SAP BW之建模之信息对象

BW是SAP的一套组件，简单来说，BW就是将R/3中我们关心的数据加载到其上，对其进行分析，来达到我们分析的目的。并且BW提供了一套组件，方便实现特定的分析功能，如预算、合并等。这样就实现了业务应用与数据分析功能的分离，让我们更快、更专注于报表等的需求。

信息对象是BW建模的最小组织单元，可以这样理解，每一个模型是一个数据库表，各个列就是由信息对象组成的，每个列又有其可选择的值，这些值就存放在信息对象中，当然不是所有的特征都有可参考的值，接近ABAP中数据表的结构。在BW中，信息对象是全局的，也就是说可以为多个模型所使用。BW中存在五种信息对象，一种叫做特征（Characteristic），用来描述模型的属性，如公司代码等；一种叫关键值（Key figure），用来描述模型中发生的价值，可以是数字或货币。除此之外，系统中还有时间、单位和技术特性。

1.特性：

可以通过RSA1->信息对象到达

以公司代码为例：

TAB：一般的

数据元素/数据类型/长度：与ABAP中定义的数据元素一个意思，定义本特性的属性，我们一般选择数据类型和长度，系统为我们自动创建。

转换例程：设置输出时的显示，最常用的如ALPHA转换（即：在字段前补齐“0”）。

SID表格：系统自动生成，存储了主数据对应的SID

Notes：BW中的星型架构之间的关系，是通过SID来联系的，即：我们搜索公司代码的数据，并不是通过公司代码来查询的，而是系统将所查询的公司代码，装换为其对应的SID，再到模型中去查询，可以有效提高查询速度

TAB业务浏览器：

这里主要设置在设计报表时的显示效果，我们采用默认设置，在制作报表时，可以在报表属性中修改。

相关的权限：勾选这个选项，我们就可以在分析权限中，对公司代码进行权限控制。

TAB主数据/文本

1） 有主数据：表示此信息对象有主数据表，一般在信息对象有其他属性的情况下，勾选此

项，如果信息对象除本身的编码和文本外，没有其他属性，这里不用勾选。设置“有主数据”后，系统会自动建立主数据表（/BI0/PCOMP_CODE ），/BI0/MCOMP_CODE 是主数据表的视图表，/BI0/XCOMP_CODE 是SID 的属性表

2） 带文本：勾选此项后，系统会为我们建立信息对象的文本表，我们可以根据需要，选择

文本长度，是否数据表含语言字段和时间间隔字段

TAB 层次结构：

这里我们可以设置信息对象的层次结构，还可以手工维护层次结构内容。对于维护了层次结构的信息对象，我们在制作报表时，可以按照层次结构查询，如查询美国区域公司的信息。

TAB 属性：

1 2

信息对象的属性分为两种：

显示属性：默认情况下，属性都是显示属性。主要用来描述信息对象，例如：我们在做报表的时候，可以将公司的会计科目表显示出来，但是不能按照会计科目表对数据进行筛选。导航属性：导航属性除了可以显示外，还可以根据导航属性筛选数据，如：按照国家来筛选公司代码。

TAB组合：

系统中如果不能够只从信息对象来识别，那么需要和其他信息对象组合来确定唯一性。如：两个控制范围下都存在Z0000001的成本中心，那么这里需要把控制范围与成本中心组合使用。同时，主数据表结构，将成本控制范围添加到关键字中。

2.关键值

TAB类型/单位

此处，定义关键值的类型和单位。

TAB聚集：

聚集：定义关键值对多条记录加总时的处理方式，可以定义加总、最大值、最小值。此处的

累积余额定义为加总。

例外集合/集合参考特性：当多条记录加总时，关键字段中不含有参考特性的情况，按例外集合的逻辑处理。此处设置为最后一个值。即：如果我们把2010年001期间的某科目的发生额统计到关键值累积余额上，那么得到的不是科目余额，而是最后一个记录的发生额。此处需特别注意。

累积值：这里表示关键值，自身存储数据，在运行报表时，按照集合逻辑，显示值。一般情况下都是这样设置的

带非累计值更改的非累积值：设置此项，表示关键值自身并不存储数据，其所显示的值由参考的关键值累积所得。

带流入和流出的非累积值：设置此项，也表示关键值自身并不存储数据，而是由流入和流出的关键值累积结果所得。

如：评估库存总计

TAB附加属性：

此处可以定义小数位数、显示比例及描述信息等。

使用最大精度编辑关键指标：提高关键值的舍入差，但是一般情况，我们不选择，因为系统默认额精度，足够满足我们的业务。

仅属性：表示此关键值，只可以作为属性来使用。

3.单位特性：

4.时间特性

5.技术特性

这3中类型可以参考前2中特性来查看，基本属性差不多。但一般都不需要我们维护主数据，技术属性中含有传输规则，所以在我们抽取数据的时候不需要做转换，系统会为我们填写。

