下载文档原格式
数学建模实践总结数学建模是一种将实际问题转化为数学模型，并通过数学方法进行求解和分析的过程。
在数学建模实践过程中，我深刻体会到了数学知识的实际应用和解决问题的能力。
通过本次实践，我对数学建模的方法和步骤有了更深刻的理解。
本文将对我参与的数学建模实践进行总结，并分享一些经验和感悟。
首先，我们在实践中遇到了一个实际的问题，即如何合理规划一个小区的绿化布局。
我们的目标是最大限度地提高绿化覆盖率，同时考虑社区居民的需求和经济成本。
为了解决这个问题，我们首先进行了问题的分析和拆解。
我们研究了小区的地理环境、土壤条件、气候特点等因素，并进行了数据的收集和整理。
在分析完实际问题后，我们开始建立数学模型。
我们选择了线性规划模型来解决这个问题。
我们将小区划分为不同的区域，并给每个区域设置了相应的绿化面积和成本。
我们设定了约束条件，如总绿化面积不能超过小区面积的百分之八十，并设置了优化目标，即最小化总成本。
通过线性规划模型，我们得到了最优的绿化布局方案。
接着，我们利用计算机编程工具对模型进行求解和优化。
我们利用MATLAB软件编写了相应的代码，并进行了模拟实验和数据验证。
通过多次实验和调整参数，我们得到了最终的实施方案。
我们将结果进行了可视化展示，并对结果进行了进一步的分析。
通过这次数学建模实践，我收获了许多宝贵的经验和教训。
首先，在实践过程中，团队合作是至关重要的。
我们需要协调各个成员的工作，并及时沟通和解决问题。
其次，数据的准确性和完整性对建模结果有着重要影响。
我们需要对数据进行仔细筛查和校验，并确保数据的可靠性。
最后，灵活运用数学知识和方法是解决实际问题的关键。
我们需要充分发挥数学的优势，灵活运用各种数学工具和技巧来解决实际问题。
总之，数学建模实践是一次宝贵的学习和实践机会。
通过实践，我不仅巩固了数学知识，还提高了解决问题的能力和综合素质。
我相信，在今后的学习和工作中，我会更加积极地运用数学建模方法，解决更加复杂和实际的问题。
数学建模实验报告1.流⽔问题问题描述：⼀如下图所⽰的容器装满⽔，上底⾯半径为r=1m，⾼度为H=5m，在下地⾯有⼀⾯积为B0.001m2的⼩圆孔，现在让⽔从⼩孔流出，问⽔什么时候能流完？解题分析：这个问题我们可以采⽤计算机模拟，⼩孔处的⽔流速度为V=sqrt[2*g*h]，单位时间从⼩孔流出的⽔的体积为V*B，再根据⼏何关系，求出⽔⾯的⾼度H，时间按每秒步进，记录点（H，t）并画出过⽔⾯⾼度随时间的变化图，当⽔⾯⾼度⼩于0.001m 时，可以近似认为⽔流完了。
程序代码：Methamatic程序代码：运⾏结果：（5）结果分析：计算机仿真可以很直观的表现出所求量之间的关系，从图中我们可以很⽅便的求出要求的值。
但在实际编写程序中，由于是初次接触methamatic 语⾔，对其并不是很熟悉，加上个⼈能⼒有限，所以结果可能不太精确，还请见谅。
2.库存问题问题描述某企业对于某种材料的⽉需求量为随机变量，具有如下表概率分布：每次订货费为500元，每⽉每吨保管费为50元，每⽉每吨货物缺货费为1500元，每吨材料的购价为1000元。
该企业欲采⽤周期性盘点的),(S s 策略来控制库存量，求最佳的s ，S 值。
（注：),(S s 策略指的是若发现存货量少于s 时⽴即订货，将存货补充到S ，使得经济效益最佳。
）问题分析：⽤10000个⽉进⾏模拟，随机产⽣每个⽉需求量的概率，利⽤计算机编程，将各种S 和s 的取值都遍历⼀遍，把每种S，s的组合对应的每⽉花费保存在数组cost数组⾥，并计算出平均⽉花费average，并⽤类answer来记录，最终求出对应的S和s。
