2024年高教杯国赛(B题)数学建模竞赛解题思路|完整代码论文集合

我是Tina表姐,毕业于中国人民大学,对数学建模的热爱让我在这一领域深耕多年。我的建模思路已经帮助了百余位学习者和参赛者在数学建模的道路上取得了显著的进步和成就。现在,我将这份宝贵的经验和知识凝练成一份全面的解题思路与代码论文集合,专为本次赛题设计,旨在帮助您深入理解数学建模的每一个环节。

本次国赛b题可以做如下考虑

本次国赛(五题)完整内容均可以在文章末尾领取!

问题 1思路如下:针对供应商声称零配件次品率不超过标称值,设计检测次数尽可能少的抽样检测方案。

建模过程

我们需要设计一个抽样检测方案,用最少的检测次数来决定是否接收一批零配件。

1. 假设检验

我们使用二项检验来进行假设检验。

  • 假设:

  • H_0 : 次品率 p \leq 0.10

  • H_1 : 次品率 p > 0.10

2. 样本大小与临界值

使用正态近似或查找二项分布表来确定样本大小 n 和临界值 c ,以满足信度要求。

3. 两种情形

  • (1) 95%信度下拒收:

  • 计算所需样本大小 n_1 。

  • 设置拒收临界值 c_1 使假阳性率 \alpha = 0.05 。

  • (2) 90%信度下接收:

  • 计算所需样本大小 n_2 。

  • 设置接收临界值 c_2 使假阴性率 \beta = 0.10 。

数学公式

样本大小计算

使用正态近似的样本大小公式:

n=(Zαp0(1−p0)+Zβp1(1−p1)p1−p0)2

其中: - p_0 = 0.10 为标称次品率。 - p_1 为实际次品率假设。 - Z_{\alpha} 和 Z_{\beta} 为标准正态分布的临界值。

添加图片注释,不超过 140 字(可选)

临界值计算

根据二项分布计算临界值:

目标信度P(X≤c)≈目标信度

说明

  • 样本大小 n :通过公式计算得到的样本大小,确保在指定信度下做出正确决定。

  • 临界值 c :用于判断是否接收或拒收,基于统计检验的结果。

  • scipy.stats:用于计算正态和二项分布的相关值。

添加图片注释,不超过 140 字(可选)

以上方案通过合理的统计方法,设计出有效的抽样检测策略。设零件次品率为 $p$,检测次数为 $n$,则根据二项分布的概率公式,可以得到:

(1)在 95% 信度下,检测出的零件次品数不超过 1 个的概率为:

(2)在 90% 信度下,检测出的零件次品数不超过 0 个的概率为:

根据上述公式,可以得到:

(1)在 95% 信度下,检测出的零件次品数不超过 1 个的概率大于等于 0.95,即:

(2)在 90% 信度下,检测出的零件次品数不超过 0 个的概率大于等于 0.9,即:

综上所述,可以得到抽样检测方案为:在 95% 信度下,检测出的零件次品数不超过 1 个的概率大于等于 0.95,即 $C_n^0 p^0 (1-p)^n + C_n^1 p^1 (1-p)^{n-1} \geq 0.95$;在 90% 信度下,检测出的零件次品数不超过 0 个的概率大于等于 0.9,即 $C_n^0 p^0 (1-p)^n \geq 0.9$。

 
 

import numpy as np def sampling_test(n, p, a, B): """ n: 抽样次数 p: 次品率 a: 检测费用 B: 信度 """ # 计算每次检测的成本 cost = n * a # 计算不合格的概率 P = 0 for i in range(n+1): P += np.math.factorial(n) / (np.math.factorial(i) * np.math.factorial(n-i)) * p**i * (1-p)**(n-i) # 判断是否拒收 if P > (1-B): print('拒收,需要检测次数:', n, ',检测成本:', cost) else: sampling_test(n+1, p, a, B) # 测试 sampling_test(1, 0.1, 2, 0.95) sampling_test(1, 0.1, 2, 0.9)

