数学建模微分方程模型

实验二： 微分方程模型Matlab 求解与分析一、实验目的[1] 掌握解析、数值解法，并学会用图形观察解的形态和进行解的定性分析； [2] 熟悉MATLAB 软件关于微分方程求解的各种命令；[3] 通过范例学习建立微分方程方面的数学模型以及求解全过程； [4] 熟悉离散 Logistic 模型的求解与混沌的产生过程。

二、实验原理1. 微分方程模型与MATLAB 求解解析解用MATLAB 命令dsolve(‘eqn1’,’eqn2’, ...) 求常微分方程（组）的解析解。

其中‘eqni'表示第i 个微分方程，Dny 表示y 的n 阶导数,默认的自变量为t 。

（1） 微分方程 例1 求解一阶微分方程 21y dxdy+= (1) 求通解 输入：dsolve('Dy=1+y^2')输出：ans =tan(t+C1)（2）求特解 输入：dsolve('Dy=1+y^2','y(0)=1','x')指定初值为1，自变量为x 输出：ans =tan(x+1/4*pi)例2 求解二阶微分方程 221()04(/2)2(/2)2/x y xy x y y y πππ'''++-=='=-原方程两边都除以2x ，得211(1)04y y y x x'''++-= 输入:dsolve('D2y+(1/x)*Dy+(1-1/4/x^2)*y=0','y(pi/2)=2,Dy(pi/2)=-2/pi','x')ans =- (exp(x*i)*(pi/2)^(1/2)*i)/x^(1/2) +(exp(x*i)*exp(-x*2*i)*(pi/2)^(3/2)*2*i)/(pi*x^(1/2))试试能不用用simplify 函数化简 输入: simplify(ans)ans =2^(1/2)*pi^(1/2)/x^(1/2)*sin(x) （2）微分方程组例3 求解 d f /d x =3f +4g ; d g /d x =-4f +3g 。

四类基本模型1 优化模型1.1 数学规划模型线性规划、整数线性规划、非线性规划、多目标规划、动态规划。

1.2 微分方程组模型阻滞增长模型、SARS 传播模型。

1.3 图论与网络优化问题最短路径问题、网络最大流问题、最小费用最大流问题、最小生成树问题(MST)、旅行商问题(TSP)、图的着色问题。

1.4 概率模型决策模型、随机存储模型、随机人口模型、报童问题、Markov 链模型。

1.5 组合优化经典问题● 多维背包问题(MKP)背包问题：n 个物品，对物品i ，体积为i w ，背包容量为W 。

如何将尽可能多的物品装入背包。

多维背包问题：n 个物品，对物品i ，价值为i p ，体积为i w ，背包容量为W 。

如何选取物品装入背包，是背包中物品的总价值最大。

多维背包问题在实际中的应用有：资源分配、货物装载和存储分配等问题。

该问题属于NP 难问题。

● 二维指派问题(QAP)工作指派问题：n 个工作可以由n 个工人分别完成。

工人i 完成工作j 的时间为ij d 。

如何安排使总工作时间最小。

二维指派问题（常以机器布局问题为例）：n 台机器要布置在n 个地方，机器i 与k 之间的物流量为ik f ，位置j 与l 之间的距离为jl d ，如何布置使费用最小。

二维指派问题在实际中的应用有：校园建筑物的布局、医院科室的安排、成组技术中加工中心的组成问题等。

● 旅行商问题(TSP)旅行商问题：有n 个城市，城市i 与j 之间的距离为ij d ，找一条经过n 个城市的巡回（每个城市经过且只经过一次，最后回到出发点），使得总路程最小。

● 车辆路径问题(VRP)车辆路径问题（也称车辆计划）：已知n 个客户的位置坐标和货物需求，在可供使用车辆数量及运载能力条件的约束下，每辆车都从起点出发，完成若干客户点的运送任务后再回到起点，要求以最少的车辆数、最小的车辆总行程完成货物的派送任务。

TSP 问题是VRP 问题的特例。

● 车间作业调度问题(JSP)车间调度问题：存在j 个工作和m 台机器，每个工作由一系列操作组成，操作的执行次序遵循严格的串行顺序，在特定的时间每个操作需要一台特定的机器完成，每台机器在同一时刻不能同时完成不同的工作，同一时刻同一工作的各个操作不能并发执行。