BW与DW项目实施方法论

1.BW项目实施方法论 实施SAP BW项目，需要一个理想的项目团队，一般来说，需要包括下述人员： 数据仓库设计师：负责监督整个项目，特别是结构设计和系统整合。 企业分析师：负责获取企业需求和源数据系统的数据模型，特别是R/3系统。 技术开发员：必须熟悉BW、ABAP、ALE/Idoc以及VB，并且能够创建BW对象和用户界面友好的报告。 基础平台和数据库管理员：负责安装、维护BW系统、系统概貌、BW系统之间的通讯以及源系统。 实际实施过程中，还要遵循一定的规则和步骤，下面是SAP提供的简化的BW项目规划方案：整个项目实施分为“设计-开发-测试-培训-上线”五个阶段组织。 阶段2：开发 注：Sandbox 效应就是Google的沙盒效应(Sandbox Effect)。所谓沙盒效应指的是，新的网站在Google里面很难得到好的排名，无论你怎么优化这个网站。换句话说，一个新的网站，可以有很丰富的相关的内容，可以有大量的高质量的链接，网站既搜索引擎友好，也用户友好，所有一切都优化的很好。但是在一段时间之内，就是很难在Google里面得到好的排名。

阶段3：测试 注：LoadRunner是一个内涵丰富，功能强大的性能测试工具。

数据仓库的实施步骤 1：项目前期准备--项目目标、实施计划、工作职责； 2：需求分析--确定数据源、命名规范； 3：逻辑数据模型的设计--业务规则、ER图、ERWin工具； 4：系统体系结构的设计--拓扑结构、安全、数据体系结构、备份系统等； 5：物理数据库设计--物理数据模型、主次索引、建立数据库； 6：ETL过程--50%的工作量在数据转换与加载； 7：前端应用开发； 8：数据仓库管理--数据的备份与操作； 9：测试验收与试运行； 数据仓库的具体实施步骤 01项目前期准备：在建立项目组织机构(项目领导小组、业务咨询、质量保证小组、业务规范小组、应用开发小组、基础设施小组(体系结构、LDM、ETL))； 02业务调研：包括业务访谈、业务需求编写、业务需求分析； 03信息调研：通过信息调研交付源数据分析报告与源系统数据字典； 04逻辑数据模型LDM：基于概念数据模型，是IT人员与业务人员沟通的工具； 05物理数据模型PDM：由LDM转换来，包括定义主次索引、非正则化处理； 06系统体系结构设计：包括安全体系、数据体系、ETL体系、信息存取体系、运行维护体系、开发测试环境体系； 07应用设计：包括概要设计、详细设计、模型设计(应用数据模型设计、公共分析维度设计)； 08ETL开发：交付ETL设计说明书、数据映射说明书、ETL程序及脚本、数据质量检查报告； 09应用开发：应用功能模块包括报表、多维分析、KPI、即席查询、专题分析应用； 10数据挖掘服务：知识发现将数据转变成信息的潜在模式，适应应用将发现的知识应用于某种目标如预测；11元数据管理：元数分散于DW的各个环节中，采用元数据管理体系将元数据统一存储在元数据存储库中；12软硬件设备安装：包括硬件设备、软件系统、客户端工具以及使用现场培训； 13系统管理与维护：：使用管理工具与监控工具； 14系统测试与验收：项目实施基本完成； 15项目结束与回顾：项目收尾、总结与汇报、经验与教训。

数据分析建模简介

数据分析建模简介 观察和实验是科学家探究自然的主要方法，但如果你有数据，那么如何让这些数据开口说话呢？数据用现代人的话说即信息，信息的挖掘与分析也是建模的一个重要方法。 1．科学史上最有名的数据分析例子 开普勒三定律 数据来源：第谷?布拉赫（1546-1601,丹麦人），观察力极强的天文学家，一辈子（20年）观察记录了750颗行星资料，位置误差不超过0.67°。 观测数据可以视为实验模型。 数据处理：开普勒（1571-1630，德国人），身体瘦弱、近视又散光，不适合观天，但有一个非常聪明的数学头脑、坚韧的性格（甚至有些固执）和坚强的信念（宇宙是一个和谐的整体），花了16年（1596-1612）研究第谷的观测数据，得到了开普勒三定律。 开普勒三定律则为唯象模型。 2．数据分析法 2.1 思想 采用数理统计方法（如回归分析、聚类分析等）或插值方法或曲线拟合方法，对已知离散数据建模。 适用范围：系统的结构性质不大清楚，无法从理论分析中得到系统的规律，也不便于类比，但有若干能表征系统规律、描述系统状态的数据可利用。 2.2 数据分析法 2.2.1 基础知识 （1）数据也称观测值，是实验、测量、观察、调查等的结果，常以数量的形式给出； （2）数据分析（data analysis）是指分析数据的技术和理论； （3）数据分析的目的是把隐没在一大批看来杂乱无章的数据中的信息集中、萃取和提炼出来，以找出所研究对象的内在规律；

