2012年数学建模大赛A题解题思路
2012年全国大学生数学建模竞赛A题国一
摘要
在问题一中，首先根据 T 检验、方差显著性检验和 Wilcoxon 秩和检验对两组评酒 员给葡萄酒的评价结果的差异的显著性检验。在大多数评酒员评分可靠的假设下，分别 利用评分方差比较模型，说明第二组结果可靠。在此基础上引入了评酒员“失误度”概 念来衡量每位评酒员与所有评酒员总体评价的差异， 对各组失误度求和得到第二组结果 更可靠。为了进一步优化评酒员评分，利用根据失误度对评酒员排序，跨组选取失误度 最小的 10 位评酒员组成新的评分组，其平均值认为比第二组更可靠，作为整个文章中 评价葡萄酒质量的标准指标。 在问题二中，由于红、白葡萄的理化指标有较大差异，分开考虑红白两种葡萄酒： 对于红葡萄酒，对应问题一得出的葡萄酒质量指标，从三个角度，即外观分析（又分为 由大分子因子决定的澄清度和基于 LAB 色彩模型的色调考虑到指标间存在的竞争关系 采用非线性回归分析和逐步回归分析） 、香气分析（Fisher 线性判别分析）和口感分析 （主成分分析和因子分析） ，后进行异常点检验，逐一剔除异常点来求解酿酒葡萄的量 化指标。对于白葡萄酒的三个指标采用 Fisher 判别分析求解。最后将三个方面得分加权 平均得到酿酒葡萄量化的总分，进行聚类分析，根据聚类分析结果将红葡萄和白葡萄各 分为四级。 在问题三中，为研究酿酒葡萄与葡萄酒的理化指标之间的联系，将葡萄酒的理化指 标用酿酒葡萄的理化指标来表示。根据指标间的相关性，剔除部分相关性不强的指标， 选择部分相关性较好的酿酒葡萄的指标作为自变量， 对不同的葡萄酒指标分别进行多元 线性回归、逐步回归和回归检验。根据指标本身的特点及 AIC 信息统计量，剔除不显著 的自变量，而达到用尽量少的葡萄的理化指标来表示葡萄酒的理化指标的目的。在求解 过程中，建立典型相关分析模型来分析红葡萄酒色泽指标间的关系，利用主成分分析将 白葡萄的多个指标综合为少数几个主成分，再进行回归分析。模型求解结果显示，葡萄 酒的每个指标都能用部分葡萄的指标来线性表示，且具有较好的拟合效果。 在问题四中，为了分析酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响，结合问 题一、二、三的结果以及理化指标和芳香物质的化学意义，综合评估各个广义上的理化 指标（附件二和附件三） ，针对红葡萄酒和白葡萄酒的区别分别在酿酒葡萄和葡萄酒的 理化指标中选取对葡萄酒质量影响较大的指标， 通过线性回归分析将理化指标和葡萄酒 质量进行拟合，从而得出酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响。为进一步 论证结果，首先，对模型进行残差分析以及拟合情况分析；其次，用分组样本检验方法， 将白葡萄酒的 28 个样本数据分成两组，采用用一组进行拟合，另一组进行结果回带分 析的方式，进一步论证用葡萄和葡萄酒的理化指标来评价葡萄酒的质量的可靠性。通过 论证分析得出结论：葡萄和葡萄酒的理化指标可以用来评价葡萄酒的质量，但也有其不 足之处，如当从葡萄酒食用性方便角度考虑，用评酒员评价方法就更直接。 关键词：葡萄酒质量 识别聚类 失误度 非线性回归 逐步回归 Fisher 判别分析 主成 分分析 因子分析 显著性检验 残差分析 异常点检测
2012研究生数学建模A题
2.运用信噪比的取值探讨基因识别方法。
关键词：Voss映射Z-curve映射MATLAB软件SPSS软件快速傅里叶变换
一、问题的重述
DNA是生物遗传信息的载体，DNA分子是一种长链聚合物，DNA序列由腺嘌呤（Adenine, A），鸟嘌呤（Guanine, G），胞嘧啶（Cytosine, C），胸腺嘧啶（Thymine,T）这四种核苷酸（nucleotide）符号按一定的顺序连接而成。其中带有遗传讯息的DNA片段称为基因（Genes）。其他的DNA序列片段，有些直接以自身构造发挥作用，有些则参与调控遗传讯息的表现。如何利用DNA这些重要的信息帮助人们在农业、工业等行业领域内实现新的突破是我们面临的一个新的实际课题。我们就当前国内外的研究现状与成果的相关情况，建立数学模型分析研究下面的问题：
问题一：
（1）基于Voss映射，探求功率谱和信噪比的计算方法。
（2）基于Z-curve映射，求解频谱与信噪比并对Z-curve映射和Voss映射下的频谱和信噪比进行比较。
（3）基于实数映射，求解功率谱与信噪比的计算方法。
问题二：
对8个人类和92个鼠类的基因序列进行分析，找到每类基因研究其阈值的确定方法和阈值结果，并对所得到的结果进行评价。
： ； ： ；
： ； ： 。
这样产生的四个数字序列又称为DNA序列的指示序列，并通过利用MATLAB软件对Voss映射进行编程分析（见附件1），得到功率谱和信噪比的快速计算方法。
（2）根据附件1中的Z-curve映射来探求频谱与信噪比的快速计算方法。通过运行程序得到Z-curve映射下频谱和信噪比的值，然后采用100个组进行对比分析，发现在Voss映射和Z-curve映射下得到的信噪比之间呈现一定的倍数比例关系。
2012年数学建模A题解题思路
2012年数学建模A题解题思路1. 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？要分析两组评酒员的评价结果是否有显著性差异，可以使用统计方法进行分析。
一种常用的方法是使用t检验来比较两组平均值的差异，确定是否有统计学意义上的差异。
首先，对于每个评酒员，计算他们对每种葡萄酒的评分的平均值。
然后，对于每组评酒员，计算他们对每种葡萄酒的平均评分的平均值。
接下来，使用t检验来比较两组评酒员对每种葡萄酒的平均评分的平均值是否有显著性差异。
如果t检验的结果显示两组评酒员对某种葡萄酒的评分存在显著性差异，那么可以认为这种葡萄酒的评分更可信的那组评酒员的结果更可信。
