病毒传播模式疫苗对其中传播节点的阻碍作用；
首先，我们建立数学建模来预测疫情发展趋势。
我们采用结合传播网络机制的SEIR模型【易感-潜伏-感染(患病)-治愈】，基于2020年1月10日至2月11日的新冠肺炎疫情数据，建立一个描述疫情发展变化的动力学系统.
通过MATLAB计算仿真程序求解相关参数和模型结果，并用统计学指标来评估结果的误差，然后评估效果较好的模型则用于对疫情发展趋势做短期预测和中长期预测。
其次，我们结合统计学原理做全面而深入的数据分析。
我们重点研究疑似、确诊、重症、死亡、治愈、密切接触、医学观察等数据，讨论各项数据之间的内在关联，以及分析基于数据的各项统计学指标的实际含义，得出对战胜疫情有用的启示。
最后，我们综合现实因素和理论依据给出战胜疫情的拙见。
我们综合考虑当前的疫情发展实情、国家的应急措施和相关不确定性因素，基于数学模型和数据分析的结论，对疫情未来发展做长期判断，给出战胜疫情过程中的重要防控关卡和几个重要时间节点。
第一问的做法如下。注意到：随机变量Z其实就是矩阵(X_{i,j})的对角线的右上角的三角阵（不含对角线）中所有元素的求和。
由于置换P是被均匀地随机选取的，所以矩阵(X_{i,j})和(X_{i,j})的转置是同分布的。从而，我们知道Z的期望是1/2倍的(X_{i,j})中的上下两个三角阵（都不含对角线）的元素求和的期望。而由于置换的性质，(X_{i,j})的对角线上元素肯定都是0。所以Z的期望是1/2倍的(X_{i,j})中所有元素求和的期望。
由于置换的性质，无论是什么置换P，其对应的矩阵(X_{i,j})中所有元素求和是n(n-1)/2（从而(X_{i,j})中所有元素求和的期望也是n(n-1)/2），所以Z的期望是n(n-1)/4。
我觉得这个题的第一问可以这么思考：尝试先把n=2的情形列出来（其实就写两个(X_{i,j})矩阵）。如果没有头绪，可以尝试n=3（6个矩阵）。