（4）作用：在实用中，它可帮助人们作判断，以采取适当行动。 （5）实际问题所涉及的数据分为： ①受到随机性影响（随机现象）的数据； ②不受随机性影响（确定现象）的数据； ③难以确定性质的数据（如灰色数据）。 （6）数理统计学是一门以收集和分析随机数据为内容的学科，目的是对数据所来自的总体作出判断，总体有一定的概率模型，推断的结论也往往一概率的形式表达（如产品检验合格率）。 （7）探索性数据分析是在尽量少的先验假定下处理数据，以表格、摘要、图示等直观的手段，探索数据的结构及检测对于某种指定模型是否有重大偏离。它可以作为进一步分析的基础，也可以对数据作出非正式的解释。 实验者常常据此扩充或修改其实验方案（作图法也该法的重要方法，如饼图、直方图、条形图、走势图或插值法、曲线（面）拟合法等）。 2.2.2 典型的数据分析工作步骤 第一步：探索性数据分析 目的：通过作图、造表、用各种形式的方程拟合、计算某些特征量等手段探索规律性的可能形式，即往什么方向和用何种方式去寻找和揭示隐含在数据中的规律性。 第二步：模型选定分析 目的：在探索性分析的基础上，提出一类或几类可能的模型（如进一步确定拟合多项式（方程）的次数和各项的系数）。 第三步：推断分析 目的：通常用数理统计或其它方法对所选定的模型或估计的可靠程度或精确程度作出推断（如统计学中的假设检验、参数估计、统计推断）。3．建模中的概率统计方法 现实世界存在确定性现象和随机现象，研究随机现象主要由随机数学来承担，随机数学包括十几个分支，但主要有概率论、数理统计、试验设计、贝叶

rational rose建模任务

请从以下两个题目中选择一个通过使用rational rose完成面向对象分析和设计的建模任务。 题目一： 背景说明： 教材的数量逐年倍增。如何改变低效率的原始教材管理方式，成为摆在高校管理人员面前的一个重要课题。而建立高效的教材管理系统就是一个解决此根本问题的思路这里为读者介绍一个高校教材管理系统的建模实例。 (1)高校的每个学生使用自己的姓名和学号登陆系统之后，可以查询自己每个学期的教材使用情况，也能够查询自己的教材费用。 (2)高校的每个老师使用自己的姓名和密码登陆系统后，能够查询自己教材的使用情况，也可查询自己的教材费用（供报销用）。 (3)系统管理员通过用户名和密码登陆系统后,能够输入教材订购计划,生成订购单,统计各个班级教材费用和教材使用情况,同时，还可以更新删除学生﹑教师﹑教材等各类信息。 请根据以上内容，构建该系统的用例模型、静态模型和动态模型 题目二： 背景说明： 汽车租赁系统是专门针对汽车租赁企业所开发的一种实现以经营管理为基础、以决策分析为核心的企业信息管理系统，它涵盖了汽车租赁业务的所有环节，将原始的人工统计方法转换为先进的电脑管理模式。 (1)客户可以通过电话、网上和前台预订租借车辆。 (2)客户填写预订单后，职员查看客户租赁记录，如果记录无问题，同意客户的预订。如果记录情况不佳，拒绝预订的请求。如果没有客户记录查到，建立新的客户记录后，办理租借手续，并通知客户。 (3)客户取车时出示通知，职员查看无误后，要求客户支付押金，填写工作记录并更新车辆

状态，将车借于客户。 (4)客户换还车时，结清租借车辆的金额，职员更新车辆状态，填写客户记录，更新工作记录。 请根据以上内容，构建该系统的用例模型、静态模型和动态模型