1. 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。
要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，可以使用聚类分析或者判别分析等方法。
聚类分析可以根据酿酒葡萄的理化指标和葡萄酒的质量将它们分为几个不同的类别。
这样可以根据每个类别的平均质量评分来进行分级。
判别分析可以建立一个数学模型，根据酿酒葡萄的理化指标预测葡萄酒的质量等级。
这样可以根据酿酒葡萄的理化指标将其进行分级。
1. 分析酿酒葡萄与葡萄酒的理化指标之间的联系。
要分析酿酒葡萄与葡萄酒的理化指标之间的联系，可以使用相关性分析来确定它们之间的相关性。
首先，计算每个理化指标与葡萄酒质量评分之间的相关性系数。
可以使用皮尔逊相关系数或者斯皮尔曼相关系数等方法。
相关性分析的结果可以告诉我们哪些理化指标与葡萄酒质量评分有显著相关性，从而可以了解酿酒葡萄的哪些理化指标对葡萄酒的质量有重要影响。
1. 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？要分析酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响，可以使用回归分析等方法。
回归分析可以建立一个数学模型，根据酿酒葡萄和葡萄酒的理化指标来预测葡萄酒的质量评分。
这样可以分析每个理化指标对葡萄酒质量的影响程度，并确定哪些指标对葡萄酒的质量影响最为重要。
2012年全国大学生数学建模A题--葡萄酒质量的评价分析
葡萄酒质量的评价分析摘要本文主要讨论了葡萄酒和葡萄的理化指标与葡萄酒质量的关系。
通过品酒员对样品酒的外观，香气，口感的评分数据与所酿葡萄酒的理化指标和对酿酒葡萄的化学分析来确定葡萄酒质量好坏以及它们之间的关系。
根据附录中所给的两组品酒员分别对红葡萄酒和白葡萄酒进行品尝后的评分数据和各种理化指标进行了严谨的分析之后，继而运用适当的数学软件结合数学模型进行大量的拟合数据分析。
在葡萄酒品尝评分表中，由于品酒员对葡萄酒的要求、口感及其他各方面的主观条件存在一定的差异，因此，我们对品酒员给出的评分数据进行了客观的分析，降低品酒员主观造成的误差，客观的反映了样品酒之间的真实差异，同时将酿酒葡萄进行了等级划分。
并通过所给的理化指标数据和芳香物质含量更加准确的描述了酿酒葡萄、葡萄酒、葡萄酒质量之间的联系。
对于问题一，题目中要求我们判断两组品酒员的评价结果有无显著性差异，哪一组结果更可信。
由于题中数据量很大，且杂乱无章，很难直接看出，因此我们将数据在统计图中进行表示，观察了数据的稳定情况，为了更好的表达数据的稳定情况，我们采用了求每组数据方差的方法，通过比较，得出两组品酒员的评价结果存在显著性差异，且第二组品酒员所给的评分更为可信。
对于问题二，题目要求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，由问题一所得结果可知，第二组评分更为可信，故直接采用第二组数据进行分析。
将该数据进行数学期望处理，得到了十位评委对每种样品酒的平均打分，我们根据帕克评分系统的标准[1]将样品酒进行了分级。
对于问题三，我们使用了EXCEL中拟合数据分析的功能来探究酿酒葡萄与葡萄酒的各项理化指标之间的联系。
经过对得到的散点图不断的尝试各种函数图像，最终我们找到了最适合它们之间关系的也就是散点落在函数图象外最少的数学函数图像，从而得到该图像的数学表达式。
由于图表中显示酿酒葡萄与葡萄酒对应的各项指标存在多项式函数关系，所以我们得出结论，酿酒葡萄与葡萄酒各项理化指标存在着多项式函数的联系。
2012高教社杯全国大学生数学建模竞赛全国一等奖A题
2011高教社杯全国大学生数学建模竞赛城市表层土壤重金属污染分析摘要本文主要研究重金属对城市表层土壤污染的问题,我们根据题目所给定的一些数据和信息分析并建立了扩散传播模型、权重分配模型、对比模型和转换模型解决问题。
首先，我们利用Matlab 软件拟出该城区地势图（图1），根据所给数据绘出该地区的三维地势及采样点在其上的综合空间分布图。
之后将8种重金属的浓度等高线投影到该地区三维地形图曲面上，接着分别计算8种重金属在五个区域的平均值，立体图和平面图（图1附件）相结合便可得出8种重金属元素在该城区的空间分布。
其次，在确定该城区内不同区域重金属的污染程度时，我们运用两种方法进行解答。
先假设各重金属毒性及其它性质相同，运用公式ijij P C P ='求出各区域各金属相对于背景平均值的比值作为金属污染程度，再运用1ji ij j C C ==∑求出各区域重金属污染程度，并将各区进行比较。
之后，我们加上各重金属的毒性，对各重金属求出权数，再结合国标重金属污染等级和已知的各组数据来确定金属的污染程度。
由上述两种方法的对比，更准确地得出重金属对各区的影响程度。
即： 工业区>交通区>生活区>公园绿地区>山区 并根据第一个模型的数据来说明重金属污染的主要原因。
再次，对重金属污染物的传播特征进行了分析，判断出重金属污染物主要是通过大气、土壤和水流进行传播。
在分析之中，我们得出这三种状态的传播并不是孤立存在的，而是可以相互影响和叠加的，因此，我们分别建立三个传播模型，再对这三个传播模型进行了时间和空间上的拟合，得出重金属浓度最高的区域图，并结合各重金属的分布图（图6）来确定各污染源的位置。
最后，本题中只给出了重金属对土壤的污染，对于研究城市地质环境的演变模式，还需要搜集一些信息（图7）。
根据每种因素对地质环境的影响程度进行由定性到定量的转化。
建立同一地质时期地质环境中各因素的正影响和负影响的权重分配模型，再对这些权重进行验算和修正。
2012数学建模A题前三问解题思路和具体过程