程序代码：C++程序代码：#include#include#include#include#define Monthnumber 10000int Need(float x){int ned = 0;//求每个⽉的需求量if(x < 0.05)ned = 50;else if(x < 0.15)ned = 60;else if(x < 0.30)ned = 70;else if(x < 0.55)ned = 80;else if(x < 0.75)ned = 90;else if(x < 0.85)ned = 100;else if(x < 0.95)ned = 110;else ned = 120;return ned;}class A{public:int pS;int ps;float aver;};int main(){A answer;answer.aver=10000000;//int cost[Monthnumber+1]={0}; float average=0;int i;float x;int store[Monthnumber];//srand((int)time(0));for(int n=6;n<=12;n++){// int n=11;int S=10*n;for(int k=5;k{// int k=5;int s=k*10;average=0;int cost[Monthnumber+1]={0};for(i=1;i<=Monthnumber;i++){store[i-1]=S;srand(time(0));x=(float)rand()/RAND_MAX; //产⽣随机数//cout<<" "<//cout<int need=Need(x);if(need>=store[i-1]){cost[i]= 1000*S + (need - store[i-1])*1500 + 500;store[i]=S;}else if(need>=store[i-1]-s){cost[i]=1000*(need+S-store[i-1]) + 50*(store[i-1]-need) + 500; store[i]=S;}else{cost[i]=(store[i-1]-need)*50;store[i]=store[i-1]-need;}average=cost[i]+average;}average=average/Monthnumber;cout<<"n="<cout<<"花费最少时s应该为："<cout<<"平均每⽉最少花费为："<}运⾏结果：结果分析：⽤计算机模拟的结果和⽤数学分析的结果有⼀定的差异，由于计算机模拟时采⽤的是随机模型⽽我⽤time函数和rand函数产⽣真随机数，所以在每次的结果上会有所差异，但对于⼀般的⽣产要求亦可以满。
数学建模方法与分析
数学建模是利用数学方法解决实际问题的过程。
数学建模的一般步骤包括问题定义、建立数学模型、模型求解和结果分析等阶段。
数学建模方法可以分为多种，常见的方法包括：
1. 数据分析：通过统计分析和数据挖掘等方法，对问题中的数据进行处理和分析，找出其中的规律和趋势。
2. 最优化方法：根据问题的要求，建立相应的数学规划模型，通过求解最优化问题，得到最优解。
3. 随机模型：将问题建立为随机过程或概率模型，通过概率统计的方法进行分析和求解。
4. 系统动力学模型：将问题建立为动态系统模型，通过系统动力学的方法分析系统的行为和演化规律。
5. 图论和网络分析：将问题建立为图模型或网络模型，通过图论和网络分析的方法研究其结构和性质。
6. 分数阶模型：将问题建立为分数阶微分方程或分数阶差分方程，通过分数阶
微积分的方法进行分析和求解。
数学建模的分析阶段是对模型求解结果进行解释和评估。
分析结果可以包括对模型的可行性和有效性进行验证，对模型的优化方向进行探讨，以及对问题的解释和解决方案的提出等。
总的来说，数学建模方法与分析是数学建模过程中重要的环节，通过合理选择建模方法和深入分析模型结果，可以得到对实际问题有价值的解决方案。
数学建模问题分析
一、数据处理
1、插值拟合：对数据补全和基本趋势分析对数据补全和基本趋势分析插值和拟合都是要根据一组数据构造一个函数作为近似，由于近似的要求不同，二者的数学方法上是完全不同的。
插值的方法多种多样，拟合问题除了用最小二乘，还可以用机器学习OR深度学习算法来实现，但要注意过拟合问题。
2、聚类分析，用于诊断数据异常值并剔除。