常微分方程数学建模案例分析常微分方程是运用微积分中的概念与理论研究变化率的方程。

它是数学建模中常用的方法之一，可用于描述各种实际问题，如经济增长、生物扩散、化学反应等。

本文将通过一个关于人群传染病的数学建模案例，分析常微分方程在实际问题中的应用。

假设地有一种传染病，病毒的传播速度与感染者的接触频率有关。

现在我们要研究传染病的传播速度以及控制措施对传染病传播的影响。

为此，我们可以建立如下的数学模型：设N(t)表示时间t时刻的总人口数，而I(t)表示感染者的人口数，S(t)表示易感者的人口数。

根据该模型，易感者的人数随时间的变化率可表示为：dS/dt = -βSI其中，β表示感染率，即感染者每接触到一个易感者，会使其发病的概率。

感染者的人数随时间的变化率可表示为：dI/dt = βSI - γI其中，γ表示恢复率，即感染者每天被治愈的人数。

总人口数随时间的变化率可以通过易感者和感染者的变化率求和得到：dN/dt = dS/dt + dI/dt通过对该方程进行求解，我们可以得到感染者和易感者的人数随时间变化的解析解。

进一步，我们可以通过调节β和γ来研究不同的传播速度和控制措施对传染病传播的影响。

例如，如果β较大，表示感染率较高，此时传染速度会加快，可能导致传染病扩散的速度加快。

反之，如果β较小，表示感染率较低，传染病传播的速度会减慢。

另外，如果γ较大，表示恢复率较高，此时感染者的人数会快速减少，传染病传播的速度会减慢。

相反，如果γ较小，传染病传播的速度会加快。

通过对这些参数的调节，我们可以研究不同的控制措施对传染病传播的影响。

例如，我们可以通过降低感染率β或增加恢复率γ来减缓传染病传播的速度，从而控制疫情的爆发。

在实际应用中，常微分方程数学建模方法可以用于预测传染病的传播趋势，评估各种干预措施的效果。

此外，还可以通过引入更多的变量和参数，建立更复杂的模型，以更好地解释实际问题。

总之，常微分方程是数学建模中常用的方法之一，可以用于描述各种实际问题，如传染病的传播、经济增长等。

数学建模微分方程模型在数学建模的旅程中，微分方程模型扮演了至关重要的角色。

它们在描述和解决各种实际问题中，从物理学到社会科学，都起到了关键的作用。

在本章中，我们将探讨微分方程模型的基本概念、类型和应用。

微分方程是一种方程，它包含未知函数的导数。

这种方程在描述变化率时非常有用，例如，描述物体的速度或加速度。

在形式上，微分方程可以表示为 y'(x) = f(x, y)，其中 y'表示 y的导数，f是一个给定的函数。

根据方程的特点，微分方程可以划分为多种类型，如线性微分方程、非线性微分方程、常微分方程、偏微分方程等。

每种类型的方程都有其特定的求解方法和应用领域。

微分方程在众多领域中都有应用，如物理学、工程学、经济学等。

例如，牛顿第二定律就是一个微分方程，它描述了物体的加速度如何由作用力决定。

人口增长模型、传染病模型等也都依赖于微分方程。

建立微分方程模型通常需要以下步骤：确定模型的目标和变量；然后，根据问题背景和物理规律建立数学模型；通过数值计算或解析解法得出结果。

求解微分方程的方法主要有两种：数值方法和解析方法。

数值方法是通过计算机程序或软件进行数值计算得到近似解，而解析方法是通过求解方程得到精确解。

对于某些类型的微分方程，可能需要结合使用这两种方法。

建立微分方程模型后，我们需要对模型进行评估和检验，以确保其有效性和准确性。

这通常包括对模型的假设进行检验、对模型的预测结果进行验证以及对模型的参数进行估计和调整等。

随着科学技术的发展，微分方程模型的应用前景越来越广阔。

例如，在生物学中，微分方程被用来描述疾病的传播动态；在经济学中，微分方程被用来分析市场供需关系的变化；在工程学中，微分方程被用来模拟复杂系统的行为等。

未来，随着大数据和人工智能等技术的发展，微分方程模型将在更多领域得到应用和发展。

微分方程模型是数学建模中一个极其重要的部分。

通过学习和掌握微分方程的基本概念、类型、应用以及求解方法等，我们可以更好地理解和解决现实生活中的各种问题。

常微分方程在数学建模中的应用这里介绍几个典型的用微分方程建立数学模型的例子. 一、人口预测模型由于资源的有限性,当今世界各国都注意有计划地控制人口的增长,为了得到人口预测模型,必须首先搞清影响人口增长的因素,而影响人口增长的因素很多,如人口的自然出生率、人口的自然死亡率、人口的迁移、自然灾害、战争等诸多因素,如果一开始就把所有因素都考虑进去，则无从下手.因此,先把问题简化,建立比较粗糙的模型,再逐步修改,得到较完善的模型.例1（ 马尔萨斯 （Malthus ） 模型） 英国人口统计学家马尔萨斯（1766—1834）在担任牧师期间,查看了教堂100多年人口出生统计资料,发现人口出生率是一个常数,于1789年在《人口原理》一书中提出了闻名于世的马尔萨斯人口模型,他的基本假设是：在人口自然增长过程中,净相对增长（出生率与死亡率之差）是常数,即单位时间内人口的增长量与人口成正比,比例系数设为r ,在此假设下,推导并求解人口随时间变化的数学模型.解 设时刻t 的人口为)(t N ,把)(t N 当作连续、可微函数处理（因人口总数很大,可近似地这样处理,此乃离散变量连续化处理）,据马尔萨斯的假设,在t 到t t ∆+时间段内,人口的增长量为t t rN t N t t N ∆=-∆+)()()(,并设0t t =时刻的人口为0N ,于是|⎪⎩⎪⎨⎧==．