问题 2是关于企业生产过程中的决策问题,根据两种零配件和成品的次品率,决定是否对零配件和成品进行检测,以及对不合格成品是否进行拆解和退回等决策。

问题的输入与输出:

输入:两种零配件的次品率、单价和检测成本,成品的次品率、装配成本、检测成本、市场售价、调换损失和拆解费用。

输出:对零配件和成品的检测决策,对不合格成品的拆解和退回决策,以及最小的生产成本。

  1. 假设:

(1)假设企业购买的零配件和成品的次品率是可靠的,可以通过抽样检测方法得到。

(2)假设零配件和成品的次品率是相互独立的。

(3)假设企业的生产过程中,只会出现两种零配件和一个成品的次品率,不会出现其他情况。

(4)假设企业的生产过程中,只会发生一次抽样检测,不会进行多次抽样检测。

  1. 符号说明:

(1)设零配件 1 的次品率为 $p_1$,零配件 2 的次品率为 $p_2$,成品的次品率为 $p_c$。

(2)设零配件 1 的单价为 $c_1$,零配件 2 的单价为 $c_2$,成品的单价为 $s$。

(3)设零配件 1 的检测成本为 $d_1$,零配件 2 的检测成本为 $d_2$,成品的检测成本为 $d_c$。

(4)设零配件 1 的拆解费用为 $f_1$,零配件 2 的拆解费用为 $f_2$。

(5)设不合格成品的调换损失为 $l$。

  1. 决策变量:

(1)设 为对零配件 1 进行检测的决策变量,当 时,表示对零配件 1 进行检测,当 时,表示不对零配件 1 进行检测。

(2)设 为对零配件 2 进行检测的决策变量,当 时,表示对零配件 2 进行检测,当 时,表示不对零配件 2 进行检测。

(3)设 为对成品进行检测的决策变量,当 时,表示对成品进行检测,当 时,表示不对成品进行检测。

(4)设 为对不合格成品进行拆解的决策变量,当 时,表示对不合格成品进行拆解,当 时,表示不对不合格成品进行拆解。

添加图片注释,不超过 140 字(可选)

添加图片注释,不超过 140 字(可选)

问题 2的决策方案如下:

  1. 对零配件(零配件 1 和/或零配件 2)进行检测的决策:

设零配件 1 的次品率为$p_1$,零配件 2 的次品率为$p_2$,检测零配件 1 的成本为$c_1$,检测零配件 2 的成本为$c_2$,零配件 1 的购买单价为$a_1$,零配件 2 的购买单价为$a_2$,则对零配件进行检测的总成本为: 若检测出不合格零配件,则丢弃该零配件,总成本增加$c_1$或$c_2$;若检测出合格零配件,则总成本不变。因此,对零配件进行检测的决策可以表示为: 其中,$D_{test}=1$表示对零配件进行检测,$D_{test}=0$表示不对零配件进行检测。

  1. 对装配好的每一件成品进行检测的决策:

设成品的次品率为$p_3$,检测成品的成本为$c_3$,装配成品的成本为$a_3$,则对成品进行检测的总成本为: 若检测出不合格成品,则丢弃该成品,总成本增加$c_3$;若检测出合格成品,则总成本不变。因此,对成品进行检测的决策可以表示为: 其中,$D_{test}^{'}=1$表示对成品进行检测,$D_{test}^{'}=0$表示不对成品进行检测。

  1. 对检测出的不合格成品进行拆解的决策:

设拆解费用为$c_4$,则对不合格成品进行拆解的总成本为: 因此,对不合格成品进行拆解的决策可以表示为: 其中,$D_{disassemble}=1$表示对不合格成品进行拆解,$D_{disassemble}=0$表示不对不合格成品进行拆解。

  1. 对用户购买的不合格品进行调换的决策:

