类分析法概述聚类分析法是将个体（样品）或者对象（变量）按相似程度（距离远近）划分类别，使得同一类中的元素之间的相似性比其他类的元素的相似性更强。
关于数学建模方面的知识
关于数学建模⽅⾯的知识关于数学建模⽅⾯的知识⼀、数学模型的定义现在数学模型还没有⼀个统⼀的准确的定义，因为站在不同的⾓度可以有不同的定义.不过我们可以给出如下定义：“数学模型是关于部分现实世界和为⼀种特殊⽬的⽽作的⼀个抽象的、简化的结构.”具体来说，数学模型就是为了某种⽬的，⽤字母、数学及其它数学符号建⽴起来的等式或不等式以及图表、图象、框图等描述客观事物的特征及其内在联系的数学结构表达式.⼀般来说数学建模过程可⽤如下框图来表明：数学是在实际应⽤的需求中产⽣的，要解决实际问题就必需建⽴数学模型，从此意义上讲数学建模和数学⼀样有古⽼历史.例如，欧⼏⾥德⼏何就是⼀个古⽼的数学模型，⽜顿万有引⼒定律也是数学建模的⼀个光辉典范.今天，数学以空前的⼴度和深度向其它科学技术领域渗透，过去很少应⽤数学的领域现在迅速⾛向定量化，数量化，需建⽴⼤量的数学模型.特别是新技术、新⼯艺蓬勃兴起，计算机的普及和⼴泛应⽤，数学在许多⾼新技术上起着⼗分关键的作⽤.因此数学建模被时代赋予更为重要的意义.⼆、建⽴数学模型的⽅法和步骤1. 模型准备要了解问题的实际背景，明确建模⽬的，搜集必需的各种信息，尽量弄清对象的特征.2. 模型假设根据对象的特征和建模⽬的，对问题进⾏必要的、合理的简化，⽤精确的语⾔作出假设，是建模⾄关重要的⼀步.如果对问题的所有因素⼀概考虑，⽆疑是⼀种有勇⽓但⽅法⽋佳的⾏为，所以⾼超的建模者能充分发挥想象⼒、洞察⼒和判断⼒，善于辨别主次，⽽且为了使处理⽅法简单，应尽量使问题线性化、均匀化.3. 模型构成根据所作的假设分析对象的因果关系，利⽤对象的内在规律和适当的数学⼯具，构造各个量间的等式关系或其它数学结构.这时，我们便会进⼊⼀个⼴阔的应⽤数学天地，这⾥在⾼数、概率⽼⼈的膝下，有许多可爱的孩⼦们，他们是图论、排队论、线性规划、对策论等许多许多，真是泱泱⼤国，别有洞天.不过我们应当牢记，建⽴数学模型是为了让更多的⼈明了并能加以应⽤，因此⼯具愈简单愈有价值.4. 模型求解可以采⽤解⽅程、画图形、证明定理、逻辑运算、数值运算等各种传统的和近代的数学⽅法，特别是计算机技术.⼀道实际问题的解决往往需要纷繁的计算，许多时候还得将系统运⾏情况⽤计算机模拟出来，因此编程和熟悉数学软件包能⼒便举⾜轻重.5. 模型分析对模型解答进⾏数学上的分析. “横看成岭侧成峰，远近⾼低各不同”，能否对模型结果作出细致精当的分析，决定了你的模型能否达到更⾼的档次.还要记住，不论那种情况都需进⾏误差分析，数据稳定性分析.三、数模竞赛出题的指导思想传统的数学竞赛⼀般偏重理论知识，它要考查的内容单⼀，数据简单明确，不允许⽤计算器完成.对此⽽⾔，数模竞赛题是⼀个“课题”，⼤部分都源于⽣产实际或者科学研究的过程中，它是⼀个综合性的问题，数据庞⼤，需要⽤计算机来完成.其答案往往不是唯⼀的（数学模型是实际的模拟，是实际问题的近似表达，它的完成是在某种合理的假设下，因此其只能是较优的，不唯⼀的），呈报的成果是⼀编“论⽂” .由此可见“数模竞赛”偏重于应⽤，它是以数学知识为引导计算机运⽤能⼒及⽂章的写作能⼒为辅的综合能⼒的竞赛.四、竞赛中的常见题型赛题题型结构形式有三个基本组成部分：1. 实际问题背景涉及⾯宽——有社会，经济，管理，⽣活，环境，⾃然现象，⼯程技术，现代科学中出现的新问题等.⼀般都有⼀个⽐较确切的现实问题. 若⼲假设条件有如下⼏种情况：1）只有过程、规则等定性假设，⽆具体定量数据；2）给出若⼲实测或统计数据；3）给出若⼲参数或图形；4）蕴涵着某些机动、可发挥的补充假设条件，或参赛者可以根据⾃⼰收集或模拟产⽣数据.要求回答的问题往往有⼏个问题，⽽且⼀般不是唯⼀答案。
