发布时间：
数学建模内容摘要：数学作为现代科学的一种工具和手段，要了解什么是数学模型和数学建模，了解数学建模一般方法及步骤。关键词：数学模型、数学建模、实际问题伴随着当今社会的科学技术的飞速发展，数学已经渗透到各个领域，数学建模也显得尤为重要。数学建模在人们生活中扮演着重要的角色，而且随着计算机技术的发展，数学建模更是在人类的活动中起着重要作用，数学建模也更好的为人类服务。一、数学模型数学模型是对于现实世界的一个特定对象,一个特定目的,根据特有的内在规律,做出一些必要的假设,运用适当的数学工具,得到一个数学结构.简单地说:就是系统的某种特征的本质的数学表达式(或是用数学术语对部分现实世界的描述),即用数学式子(如函数,图形,代数方程,微分方程,积分方程,差分方程等)来描述(表述,模拟)所研究的客观对象或系统在某一方面的存在规律.随着社会的发展,生物,医学,社会,经济……,各学科,各行业都涌现现出大量的实际课题,急待人们去研究,去解决.但是,社会对数学的需求并不只是需要数学家和专门从事数学研究的人才,而更大量的是需要在各部门中从事实际工作的人善于运用数学知识及数学的思维方法来解决他们每天面临的大量的实际问题,取得经济效益和社会效益.他们不是为了应用数学知识而寻找实际问题(就像在学校里做数学应用题),而是为了解决实际问题而需要用到数学.而且不止是要用到数学,很可能还要用到别的学科,领域的知识,要用到工作经验和常识.特别是在现代社会,要真正解决一个实际问题几乎都离不开计算机.可以这样说,在实际工作中遇到的问题,完全纯粹的只用现成的数学知识就能解决的问题几乎是没有的.你所能遇到的都是数学和其他东西混杂在一起的问题,不是"干净的"数学,而是"脏"的数学.其中的数学奥妙不是明摆在那里等着你去解决,而是暗藏在深处等着你去发现.也就是说,你要对复杂的实际问题进行分析,发现其中的可以用数学语言来描述的关系或规律,把这个实际问题化成一个数学问题,这就称为数学模型.数学模型具有下列特征:数学模型的一个重要特征是高度的抽象性.通过数学模型能够将形象思维转化为抽象思维,从而可以突破实际系统的约束,运用已有的数学研究成果对研究对象进行深入的研究.数学模型的另一个特征是经济性.用数学模型研究不需要过多的专用设备和工具,可以节省大量的设备运行和维护费用,用数学模型可以大大加快研究工作的进度,缩短研究周期,特别是在电子计算机得到广泛应用的今天,这个优越性就更为突出.但是,数学模型具有局限性,在简化和抽象过程中必然造成某些失真.所谓"模型就是模型"(而不是原型),即是指该性质.二、数学建模 数学建模是利用数学方法解决实际问题的一种实践.即通过抽象,简化,假设,引进变量等处理过程后,将实际问题用数学方式表达,建立起数学模型,然后运用先进的数学方法及计算机技术进行求解.简而言之,建立数学模型的这个过程就称为数学建模.模型是客观实体有关属性的模拟.陈列在橱窗中的飞机模型外形应当象真正的飞机,至于它是否真的能飞则无关紧要;然而参加航模比赛的飞机模型则全然不同,如果飞行性能不佳,外形再象飞机,也不能算是一个好的模型.模型不一定是对实体的一种仿照,也可以是对实体的某些基本属性的抽象,例如,一张地质图并不需要用实物来模拟,它可以用抽象的符号,文字和数字来反映出该地区的地质结构.数学模型也是一种模拟,是用数学符号,数学式子,程序,图形等对实际课题本质属性的抽象而又简洁的刻划,它或能解释某些客观现象,或能预测未来的发展规律,或能为控制某一现象的发展提供某种意义下的最优策略或较好策略.数学模型一般并非现实问题的直接翻版,它的建立常常既需要人们对现实问题深入细微的观察和分析,又需要人们灵活巧妙地利用各种数学知识.这种应用知识从实际课题中抽象,提炼出数学模型的过程就称为数学建模.实际问题中有许多因素,在建立数学模型时你不可能,也没有必要把它们毫无遗漏地全部加以考虑,只能考虑其中的最主要的因素,舍弃其中的次要因素.数学模型建立起来了,实际问题化成了数学问题,就可以用数学工具,数学方法去解答这个实际问题.如果有现成的数学工具当然好.如果没有现成的数学工具,就促使数学家们寻找和发展出新的数学工具去解决它,这又推动了数学本身的发展.例如,开普勒由行星运行的观测数据总结出开普勒三定律,牛顿试图用自己发现的力学定律去解释它,但当时已有的数学工具是不够用的,这促使了微积分的发明.求解数学模型,除了用到数学推理以外,通常还要处理大量数据,进行大量计算,这在电子计算机发明之前是很难实现的.因此,很多数学模型,尽管从数学理论上解决了,但由于计算量太大而没法得到有用的结果,还是只有束之高阁.而电子计算机的出现和迅速发展,给用数学模型解决实际问题打开了广阔的道路.而在现在,要真正解决一个实际问题,离了计算机几乎是不行的.数学模型建立起来了,也用数学方法或数值方法求出了解答,是不是就万事大吉了呢 不是.既然数学模型只能近似地反映实际问题中的关系和规律,到底反映得好不好,还需要接受检验,如果数学模型建立得不好,没有正确地描述所给的实际问题,数学解答再正确也是没有用的.因此,在得出数学解答之后还要让所得的结论接受实际的检验,看它是否合理,是否可行,等等.如果不符合实际,还应设法找出原因,修改原来的模型,重新求解和检验,直到比较合理可行,才能算是得到了一个解答,可以先付诸实施.但是,十全十美的答案是没有的,已得到的解答仍有改进的余地,可以根据实际情况,或者继续研究和改进;或者暂时告一段落,待将来有新的情况和要求后再作改进. 应用数学知识去研究和和解决实际问题,遇到的第一项工作就是建立恰当的数学模型.从这一意义上讲,可以说数学建模是一切科学研究的基础.没有一个较好的数学模型就不可能得到较好的研究结果,所以,建立一个较好的数学模型乃是解决实际问题的关键之一.数学建模将各种知识综合应用于解决实际问题中,是培养和提高同学们应用所学知识分析问题,解决问题的能力的必备手段之一.三、数学建模的一般方法建立数学模型的方法并没有一定的模式,但一个理想的模型应能反映系统的全部重要特征:模型的可靠性和模型的使用性建模的一般方法:1.机理分析 机理分析就是根据对现实对象特性的认识,分析其因果关系,找出反映内部机理的规律,所建立的模型常有明确的物理或现实意义.(1) 比例分析法--建立变量之间函数关系的最基本最常用的方法. (2) 代数方法--求解离散问题(离散的数据,符号,图形)的主要方法. (3) 逻辑方法--是数学理论研究的重要方法,对社会学和经济学等领域的实际 问题,在决策,对策等学科中得到广泛应用. (4) 常微分方程--解决两个变量之间的变化规律,关键是建立"瞬时变化率"的表达式. (5) 偏微分方程--解决因变量与两个以上自变量之间的变化规律.2.测试分析方法 测试分析方法就是将研究对象视为一个"黑箱"系统,内部机理无法直接寻求,通过测量系统的输入输出数据,并以此为基础运用统计分析方法,按照事先确定的准则在某一类模型中选出一个数据拟合得最好的模型. (1) 回归分析法--用于对函数f(x)的一组观测值(xi,fi)i=1,2,…,n,确定函数的表达式,由于处理的是静态的独立数据,故称为数理统计方法.(2) 时序分析法--处理的是动态的相关数据,又称为过程统计方法.(3) 回归分析法--用于对函数f(x)的一组观测值(xi,fi)i=1,2,…,n,确定函数的表达式,由于处理的是静态的独立数据,故称为数理统计方法.(4) 时序分析法--处理的是动态的相关数据,又称为过程统计方法.将这两种方法结合起来使用,即用机理分析方法建立模型的结构,用系统测试方法来确定模型的参数,也是常用的建模方法, 在实际过程中用那一种方法建模主要是根据我们对研究对象的了解程度和建模目的来决定.机理分析法建模的具体步骤大致可见左图.3.仿真和其他方法(1) 计算机仿真(模拟)--实质上是统计估计方法,等效于抽样试验.① 离散系统仿真--有一组状态变量.② 连续系统仿真--有解析表达式或系统结构图.(2) 因子试验法--在系统上作局部试验,再根据试验结果进行不断分析修改,求得所需的模型结构.(3) 人工现实法--基于对系统过去行为的了解和对未来希望达到的目标,并考虑到系统有关因素的可能变化,人为地组成一个系统.(参见:齐欢《数学模型方法》,华中理工大学出版社,1996)四、数学模型的分类数学模型可以按照不同的方式分类,下面介绍常用的几种.1.按照模型的应用领域(或所属学科)分:如人口模型,交通模型,环境模型,生态模型,城镇规划模型,水资源模型,再生资源利用模型,污染模型等.范畴更大一些则形成许多边缘学科如生物数学,医学数学,地质数学,数量经济学,数学社会学等.2.按照建立模型的数学方法(或所属数学分支)分:如初等数学模型,几何模型,微分方程模型,图论模型,马氏链模型,规划论模型等.按第一种方法分类的数学模型教科书中,着重于某一专门领域中用不同方法建立模型,而按第二种方法分类的书里,是用属于不同领域的现成的数学模型来解释某种数学技巧的应用.在本书中我们重点放在如何应用读者已具备的基本数学知识在各个不同领域中建模.3.按照模型的表现特性又有几种分法:确定性模型和随机性模型 取决于是否考虑随机因素的影响.近年来随着数学的发展,又有所谓突变性模型和模糊性模型.静态模型和动态模型 取决于是否考虑时间因素引起的变化.线性模型和非线性模型 取决于模型的基本关系,如微分方程是否是线性的.离散模型和连续模型 指模型中的变量(主要是时间变量)取为离散还是连续的.虽然从本质上讲大多数实际问题是随机性的,动态的,非线性的,但是由于确定性,静态,线性模型容易处理,并且往往可以作为初步的近似来解决问题,所以建模时常先考虑确定性,静态,线性模型.连续模型便于利用微积分方法求解,作理论分析,而离散模型便于在计算机上作数值计算,所以用哪种模型要看具体问题而定.在具体的建模过程中将连续模型离散化,或将离散变量视作连续,也是常采用的方法.4.按照建模目的分:有描述模型,分析模型,预报模型,优化模型,决策模型,控制模型等.5.按照对模型结构的了解程度分:有所谓白箱模型,灰箱模型,黑箱模型.这是把研究对象比喻成一只箱子里的机关,要通过建模来揭示它的奥妙.白箱主要包括用力学,热学,电学等一些机理相当清楚的学科描述的现象以及相应的工程技术问题,这方面的模型大多已经基本确定,还需深入研究的主要是优化设计和控制等问题了.灰箱主要指生态,气象,经济,交通等领域中机理尚不十分清楚的现象,在建立和改善模型方面都还不同程度地有许多工作要做.至于黑箱则主要指生命科学和社会科学等领域中一些机理(数量关系方面)很不清楚的现象.有些工程技术问题虽然主要基于物理,化学原理,但由于因素众多,关系复杂和观测困难等原因也常作为灰箱或黑箱模型处理.当然,白,灰,黑之间并没有明显的界限,而且随着科学技术的发展,箱子的"颜色"必然是逐渐由暗变亮的.五、数学建模的一般步骤建模的步骤一般分为下列几步:1.模型准备.首先要了解问题的实际背景,明确题目的要求,搜集各种必要的信息.2.模型假设.在明确建模目的,掌握必要资料的基础上,通过对资料的分析计算,找出起主要作用的因素,经必要的精炼,简化,提出若干符合客观实际的假设,使问题的主要特征凸现出来,忽略问题的次要方面.一般地说,一个实际问题不经过简化假设就很难翻译成数学问题,即使可能,也很难求解.不同的简化假设会得到不同的模型.假设作得不合理或过份简单,会导致模型失败或部分失败,于是应该修改和补充假设;假设作得过分详细,试图把复杂对象的各方面因素都考虑进去,可能使你很难甚至无法继续下一步的工作.通常,作假设的依据,一是出于对问题内在规律的认识,二是来自对数据或现象的分析,也可以是二者的综合.作假设时既要运用与问题相关的物理,化学,生物,经济等方面的知识,又要充分发挥想象力,洞察力和判断力,善于辨别问题的主次,果断地抓住主要因素,舍弃次要因素,尽量将问题线性化,均匀化.经验在这里也常起重要作用.写出假设时,语言要精确,就象做习题时写出已知条件那样.3.模型构成.根据所作的假设以及事物之间的联系, 利用适当的数学工具去刻划各变量之间的关系,建立相应的数学结构――即建立数学模型.把问题化为数学问题.要注意尽量采取简单的数学工具,因为简单的数学模型往往更能反映事物的本质,而且也容易使更多的人掌握和使用.4.模型求解.利用已知的数学方法来求解上一步所得到的数学问题,这时往往还要作出进一步的简化或假设.在难以得出解析解时,也应当借助计算机求出数值解.5.模型分析.对模型解答进行数学上的分析,有时要根据问题的性质分析变量间的依赖关系或稳定状况,有时是根据所得结果给出数学上的预报,有时则可能要给出数学上的最优决策或控制,不论哪种情况还常常需要进行误差分析,模型对数据的稳定性或灵敏性分析等.6.模型检验.分析所得结果的实际意义,与实际情况进行比较,看是否符合实际,如果结果不够理想,应该修改,补充假设或重新建模,有些模型需要经过几次反复,不断完善.7.模型应用.所建立的模型必须在实际中应用才能产生效益,在应用中不断改进和完善.应用的方式自然取决于问题的性质和建模的目的.参考文献：(1)齐欢《数学模型方法》,华中理工大学出版社,1996。(2)《数学的实践与认识》,(季刊),中国数学会编辑出版。
随着科学技术特别是信息技术的高速发展，数学建模的应用价值越来越得到众人的重视，
数学建模本身是一个创造性的思维过程，它是对数学知识的综合应用，具有较强的创新性，以下是一篇关于数学建模教育开展策略探究的论文 范文 ，欢迎阅读参考。
大学数学具有高度抽象性和概括性等特点，知识本身难度大再加上学时少、内容多等教学现状常常造成学生的学习积极性不高、知识掌握不够透彻、遇到实际问题时束手无策，而数学建模思想能激发学生的学习兴趣，培养学生应用数学的意识，提高其解决实际问题的能力。数学建模活动为学生构建了一个由数学知识通向实际问题的桥梁，是学生的数学知识和应用能力共同提高的最佳结合方式。因此在大学数学教育中应加强数学建模教育和活动，让学生积极主动学习建模思想，认真体验和感知建模过程，以此启迪创新意识和 创新思维 ，提高其素质和创新能力，实现向素质教育的转化和深入。
一、数学建模的含义及特点
数学建模即抓住问题的本质，抽取影响研究对象的主因素，将其转化为数学问题，利用数学思维、数学逻辑进行分析，借助于数学 方法 及相关工具进行计算，最后将所得的答案回归实际问题，即模型的检验，这就是数学建模的全过程。一般来说",数学建模"包含五个阶段。
1.准备阶段
主要分析问题背景，已知条件，建模目的等问题。
2.假设阶段
做出科学合理的假设，既能简化问题，又能抓住问题的本质。
3.建立阶段
从众多影响研究对象的因素中适当地取舍，抽取主因素予以考虑，建立能刻画实际问题本质的数学模型。
4.求解阶段
对已建立的数学模型，运用数学方法、数学软件及相关的工具进行求解。
5.验证阶段
用实际数据检验模型，如果偏差较大，就要分析假设中某些因素的合理性，修改模型，直至吻合或接近现实。如果建立的模型经得起实践的检验，那么此模型就是符合实际规律的，能解决实际问题或有效预测未来的，这样的建模就是成功的，得到的模型必被推广应用。
二、加强数学建模教育的作用和意义
(一) 加强数学建模教育有助于激发学生学习数学的兴趣，提高数学修养和素质
数学建模教育强调如何把实际问题转化为数学问题，进而利用数学及其有关的工具解决这些问题， 因此在大学数学的教学活动中融入数学建模思想，鼓励学生参与数学建模实践活动，不但可以使学生学以致用，做到理论联系实际，而且还会使他们感受到数学的生机与活力，激发求知的兴趣和探索的欲望，变被动学习为主动参与其效率就会大为改善。数学修养和素质自然而然得以培养并提高。
(二)加强数学建模教育有助于提高学生的分析解决问题能力、综合应用能力
数学建模问题来源于社会生活的众多领域，在建模过程中，学生首先需要阅读相关的文献资料，然后应用数学思维、数学逻辑及相关知识对实际问题进行深入剖析研究并经过一系列复杂计算，得出反映实际问题的最佳数学模型及模型最优解。因此通过数学建模活动学生的视野将会得以拓宽，应用意识、解决复杂问题的能力也会得到增强和提高。
(三)加强数学建模教育有助于培养学生的创造性思维和创新能力
所谓创造力是指"对已积累的知识和 经验 进行科学地加工和创造，产生新概念、新知识、新思想的能力，大体上由感知力、 记忆力 、思考力、 想象力 四种能力所构成"[1].现今教育界认为，创造力的培养是人才培养的关键，数学建模活动的各个环节无不充满了创造性思维的挑战。
很多不同的实际问题，其数学模型可以是相同或相似的，这就要求学生在建模时触类旁通，挖掘不同事物间的本质，寻找其内在联系。而对一个具体的建模问题，能否把握其本质转化为数学问题，是完成建模过程的关键所在。同时建模题材有较大的灵活性，没有统一的标准答案，因此数学建模过程是培养学生创造性思维，提高创新能力的过程[2].