关系模型习题及答案

数据库原理之关系模型课后习题及答案 2.1名词解释 (1)关系模型：用二维表格结构表示实体集，外键表示实体间联系的数据模型称为关系模型。 (2)关系模式：关系模式实际上就是记录类型。它的定义包括：模式名，属性名，值域名以及模式的主键。关系模式不涉及到物理存储方面的描述，仅仅是对数据特性的描述。 (3)关系实例：元组的集合称为关系和实例，一个关系即一张二维表格。 (4)属性：实体的一个特征。在关系模型中，字段称为属性。 (5)域：在关系中，每一个属性都有一个取值范围，称为属性的值域，简称域。 (6)元组：在关系中，记录称为元组。元组对应表中的一行；表示一个实体。 (7)超键：在关系中能唯一标识元组的属性集称为关系模式的超键。 (8)候选键：不含有多余属性的超键称为候选键。 (9)主键：用户选作元组标识的一个候选键为主键。（单独出现，要先解释“候选键”） (10)外键：某个关系的主键相应的属性在另一关系中出现，此时该主键在就是另一关系的外键，如有两个关系S和SC,其中S#是关系S的主键，相应的属性S#在关系SC中也出现，此时S#就是关系SC的外键。 (11)实体完整性规则：这条规则要求关系中元组在组成主键的属性上不能有空值。如果出现空值，那么主键值就起不了唯一标识元组的作用。 (12)参照完整性规则：这条规则要求“不引用不存在的实体”。其形式定义如下：如果属性集K是关系模式R1的主键，K也是关系模式R2的外键，那么R2的关系中，K的取值只允许有两种可能，或者为空值，或者等于R1关系中某个主键值。这条规则在使用时有三点应注意：1)外键和相应的主键可以不同名，只要定义在相同值域上即可。2)R1和R2也可以是同一个关系模式，表示了属性之间的联系。3)外键值是否允许空应视具体问题而定。 (13)过程性语言：在编程时必须给出获得结果的操作步骤，即“干什么”和“怎么干”。如Pascal 和C语言等。 (14)非过程性语言：编程时只须指出需要什么信息，不必给出具体的操作步骤。各种关系查询语言均属于非过程性语言。

数学建模方法模型

数学建模方法模型 一、统计学方法 1 多元回归 1、方法概述: 在研究变量之间的相互影响关系模型时候用到。具体地说:其可以定量地描述某一现象和某些因素之间的函数关系，将各变量的已知值带入回归方程可以求出因变量的估计值，从而可以进行预测等相关研究。 2、分类 分为两类:多元线性回归和非线性线性回归;其中非线性回归可以通过一定的变化转化为线性回归，比如:y=lnx 可以转化为 y=u u=lnx 来解决;所以这里主要说明多元线性回归应该注意的问题。 3、注意事项 在做回归的时候，一定要注意两件事: (1) 回归方程的显著性检验(可以通过 sas 和 spss 来解决) (2) 回归系数的显著性检验(可以通过 sas 和 spss 来解决) 检验是很多学生在建模中不注意的地方，好的检验结果可以体现出你模型的优劣，是完整论文的体现，所以这点大家一定要注意。 4、使用步骤: (1)根据已知条件的数据，通过预处理得出图像的大致趋势或者数据之间的大致关系; (2)选取适当的回归方程; (3)拟合回归参数; (4)回归方程显著性检验及回归系数显著性检验 (5)进行后继研究(如:预测等)

2 聚类分析 1、方法概述 该方法说的通俗一点就是，将 n个样本，通过适当的方法(选取方法很多，大家可以自行查找，可以在数据挖掘类的书籍中查找到，这里不再阐述)选取 m 聚类中心，通过研究各样本和各个聚类中心的距离 Xij，选择适当的聚类标准，通常利用最小距离法(一个样本归于一个类也就意味着，该样本距离该类对应的中心距离最近)来聚类，从而可以得到聚类结果，如果利用sas 软件或者 spss 软件来做聚类分析，就可以得到相应的动态聚类图。这种模型的的特点是直观，容易理解。 2、分类 聚类有两种类型: (1) Q型聚类:即对样本聚类; (2) R型聚类:即对变量聚类; 通常聚类中衡量标准的选取有两种: (1) 相似系数法 (2) 距离法 聚类方法: (1) 最短距离法 (2) 最长距离法 (3) 中间距离法 (4) 重心法 (5) 类平均法 (6) 可变类平均法 (7) 可变法

数据分析与建模实验报告

学生学号实验课成绩 学生实验报告书 实验课程名称数据分析与建模 开课学院 指导教师姓名 学生姓名 学生专业班级 2015 —2016 学年第 1 学期

实验报告填写规范 1、实验是培养学生动手能力、分析解决问题能力的重要环节；实验报告是反映实验教学水 平与质量的重要依据。为加强实验过程管理，改革实验成绩考核方法，改善实验教学效果，提高学生质量，特制定本实验报告书写规范。 2、本规范适用于管理学院实验课程。 3、每门实验课程一般会包括许多实验项目，除非常简单的验证演示性实验项目可以不写实 验报告外，其他实验项目均应按本格式完成实验报告。在课程全部实验项目完成后，应按学生姓名将各实验项目实验报告装订成册，构成该实验课程总报告，并给出实验课程成绩。 4、学生必须依据实验指导书或老师的指导，提前预习实验目的、实验基本原理及方法，了 解实验内容及方法，在完成以上实验预习的前提下进行实验。教师将在实验过程中抽查学生预习情况。 5、学生应在做完实验后三天内完成实验报告，交指导教师评阅。 6、教师应及时评阅学生的实验报告并给出各实验项目成绩，同时要认真完整保存实验报 告。在完成所有实验项目后，教师应将批改好的各项目实验报告汇总、装订，交课程承担单位（实验中心或实验室）保管存档。