数学建模之随机模型
G(n) = ∑[(a − b)r − (b − c)(n − r)] f (r ) +
r =0
n
r =n+1
∑ (a − b)nf (r)
∞
求 n 使 G(n) 最大
求解
n
将r视为连续变量
f (r ) ⇒ p (r ) (概率密度）
∞
G(n) = ∫0 [(a − b)r − (b − c)(n − r)]p(r)dr + ∫n (a − b)np(r)dr
u=1/m
模型解释
传送带效率(一周期内运走 产品数与生产总数之比）
m 1 n D = [1 − (1 − ) ] n m
若(一周期运行的)挂钩数m远大于工作台数n, 则
m n n ( n − 1) n −1 D ≈ [1 − (1 − + )] = 1 − 2 n m 2m 2m
定义E=1-D (一周期内未运走产品数与生产总数之比） 当n远大于1时, E ≈ n/2m ~ E与n成正比，与m成反比 若n=10, m=40, 提高效率 • 增加m D≈87.5% (89.4%) 的途径： • 习题1
两模型销售量预测比较
控制价格差x1=0.2元，投入广告费x2=6.5百万元
ˆ +β ˆ x +β ˆ x +β ˆ x2 ˆ=β y 0 1 1 2 2 3 2
ˆ = 8 .2933 (百万支) y
区间 [7.8230，8.7636]
2 ˆ ˆ ˆ ˆ xx ˆ y = β0 + β1x1 + β2 x2 + β3 x2 + β 4 1 2
y的90.54%可由模型确定 p远小于α=0.05
数学建模介绍
数学建模介绍1.1 数学模型及其分类数学建模作为用数学方法解决问题的第一步，它与数学本身有着同样悠久的历史。
一个羊倌看着他的羊群进入羊圈，为了确信他的羊没有丢失，他在每只羊进入羊圈时，则在旁边放一颗小石子，如果每天羊全部入圈而他那堆小石子刚好全部放完，则表示他的羊和以前一样多。
究竟羊倌数的是石子还是羊，那是毫无区别的，因为羊的数目同石子的数目彼此相等。
这实际上就使石子与羊“联系”起来，建立了一个使石子与羊一一对应的数学模型。
（1）什么是数学模型人们在认识研究现实世界里的客观对象时，常常不是直接面对那个对象的原形，有些是不方便，有些甚至是不可能直接面对原形，因此，常常设计、构造它的各种各样的模型。
如各式各样的玩具模型、展览厅里的三峡大坝模型、化学上的分子结构模型等。
这些模型都是人们为了一定目的，对客观事物的某一部分进行简化、抽象、提炼出来的原形替代物，集中反映了原形中人们需要的那一部分特征，因而有利于人们对客观对象的认识。
数学模型也是反映客观对象特征的，只不过它刻画的是事物在数量方面的特征或数学结构及其变化规律。
数学模型是人们为了认识客观对象在数量方面的特征、定量地分析对象的内在规律、用数学的语言和符号去近似地刻画要研究的那一部分现象时，所得到的一个数学表述。
建立数学模型的过程称为数学建模。
(2) 数学模型的重要作用进入20世纪以来，数学以空前的广度和深度向一切领域渗透，作为数学的应用，数学建模也越来越受到人们的重视。
在一般工程技术领域，数学模型仍是工程技术人员定量研究有关工程技术问题的重要工具；而随着数学与其他学科领域诸如经济、人口、生态、地质等所谓非物理领域的渗透，一些交叉学科如计量经济学、人口控制论、数学生态学、数学地质学等应运而生；计算机的发展给数学及作为数学应用的数学建模带来了前所未有的机遇和挑战。
计算机改变了人类的生活方式、思考方式和研究方式，极大地提高了人们的计算能力、搜索和分析海量数据和信息的能力。
随机数学模型基础篇
