全国大学生数学建模A题 葡萄酒质量评价.docx
- 文档编号:7647547
- 上传时间:2023-01-25
- 格式:DOCX
- 页数:23
- 大小:257.09KB
全国大学生数学建模A题 葡萄酒质量评价.docx
《全国大学生数学建模A题 葡萄酒质量评价.docx》由会员分享,可在线阅读,更多相关《全国大学生数学建模A题 葡萄酒质量评价.docx(23页珍藏版)》请在冰豆网上搜索。
全国大学生数学建模A题葡萄酒质量评价
2012高教社杯全国大学生数学建模竞赛
承诺书
我们仔细阅读了中国大学生数学建模竞赛的竞赛规则.
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)与队外的任何人(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他公开的资料(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,我们将受到严肃处理。
我们授权全国大学生数学建模竞赛组委会,可将我们的论文以任何形式进行公开展示(包括进行网上公示,在书籍、期刊和其他媒体进行正式或非正式发表等)。
我们参赛选择的题号是(从A/B/C/D中选择一项填写):
A
我们的参赛报名号为(如果赛区设置报名号的话):
所属学校(请填写完整的全名):
参赛队员(打印并签名):
1.
2.
3.
指导教师或指导教师组负责人(打印并签名):
日期:
年月日
赛区评阅编号(由赛区组委会评阅前进行编号):
2012高教社杯全国大学生数学建模竞赛
编号专用页
赛区评阅编号(由赛区组委会评阅前进行编号):
赛区评阅记录(可供赛区评阅时使用):
评
阅
人
评
分
备
注
全国统一编号(由赛区组委会送交全国前编号):
全国评阅编号(由全国组委会评阅前进行编号):
统计学在葡萄酒质量评价中的应用
摘要:
随着酿酒业的发展,越来越多不同层次的葡萄酒涌入市场,葡萄酒质量的评价也越发的重要。
对于第一题,在对两组评酒员评价结果进行显著性检验的过程就是假设检验的过程。
为了推断两组品酒员的评价结果是否有显著性差异,需要提出一个没有显著性差异的零假设。
通过对样本的总体特征来判断假设的合理性。
我们用双样本的Kolmogorov-Smirnov检验方法得到两组评价结果是有明显性差异的。
在可信度分析中,通过方差分析,得出第二组的评价结果更合理。
第二题,这是个多对象多指标的分级问题。
所以我们采用综合评价方法,结合评价员对葡萄酒的评分,分别对酿酒葡萄的理化指标和葡萄酒的质量进行评价并分级(为方便数据处理,分为10个等级)。
在设置不同指标间的权重时,我们利用了附录一中品酒员对葡萄酒评价的评分标准。
但是,葡萄的等级高不能说明酿酒葡萄的等级也高,即有些葡萄品质很好,但不适合酿酒;而有些葡萄品质较低,但适合酿酒。
所以我们将葡萄的理化指标等级(即葡萄自身质量)作为横轴,葡萄酒的质量等级作为纵轴做出一个坐标轴,并做出
图象。
然后将葡萄样品
分布在该坐标轴上,在直线上方的点表示较劣质的葡萄酿出较优质的酒,这类葡萄就是优质的酿酒葡萄。
通过这种方法,我们将酿酒葡萄分为“优质葡萄”、“中等葡萄”、“劣质葡萄”三个等级。
第三题中,我们将酿酒葡萄理化指标和葡萄酒的理化指标中都具有的指标拿出来。
然后使用回归分析法对每一个单独的理化指标进行分析,得到回归方程。
通过MATLAB软件检验,判断回归方程是否成立。
第四题中,我们用葡萄等级和葡萄酒等级代替酿酒葡萄和葡萄酒的理化指标。
再将葡萄等级、葡萄酒等级和葡萄酒质量进行拟合,得到二元一次方程。
由拟合方程得到估计葡萄酒质量。
通过对葡萄酒质量的实际值与估计值做显著性检验,得到实际值与估计值之间无显著性差异,即可以用拟合方程得到葡萄酒质量。
所以可以用酿酒葡萄和葡萄酒的理化指标评价葡萄酒的质量。
关键字:
显著性检验综合评价法回归分析法葡萄等级葡萄酒质量
一、问题重述
葡萄酒是许多人都喜欢的饮品,但是大多数人在选购葡萄酒时,都会面临葡萄酒质量好坏的问题。
本题,我们就是要解决能否用一种更加直观,更加简单的方法来量化葡萄酒的质量。
于是,我们要解决下列问题:
1、分析附件1中两组评酒员的评价结果是否有显著性差异,并给出那组结果更可信。
2、通过酿酒葡萄的理化指标和葡萄酒的质量对这些酿酒葡萄进行分级。
3、分析酿酒葡萄与葡萄酒的理化指标之间的关系。