画出图形 由图x=4时，y最大等于1760000 (2)求关于所做的15%假设的灵敏性 粗分析： 假设C=1000 即给定r y=f(x)=(1500-100x)1000(1+rx)=-100000rx^2+1500000rx-100000x+1500000 求导，f’(x)=-200000rx+1500000r-100000,令f’(x)=0,可得相应x值，x=(15r-1)/2r Excel画出相应图形

模型计算步骤

计算步骤步骤目标 建模或计算条件控制条件及处理1.符合原结构传力模式2.符合原结构边界条件3.符合采用程序的假定条件1.振型组合数→有效质量参与系数＞0.9吗？→否，则增加2.最大地震力作用方向角→θ0-θm ＞150？→是，输入θ0＝θm ，附加方向角θ0＝03.结构自振周期，输入值与计算值相差＞10%？→是，按计算值改输入值4.查看三维振型图，确定裙房参与计算范围→修正计算简图5.短肢剪力墙承担的抗倾覆力矩＜40%？→是，改为一般剪力墙结构；短肢剪力墙承担的抗倾 覆力矩＞50%？→是，规范不许，修改设计 6.框剪结构框架承担的抗倾覆力矩＞50%？→是，框架抗震等级按框架结构确定；若为多层结构，可定义为框架结构，抗震墙可作为次要抗侧力构件，其抗震等级可降低一级。 1.周期比控制：T 扭/T 1≤0.9（0.85）？→否，修改结构布置，强化外围削弱中间 2.层位移比控制：最大/平均≤1.2？→否，按双向地震重算 3.侧向刚度比控制：要求见规范；不满足时程序自动定义为薄弱层 4.层受剪承载力控制：Q i /Q i+1<[0.65(0.75)]？→否，修改结构布置；0.65（0.75）≤Q i /Q i+1<0.8？→否，强制指定为薄弱层（注：括号中数据为B级高层），（《高规》4.4.3条） 5.整体稳定控制：刚重比≥[10(框架)，1.4(其它)] 6.最小地震剪力控制：剪重比≥0.2αmax？→否，增加振型数或增大地震剪力系数 7.层位移角控制：弹性Δu ei /h i ≤[1/550(框架)，1/800(框剪)，1/1000(其它)]；弹塑性Δ u pi /h i ≤[1/50(框架)，1/100(框剪)，1/120(其它)]1.构件构造最小断面控制和截面抗剪承载力验算 2.构件斜截面承载力验算(剪压比控制) 3.构件正截面承载力验算 4.构件最大配筋率控制 5.纯弯和偏心构件受压区高度限制 6.竖向构件轴压比控制 7.剪力墙的局部稳定控制 8.梁柱节点核心区抗剪承载力验算 1.钢筋最大最小直径限制 2.钢筋最大最小间距要求 3.最小配筋配箍要求 4.重要部位的加强和明显不合理部分局部调整2.计算一（一次或多次）整体参数 的正确确 定 1.地震方向角θ0＝0；2.单向地震+平扭耦联；3.不考虑偶然偏心；4.不强制全楼刚性楼板；5.按总刚分析；6.短肢墙多时定义为短肢剪力墙结构；1.按计算一、二确定的模型和参数；2.取消全楼强制刚性板；3.按总刚分析；4.对特殊构件人工指定。构件优化设计(构件超筋超限控制)4.计算三（一次或多次）5.绘制施工图结构构造抗震构造措施几何及荷 载模型 1.建模整体建模判定整体结构的合理性（平面和竖向规则性控制） 1.地震方向角θ0＝0,θ m ； 2.单(双)向地震+平扭耦 联； 3.(不)考虑偶然偏心； 4.强制全楼刚性楼板； 5.按侧刚分析； 6.按计算一的结果确定结 构类型和抗震等级3.计算二（一次或多次）