第三章 随机数学模型§3.1 多元回归与最优逐步回归一、数学模型设可控或不可控的自变量x x x p 12,,, ；目标函数y y y m 12,,, ，已测得的n 组数据为： },,,,,,,{2121m p y y y x x x αααααα(1.1)其中y j m n j αα,,,,,,,,==1212 是系统的测试数据，相当于如下模型：设多目标系统为：为简化问题，不妨设该系统为单目标系统，且由函数关系y f x x x p =(,,,)12 ，可以设：y x x p p =+++βββ011(1.2)可得如下线性模型⎪⎪⎩⎪⎪⎨⎧+++++=+++++=+++++=n np p n n n p p p p x x x y x x x y x x x y εββββεββββεββββ 22110222222211021112211101 (1.3)εεε12,,, n 为测量误差，相互独立，εσi N ～(,)0。
令Y y y y X x x x x x x x x x n p p n n np p n =⎛⎝ ⎫⎭⎪⎪⎪⎪=⎛⎝⎫⎭⎪⎪⎪⎪=⎛⎝ ⎫⎭⎪⎪⎪⎪=⎛⎝ ⎫⎭⎪⎪⎪⎪121112121222120112111 ββββεεεε可得Y X =+βε(1.4)(1.4) 称为线性回归方程的数学模型。
y 1y 2y mx 1x 2x p利用最小二乘估计或极大似然估计，令 ∑=----=ni ip p i ix x yQ 12110][βββ 使Q Q =min ，由方程组⎪⎩⎪⎨⎧==p i Qi ,,2,1,00 ∂β∂(1.5)可得系数βββ01,,, p 的估计。
令 A X X p T =+设()1方阵可逆，由模型Y X =β 可得： X Y X X A T T ==ββ即有 β=-A X Y T 1 (1.6)可以证明(1.6)与(1.5)是同解方程组的解，它是最优线性无偏估量，满足很多良好的性质，另文补讲。
数学模型与数学建模
数学模型与数学建模数学模型是对实际问题的一种抽象表示，通过数学语言和符号来描述问题的特征、关系和规律。
数学建模是利用数学方法解决实际问题的过程，它依靠数学模型来分析和研究问题，得到问题的解决方案或优化结果。
数学模型与数学建模在各个领域都得到了广泛应用，成为解决实际问题的强有力工具。
一、数学模型的分类数学模型分为确定性模型和随机模型两大类。
确定性模型是指模型中的所有参数和变量的取值都是确定的，不存在随机性；随机模型则是指模型中的某些参数或变量的取值是随机的，存在一定的概率分布特性。
1.1 确定性模型确定性模型是最常见的模型类型，它包括数学分析模型、代数模型、几何模型等。
确定性模型主要用于描述具有确定关系的事物，其中最典型的就是几何模型。
例如，平面几何中的三角形和圆形可以用确定性模型来描述其属性、关系和性质，进一步进行几何推理和证明。
1.2 随机模型随机模型是描述随机现象的数学模型，其中包括概率模型、统计模型、随机过程模型等。
随机模型常用于处理实际问题中的不确定性和随机性因素。
例如，在金融领域，股票价格的变动通常具有一定的不确定性，可以用随机模型中的随机过程来描述和预测。
二、数学建模的步骤数学建模通常包括问题定义、建立数学模型、求解模型和验证模型这四个步骤。
2.1 问题定义在数学建模中，首先需要明确问题的定义和目标，包括问题的背景、需求和约束条件等。
问题定义阶段需要对问题进行细致的分析和抽象，确保问题的本质特征能够被准确地反映在数学模型中。
2.2 建立数学模型建立数学模型是数学建模的核心步骤，它需要将实际问题转化为数学语言和符号来描述。
建立数学模型时，需要进行参数选择、变量定义、关系建立等操作，以确保模型能够客观、准确地反映问题的特征和规律。
2.3 求解模型求解模型是通过数学方法和技术来实现对问题解决方案的确定。
根据具体问题的不同，求解模型的方法可以采用数值计算、符号计算、优化算法等不同的技术手段。
数学建模十大经典算法( 数学建模必备资料)
建模十大经典算法1、蒙特卡罗算法。