聚类分析用数量化的方法对事物进行分类，事物的类别标签未知，但已知样本的多个特征取值。
3、主成分分析，线性判别分析，局部保留投影：多维数据的降维处理，减少数据冗余。
二、分类与判别
1、距离聚类（系统聚类）常用。
2、关联性聚类（常用）。
3、层次聚类。
层次法先计算样本之间的距离。
每次将距离最近的点合并到同一个类。
然后，再计算类与类之间的距离，将距离最近的类合并为一个大类。
不停的合并，直到合成了一个类。
其中类与类的距离的计算方法有：最短距离法，最长距离法，中间距离法，类平均法等。
比如最短距离法，将类与类的距离定义为类与类之间样本的最短距离。
数学建模案例分析数学建模是将现实问题转化为数学模型，并利用数学方法对模型进行求解的过程。
它是数学与实际问题结合的重要手段，能够帮助人们深入理解问题的本质，提供科学的决策依据。
以下是一个数学建模案例分析。
市有4个城区，现准备改造城市供水系统，以满足未来的供水需求。
根据过往的数据分析，每个城区的用水量与其人口数量、平均收入以及大型工厂的数量有关。
现在的问题是如何设计供水系统，使得满足各城区的用水需求，并且降低总成本。
为了解决这个问题，我们需要进行数学建模。
首先，我们需要确定影响用水量的因素。
1.人口数量：根据过往数据，我们可以得到人口数量与用水量之间的关系。
假设每增加1个人口，用水量增加A升，其中A为一个常数。
2.平均收入：平均收入的提高可能会促使人们增加用水量。
假设平均收入每提高1个单位，用水量增加B升，其中B为一个常数。
3.大型工厂数量：大型工厂对水的需求较大，可能对城区的用水量产生较大的影响。
假设每增加1个大型工厂，用水量增加C升，其中C为一个常数。
通过对过往数据的分析和回归分析，我们可以得到A、B和C的具体数值。
然后，我们可以建立供水系统的数学模型：设城区1、城区2、城区3和城区4的人口分别为x1、x2、x3和x4，平均收入分别为y1、y2、y3和y4，大型工厂数量分别为z1、z2、z3和z4设城区1、城区2、城区3和城区4的用水量分别为w1、w2、w3和w4根据前述的假设，我们可以得到数学模型：w1=A*x1+B*y1+C*z1w2=A*x2+B*y2+C*z2w3=A*x3+B*y3+C*z3w4=A*x4+B*y4+C*z4此外，由于我们希望降低总成本，我们还需要引入成本模型。
假设供水系统的建设成本与每个城区的用水量成正比，并且平均每增加1升用水量，建设成本增加D元，其中D为一个常数。
设城区1、城区2、城区3和城区4的建设成本分别为cost1、cost2、cost3和cost4根据成本因素，我们可以得到成本模型：cost1 = D * w1cost2 = D * w2cost3 = D * w3cost4 = D * w4接下来，我们需要优化这个数学模型。
数学建模常用各种检验方法数学建模是利用数学方法解决实际问题的过程。
在进行数学建模时，需要对模型的合理性进行检验，以确保模型的可靠性和准确性。
本文将介绍数学建模中常用的各种检验方法。
1.残差分析方法残差（residual）是指观测值与模型预测值之间的差异。
残差分析可以通过比较残差的大小、分布和形态，来检验模型的合理性。
常用的残差分析方法包括：正态性检验、稳定性检验、独立性检验和同方差性检验。
2.敏感性分析方法敏感性分析（sensitivity analysis）用于分析参数对模型结果的影响程度。
通过改变参数的值，并观察输出结果的变化，可以评估参数对模型的敏感性。
常用的敏感性分析方法包括：单参数敏感性分析、多参数敏感性分析和全局敏感性分析。
3.假设检验方法假设检验（hypothesis testing）用于判断模型的假设是否成立。
通过对模型的假设进行检验，可以评估模型的合理性和拟合优度。
常用的假设检验方法包括：t检验、F检验和卡方检验。
4.误差分析方法误差分析（error analysis）用于评估模型的误差水平。
通过比较实际观测值与模型预测值之间的误差，可以评估模型的准确性和精度。
常用的误差分析方法包括：平均绝对误差（MAE）、均方根误差（RMSE）和平均百分比误差（MAPE）。