4、分析酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响,并讨论能否用葡萄和葡萄酒的理化指标来评价葡萄酒的质量。
二、问题分析
确定葡萄酒质量的一般方法是通过评酒员的品评。
但是葡萄酒以及酿酒葡萄中是有很多量化的理化指标的,所以我们研究能不能建立一种新的方法即通过这些理化指标就可以得到葡萄酒的质量。
这样就可以简化对葡萄酒质量评定,而且更加准确,易行。
葡萄酒的主要影响指标通常是外观、气味和口感。
外观和酿酒所用的葡萄品种是有着直接的关系的,当然还有制作工艺等等。
气味主要来源去酒中的各种芳香物质,像乙酸乙酯、己酸乙酯和乙醇等。
口感的影响因素比较多,有糖、酸、单宁、可溶性固形物和固酸比等等。
在对各个问题进行分析时,必须抓住问题重点,对这些指标加以区分,有侧重的考虑和使用,才能反映问题特点。
三、模型假设
1、假设评酒员在分成两组时是随机分配的。
2、假设评酒员在进行评酒时有统一的评价标准,除“平衡/整体评价”外,其它评价忽略个人的喜好、感情等主观因素。
只考虑评酒能力。
3、假设通过网络查询的文献资料真实可靠。
4、假设显著性分析时,评酒员的评分是符合正态分布的。
5、假设葡萄酒的质量不考虑制作工艺水平。
四、符号说明
符号
意义
备注
综合评价中的对象
综合评价中的指标
经过一致化处理后的指标
第
种指标的标准差
第
种指标的权重
第
种指标的综合评分
五、模型建立
问题一、
1-1有无显著性差异分析
对于问题一,我们利用MATLAB中双样本Kolmogorov-Smirnov检验方法判断两组评酒员的评价结果是否有显著性差异。
我们将两组人员的评价结果分为白葡萄酒和红葡萄酒两部分分别进行检验。
下面我们以红葡萄酒为例:
我们注意到,每个酒样本的总分都是100分,并分成四个小项目“外观分析”,“香气分析”,“口感分析”,“平衡/整体分析”。
同时在每一组中都有10名评酒员进行评分。
分别将10名评酒员的总分算出,并得到该小组对每个样品的评分的平均值。
将两个小组对红葡萄酒每个样品评分的平均值作为两个样本,提出零假设:
零假设:
样本1和样本2无显著性差异。
由MATLAB得到:
为小概率,表示接受原假设的概率很小,故拒绝零假设,即样本1和样本2有显著性差异。
同理,对白葡萄酒同样由MATLAB得到:
可以看出在对白葡萄酒的评价中,两个小组仍然具有显著性差异。
1-2可信度分析
在可信度问题中,因为两个评价组评价的的样品都是一样的,即红葡萄酒1至27样品,白葡萄酒1至28样品,所以影响可信度的因素是评价员的品酒水平。
一般来说,评价员的水平都较高时,对同一种酒的评价结果是接近的,即方差会较小。
所以,将两个小组对各种葡萄酒评分的的方差算出,并统计为下图。
由上图可以看出,第二组的方差相对第一组较小。
所以,第二组的评价员的整体品酒水平更高一些,即可信度更高。
问题二、
在问题二中,对酿酒葡萄的分级是从两个方面综合评价的,分别是葡萄的理化指标和这种品种的葡萄所酿酒的质量。
首先,通过查阅资料,确定葡萄品质和葡萄酒质量的主要理化指标,由此将葡萄品质及这种葡萄对应葡萄酒进行分级(等级越高,品质越好),为了便于计算,将等级分为十个等级。
然后建立坐标系,将葡萄品质等级作为横轴,葡萄酒等级作为纵轴,将各种葡萄作为一个点反应在该坐标轴上。
而后从经济利润的角度对酿酒葡萄进行分级。
2-1葡萄品质等级划分
针对葡萄理化指标较多的问题,我们采用综合评价法对葡萄品质等级进行划分。
但是即便使用综合评价法,对多达五十多种指标进行评价也是不现实的。
出于时间和模型更加简单易操作考虑,我们通过查阅资料并结合附录一评分标准,只选取其中以下几种最重要的指标,对这几种指标进行评价就可以基本评定葡萄的品质。
评分项目
影响指标
外观15
果皮颜色
香气30
乙酸乙酯
己酸乙酯
口感44
总酸
单宁
可溶性固形物
固酸比
因为对葡萄品质等级评价最终是为了对酿酒葡萄进行分级,而果皮颜色主要影响因素是葡萄皮中的花色苷,所以对外观的影响指标应该用花色苷代替。
以红葡萄为例建立评价模型
(1)、确定被评价对象
该问题中的评价对象即为红葡萄的27种样品,记为
。
(2)、建立评价体系
1 评价指标类型的一致化处理
由于影响葡萄等级的七种指标中可能包含有“极大型指标”,“极小型指标”,“中间型指标”,“区间型指标”。