模型的建立与求解4.1 两组评酒员评价结果显著性差异的检验及可信度的鉴定（问题一）4.1.1 两组评酒员评价结果的显著性差的模型建立（1）思路一：将附件1中每个评酒员对葡萄酒的评价结果的数据导入matlab中，先对第一组中的数据按样品编号进行排序，得到正确顺序下各指标的打分情况数据，其matlab算法如程序1所示。
然后求出每一个品酒员对每一种样品的各个指标打出的分数的和，得到一个的矩阵。
使用同样的编程方法，我们获得第二组排序后各指标的分数和，得到一个的矩阵。
为方便排版起见我们将所获得的两组数据用Excel进行了处理。
（详见程序2后的附表1，其中的一部分结果如表1所示选取附表1中的前五行）。
表1：两组部分指标的分数和第一组各指标和第二组各指标和第一组各指标和第二组各指标和第一组各指标和第二组各指标和第一组各指标和第二组各指标和第一组各指标和第二组各指标和将得到的两组数据进行标准化处理，得到0-1型标准矩阵，进而对两个标准矩阵进行t检验和F检验，得到了最终的检测结果。
两种检验均表现为具有显著性差异。
（2）思路二：利用matlab读取附件1中的数据，再将读取到的数据利用matlab按照酒样品的编号及评酒员的编号进行排序，对每个评酒员对每个样品的评分进行求均值及方差（），首先由于总体样本的均值未知，故对其进行正态总体均值的比较t检验，最后得到h=0，即接受原假设，证明两组评酒员的评价结果没有显著性差异，进而对两组数据正态总体的方差进行F检验，得出h=1，证明两组评酒员的评价结果有显著性差异。
综上两种思路得出两组评酒员的评价结果是有显著性差异的问题一：T检验问题二：聚类分析主成分分析判别分析问题三：非线性拟合 F检验显著性问题四：线性拟合。
2012全国数学建模竞赛A题解答
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. 2. 3. 指导教师或指导教师组负责人 (打印并签名)： 日期： 2012 沈阳航空航天大学 张 阳
A
袁亚军 邹 超 王诗云 年 9 月 10 日
5.1 评价结果的非参数显著性检验模型的建立
由于模型假设中样本酒的抽取过程是随机的，且葡萄酒种类是相当大的，有大数定 律知红葡萄酒的实际评定分数将近似服从正态分布。同时，两评酒组对各种样本酒做出 的打分为样本的估计值，应该是相互无影响的，在一定程度上具有一定的独立性。由于 是对同一个正态分布做出的估计，因此总体对应样本分布的平均值和方差都相等。
, na ) , ( j 1, 2, , na ) , ( j 1, 2,
nb
aijk bijk Maij Dbij Daij
Mbij
Ai Bi sigma a sigma a
pij
, np )
Pij
wij Wij spij
, NP )
, nw )
红葡萄酒第 i 个样本第 j 个一级理化指标值 (i 1, 2, 红葡萄酒第 i 个样本第 j 个二级理化指标值 (i 1, 2, 葡萄第 i 个样本第 j 个芳香物质指标值 (i 1, 2, 红葡萄酒第 i 个样本第 j 个芳香物质指标值 (i 1, 2,
2
A题
葡萄酒的评价
摘 要
本文针对葡萄酒应用非参数秩和检验方法、BP 神经网络方法、回归分析、主成分 分析等方法对了葡萄酒的评分问题进行了分析。 结合本题目需要解决的四个问题，我们分别建立了四个数学模型。分别简述如下： 模型一、两独立总体的 KruskalandWallis 非参数秩和检验模型 通过矩法正态分布检验，得到了评酒组评分总体不符合正态分布，否定了双独立样 本的 T 检验用于两评价组的显著性检验；两独立总体的 KruskalandWallis 非参数秩和检 验得到了两评价组的评价结果具有很高的相关性，并进行方差分析得到了两评价组可信 度近似，两评价组的评价结果无显著性差异且均可信。 模型二、基于 BP 神经网络的酿酒葡萄评价模型 应用主成分分析法对附录 2 中的数据进行筛选，得到 9 个主成分，应用其对神经网 络进行训练，从而建立了基于ＢＰ神经网络的酿酒葡萄评价模型，该模型体现了酿酒葡 萄理化指标和葡萄评分之间的关系。对其进行求解得到酿酒葡萄的一组评价分数。经检 验该组评价分数的平均误差小于 8% ，表明该模型的评价能力与评酒员很接近，从而说 明了模型的有效性。 根据模型计算的数值结果再应用五级制评价标准得到了酿酒葡萄的 分级。 模型三、以逐步回归分析为基础的线性回归模型 为了寻找葡萄酒的理化指标与酿酒葡萄的理化指标之间的关系，我们首先建立了多 元线性回归分析模型和多元二次回归分析模型，对模型进行分析发现酿酒葡萄的理化指 标之间的线性相关性，但二阶相关性偏低，模型结果误差较大，参数的可信区间无法求 解。 为了克服上述模型的不足我们在此基础上对模型进行改进， 采用逐步回归分析方法， 找到了酿酒葡萄的无线性或近似线性关系的理化指标，建立了由酿酒葡萄理化指标到葡 萄酒的回归分析模型，说明了理化指标相互转化的关系，经检验平均绝对误差为小于 1.5，从而说明了线性回归模型的有效性。 模型四、综合的 BP 神经网络的葡萄酒评级模型 基于模型二的建立，进一步建立了由葡萄的酒理化指标到葡萄酒质量的ＢＰ神经网 络模型，我们将两个模型进行加权求和，得到了综合的ＢＰ神经网络模型，经检验平均 误差小于 5% ，最大误差也小于 7% ，具有相当高的精度。
2012全国数学建模A题分析
2012全国数学建模竞赛A题详细分析1.问题重述在设计太阳能小屋时，需在建筑物外表面（屋顶及外墙）铺设光伏电池，光伏阵列件所产生的直流电需要经过逆变器转换成220V交流电才能供家庭使用，并将剩余电量输入电网。
不同种类的光伏电池每峰瓦的价格差别很大，且每峰瓦的实际发电效率或发电量还受诸多因素的影响。
因此，在太阳能小屋的设计中，研究光伏电池在小屋外表面的优化铺设是很重要的问题。
