数学建模报告生产批量与单位成本的关系

姓名：吴涛学号：20120241188 班级：数信12-3时间：2014.3.17摘要本题是求某工厂产品的生产批量与单位成本的关系,要用到数学建模中常见的“统计回归模型”。由于客观事物内部关系的复杂性及人们认识程度的限制，无法分析实际对象内在的因果关系，建立合乎机理规律的数学模型，那么我们需要收集大量的数据，基于对数据的统计分析去建立模型。

对于本题，已为我们提供了数据，并认为生产量在500以内时，单位成本对生产批量服从一种线性关系，在超过500时服从另一种线性关系。因此我们通过分阶段讨论并分别用MTALAB数学软件找出一个最为理想的线性回归模型。对此我们使用了MTALAB数学软件的regress命令求解，通过观察散点图来大体估计其服从的线性关系，再套用不同线性关系并从中找到最为理想并且简便的线性关系。我们把生产批量在500以内的记为，对应的单位成本记为，超过500的记为，单位成本记为。依此用MTALAB画出其散点图，随后，我们对模型进行了可行分析，对模型进行了恰当的评价，我们认为该模型在不考虑其他因素影响的条件下可以推广。问题重述下表给出了某工厂产品的生产批量和单位成本（元）的数据，从散点图可以明显地发现，生产批量在500以内时，单位成本对生产批量服从一种线性关系，生产批量超过500时服从另一种线性关系，此时单位成本明显下降。希望你构造一个合适的回归模型全面地描述生产批量与单位成本的关系。生产批量650340400800300600720480440540750单位成本2.484.454.521.384.652.962.184.044.203.101.50二、基本假设假设1：单位成本只受生产批量的影响，不考虑可能存在的其它因数的影响。假设2：在整个生产过程中，其单位成本不随时间和生产的方式的改变。假设3：根据题中已经给出的数据，假定所有数据都真实可靠。表格SEQ表格\*ARABIC1然后，对数据进行残差分析：图3残差分析图1从结果可以看出，应将第二个点去掉后再进行拟合：得到模型（1）的回归系数估计值及其置信水平、检验统计量,F,p的结果见表2.参数参数估计值参数置信区间5.5749[5.0902，6.0596]-0.0032[-0.0044，-0.0020]F=40.8967p=0.0238682表格SEQ表格\*ARABIC2可见R的平方非常接近1.说明模型较准确。于是得到模型（1）：将和的数据分别输入MATLAB：得到模型（1）的回归系数估计值及其置信水平、检验统计量,F,p的结果见表3.参数参数估计值参数置信区间7.1158[5.4316，8.8000]10.0072[-0.0096，-0.0047]表格3于是得到模型（2）：对数据进行残差分析：由图可知，数据无异常点。综合模型（1）和（2）可得：或由于数据点本来就很少，模型（2）中去掉一数据点，所以模型不具说服力。2.模型（3）：若直接考虑全组数据，对整个11组数据直接拟合。绘出散点图图5y对x的散点图将x和y的数据分别输入MATLAB计算：得到模型（1）的回归系数估计值及其置信水平、检验统计量,F,p的结果见表4.参数参数估计值参数置信区间7.0779[6.48457.6713]-0.0070[-0.0081-0.0060]表格SEQ表格\*ARABIC3,即单位成本y的96.3097%能由模型确定，p远小于0.05，因而模型是可用的。所以模型（3）为：图6残差分析图3残差分析显示没有异常点，模型比较准确。3.模型（4）：从中模型（3）中我们已经可以发现整组数据本身就服从置信度较高的线性关系。但是题目却仍然告诉我们：生产批量在500以内时，单位成本对生产批量服从一种线性关系，生产批量超过500时服从另一种线性关系。于是我们开始考虑再引入一个虚拟变量A。,并加入一项再次进行拟合。得到结果：参数参数估计值参数置信区间6.1621[5.03687.2874]-0.0047[-0.0074-0.0020]-0.0036[-0.00760.0003]模型为：。5.3结果的分析综合上面的拟合结果我们采用模型4，它既能紧密结合题意对数据进行分开讨论，且能高达97.63%。是所有模型中准确度最高的。我们带回数据对它进行检验后也发现这个模型的计算结果几乎等于已知的结果，再次说明了结果的准确性。六、模型的评价与推广6.1模型的评价本文优点：逻辑性强，过程简洁，通俗易懂，让人一目了然。本文缺点：将切割进行了理想化分析，与实际情况有一定偏差。6.2模型的推广可以通过本题得多变量最优化模型对于一些规划问题，均可用本题的模型来求解。七、附录程序1：两段直线，x小于500时：>>x1=[340,400,300,480,440]'; >>y1=[4.45,4.52,4.65,4.04,4.20]';>>X=[ones(size(x1))x1];>>[b,bint,r,rint,stats]=regress(y1,X)b=5.5863-0.0031bint=4.57436.5983-0.0056-0.0006r=-0.08310.1728-0.0070-0.0594-0.0233rint=-0.40610.23990.05530.2902-0.29510.2811-0.32850.2097-0.39810.3514stats=0.833214.98680.03050.0136>>stepwise(X,y1,[1,2])>>rcoplot(r,rint)两段直线，x大于500时：>>x2=[650,800,600,720,540,750]';>>y2=[2.48,1.38,2.96,2.18,3.10,1.50]';>>X=[ones(size(x2))x2];>>[b,bint,r,rint,stats]=regress(y2,X)b=7.1158-0.0072bint=5.43168.8000-0.0096-0.0047r=0.0222-0.00280.14390.2239-0.1460-0.2411rint=-0.53980.5843-0.44940.4437-0.32720.6151-0.19910.6469-0.48740.1953-0.60150.1192stats=0.942065.01530.00130.0377>>stepwise(X,y2,[1,2])>>rcoplot(r,rint)程序2：一条直线>>x1=[650,340,400,800,300,600,720,480,440,540,750]';>>y1=[2.48,4.45,4.52,1.38,4.65,2.96,2.18,4.04,4.20,3.10,1.50]';>>X=[ones(size(x1))x1];>>[b,bint,r,rint,stats]=regress(y1,X)b=7.0779-0.0070bint=6.48457.6713-0.0081-0.0060r=-0.0202-0.23340.2592-0.0638-0.31510.10770.17280.34260.2209-0.1749-0.2959rint=-0.57460.5343-0.71650.2498-0.24200.7603-0.55390.4264-0.74250.1123-0.44880.6642-0.34210.6877-0.14720.8324-0.30380.7456-0.72340.3737-0.75910.1673stats=0.9631234.89360.00000.0612>>stepwise(X,y1,[1,2])>>rcoplot(r,rint)加入虚拟变量A后的程序：>>y=[2.48004.45004.52001.38004.65002.96002.18004.04004.20003.10001.5000]';>>x=[111111111116503404008003006007204804405407501500030001002200040250]';>>[b,bint,r,rint,stats]=regress(y,x)b=6.1621-0.0047-0.0036bint=5.03687.2874-0.0074-0.0020-0.00760.0003r=-0.0632-0.10360.25020.0904-0.0929-0.00100.22180.14870.1194-0.3624-0.2074rint=-0.54190.4156-0.52030.3130-0.17020.6706-0.29