5.稳定性分析方法稳定性分析（stability analysis）用于评估模型的稳定性和鲁棒性。
通过对模型进行参数扰动或输入扰动，并观察输出结果的变化，可以评估模型的稳定性和可靠性。
常用的稳定性分析方法包括：参数扰动分析、输入扰动分析和鲁棒性分析。
6.验证方法验证（validation）用于评估模型的预测能力和适用范围。
通过对模型进行验证，可以判断模型在不同情况下的预测效果和适用性。
常用的验证方法包括：留一验证（leave-one-out validation）、交叉验证（cross-validation）和外部验证（external validation）。
一、引言数学建模是一种运用数学方法对现实问题进行抽象、简化和解决的过程。
它通过建立数学模型，对问题进行定量分析和求解，从而为决策提供科学依据。
本文以某市交通拥堵问题为例，通过数学建模分析，总结了建模过程中的关键步骤、常用方法和需要注意的问题。
二、问题背景与模型假设1. 问题背景随着城市化进程的加快，交通拥堵已成为我国许多城市面临的重要问题。
某市作为典型的城市，交通拥堵现象日益严重，严重影响了市民的出行和生活质量。
为解决这一问题，政府部门决定开展交通拥堵建模研究。
2. 模型假设（1）道路网络结构固定，不考虑道路扩建和改造等因素。
（2）交通流在道路上的运行遵循一定的规律，如流量-速度关系。
（3）交通需求在短时间内保持稳定。
（4）车辆行驶过程中，不考虑驾驶员的驾驶行为差异。
三、模型建立与求解1. 模型建立（1）交通流模型：采用流量-速度关系，描述道路上的交通流量与速度之间的关系。
（2）交通需求模型：采用生成-分布模型，描述交通需求的生成和分布。
（3）交通分配模型：采用用户均衡原理，将交通需求分配到道路网络上。
2. 模型求解（1）利用软件工具（如MATLAB、Python等）对模型进行编程实现。
（2）采用数值计算方法（如迭代法、梯度下降法等）求解模型。
四、结果分析与讨论1. 结果分析通过数学建模，得到了某市交通拥堵问题的流量-速度关系、交通需求分布和交通分配结果。
结果表明，该市主要交通拥堵路段主要集中在市中心和部分住宅区。
2. 讨论与建议（1）针对交通拥堵问题，政府部门应优先考虑优化交通分配策略，引导交通流向非拥堵路段。
（2）加强公共交通建设，提高公共交通服务水平，吸引市民使用公共交通工具。
（3）加强交通需求管理，合理引导交通需求，降低交通拥堵程度。
五、结论本文通过数学建模方法对某市交通拥堵问题进行了分析，得到了一些有价值的结论和建议。
这为政府部门制定交通拥堵治理政策提供了科学依据。
然而，由于模型假设的局限性，模型的精度仍有待提高。
2012年暑期培训数学建模第二次模拟承诺书我们仔细阅读了数学建模联赛的竞赛规则。
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）与本队以外的任何人（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它公开的资料（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，我们愿意承担由此引起的一切后果。
我们的参赛报名号为：参赛队员(签名) ：队员1：队员2：队员3：2012年暑期培训数学建模第二次模拟编号专用页参赛队伍的参赛号码：（请各个参赛队提前填写好）：竞赛统一编号（由竞赛组委会送至评委团前编号）：竞赛评阅编号（由竞赛评委团评阅前进行编号）：2012年暑期培训数学建模第二次模拟题目学生成绩的分析问题摘要本文针对大学高数和线代，概率论成绩进行建模分析，主要用到统计分析的知识及SPSS软件，建立了方差分析、单因素分析、相关性分析等相关模型，从而分析两个专业、四门课程成绩的显著性，以及课程之间的相关性。
最后利用分析结论表明了我们对大学数学学习的看法。
