第12周数学建模作业

第12周数学建模作业

1、考察温度x对产量y的影响，测得下列10组数据：

温度（℃）	20	25	30	35	40	45	50	55	60	65
产量（kg）	13.2	15.1	16.4	17.1	17.9	18.7	19.6	21.2	22.5	24.3

求y关于x的线性回归方程，检验回归效果是否显著，并预测x=42℃时产量的估值.

Matlab代码：

x = [20, 25, 30, 35, 40, 45, 50, 55, 60, 65]; 
y = [13.2, 15.1, 16.4, 17.1, 17.9, 18.7, 19.6, 21.2, 22.5, 24.3];


p = polyfit(x, y, 1);
y_hat = p(1) + p(2)*x;

[r,p] = corrcoef(y, y_hat);
r = r(2,1);
pvalue = p(2,1);

if pvalue < 0.05
    disp('回归效果显著');
else
    disp('回归效果不显著');
end

y_pred = p(1) + p(2)*42;
disp(['当x=42时,预测产量为:', num2str(y_pred), 'kg']);

2、某零件上有一段曲线，为了在程序控制机床上加工这一零件，需要求这段曲线的解析表达式，在曲线横坐标xi处测得纵坐标yi共11对数据如下：

xi	0	2	4	6	8	10	12	14	16	18	20
yi	0.6	2.0	4.4	7.5	11.8	17.1	23.3	31.2	39.6	49.7	61.7

求这段曲线的纵坐标y关于横坐标x的二次多项式回归方程.

Matlab代码：

x = [0, 2, 4, 6, 8, 10, 12, 14, 16, 18, 20];
y = [0.6, 2.0, 4.4, 7.5, 11.8, 17.1, 23.3, 31.2, 39.6, 49.7, 61.7];

p = polyfit(x, y, 2);
y_hat = p(1)*x.^2 + p(2)*x + p(3);

[r,p] = corrcoef(y, y_hat);
r = r(2,1);
pvalue = p(2,1);

if pvalue < 0.05
    disp('回归效果显著');
else
    disp('回归效果不显著');
end

disp(['回归方程为: y = ', num2str(p(1)), '*x^2 + ', num2str(p(2)), '*x + ', num2str(p(3))]);

3、混凝土的抗压强度随养护时间的延长而增加，现将一批混凝土作成12个试块，记录了养护日期x（日）及抗压强度y（kg/cm2）的数据：

养护时间x	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

试用2种方法（转化为线性回归、非线性回归）求型回归方程.

Matlab代码：

x = [2, 3, 4, 5, 7, 9, 12, 14, 17, 21, 28, 56];
y = [35, 42, 47, 53, 59, 65, 68, 73, 76, 82, 86, 99];


x_log = log(x);
p = polyfit(x_log, y, 1);
a = p(1);
b = p(2);

disp(['回归方程为: y = ', num2str(a), ' + ', num2str(b), '*ln(x)']);

x = [2, 3, 4, 5, 7, 9, 12, 14, 17, 21, 28, 56];
y = [35, 42, 47, 53, 59, 65, 68, 73, 76, 82, 86, 99];


fun = @(p,x)p(1) + p(2)*log(x);
p0 = [0, 0];
p = lsqcurvefit(fun, p0, x, y);
a = p(1);
b = p(2);


disp(['回归方程为: y = ', num2str(a), ' + ', num2str(b), '*ln(x)']);

4、

数据详见Excel文件week12test4.xls

假设2030年时，x1=5000，x2=1000，x3=3000，x4=1000。

请完成以下任务：

（1）计算财政收入和其它变量之间的相关系数，建立多元线性回归模型，并给出2030年财政收入的预测值和预测区间；

（2）假设财政收入和其它变量的关系为y=ax1+bx2+cx3+dx4，建立多元非线性回归模型，并给出2030年财政收入的预测值和预测区间。

Matlab代码：

clear;
clc;
data=xlsread('week12test4.xls','Sheet1','B2:F32');
R=corrcoef(data(:,1:5));
R(1,:);
y=data(:,1);
x=data(:,2:5);
X=[ones(length(y),1),x];
[b,bint,r,rint,stats]=regress(y,X);
x0=[1 5000 1000 3000 1000]';
y0=sum(x0.*b)

fun=@(beta,x) beta(1)*x(:,1)+beta(2)*x(:,2)+beta(3)*x(:,3)+beta(4)*x(:,4);
[beta,r,J]=nlinfit(x,y,fun,[1 1 1 1]);
x1=[5000 1000 3000 1000];
y1=sum(x1.*beta)
[y2,delta]=nlpredci(fun,x1,beta,r,J)

3)*x(:,3)+beta(4)*x(:,4);
[beta,r,J]=nlinfit(x,y,fun,[1 1 1 1]);
x1=[5000 1000 3000 1000];
y1=sum(x1.*beta)
[y2,delta]=nlpredci(fun,x1,beta,r,J)