关于牙膏销售量的数学模型课程设计报告.doc
. .统计12-1 李本恩一、 课题名称：牙膏销售量的影响因素二、 课题条件 参考文献：?MATLAB从入门到精通? 三、 设计任务本文从收集有关牙膏的销售量开场，从牙膏销售量和价格、广告投入之间的关系出 发，分别通过对这三个方面的深入研究从而制定出各自的最正确方案，最后再综合这 三个主要因素，进一步深入并细化，从而求得最优解。四、论文内容摘要内容 ：本文从收集有关牙膏的销售量开场，从牙膏销售量和价格、广告投入 之间的关系出发，分别通过对这三个方面的深入研究从而制定出各自的最正确方案， 最后再综合这三个主要因素，进一步深入并细化，从而求得最优解。 模块中，我们假设在x1和x2对y的影响独立 ，从而得到了方程bbbe=+ 模块中，我们假设x1和x2对y的影响有交互作用，进一步得到新的方程关键词：线性回归模型 相关系数问题重述：某大型牙膏制造企业为了更好的拓展产品市场，有效地管理 库存，公司董事会要求销售部门根据市场调查，找出公司生产 的牙膏销售量价格，广告投入等之间的关系，从而预测出在不 同价格和广告费用下的销售量。为此，销售部的研究人员收集 了过去30个销售周期每个销售周期为4周公司生产的牙 膏销量，销售价格，投入的广告费用，以及同期其他厂家生产 的同类牙膏的平均销售价格，见表1。试根据这些数据建立一 个数学模型，分析牙膏销售量与其他因素的关系，为制定价格 策略和广告投入策略提供数据依据。销售周期公司销售价格元其他厂家平均价格元广告费用百万元价格差元销售量百万支1234567891011121314151617181920212223242526272829303.853.753.703.703.603.603.603.803.803.853.903.903.703.753.753.803.703.803.703.803.803.753.703.553.603.653.703.753.803.703.804.004.303.703.853.803.753.853.654.004.104.004.104.204.104.104.204.304.103.753.753.653.903.654.104.253.653.753.854.255.506.757.255.507.006.506.755.255.256.006.506.257.006.906.806.807.107.006.806.506.256.006.507.006.806.806.505.755.806.80-0.050.250.6000.250.200.150.05-0.150.150.200.100.400.450.350.300.500.500.40-0.05-0.05-0.100.200.100.500.60-0.0500.050.557.388.519.527.509.338.288.757.877.108.007.898.159.108.868.908.879.269.008.757.957.657.278.008.508.759.218.277.677.939.26表1 牙膏销售量与销售价格，广告费用等数据其中价格差指其他厂家平均价格与公司销售价格之差1.实验设计方案1) 前期分析：由于牙膏是生活必需品，对大多数顾客来说，在购置同类产品的牙膏时更多的会在意不同品牌之间的价格差异，而不是它们的价格本身。因此，在研究各个因素对销售量的影响时，用价格差代替公司销售价格和其他厂家平均价格更为适宜。记牙膏销售量为y，其他厂家平均价格与公司销售价格之差价格差为x1公司投入的广告费用为x2 ,其他厂家平均价格与公司销售价格分别为x3和x4 ，x1=x3-x4。基于上面的分析，我们尽利用x1和x2来建立y的预测模型。2) 模型假设：1 在一定时期内假设市场总需求量没有太大的变化。2 同类产品在一定时期内价格无明显变化。3 通过调节本公司的价风格整都能够到达理想的价格差 3) 建立模型：4) 编写程序：b,bint,r,rint,stats=regress(y,x,alpha) 5) 对结果进展分析，讨论诸如：结果的合理性、正确性，算法的收敛性，模型的适用性和通用性，算法效率与误差等。2.根本模型为了大致分析y与和的关系，首先利用散点图观察销售量y与价格差及y与广告投入量之间的关系。y与的关系： y 与的关系：图1 y对散点图1 图2 y对的散点图从图1发现，随着增加，y的值有明显的线性增加趋势，图中直线用线性模型 (1)拟合的其中是随机误差在图2 中，当增大时，y有向上弯曲增加的趋势，图中的曲线用二次函数模型：2拟合。综上分析，结合模型(1)和(2)建立如下回归模型 3其中，y是建立的模型，我们用对y进展估计，其中是我们待估计的参数。3.模型求解利用MATLAB统计工具箱中的命令regress求解，使用格式为：b,bint,r,rint,stats=regress(y,x,alpha)得到模型(3)的回归系数的估计值及其置信区间置信水平、检验统计量，S2的结果见下表2参数参数估计参数置信区间17.32445.7282 28.92061.30700.6829 1.9311-3.6956-7.4989 0.10770.34860.0379 0.6594=0.9054 =82.9409 <0.0001 S2=0.0490 表 24.