该算法又称随机性模拟算法，是通过计算机仿真来解决问题的算法，同时通过模拟可以来检验自己模型的正确性。
2、数据拟合、参数估计、插值等数据处理算法。
比赛中通常会遇到大量的数据需要处理，而处理数据的关键就在于这些算法，通常使用Matlab作为工具。
3、线性规划、整数规划、多元规划、二次规划等规划类问题。
建模竞赛大多数问题属于最优化问题，很多时候这些问题可以用数学规划算法来描述，通常使用Lindo、Lingo、MATLAB软件实现。
4、图论算法。
这类算法可以分为很多种，包括最短路、网络流、二分图等算法，涉及到图论的问题可以用这些方法解决，需要认真准备。
5、动态规划、回溯搜索、分治算法、分支定界等计算机算法。
这些算法是算法设计中比较常用的方法，很多场合可以用到竞赛中。
6、最优化理论的三大非经典算法：模拟退火法、神经网络、遗传算法。
这些问题是用来解决一些较困难的最优化问题的算法，对于有些问题非常有帮助，但是算法的实现比较困难，需慎重使用。
7、网格算法和穷举法。
网格算法和穷举法都是暴力搜索最优点的算法，在很多竞赛题中有应用，当重点讨论模型本身而轻视算法的时候，可以使用这种暴力方案，最好使用一些高级语言作为编程工具。
8、一些连续离散化方法。
很多问题都是实际来的，数据可以是连续的，而计算机只认的是离散的数据，因此将其离散化后进行差分代替微分、求和代替积分等思想是非常重要的。
9、数值分析算法。
如果在比赛中采用高级语言进行编程的话，那一些数值分析中常用的算法比如方程组求解、矩阵运算、函数积分等算法就需要额外编写库函数进行调用。
10、图象处理算法。
赛题中有一类问题与图形有关，即使与图形无关，论文中也应该要不乏图片的，这些图形如何展示以及如何处理就是需要解决的问题，通常使用Matlab进行处理。
历年全国数学建模试题及解法赛题解法93A非线性交调的频率设计拟合、规划93B足球队排名图论、层次分析、整数规划94A逢山开路图论、插值、动态规划94B锁具装箱问题图论、组合数学95A飞行管理问题非线性规划、线性规划95B天车与冶炼炉的作业调度动态规划、排队论、图论96A最优捕鱼策略微分方程、优化96B节水洗衣机非线性规划97A零件的参数设计非线性规划97B截断切割的最优排列随机模拟、图论98A一类投资组合问题多目标优化、非线性规划98B灾情巡视的最佳路线图论、组合优化99A自动化车床管理随机优化、计算机模拟99B钻井布局0-1规划、图论00A DNA序列分类模式识别、Fisher判别、人工神经网络00B钢管订购和运输组合优化、运输问题01A血管三维重建曲线拟合、曲面重建01B 公交车调度问题多目标规划02A车灯线光源的优化非线性规划02B彩票问题单目标决策03A SARS的传播微分方程、差分方程03B 露天矿生产的车辆安排整数规划、运输问题04A奥运会临时超市网点设计统计分析、数据处理、优化04B电力市场的输电阻塞管理数据拟合、优化05A长江水质的评价和预测预测评价、数据处理05B DVD在线租赁随机规划、整数规划06A 出版资源配置06B 艾滋病疗法的评价及疗效的预测 07A 中国人口增长预测 07B 乘公交，看奥运 多目标规划 数据处理 图论 08A 数码相机定位 08B 高等教育学费标准探讨09A 制动器试验台的控制方法分析 09B 眼科病床的合理安排 动态规划 10A 10B赛题发展的特点：1.对选手的计算机能力提出了更高的要求：赛题的解决依赖计算机，题目的数据较多，手工计算不能完成，如03B ，某些问题需要使用计算机软件，01A 。
数学建模第五章随机模型
05
随机模拟
随机模拟的基本原理
随机模拟是一种基于概率统计的数值计算方法，通过模拟随机事件或过程来求解实 际问题。
随机模拟的基本原理包括抽样、统计推断和误差分析，其中抽样是随机模拟的核心 步骤，通过从概率分布中抽取样本，模拟随机事件的概率特征。