，00)(d d N t N rN t N这就是马尔萨斯人口模型,用分离变量法易求出其解为)(00e )(t t r N t N -=,此式表明人口以指数规律随时间无限增长.模型检验：据估计1961年地球上的人口总数为91006.3⨯,而在以后7年中,人口总数以每年2%的速度增长,这样19610=t ,901006.3⨯=N ,02.0=r ,于是)1961(02.09e1006.3)(-⨯=t t N .这个公式非常准确地反映了在1700—1961年间世界人口总数.因为,这期间地球上的人口大约每35年翻一番,而上式断定年增加一倍（请读者证明这一点）．但是,后来人们以美国人口为例,用马尔萨斯模型计算结果与人口资料比较,却发现有很大的差异,尤其是在用此模型预测较遥远的未来地球人口总数时,发现更令人不可思议的问题,如按此模型计算,到2670年,地球上将有36 000亿人口.如果地球表面全是陆地（事实上,地球表面还有80%被水覆盖）,我们也只得互相踩着肩膀站成两层了,这是非常荒谬的,因此,这一模型应该修改.;例2（逻辑Logistic 模型） 马尔萨斯模型为什么不能预测未来的人口呢这主要是地球上的各种资源只能供一定数量的人生活,随着人口的增加,自然资源环境条件等因素对人口增长的限制作用越来越显著,如果当人口较少时,人口的自然增长率可以看作常数的话,那么当人口增加到一定数量以后,这个增长率就要随人口的增加而减小.因此,应对马尔萨斯模型中关于净增长率为常数的假设进行修改.1838年,荷兰生物数学家韦尔侯斯特(Verhulst)引入常数m N ,用来表示自然环境条件所能容许的最大人口数（一般说来,一个国家工业化程度越高,它的生活空间就越大,食物就越多,从而m N 就越大）,并假设将增长率等于⎪⎪⎭⎫⎝⎛-m N t N r )(1,即净增长率随着)(t N 的增加而减小,当m N t N →)(时,净增长率趋于零,按此假定建立人口预测模型.解 由韦尔侯斯特假定,马尔萨斯模型应改为⎪⎩⎪⎨⎧=⎪⎪⎭⎫⎝⎛-=，，000)(1d d N t N N N N r t N 上式就是逻辑模型,该方程可分离变量,其解为,)(00e 11)(t t r m mN N N t N --⎪⎪⎭⎫ ⎝⎛-+=.下面,我们对模型作一简要分析.（1）当∞→t ,m N t N →)(,即无论人口的初值如何,人口总数趋向于极限值m N ；@（2）当m N N <<0时,01d d >⎪⎪⎭⎫ ⎝⎛-=N N N r t N m ,这说明)(t N 是时间t 的单调递增函数；（3）由于N N N N N r t N m m ⎪⎪⎭⎫ ⎝⎛-⎪⎪⎭⎫ ⎝⎛-=211d d 222,所以当2m N N <时,0d d 22>t N ,t N d d 单增；当2m N N >时,0d d 22<tN ,t N d d 单减,即人口增长率t Nd d 由增变减,在2m N 处最大,也就是说在人口总数达到极限值一半以前是加速生长期,过这一点后,生长的速率逐渐变小,并且迟早会达到零,这是减速生长期；（4）用该模型检验美国从1790年到1950年的人口,发现模型计算的结果与实际人口在1930年以前都非常吻合,自从1930年以后,误差愈来愈大,一个明显的原因是在20世纪60年代美国的实际人口数已经突破了20世纪初所设的极限人口.由此可见该模型的缺点之一是m N 不易确定,事实上,随着一个国家经济的腾飞,它所拥有的食物就越丰富, m N 的值也就越大；(5）用逻辑模型来预测世界未来人口总数.某生物学家估计,029.0=r ,又当人口总数为91006.3⨯时,人口每年以2%的速率增长,由逻辑模型得⎪⎪⎭⎫⎝⎛-=m N N r t N N 1d d 1, 即 ⎪⎪⎭⎫ ⎝⎛⨯-=m N 91006.31029.002.0, 从而得 91086.9⨯=m N ,即世界人口总数极限值近100亿. ）值得说明的是：人也是一种生物,因此,上面关于人口模型的讨论,原则上也可以用于在自然环境下单一物种生存着的其他生物,如森林中的树木、池塘中的鱼等,逻辑模型有着广泛的应用.二、市场价格模型对于纯粹的市场经济来说,商品市场价格取决于市场供需之间的关系,市场价格能促使商品的供给与需求相等(这样的价格称为(静态)均衡价格).也就是说,如果不考虑商品价格形成的动态过程,那么商品的市场价格应能保证市场的供需平衡,但是,实际的市场价格不会恰好等于均衡价格,而且价格也不会是静态的,应是随时间不断变化的动态过程.例3 试建立描述市场价格形成的动态过程的数学模型解 假设在某一时刻t ,商品的价格为)(t p ,它与该商品的均衡价格间有差别,此时,存在供需差,此供需差促使价格变动.对新的价格,又有新的供需差,如此不断调节,就构成市场价格形成的动态过程,假设价格)(t p 的变化率tpd d 与需求和供给之差成正比,并记),(r p f 为需求函数,)(p g 为供给函数（r 为参数）,于是()()[]⎪⎩⎪⎨⎧=-=，，0)0(,d d p p p g r p f tpα 其中0p 为商品在0=t 时刻的价格,α为正常数.若设b ap r p f +-=),(,d cp p g +=)(,则上式变为—⎪⎩⎪⎨⎧=-++-=，，0)0()()(d d p p d b p c a t pαα ① 其中d c b a ,,,均为正常数,其解为ca db c a d b p t p t c a +-+⎪⎭⎫ ⎝⎛+--=+-)(0e)(α. 下面对所得结果进行讨论:（1）设p 为静态均衡价格 ,则其应满足0)(),(=-p g r p f ,即d p c b p a +=+-,于是得ca db p +-=,从而价格函数)(t p 可写为 。