(四)加强数学建模教育有助于提高学生科技论文的撰写能力
数学建模的结果是以论文形式呈现的，如何将建模思想、建立的模型、最优解及其关键环节的处理在论文中清晰地表述出来，对本科生来说是一个挑战。经历数学建模全过程的磨练，特别是数模论文的撰写，学生的文字语言、数学表述能力及论文的撰写能力无疑会得到前所未有的提高。
(五)加强数学建模教育有助于增强学生的团结合作精神并提高协调组织能力建模问题通常较复杂，涉及的知识面也很广，因此数学建模实践活动一般效仿正规竞赛的规则，三人为一队在三天内以论文形式完成建模题目。要较好地完成任务，离不开良好的组织与管理、分工与协作[3].
三、开展数学建模教育及活动的具体途径和有效方法
(一)开展数学建模课堂教学
即在课堂教学中，教师以具体的案例作为主要的教学内容，通过具体问题的建模，介绍建模的过程和思想方法及建模中要注意的问题。案例教学法的关键在于把握两个重要环节：
案例的选取和课堂教学的组织。
教学案例一定要精心选取，才能达到预期的教学效果。其选取一般要遵循以下几点。
1. 代表性：案例的选取要具有科学性，能拓宽学生的知识面，突出数学建模活动重在培养兴趣提高能力等特点。
2. 原始性：来自媒体的信息，企事业单位的 报告 ，现实生活和各学科中的问题等等，都是数学建模问题原始资料的重要来源。
3. 创新性：案例应注意选取在建模的某些环节上具有挑战性，能激发学生的创造性思维，培养学生的创新精神和提高创造能力。
案例教学的课堂组织，一部分是教师讲授，从实际问题出发，讲清问题的背景、建模的要求和已掌握的信息，介绍如何通过合理的假设和简化建立优化的数学模型。还要强调如何用求解结果去解释实际现象即检验模型。另一部分是课堂讨论，让学生自由发言各抒己见并提出新的模型，简介关键环节的处理。最后教师做出点评，提供一些改进的方向，让学生自己课外独立探索和钻研，这样既突出了教学重点，又给学生留下了进一步思考的空间，既避免了教师的"满堂灌",也活跃了课堂气氛，提高了学生的课堂学习兴趣和积极性，使传授知识变为学习知识、应用知识，真正地达到提高素质和培养能力的教学目的[4].
(二)开展数模竞赛的专题培训指导工作
建立数学建模竞赛指导团队，分专题实行教师负责制。每位教师根据自己的专长，负责讲授某一方面的数学建模知识与技巧，并选取相应地建模案例进行剖析。如离散模型、连续模型、优化模型、微分方程模型、概率模型、统计回归模型及数学软件的使用等。学生根据自己的薄弱点，选择适合的专题培训班进行学习，以弥补自己的不足。这种针对性的数模教学，会极大地提高教学效率。
(三)建立数学建模网络课程
以现代 网络技术 为依托，建立数学建模课程网站，内容包括：课程介绍，课程大纲，教师教案，电子课件，教学实验，教学录像，网上答疑等;还可以增加一些有关栏目，如历年国内外数模竞赛介绍，校内竞赛，专家点评，获奖心得交流;同时提供数模学习资源下载如讲义，背景材料，历年国内外竞赛题，优秀论文等。以此为学生提供良好的自主学习网络平台，实现课堂教学与网络教学的有机结合，达到有效地提高学生数学建模综合应用能力的目的。[5,6]
(四)开展校内数学建模竞赛活动
完全模拟全国大学生数模竞赛的形式规则：定时公布赛题，三人一组，只能队内讨论，按时提交论文，之后指导教师、参赛同学集中讨论，进一步完善。笔者负责数学建模竞赛培训近 20 年，多年的实践证明，每进行一次这样的训练，学生在建模思路、建模水平、使用软件能力、论文书写方面就有大幅提高。多次训练之后，学生的建模水平更是突飞猛进，效果甚佳。
如 2008 年我指导的队荣获全国高教社杯大学生数学建模竞赛的最高奖---高教社杯奖，这是此赛设置的唯一一个名额，也是当年从全国(包括香港)院校的约 1 万多个本科参赛队中脱颖而出的。又如 2014 年我校 57 队参加全国大学生数学建模竞赛，43 队获奖，获奖比例达 75%,创历年之最。
(五)鼓励学生积极参加全国大学生数学建模竞赛、国际数学建模竞赛
全国大学生数学建模竞赛创办于 1992 年，每年一届，目前已成为全国高校规模最大的基础性学科竞赛， 国际大学生数学建模竞赛是世界上影响范围最大的高水平大学生学术赛事。参加数学建模大赛可以激励学生学习数学的积极性，提高运用数学及相关工具分析问题解决问题的综合能力，开拓知识面，培养创造精神及合作意识。
四、结束语
数学建模本身是一个创造性的思维过程，它是对数学知识的综合应用，具有较强的创新性，而高校数学教学改革的目的之一是要着力培养学生的创造性思维，提高学生的创新能力。因此应将数学建模思想融入教学活动中，通过不断的数学建模教育和实践培养学生的创新能力和应用能力从而提高学生的基本素质以适应社会发展的要求。
参考文献：
[1]辞海[M].上海辞书出版社，2002,1:237.
[2]许梅生，章迪平，张少林。 数学建模的认识与实践[J].浙江科技学院学报，2003,15(1)：40-42.
[3]姜启源，谢金星，一项成功的高等教育改革实践[J].中国高教研究，2011,12:79-83.
[4]饶从军，王成。论高校数学建模教学[J].延边大学学报(自然科学学版)，2006,32(3)：227-230.
[5]段璐灵。数学建模课程教学改革初探[J].教育与职业，2013,5:140-142.
[6]郝鹏鹏。工程网络课程教学的实践与思考[J]科技视界，2014,29:76-77.
大部分数学知识是抽象的，概念比较枯燥，造成学生学习困难，而数学建模的运用，在很大程度上可以将抽象的数学知识转化成实体模型，让学生更容易理解和学习数学知识。教师要做的就是了解并掌握数学建模的方法，并且把这种 教学方法 运用到数学教学中。
对教师来说，发现好的教学方法不是最重要的，而是如何把方法与教学结合起来。通过对数学建模的长期研究和实践应用，笔者 总结 了数学建模的概念以及运用策略。
一、数学建模的概念
想要更好地运用数学建模，首先要了解什么是数学建模。可以说，数学建模就像一面镜子，可以使数学抽象的影像产生与之对应的具体化物象。
二、在小学数学教学中运用数学建模的策略
1.根据事物之间的共性进行数学建模
想要运用数学建模，首先要对建模对象有一定的感知。教师要创造有利的条件，促使学生感知不同事物之间的共性，然后进行数学建模。
教师应做好建模前的指导工作，为学生的数学建模做好铺垫，而学生要学会尝试自己去发现事物的共性，争取将事物的共性完美地运用到数学建模中。在建模过程中，教师要引导学生把新知识和旧知识结合起来的作用，将原来学习中发现的好方法运用到新知识的学习、新数学模型的构建中，降低新的数学建模的难度，提高学生数学建模的成功率。如在教学《图形面积》时，教师可以利用不同的图形模板，让学生了解不同图形的面积构成，寻找不同图形面积的差异以及图形之间的共性。这样直观地向学生展示图形的变化，可以加深学生对知识的理解，提高学生的学习效率。
2.认识建模思想的本质
建模思想与数学的本质紧密相连，它不是独立存在于数学教学之外的。所以在数学建模过程中，教师要帮助学生正确认识数学建模的本质，将数学建模与数学教学有机结合起来，提高学生解决问题的能力，让学生真正具备使用数学建模的能力。
建模过程并不是独立于数学教学之外的，它和数学的教学过程紧密相连。数学建模是使人对数学抽象化知识进行具体认识的工具，是运用数学建模思想解决数学难题的过程。因此，教师要将它和数学教学组成一个有机的整体，不仅要帮助学生完成建模，更要带领学生认识数学建模的本质，领悟数学建模思想的真谛，并逐渐引导学生使用数学建模解决数学学习过程中遇到的问题。
3.发挥教材在数学建模上的作用
教材是最基础的教学工具，在数学教材中有很多典型案例可以利用在数学建模上，其中很大一部分来源于生活，更易于小学生学习和理解，有助于学生构建数学建模思想。教师要利用好教材，培养学生的建模能力，帮助学生建造更易于理解的数学模型，从而提高学生的学习效率。如在教学加减法时，教材上会有很多数苹果、香蕉的例题，这些就是很好的数学模型，因为贴近生活，可以激发学生的学习兴趣，培养学生数学建模的能力，所以教师应该深入研究教材。
数学建模是一种很好的数学教学方法，教师要充分利用这种教学方法，真正做到实践与理论完美结合。
1、层次分析法，简称AHP，是指将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。该方法是美国运筹学家匹茨堡大学教授萨蒂于20世纪70年代初，在为美国国防部研究"根据各个工业部门对国家福利的贡献大小而进行电力分配"课题时，应用网络系统理论和多目标综合评价方法，提出的一种层次权重决策分析方法。
2、多属性决策是现代决策科学的一个重要组成部分，它的理论和方法在工程设计、经济、管理和军事等诸多领域中有着广泛的应用，如：投资决策、项目评估、维修服务、武器系统性能评定、工厂选址、投标招标、产业部门发展排序和经济效益综合评价等.多属性决策的实质是利用已有的决策信息通过一定的方式对一组(有限个)备选方案进行排序或择优.它主要由两部分组成：(l) 获取决策信息.决策信息一般包括两个方面的内容：属性权重和属性值(属性值主要有三种形式：实数、区间数和语言).其中，属性权重的确定是多属性决策中的一个重要研究内容;(2)通过一定的方式对决策信息进行集结并对方案进行排序和择优。
3、灰色预测模型(Gray Forecast Model)是通过少量的、不完全的信息，建立数学模型并做出预测的一种预测方法.当我们应用运筹学的思想方法解决实际问题，制定发展战略和政策、进行重大问题的决策时，都必须对未来进行科学的预测.预测是根据客观事物的过去和现在的发展规律，借助于科学的方法对其未来的发展趋势和状况进行描述和分析，并形成科学的假设和判断。
4、Dijkstra算法能求一个顶点到另一顶点最短路径。它是由Dijkstra于1959年提出的。实际它能出始点到 其它 所有顶点的最短路径。
Dijkstra算法是一种标号法：给赋权图的每一个顶点记一个数，称为顶点的标号(临时标号，称T标号，或者固定标号，称为P标号)。T标号表示从始顶点到该标点的最短路长的上界;P标号则是从始顶点到该顶点的最短路长。
5、Floyd算法是一个经典的动态规划算法。用通俗的语言来描述的话，首先我们的目标是寻找从点i到点j的最短路径。从动态规划的角度看问题，我们需要为这个目标重新做一个诠释(这个诠释正是动态规划最富创造力的精华所在)从任意节点i到任意节点j的最短路径不外乎2种可能，1是直接从i到j，2是从i经过若干个节点k到j。所以，我们假设Dis(i,j)为节点u到节点v的最短路径的距离，对于每一个节点k，我们检查Dis(i,k) + Dis(k,j) < Dis(i,j)是否成立，如果成立，证明从i到k再到j的路径比i直接到j的路径短，我们便设置Dis(i,j) = Dis(i,k) + Dis(k,j)，这样一来，当我们遍历完所有节点k，Dis(i,j)中记录的便是i到j的最短路径的距离。
6、模拟退火算法是模仿自然界退火现象而得，利用了物理中固体物质的退火过程与一般优化问题的相似性从某一初始温度开始，伴随温度的不断下降，结合概率突跳特性在解空间中随机寻找全局最优解。
7、种群竞争模型：当两个种群为争夺同一食物来源和生存空间相互竞争时，常见的结局是，竞争力弱的灭绝，竞争力强的达到环境容许的最大容量。使用种群竞争模型可以描述两个种群相互竞争的过程，分析产生各种结局的条件。
8、排队论发源于上世纪初。当时美国贝尔电话公司发明了自动电话，以适应日益繁忙的工商业电话通讯需要。这个新发明带来了一个新问题，即通话线路与电话用户呼叫的数量关系应如何妥善解决，这个问题久久未能解决。1909年，丹麦的哥本哈根电话公司A.K.埃尔浪(Erlang)在热力学统计平衡概念的启发下解决了这个问题。
9、线性规划是运筹学中研究较早、发展较快、应用广泛、方法较成熟的一个重要分支,它是辅助人们进行科学管理的一种数学方法.在经济管理、交通运输、工农业生产等经济活动中，提高经济效果是人们不可缺少的要求，而提高经济效果一般通过两种途径：一是技术方面的改进，例如改善生产工艺，使用新设备和新型原材料.二是生产组织与计划的改进，即合理安排人力物力资源.线性规划所研究的是：在一定条件下，合理安排人力物力等资源，使经济效果达到最好.一般地，求线性目标函数在线性约束条件下的最大值或最小值的问题，统称为线性规划问题。满足线性约束条件的解叫做可行解，由所有可行解组成的集合叫做可行域。决策变量、约束条件、目标函数是线性规划的三要素。
10、非线性规划：非线性规划是一种求解目标函数或约束条件中有一个或几个非线性函数的最优化问题的方法。运筹学的一个重要分支。20世纪50年代初，库哈(H.W.Kuhn) 和托克 (A.W.Tucker) 提出了非线性规划的基本定理，为非线性规划奠定了理论基础。这一方法在工业、交通运输、经济管理和军事等方面有广泛的应用，特别是在“最优设计”方面，它提供了数学基础和计算方法，因此有重要的实用价值。
数学建模全国优秀论文相关 文章 ：
★ 数学建模全国优秀论文范文
★ 2017年全国数学建模大赛获奖优秀论文
★ 数学建模竞赛获奖论文范文
★ 小学数学建模的优秀论文范文
★ 初中数学建模论文范文
★ 学习数学建模心得体会3篇
★ 数学建模论文优秀范文
★ 大学生数学建模论文范文(2)
★ 数学建模获奖论文模板范文
★ 大学生数学建模论文范文
在统计学中，统计模型是指当有些过程无法用理论分析 方法 导出其模型，但可通过试验或直接由工业过程测定数据，经过数理统计法求得各变量之间的函数关系。下文是我为大家整理的关于统计模型论文的 范文 ，欢迎大家阅读参考!