2018年数学建模B“拍照赚钱”的任务定价模型

“拍照赚钱”的任务定价模型 摘要 本题要求分析“拍照赚钱”任务的服务模式，研究其定价规律，并设计新的任务定价方案，结合实际情况，修改定价模型，最终对新项目设计任务定价方案，并评价方案的实施效果。求解的具体流程如下： 针对问题一：为了研究项目的定价规律，分析任务未完成的原因，利用附件一的信息，在地图上定位所有坐标的位置，发现任务集中在广东、东莞、佛山、深圳四市，分别标明每个城市的成功任务和失败任务。以深圳为例，对深圳市任务进行聚类分析，结果分成5类，由相应任务的定价可以得出，人口密集处定价较低，人口稀少处定价较高的定价规律。将附件二的位置信息同理在地图上定位，分别计算任务周围的会员数，分析其与定价的联系。 针对问题二：由问题一结果可知，任务定价与任务周围人数和任务周围人口密度等因素有关。利用网络爬虫爬取广州、东莞、佛山、深圳四市医院，学校，小区，超市四种人口密度较大场所的经纬度，统计成功任务周围十公里人口密集场所。用RBF神经网络模型，从而确定新的定价方案。将此方案与原方案进行比较，得出两种定价方案的差异。 针对问题三：为了解决用户争相选择位置集中任务等问题，可将多个任务联合打包，以便用户更好得执行任务。利用问题二中RBF神经网络模型求出新的定价方案下的任务定价；同问题一，求任意两个任务之间的距离。当两个任务之间的距离小于一定值时，便可将这两个任务种做打包处理。对于打包的任务，可将每个任务的定价结合附近会员的信息求出最终定价；对于未打包的任务，任务定价不变。 针对问题四：为了对新项目设计定价方案，并评价方案的实施效果，将新项目中任务的位置定位于地图上，可以发现任务集中分布于两个区域，且两个区域距离较远，可认为互不影响。结合前面问题的分析，可知任务定价与区域的经济发展情况和用户到任务的距离有关。对用户而言，用户将优先选择距离较近且定价较高的任务，因此，可以使用灰度关联分析的方法，建立不同任务对会员的吸引力，从而对定价方案做出评价。 关键词：聚类分析、RBF神经、灰色关联分析法、网络爬虫

数学建模统计模型

数学建模

论文题目： 一个医药公司的新药研究部门为了掌握一种新止痛剂的疗效，设计了一个药物试验，给患有同种疾病的病人使用这种新止痛剂的以下4个剂量中的某一个：2 g，5 g，7 g和10 g，并记录每个病人病痛明显减轻的时间（以分钟计）. 为了解新药的疗效与病人性别和血压有什么关系，试验过程中研究人员把病人按性别及血压的低、中、高三档平均分配来进行测试. 通过比较每个病人血压的历史数据，从低到高分成3组，分别记作，和. 实验结束后，公司的记录结果见下表（性别以0表示女，1表示男）. 请你为该公司建立一个数学模型，根据病人用药的剂量、性别和血压组别，预测出服药后病痛明显减轻的时间.

一、摘要 在农某医药公司为了掌握一种新止痛药的疗效，设计了一个药物实验，通过观测病人性别、血压和用药剂量与病痛时间的关系，预测服药后病痛明显减轻的时间。我们运用数学统计工具m i n i t a b软件，对用药剂量，性别和血压组别与病痛减轻

时间之间的数据进行深层次地处理并加以讨论概率值P （是否<）和拟合度R-S q的值是否更大（越大，说明模型越好）。 首先，假设用药剂量、性别和血压组别与病痛减轻时间之间具有线性关系，我们建立了模型Ⅰ。对模型Ⅰ用m i n i t a b 软件进行回归分析，结果偏差较大，说明不是单纯的线性关系，然后对不同性别分开讨论，增加血压和用药剂量的交叉项，我们在模型Ⅰ的基础上建立了模型Ⅱ，用m i n i t a b软件进行回归分析后，用药剂量对病痛减轻时间不显着，于是我们有引进了用药剂量的平方项，改进模型Ⅱ建立了模型Ⅲ，用m i n i t a b 软件进行回归分析后，结果合理。最终确定了女性病人服药后病痛减轻时间与用药剂量、性别和血压组别的关系模型： Y=1x 3x 1x 3x 2 1 x 对模型Ⅱ和模型Ⅲ关于男性病人用m i n i t a b软件进行回归分析，结果偏差依然较大，于是改进模型Ⅲ建立了模型Ⅳ，用m i n i t a b软件进行回归分析后，结果合理。最终确定了男性病人服药后病痛减轻时间与用药剂量、性别和血压组别的关系模 型：Y=1x1x 3x 2 1 x关键词止痛剂药剂量性别病痛减轻时 间