设调换损失为$c_5$,则对用户购买的不合格品进行调换的总成本为: 因此,对用户购买的不合格品进行调换的决策可以表示为: 其中,$D_{exchange}=1$表示对用户购买的不合格品进行调换,

由于篇幅过长

更多内容具体可以看看我的下方名片!
里面包含有本次竞赛一手资料与分析!
另外在赛中,我们也会陪大家一起解析建模比赛
记得关注Tina表姐哦~

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/web/52080.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

C#基础(2)枚举

前言 我们其实在前面已经了解过枚举到底有什么作用,但是那毕竟是概念性的语言,理解起来很抽象,今天我们会具体来讲一讲枚举,并谈一谈它的应用。 希望你能从今天的C#基础中有所收获。 基本概念 1.枚举:是一个比较特…

基于物联网的低成本便携式传感器节点用于火灾和空气污染的检测与报警

目录 摘要 引言 材料和方法 传感器节点 IoT 微控制器 颗粒物传感器 环境和气体传感器 MQTT代理 Node-Red监控平台 系统结构 数据存储 工作描述 实验结果 讨论 结论 致谢 参考文献 这篇论文的标题是《Low-cost IoT-based Portable Sensor Node for Fire and Air…

数据要素大市场打开新局面——数字经济背景下中国特色的数据产权三权分置

前言 数字经济飞速发展的大背景下,无论是数据要素大市场还是数据资产入表的发展和落地,都需要以数据产权基本制度为保障。对数据产权给与恰当的权利定位,有助于让数据成为创造和捕获价值的新经济资源。数据的价值在于使用,而传统…

链表leetcode-1

目录 1.常用技巧 1.1引入虚拟头结点 1.2对于变量,不要太吝啬,可以多定义,方便处理 1.3快慢双指针 2.例题 2.1两数相加 2.2两两交换链表中的节点 2.3重排链表 2.4合并K个升序链表 2.5K个一组翻转链表 1.常用技巧 1.1引入虚拟头结点 可…

【HTTP、Web常用协议等等】前端八股文面试题

HTTP、Web常用协议等等 更新日志 2024年9月5日 —— 什么情况下会导致浏览器内存泄漏? 文章目录 HTTP、Web常用协议等等更新日志1. 网络请求的状态码有哪些?1)1xx 信息性状态码2)2xx 成功状态码3)3xx 重定向状态码4&…

场景是人工智能第四要素,是垂直领域人工智能的第一要素。

"场景是人工智能的第四要素,与数据、算力、算法同等重要。"拿着技术找场景,还是拿着场景找技术?这个锤子和钉子的问题,一直困扰着各家AI大厂。从近5年的实践来看,拿着场景找技术是更为稳健的,否则…

哪款宠物空气净化器能更好的清理浮毛?希喂、352、IAM测评分享

家里这三只可爱的小猫咪,已然成为了我们生活中不可或缺的家庭成员,陪伴我们度过了说长不长说短不短的五年时光。时常庆幸自己当年选择养它们,在我失落的时候总能给我安慰,治愈我多时。 但这个温馨的背后也有一点小烦恼&#xff0…

ES6语法详解

以下是ES6常用的一些语法和特性: 声明变量的关键字变化:使用let和const、var来声明变量。 箭头函数:使用箭头(>)定义函数,简化函数的写法。 模板字符串:使用反引号(&#xff0…

Numpy中zeros、ones、empty的用法

目录 numpy基础介绍实例分析及结论 numpy基础介绍 Numpy 补充了Python语言所欠缺的数值计算能力,是其它数据分析及机器学习库的底层库。因其完全标准C语言实现,运行效率充分优化。最重要一点是开源免费。numpy的核心是矩阵(即多维数组)。 实…

【java入门】关键字、标识符与变量初识

🚀 个人简介:某大型国企资深软件开发工程师,信息系统项目管理师、CSDN优质创作者、阿里云专家博主,华为云云享专家,分享前端后端相关技术与工作常见问题~ 💟 作 者:码喽的自我修养&#x1f9…