统计套利模型的理论综述与应用分析
【摘要】统计套利模型是基于数量经济学和统计学建立起来的，在对历史数据分析的基础之上，估计相关变量的概率分布，并结合基本面数据对未来收益进行预测，发现套利机会进行交易。统计套利这种分析时间序列的统计学特性，使其具有很大的理论意义和实践意义。在实践方面广泛应用于个对冲基金获取收益，理论方面主要表现在资本有效性检验以及开放式基金评级，本文就统计套利的基本原理、交易策略、应用方向进行介绍。
【关键词】统计套利 成对交易 应用分析
一、统计套利模型的原理简介
统计套利模型是基于两个或两个以上具有较高相关性的股票或者其他证券，通过一定的方法验证股价波动在一段时间内保持这种良好的相关性，那么一旦两者之间出现了背离的走势，而且这种价格的背离在未来预计会得到纠正，从而可以产生套利机会。在统计套利实践中，当两者之间出现背离，那么可以买进表现价格被低估的、卖出价格高估的股票，在未来两者之间的价格背离得到纠正时，进行相反的平仓操作。统计套利原理得以实现的前提是均值回复，即存在均值区间(在实践中一般表现为资产价格的时间序列是平稳的，且其序列图波动在一定的范围之内)，价格的背离是短期的，随着实践的推移，资产价格将会回复到它的均值区间。如果时间序列是平稳的，则可以构造统计套利交易的信号发现机制，该信号机制将会显示是否资产价格已经偏离了长期均值从而存在套利的机会 在某种意义上存在着共同点的两个证券(比如同行业的股票)， 其市场价格之间存在着良好的相关性，价格往往表现为同向变化，从而价格的差值或价格的比值往往围绕着某一固定值进行波动。
二、统计套利模型交易策略与数据的处理
统计套利具 体操 作策略有很多，一般来说主要有成对/一篮子交易，多因素模型等，目前应用比较广泛的策略主要是成对交易策略。成对策略，通常也叫利差交易，即通过对同一行业的或者股价具有长期稳定均衡关系的股票的一个多头头寸和一个空头头寸进行匹配，使交易者维持对市场的中性头寸。这种策略比较适合主动管理的基金。
成对交易策略的实施主要有两个步骤：一是对股票对的选取。海通证券分析师周健在绝对收益策略研究―统计套利一文中指出，应当结合基本面与行业进行选股，这样才能保证策略收益，有效降低风险。比如银行，房地产，煤电行业等。理论上可以通过统计学中的聚类分析方法进行分类，然后在进行协整检验，这样的成功的几率会大一些。第二是对股票价格序列自身及相互之间的相关性进行检验。目前常用的就是协整理论以及随机游走模型。
运用协整理论判定股票价格序列存在的相关性，需要首先对股票价格序列进行平稳性检验，常用的检验方法是图示法和单位根检验法，图示法即对所选各个时间序列变量及一阶差分作时序图，从图中观察变量的时序图出现一定的趋势册可能是非平稳性序列，而经过一阶差分后的时序图表现出随机性，则序列可能是平稳的。但是图示法判断序列是否存在具有很大的主观性。理论上检验序列平稳性及阶输通过单位根检验来确定，单位根检验的方法很多，一般有DF，ADF检验和Phillips的非参数检验(PP检验)一般用的较多的方法是ADF检验。
检验后如果序列本身或者一阶差分后是平稳的，我们就可以对不同的股票序列进行协整检验，协整检验的方法主要有EG两步法，即首先对需要检验的变量进行普通的线性回归，得到一阶残差，再对残差序列进行单位根检验，如果存在单位根，那么变量是不具有协整关系的，如果不存在单位根，则序列是平稳的。EG检验比较适合两个序列之间的协整检验。除EG检验法之外，还有Johansen检验，Gregory hansan法，自回归滞后模型法等。其中johansen检验比较适合三个以上序列之间协整关系的检验。通过协整检验，可以判定股票价格序列之间的相关性，从而进行成对交易。
Christian L. Dunis和Gianluigi Giorgioni(2010)用高频数据代替日交易数据进行套利，并同时比较了具有协整关系的股票对和没有协整关系股票对进行套利的立即收益率，结果显示，股票间价格协整关系越高，进行统计套利的机会越多，潜在收益率也越高。
根据随机游走模型我们可以检验股票价格波动是否具有“记忆性”，也就是说是否存在可预测的成分。一般可以分为两种情况：短期可预测性分析及长期可预测性分析。在短期可预测性分析中，检验标准主要针对的是随机游走过程的第三种情况，即不相关增量的研究，可以采用的检验工具是自相关检验和方差比检验。在序列自相关检验中，常用到的统计量是自相关系数和鲍克斯-皮尔斯 Q统计量，当这两个统计量在一定的置信度下，显著大于其临界水平时，说明该序列自相关，也就是存在一定的可预测性。方差比检验遵循的事实是：随机游走的股价对数收益的方差随着时期线性增长，这些期间内增量是可以度量的。这样，在k期内计算的收益方差应该近似等于k倍的单期收益的方差，如果股价的波动是随机游走的，则方差比接近于1;当存在正的自相关时，方差比大于1;当存在负的自相关是，方差比小于1。进行长期可预测性分析，由于时间跨度较大的时候，采用方差比进行检验的作用不是很明显，所以可以采用R/S分析，用Hurst指数度量其长期可预测性，Hurst指数是通过下列方程的回归系数估计得到的：
Ln[(R/S)N]=C+H*LnN
R/S 是重标极差，N为观察次数，H为Hurst指数，C为常数。当H>0.5时说，说明这些股票可能具有长期记忆性，但是还不能判定这个序列是随机游走或者是具有持续性的分形时间序列，还需要对其进行显著性检验。
无论是采用协整检验还是通过随机游走判断，其目的都是要找到一种短期或者长期内的一种均衡关系，这样我们的统计套利策略才能够得到有效的实施。
进行统计套利的数据一般是采用交易日收盘价数据，但是最近研究发现，采用高频数据(如5分钟，10分钟，15分钟，20分钟收盘价交易数据)市场中存在更多的统计套利机会。日交易数据我们选择前复权收盘价，而且如果两只股票价格价差比较大，需要先进性对数化处理。Christian L. Dunis和Gianluigi Giorgioni(2010)分别使用15分钟收盘价，20分钟收盘价，30分以及一个小时收盘价为样本进行统计套利分析，结果显示，使用高频数据进行统计套利所取得收益更高。而且海通证券金融分析师在绝对收益策略系列研究中，用沪深300指数为样本作为统计套利 配对 交易的标的股票池，使用高频数据计算累计收益率比使用日交易数据高将近5个百分点。
三、统计套利模型的应用的拓展―检验资本市场的有效性
Fama(1969)提出的有效市场假说，其经济含义是:市场能够对信息作出迅速合理的反应,使得市场价格能够充分反映所有可以获得的信息,从而使资产的价格不可用当前的信息进行预测,以至于任何人都无法持续地获得超额利润.通过检验统计套利机会存在与否就可以验证资本市场是有效的的，弱有效的，或者是无效的市场。徐玉莲(2005)通过运用统计套利对中国资本市场效率进行实证研究，首先得出结论：统计套利机会的存在与资本市场效率是不相容的。以此为理论依据，对中国股票市场中的价格惯性、价格反转及价值反转投资策略是否存在统计套利机会进行检验，结果发现我国股票市场尚未达到弱有效性。吴振翔，陈敏(2007)曾经利用这种方法对我国A股市场的弱有效性加以检验，采用惯性和反转两种投资策略发现我国A股若有效性不成立。另外我国学者吴振翔，魏先华等通过对Hogan的统计套利模型进行修正，提出了基于统计套利模型对开放式基金评级的方法。
四、结论
统计套利模型的应用目前主要表现在两个方面：1.作为一种有效的交易策略，进行套利。2.通过检测统计套利机会的存在，验证资本市场或者某个市场的有效性。由于统计套利策略的实施有赖于做空机制的建立，随着我股指期货和融资融券业务的推出和完善，相信在我国会有比较广泛的应用与发展。
参考文献
[1] A.N. Burgess：A computational Methodolology for Modelling the Dynamics of statistical arbitrage, London business school,PhD Thesis,1999.
[2]方昊.统计套利的理论模式及应用分析―基于中国封闭式基金市场的检验.统计与决策,2005,6月(下).
[3]马理,卢烨婷.沪深 300 股指期货期现套利的可行性研究―基于统计套利模型的实证.财贸研究,2011,1.
[4]吴桥林.基于沪深 300 股指期货的套利策略研究[D].中国优秀硕士学位论文.2009.
[5]吴振翔,陈敏.中国股票市场弱有效性的统计套利检验[J].系统工程理论与实践.2007,2月.
关于半参统计模型的估计研究
【摘要】随着数据模型技术的迅速发展，现有的数据模型已经无法满足实践中遇到的一些测量问题，严重的限制了现代科学技术在数据模型上应用和发展，所以基于这种背景之下，学者们针对数据模型测量实验提出了新的理论和方法，并研制出了半参数模型数据应用。半参数模型数据是基于参数模型和非参数模型之上的一种新的测量数据模型，因此它具备参数模型和非参数模型很多共同点。本文将结合数据模型技术，对半参统计模型进行详细的探究与讨论。
【关键词】半参数模型 完善误差 测量值 纵向数据
本文以半参数模型为例，对参数、非参数分量的估计值和观测值等内容进行讨论，并运用三次样条函数插值法得出非参数分量的推估表达式。另外，为了解决纵向数据下半参数模型的参数部分和非参数部分的估计问题，在误差为鞅差序列情形下，对半参数数据模型、渐近正态性、强相合性进行研究和分析。另外，本文初步讨论了平衡参数的选取问题，并充分说明了泛最小二乘估计方法以及相关结论，同时对半参数模型的迭代法进行了相关讨论和研究。
一、概论
在日常生活当中，人们所采用的参数数据模型构造相对简单，所以操作起来比较容易;但在测量数据的实际使用过程中存在着相关大的误差，例如在测量相对微小的物体，或者是对动态物体进行测量时。而建立半参数数据模型可以很好的解决和缓解这一问题：它不但能够消除或是降低测量中出现的误差，同时也不会将无法实现参数化的系统误差进行勾和。系统误差非常影响观测值的各种信息，如果能改善，就能使其实现更快、更及时、更准确的误差识别和提取过程;这样不仅可以提高参数估计的精确度，也对相关科学研究进行了有效补充。
举例来说，在模拟算例及坐标变换GPS定位重力测量等实际应用方面，体现了这种模型具有一定成功性及实用性;这主要是因为半参数数据模型同当前所使用的数据模型存在着一致性，可以很好的满足现在的实际需要。而新建立的半参数模型以及它的参数部分和非参数部分的估计，也可以解决一些污染数据的估计问题。这种半参数模型，不仅研究了纵向数据下其自身的t型估计，同时对一些含光滑项的半参数数据模型进行了详细的阐述。另外，基于对称和不对称这两种情况，可以在一个线性约束条件下对参数估计以及假设进行检验，这主要是因为对观测值产生影响的因素除了包含这个线性关系以外，还受到某种特定因素的干扰，所以不能将其归入误差行列。另外，基于自变量测量存在一定误差，经常会导致在计算过程汇总，丢失很多重要信息。
二、半参数回归模型及其估计方法
这种模型是由西方著名学者Stone在上世纪70年代所提出的，在80年代逐渐发展并成熟起来。目前，这种参数模型已经在医学以及生物学还有经济学等诸多领域中广泛使用开来。
半参数回归模型介于非参数回归模型和参数回归模型之间，其内容不仅囊括了线性部分，同时包含一些非参数部分，应该说这种模型成功的将两者的优点结合在一起。这种模型所涉及到的参数部分，主要是函数关系，也就是我们常说的对变量所呈现出来的大势走向进行有效把握和解释;而非参数部分则主要是值函数关系中不明确的那一部分，换句话就是对变量进行局部调整。因此，该模型能够很好的利用数据中所呈现出来的信息，这一点是参数回归模型还有非参数归回模型所无法比拟的优势，所以说半参数模型往往拥有更强、更准确的解释能力。
从其用途上来说，这种回归模型是当前经常使用的一种统计模型。其形式为：
三、纵向数据、线性函数和光滑性函数的作用
纵向数据其优点就是可以提供许多条件，从而引起人们的高度重视。当前纵向数据例子也非常多。但从其本质上讲，纵向数据其实是指对同一个个体，在不同时间以及不同地点之上，在重复观察之下所得到一种序列数据。但由于个体间都存在着一定的差别，从而导致在对纵向数据进行求方差时会出现一定偏差。在对纵向数据进行观察时，其观察值是相对独立的，因此其特点就是可以能够将截然不同两种数据和时间序列有效的结合在一起。即可以分析出来在个体上随着时间变化而发生的趋势，同时又能看出总体的变化形势。在当前很多纵向数据的研究中，不仅保留了其优点，并在此基础之上进行发展，实现了纵向数据中的局部线性拟合。这主要是人们希望可以建立输出变量和协变量以及时间效应的关系。可由于时间效应相对比较复杂，所以很难进行参数化的建模。
另外，虽然线性模型的估计已经取得大量的成果，但半参数模型估计至今为止还是空白页。线性模型的估计不仅仅是为了解决秩亏或病态的问题，还能在百病态的矩阵时，提供了处理线性、非线性及半参数模型等方法。首先，对观测条件较为接近的两个观测数据作为对照，可以削弱非参数的影响。从而将半参数模型变成线性模型，然后，按线性模型处理，得到参数的估计。而多数的情况下其线性系数将随着另一个变量而变化，但是这种线性系数随着时间的变化而变化，根本求不出在同一个模型中，所有时间段上的样本，亦很难使用一个或几个实函数来进行相关描述。在对测量数据处理时，如果将它看作为随机变量，往往只能达到估计的作用，要想在经典的线性模型中引入另一个变量的非线性函数，即模型中含有本质的非线性部分，就必须使用半参数线性模型。
另外就是指由各个部分组成的形态，研究对象是非线性系统中产生的不光滑和不可微的几何形体，对应的定量参数是维数，分形上统计模型的研究是当前国际非线性研究的重大前沿课题之一。因此，第一种途径是将非参数分量参数化的估计方法，也称之为参数化估计法，是关于半参数模型的早期工作，就是对函数空间附施加一定的限制，主要指光滑性。一些研究者认为半参数模型中的非参数分量也是非线性的，而且在大多数情形下所表现出来的往往是不光滑和不可微的。所以同样的数据，同样的检验方法，也可以使用立方光滑样条函数来研究半参数模型。
四、线性模型的泛最小二乘法与最小二乘法的抗差
(一)最小二乘法出现于18世纪末期
在当时科学研究中常常提出这样的问题：怎样从多个未知参数观测值集合中求出参数的最佳估值。尽管当时对于整体误差的范数，泛最小二乘法不如最小二乘法，但是当时使用最多的还是最小二乘法，其目的也就是为了估计参数。最小二乘法，在经过一段时间的研究和应用之后，逐步发展成为一整套比较完善的理论体系。现阶段不仅可以清楚地知道数据所服从的模型，同时在纵向数据半参数建模中，辅助以迭代加权法。这对补偿最小二乘法对非参数分量估计是非常有效，而且只要观测值很精确，那么该法对非参数分量估计更为可靠。例如在物理大地测量时，很早就使用用最小二乘配置法，并得到重力异常最佳估计值。不过在使用补偿最小二乘法来研究重力异常时，我们还应在兼顾着整体误差比较小的同时，考虑参数估计量的真实性。并在比较了迭代加权偏样条的基础上，研究最小二乘法在当前使用过程中存在的一些不足。应该说，该方法只强调了整体误差要实现最小，而忽略了对参数分量估计时出现的误差。所以在实际操作过程中，需要特别注意。
(二)半参模型在GPS定位中的应用和差分
半参模型在GPS相位观测中，其系统误差是影响高精度定位的主要因素，由于在解算之前模型存在一定误差，所以需及时观测误差中的粗差。GPS使用中，通过广播卫星来计算目标点在实际地理坐标系中具体坐标。这样就可以在操作过程中，发现并恢复整周未知数，由于观测值在卫星和观测站之间，是通过求双差来削弱或者是减少对卫星和接收机等系统误差的影响，因此难于用参数表达。但是在平差计算中，差分法虽然可以将观测方程的数目明显减少，但由于种种原因，依然无法取得令人满意的结果。但是如果选择使用半参数模型中的参数来表达系统误差，则能得到较好的效果。这主要是因为半参数模型是一种广义的线性回归模型，对于有着光滑项的半参数模型，在既定附加的条件之下，能够提供一个线性函数的估计方法，从而将测值中的粗差消除掉。
另外这种方法除了在GPS测量中使用之外，还可应用于光波测距仪以及变形监测等一些参数模型当中。在重力测量中的应用在很多情形下，尤其是数学界的理论研究，我们总是假定S是随机变量实际上，这种假设是合理的，近几年，我们对这种线性模型的研究取得了一些不错的成果，而且因其形式相对简洁，又有较高适用性，所以这种模型在诸多领域中发挥着重要作用。
通过模拟的算例及坐标变换GPS定位重力测量等实际应用，说明了该法的成功性及实用性，从理论上说明了流行的自然样条估计方法，其实质是补偿最小二乘方法的特例，在今后将会有广阔的发展空间。另外 文章 中提到的分形理论的研究对象应是非线性系统中产生的不光滑和不可微的几何形体，而且分形已经在断裂力学、地震学等中有着广泛的应用，因此应被推广使用到研究半参数模型中来，不仅能够更及时，更加准确的进行误差的识别和提取，同时可以提高参数估计的精确度，是对当前半参数模型研究的有力补充。
五、 总结
文章所讲的半参数模型包括了参数、非参数分量的估计值和观测值等内容，并且用了三次样条函数插值法得到了非参数分量的推估表达式。另外，为了解决纵向数据前提下，半参数模型的参数部分和非参数部分的估计问题，在误差为鞅差序列情形下，对半参数数据模型、渐近正态性、强相合性进行研究和分析。同时介绍了最小二乘估计法。另外初步讨论了平衡参数的选取问题，还充分说明了泛最小二乘估计方法以及有关结论。在对半参数模型的迭代法进行了相关讨论和研究的基础之上，为迭代法提供了详细的理论说明，为实际应用提供了理论依据。
参考文献
[1]胡宏昌.误差为AR(1)情形的半参数回归模型拟极大似然估计的存在性[J].湖北师范学院学报(自然科学版)，2009(03).