所以在处理数据前要把各种指标都化成“极大型指标”。
极小型指标:
通过变换
,可以将x极大化。
中间型指标:
通过变换
可以将x极大化(M和m分别是x可能取值的最大值和最小值)。
区间型指标:
通过变换
可以将x极大化(
是x的最佳稳定区间,
,M和m分别是x取值的最大值和最小值)。
2 评价指标的标准化处理
由于评价指标之间存在不同的单位和数量级,所以在数据处理前要进行指标数据的标准化处理。
利用标准差方法,令
得到
的标准观测值。
具体使用MATLAB中的zscore()函数对各评价指标样本进行标准化处理。
(3)、确定各指标的权重
通过参考附件一中品酒员的评分标准,我们确定各评价项目的权重,列为下表:
评分项目
评分标准
权重
外观
15
香气
30
口感
44
所以,各评价指标权重为
评价
指标
花色苷
乙酸
乙酯
己酸
乙酯
总酸
单宁
可溶性固形物
固酸比
权重
(4)、建立模型
我们选用线性加权函数作为评价模型,对27种对象进行综合评价。
第i种红葡萄样品的综合得分为
。
最终得到27种红葡萄样品得分如下表:
样品编号
综合得分
样品编号
综合得分
葡萄样品1
-0.594156223
葡萄样品15
-0.21612179
葡萄样品2
-0.034517073
葡萄样品16
-0.19870602
葡萄样品3
0.382402192
葡萄样品17
0.077067874
葡萄样品4
-0.0503045
葡萄样品18
-0.351996136
葡萄样品5
0.685716801
葡萄样品19
0.651919673
葡萄样品6
-0.062670427
葡萄样品20
-0.442105383
葡萄样品7
-0.063926378
葡萄样品21
0.545201379
葡萄样品8
0.400502647
葡萄样品22
0.389542935
葡萄样品9
0.43985833
葡萄样品23
0.44550505
葡萄样品10
-0.653478903
葡萄样品24
0.376561321
葡萄样品11
-0.631819738
葡萄样品25
-0.666378834
葡萄样品12
-0.502941061
葡萄样品26
-0.50641703
葡萄样品13
0.147925048
葡萄样品27
0.260412798
葡萄样品14
0.172923447
(5)、红葡萄的等级划分
将上表中最大值和最小值之间的数据划分为10个等级,得分越高,等级越高,品质越好。
最终统计为下表:
等级
10级
9级
8级
7级
6级
样品
19
9、21、23
3、8、22、24
13、14、27
17
等级
5级
4级
3级
2级
1级
样品
2、4、6、7
15、16
18
12、20、26
1、10、11、25
同理,白葡萄的综合评分为:
葡萄样品
综合评分
葡萄样品
综合评分
葡萄样品1
-0.139333958
葡萄样品15
-0.528631448
葡萄样品2
0.06751818
葡萄样品16
-0.533273849
葡萄样品3
-0.395686004
葡萄样品17
0.315014756
葡萄样品4
0.494884872
葡萄样品18
0.055582788
葡萄样品5
-0.580841809
葡萄样品19
0.641303506
葡萄样品6
0.789113804
葡萄样品20
-0.451078813
葡萄样品7
0.482173185
葡萄样品21
0.120248229
葡萄样品8
0.149281088
葡萄样品22
0.365608876
葡萄样品9
-0.14177467
葡萄样品23
0.381455986
葡萄样品10
-0.222594614
葡萄样品24
-0.209647948
葡萄样品11
-0.382741111
葡萄样品25
0.062074531
葡萄样品12
-0.152593587
葡萄样品26
0.033876861
葡萄样品13
-0.221329809
葡萄样品27
-0.167797615
葡萄样品14
-0.477509997
葡萄样品28
0.64669857
白葡萄的最终等级划分为:
等级
10级
9级
8级
7级
6级
样品
6
19、28
4、7、23
17、22
8、21
等级
5级
4级
3级
2级
1级
样品
2、18、25、26
1、9、12、27
10、13、24
3、11
5、14、15、
16、20