BW常用基础知识

常用的bw基础知识 数据源对应后台表 MM Data Sources Tables Purchasing 2LIS_02_SCL EKKO, EKBE, T001, T001W, EKET, EKPA. 2LIS_02_HDR EKKO, EKBE, T001, EKPA. 2LIS_02_ITM EKKO, EKBE, T001, T001W, EKPO, TMCLVBW, T027C, ESSR, T147K, T147 2LIS_02_SCN EKET, EKES, EKPO. 2LIS_02_CGR EKBE, EKES, EKPO. 2LIS_02_SGR EKET, EKBE, KKPO Inventory 2LIS_03_BX stock tables, MCHA, MARA, T001, T001W, CALCULATED FROM MBEW, EBEW, QBEW. 2LIS_03_BF MSEG, MBEW, MKPF. 2LIS_03_UM BKPF, MBEW, QBEW, EBEW, BSEG. MM

Purchasing Datasources ODS 0PUR_O01 2LIS_02_ITM, 2LIS_02_SGR, 2LIS_02_CGR, 2LIS_02_SCN. 0PUR_O02 2LIS_02_HDR, 0PUR_O01 0PUR_DS03 2LIS_02_SCL and 2LIS_02_SGR. CUBE 0PUR_C10 2LIS_02_SCL and 2LIS_02_SGR. 0PUR_C07 0PUR_C08 0PUR_C09 0PUR_O02, 80PUR_O01, 2LIS_02_HDR 0SRV_C01 2LIS_02_S174 0PUR_C04 2LIS_02_S011, 2LIS_02_SCL, 2LIS_02_ITM, 2LIS_02_HDR 0PUR_C01 2LIS_02_S012, 2LIS_02_ITM, 2LIS_02_SCL 0PUR_C02 2LIS_02_S013 0PUR_C05 0MM_PUR_VE_01 0PUR_C06 0MM_PUR_VE_02 0PUR_C03 2LIS_02_S015 Inventory Management

维度建模与关系建模的比较

维度建模与关系建模的比较 徐辉强北京大学智能科学系1001213776 摘要： 数据仓库技术的快速发展，使得从数据库中获取信息快速高效准确。但涉及一个能够真正支持用户进行决策分析的数据仓库，并非是一件轻而易举的事情。这需要经历一个从实现环境到抽象模型，从抽象模型到具体实现的过程。要完成这一过程，必须依靠各种不同的数据模型。本文主要将介绍两种数据数据仓库建模技术实体关系建模与维度建模，并比较两者之间的关系 关键词：数据仓库、实体关系建模、维度建模 1、引言 传统的数据库技术是以单一的数据资源，即数据库为中心，进行从事务处理、批处理到决策分析等各种类型的数据处理工作。近年来，计算机技术正向着两个不同的方向扩展：一是广度计算；二是深度计算。特别是数据库处理可以大致地划分为两大类：操作型处理和分析型处理（或信息型处理）。这种分离划清了数据处理的分析型环境与操作型环境之间的界限，由原来的以单一数据库为中心的数据环境发展为一种新的体系化环境，从而导致了数据仓库技术的出现和迅速发展。

数据仓库是决策支持系统（dss）和联机分析应用数据源的结构化数据环境。数据仓库研究和解决从数据库中获取信息的问题。数据仓库的特征在于面向主题、集成性、稳定性和时变性。 数据仓库之父William H. Inmon在1991年出版的“Building the Data Warehouse”一书中所提出的定义被广泛接受——数据仓库（Data Warehouse）是一个面向主题的（Subject Oriented）、集成的（Integrated）、相对稳定的（Non-Volatile）、反映历史变化（Time Variant）的数据集合，用于支持管理决策(Decision Making Support)。 数据仓库，是在数据库已经大量存在的情况下，为了进一步挖掘数据资源、为了决策需要而产生的，它并不是所谓的“大型数据库”。数据仓库的方案建设的目的，是为前端查询和分析作为基础，由于有较大的冗余，所以需要的存储也较大。 设计好一个数据仓库是一个相对比较复杂的过程，需要抽象数据进行具体化，并且建立好模型，因此在这个过程中，模型设计是一个比较重要的一环。 2、关系建模 实体关系模型是通过两个概念（“实体”和“关系”）构造特定的数据模型，实体关系模型是一种抽象的工具，能够简化复杂的数据关系，并用规范的方式表示出来，使其易于理解。关系模型：用二维表的形式表示实体和实体间联系的数据模型。关系数据模型是以集合论中的关系概念为基础发展起来的。关系模型中无论是实体

数学建模-数据的统计分析

数学建模与数学实验 课程设计 学院数理学院专业数学与应用数学班级学号 学生姓名指导教师 2015年6月

数据的统计分析 摘要 问题：某校60名学生的一次考试成绩如下： 93 75 83 93 91 85 84 82 77 76 77 95 94 89 91 88 86 83 96 81 79 97 78 75 67 69 68 84 83 81 75 66 85 70 94 84 83 82 80 78 74 73 76 70 86 76 90 89 71 66 86 73 80 94 79 78 77 63 53 55 （1）计算均值、标准差、极差、偏度、峰度，画出直方图；（2）检验分布的正态性； （3）若检验符合正态分布，估计正态分布的参数并检验参数； 模型：正态分布。 方法：运用数据统计知识结合MATLAB软件 结果：符合正态分布