[2]钱伟民，李静茹.纵向污染数据半参数回归模型中的强相合估计[J].同济大学学报(自然科学版)，2009(08).
[3]樊明智，王芬玲，郭辉.纵向数据半参数回归模型的最小二乘局部线性估计[J].数理统计与管理，2009(02).
[4]崔恒建，王强.变系数结构关系EV模型的参数估计[J].北京师范大学学报(自然科学版).2005(06).
[5]钱伟民，柴根象.纵向数据混合效应模型的统计分析[J].数学年刊A辑(中文版).2009(04)
[6]孙孝前，尤进红.纵向数据半参数建模中的迭代加权偏样条最小二乘估计[J].中国科学(A辑：数学)，2009(05).
[7]张三国，陈希孺.EV多项式模型的估计[J].中国科学(A辑)，2009(10).
[8]任哲，陈明华.污染数据回归分析中参数的最小一乘估计[J].应用概率统计，2009(03).
[9]张三国，陈希孺.有重复观测时EV模型修正极大似然估计的相合性[J].中国科学(A辑).2009(06).
[10]崔恒建，李勇，秦怀振.非线性半参数EV四归模型的估计理论[J].科学通报，2009(23).
[11]罗中明.响应变量随机缺失下变系数模型的统计推断[D].中南大学，2011.
[12]刘超男.两参数指数威布尔分布的参数Bayes估计及可靠性分析[D].中南大学，2008.
[13]郭艳.湖南省税收收入预测模型及其实证检验与经济分析[D].中南大学，2009.
[14]桑红芳.几类分布的参数估计的损失函数和风险函数的Bayes推断[D].中南大学，2009.
[15]朱琳.服从几类可靠性分布的无失效数据的bayes分析[D].中南大学，2009.
[16]黄芙蓉.指数族非线性模型和具有AR(1)误差线性模型的统计分析[D].南京理工大学，2009.
猜你喜欢：
1. 统计学分析论文
2. 统计方面论文优秀范文参考
3. 统计优秀论文范文
4. 统计学的论文参考范例
无忧在线有很多数学建模论文，你去搜一下就行
统计学是一门抽象难懂的学科，非统计学专业毕业人员一般很难做到精通。下文是我为大家整理的关于统计类论文投稿的范文，欢迎大家阅读参考!
医学统计学方法应用的错误解析
一、引 言
医学由于其研究的复杂性和系统性，常需要应用严谨的统计学方法，由于有些作者对医学科研的统计学理论和方法的应用缺乏深刻了解，在医学论文中错误应用统计学方法的现象时有发生。统计学方法应用的错误直接导致统计结果的错误。例如统计学图表、统计学指标、统计学的显著性检验等。因此，正确应用统计学方法，并将所获得的结果进行正确的描述有助于单篇论著的质量提高，现将医学论文中统计学方法应用及其常见结果的错误解析如下。
二、医学论文统计学方法应用概况
医学论文的摘要是全文的高度浓缩[1]，主要由目的、方法、结果、结论组成。一般要求要写明主要的统计学方法、统计学研究结果和P值。一篇医学论文的质量往往通过摘要的统计学结果部分就能判断。统计学方法的选择和结果的表达直接影响单篇论著的科研水平。
(一)材料与方法部分
正文中，材料与方法部分必须对统计学方法的选择、应用、统计学显著性的设定进行明确说明。通过对统计学方法的描述，读者应该清楚论著的统计学设计思路。材料部分要清楚说明样本或病例的来源、入组和排除标准、样本量大小、研究组和对照组的设定条件、回顾性或者前瞻性研究、调查或者实验性研究、其他与研究有关的一般资料情况，其目的是表明统计学方法应用的合理性和可靠性，他人作相关研究时具备可重复性。方法部分应详细叙述研究组和对照组的不同处理过程、观察的具体指标、采用的测量技术，要具备可比较性和科学性，
方法部分还要专门介绍统计分析方法及其采用的统计软件。不同的数据处理要采用不同的方法，必须清楚的说明计数或者计量资料、两组或者多组比较、不同处理因素的关联性研究。常用的有两组间计量资料的t检验，多组间计量资料的F检验，计数资料的卡方检验，不同因素之间的相关分析和回归分析。有些遗传学研究方法还有专门的统计学方法，要在这里简要说明并给出参考文献，还要简单叙述统计方法的原理。统计学软件要清楚的说明软件的名称和版本号，如基于家系资料研究的FBAT1.7.3版本。
(二)论文结果部分
论文结果部分要显示应用统计学方法得到的统计量[2]，所采用的统计学指标较多时，往往分开叙述。分组比较多时还要借助统计图表来准确表达统计结果。对于数据的精确度，除了与测量仪器的精密程度有关外，还与样本本身的均数有关，所得值的单位一般采用紧邻均数除以三为原则。均数和标准差的有效位数要和原始数据一致。标准差或标准误差有时需要增加一个位数，百分比一般保留一个小数。在统计软件中，分析结果往往精确度比较高，一般要采用四舍五入的方法使其靠近实验的实际情况，否则还会降低论文的可信度和可读性。
结果部分的统计表采用统一的“三线”表，表题中要注明均数、标准差等数据类型。表格中的数值要按照行和列进行顺序放置，要求整齐美观，不能出现错行现象。要明确标注观察的例数，得到的检验统计量。统计图可以直观的表达研究结果，如回归和相关分析的散点图可以显示个体值的散布情况。曲线图表达个体均值在不同组别随时间变化的情况或者不同条件下重复测量的结果。误差条图由均数加减标准误绘出，描述的是67%的置信区间，不是95%，提倡在误差条图采用95%的置信区间。
关于统计量，一般采用均数与标准差两个指标，均数不宜单独使用。使用均数的时候要明确变异指标标准差或者精确性指标标准误。关于百分比，分母的确定必须要符合逻辑，过小的样本会导致分母过小而出现百分比过大的情况。百分率的比较要写清两者中不同的变化，可以采用卡方检验。
1.假设检验的结果中，常见只写P值的情况，有时候会误导读者，也会隐藏计算失误的情况，因此写出具体的统计值，如F值、t值，可以增强可信度。对于率、相关系数、均数这类描述统计量，要清楚写明进行过统计学检验并将结果列出。P值一般取0.05与0.01作为检验显著性，对于结果的计算要求具体的P值，如P=0.23或P=0.02。
2.在对论文进行讨论时，作为统计学方法产生的结果往往要作为作者的主要观点支持其科学假设，对统计结果的正确解释至关重要。P值很大表明两组间没有差别属于大概率事件，P值很小表明两组间没有差别的概率很小。当P<0.05，表明差异具有统计学意义。P值与观察的样本量的大小有关联，当样本量小的时候，数据之间的差别即使很大，P值也可能很大;当样本量大时，数据之间的差别即使很小，P值也可能显示有显著性差异。相关系数统计学意义的显著性也与相关系数的大小没有绝对的关联，有统计学意义的样本相关系数可能很小。因此，有统计学差异的描述并不一定意味着两组间差别很大，错判的危险性很大，显著性的检验为定性的结果，结合统计量大小方可判断是否具有专业意义。
变量间虚假的相关关系与变量随时间变化而变化相关，统计学意义的关联并不表示变量间一定存在因果关系。因果关系的确定要根据专业知识和采用的研究方法的不同来考量。使用回归方程进行分析，当两变量间具有显著性关系，但是从自变量推测因变量仍然不会很精确。相关或回归系数不能预测推测结果的精确程度，而只是预测一个可信区间。诊断性检验应用于人群发病率很低的疾病，灵敏度、特异度的高低对于明确疾病诊断并不能很肯定。“假阳性率”与“假阴性率”根据实际的需要不同要求并不一致，在疾病患病率很低时，出现假阳性也是正常的，要确诊疾病必须要与临床症状体征相结合。因此，这两个率的计算方法必须交待清楚。
三、医学论文统计学方法应用的常见错误分析
(一)“材料与方法”中的统计学方法应用的常见错误
“材料与方法”中统计学方法常见的问题主要为：对样本的选择或者研究对象的来源和分组描述很少或者过于简单。例如，临床入组病例分组只采用简单的随机分组，未描述随机分组的方法，未描述是否双盲双模拟，未设置空白对照组，分组后对性别、年龄、文化程度的描述未进行统计学检验，对于特殊的统计学方法没有详细交代;动物实验分组的随机化原则描述过于简单，没有具体说清完全随机、配对或分层随机分组等;统计分析方法没有任何说明采用的分析软件，有的只说明采用的分析软件而不交代在软件中采用的统计方法;没有说明原因的情况下出现样本量过于小等情况。
(二)“结果”统计学方法应用的常见错误
1.应用正确的统计学方法出现的结果表达并不一定正确。例如前文所述数据的精确度要求。医学论文常见错误中包括均数、标准差、标准误等统计学指标与原始数据应保留的小数位数不同;对于率、例数、比值、比值比、相对危险度等统计学指标保留的小数点位数过多;罕见疾病的发病率、患病率、现患率等指标没有选择好基数，导致结果没有整数位;相关系数、回归系数等指标保留的小数位数过多或者过少;常用的一些检验统计量，如F值、t值保留的位数不符合要求。
2.对统计学指标进行分析和计算时，一般采用计数资料和计量资料进行区分。计量资料常用三线表，在近似服从正态分布的前提下采用均数、标准差进行说明，如果不符合正态分布时，可以采用加对数或其他的处理方式使其近似正态分布，否则只能采用中位数和四分位数间距等指标进行描述。医学论文中常见未对数据进行正态分布检验的计算，影响统计结果的真实性和可信度。对于率、构成比等常用的计数资料指标，常见样本量过小的问题，采用率进行描述会影响统计结果的可靠性，采用绝对数进行说明会显得客观一些。还有一些文献将构成比误用为率，也是不可取的。
3.在判断临床疗效之一指标时，两组平均疗效有差别并不意味着两组的每一个个体都有效或无效，必须通过计算有效率进行计算。如比较某药物治疗糖尿病的疗效，服药一周后，研究组和对照组的对血糖降低值分别为6.7 ±2.4 和1.2 ±0.6 ( P = 0.000 1) 。按空腹血糖值低于7.7mmol/L的疗效判定有效率，研究组和对照组的有效率分别为75.6%和12.4% ，尽管平均疗效相差较多，但也要注意到该药物对部分患者无效(24.4%)。对假设检验结果的统计学分析结果，P 值的表达提倡报告精确P值，如P = 0.015或P = 0.321等。目前的统计学分析软件均可自动计算精确的P 值。例如常用的SAS，SPSS等，只要提供原始数据，就可以计算出t值、F值和相应的自由度，并可获得精确的P值。
四、小 结
提高医学论文中统计学方法的使用质量是编辑部值得重视的一项长期而又艰巨的工作[3]，医学论文中统计方法应用和统计结果的表达正确与否，不仅体现了论文的科学性和严谨性，而且对于提高期刊整体的学术质量，促进医学科学的发展和传播也有着重要作用[4]。
参考文献：
[1] 李敬文,吕相征,薛爱华.医学期刊评论性文章摘要的添加对期刊被引频次的影响[J].编辑学报,2011(23).