对下列三个问题，分别给出小屋外表面光伏电池的铺设方案，使小屋的全年太阳能光伏发电总量尽可能大，而单位发电量的费用尽可能小，并计算出小屋光伏电池35年寿命期内的发电总量、经济效益（当前民用电价按0.5元/kWh计算）及投资的回收年限。
在同一表面采用两种或两种以上类型的光伏阵列件时，同一型号的电池板可串联，而不同型号的电池板不可串联。
在不同表面上，即使是相同型号的电池也不能进行串、并联连接。
应注意分组连接方式及逆变器的选配。
问题1：请根据山西省大同市的气象数据，仅考虑贴附安装方式，选定光伏阵列件，对小屋（见附件2）的部分外表面进行铺设，并根据电池组件分组数量和容量，选配相应的逆变器的容量和数量。
问题2：电池板的朝向与倾角均会影响到光伏电池的工作效率，请选择架空方式安装光伏电池，重新考虑问题1。
问题3：根据附件7给出的小屋建筑要求，请为大同市重新设计一个小屋，要求画出小屋的外形图，并对所设计小屋的外表面优化铺设光伏电池，给出铺设及分组连接方式，选配逆变器，计算相应结果。
2．问题的分析2．1 问题一的分析问题一中要求根据山西省大同市的气象数据，选定光伏阵列件对小屋的部分外表面以贴附安装方式进行铺设，使小屋的全年太阳能光伏发电总量尽可能大，而单位发电量的费用尽可能小，最后给出铺设方案，包括电池组件分组数量和容量，以及相应的逆变器的容量和数量。
首先，附表中提供的大同地区的光照数据并未直接告知每个面获得的光照总量，需要根据光散射和直射的关系，建立光照模型，确定每个面的总的光照强度。
2012年数学建模大赛A题解题思路
2012年数学建模大赛A题解题思路首先纠正一下对于数学建模的看法，数学建模重要的是一种数学思想，即使是没有牢固的数学根底，一样可以在建模的赛场上大放异彩。
下面先把试题读一下，个人认为的重点词汇已经标出出来。
（不要盲目听从任何人所谓的专家建议）A题葡萄酒的评价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：1. 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？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。
3. 分析酿酒葡萄与葡萄酒的理化指标之间的联系。
4．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？附件1：葡萄酒品尝评分表（含4个表格）附件2：葡萄和葡萄酒的理化指标（含2个表格）附件3：葡萄和葡萄酒的芳香物质（含4个表格）解题思路：1、众所周知，对于同一事物的评价，如果大家的意见越一致，那么评价的可信度就越高。
所以对于问题1的解题思路也就清晰明了了。
我们可以通过离散度（所谓离散程度，即观测变量各个取值之间的差异程度。
它是用以衡量风险大小的指标。
）这一概念来对每一组评酒员作出的评估作出风险分析。
显而易见的是若风险评估的值越高，这组评酒员的评价就存在问题了。
若风险评估值大小相当，这说明这两组评酒员是没有明显差异的。
2、题目中要求对葡萄作出评级。
看起来似乎没有思路，那么我们可以动一下我们的小脑筋。
既然对于评级我们没有参考标准，那么我们可以参考评酒员的评价。
即使用逆向思维，从评酒员的评分发出，那么大体上葡萄的分级基本上就能确定下来，根据确定先来的葡萄分级进行逆推，就可以得出结论。
2012年大学生数学建模竞赛A题(优秀论文A题葡萄酒)
葡萄酒质量的评价摘要葡萄酒质量的好坏主要依赖于评酒员的感观评价，由于人为主观因素的影响，对于酒质量的评价总会存在随机差异，为此找到一种简单有效的客观方法来评酒，就显得尤为重要了。
本文通过研究酿酒葡萄的好坏与所酿葡萄酒的质量的关系，以及葡萄酒和酿酒葡萄检测的理化指标的关系，以及葡萄酒理化指标与葡萄酒质量的关系，旨在通过客观数据建立数学模型，用客观有效的方法来评价葡萄酒质量。
首先，采用双因子可重复方差分析方法，对红、白葡萄酒评分结果分别进行检验，利用Matlab软件得到样品酒各个分析结果，结合01-数据分析，发现对于红葡酒有70.3%的评价结果存在显著性差异，对于白葡萄酒只有53%的评价结果存在显著性差异。
通过比较可知，两组评酒员对红葡萄酒的评分结果更具有显著性差异，而对于白葡萄酒的评分，评价差异性较为不明显。
为了评价两组结果的可信度，借助Alpha模型用克伦巴赫α系数衡量，并结合F检验，得出红葡萄酒第一组评酒员的评价结果可信度更高，而对白葡萄酒的品尝评分，第二组评酒员的评价结果可信度更高。
综合来看，主观因素对葡萄酒质量的评价具有不确定性。
结合已分析出的两组品酒师可靠性结果，对葡萄酒的理化指标进行加权平均，最终得出十位品酒师对样品酒的综合评价得分。
将每一样品酒的综合得分与其所对应酿酒葡萄的理化指标（一级指标）共同构成一个数据矩阵，采用聚类分析法，利用SPSS软件对葡萄酒样进行分类，根据分类的结果以及各葡萄样品酒综合得分最终将酿酒葡萄分为A（优质）、B（良好）、C（中等）、D（差）四个等级，客观地反映了酿酒葡萄的理化指标与葡萄酒质量之间的联系。
为了分析酿酒葡萄与葡萄酒理化指标之间的联系，采用相关分析法，能有效地反映出两者间的联系，取与葡萄各成分相关性显著的葡萄酒理化指标，与葡萄成分做多元线性回归得出葡萄酒理化指标与酿酒葡萄的拟合方程，从而反映酿酒葡萄与葡萄酒理化指标之间的联系。
由于已经通过回归分析建立了酿酒葡萄和葡萄酒理化指标之间的关系，因此从酿酒葡萄成分对葡萄酒的理化指标的影响，再研究出葡萄酒理化指标与葡萄酒质量的联系，便可作为一个桥梁，反映出葡萄与葡萄酒理化指标对葡萄酒的质量的作用。
2012全国数学建模A题思路及部分方法