问题一：每门课程两个专业的差异性需要进行多个平均数间的差异显著性检验，首先应该对数据进行正态分布检验，结论是各个专业的分数都服从正态分布，之后可以根据Kolmogorov-Smirnov 检验（K-S检验）原理，利用SPSS软件进行单因素方差分析，得出方差分析表，进行显著性检验，最后得出的结论是高数1、高数2、线代和概率这四科成绩在两个专业中没有显著性差异。
问题二：对于甲乙两个专业分别分析，应用问题一的模型，以每个专业不同班级的高数一、高数二、线代和概率平均数为自变量，同第一问相同的做法，得到两个专业中不同学科之间没有显著差异。
问题三：我们通过对样本数据进行Spss的“双变量相关检验”得出相关系数值r、影响程度的P值，从而来分析出高数1、高数2与概率论、现代的相关性。
运筹学数学建模的结果分析怎么写
1、示例：综上所述，由运筹学数学建模模型求解可知，在满足模型条件的假设（4）的条件下，当所给阳性的先验概率大于0.3066时，在不分组的条件下每个人一次一次的检验可以使总次数最少；当所给先验概率大于等于0.2929，先验概率小于0.3066时，进行一次检验比分两次组和不分组均可使总次数最少；当先验概率小于0.2929且大于0时，分两次组总次数比分一次组总次数要少。
2、运筹学数学建模结果分析包括：结果表示；结果分析、检验；模型检验及模型修正；灵敏度分析，稳定性分析。
3、最终运筹学数学建模数值结果的正确性或合理性是第一位的。
4、对运筹学数学建模的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。
5、题目中要求回答的问题，运筹学数学建模的数值结果，结论，须一一列出；
6、列运筹学数学建模的数据问题：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；
7、运筹学数学建模的结果表示：要集中，一目了然，直观，便于比
较分析。
结果分析综上所述，由模型求解可知，在满足模型条件的假设（4）的条件下，当所给阳性的先验概率0.3066p ≥时，在不分组的条件下每个人一次一次的检验可以使总次数最少；当所给0.29290.3066p ≤<时，进行一次检验比分两次组和不分组均可使总次数最少；当00.2929p <<时，分两次组总次数比分一次组总次数要少。
当p 固定时，为了是人群中总的检验次数最小，就需要确定每组中的人数k 。
根据固定值p 的大小分类讨论：当0.3066p ≥时，此时不需要分组，即1k =时可使检验次数最小；当0.3066p <时，此时需要分组，要使人群总的检验次数最小，只需要使每个人的检验次数的期望值E ξ最小，通过引入与11k E q kξ=-+变化趋势相同的连续性函数 )2(,11)(≥+-=x xq x f x ，对于一个给定的p ，可以求出函数(x)f 的极值，又由分析知'(x)f 是增函数，所以求出(x)f 的极值就是(x)f 的最小值的取值m x ，故取与m x 最相近的两个值(上取整和下取整)，代入ξE ，然后比较两个函数值，找出较小的一个，以此类推，可以确定，每一个给定的p 要使人群中总的检验次数最小所对应的人数k 。
在0.3066p <中，当0.29290.3066p ≤<时，进行一次分组检验比进行两次分组检验和不分组检验可使检验次数最少；当00.2929p <<时，分两组比分一组总的检验次数少。
模型检验当然这都是在假设（4）的前提下做出的，现举一例具体说明上述假设的合理性：设0.002p =时，经过上述计算可得，当23k =时可使在一次分组的情况下平均每人检验次数最小，为满足假设（4），可以取24k =（此时平均每人检验次数仅比23k =时多510-次，故在检验100000人时总次数才多一次，故可忽略），然后取112k =或更小（如16k =），此时一定可以做到分两次组比分一次组平均每人检验次数小。
当然此时还可以继续求满足条件的第二次分组平均每人检验次数的最小值。
由于题给条件是人群数量很大，基本是健康人，先验概率p 很小，所以4<k 的情况在实际当中可以不予考虑（此时的概率p 在0.3左右，相当大）。
模型推广本模型可以说在所给定的假设内解决了该问题。