[2] 陈长生.生物医学论文中统计结果的表达及解释[J].细胞与分子免疫学杂志,2008(24).
[3] 潘明志.新时期复合型医学科技期刊编辑应具备的素质和能力[J].中国科技期刊研究,2011 (22).
统计学专业毕业现状分析与对策研究
本科毕业论文是高等学校人才培养计划的重要组成部分，是本科教学过程中最后一个重要的教学实践环节，是学士学位授予的一个重要依据。[1，2]然而，相较于其他教学环节，毕业论文没有受到足够的重视，从而导致该环节存在着一些问题。[3]本文将以中央民族大学统计学专业毕业论文为例，在分析其现状的基础上，找到问题并提出相应的建议。
中央民族大学统计学本科专业设置于2003年，目前已有六届毕业生。经过学院和学校层面的努力，统计学专业作为新办专业取得了较快发展，所培养的学生具有较好的专业能力和综合素质，近四成学生继续读研深造，就业的学生大都在专业对口的工作岗位上，就业率一直在85%左右。
本科毕业论文环节在培养方案中是6个学分。学生在第七学期开始选择指导教师以确定毕业论文题目。经过前6个学期的系统理论学习，统计学专业学生已基本掌握了统计学的基础理论和基本方法，具备了正确的统计思想和较强的统计软件应用能力，以及运用所学的理论和方法解决实际问题、文献检索和资料查询等综合能力。本科毕业论文的写作就是统计学专业学生将上述基础和能力进一步深化与升华的重要过程，从而培养学生的创新能力和实践能力，使学生的知识、技能和素质得到进一步的充实和提高，同时也是衡量学校教学质量和办学水平的重要指标。因此对如何提高毕业论文质量进行研究是必要和有意义的。[4]
一、统计学专业毕业论文质量的现状分析
从论文完成情况来看，每届的毕业论文基本都能达到论文教学环节的要求，通过对中央民族大学统计学专业2007～2011年四届毕业生的毕业论文进行分析，发现毕业论文及格率为99.18%。
从毕业论文研究的类型来看，主要分为两大类：理论研究型论文和实证型论文，理论研究型论文表现为总结和论述现有统计理论问题，表述理论研究的成果，或应用理论对现实问题进行分析、说明，并提出自己的思考;实证型论文主要表现为针对某一特定的实际目的或目标，运用所学统计的理论和方法，对经济、管理、金融、医学、生物、工程、环境等领域进行统计调查、统计信息管理、数量分析等。
从论文知识点范围的分析来看，学生论文绝大多数是统计专业问题，极少数是其他数学分支的问题。从中央民族大学历届统计学专业学生的毕业论文情况分析，发现毕业论文中研究其他数学分支的问题占总数的6.50%，主要包括：一是其他科目的应用研究(数学分析、常微分方程、运筹学及空间解析几何等)，占总数的1.63%。二是数学专业教育和数学思维的研究，占总数的4.87%。研究统计学专业问题的毕业论文占绝大部分，比例为93.50%，选题内容广泛且多为社会热点问题，涉及经济、社会、医疗卫生、教育发展、旅游、基础设施建设等多领域，由于受学校人文环境影响，很大比例的学生对少数民族地区的经济、社会、民生等问题进行了统计分析，约占总学生人数的30.08%。所使用的分析方法主要集中于抽样调查、回归分析、多元统计方法、聚类分析、判别分析等常用统计方法。
此外，统计分析显示学生成绩普遍偏高，统计学专业学生的毕业论文，尤其是实证类论文，存在着可以大量使用背景介绍和统计软件分析结果的特点，因此，一些论文没有创新性和学术含量，但具有较大的篇幅，与理学院其他专业的毕业论文成绩比较，其平均成绩相对较高，约80.42分。
二、统计学专业毕业论文存在的问题
毕业论文的质量问题关系到本科人才的培养规格和目标，直接体现了学生本科阶段的学习成果，是衡量教学水平、学生毕业与学位资格认证的重要依据。通过对论文和考评结果的具体分析，发现学生的毕业论文在创新性、理论深度及论文写作常识多方面存在问题。具体表现为：
1.创新性不够
学生的毕业论文表现为理论性研究非常少，大都是实证型论文，并且多是简单的统计方法应用，缺少创新性研究和思考。从中央民族大学历届统计学专业学生的毕业论文来看，理论研究型论文只占4.89%，与实证型论文的比例为1︰19.45，比例悬殊，体现了学生在毕业论文大的选题过程中，避重就轻，缺乏创新的特点。如每年都有一定数量的学生选择“我国人均GDP的预测”这类针对某经济指标进行预测的题目，论文的主要内容就是利用ARMA、灰色预测或者趋势外推方法等一种或多种方法对时间序列数据做简单建模和分析，论文没有对指标本身的意义以及国内国际的社会经济形势进行综合分析。这种方法简单套用性质的论文占有很大的比重。
2.选题过大、内容空泛，缺乏深入研究，存在抄袭、拼凑现象
有些学生在选择研究课题时，往往不能根据自身的专业知识结构特点和社会实践情况进行准确定位，只是一味的盲目的选择一些过大过空的社会热点问题，因此难以看到所要研究的问题的本质。如有的学生针对CPI做研究，没有深入了解问题的实质，只是收集了一些文献，很难提出自己的观点或研究角度，造成了材料堆积且过于散乱，论文变成了一些材料的简单拼凑。有些论文针对某一社会经济问题进行研究，论文的主题只是针对现有数据利用简单的统计方法进行分析，对数据的质量和可靠性以及方法的适用性不做针对性讨论，对所得的结论也不结合社会经济现实情况进行分析，导致论文质量不高。
3.相对前沿的分析方法利用较少
前沿的分析方法利用较少，通过毕业 论文的 写作， 统计分析能力没有实质性提升。学生论文使用的统计方法主要集中于回归分析、聚类分析、判别分析、相关性分析等，其中回归分析方法占有非常大的比例，约41.46%，其他各统计方法使用的比例分别为：聚类分析为5.69%，判别分析为7.32%，相关性分析为14.63%，多元统计方法为2.44%，时间序列分析为3.25%，极少有学生使用教科书外的相对前沿的分析方法。
4.论文写作上存在结构不合理、没有相关研究介绍、创新点表述不清、参考文献不会正确标注等问题
从学生的毕业论文来看，论文写作不规范，专业性差。主要存在论文形式不规范、结构不合理、题目含糊、有些论文杂乱无章、口语化严重、可读性差等问题。
三、存在问题的原因分析
针对上述问题，统计学系通过对论文进行详细审查以及 组织指导教师和学生座谈，发现毕业论文出现以上问题的主要原因包括以下几方面：
1.学生对论文不够重视
部分学生由于忙于考研学习而无暇顾及毕业论文的研究，还有部分学生由于忙于外出找 工作、 实习而无心认真撰写论文。论文撰写所需的必要时间难以得到保障，因此学生应付了事，从而无法保证论文的深度。此外，还有部分学生认为毕业论文只是一个教学环节，与考研的好坏无关，存在只要写了论文，教师都会让自己通过的侥幸 心理，在思想上没有引起足够的重视。
2.缺乏指导教师的针对性指导
指导教师所带毕业生人数过多，使得导师的工作量呈现超负荷状态，无法保证每个学生毕业论文的质量，从而致使部分学生的论文规范性较差，没有对存在的问题反复修改，使得学生论文存在诸多问题。
3.学生的专业训练还不够
大部分本科生没有经历过论文的写作训练，写作水平较低，不了解学术论文的规范性及其格式，不知如何从科研的角度构思文章、组织材料、安排结构，使得相当一部分学生的毕业论文表达的观点不够准确清楚，论据亦不能很好地支持论点。另外，一些同学为了完成任务，直接将在 网络中搜索到的资料不假思索的拼凑在一起，使得内容不成体系，观点混乱。
四、提高毕业论文质量的建议和 实践
1.加强毕业论文重要性的宣传，提高学生的重视度
加强对毕业论文重要性的认识有助于提高本科生毕业论文的质量。通过讲座、课堂传授等形式，让学生意识到毕业论文的实践性和综合性是任何教学环节都不能替代的，是提高发现问题、分析问题、解决问题能力的有效途径，更是进行个人综合素质提高的必不可少的重要环节，[4]从而使学生在思想上认识到毕业论文的重要性，投入更多精力进行毕业论文设计。
2.选题和教师的科研项目相结合，提高论文的创新性
在选择课题时，为了能充分发挥学生的主观能动性，可以让学生根据自身的特点，与指导教师协商，结合导师的研究方向制定课题方案。统计学专业的教师一般除了 申请国家自然科学基金和国家 社会科学基金这类对理论性和创新性要求较高的项目以外，很多教师还主持或参加有相应的 应用研究类项目。应用类项目大都需要实地调研(以及问卷涉及和数据分析)或者大量的数据分析和建模。引导学生参加这类项目来设计和完成自己的本科毕业论文，能够激发学生的科研热情和创新潜力。此外，鼓励和引导一些成绩较好，如让具备保研资格的学生参加教师的科研讨论班或者课题组，选择一些具有一定难度的理论问题进行研究，可以使学生了解本学科的 发展方向和最新动态。最近两年，越来越多的学生，特别是具备了保研资格的学生，在大四上学期就能投入到项目和毕业论文的写作中。
3.重视平时实践教学环节，培养学生的实践能力、发现问题以及解决问题的能力
为了提高学生的学习兴趣以及对问题的分析、解决能力，广泛开展了丰富多彩的社会实践活动，使学生尽可能早地接触与本专业有关的实际工作，切身 体会到如何将理论与实际相结合，了解本学科的实际业务，从而提高自主学习能力，加强专业知识的把握。结合学校的实际情况，积极鼓励学生在大二和大三阶段参加校级和国家级的全国大学生数学建模竞赛，申请“中央民族大学本科生研究训练 计划项目”、“北京市大学生科学研究计划项目”和“国家大学生创新性试验计划项目”。项目的申请和实施以及研究 报告的写作，对学生来说都是一个很好的锻炼。目前，统计学专业本科生的参与率在70%以上。此外，建立专业实习基地可以提高学生利用专业知识分析和解决实际问题的能力。这些环节的设计和实施都有力地保障了学生本科毕业论文的水平和质量。
4.加强学生科技论文写作训练
加强平时课堂上大作业的规范化，潜移默化培养学生科技论文的写作能力。通过平时的实践活动，如学生数学建模以及大学生创新实践等各类实践性项目来提高学生的 论文 写作能力。
5.实施激励措施，激发学生的兴趣和主动性
针对那些参与实际课题的学生，学院鼓励指导教师根据学生的完成情况以劳务费的形式给予其奖励，另外积极鼓励毕业论文质量优秀的学生进行投稿 发表。此外，还需对答辩程序和评分标准进行规范化，建立优秀毕业论文指导教师和优秀毕业论文奖励制度，以形成积极的导向作用，充分调动指导教师和学生的积极性。
6.加强教师责任心，建立完善的机制
加强学生毕业论文的过程 管理，从开题到中期检查严格执行，指导教师严格把关。为了保证学生与教师之间的沟通，学校可以通过建立师生信息反馈机制改善师生分离状态，为师生提供便利的沟通渠道，同时设置适当的教师激励制度，中央民族大学目前对教师指导本科毕业论文有额外的课时补贴。
数理统计法在论文中要实际分析解决问题。
论文思路:
数学统计是使用数学统计分析方法解决实际问题的学科。它们是数学研究领域的一类分支，可以观察事物以确定基本规律这些规律是现象的根源，并利用统计数据作出预测。
数学统计已成为各种学科发展的一个重要因素，通过选择适当的统计分析方法，可以深入分析试验产生的元数据，从中提取模式，并将其用作监测活动的指南。通过数据分析，可以获得详细的产品信息，并在生产过程中严格控制多个不同的链接。要将数学统计学科应用于现实。
概率论与数理统计是随机数学的重要理论分支，具有深厚的实际应用背景，是数学建模的重要理论之一。
鉴于我国高校对应用型和创新型人才培养的实际需求，以该课程部分知识点的实际教学为例，介绍在“概率论与数理统计”课堂教学中，将数学模型思想融入课程，即将实际问题结合于理论知识，以达到使学生了解数学理论的实际应用，同时加深对基础知识的理解与记忆的目的。实践表明教学效果显著。
数理统计起源发展：
数理统计是伴随着概率论的发展而发展起来的一个数学分支，研究如何有效的收集、整理和分析受随机因素影响的数据，并对所考虑的问题作出推断或预测，为采取某种决策和行动提供依据或建议。
数理统计起源于人口统计、社会调查等各种描述性统计活动。
公元前2250年，大禹治水，根据山川土质，人力和物力的多寡，分全国为九州；殷周时代实行井田制，进行了土地与户口的统计；春秋时代常以兵车多寡论诸侯实力，可见已进行了军事调查和比较；汉代全国户口与年龄的统计数字有据可查；明初编制了黄册与鱼鳞册，黄册乃全国户口名册，鱼鳞册系全国土地图籍，绘有地形，完全具有现代统计图表的性质。
可见，我国历代对统计工作非常重视，只是缺少系统研究，未形成专门的著作。
在西方各国，统计工作开始于公元前3050年，埃及建造金字塔，为征收建筑费用，对全国人口进行普查和统计，到了亚里士多德时代，统计工作开始往理性演变。这时，统计在卫生、保险、国内外贸易、军事和行政管理方面的应用，都有详细的记载，统计一词，就是从意大利一词逐步演变而成的。
数理统计的发展大致可分为古典时期、近代时期和现代时期三个阶段。
下载一片获奖论文，之后的所有基本就都解决了吧！！