2-2葡萄酒的等级划分
同样使用综合评价法,对葡萄酒等级进行划分。
通过查阅资料和参看附录一与附录二,选择一下几种评价指标。
红葡萄酒:
评分项目
影响指标
外观15
花色苷
香气30
乙酸乙酯
己酸乙酯
口感44
单宁
权重分别取为
评价
指标
花色苷
乙酸
乙酯
己酸
乙酯
单宁
权重
综合评价得分为
酒样品
综合评分
酒样品
综合评分
酒样品1
-0.369075822
酒样品15
-0.60388582
酒样品2
0.608722688
酒样品16
-0.014676737
酒样品3
-0.438728269
酒样品17
0.954452419
酒样品4
0.675632821
酒样品18
-0.875305774
酒样品5
0.607741893
酒样品19
0.436044421
酒样品6
0.648147262
酒样品20
-0.049509681
酒样品7
-0.83984902
酒样品21
0.797152038
酒样品8
-0.59578418
酒样品22
0.531354784
酒样品9
-0.284343134
酒样品23
0.758311854
酒样品10
-0.102448385
酒样品24
-0.030855662
酒样品11
-1.151671331
酒样品25
-0.367748508
酒样品12
-0.095870935
酒样品26
-0.708597617
酒样品13
0.506527463
酒样品27
-0.016379895
酒样品14
0.020643126
最终红葡萄酒的等级划分为
等级
10级
9级
8级
7级
6级
样品
17、21、23
2、4、5、6
13、19、22
12、14、24、16、20、27
等级
5级
4级
3级
2级
1级
样品
9、10
1、3、25
8、15、26
7、18
11
同理,可以对白葡萄酒进行等级划分。
但是,因为白葡萄酒在酿造过程中去除了葡萄皮,所以花色苷的含量接近于零。
所以,白葡萄酒的评价指标中不含花色苷。
各评价指标权重为
评价
指标
乙酸
乙酯
己酸
乙酯
单宁
权重
综合评分为
酒样品
综合评分
酒样品
综合评分
酒样品1
-0.260636719
酒样品15
1.249656145
酒样品2
-0.498127949
酒样品16
-0.636470853
酒样品3
0.553674911
酒样品17
-0.334784982
酒样品4
0.770327351
酒样品18
-0.845475888
酒样品5
-0.022097031
酒样品19
0.194819986
酒样品6
-0.730349233
酒样品20
1.467106036
酒样品7
-0.791825366
酒样品21
-0.16815625
酒样品8
-0.362899089
酒样品22
0.378643061
酒样品9
0.153347575
酒样品23
-0.75056111
酒样品10
0.850539305
酒样品24
-0.709503116
酒样品11
-0.931999174
酒样品25
-0.284285655
酒样品12
0.790980104
酒样品26
-0.007346044
酒样品13
-0.25104734
酒样品27
1.278439376
酒样品14
-0.546549194
酒样品28
0.444581143
最终白葡萄酒的等级划分为
等级
10级
9级
8级
7级
6级
样品
15、20、27
4、10、12
3
22、28
等级
5级
4级
3级
2级
1级
样品
9、19
5、21、26
18、25、
13、17
2、14、16
6、7、11、
18、23、24
2-3酿酒葡萄的等级划分
得到葡萄品质与葡萄酒质量的等级划分后,以葡萄品质为横轴,葡萄酒质量为纵轴。
得到红葡萄和白葡萄在坐标轴上的分布,同时做一条参考直线
。
以经济利润为酿酒葡萄的分级标准:
在直线上方的点是较为劣质的葡萄却酿出了较为优质的葡萄酒,所以这类葡萄的经济利润大,是比较理想的酿酒葡萄,定为优质酿酒葡萄。
在直线下方的点是较为优质的葡萄却酿出了较为劣质的葡萄酒,所以这类葡萄的经济利润小,甚至可能会入不敷出,定为劣质酿酒葡萄。
刚好在直线上的点定为中等酿酒葡萄。
酿酒葡萄等级
红葡萄样品
优质酿酒葡萄
1、2、4、6、10、12、13、16、17、20、21、23、25、26
劣质酿酒葡萄