A 题葡萄酒的评价第一问：1. 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？啊先对数据标号，标号方式参考如下：ijkl A j k l 萄酒第i 项指标的评分，用ijkl B 表示第j 组第k 位品酒师对第l 种白葡萄酒第i 项指标的评分，比如第1组第0位品酒师对第21种红葡萄酒第7项指标（口感浓度）的评分就是71021A ，第2组第5位品酒师对第8种白葡萄酒第2项指标（色调）的评分就是22508B 。
若是评价“哪一组结果更可信”的话，应该考虑一下系统误差和偶然误差，系统误差小的结果比系统误差大的结果可信，偶然误差小（数据比较集中）的结果比偶然误差大的结果可信。
比如说，第n 号红酒澄清度的实际分值（带有主观性，不过根据大数定理，无穷多个品酒师的评分的数学期望就是实际分值）为4分，那么同样是对第n 号红酒澄清度的打分，第一组打了7个4分，2个5分和1个3分，第二组打了6个4分，1个5分和3个3分，那么第一组的评分的数学期望就是4.1分，第二组的评分的数学期望就是3.8分，第二组的系统误差更大，第一组更可信；再比如说，第一组打了5个4分，3个5分和2个3分，第二组打了7个4分，2个5分和1个3分，那么两组的评分的数学期望都是4.1分，不过第一组的数据比较分散，偶然误差比较大，第二组更可信。
不同的品酒师的个人感受不可能完全一样，评分标准掌握尺度也有差异，因此难免有主观误差（系统误差的一类），不过如果品酒师是随机分配到两组的话，多数情况下可以认为不同的人的系统误差相互抵消（下文说不能相互抵消的话怎么办），因此重点考虑偶然误差。
可以通过统计学中的理论（需要用到t 分布）得出同样的置信水平（可以设05.0=α）下每一个统计量（同一组人对同一种酒同一项指标的评分）的置信区间，然后求出置信区间跨度（置信上限与置信下限的查，设为ijl a 和ijl b ，与A 和B 对应，比如7207a 就是第二组的品酒师对第七种红葡萄酒口感浓度的评分的置信区间跨度），跨度小的偶然误差小。
2012数学建模A题---葡萄酒评价---国家奖
葡萄酒的评价摘要本文主要运用统计分析方法，解决与所酿葡萄酒有关的问题。
对于问题一，,分别对白酒和红酒的两组数据进行差异性检验。
构建一个能反应葡萄酒本身质量的量，对两组数据分别进行相关性分析，得到第二组评酒员的结果更可信。
对于问题二，先做聚类分析，再做线性回归分析，得到白、红葡萄分为4级和3级。
对于问题三，利用问题二中聚类得到的7个主成分，把每种葡萄酒的理化指标与酿酒葡萄之间的7个主成分进行相关性分析，得到7个回归方程，即为酿酒葡萄与葡萄酒的理化指标之间的联系。
对于问题四，首先建立模型：12W=a *Y +b *Y 。
其中a,b 分别为酿酒葡萄和葡萄酒对葡萄酒质量的贡献率，1Y ，2Y 分别为两种因素的贡献值。
然后，通过确定芳香物质是否对葡萄酒的评分有影响来论证能否用葡萄和葡萄酒的理化指标评价葡萄酒的质量。
问题一中，本文运用excel 做两组数据的显著性差异检验，得到两组评酒员在评论白酒和红酒都存在显著性差异，且通过了F 检验。
接着本文通过确定各指标的权重，构建一个能反应各葡萄酒实际平分的量，把两组数据与之做相关性分析，发现第二组与之相关性更大，故第二组评酒员的结果更可信。
问题二中，本文通过SPSS 做理化指标的聚类分析，得到7个主成分；再做指标与评分的线性回归分析，得到白葡萄的分级结果为4级：一级：白酿酒葡萄14,22；二级：白酿酒葡萄4,5,9,19,23,25,26,28；三级：白酿酒葡萄24,27；四级：白酿酒葡萄1,2,3,6,7,8,10,11,12,13,15,16,17,18,20。
红葡萄酒为3级：一级：红酿酒葡萄2,9；二级：红酿酒葡萄3,4,10,22,24；三级：红酿酒葡萄1,5,6,7,8,11,12,13,14,15,16,17,18,19,20,21,23,25,26,27。
问题三中，本文运用excel 将葡萄酒的一级指标分别与7个主成分进行相关性分析然后对每种主要成分利用SPSS 进行线性回归分析得到以下7个回归方程：()()()()()r1134r21367r3137r4136r6137r71Y =-39.542+1.727+21.850+3.9463Y =4.044+0.026-0.156-0.005-0.1954Y =2.807+0.021-0.030-0.1895Y =2.700+0.024-0.169-0.0056Y =0.069+0.001-0.006-0.0077Y =70.028-0.188+x x x x x x x x x x x x x x x x x ()()2347r8123560.841+0.280-0.187+1.7048Y =58.545-0.021-1.028+1.666+27.045-0.0049x x x x x x x x x 即为每种酿酒葡萄与葡萄酒理化指标之间的联系。
2012数学建模大赛a试题
葡萄酒的评价模型摘要区分葡萄酒好坏的量化标准，主要采用百分制评分体系[1]。
该评分体系基于以下四个因素：外观，香气，风味，总体质量或潜力。
评酒员对葡萄酒进行品尝后按照酒的质量特点对其分类指标进行打分，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应葡萄酒和酿酒葡萄的质量。
现对葡萄酒的评价问题进行分析研究，针对葡萄酒的各项指标数据进行统计和分析，建立起模糊综合评价模型，创建模糊关系矩阵：R=⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡⋯⋯⋯⋯⋯⋯⋯mn 2m 1m n 22221n 11211r r r r r r r r r 运用SPSS 软件等数学工具，来讨论出葡萄酒的评价结果。
问题一，采用求方差的方法，S 2 =()112--∑=n x x ni将各组酒样品横向求方差，纵向求和，将两组的变异系数和进行比较。
得出“第二组的变异系数和更小”的结论，即第二组结果更为可信。