数学建模论文写作 一、写好数模答卷的重要性 1. 评定参赛队的成绩好坏、高低，获奖级别，数模答卷，是唯一依据。 2. 答卷是竞赛活动的成绩结晶的书面形式。 3. 写好答卷的训练，是科技写作的一种基本训练。 二、答卷的基本内容，需要重视的问题 1．评阅原则 假设的合理性，建模的创造性，结果的合理性，表述的清晰程度。 2．答卷的文章结构 题目（写出较确切的题目；同时要有新意、醒目） 摘要（200-300字，包括模型的主要特点、建模方法和主要结论） 关键词（求解问题、使用的方法中的重要术语） 1）问题重述。 2）问题分析。 3）模型假设。 4）符号说明。 5）模型的建立（问题分析，公式推导，基本模型，最终或简化模型等）。 6）模型求解（计算方法设计或选择；算法设计或选择，算法思想依据，步骤及实现，计算框图；所采用的软件名称；引用或建立必要的数学命题和定理；求解方案及流程。） 7）进一步讨论（结果表示、分析与检验，误差分析，模型检验） 8）模型评价（特点，优缺点，改进方法，推广。） 9）参考文献。 10）附录（计算程序，框图；各种求解演算过程，计算中间结果；各种图形，表格。） 3. 要重视的问题 1）摘要。 包括： a. 模型的数学归类（在数学上属于什么类型）； b. 建模的思想（思路）； c. 算法思想（求解思路）； d. 建模特点（模型优点，建模思想或方法，算法特点，结果检验，灵敏度分析，模型检验……）； e. 主要结果（数值结果，结论；回答题目所问的全部“问题”）。 ▲ 注意表述：准确、简明、条理清晰、合乎语法、要求符合文章格式。务必认真校对。 2）问题重述。 3）问题分析。 因素之间的关系、因素与环境之间的关系、因素自身的变化规律、确定研究的方法或模型的类型。 5）模型假设。 根据全国组委会确定的评阅原则，基本假设的合理性很重要。 a. 根据题目中条件作出假设 b. 根据题目中要求作出假设 关键性假设不能缺；假设要切合题意。 6） 模型的建立。 a. 基本模型： ⅰ）首先要有数学模型：数学公式、方案等； ⅱ）基本模型，要求完整，正确，简明； b. 简化模型： ⅰ）要明确说明简化思想，依据等； ⅱ）简化后模型，尽可能完整给出； c. 模型要实用，有效，以解决问题有效为原则。 数学建模面临的、要解决的是实际问题，不追求数学上的高（级）、深（刻）、难（度大）。 ⅰ）能用初等方法解决的、就不用高级方法； ⅱ）能用简单方法解决的，就不用复杂方法； ⅲ）能用被更多人看懂、理解的方法，就不用只能少数人看懂、理解的方法。 d．鼓励创新，但要切实，不要离题搞标新立异。数模创新可出现在： ▲ 建模中，模型本身，简化的好方法、好策略等； ▲ 模型求解中； ▲ 结果表示、分析、检验，模型检验； ▲ 推广部分。 e．在问题分析推导过程中，需要注意的问题： ⅰ）分析：中肯、确切； ⅱ）术语：专业、内行； ⅲ）原理、依据：正确、明确； ⅳ）表述：简明，关键步骤要列出； ⅴ）忌：外行话，专业术语不明确，表述混乱，冗长。 7）模型求解。 a. 需要建立数学命题时： 命题叙述要符合数学命题的表述规范，尽可能论证严密。 b. 需要说明计算方法或算法的原理、思想、依据、步骤。 若采用现有软件，说明采用此软件的理由，软件名称。 c. 计算过程，中间结果可要可不要的，不要列出。 d. 设法算出合理的数值结果。 8） 结果分析、检验；模型检验及模型修正；结果表示。 a. 最终数值结果的正确性或合理性是第一位的； b. 对数值结果或模拟结果进行必要的检验； 结果不正确、不合理、或误差大时，分析原因， 对算法、计算方法、或模型进行修正、改进。 c. 题目中要求回答的问题，数值结果，结论，须一一列出； d. 列数据问题：考虑是否需要列出多组数据，或额外数据对数据进行比较、分析，为各种方案的提出提供依据； e. 结果表示：要集中，一目了然，直观，便于比较分析。 ▲ 数值结果表示：精心设计表格；可能的话，用图形图表形式。 ▲ 求解方案，用图示更好。 9）必要时对问题解答，作定性或规律性的讨论。最后结论要明确。 10）模型评价 优点突出，缺点不回避。 改变原题要求，重新建模可在此做。 推广或改进方向时，不要玩弄新数学术语。 11）参考文献 12）附录 详细的结果，详细的数据表格，可在此列出，但不要错，错的宁可不列。主要结果数据，应在正文中列出，不怕重复。检查答卷的主要三点，把三关： a. 模型的正确性、合理性、创新性 b. 结果的正确性、合理性 c. 文字表述清晰，分析精辟，摘要精彩 三、关于写答卷前的思考和工作规划 答卷需要回答哪几个问题――建模需要解决哪几个问题； 问题以怎样的方式回答――结果以怎样的形式表示； 每个问题要列出哪些关键数据――建模要计算哪些关键数据； 每个量，列出一组还是多组数――要计算一组还是多组数。 四、答卷要求的原理 1. 准确――科学性； 2. 条理――逻辑性； 3. 简洁――数学美； 4. 创新――研究、应用目标之一，人才培养需要； 5. 实用――建模、实际问题要求。 五、建模理念 1. 应用意识 要解决实际问题，结果、结论要符合实际； 模型、方法、结果要易于理解，便于实际应用；站在应用者的立场上想问题，处理问题。 2. 数学建模 用数学方法解决问题，要有数学模型； 问题模型的数学抽象，方法有普适性、科学性，不局限于本具体问题的解决。 3. 创新意识 建模有特点，更加合理、科学、有效、符合实际；更有普遍应用意义；不单纯为创新而创新。
无忧在线有很多数学建模论文，你去搜一下就行
数学建模内容摘要：数学作为现代科学的一种工具和手段，要了解什么是数学模型和数学建模，了解数学建模一般方法及步骤。关键词：数学模型、数学建模、实际问题伴随着当今社会的科学技术的飞速发展，数学已经渗透到各个领域，数学建模也显得尤为重要。数学建模在人们生活中扮演着重要的角色，而且随着计算机技术的发展，数学建模更是在人类的活动中起着重要作用，数学建模也更好的为人类服务。一、数学模型数学模型是对于现实世界的一个特定对象,一个特定目的,根据特有的内在规律,做出一些必要的假设,运用适当的数学工具,得到一个数学结构.简单地说:就是系统的某种特征的本质的数学表达式(或是用数学术语对部分现实世界的描述),即用数学式子(如函数,图形,代数方程,微分方程,积分方程,差分方程等)来描述(表述,模拟)所研究的客观对象或系统在某一方面的存在规律.随着社会的发展,生物,医学,社会,经济……,各学科,各行业都涌现现出大量的实际课题,急待人们去研究,去解决.但是,社会对数学的需求并不只是需要数学家和专门从事数学研究的人才,而更大量的是需要在各部门中从事实际工作的人善于运用数学知识及数学的思维方法来解决他们每天面临的大量的实际问题,取得经济效益和社会效益.他们不是为了应用数学知识而寻找实际问题(就像在学校里做数学应用题),而是为了解决实际问题而需要用到数学.而且不止是要用到数学,很可能还要用到别的学科,领域的知识,要用到工作经验和常识.特别是在现代社会,要真正解决一个实际问题几乎都离不开计算机.可以这样说,在实际工作中遇到的问题,完全纯粹的只用现成的数学知识就能解决的问题几乎是没有的.你所能遇到的都是数学和其他东西混杂在一起的问题,不是"干净的"数学,而是"脏"的数学.其中的数学奥妙不是明摆在那里等着你去解决,而是暗藏在深处等着你去发现.也就是说,你要对复杂的实际问题进行分析,发现其中的可以用数学语言来描述的关系或规律,把这个实际问题化成一个数学问题,这就称为数学模型.数学模型具有下列特征:数学模型的一个重要特征是高度的抽象性.通过数学模型能够将形象思维转化为抽象思维,从而可以突破实际系统的约束,运用已有的数学研究成果对研究对象进行深入的研究.数学模型的另一个特征是经济性.用数学模型研究不需要过多的专用设备和工具,可以节省大量的设备运行和维护费用,用数学模型可以大大加快研究工作的进度,缩短研究周期,特别是在电子计算机得到广泛应用的今天,这个优越性就更为突出.但是,数学模型具有局限性,在简化和抽象过程中必然造成某些失真.所谓"模型就是模型"(而不是原型),即是指该性质.二、数学建模 数学建模是利用数学方法解决实际问题的一种实践.即通过抽象,简化,假设,引进变量等处理过程后,将实际问题用数学方式表达,建立起数学模型,然后运用先进的数学方法及计算机技术进行求解.简而言之,建立数学模型的这个过程就称为数学建模.模型是客观实体有关属性的模拟.陈列在橱窗中的飞机模型外形应当象真正的飞机,至于它是否真的能飞则无关紧要;然而参加航模比赛的飞机模型则全然不同,如果飞行性能不佳,外形再象飞机,也不能算是一个好的模型.模型不一定是对实体的一种仿照,也可以是对实体的某些基本属性的抽象,例如,一张地质图并不需要用实物来模拟,它可以用抽象的符号,文字和数字来反映出该地区的地质结构.数学模型也是一种模拟,是用数学符号,数学式子,程序,图形等对实际课题本质属性的抽象而又简洁的刻划,它或能解释某些客观现象,或能预测未来的发展规律,或能为控制某一现象的发展提供某种意义下的最优策略或较好策略.数学模型一般并非现实问题的直接翻版,它的建立常常既需要人们对现实问题深入细微的观察和分析,又需要人们灵活巧妙地利用各种数学知识.这种应用知识从实际课题中抽象,提炼出数学模型的过程就称为数学建模.实际问题中有许多因素,在建立数学模型时你不可能,也没有必要把它们毫无遗漏地全部加以考虑,只能考虑其中的最主要的因素,舍弃其中的次要因素.数学模型建立起来了,实际问题化成了数学问题,就可以用数学工具,数学方法去解答这个实际问题.如果有现成的数学工具当然好.如果没有现成的数学工具,就促使数学家们寻找和发展出新的数学工具去解决它,这又推动了数学本身的发展.例如,开普勒由行星运行的观测数据总结出开普勒三定律,牛顿试图用自己发现的力学定律去解释它,但当时已有的数学工具是不够用的,这促使了微积分的发明.求解数学模型,除了用到数学推理以外,通常还要处理大量数据,进行大量计算,这在电子计算机发明之前是很难实现的.因此,很多数学模型,尽管从数学理论上解决了,但由于计算量太大而没法得到有用的结果,还是只有束之高阁.而电子计算机的出现和迅速发展,给用数学模型解决实际问题打开了广阔的道路.而在现在,要真正解决一个实际问题,离了计算机几乎是不行的.数学模型建立起来了,也用数学方法或数值方法求出了解答,是不是就万事大吉了呢 不是.既然数学模型只能近似地反映实际问题中的关系和规律,到底反映得好不好,还需要接受检验,如果数学模型建立得不好,没有正确地描述所给的实际问题,数学解答再正确也是没有用的.因此,在得出数学解答之后还要让所得的结论接受实际的检验,看它是否合理,是否可行,等等.如果不符合实际,还应设法找出原因,修改原来的模型,重新求解和检验,直到比较合理可行,才能算是得到了一个解答,可以先付诸实施.但是,十全十美的答案是没有的,已得到的解答仍有改进的余地,可以根据实际情况,或者继续研究和改进;或者暂时告一段落,待将来有新的情况和要求后再作改进. 应用数学知识去研究和和解决实际问题,遇到的第一项工作就是建立恰当的数学模型.从这一意义上讲,可以说数学建模是一切科学研究的基础.没有一个较好的数学模型就不可能得到较好的研究结果,所以,建立一个较好的数学模型乃是解决实际问题的关键之一.数学建模将各种知识综合应用于解决实际问题中,是培养和提高同学们应用所学知识分析问题,解决问题的能力的必备手段之一.三、数学建模的一般方法建立数学模型的方法并没有一定的模式,但一个理想的模型应能反映系统的全部重要特征:模型的可靠性和模型的使用性建模的一般方法:1.机理分析 机理分析就是根据对现实对象特性的认识,分析其因果关系,找出反映内部机理的规律,所建立的模型常有明确的物理或现实意义.(1) 比例分析法--建立变量之间函数关系的最基本最常用的方法. (2) 代数方法--求解离散问题(离散的数据,符号,图形)的主要方法. (3) 逻辑方法--是数学理论研究的重要方法,对社会学和经济学等领域的实际 问题,在决策,对策等学科中得到广泛应用. (4) 常微分方程--解决两个变量之间的变化规律,关键是建立"瞬时变化率"的表达式. (5) 偏微分方程--解决因变量与两个以上自变量之间的变化规律.2.测试分析方法 测试分析方法就是将研究对象视为一个"黑箱"系统,内部机理无法直接寻求,通过测量系统的输入输出数据,并以此为基础运用统计分析方法,按照事先确定的准则在某一类模型中选出一个数据拟合得最好的模型. (1) 回归分析法--用于对函数f(x)的一组观测值(xi,fi)i=1,2,…,n,确定函数的表达式,由于处理的是静态的独立数据,故称为数理统计方法.(2) 时序分析法--处理的是动态的相关数据,又称为过程统计方法.(3) 回归分析法--用于对函数f(x)的一组观测值(xi,fi)i=1,2,…,n,确定函数的表达式,由于处理的是静态的独立数据,故称为数理统计方法.(4) 时序分析法--处理的是动态的相关数据,又称为过程统计方法.将这两种方法结合起来使用,即用机理分析方法建立模型的结构,用系统测试方法来确定模型的参数,也是常用的建模方法, 在实际过程中用那一种方法建模主要是根据我们对研究对象的了解程度和建模目的来决定.机理分析法建模的具体步骤大致可见左图.3.仿真和其他方法(1) 计算机仿真(模拟)--实质上是统计估计方法,等效于抽样试验.① 离散系统仿真--有一组状态变量.② 连续系统仿真--有解析表达式或系统结构图.(2) 因子试验法--在系统上作局部试验,再根据试验结果进行不断分析修改,求得所需的模型结构.(3) 人工现实法--基于对系统过去行为的了解和对未来希望达到的目标,并考虑到系统有关因素的可能变化,人为地组成一个系统.(参见:齐欢《数学模型方法》,华中理工大学出版社,1996)四、数学模型的分类数学模型可以按照不同的方式分类,下面介绍常用的几种.1.按照模型的应用领域(或所属学科)分:如人口模型,交通模型,环境模型,生态模型,城镇规划模型,水资源模型,再生资源利用模型,污染模型等.范畴更大一些则形成许多边缘学科如生物数学,医学数学,地质数学,数量经济学,数学社会学等.2.按照建立模型的数学方法(或所属数学分支)分:如初等数学模型,几何模型,微分方程模型,图论模型,马氏链模型,规划论模型等.按第一种方法分类的数学模型教科书中,着重于某一专门领域中用不同方法建立模型,而按第二种方法分类的书里,是用属于不同领域的现成的数学模型来解释某种数学技巧的应用.在本书中我们重点放在如何应用读者已具备的基本数学知识在各个不同领域中建模.3.按照模型的表现特性又有几种分法:确定性模型和随机性模型 取决于是否考虑随机因素的影响.近年来随着数学的发展,又有所谓突变性模型和模糊性模型.静态模型和动态模型 取决于是否考虑时间因素引起的变化.线性模型和非线性模型 取决于模型的基本关系,如微分方程是否是线性的.离散模型和连续模型 指模型中的变量(主要是时间变量)取为离散还是连续的.虽然从本质上讲大多数实际问题是随机性的,动态的,非线性的,但是由于确定性,静态,线性模型容易处理,并且往往可以作为初步的近似来解决问题,所以建模时常先考虑确定性,静态,线性模型.连续模型便于利用微积分方法求解,作理论分析,而离散模型便于在计算机上作数值计算,所以用哪种模型要看具体问题而定.在具体的建模过程中将连续模型离散化,或将离散变量视作连续,也是常采用的方法.4.按照建模目的分:有描述模型,分析模型,预报模型,优化模型,决策模型,控制模型等.5.按照对模型结构的了解程度分:有所谓白箱模型,灰箱模型,黑箱模型.这是把研究对象比喻成一只箱子里的机关,要通过建模来揭示它的奥妙.白箱主要包括用力学,热学,电学等一些机理相当清楚的学科描述的现象以及相应的工程技术问题,这方面的模型大多已经基本确定,还需深入研究的主要是优化设计和控制等问题了.灰箱主要指生态,气象,经济,交通等领域中机理尚不十分清楚的现象,在建立和改善模型方面都还不同程度地有许多工作要做.至于黑箱则主要指生命科学和社会科学等领域中一些机理(数量关系方面)很不清楚的现象.有些工程技术问题虽然主要基于物理,化学原理,但由于因素众多,关系复杂和观测困难等原因也常作为灰箱或黑箱模型处理.当然,白,灰,黑之间并没有明显的界限,而且随着科学技术的发展,箱子的"颜色"必然是逐渐由暗变亮的.五、数学建模的一般步骤建模的步骤一般分为下列几步:1.