相关分析
相关分析的步骤：
Step1.作相关表和相关图，判断变量之间有无相关关系存在及呈现的形态。
Step2.计算相关系数r，判断相关关系的密切程度：
22()()()()xxyyrxxyy
化简为：
2222nxyxyrnxxnyy
相关系数进行相关程度的判断标准：
r 等于0是完全不相关
r 在0.3以下，不存在直线相关；
r 在0.3--- 0.5之间是低度直线相关；
r 在0.5--- 0.8之间是显著相关；
r 在0.8以上是高度相关；
r 等于1是完全相关
Step3.对具有相关关系的变量建立数学模型并求解方程参数。
Step4.进行相关性检验：
1）计算自由度1fnk(其中n--样本容量；k--自变量个数）；
2）选取显著性水平，通常取=0.05或0.01；
3）查表。根据和f，查相关系数临界值表rf
4）判断。当rrf时，则x与y之间显著线性相关。
数学建模方法详解三种最常用算法
在数学建模中，常使用的三种最常用算法是回归分析法、最优化算法和机器学习算法。这三种算法在预测、优化和模式识别等问题上有着广泛的应用。下面将对这三种算法进行详细介绍。
1.回归分析法
回归分析是一种用来建立因果关系的统计方法，它通过分析自变量和因变量之间的关系来预测未知的因变量。回归分析可以通过构建一个数学模型来描述变量之间的关系，并利用已知的自变量值来预测未知的因变量值。
常用的回归分析方法有线性回归、非线性回归和多元回归等。在回归分析中，我们需要首先收集自变量和因变量的样本数据，并通过数学统计方法来拟合一个最优的回归函数。然后利用这个回归函数来预测未知的因变量值或者对已知数据进行拟合分析。
回归分析在实际问题中有着广泛的应用。例如，我们可以利用回归分析来预测商品销售量、股票价格等。此外，回归分析还可以用于风险评估、财务分析和市场调研等。
2.最优化算法
最优化算法是一种用来寻找函数极值或最优解的方法。最优化算法可以用来解决各种优化问题，例如线性规划、非线性规划和整数规划等。最优化算法通常分为无约束优化和有约束优化两种。 无约束优化是指在目标函数没有约束条件的情况下寻找函数的最优解。常用的无约束优化算法有梯度下降法、共轭梯度法和牛顿法等。这些算法通过迭代计算来逐步优化目标函数，直到找到最优解。
有约束优化是指在目标函数存在约束条件的情况下寻找满足约束条件的最优解。常用的有约束优化算法有线性规划、非线性规划和混合整数规划等。这些算法通过引入拉格朗日乘子、KKT条件等来处理约束条件，从而求解最优解。
最优化算法在现实问题中有着广泛的应用。例如，在生产计划中，可以使用最优化算法来确定最优的生产数量和生产计划。此外，最优化算法还可以应用于金融风险管理、制造工程和运输物流等领域。
3.机器学习算法
机器学习算法是一种通过对数据进行学习和模式识别来进行决策和预测的方法。机器学习算法可以根据已有的数据集合自动构建一个模型，并利用这个模型来预测未知的数据。
数学建模中的变量选择方法
数学建模是一种将实际问题抽象为数学模型，并通过数学方法对其进行分析和求解的过程。在数学建模中，变量的选择是至关重要的一步，它直接影响到模型的准确性和可靠性。本文将介绍一些常用的变量选择方法，帮助读者更好地进行数学建模。
一、相关性分析法
相关性分析法是一种常用的变量选择方法，它通过计算变量之间的相关系数来衡量它们之间的相关性。相关系数的取值范围为-1到1，接近1表示正相关，接近-1表示负相关，接近0表示无相关。在相关性分析中，我们通常选择与目标变量具有较高相关系数的变量作为模型的输入变量。
然而，相关性分析法也存在一些局限性。首先，相关系数只能衡量线性相关性，无法反映非线性关系。其次，相关性分析无法处理多个变量之间的复杂关系。因此，在实际应用中，我们需要结合其他方法来进行变量选择。
二、主成分分析法
主成分分析法是一种常用的降维技术，它通过线性变换将原始变量转化为一组新的无关变量，称为主成分。主成分分析的基本思想是保留原始变量中包含的大部分信息，同时丢弃冗余的信息。
主成分分析法的步骤如下：首先，计算原始变量之间的协方差矩阵；然后，对协方差矩阵进行特征值分解，得到特征值和特征向量；最后，选择前几个特征值较大的特征向量作为主成分。
主成分分析法具有以下优点：首先，它可以处理多个变量之间的复杂关系，不受线性关系的限制；其次，主成分分析可以降低维度，减少模型的复杂度，提高计算效率。 三、信息增益法
信息增益法是一种基于信息论的变量选择方法，它通过计算变量对目标变量的信息增益来衡量其重要性。信息增益的计算基于熵的概念，熵越大表示不确定性越高，信息增益越大表示变量对目标变量的解释能力越强。
信息增益法的步骤如下：首先，计算目标变量的熵；然后，计算每个变量对目标变量的条件熵；最后，计算每个变量的信息增益，并选择信息增益较大的变量作为模型的输入变量。
信息增益法的优点是能够处理离散型变量和连续型变量，并且不受线性关系的限制。然而，信息增益法对于高维数据的处理较为困难，需要进行特征选择或降维处理。
实 验 报 告（二）
课程名称 数学实验与数学建模
实验项目 用matlab进行数据统计分析与回归分析
实验环境 PC机、MATLAB
题 号 2
班级/姓名/学号
指导教师
实验日期
成 绩
实验二 利用Matlab进行数据统计分析与回归分析
班级： 姓名： 学号：
一、实验目的：掌握利用软件Matlab进行回归分析和分布的拟合检验。
二、实验内容：利用Matlab软件进行线性回归、多项式回归及非线性回归，具体包括回归方程中参数的估计，预测值的计算，画残差图等。并且掌握利用软件找出数据符合的概率分布。
三、实验题目：
1、混凝土的抗压强度随养护时间的延长而增加，现将一批混凝土做成12个试块，记录了养护日期x（ 日）及抗压强度y(kg/m2)的数据。
养护时间（s） 2 3 4 5 7 9 12 14 17 21 28 56
抗压强度y 35 42 47 53 59 65 68 73 76 82 86 99
求：lnyabx型回归方程。
plot(x,y,'k+',x,z,'r')
2、电影院调查广告费用和报纸广告费用对每周收入的影响，得到下面的数据，建立回归模型并进行检验，诊断是否有异常点。
每周收入 96 90 95 92 95 95 94 94