数学建模实验答案_微分⽅程模型实验07 微分⽅程模型（2学时）（第5章微分⽅程模型）1.（验证）传染病模型2（SI 模型）p136~138传染病模型2（SI 模型）：0(1),(0)dik i i i i dt=-= 其中，i (t )是第t 天病⼈在总⼈数中所占的⽐例。

k 是每个病⼈每天有效接触的平均⼈数（⽇接触率）。

i 0是初始时刻（t =0）病⼈的⽐例。

1.1 画~dii dt曲线图p136~138取k =0.1，画出i dt di ~的曲线图，求i 为何值时dtdi达到最⼤值，并在曲线图上标注。

提⽰：fplot, fminbnd, plot, text, title, xlabel 1）画曲线图⽤fplot 函数，调⽤格式如下： fplot(fun,lims)fun 必须为⼀个M ⽂件的函数名或对变量x 的可执⾏字符串。

若lims取[xmin xmax]，则x轴被限制在此区间上。

若lims取[xmin xmax ymin ymax]，则y轴也被限制。

本题可⽤fplot('0.1*x*(1-x)',[0 1.1 0 0.03]);2）求最⼤值⽤求解边界约束条件下的⾮线性最⼩化函数fminbnd，调⽤格式如下：x=fminbnd('fun',x1,x2)fun必须为⼀个M⽂件的函数名或对变量x的可执⾏字符串。

