概率论与数理统计线上线下混合教学模式研究

概率论与数理统计是一门重要的理工类课程,它为许多领域的研究提供了有效的方法分析和解决问题。随着当今信息科技的飞速发展,传统的线下教学模式已经不能满足当今教育的需求。混合式教学应时代和教学发展的内在需求而产,它在解决学生差异性和班级授课统一性的矛盾、满足个性化学习和自主学习、促进教育公平、提高课堂效率、实现及时有效的教学反馈等方面具有天然优势。是推动我国教学模式变革的契机,它对“以学生为中心”教学平台的新型教学模式的构建有促进意义。

高中与大学概率统计内容的教学衔接问题研究

数学是一个体系,每个阶段的有效衔接对于提升学生的学习有巨大的帮助。高中和大学概率与统计的教材中,高中教材中只是提及了概率与统计的一些基本概念,用了一些简单的例子让大家发现生活中存在概率,并了解概率;而大学的概率与统计相对注重深度,要求学生解决一些比较复杂的相关问题。对于概率统计来说高中教材和大学教材的跨越度还是比较大的,因此,对于高中和大学概率统计内容,本文从教学目标衔接,教学内容衔接,教学方法衔接三个方面来研究如何做好概率统计的教学衔接。

数字高程模型中插值算法对坡度和坡向的影响——以历山山区为例

数字高程模型(Digital Elevation Model,简称DEM)是地表形态的数字化表达,其他地形因子如坡度,坡向等可在DEM的基础上提取.文章以山西省运城历山山区为研究区域,数据源取自样区的1∶5万的航拍地形图,利用ArcGIS软件,对比四种插值算法,反距离权重插值,样条函数插值,克里金插值和TIN(不规则三角网)插值算法所生成的DEM在提取坡度、坡向上的差异.研究结果:对于不同的插值算法,所提取的坡度在第1~10级(0°~30°)之间差异较大,所提取的坡向差异主要在正北方向,而且TIN算法产生的平地面积大于其余3种算法.

中小企业破产模型的判别分析与Logistic回归分析

多元统计分析中,判别分析和Logistic回归分析都是用来预测和解释一个对象所属类别的分类方法。回归模型用于预测和解释度量变量,而判别分析和Logistic回归分析用来解决被解释变量是非度量变量的情况。被解释变量包含两类时,判别分析和Logistic回归分析都适用;而被解释变量包含两类以上时,只有判别分析适用。但是,只有解释变量满足多元正态性和相等协方差阵假设时,判别分析才适用。而Logistic回归不需要解释变量的一系列的假设,仍可以得到良好的结果。本文分别用判别分析和Logistic回归分析对中小企业的破产模型进行分析,并对比两种分类方法的异同。

2016年第四季度上证指数分析预测——基于AR模型和BAR模型的对比

自回归模型(autoregression model,short for AR)是一种时间序列模型,多用于处理指数型财经数据.经典统计学中,AR模型假定经济运行服从一个数据生成过程,模型参数被假定为常数.但是,我国经济正处于转型期,经济主体的行为很不稳定,从而模型中反映经济行为的参数也是不稳定的,不同于经典统计学,贝叶斯统计中参数被看作随机变量,将贝叶斯估计被用于AR模型,就解决了模型参数被设定为常数所带来的模型误差.随着Eviews等计算软件的升级,贝叶斯自回归模型(Bayesian autoregression model,short for BAR)在计算上变得更为方便.用AR和BAR模型分别对2016年第四季度上证指数开盘价进行拟合,对比预测结果,最终的MAPE值表明,BAR模型预测效果更优.