Android 14(API 级别 34)中,DexClassLoader 不再支持可写 dex/jar 文件

Android 14(API 级别 34)中,DexClassLoader 不再支持从可写文件加载 dex/jar 文件。这意味着从Android 14开始,你不能再使用 DexClassLoader 来动态加载位于内部存储中的dex/jar文件,除非这些文件被设置为只读。 解决…

Python统计FreeMind测试用例数量

1.编写背景 由于最近编写迭代测试报告时发现缺少测试用例数量的统计,为了更好地分析迭代测试质量,需统计测试用例与bug的数量占比,故编写此脚本用于统计测试用例的数量(现测试用例编写工具为飞书思维导图,其导出格式为freemind) …

Docker Elasticsearch安装ik分词插件教程

本章教程在通过Docker 安装Elasticsearch,并安装ik分词插件。本文的重点是安装ik分词插件。 一、安装Elasticsearch 安装教程以前写过,参考:https://blog.csdn.net/qq_19309473/article/details/140725121 安装之后,通过http://ip:9200,可以访问,就表示安装成功。 二、安装…

c++学习笔记(5)

151、模板类的示例-栈 示例&#xff1a; #include <iostream> // 包含头文件。 using namespace std; // 指定缺省的命名空间。 // typedef string DataType; // 定义栈元素的数据类型。 template <class DataType> class Stack // 栈类 { private: DataType* item…

Linux终端简单配置(Vim、oh-my-zsh和Terminator)

文章目录 0. 概述1. 完整Vim配置2. Vim配置方案解释2.1 状态行与配色方案2.2 文件管理与缓存设置2.3 搜索与导航优化2.4 缩进与格式化设置2.5 粘贴模式快捷切换2.6 文件编码与格式2.7 性能优化 3. 安装 Oh My Zsh 及配置3.1 安装 Oh My Zsh3.2 Oh My Zsh 配置 3. Terminator终端…

vscode +STM32 VS CODE EXTENSION

stm32 vs code extersion 1.0.0版本可以直接导入cubeide的工程&#xff0c;之后版本不可以&#xff0c;所以为了省事&#xff0c;使用stm32 vs code extersion 1.0.0插件。 安装完stm32 vs code extersion插件&#xff0c;会默认把相关插件一起安装。但是需要手动安装Ninja&am…

交叉编译概念

交叉编译概念 目录 交叉编译概念1. 什么是交叉编译2. 交叉编译的作用3. 交叉编译器4. 交叉编译工具链5. 交叉编译的一般步骤6. 交叉编译实例 1. 什么是交叉编译 交叉编译是指在一个平台上编译代码&#xff0c;使其能够在另一个不同的平台上运行的过程。这种编译方式通常用于开…

Android12——Launcher3文件夹布局修改调整

文章声明&#xff1a;本文是笔者参考良心大佬作品后结合实际需求进行相应的定制&#xff0c;本篇主要是笔者记录一次解析bug笔记&#xff0c;文中可能会引用大佬文章中的部分图片在此声明&#xff0c;并非盈利目的&#xff0c;如涉嫌侵权请私信&#xff0c;谢谢&#xff01; 大…

果蔬识别系统性能优化之路

目录 一级目录二级目录三级目录 前情提要当前问题 优化方案1. 内存化2. 原生化3. 接口化 行动实现结语 一级目录 二级目录 三级目录 前情提要 超详细前端AI蔬菜水果生鲜识别应用优化之路 当前问题 indexddb在webview中确实性能有限&#xff0c;存储量上来后每次读取数据…

【机器学习】交通勘测

交通勘测 交通勘测中的关键应用场景 交通勘测中常用的数据来源 交通勘测中的挑战 结论 &#x1f388;边走、边悟&#x1f388;迟早会好 机器学习在交通勘测中的应用非常广泛&#xff0c;可以用于交通流量预测、事故检测、车辆分类、道路拥堵管理等多个方面。通过结合传感…