如果说对于假设的合理性做出判断的话，如上所述，假设（1）在实际当中可能不会被作为分组与不分组的判断标准；假设（2）与（3）是可以接受的，直观上可以认为以阳性的先验概率至于不同疾病有关，而不会与检验次数有关，同时在没有遗传病的情况下，做出假设（3）也是合理的；假设（4）在人群数目较小时是很容易实现的，但当人群数目很大时，很难严格的达到平均分组的条件。
例如对某几个地区某病毒的感染情况进行调查统计时，往往利用分治法的思想把人群按单位或更小的行政区域进行分区调查，再将所有的数字汇总。
这种分组的方法并不能保证平均分配人数。
如果人群总数在几十到几千的范围内除了利用给出的两种方法外，还可以利用二分法的思想将人群重复的进行二分操作，这样也可以很快地得到理想的结果。
影响此模型的因素还有先验概率，先验概率是一定人群中的患病概率，如果人群的情况有所变化可能会对模型给出的结论有所影响。
比如普通人群中艾滋病病毒抗体的感染率是很低的，如果用这个概率作为先验概率去进行对以男性同／双性恋者为对象的估计中，往往会出现较大的偏差。
同时本数学模型也可适用于某人民医院要对某地区的居民是否患有某种病（如乙肝）的检验,并对该地区的病情作一定的预测,从而达到预防和及早治疗的效果。
乙肝的血样检验只有阴性、阳性两种情况,我们可用本数学模型切实地解决这个问题。
模型评价在实际中利用本模型还是可以跟分组检验一定依据的。
但在实际操作中，由于多次分组需要多次混合血样，在操作中会带来很大的麻烦；而且，在混合当中可能会造成很大的误差，特别是当多次混合血样比一次混合或不分组的平均每人检验次数不是少很多的时候，进行一次分组或不分组效果可能会更好。
但是由于血样的先检概率通常很小,为减少检验次数,我们通过先对检验的人群进行分组,引入阳性组的概率,通过阳性组数的平均值作为桥梁,由于阳性组的人需要全部重新检验,最后可得平均总检验次数,进而得到一个人的平均检验次数的一元函数。
然而我们通过对阳性组人群进行再次分组（即对检验人群进行二次分组）,从而得到一个关于两次分组人数二元函数,进而得到更为优化的数学模型。
最后,我们引入平均概率模型,再把血样检验中出现的可能性细化,得到当血样检验为阳性的人数等于分组后每一组的人数时,通过这样的分组模型可以使检验次数达到最优,但是我们未能给出确实的理论证明。
由此我们可以得出这样的结论，建立模型的过程中先验概率和合理假设具有非常重要的影响。
比如，如果先验概率是一个特定的特定群体的概率，而在建立模型的时候把这个特定的群体的概率用到大众群体上来，就必然会导致模型预测的重大偏差。
又如，如果在建立模型的时候假设不合理，如相互有影响的实践假设成独立事件，忽略了事物的内在影响，也会导致模型预测的失效，一个合理的模型，一定要建立在合理的假设之下。
在实际生活中利用本模型可以说在给定的假设内解决了该问题。
如果期望对假设做出和理性的判断的话，综上所述，在实际当中可能会出现作为分组与不分组判断标准不一的情况；且在直观上可以认为阳性的先验概率与不同疾病有关，但不会与检验次数有关，并且在没有遗传病的情况下，做出某些假设也是合理的。
有的假设在人群数目较少的时候比较容易实现，但当人群数目比较大时，就很难严格的达到平均分组条件。
例如这样的情形之下：对某几个地区某病毒的感染情况进行调查统计时，往往利用分而治之的思想把人群按单位或更小的行政区域进行划分调查，最后将所有的数字情况汇总。
这种分组的方法并不能保证平均分配人数。
如果人群总数在几十到几千的范围内除了已经给出的这种方法还可以利用二分法的思想将人群进行重复的二分操作，或者其他的操作形式，这样也可以很快的得到理想的结果。
影响此模型的因素还有先验概率，先验概率是一定人群中的患病概率，有时人群的情况的变化会对模型结论的得出造成影响。
比如说普通人中艾滋病毒抗体出现的概率是极其低的，如果以这个概率做为先验概率去进行对以男性或者双性性恋的对象的估计中则会出现极大的偏差。