结果分析由表中的数据显示，=0.9054指因变量的y的90.54%可由模型确定，值远远超过检验的临界值，远远小于，因而模型3可用。 表2的回归系数给出了模型3中，的估计值=17.3244，=1.3070，=-3.6956，=0.3486。检查它们的置信区间发现，只有的置信区间包含零点但区间右端点距零点很近，说明回归变量对因变量的影响不是太显著的，但由于是显著的，我们仍将变量保存在模型中。5.销售量预测经回归系数的估计值代入模型3，即可预测公司未来某个销售周期牙膏的销售量，将预测值记为，得到模型3的预测方程：= 4只需知道该销售周期的价格差和投入的广告费用，就可以计算预测值。公司无法直接确定价格差，只能制定公司的牙膏销售价格，但是其它厂家的平均价格一般可以通过根据市场情况及原材料的价格变化等估计。模型中用价格差做为回归变量的好处在于公司可以更灵活地来预测产品的销售量或市场需求量，因为其它厂家的平均价格不是公司所能控制的。预测时只要调整公司的牙膏销售价格到达设定的回归变量价格差的值。回归模型的一个重要应用是，对于给定的回归变量的取值，可以以一定的置信度预测因变量的取值X围，即预测区间。6.模型改良模型3中回归变量，对因变量的影响是相互独立的，即牙膏销售量的均值和广告费用的二次关系由回归系数，确定，而不依赖与价格差，同样，的均值与的线性关系由回归系数确定，不依赖于。根据经历可参想，和之间的交互作用会对有影响，简单的用，的乘积代表他们的交互作用，将模型3增加一项，得到： 5在这个模型中，的均值与的二次关系为，由系数，确定，并依赖与价格差。下面让我们用表1的数据估计模型5的系数。利用MATLAB的统计工具箱得到的结果见表3.验统计量，S2的结果见下表1参数参数估计参数置信区间29.113313.7013 44.525211.13421.9778 20.2906-7.6080-12.6932 -2.5228067120.2538 1.08874-1.4777-2.8518 -0.1037=0.9209 =72.7771 <0.0001 S2=0.0.0426 表 3表3与表2的结果相比，R2有所提高，说明模型5比模型3有所改良，相信模型5更符合实际。用模型5对公司的牙膏销售量做预测，仍设在某个销售周期中，维持产品的价格差X1=0.2元，并投入X2=6.5百万元的广告费用，那么该周期牙膏销售量y的估计值为0 + 1x1 +2x2+3x22 +4x1x2 =29.1133 + 11.134 ×0.2 7.608×6.5 + 0.6712 ×6.52 -1.4777 ×0.2 ×6.5 =8.3253百万支，置信度为95%的预测空间为7.8953,8.7592，与模型3的结果相比，略有增加，而预测区间长度短些。在保持广告费用x2=6.5百万元不变的条件下，分别对模型3和5中牙膏销售量的均值与价格差x1的关系作图，见图3和图4 图3 模型3与x1 的关系 图4 模型5与x1 的关系在保持价格差x1=0.2元不变的条件下，分别对模型3和5中牙膏销售量的均值与广告费用x2的关系作图，见图5和图6 图5 模型3与 的关系 图6 模型5与 的关系 可以看出，交互作用项参加模型，对与的关系稍有影响，而与 的关系有较大变化，当< 6时出现下降， > 6以后上升那么快得多。进一步讨论： 为了解和之间的相互作用，考察模型5的预测方程 =29.1133+11.1342 -7.6080 +0.67122 -1.4777 6如果取价格差 =0.1元，代入6可得=0.1 =30.2267 -7.7558 +0.67122 7再取 =0.3元，代入6可得=0.3 =32.4536 -8.0513 +0.67122 8它们均为的二次函数，其图形见图7，且=0.3 -=0.1= 2.2269-0.29559由9式可得，当< 7.5360时，总有=0.3 > =0.1,即假设广告费用不超过大约7.5百万元，价格差定在0.3元时的销售量，比价格差定在0.1元的大，也就是说，这时的价格优势会使销售量增加。 图7 与 的关系7与8的图形附录:源程序x1=-0.05;0.25;0.60;0;0.25;0.20;0.15;0.05;-0.15;0.15;0.20;0.10;0.40;0.45;0.35;0.30;0.50;0.50;0.40;-0.05;-0.05;-0.10;0.20;0.10;0.50;0.60;-0.05;0;0.05;0.55;y=7.38;8.51;9.52;7.50;9.33;8.28;8.75;7.87;7.10;8.00;7.89;8.15;9.10;8.86;8.90;8.87;9.26;9.00;8.75;7.95;7.65;7.27;8.00;8.50;8.75;9.21;8.27;7.67;7.93;9.26; aa=polyfit(x1,y,1);y1=polyval(aa,