返回⾃变量x在区间x1本题可⽤x=fminbnd('-0.1*x*(1-x)',0,1)y=0.1*x*(1-x)3）指⽰最⼤值坐标⽤线性绘图函数plot，调⽤格式如下：plot(x1,y1, '颜⾊线型数据点图标', x2,y2, '颜⾊线型数据点图标',…)本题可⽤hold on; %在上⾯的同⼀张图上画线（同坐标系）plot([0,x],[y,y],':',[x,x],[0,y],':');4）图形的标注使⽤⽂本标注函数text，调⽤格式如下：格式1text(x,y,⽂本标识内容, 'HorizontalAlignment', '字符串1')x,y给定标注⽂本在图中添加的位置。

数学模型的分类按模型的数学方法分：几何模型、图论模型、微分方程模型、概率模型、最优控制模型、规划论模型、马氏链模型等按模型的特征分：静态模型和动态模型,确定性模型和随机模型,离散模型和连续性模型,线性模型和非线性模型等按模型的应用领域分：人口模型、交通模型、经济模型、生态模型、资源模型、环境模型等.按建模的目的分：预测模型、优化模型、决策模型、控制模型等一般研究数学建模论文的时候,是按照建模的目的去分类的,并且是算法往往也和建模的目的对应按对模型结构的了解程度分：有白箱模型、灰箱模型、黑箱模型等比赛尽量避免使用,黑箱模型、灰箱模型,以及一些主观性模型.按比赛命题方向分：国赛一般是离散模型和连续模型各一个,2016美赛六个题目离散、连续、运筹学/复杂网络、大数据、环境科学、政策数学建模十大算法1、蒙特卡罗算法该算法又称随机性模拟算法,是通过计算机仿真来解决问题的算法,同时可以通过模拟可以来检验自己模型的正确性,比较好用的算法2、数据拟合、参数估计、插值等数据处理算法比赛中通常会遇到大量的数据需要处理,而处理数据的关键就在于这些算法,通常使用Matlab作为工具3、线性规划、整数规划、多元规划、二次规划等规划类问题建模竞赛大多数问题属于最优化问题,很多时候这些问题可以用数学规划算法来描述,通常使用Lindo、Lingo软件实现4、图论算法这类算法可以分为很多种,包括最短路、网络流、二分图等算法,涉及到图论的问题可以用这些方法解决,需要认真准备5、动态规划、回溯搜索、分治算法、分支定界等计算机算法这些算法是算法设计中比较常用的方法,很多场合可以用到竞赛中6、最优化理论的三大非经典算法：模拟退火法、神经网络、遗传算法这些问题是用来解决一些较困难的最优化问题的算法,对于有些问题非常有帮助,但是算法的实现比较困难,需慎重使用7、网格算法和穷举法当重点讨论模型本身而轻视算法的时候,可以使用这种暴力方案,最好使用一些高级语言作为编程工具8、一些连续离散化方法很多问题都是从实际来的,数据可以是连续的,而计算机只认的是离散的数据,因此将其离散化后进行差分代替微分、求和代替积分等思想是非常重要的9、数值分析算法如果在比赛中采用高级语言进行编程的话,那一些数值分析中常用的算法比如方程组求解、矩阵运算、函数积分等算法就需要额外编写库函数进行调用10、图象处理算法赛题中有一类问题与图形有关,即使与图形无关,论文中也应该要不乏图片的这些图形如何展示,以及如何处理就是需要解决的问题,通常使用Matlab进行处理算法简介1、灰色预测模型必掌握解决预测类型题目.由于属于灰箱模型,一般比赛期间不优先使用.满足两个条件可用：①数据样本点个数少,6-15个②数据呈现指数或曲线的形式2、微分方程预测高大上、备用微分方程预测是方程类模型中最常见的一种算法.近几年比赛都有体现,但其中的要求,不言而喻.学习过程中无法直接找到原始数据之间的关系,但可以找到原始数据变化速度之间的关系,通过公式推导转化为原始数据的关系.3、回归分析预测必掌握求一个因变量与若干自变量之间的关系,若自变量变化后,求因变量如何变化；样本点的个数有要求：①自变量之间协方差比较小,最好趋近于0,自变量间的相关性小；②样本点的个数n＞3k+1,k为自变量的个数；③因变量要符合正态分布4、马尔科夫预测备用类似的名词有,马尔科夫链、马尔科夫模型、,马氏链模型等一个序列之间没有信息的传递,前后没联系,数据与数据之间随机性强,相互不影响；今天的温度与昨天、后天没有直接联系,预测后天温度高、中、低的概率,只能得到概率.