《数学建模作业8(11页).doc》由会员分享，可在线阅读，更多相关《数学建模作业8(11页).doc（12页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、-数学建模作业8-第 12 页佛山科学技术学院上 机 报 告课程名称 数学建模 上机项目 牙膏的销售量 专业班级 一、 问题提出某大型牙膏制造企业为了更好地拓展产品市场，有效地管理库存，公司董事会要求销售部门根据市场调查，找出公司生产的牙膏销售量与销售价格、广告投入等之间的关系，从而预测出在不同价格和广告费用下的销售量。为此，销售部的研究人员收集了过去30个销售周期（每个销售周期为4周）公司生产的牙膏的销售量、销售价格、投入的广告费用，以及同期其它厂家生产的同类牙膏的市场平均销售价格，见表1-1（其中价格差指其它厂家平均价格与公司销售价格之差）。试根据这些数据建立一个数学模型，分析牙膏销售量与
2、其它因素的关系，为制订价格策略和广告投入策略提供数量依据。表1 牙膏销售量与销售价格，广告费用等数据（其中价格差指其他厂家平均价格与公司销售价格之差）销售周期公司销售价格/元其他厂家平均价格/元广告费用/百万元价格差/元销售量/百万支12345678910111213141516171819202122232425262728293000根据牙膏销售量与价格、广告费等表格1中的数据，建立三个模型，要求：1）画出散点图：y对x1的散点图1；y对x2的散点图2；2）确定回归模型系数，求解出教程中模型（3）；3）对模型进行改进，确定回归模型系数，求解出教程中模型（5）；4）对模型进一步改进，求解出教
3、程中模型（10）。二、问题分析 由于牙膏是生活必需品，对大多数顾客来说，在购买同类产品的牙膏时更多地会在意不同品牌之间的价格差异，而不是它们的价格本身，因此，在研究各个因素对销售量的影响时，用价格差代替公司销售价格和其他厂家平均价格更合适。三、模型假设记牙膏销售量为y，其他厂家平均价格与公司销售价格之差（价格差）为，公司投入的广告费用为，其他厂家平均价格和公司销售价格分别为和，基于上面的分析，我们仅利用和来建立y的预测模型。四、模型建立（显示模型函数的构造过程）（1）为了大致地分析y与和的关系，首先利用表一的数据分别作出y对和的散点图y与x1的关系程序代码：x1=-0.05 0.25 0.60
4、 0 0.25 0.20 0.15 0.05 -0.15 0.15 0.20 0.10 0.40 0.45 0.35 0.30 0.50 0.50 0.40 -0.05 -0.05 -0.10 0.20 0.10 0.50 0.60 -0.05 0 0.05 0.55;y=7.38 8.51 9.52 7.50 9.33 8.28 8.75 7.87 7.10 8.00 7.89 8.15 9.10 8.86 8.90 8.87 9.26 9.00 8.75 7.95 7.65 7.27 8.00 8.50 8.75 9.21 8.27 7.67 7.93 9.26;A=polyfit(x1,
5、y,1)y1=polyval(A,x1);plot(x1,y1,x1,y,go)y 与x2的关系x2=5.50 6.75 7.25 5.50 7.00 6.50 6.75 5.25 5.25 6.00 6.50 6.25 7.00 6.90 6.80 6.80 7.10 7.00 6.80 6.50 6.25 6.00 6.50 7.00 6.80 6.80 6.50 5.75 5.80 6.80;y=7.38 8.51 9.52 7.50 9.33 8.28 8.75 7.87 7.10 8.00 7.89 8.15 9.10 8.86 8.90 8.87 9.26 9.00 8.75 7.