随机模拟的精度取决于样本数量和分布的准确性，样本数量越多，模拟结果越接近 真实情况。
THANKS FOR WATCHING
感谢您的观看
蒙特卡洛积分
蒙特卡洛积分是一种基于随机抽样的 数值积分方法，通过将积分转化为求 和的形式，利用大数定律和中心极限 定理来估计积分值。
蒙特卡洛积分在金融、物理、工程等 领域有广泛应用，可以用于求解复杂 的高维积分问题。
蒙特卡洛积分的精度与样本数量和积 分的可积性有关，对于不可积的积分， 可以通过增加样本数量来提高估计精 度。
马尔科夫链蒙特卡洛方法
总结词
马尔科夫链蒙特卡洛方法是一种基于马尔科夫链的随机抽样方法，常用于求解复杂数学 问题的不确定性。
详细描述
马尔科夫链蒙特卡洛方法通过构造一个马尔科夫链，使其平稳分布为目标分布，从而通 过抽样得到目标分布的近似解。这种方法在统计学、物理、经济学等领域有广泛应用， 可以用于求解复杂数学问题的不确定性，如概率论中的积分、统计推断中的参数估计等。
描述随机变量取值概率分布的函数称 为随机变量的分布函数。常见的分布 函数有离散型分布和连续型分布，如 二项分布、泊松分布、正态分布等。
03
随机过程
随机过程的定义与分类
定义
随机过程是随机变量在时间或空间上的扩展，描述了一个随机现象在连续时间或 离散时间上的变化。
分类
根据过程的性质和特点，随机过程可以分为平稳随机过程、非平稳随机过程、离 散随机过程和连续随机过程等。
- 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)。
问题2：传染病的传播模型
(3)模型的检验
健康人群每天平均被感染的人数 与人群中每人 每天平均接触的人数 m 以及接触时被感染的概率 成
正比，并且随着人群总数 n 的增加而增加。
平均感染率 与病人数 i 的关系，当 i 很小或很大 （接近 n ）时， 值都很小，而当 i n 时， 值最大。
2
（优选）数学建模方法及其应用 中的随机模型讲解部分随机模型
1、初等概率模型
问题1：有趣的蒙特莫特模型
假设某班共有 n 个同学参加活动，每个同学都
随机地抽取一份礼品， Ai (i 1, 2, , n) 表示第 i 个
同学抽取到自己所带的礼品。
n 个同学中至少有一人抽取到自己所带的礼品
为 A1 A2
如果通过实际数据或经验掌握了这些随机规律， 那么怎样估计平均每天有多少健康人被感染，这种 估计的准确性有多大？
问题2：传染病的传播模型
(1)问题的分析与假设
假设将人群分为病人和健康人两类，病人
数和健康人数分别记为 i 和 s ，总人数为 n ，短 时间内不变，即 i s n 。
人群中任何两人的接触是相互独立的，且
因为需求量是随机的，致使报亭每天的销售收 入也是随机的。所以，不能以报亭每天的收入数作 为优化模型的目标函数，而应该是以报亭的长期（ 几个月，或一年）卖报的日平均收入最大为目标函 数。
由概率论的知识，这相当于报亭每天销售收入 的期望值，以下简称平均收入。
设每天报纸的需求量为 r 份的概率是 p(r) （r=0，1，2，… ），报亭每天购进 n 份报纸的 平均收入为 G(n)元。
这个结果合理吗？
为了直观，给出几组检验数据的计算结果。
问题2：传染病的传播模型
(3)模型的检验
不妨设 m 20, 0.1，对于不同的i ，计算 和 。
从计算结果可以看出：随着病人数 i 的增加，平均感
染率 随之增加，而相对误差 随之减少；
当病人的比例 i 一定，总人口数 n 变大时，相对误差 n
问题3 报亭的进报策略模型
(3)模型的建立与求解
问题为在已知 p(r) 和 a,b, c ，求进报数量 n 使 G(n) 有最大值。
通常需求量 r 的取值和购进量 n 都比较大，将 r
视为连续变量，这时概率 p(r) 转化为概率密度函数
f (r) ，则
G(n)