3、5、7、8、9、14、15、18、19、24、27
中等酿酒葡萄
11、22
酿酒葡萄等级
白葡萄样品
优质酿酒葡萄
3、5、8、9、10、12、14、15、16、20、27
劣质酿酒葡萄
1、2、6、7、11、17、28、18、19、21、22、23、24、25、26
中等酿酒葡萄
4、13
问题三、
在问题三中,要寻找酿酒葡萄与葡萄酒的理化指标之间的联系。
首先,通过对葡萄酒和酿酒葡萄的各项理化指标对比分析,我们发现了在葡萄酒和酿酒葡萄都存在的理化指标。
然后,对这些理化指标进行回归性分析,得到两者之间的联系。
经过分析,列出两者都具有的理化指标有:
花色苷、单宁、总黄酮、白藜芦醇。
由MATLAB软件得到各个理化指标的回归方程,以及与F值对应的概率p。
(1)红葡萄与红葡萄酒的花色苷分析
回归方程为:
,F值所对应的概率p=0<0.05;
(2)红葡萄与红葡萄酒的单宁分析
回归方程为:
,F值所对应的概率p=0<0.05;
(3)白葡萄与白葡萄酒的单宁分析
回归方程为:
,F值所对应的概率p=0.0014<0.05;
(4)红葡萄与红葡萄酒的总黄酮分析
回归方程为:
,F值所对应的概率p=0<0.05;
(5)白葡萄与白葡萄酒的总黄酮分析
回归方程为:
,F值所对应的概率p=0<0.05;
(6)白藜芦醇分析:
根据对此项指标数据的分析发现F值所对应的p>0.05,说明酿酒葡萄中的白藜芦醇与葡萄酒中的白藜芦醇没有关系;
问题四、
分析酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响。
之前,我们已经将酿酒葡萄和葡萄酒的理化指标量化为葡萄等级和葡萄酒等级。
所以,这题就是分析葡萄等级和葡萄酒等级对葡萄酒质量的影响。
而葡萄酒质量就是评酒员评分的平均值。
首先,用功效系数法将葡萄酒质量标准化并且将数值大小放到区间
之间。
在用二元拟合的方法,把葡萄等级作为x,葡萄酒等级作为y,葡萄酒质量作为z。
拟合方程
,得到系数
的值。
将
带回拟合方程,得到估算值
。
最后,用双样本K-S检验对
进行显著性检验。
具体使用MATLAB得到,
。
所以拟合方程为
。
显著性检验
提出零假设:
得到
为大概率,所以接受零假设。
所以
无显著性差异。
所以可以用这个拟合方程与葡萄等级和葡萄酒等级来求出葡萄酒质量。
所以可以用葡萄等级和葡萄酒等级求出葡萄酒质量。
所以可以用酿酒葡萄和葡萄酒的理化指标来评价葡萄酒的质量。
6、模型分析
在问题二中所建立的综合评价模型中,将红葡萄酒最终划分的等级与附录一中评酒员对红葡萄酒的评分平均值做对比。
观察这种模型是否可靠。
图中出现不能完全吻合的情况主要是由于建立综合评价模型时只考虑了主要指标,很多次要指标没有加入到模型中,所以数值会有些误差。
但是,估计值和平均值的走势是一致的,这说明这个模型是成功的,只是精度有些误差。
7、模型评价
在问题二中,对数据采取了线性加权的方法,当权重系数预先给定时,该方法使评价结果对于各备选方案之间的差异表现不敏感;而且该方法计算简便,可操作性强,能够推广到对白酒等酒种理化指标的分级。
对酿酒葡萄的分级过程中,用葡萄品质及葡萄酒质量来建立坐标系,将葡萄样品分布在坐标系中。
这种方法直观,新颖。
由于时间原因,在综合评价时选取的指标有限,这样对葡萄及葡萄酒分级得到的结果会有一定的误差。
但是,因为选取的指标为主要指标,所以误差在容许范围以内。
8、参考文献
[1]茆诗松、程依明、濮晓龙,概率论与数理统计教程,北京:
高等教育出版社,2004.7
[2]占君、张倩、满谦,MATLAB函数查询手册,北京:
机械工程出版社,2011.1
[3]马莉,MATLAB数学实验与建模,北京:
清华大学出版社,2010.1
[4]谭永基、蔡志杰,数学模型,上海:
复旦大学出版社,2011.1
[5]谢辉樊、丁宇、张雯、郭春苗、周晓明、闫鹏、卢春,统计方法在葡萄理化指标简化中的应用,,2012.9.8
[6]酒类新闻纵横,酿酒葡萄品质好坏的五大指标,http:
//www.
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 全国大学生数学建模A题 葡萄酒质量评价 全国大学生 数学 建模 葡萄酒 质量 评价
![提示](https://static.bdocx.com/images/bang_tan.gif)