6、95 7.65 7.27 8.00 8.50 8.75 9.21 8.27 7.67 7.93 9.26;A=polyfit(x2,y,2)x3=5.25:0.05:7.25;y2=polyval(A,x3);plot(x2,y,go,x3,y2) 图1 y对x1的散点图 图2 y与x2的散点图从图1 可以发现，随着的增加，y的值有比较明显的线性增长趋势，图中的直线是用线性模型 （1）拟合的（其中是随机误差），而在图2中，当增大时，y有向上弯曲增长的趋势，图中的曲线是用二次函数模型 （2）拟合的。综合上面的分析，结合模型（1）和（2）建立如下的回归模型 (3)(3)式右端的和称为回归变量（自变
7、量），是给定价格差，广告费用时，牙膏销售量y的平均值，其中的参数称为回归系数，由表1的数据估计，影响y的其他因素作用都包含在随机误差中，如果，模型选择的合适，应大致服从均值为0的正态分布。五、模型求解（2）确定回归模型系数，求解出教程中模型（3）；程序代码：x4=ones(30,1),x1,x2,x2.2;b,bint,r,rint,stats=regress(y,x4) b =bint =stats =得到模型（3）的回归系数估计值及其置信区间（置信区间=0.05）、检验统计量的结果见表2参数参数估计值参数置信区间5.7282, 28.92060.6829, 1.9311 -7.4989,
8、0.10770.0379, 0.6594 表2 模型（3）的计算结果结果分析：表2显示，指因变量y（销售量）的90.54%可由模型确定，F值远远超过F检验的临界值，p远小于，因而模型（3）从整体来看是可用的表2的回归系数给出了模型（3）的，的估计值，即。检查他们的置信区间发现，只有的置信区间包含零点（但区间右端点距零点很近），表明回归变量（对因变量y的影响）不是太显著的，但由于是显著的，我们仍将变量保留在模型中。销售量预测经回归系数的估计值代入模型（3），即可预测公司未来某个销售周期牙膏的销售量，将预测值记为，得到模型（3）的预测方程：= （4）只需知道该销售周期的价格差和投入的广告费用，就可
9、以计算预测值。公司无法直接确定价格差，只能制定公司的牙膏销售价格，但是其它厂家的平均价格一般可以通过根据市场情况及原材料的价格变化等估计。模型中用价格差做为回归变量的好处在于公司可以更灵活地来预测产品的销售量或市场需求量，因为其它厂家的平均价格不是公司所能控制的。预测时只要调整公司的牙膏销售价格达到设定的回归变量价格差的值。回归模型的一个重要应用是，对于给定的回归变量的取值，可以以一定的置信度预测因变量的取值范围，即预测区间。模型改进模型（3）中回归变量，对因变量的影响是相互独立的，即牙膏销售量的均值和广告费用的二次关系由回归系数，确定，而不依赖与价格差，同样，的均值与的线性关系由回归系数确定
10、，不依赖于。根据经验可参想，和之间的交互作用会对有影响，简单的用，的乘积代表他们的交互作用，将模型（3）增加一项，得到： （5）在这个模型中，的均值与的二次关系为，由系数，确定，并依赖与价格差。（3）对模型进行改进，确定回归模型系数，求解出教程中模型（5）；程序代码：x5=ones(30,1),x1,x2,x2.2,x1.*x2; b,bint,r,rint,stats=regress(y,x5)b =bint =stats =下面让我们用表1的数据估计模型（5）的系数。利用MATLAB的统计工具箱得到的结果见表3.验统计量，S2的结果见下表参数参数估计值参数置信区间13.7013,44.52
11、521.9778,20.2906-12.6932,-2.52280.2538,1.0887-2.8518.-0.1037 表 3表3与表2的结果相比，R2有所提高，说明模型（5）比模型（3）有所改进，相信模型（5）更符合实际。用模型（5）对公司的牙膏销售量做预测，仍设在某个销售周期中，维持产品的价格差X1=0.2元，并投入X2=6.5百万元的广告费用，则该周期牙膏销售量y的估计值为0 + 1x1 +2x2+3x22 +4x1x2 =29.1133 + 11.134 0.2 6.5 + 0.6712 2 -1.4777 0.2 6.5 =8.3253百万支，置信度为95%的预测空间为7.8953
12、,8.7592，与模型（3）的结果相比，略有增加，而预测区间长度短些。可以看出，交互作用项加入模型，对与的关系稍有影响，而与 的关系有较大变化，当 6以后上升则快得多。进一步讨论： 为了解和之间的相互作用，考察模型（5）的预测方程 2 （6）如果取价格差 =0.1元，代入（6）可得 2 （7）再取 =0.3元，代入（6）可得 2 （8）它们均为的二次函数，其图形见图7，且 =0.3 - = （9）由（9）式可得，当 ，也就是说，这时的价格优势会使销售量增加。完全二次多项式模型 y =0 +1 + 2 + 3 + 42 + 5 2 + (10)（4）对模型进一步改进，求解出教程中模型（10）。程
13、序代码：x1=-0.05;0.25;0.60;0;0.25;0.20;0.15;0.05;-0.15;0.15;0.20;0.10;0.40;0.45;0.35;0.30;0.50;0.50;0.40;-0.05;-0.05;-0.10;0.20;0.10;0.50;0.60;-0.05;0;0.05;0.55;x2=5.50;6.75;7.25;5.50;7.00;6.50;6.75;5.25;5.25;6.00;6.50;6.25;7.00;6.90;6.80;6.80;7.10;7.00;6.80;6.50;6.25;6.00;6.50;7.00;6.80;6.80;6.50;5.75;
14、5.80;6.80; xtu8=x1,x2;y=7.38;8.51;9.52;7.50;9.33;8.28;8.75;7.87;7.10;8.00;7.89;8.15;9.10;8.86;8.90;8.87;9.26;9.00;8.75;7.95;7.65;7.27;8.00;8.50;8.75;9.21;8.27;7.67;7.93;9.26; rstool(xtu8,y,quadratic )从左下方的输出Export可以得到模型（10）的回归系数的估计值为=(0 ，1 ，2 ，3，4 ，5) = (32.0984，14.7436，-8.6367，-2.1038，1.1074，0.7594)在图下方的窗口内输入，可改变和的数值，当=0.2，=6.5时，左边的窗口显示0.2558=8.0471,8.5587与模型（5）相差不大。