继而使用t-检验，t = 1-n （X - μ）/S对于红葡萄酒，t 值小于0.05，则红葡萄酒存在显著性差异；而白葡萄酒t 值大于0.05，则白葡萄酒不存在显著性差异。
问题二，运用了SPSS 软件中因子分析功能，得到红葡萄理化指标分析（附录1）、白葡萄理化指标分析（附录2），对附件二中的海量数据进行批处理，优化出6项最重要因素简化数据，最后运用聚类分析法分别得出红葡萄与白葡萄的等级分类。
问题三，为了求得酿酒葡萄与葡萄酒的理化指标之间的联系，运用了统计学原理，结合图表，将酿酒葡萄与葡萄酒的几大决定因素提取出来，将其绘制成成分矩阵，进行详细的数据分析，并得出“酿酒葡萄酿制成葡萄酒之后主要成分中的蛋白质与VC 消失，其余理化指标在不同程度上有所改变”的结论。
问题四，通过统计对比，结合数据折线图，直观反映并论证了两种理化指标对葡萄酒质量的影响，即葡萄酒的质量与酿酒葡萄、葡萄酒的各项理化指标呈正相关的关系，也就是葡萄酒的质量随着葡萄酒和酿酒葡萄中的各理化指标的综合变化情况而变化，当产生“峰值”时，存在产生负相关的可能性。
2012高教社杯全国大学生数学建模竞赛A题思路
2012高教社杯全国大学生数学建模竞赛A题第一问，对于同一事物的评价 如果大家的意见越一致 那么评价的可信度就越高。
所以对于问题1的解题思路也就清晰明了了，我们可以通过离散度。
所谓离散程度 即观测变量各个取值之间的差异程度。
它是用以衡量风险大小的指标。
这一概念来对每一组评酒员作出的评估作出风险分析。
显而易见的是若风险评估的值越高 这组评酒员的评价就存在问题了。
若风险评估值大小相当 这说明这两组评酒员是没有明显差异的。
是否显著，理论建议使用数理统计里的假设检验，相关因素分析可以采用SPSS。
至于可信度的说明可以考虑从方差入手说明，或者建立一个可信度指数，将相关数据整合到所建立指数中去。
第二问，最俗的方法就是层次分析加模糊数学，其实纯评价类方法还可以采用灰色测度，还可以通过合理改造一些理论或合并理论建立评价模型，建议第二问可以考虑正式建立模型了，第一问仅做个假设检验写得详细点就行了，那不是模型，模型的建立可以从该问开始题目中要求对葡萄作出评级。
看起来似乎没有思路 那么我们可以动一下我们的小脑筋。
既然对于评级我们没有参考标准 那么我们可以参考评酒员的评价。
即使用逆向思维 从评酒员的评分发出 那么大体上葡萄的分级基本上就能确定下来 根据确定先来的葡萄分级进行逆推 就可以得出结论。
第三问就是建立相关因素与评价指标的函数关系，通过前一问，运用SPSS软件可以构建出这样的函数对于这个问题 最直观也是最基本的思路就是看两者之间的趋势。
作出两者的趋势图 。
通过对趋势图的直接观察 两者之间的大体关系即可确定 然后根据曲线拟合的方法可得出两者间的函数关系。
第三问大家肯定一眼就能得出结论那就是肯定能用理化指标来评价葡萄酒的质量。
但这里有个前提 就是先分析葡萄和葡萄酒理化指标之间的关系 显然这是解题的关键。
对于这种大量数据的问题 只要通过计算机实现 基本上不要考虑认为分析 因为在浪费大量时间的前提下基本上不会得出结论。
数学建模2012a
题。在做这些工作之前，需要对数据进行正态分布检验。由于所给数据是评分，
在求解第一问时也可以用秩和检验模型。 对于第二问，评分标准要求方差较小 的结果更可靠。
3
问题2的求解
问题2是对酿酒葡萄进行分级，这本质上是一个分类问题。 在分类之资料给出
的分类标准也未必满足本题的要求，因此需要自己建立一个分类标准。解决这一问题
和芳香物质是构成酿酒葡萄品质优劣的要素，另外芳香物是葡萄酒质量评价最重
要的影响因素。这是你结论中应该把握的方向。这道题的背景是：国内最初对葡 萄酒的质量鉴别在于感官评价上，这具有一定的主观性和不确定性，后来又引入 了理化指标来进行鉴别。相对客观，而最近的研究表明，芳香物质以及影响葡萄 酒质量的主要理化指标的物质相互平衡是综合质量优劣的关键。所以在不考虑工 艺等因素的影响下，就根据葡萄酒的质量评价分为感官评价指标和理化指标两类 进行综合鉴别就可以了。 2012 年全国竞赛的A 题充分体现了概率统计的相关知识在数学建模中的应
好的成绩。
16
概率统计在数学建模 中的应用
—— 以2012年全国大学生数 学建模竞赛(本科组)A 题为例
1
问题重述
2
问题1的求解
仔细研究题目，看到“著性差异”的字眼，我们自然会想起概率论与数理统 计中的“假设检验”和“方差分析”部分。只要把问题转化为概率统计中假设 检验或方差分析模型，便能得到相应的结论。 在题目给出的原始数据中还有一个缺失值和一个异常值，在数据预测处理中 可用正常值的平均值代替缺失值或异常值，这样问题1 就可以分解为统计中的 “有两批产品，分别经过两次检验，求两批产品是否有显著差异? 哪次检验更可 靠”的经典模型。 显然，对于第一问，可以转化为假设检验问题，也可以转化为方差分析问
2012年数模A题摘要.doc
葡萄酒的质量及评价指标的分析
摘要
数学模型是数学中的重要内容之一，建立模型有着很强的实用性。
本文主要讨论了关于葡萄酒质量的研究，并对葡萄酒的评价指标进行分析。
通过对庞大的数据统计分析，抓住主要矛盾，在不影响结果的前提下，忽略了一些次要矛盾，根据合理的假设，对葡萄酒的质量做了全方位的评价，也客观的分析了感官指标、理化指标对葡萄酒质量的影响。
主要采用了数据统计分析、模糊综合评价、线性回归、数据拟合、支持向量机等方法。
借用EXCEL、SPSS和MATLAB软件进行数据图像处理。
对问题1，就附表1中的原始数据进行相应处理，数理统计分析，进而比较两组评判结果各指标的平均值、方差、数学期望、置信跨度平均值等。
从而，对各个指标进行综合评价，然后求出每组中各个指标的差值，得到更可信的一组评价结果。