n
0
(a
b)r
(b
c)(n
r)f
(r)dr
1 1 , (1 i n n 1
j
n) 。
类似地， P( Ai Aj Ak )
1 1 1 , (1 i n n 1 n 2
j
k
n) ，
P( A1 A2
11
An )
n
n 1
1
n
1、初等概率模型
问题1：有趣的蒙特莫特模型
由概率的加法公式与乘法公式，则 n 个同学中至少
有一个抽取到自己所带礼品的概率为
n 1
即得一名健康人与一名指定病人接触并被感染的概率为
p1
p
m
n 1
。
问题2：传染病的传播模型
(2)模型的建立与求解
为了求出一名健康人每天被感染为病人的
概率 p2 ，利用对立事件概率的计算方法:
p2
1 (1
p1)i
1
(1
m )i 。
n 1
健康人被感染为病人的人数也服从二项分布，
其平均值 sp2 (n i) p2 ，
也Hale Waihona Puke 之减少。 问题3：售报厅的进报策略模型
(1)问题的提出
报纸每份购进价为 b 元，零售价为 a 元，退回价为 c 元，且 a b c 。
则报亭售出一份赚 a b 元，退回一份 赔 b c 元。报亭应该如何确定每天购进
报纸的数量，以获得最多的收入？
问题3 报亭的进报策略模型
(2) 问题的分析
均方差为 sp2 (1 p2 ) (n i) p2(1 p2) 。
问题2：传染病的传播模型
(2)模型的建立与求解
为了简便，将上式右端作 Taylor 展开，并取 前两项：
p2
1
(1
mi
n 1
) mi mi , (n
n 1 n
m, n
1)
最后得到： mi(n i) ，
n
1 p2 n mi 。 (n i) p2 mi(n i)
问题3 报亭的进报策略模型
(3)模型的建立与求解
根据报亭每天的需求量（即销售量）的不确定性。
如果某天的需求量 r n ，则售出 r 份，退回 n r 份；
如果某天的需求量 r n ，则 n 份将全部售出。
考虑到该报亭需求量为 r 的概率是 p(r) ，平均收入
n
G(n) [(a b)r (b c)(n r)] p(r) r 0 (a b)np(r) r n1
n (a b)nf (r)dr
问题3 报亭的进报策略模型
具有相同概率 p ，每人每天平均与 m 人接触。
当一个健康人与病人接触时，这个健康人
被感染的概率为 。
问题2：传染病的传播模型
(2)模型的建立与求解
由于任何两人接触的概率为 p ，且两两接触的独立 性，一名健康人每天接触的人数服从二项分布，其平均值 为 m 。利用二项分布的基本性质，并注意到人群总数为 n ， 则有 m (n 1) p ，于是， p m 。
n n 1
1 1 1 (1)n1 1
2! 3!
n!
当充分大,即人数较多时,至少有1人抽取到自己所带礼品
的概率为
n
P( ) 1 e1 0.63212
i 1
1、初等概率模型
问题2：传染病的传播模型
现在的问题：
对某种传染病而言，人群中有病人（带菌者）和 健康人（易感染者），任何两人之间的接触是随机 的，当健康人与病人接触时健康人是否被感染也是 随机的.
n
An ，简记为 Ai 。 i 1
n
要解决的问题是求事件的概率 P( Ai ) 。 i 1
1、初等概率模型
问题1：有趣的蒙特莫特模型
事实上,第 i 个同学抽取到自己所带礼品的概率为
P(
Ai
)
1 n
,
(i
1,
2,
, n) 。
第 i 和第 j 个同学同时抽取到自己所带礼品的概率为
P( Ai Aj )
n
n
P( Ai ) P(Ai ) P(Ai Aj )
P( Ai Aj Ak ) (1)n1 P( A1A2 An )
i 1
i 1
1i jn
1i jk n
C C C 1 1 2 1 1 3 1 1 1 (1)n1 1 1 1
n n n n n 1 n n n 1 n 2