附：数学模型中常用的检验方法1.单个总体2Nμσ的均值μ的检验:(,)2σ已知,关于均值的检验用ztest命令来实现.[h,p,ci]=ztest(x,mu,sigma,alpha,tail)2σ已知,关于均值的检验用ttest命令来实现.[h,p,ci]=ttest(x,mu,alpha,tail)2.两个正态总体均值差的检验（t 检验）还可以用t 检验法检验具有相同方差的2 个正态总体均值差的假设。
在Matlab 中由函数ttest2 实现，命令为：[h,p,ci]=ttest2(x,y,alpha,tail)3.分布拟合检验在实际问题中，有时不能预知总体服从什么类型的分布，这时就需要根据样本来检验关于分布的假设。
下面介绍2χ检验法和专用于检验分布是否为正态的“偏峰、峰度检验法”。
2χ检验法0 H ：总体x的分布函数为F(x) ,1 H : 总体x的分布函数不是F(x).在用下述χ 2检验法检验假设0 H 时，若在假设0 H 下F(x)的形式已知，但其参数值未知，这时需要先用极大似然估计法估计参数，然后作检验。
偏度、峰度检验4．其它非参数检验Wilcoxon秩和检验在Matlab中，秩和检验由函数ranksum实现。
命令为：[p,h]=ranksum(x,y,alpha)其中x，y可为不等长向量，alpha为给定的显著水平，它必须为0和1之间的数量。
p返回产生两独立样本的总体是否相同的显著性概率，h返回假设检验的结果。
如果x 和y的总体差别不显著，则h为零；如果x和y的总体差别显著，则h为1。
如果p接近于零，则可对原假设质疑。
5．中位数检验在假设检验中还有一种检验方法为中位数检验,在一般的教学中不一定介绍,但在实际中也是被广泛应用到的。
在Matlab中提供了这种检验的函数。
函数的使用方法简单，下面只给出函数介绍。
signrank函数signrank Wilcoxon符号秩检验[p,h]=signrank(x,y,alpha)其中p给出两个配对样本x和y的中位数相等的假设的显著性概率。
向量x，y的长度必须相同，alpha为给出的显著性水平，取值为0和1之间的数。
h返回假设检验的结果。
如果这两个样本的中位数之差几乎为0，则h=0；若有显著差异，则h=1。
signtest函数signtest 符号检验[p,h]= signtest(x,y,alpha)其中p给出两个配对样本x和y的中位数相等的假设的显著性概率。
x和y若为向量，二者的长度必须相同；y亦可为标量，在此情况下，计算x的中位数与常数y之间的差异。
alpha和h同上。
matlab 判断正态分布总体分布正态性检验进行参数估计和假设检验时，通常总是假定总体服从正态分布，虽然在许多情况下这个假定是合理的，但是当要以此为前提进行重要的参数估计或假设检验，或者人们对它有较大怀疑的时候，就确有必要对这个假设进行检验，进行总体正态性检验的方法有很多种，以下针对MATLAB统计工具箱中提供的程序，简单介绍几种方法。
1）Jarque-Bera检验利用正态分布的偏度g1和峰度g2，构造一个包含g1，g2的分布统计量（自由度n=2），对于显著性水平，当分布统计量小于分布的分位数时，接受H0：总体服从正态分布；否则拒绝H，即总体不服从正态分布。
这个检验适用于大样本，当样本容量n较小时需慎用。
Matlab命令：h =jbtest(x)，[h,p,jbstat,cv] =jbtest(x,alpha)。
2）Kolmogorov-Smirnov检验通过样本的经验分布函数与给定分布函数的比较，推断该样本是否来自给定分布函数的总体。
容量n的样本的经验分布函数记为Fn(x)，可由样本中小于x的数据所占的比例得到，给定分布函数记为G(x)，构造的统计量为，即两个分布函数之差的最大值，对于假设H：总体服从给定的分布G(x)，及给定的，根据D的极限分布（n®¥时的分布）确定统计量n的数量界限。
关于是否接受H因为这个检验需要给定G(x)，所以当用于正态性检验时只能做标准正态检验，：总体服从标准正态分布。
Matlab命令：h =kstest(x)。
即H3）Lilliefors检验：总体服从正它将Kolmogorov-Smirnov检验改进用于一般的正态性检验，即H态分布，其中由样本均值和方差估计。