对问题2，就问题1中可信的评价结果采用模糊数学模型对酿酒葡萄进行初步分级，根据附表2参考理化指标对确定下来的酿酒葡萄分级进行调整，以求得到更加合理的酿酒葡萄分级。
对问题3，选用线性回归的模型进行求解，用SPSS软件算出附表3每个指标的平均值和离差平方。
再联系葡萄酒的理性化指标，用多元统计分析方法、逐步线性回归，最后确定酿酒葡萄与葡萄酒的理化指标之间的关系。
对问题4，就问题3分析酿酒葡萄与葡萄酒的理化指标之间的联系之后，采用数据分析法，把各组数据进行拟合，得到拟合曲线。
建立酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的一条分类线，采用线性分类问题的支持向量机的方法进行能否用葡萄和葡萄酒的理化指标来评价葡萄酒的质量的论证。
关键词：模糊数学模型葡萄等级线性回归支持向量机的方法分类线。
2012年全国大学生数学建模大赛A题论文
承诺书我们仔细阅读了中国大学生数学建模竞赛的竞赛规则.我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。
我们知道，抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。
我们郑重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。
如有违反竞赛规则的行为，我们将受到严肃处理。
我们授权全国大学生数学建模竞赛组委会，可将我们的论文以任何形式进行公开展示（包括进行网上公示，在书籍、期刊和其他媒体进行正式或非正式发表等）。
我们参赛选择的题号是（从A/B/C/D中选择一项填写）： A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）：重庆三峡学院参赛队员(打印并签名) ：1. 齐财华2. 侯景耀3. 廖友芳指导教师或指导教师组负责人(打印并签名)：王良伟日期： 2012 年 9 月 10 日赛区评阅编号（由赛区组委会评阅前进行编号）：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）：葡萄酒的评价摘要随着人们生活水平的日渐提高，葡萄酒已经成为其生活品质的象征，它作为一种色香味俱佳的饮品，既能满足人们的感官享受，又具有相当高的营养和保健价值（见[1]，第1页）。
但是，对葡萄酒质量的鉴别却没有完全统一的标准。
传统评价葡萄酒质量的方法是由评酒员通过感官评分来判定，近些年来许多葡萄酒大国正逐渐开始在传统评价方法的基础上增加现代化的分析方法来综合评价葡萄酒的质量。
本文主要对葡萄酒质量的评价、酿酒葡萄的分级、酿酒葡萄与葡萄酒的理化指标之间的联系以及酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响进行了研究。
2012年数学建模A题
葡萄酒质量评定模型摘要葡萄酒质量的评定长久以来都是采用聘请品酒员，通过品酒员对葡萄酒各项指标打分求和来确定葡萄酒的质量。
葡萄酒的价格因品酒员评分高低的不同有显著的差别。
然而在这样的评定方式中人的主观因素对酒质量的评定占主导地位，葡萄酒质量的评定结果存在较大的不确定性。
随着人们对葡萄酒消费的增加及高质量化的追求，建立合理、规范、客观的葡萄酒质量评定模型显得尤为重要。
根据题中给出的相关数据，通过解决以下问题建立葡萄酒质量评定模型。
对于问题一：首先，将题目附录1中的数据经Excel处理，得到每组评酒员对每种酒样品的总分。
然后，对每一种酒样品运用两配对样本的非参数检验(符号秩和检验)对数据进行显著性差异分析，运用MATLAB软件比较各酒样品的两组数据发现两组结果差异显著。
其次，通过Excel求出每一种酒的品酒员所打总分的方差，得到两组品酒员分别对两类葡萄酒的方差走势图(见图1.1、1.2)，根据总体方差最小，方差波动较小，确定第二组品酒员的评分更可信。
最后，采用SPSS软件作进一步检验，结果相同即模型合理。
对于问题二，选取一级理化指标作为酿酒葡萄分级参考，对理化指标运用主成分分析法降维，通过MATLAB计算得到红葡萄的主成分有8个，白葡萄的主成分有11个。
综合评分得到的葡萄酒质量影响，红葡萄的影响因素有9个，白葡萄的影响因素有12个。
然后，利用折衷型模糊决策模型，考虑到由主成分分析方法得到的酿酒葡萄的的主成分值在反应酿酒葡萄质量好坏问题上会有一定的偏差，利用三角模糊的表达方式对主成分指标值进行表示，分别将红、白两类酿酒葡萄按隶属度大小排序，在运用聚类分析的方法，利用SPSS软件将葡萄划分为五个等级(见表格2.1)。
对于问题三，数据的庞杂是解决该问题的难点。
我们运用问题二中的主成分分析方法将理化指标转化为几个主成分，并运用MATLAB编程求出具体的主成分数值，然后建立线性回归模型，求解出酿酒葡萄与葡萄酒理化指标主成分之间的相关关系，从而反映出酿酒葡萄与葡萄酒理化指标之间的联系。
2012年数学建模A题思路及方法
基于BP神经网络的红葡萄酒品质鉴定方法1.引言红葡萄酒是很多人喜欢的一种酒品，其酒香甘醇，营养价值丰富。
但是红葡萄酒的品质鉴定往往需要专业的葡萄酒鉴定专家来进行，由于从业人员数量的限制和人工鉴定速度的限制，给红葡萄酒品质鉴定工作带来了一定的限制。
2.红葡萄酒鉴定红葡萄酒的人工鉴定，比较简单的方法是采用“三部曲”的方法。
第一步是观察“裙子”，指将酒倒入透明的无色玻璃酒杯以观察色泽。
看它是否清澈透明，鲜艳夺目。
好的白葡萄酒应当是金黄色的或者是浅黄色的；好的红葡萄酒应当是红宝石色，石榴红色或者琥珀色。
第二步是检验“鼻子”，主要指酒散发出的酒香。
首先要缓缓地将杯中的酒“摇醒”，使它散发香味。
如果是一、二年的新酒，因酒龄不长，能嗅出鲜果或花的清香，如玫瑰香、苹果香、樱桃香等的葡萄酒就是好酒。
如果是刺激、强烈或闭塞则酒质较差。
如果是陈酿，应当有浓香，如蜜香、榛子香、香草等。