x1);plot(x1,y1,x1,y,'ro')%图1:Y对X1的散点图x1=-0.05;0.25;0.60;0;0.25;0.20;0.15;0.05;-0.15;0.15;0.20;0.10;0.40;0.45;0.35;0.30;0.50;0.50;0.40;-0.05;-0.05;-0.10;0.20;0.10;0.50;0.60;-0.05;0;0.05;0.55;x2=5.50;6.75;7.25;5.50;7.00;6.50;6.75;5.25;5.25;6.00;6.50;6.25;7.00;6.90;6.80;6.80;7.10;7.00;6.80;6.50;6.25;6.00;6.50;7.00;6.80;6.80;6.50;5.75;5.80;6.80;y=7.38;8.51;9.52;7.50;9.33;8.28;8.75;7.87;7.10;8.00;7.89;8.15;9.10;8.86;8.90;8.87;9.26;9.00;8.75;7.95;7.65;7.27;8.00;8.50;8.75;9.21;8.27;7.67;7.93;9.26; aa=polyfit(x2,y,2);x3=5.25:0.05:7.25; y2=polyval(aa,x3); plot(x2,y,'ro',x3,y2)%图2:Y对X2的散点图dx4=ones(30,1),x1,x2,x2.2; b,bint,r,rint,stats=regress(y,x4) %表2x5=ones(30,1),x1,x2,x2.2,x1.*x2; b,bint,r,rint,stats=regress(y,x5) %表3x1=-0.05;0.25;0.60;0;0.25;0.20;0.15;0.05;-0.15;0.15;0.20;0.10;0.40;0.45;0.35;0.30;0.50;0.50;0.40;-0.05;-0.05;-0.10;0.20;0.10;0.50;0.60;-0.05;0;0.05;0.55; ytu3=17.3244+1.307*x1+(-3.6956)*6.5+0.3486*6.5*6.5; plot(x1,ytu3) grid on %图3x1=-0.05;0.25;0.60;0;0.25;0.20;0.15;0.05;-0.15;0.15;0.20;0.10;0.40;0.45;0.35;0.30;0.50;0.50;0.40;-0.05;-0.05;-0.10;0.20;0.10;0.50;0.60;-0.05;0;0.05;0.55;ytu4=29.1133+11.1342*x1+(-7.608*6.5)+0.6712*6.5*6.5+(-1.4777)*6.5*x1;plot(x1,ytu4) grid on %图4x2=5.50;6.75;7.25;5.50;7.00;6.50;6.75;5.25;5.25;6.00;6.50;6.25;7.00;6.90;6.80;6.80;7.10;7.00;6.80;6.50;6.25;6.00;6.50;7.00;6.80;6.80;6.50;5.75;5.80;6.80; ytu5=17.3244+1.307*0.2+(-3.6956)*x2+0.3486*x2.*x2; bb=polyfit(x2,ytu5,2); xtu5=5.25:0.05:7.25; ytu51=polyval(bb,xtu5); plot(xtu5,ytu51) grid on %图5x2=5.50;6.75;7.25;5.50;7.00;6.50;6.75;5.25;5.25;6.00;6.50;6.25;7.00;6.90;6.80;6.80;7.10;7.00;6.80;6.50;6.25;6.00;6.50;7.00;6.80;6.80;6.50;5.75;5.80;6.80;ytu6=29.1133+11.1342*0.2+(-7.608*x2)+0.6712*x2.*x2+(-1.4777)*x2*0.2; bb=polyfit(x2,ytu6,2); xtu6=5.25:0.05:7.25; ytu61=polyval(bb,xtu6); plot(xtu6,ytu61) grid on %图6x2=5.50;6.75;7.25;5.50;7.65;6.50;6.75;5.25;5.25;6.00;6.50;6.25;7.00;6.90;6.80;6.80;7.10;7.00;6.80;6.50;6.25;6.00;6.50;7.00;6.80;6.80;6.50;5.75;5.80;6.80;xtu7=sort(x2);ytu7=30.2267-7.7558*xtu7+0.6712*xtu7.2;plot(xtu7,ytu7)grid onhold onytu8=32.4536-8.0513*xtu7+0.6712*xtu7.2;plot(xtu7,ytu8)hold off %图7经过讨论和模型的改良，可以预测出在不同价格和广告费用下的牙膏销售量。. .word.