模型准备.首先要了解问题的实际背景,明确题目的要求,搜集各种必要的信息.2.模型假设.在明确建模目的,掌握必要资料的基础上,通过对资料的分析计算,找出起主要作用的因素,经必要的精炼,简化,提出若干符合客观实际的假设,使问题的主要特征凸现出来,忽略问题的次要方面.一般地说,一个实际问题不经过简化假设就很难翻译成数学问题,即使可能,也很难求解.不同的简化假设会得到不同的模型.假设作得不合理或过份简单,会导致模型失败或部分失败,于是应该修改和补充假设;假设作得过分详细,试图把复杂对象的各方面因素都考虑进去,可能使你很难甚至无法继续下一步的工作.通常,作假设的依据,一是出于对问题内在规律的认识,二是来自对数据或现象的分析,也可以是二者的综合.作假设时既要运用与问题相关的物理,化学,生物,经济等方面的知识,又要充分发挥想象力,洞察力和判断力,善于辨别问题的主次,果断地抓住主要因素,舍弃次要因素,尽量将问题线性化,均匀化.经验在这里也常起重要作用.写出假设时,语言要精确,就象做习题时写出已知条件那样.3.模型构成.根据所作的假设以及事物之间的联系, 利用适当的数学工具去刻划各变量之间的关系,建立相应的数学结构――即建立数学模型.把问题化为数学问题.要注意尽量采取简单的数学工具,因为简单的数学模型往往更能反映事物的本质,而且也容易使更多的人掌握和使用.4.模型求解.利用已知的数学方法来求解上一步所得到的数学问题,这时往往还要作出进一步的简化或假设.在难以得出解析解时,也应当借助计算机求出数值解.5.模型分析.对模型解答进行数学上的分析,有时要根据问题的性质分析变量间的依赖关系或稳定状况,有时是根据所得结果给出数学上的预报,有时则可能要给出数学上的最优决策或控制,不论哪种情况还常常需要进行误差分析,模型对数据的稳定性或灵敏性分析等.6.模型检验.分析所得结果的实际意义,与实际情况进行比较,看是否符合实际,如果结果不够理想,应该修改,补充假设或重新建模,有些模型需要经过几次反复,不断完善.7.模型应用.所建立的模型必须在实际中应用才能产生效益,在应用中不断改进和完善.应用的方式自然取决于问题的性质和建模的目的.参考文献：(1)齐欢《数学模型方法》,华中理工大学出版社,1996。(2)《数学的实践与认识》,(季刊),中国数学会编辑出版。
下载一片获奖论文，之后的所有基本就都解决了吧！！
数学建模论文范文一篇，带例题，结构格式要求有摘要、关键词、问题背景、建模过程、模型解释、小结、参考文献点一下就可以进去了，希望你早日完成论文。祝你顺利资料什么的都有，论文相关的。加油！
数学建模内容摘要：数学作为现代科学的一种工具和手段，要了解什么是数学模型和数学建模，了解数学建模一般方法及步骤。关键词：数学模型、数学建模、实际问题伴随着当今社会的科学技术的飞速发展，数学已经渗透到各个领域，数学建模也显得尤为重要。数学建模在人们生活中扮演着重要的角色，而且随着计算机技术的发展，数学建模更是在人类的活动中起着重要作用，数学建模也更好的为人类服务。一、数学模型数学模型是对于现实世界的一个特定对象,一个特定目的,根据特有的内在规律,做出一些必要的假设,运用适当的数学工具,得到一个数学结构.简单地说:就是系统的某种特征的本质的数学表达式(或是用数学术语对部分现实世界的描述),即用数学式子(如函数,图形,代数方程,微分方程,积分方程,差分方程等)来描述(表述,模拟)所研究的客观对象或系统在某一方面的存在规律.随着社会的发展,生物,医学,社会,经济……,各学科,各行业都涌现现出大量的实际课题,急待人们去研究,去解决.但是,社会对数学的需求并不只是需要数学家和专门从事数学研究的人才,而更大量的是需要在各部门中从事实际工作的人善于运用数学知识及数学的思维方法来解决他们每天面临的大量的实际问题,取得经济效益和社会效益.他们不是为了应用数学知识而寻找实际问题(就像在学校里做数学应用题),而是为了解决实际问题而需要用到数学.而且不止是要用到数学,很可能还要用到别的学科,领域的知识,要用到工作经验和常识.特别是在现代社会,要真正解决一个实际问题几乎都离不开计算机.可以这样说,在实际工作中遇到的问题,完全纯粹的只用现成的数学知识就能解决的问题几乎是没有的.你所能遇到的都是数学和其他东西混杂在一起的问题,不是"干净的"数学,而是"脏"的数学.其中的数学奥妙不是明摆在那里等着你去解决,而是暗藏在深处等着你去发现.也就是说,你要对复杂的实际问题进行分析,发现其中的可以用数学语言来描述的关系或规律,把这个实际问题化成一个数学问题,这就称为数学模型.数学模型具有下列特征:数学模型的一个重要特征是高度的抽象性.通过数学模型能够将形象思维转化为抽象思维,从而可以突破实际系统的约束,运用已有的数学研究成果对研究对象进行深入的研究.数学模型的另一个特征是经济性.用数学模型研究不需要过多的专用设备和工具,可以节省大量的设备运行和维护费用,用数学模型可以大大加快研究工作的进度,缩短研究周期,特别是在电子计算机得到广泛应用的今天,这个优越性就更为突出.但是,数学模型具有局限性,在简化和抽象过程中必然造成某些失真.所谓"模型就是模型"(而不是原型),即是指该性质.二、数学建模 数学建模是利用数学方法解决实际问题的一种实践.即通过抽象,简化,假设,引进变量等处理过程后,将实际问题用数学方式表达,建立起数学模型,然后运用先进的数学方法及计算机技术进行求解.简而言之,建立数学模型的这个过程就称为数学建模.模型是客观实体有关属性的模拟.陈列在橱窗中的飞机模型外形应当象真正的飞机,至于它是否真的能飞则无关紧要;然而参加航模比赛的飞机模型则全然不同,如果飞行性能不佳,外形再象飞机,也不能算是一个好的模型.模型不一定是对实体的一种仿照,也可以是对实体的某些基本属性的抽象,例如,一张地质图并不需要用实物来模拟,它可以用抽象的符号,文字和数字来反映出该地区的地质结构.数学模型也是一种模拟,是用数学符号,数学式子,程序,图形等对实际课题本质属性的抽象而又简洁的刻划,它或能解释某些客观现象,或能预测未来的发展规律,或能为控制某一现象的发展提供某种意义下的最优策略或较好策略.数学模型一般并非现实问题的直接翻版,它的建立常常既需要人们对现实问题深入细微的观察和分析,又需要人们灵活巧妙地利用各种数学知识.这种应用知识从实际课题中抽象,提炼出数学模型的过程就称为数学建模.实际问题中有许多因素,在建立数学模型时你不可能,也没有必要把它们毫无遗漏地全部加以考虑,只能考虑其中的最主要的因素,舍弃其中的次要因素.数学模型建立起来了,实际问题化成了数学问题,就可以用数学工具,数学方法去解答这个实际问题.如果有现成的数学工具当然好.如果没有现成的数学工具,就促使数学家们寻找和发展出新的数学工具去解决它,这又推动了数学本身的发展.例如,开普勒由行星运行的观测数据总结出开普勒三定律,牛顿试图用自己发现的力学定律去解释它,但当时已有的数学工具是不够用的,这促使了微积分的发明.求解数学模型,除了用到数学推理以外,通常还要处理大量数据,进行大量计算,这在电子计算机发明之前是很难实现的.因此,很多数学模型,尽管从数学理论上解决了,但由于计算量太大而没法得到有用的结果,还是只有束之高阁.而电子计算机的出现和迅速发展,给用数学模型解决实际问题打开了广阔的道路.而在现在,要真正解决一个实际问题,离了计算机几乎是不行的.数学模型建立起来了,也用数学方法或数值方法求出了解答,是不是就万事大吉了呢 不是.既然数学模型只能近似地反映实际问题中的关系和规律,到底反映得好不好,还需要接受检验,如果数学模型建立得不好,没有正确地描述所给的实际问题,数学解答再正确也是没有用的.因此,在得出数学解答之后还要让所得的结论接受实际的检验,看它是否合理,是否可行,等等.如果不符合实际,还应设法找出原因,修改原来的模型,重新求解和检验,直到比较合理可行,才能算是得到了一个解答,可以先付诸实施.但是,十全十美的答案是没有的,已得到的解答仍有改进的余地,可以根据实际情况,或者继续研究和改进;或者暂时告一段落,待将来有新的情况和要求后再作改进. 应用数学知识去研究和和解决实际问题,遇到的第一项工作就是建立恰当的数学模型.从这一意义上讲,可以说数学建模是一切科学研究的基础.没有一个较好的数学模型就不可能得到较好的研究结果,所以,建立一个较好的数学模型乃是解决实际问题的关键之一.数学建模将各种知识综合应用于解决实际问题中,是培养和提高同学们应用所学知识分析问题,解决问题的能力的必备手段之一.三、数学建模的一般方法建立数学模型的方法并没有一定的模式,但一个理想的模型应能反映系统的全部重要特征:模型的可靠性和模型的使用性建模的一般方法:1.机理分析 机理分析就是根据对现实对象特性的认识,分析其因果关系,找出反映内部机理的规律,所建立的模型常有明确的物理或现实意义.(1) 比例分析法--建立变量之间函数关系的最基本最常用的方法. (2) 代数方法--求解离散问题(离散的数据,符号,图形)的主要方法. (3) 逻辑方法--是数学理论研究的重要方法,对社会学和经济学等领域的实际 问题,在决策,对策等学科中得到广泛应用. (4) 常微分方程--解决两个变量之间的变化规律,关键是建立"瞬时变化率"的表达式. (5) 偏微分方程--解决因变量与两个以上自变量之间的变化规律.2.测试分析方法 测试分析方法就是将研究对象视为一个"黑箱"系统,内部机理无法直接寻求,通过测量系统的输入输出数据,并以此为基础运用统计分析方法,按照事先确定的准则在某一类模型中选出一个数据拟合得最好的模型. (1) 回归分析法--用于对函数f(x)的一组观测值(xi,fi)i=1,2,…,n,确定函数的表达式,由于处理的是静态的独立数据,故称为数理统计方法.(2) 时序分析法--处理的是动态的相关数据,又称为过程统计方法.(3) 回归分析法--用于对函数f(x)的一组观测值(xi,fi)i=1,2,…,n,确定函数的表达式,由于处理的是静态的独立数据,故称为数理统计方法.(4) 时序分析法--处理的是动态的相关数据,又称为过程统计方法.将这两种方法结合起来使用,即用机理分析方法建立模型的结构,用系统测试方法来确定模型的参数,也是常用的建模方法, 在实际过程中用那一种方法建模主要是根据我们对研究对象的了解程度和建模目的来决定.机理分析法建模的具体步骤大致可见左图.3.仿真和其他方法(1) 计算机仿真(模拟)--实质上是统计估计方法,等效于抽样试验.① 离散系统仿真--有一组状态变量.② 连续系统仿真--有解析表达式或系统结构图.(2) 因子试验法--在系统上作局部试验,再根据试验结果进行不断分析修改,求得所需的模型结构.(3) 人工现实法--基于对系统过去行为的了解和对未来希望达到的目标,并考虑到系统有关因素的可能变化,人为地组成一个系统.(参见:齐欢《数学模型方法》,华中理工大学出版社,1996)四、数学模型的分类数学模型可以按照不同的方式分类,下面介绍常用的几种.1.按照模型的应用领域(或所属学科)分:如人口模型,交通模型,环境模型,生态模型,城镇规划模型,水资源模型,再生资源利用模型,污染模型等.范畴更大一些则形成许多边缘学科如生物数学,医学数学,地质数学,数量经济学,数学社会学等.2.按照建立模型的数学方法(或所属数学分支)分:如初等数学模型,几何模型,微分方程模型,图论模型,马氏链模型,规划论模型等.按第一种方法分类的数学模型教科书中,着重于某一专门领域中用不同方法建立模型,而按第二种方法分类的书里,是用属于不同领域的现成的数学模型来解释某种数学技巧的应用.在本书中我们重点放在如何应用读者已具备的基本数学知识在各个不同领域中建模.3.按照模型的表现特性又有几种分法:确定性模型和随机性模型 取决于是否考虑随机因素的影响.近年来随着数学的发展,又有所谓突变性模型和模糊性模型.静态模型和动态模型 取决于是否考虑时间因素引起的变化.线性模型和非线性模型 取决于模型的基本关系,如微分方程是否是线性的.离散模型和连续模型 指模型中的变量(主要是时间变量)取为离散还是连续的.虽然从本质上讲大多数实际问题是随机性的,动态的,非线性的,但是由于确定性,静态,线性模型容易处理,并且往往可以作为初步的近似来解决问题,所以建模时常先考虑确定性,静态,线性模型.连续模型便于利用微积分方法求解,作理论分析,而离散模型便于在计算机上作数值计算,所以用哪种模型要看具体问题而定.在具体的建模过程中将连续模型离散化,或将离散变量视作连续,也是常采用的方法.4.按照建模目的分:有描述模型,分析模型,预报模型,优化模型,决策模型,控制模型等.5.按照对模型结构的了解程度分:有所谓白箱模型,灰箱模型,黑箱模型.这是把研究对象比喻成一只箱子里的机关,要通过建模来揭示它的奥妙.白箱主要包括用力学,热学,电学等一些机理相当清楚的学科描述的现象以及相应的工程技术问题,这方面的模型大多已经基本确定,还需深入研究的主要是优化设计和控制等问题了.灰箱主要指生态,气象,经济,交通等领域中机理尚不十分清楚的现象,在建立和改善模型方面都还不同程度地有许多工作要做.至于黑箱则主要指生命科学和社会科学等领域中一些机理(数量关系方面)很不清楚的现象.有些工程技术问题虽然主要基于物理,化学原理,但由于因素众多,关系复杂和观测困难等原因也常作为灰箱或黑箱模型处理.当然,白,灰,黑之间并没有明显的界限,而且随着科学技术的发展,箱子的"颜色"必然是逐渐由暗变亮的.五、数学建模的一般步骤建模的步骤一般分为下列几步:1.模型准备.首先要了解问题的实际背景,明确题目的要求,搜集各种必要的信息.2.模型假设.在明确建模目的,掌握必要资料的基础上,通过对资料的分析计算,找出起主要作用的因素,经必要的精炼,简化,提出若干符合客观实际的假设,使问题的主要特征凸现出来,忽略问题的次要方面.一般地说,一个实际问题不经过简化假设就很难翻译成数学问题,即使可能,也很难求解.不同的简化假设会得到不同的模型.假设作得不合理或过份简单,会导致模型失败或部分失败,于是应该修改和补充假设;假设作得过分详细,试图把复杂对象的各方面因素都考虑进去,可能使你很难甚至无法继续下一步的工作.通常,作假设的依据,一是出于对问题内在规律的认识,二是来自对数据或现象的分析,也可以是二者的综合.作假设时既要运用与问题相关的物理,化学,生物,经济等方面的知识,又要充分发挥想象力,洞察力和判断力,善于辨别问题的主次,果断地抓住主要因素,舍弃次要因素,尽量将问题线性化,均匀化.经验在这里也常起重要作用.写出假设时,语言要精确,就象做习题时写出已知条件那样.3.模型构成.根据所作的假设以及事物之间的联系, 利用适当的数学工具去刻划各变量之间的关系,建立相应的数学结构――即建立数学模型.把问题化为数学问题.要注意尽量采取简单的数学工具,因为简单的数学模型往往更能反映事物的本质,而且也容易使更多的人掌握和使用.4.模型求解.利用已知的数学方法来求解上一步所得到的数学问题,这时往往还要作出进一步的简化或假设.在难以得出解析解时,也应当借助计算机求出数值解.5.模型分析.对模型解答进行数学上的分析,有时要根据问题的性质分析变量间的依赖关系或稳定状况,有时是根据所得结果给出数学上的预报,有时则可能要给出数学上的最优决策或控制,不论哪种情况还常常需要进行误差分析,模型对数据的稳定性或灵敏性分析等.6.模型检验.分析所得结果的实际意义,与实际情况进行比较,看是否符合实际,如果结果不够理想,应该修改,补充假设或重新建模,有些模型需要经过几次反复,不断完善.7.模型应用.所建立的模型必须在实际中应用才能产生效益,在应用中不断改进和完善.应用的方式自然取决于问题的性质和建模的目的.参考文献：(1)齐欢《数学模型方法》,华中理工大学出版社,1996。(2)《数学的实践与认识》,(季刊),中国数学会编辑出版。