第三步观察“嘴巴”，指试口感。
首先要对酒进行整体评价，是醇厚还是精美。
好酒的口感应当是醇厚的，浓郁的，结实的，平衡的，优美的，余味悠长的，而不是瘦弱的，平淡的，没有特点的和短暂的。
其次要鉴定是柔和还是生硬，好酒应当是圆润的，柔顺的，可口的而不是酸涩的、生硬的和辛辣的。
最后是感觉酒性：好酒应当是有力的，醉人的，丰满的，强烈的，而不是平缓的，冷淡的、无力的。
3.BP神经网络模型3.1 BP网络介绍人工神经网络（artificial neural networks,ANN）系统是20世纪40年代后出现的，它是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点，在信息处理、模式识别、智能控制及系统建模等领域得到越来越广泛的应用。
BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。
2012年全国大学生数学建模竞赛A题(葡萄酒理化指标与质量的评鉴分析,获全国二等奖)
葡萄酒理化指标与质量的评鉴分析摘要用好的葡萄也许酿不出好酒，但没人能用劣质葡萄酿出好酒。
巧妇难为无米之炊，再优秀的酿酒师，如果没有优质的葡萄，也很难酿出好酒。
不同葡萄品种酿制出的葡萄酒是不同的，但是，除了品种间的差异，葡萄自身的质量是酿制高品质葡萄酒的关键。
本文通过建立meansK-聚类模型、典型相关分析等模型，逐步探求用葡萄和葡萄酒的理化指标来评鉴葡萄酒质量的方法。
问题一要求我们分析附件1中两组评酒员的评价结果是否存在显著性差异，为此我们依据小概率原理建立模型Ⅰ-显著性检验模型。
首先我们利用F检验求解两组评酒员之间是否存在显著性差异，再利用配对t检验对检验样本做再次检验，以提高研究效率，确保评价结果的准确性。
利用Excel软件处理数据后，进行t、F的联合检验，当联合检验均被接受，得到两组评酒员的评价结果有显著性差异的结论。
同时通过对两组品酒员对55种葡萄酒样品评分的稳定性、统一性分析，确定第二组品酒员的评价结果更可信。
针对问题二本文根据附件2提供的数据，利用模糊数学原理[3]，建立模型ⅢK-聚类模型，对酿酒葡萄进行分类，再以葡萄酒品尝评分作为质量评价依据，means对酿酒葡萄进行分级。
首先，考虑到酿酒葡萄的理化指标过多，不便分类，我们利用多元统计分析原理对红、白酿酒葡萄进行主成分分析，得出红、白酿酒葡萄分别有8个和11个主成分，从而大大减少了分类指标。
再利用meansK-算法求出最佳聚类数k，建立meansK-聚类模型对各种葡萄样品在各个主成分上的得分进行聚类，将红、白葡萄样品分别划分为3类和4类。
最后，根据每个类别中葡萄样品对应的葡萄酒的品尝评分，对各类酿酒葡萄进行分级。
针对问题三建立模型Ⅳ-典型相关分析模型，定量分析酿酒葡萄与葡萄酒的理化指标之间的联系。
我们首先选取酿酒葡萄与葡萄酒皆含有的花色苷、单宁等成分作为理化指标，然后构建典型相关分析模型，研究酿酒葡萄与葡萄酒两组样品的理化指标之间的相关性。
- 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)。
首先纠正一下对于数学建模的看法，数学建模重要的是一种数学思想，即使是没有牢固的数学根底，一样可以在建模的赛场上大放异彩。
下面先把试题读一下，个人认为的重点词汇已经标出出来。
（不要盲目听从任何人所谓的专家建议）
A题葡萄酒的评价
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：
1. 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？
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。
3. 分析酿酒葡萄与葡萄酒的理化指标之间的联系。
4．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？
附件1：葡萄酒品尝评分表（含4个表格）
附件2：葡萄和葡萄酒的理化指标（含2个表格）
附件3：葡萄和葡萄酒的芳香物质（含4个表格）
解题思路：
1、众所周知，对于同一事物的评价，如果大家的意见越一致，那么评
价的可信度就越高。
所以对于问题1的解题思路也就清晰明了了。
我们可以通过离散度（所谓离散程度，即观测变量各个取值之间的
差异程度。
它是用以衡量风险大小的指标。
）这一概念来对每一组评
酒员作出的评估作出风险分析。
显而易见的是若风险评估的值越高，这组评酒员的评价就存在问题了。
若风险评估值大小相当，这说明
这两组评酒员是没有明显差异的。
2、题目中要求对葡萄作出评级。
看起来似乎没有思路，那么我们可以
动一下我们的小脑筋。
既然对于评级我们没有参考标准，那么我们
可以参考评酒员的评价。
即使用逆向思维，从评酒员的评分发出，
那么大体上葡萄的分级基本上就能确定下来，根据确定先来的葡萄
分级进行逆推，就可以得出结论。
3、对于这个问题，最直观也是最基本的思路就是看两者之间的趋势。
（作出两者的趋势图）。
通过对趋势图的直接观察，两者之间的大体
关系即可确定，然后根据曲线拟合的方法可得出两者间的函数关系。
4、对于问题4的这中学术中称之为白痴型问题，大家肯定一眼就能得
出结论，那就是肯定能用理化指标来评价葡萄酒的质量。
但这里有
个前提，就是先分析葡萄和葡萄酒理化指标之间的关系，显然这是
解题的关键。
对于这种大量数据的问题，只要通过计算机实现，基
本上不要考虑认为分析，因为在浪费大量时间的前提下基本上不会
得出结论。
言归正传，谈一下解题的关键点或者是捷径，可以通过
附件一种的数据来作出评价。
至于具体的方法，因为只是初步的讲
解还未作出具体判断。
估计会在后续的评论中作出判断。
谢谢大家，小马过河预祝大家考出理想成绩。