思考马尔科夫和元胞自动机之间的关系5、时间序列预测必掌握与马尔科夫链预测互补,至少有2个点需要信息的传递,ARMA模型,周期模型,季节模型等6、小波分析预测高大上数据无规律,海量数据,将波进行分离,分离出周期数据、规律性数据；可以做时间序列做不出的数据,应用范围比较广7、神经网络预测备用大量的数据,不需要模型,只需要输入和输出,黑箱处理,建议作为检验的办法8、混沌序列预测高大上比较难掌握,数学功底要求高9、插值与拟合必掌握拟合以及插值还有逼近是数值分析的三大基础工具,通俗意义上它们的区别在于:拟合是已知点列,从整体上靠近它们;插值是已知点列并且完全经过点列;逼近是已知曲线,或者点列,通过逼近使得构造的函数无限靠近它们.10、灰色关联分析法必掌握与灰色预测模型一样,比赛不能优先使用11、模糊综合评判备用评价一个对象优、良、中、差等层次评价,评价一个学校等,不能排序12、主成分分析必掌握评价多个对象的水平并排序,指标间关联性很强13、层次分析法AHP必掌握作决策,去哪旅游,通过指标,综合考虑作决策14、数据包络DEA分析法备用优化问题,对各省发展状况进行评判15、秩和比综合评价法高大上评价各个对象并排序,指标间关联性不强16、优劣解距离法TOPSIS法备用17、投影寻踪综合评价法高大上揉和多种算法,比如遗传算法、最优化理论等18、方差分析、协方差分析等备用方差分析：看几类数据之间有无差异,差异性影响,例如：元素对麦子的产量有无影响,差异量的多少；1992年,作物生长的施肥效果问题协方差分析：有几个因素,我们只考虑一个因素对问题的影响,忽略其他因素,但注意初始数据的量纲及初始情况.2006年,艾滋病疗法的评价及预测问题21、线性规划、整数规划、0-1规划必掌握有约束,确定的目标比较简单,必须掌握22、非线性规划与智能优化算法智能算法至少掌握1-2个,其他的了解即可非线性规划包括：无约束问题、约束极值问题智能优化算法包括：模拟退火算法、遗传算法、改进的遗传算法、禁忌搜索算法、神经网络、粒子群等23、多目标规划和目标规划柔性约束,目标含糊,超过备用24、动态规划备用25、复杂网络优化多因素交错复杂备用,编程好的使用要掌握离散数学中经典的知识点——图论.26、排队论与计算机仿真高大上排队论包括、元胞自动机对编程能来要求较高,一般需要证明其机理符合实际情况,不能作为单独使用这也是大部分队伍使用元胞自动机不获奖的最大原因.27、模糊规划范围约束28、灰色规划难29、图像处理备用MATLAB图像处理,针对特定类型的题目,一般和数值分析的算法有联系.例如2013年国赛B 题,2014网络赛B题.30支持向量机31多元分析1、聚类分析必掌握,参考192、主成分分析必掌握3、因子分析必掌握4、判别分析5、典型相关分析6、对应分析7、多维标度法8、偏最小二乘回归分析32、分类与判别主要包括以下几种方法,1、距离聚类系统聚类常用2、关联性聚类常用3、层次聚类4、密度聚类5、其他聚类6、贝叶斯判别统计判别方法7、费舍尔判别训练的样本比较多8、模糊识别分好类的数据点比较少33、关联与因果1、灰色关联分析方法样本点的个数比较少2、Sperman或kendall等级相关分析3、Person相关样本点的个数比较多4、Copula相关比较难,金融数学,概率密度5、典型相关分析因变量组Y1234,自变量组X1234,各自变量组相关性比较强,问哪一个因变量与哪一个自变量关系比较紧密6、标准化回归分析若干自变量,一个因变量,问哪一个自变量与因变量关系比较紧密7、生存分析事件史分析难数据里面有缺失的数据,哪些因素对因变量有影响8、格兰杰因果检验计量经济学,去年的X对今年的Y有没影响。