无忧在线有很多数学建模论文，你去搜一下就行
有能者速来解答！！！！！！！！！！！！！！！！！！
无忧在线有很多数学建模论文，你去搜一下就行
数学建模内容摘要：数学作为现代科学的一种工具和手段，要了解什么是数学模型和数学建模，了解数学建模一般方法及步骤。关键词：数学模型、数学建模、实际问题伴随着当今社会的科学技术的飞速发展，数学已经渗透到各个领域，数学建模也显得尤为重要。数学建模在人们生活中扮演着重要的角色，而且随着计算机技术的发展，数学建模更是在人类的活动中起着重要作用，数学建模也更好的为人类服务。一、数学模型数学模型是对于现实世界的一个特定对象,一个特定目的,根据特有的内在规律,做出一些必要的假设,运用适当的数学工具,得到一个数学结构.简单地说:就是系统的某种特征的本质的数学表达式(或是用数学术语对部分现实世界的描述),即用数学式子(如函数,图形,代数方程,微分方程,积分方程,差分方程等)来描述(表述,模拟)所研究的客观对象或系统在某一方面的存在规律.随着社会的发展,生物,医学,社会,经济……,各学科,各行业都涌现现出大量的实际课题,急待人们去研究,去解决.但是,社会对数学的需求并不只是需要数学家和专门从事数学研究的人才,而更大量的是需要在各部门中从事实际工作的人善于运用数学知识及数学的思维方法来解决他们每天面临的大量的实际问题,取得经济效益和社会效益.他们不是为了应用数学知识而寻找实际问题(就像在学校里做数学应用题),而是为了解决实际问题而需要用到数学.而且不止是要用到数学,很可能还要用到别的学科,领域的知识,要用到工作经验和常识.特别是在现代社会,要真正解决一个实际问题几乎都离不开计算机.可以这样说,在实际工作中遇到的问题,完全纯粹的只用现成的数学知识就能解决的问题几乎是没有的.你所能遇到的都是数学和其他东西混杂在一起的问题,不是"干净的"数学,而是"脏"的数学.其中的数学奥妙不是明摆在那里等着你去解决,而是暗藏在深处等着你去发现.也就是说,你要对复杂的实际问题进行分析,发现其中的可以用数学语言来描述的关系或规律,把这个实际问题化成一个数学问题,这就称为数学模型.数学模型具有下列特征:数学模型的一个重要特征是高度的抽象性.通过数学模型能够将形象思维转化为抽象思维,从而可以突破实际系统的约束,运用已有的数学研究成果对研究对象进行深入的研究.数学模型的另一个特征是经济性.用数学模型研究不需要过多的专用设备和工具,可以节省大量的设备运行和维护费用,用数学模型可以大大加快研究工作的进度,缩短研究周期,特别是在电子计算机得到广泛应用的今天,这个优越性就更为突出.但是,数学模型具有局限性,在简化和抽象过程中必然造成某些失真.所谓"模型就是模型"(而不是原型),即是指该性质.二、数学建模 数学建模是利用数学方法解决实际问题的一种实践.即通过抽象,简化,假设,引进变量等处理过程后,将实际问题用数学方式表达,建立起数学模型,然后运用先进的数学方法及计算机技术进行求解.简而言之,建立数学模型的这个过程就称为数学建模.模型是客观实体有关属性的模拟.陈列在橱窗中的飞机模型外形应当象真正的飞机,至于它是否真的能飞则无关紧要;然而参加航模比赛的飞机模型则全然不同,如果飞行性能不佳,外形再象飞机,也不能算是一个好的模型.模型不一定是对实体的一种仿照,也可以是对实体的某些基本属性的抽象,例如,一张地质图并不需要用实物来模拟,它可以用抽象的符号,文字和数字来反映出该地区的地质结构.数学模型也是一种模拟,是用数学符号,数学式子,程序,图形等对实际课题本质属性的抽象而又简洁的刻划,它或能解释某些客观现象,或能预测未来的发展规律,或能为控制某一现象的发展提供某种意义下的最优策略或较好策略.数学模型一般并非现实问题的直接翻版,它的建立常常既需要人们对现实问题深入细微的观察和分析,又需要人们灵活巧妙地利用各种数学知识.这种应用知识从实际课题中抽象,提炼出数学模型的过程就称为数学建模.实际问题中有许多因素,在建立数学模型时你不可能,也没有必要把它们毫无遗漏地全部加以考虑,只能考虑其中的最主要的因素,舍弃其中的次要因素.数学模型建立起来了,实际问题化成了数学问题,就可以用数学工具,数学方法去解答这个实际问题.如果有现成的数学工具当然好.如果没有现成的数学工具,就促使数学家们寻找和发展出新的数学工具去解决它,这又推动了数学本身的发展.例如,开普勒由行星运行的观测数据总结出开普勒三定律,牛顿试图用自己发现的力学定律去解释它,但当时已有的数学工具是不够用的,这促使了微积分的发明.求解数学模型,除了用到数学推理以外,通常还要处理大量数据,进行大量计算,这在电子计算机发明之前是很难实现的.因此,很多数学模型,尽管从数学理论上解决了,但由于计算量太大而没法得到有用的结果,还是只有束之高阁.而电子计算机的出现和迅速发展,给用数学模型解决实际问题打开了广阔的道路.而在现在,要真正解决一个实际问题,离了计算机几乎是不行的.数学模型建立起来了,也用数学方法或数值方法求出了解答,是不是就万事大吉了呢 不是.既然数学模型只能近似地反映实际问题中的关系和规律,到底反映得好不好,还需要接受检验,如果数学模型建立得不好,没有正确地描述所给的实际问题,数学解答再正确也是没有用的.因此,在得出数学解答之后还要让所得的结论接受实际的检验,看它是否合理,是否可行,等等.如果不符合实际,还应设法找出原因,修改原来的模型,重新求解和检验,直到比较合理可行,才能算是得到了一个解答,可以先付诸实施.但是,十全十美的答案是没有的,已得到的解答仍有改进的余地,可以根据实际情况,或者继续研究和改进;或者暂时告一段落,待将来有新的情况和要求后再作改进. 应用数学知识去研究和和解决实际问题,遇到的第一项工作就是建立恰当的数学模型.从这一意义上讲,可以说数学建模是一切科学研究的基础.没有一个较好的数学模型就不可能得到较好的研究结果,所以,建立一个较好的数学模型乃是解决实际问题的关键之一.数学建模将各种知识综合应用于解决实际问题中,是培养和提高同学们应用所学知识分析问题,解决问题的能力的必备手段之一.三、数学建模的一般方法建立数学模型的方法并没有一定的模式,但一个理想的模型应能反映系统的全部重要特征:模型的可靠性和模型的使用性建模的一般方法:1.机理分析 机理分析就是根据对现实对象特性的认识,分析其因果关系,找出反映内部机理的规律,所建立的模型常有明确的物理或现实意义.(1) 比例分析法--建立变量之间函数关系的最基本最常用的方法. (2) 代数方法--求解离散问题(离散的数据,符号,图形)的主要方法. (3) 逻辑方法--是数学理论研究的重要方法,对社会学和经济学等领域的实际 问题,在决策,对策等学科中得到广泛应用. (4) 常微分方程--解决两个变量之间的变化规律,关键是建立"瞬时变化率"的表达式. (5) 偏微分方程--解决因变量与两个以上自变量之间的变化规律.2.测试分析方法 测试分析方法就是将研究对象视为一个"黑箱"系统,内部机理无法直接寻求,通过测量系统的输入输出数据,并以此为基础运用统计分析方法,按照事先确定的准则在某一类模型中选出一个数据拟合得最好的模型. (1) 回归分析法--用于对函数f(x)的一组观测值(xi,fi)i=1,2,…,n,确定函数的表达式,由于处理的是静态的独立数据,故称为数理统计方法.(2) 时序分析法--处理的是动态的相关数据,又称为过程统计方法.(3) 回归分析法--用于对函数f(x)的一组观测值(xi,fi)i=1,2,…,n,确定函数的表达式,由于处理的是静态的独立数据,故称为数理统计方法.(4) 时序分析法--处理的是动态的相关数据,又称为过程统计方法.将这两种方法结合起来使用,即用机理分析方法建立模型的结构,用系统测试方法来确定模型的参数,也是常用的建模方法, 在实际过程中用那一种方法建模主要是根据我们对研究对象的了解程度和建模目的来决定.机理分析法建模的具体步骤大致可见左图.3.仿真和其他方法(1) 计算机仿真(模拟)--实质上是统计估计方法,等效于抽样试验.① 离散系统仿真--有一组状态变量.② 连续系统仿真--有解析表达式或系统结构图.(2) 因子试验法--在系统上作局部试验,再根据试验结果进行不断分析修改,求得所需的模型结构.(3) 人工现实法--基于对系统过去行为的了解和对未来希望达到的目标,并考虑到系统有关因素的可能变化,人为地组成一个系统.(参见:齐欢《数学模型方法》,华中理工大学出版社,1996)四、数学模型的分类数学模型可以按照不同的方式分类,下面介绍常用的几种.1.按照模型的应用领域(或所属学科)分:如人口模型,交通模型,环境模型,生态模型,城镇规划模型,水资源模型,再生资源利用模型,污染模型等.范畴更大一些则形成许多边缘学科如生物数学,医学数学,地质数学,数量经济学,数学社会学等.2.按照建立模型的数学方法(或所属数学分支)分:如初等数学模型,几何模型,微分方程模型,图论模型,马氏链模型,规划论模型等.按第一种方法分类的数学模型教科书中,着重于某一专门领域中用不同方法建立模型,而按第二种方法分类的书里,是用属于不同领域的现成的数学模型来解释某种数学技巧的应用.在本书中我们重点放在如何应用读者已具备的基本数学知识在各个不同领域中建模.3.按照模型的表现特性又有几种分法:确定性模型和随机性模型 取决于是否考虑随机因素的影响.近年来随着数学的发展,又有所谓突变性模型和模糊性模型.静态模型和动态模型 取决于是否考虑时间因素引起的变化.线性模型和非线性模型 取决于模型的基本关系,如微分方程是否是线性的.离散模型和连续模型 指模型中的变量(主要是时间变量)取为离散还是连续的.虽然从本质上讲大多数实际问题是随机性的,动态的,非线性的,但是由于确定性,静态,线性模型容易处理,并且往往可以作为初步的近似来解决问题,所以建模时常先考虑确定性,静态,线性模型.连续模型便于利用微积分方法求解,作理论分析,而离散模型便于在计算机上作数值计算,所以用哪种模型要看具体问题而定.在具体的建模过程中将连续模型离散化,或将离散变量视作连续,也是常采用的方法.4.按照建模目的分:有描述模型,分析模型,预报模型,优化模型,决策模型,控制模型等.5.按照对模型结构的了解程度分:有所谓白箱模型,灰箱模型,黑箱模型.这是把研究对象比喻成一只箱子里的机关,要通过建模来揭示它的奥妙.白箱主要包括用力学,热学,电学等一些机理相当清楚的学科描述的现象以及相应的工程技术问题,这方面的模型大多已经基本确定,还需深入研究的主要是优化设计和控制等问题了.灰箱主要指生态,气象,经济,交通等领域中机理尚不十分清楚的现象,在建立和改善模型方面都还不同程度地有许多工作要做.至于黑箱则主要指生命科学和社会科学等领域中一些机理(数量关系方面)很不清楚的现象.有些工程技术问题虽然主要基于物理,化学原理,但由于因素众多,关系复杂和观测困难等原因也常作为灰箱或黑箱模型处理.当然,白,灰,黑之间并没有明显的界限,而且随着科学技术的发展,箱子的"颜色"必然是逐渐由暗变亮的.五、数学建模的一般步骤建模的步骤一般分为下列几步:1.模型准备.首先要了解问题的实际背景,明确题目的要求,搜集各种必要的信息.2.模型假设.在明确建模目的,掌握必要资料的基础上,通过对资料的分析计算,找出起主要作用的因素,经必要的精炼,简化,提出若干符合客观实际的假设,使问题的主要特征凸现出来,忽略问题的次要方面.一般地说,一个实际问题不经过简化假设就很难翻译成数学问题,即使可能,也很难求解.不同的简化假设会得到不同的模型.假设作得不合理或过份简单,会导致模型失败或部分失败,于是应该修改和补充假设;假设作得过分详细,试图把复杂对象的各方面因素都考虑进去,可能使你很难甚至无法继续下一步的工作.通常,作假设的依据,一是出于对问题内在规律的认识,二是来自对数据或现象的分析,也可以是二者的综合.作假设时既要运用与问题相关的物理,化学,生物,经济等方面的知识,又要充分发挥想象力,洞察力和判断力,善于辨别问题的主次,果断地抓住主要因素,舍弃次要因素,尽量将问题线性化,均匀化.经验在这里也常起重要作用.写出假设时,语言要精确,就象做习题时写出已知条件那样.3.模型构成.根据所作的假设以及事物之间的联系, 利用适当的数学工具去刻划各变量之间的关系,建立相应的数学结构――即建立数学模型.把问题化为数学问题.要注意尽量采取简单的数学工具,因为简单的数学模型往往更能反映事物的本质,而且也容易使更多的人掌握和使用.4.模型求解.利用已知的数学方法来求解上一步所得到的数学问题,这时往往还要作出进一步的简化或假设.在难以得出解析解时,也应当借助计算机求出数值解.5.模型分析.对模型解答进行数学上的分析,有时要根据问题的性质分析变量间的依赖关系或稳定状况,有时是根据所得结果给出数学上的预报,有时则可能要给出数学上的最优决策或控制,不论哪种情况还常常需要进行误差分析,模型对数据的稳定性或灵敏性分析等.6.模型检验.分析所得结果的实际意义,与实际情况进行比较,看是否符合实际,如果结果不够理想,应该修改,补充假设或重新建模,有些模型需要经过几次反复,不断完善.7.模型应用.所建立的模型必须在实际中应用才能产生效益,在应用中不断改进和完善.应用的方式自然取决于问题的性质和建模的目的.参考文献：(1)齐欢《数学模型方法》,华中理工大学出版社,1996。(2)《数学的实践与认识》,(季刊),中国数学会编辑出版。