一． 问题重述 某校60名学生的一次考试成绩如下： 93 75 83 93 91 85 84 82 77 76 77 95 94 89 91 88 86 83 96 81 79 97 78 75 67 69 68 84 83 81 75 66 85 70 94 84 83 82 80 78 74 73 76 70 86 76 90 89 71 66 86 73 80 94 79 78 77 63 53 55 （1）计算均值、标准差、偏差、峰度，画出直方图； （2）检验分布的正态性； （3）若检验符合正态分布，估计正态分布的参数并检验参数。 二．模型假设 假设一：此组成绩没受外来因素影响。 假设二：每个学生都是独自完成考试的。 假设三：每个学生的先天条件相同。 三．分析与建立模型 像类似数据的信息量比较大，可以用MATLAB 软件决绝相关问题，将n 名学生分为x 组，每组各n\x 个学生，分别将其命为1x ，2X ……j x 由MATLAB 对随机统计量x 进行命令。此时对于直方图的命令应为 Hist(x,j) 源程序为： x1=[93 75 83 93 91 85 84 82 77 76 ] x2=[77 95 94 89 91 88 86 83 96 81 ] x3=[79 97 78 75 67 69 68 84 83 81 ]

任务三：建模计算

2014级“知行教改班”建模练习题三 A题人口增长模型 下表列出了中国1982~1998年的人口统计数据，取1982年为起始年(t=0)，1982年的人口101654万人，人口自然增长率为14‰，以36亿作为我国人口的容纳量，试建立一个较好的人口数学模型并给出相应的算法和程序，并与实际人口进行比较。 B题长途列车食品的价格方案 长途列车由于时间漫长，需要提供车上的一些服务。提供一天三餐是主要的服务。由于火车上各方面的成本高，因此车上食物的价格也略高。以T238次哈尔滨到广州的列车为例，每天早餐为一碗粥、一个鸡蛋及些许咸菜，价格10元；中午及晚上为盒饭，价格一律15元。由于价格偏贵，乘客一般自带食品如方便面、面包等。列车上也卖方便面及面包等食品，但价格也偏贵。如一般售价3元的方便面卖5元。当然，由于列车容量有限，因此提供的用餐量及食品是有限的，适当提高价格是正常的。但高出的价格应有一个限制，不能高得过头。假如车上有乘客1000人，其中500人有在车上买饭的要求，但车上盒饭每餐只能供给200人；另外，车上还可提供每餐100人的方便面。请你根据实际情况设计一个价格方案，使列车在用餐销售上效益最大。

C 题 动物繁殖预测 某动物最高年龄29岁，按间隔10岁将此动物种群划分为三组，现设初始时刻在0~9，10~19，20~29三个年龄组的动物数量均是1000头，相应的莱斯利矩阵为： ???? ??????=02/10006/1030 L 根据以上题目所给的条件及数据，回答以下问题： 问题一：试求10年、20年、30年后各年龄组的动物数量； 问题二：求这一动物种群的自然增长率r 及相应的稳定年龄分布； 问题三：指出该动物种群的发展趋势。 D 题 细菌繁殖问题 下表是一组培养物中酵母菌的观察数据 现在要根据已有的数据来预测酵母菌的数量，要求尽量与实际相符。 (1) 建立酵母菌数量的数学模型，确定模型中的未知参数。 (2) 利用(1)中的模型，预测20小时时的酵母菌的数量。 (3) 若二次多项式2012()N t k k t k t =++作为新模型，试从误差的角度说明新模型与(1)中的模型哪个具有更好的的预测能力，并画出对比曲线。

BW例程

BW 例程（Routine） 2013-06-04 10:50:51| 分类：默认分类 | 标签： |举报 |字号大中小订阅 例程就是我们可以自己定义的程序代码。通过程序代码来完成我们的需求，因为业务是千变万化，如果想让产品能跟随上业务的脚步，就必须要有非常灵活的功能来补充。大家都知道软件产品都是通过代码来编制出来的，所以这里的例程是用最灵活的代码来进行补充，以达到完成客户灵活的业务变化。当然在BW模块中，代码的编写只是其中一个小的功能，不像ABAP顾问，主要是通过编程来实现需求。BW顾问注重的是建模，性能，是完成数据仓库，分析数据等等。 在"转换"中，最重要的有三种类型的例程，开始例程，转换例程及结束例程；此外还有专家例程，反向例程。

开始例程：开始例程在每个数据包开始进行转换时运行。开始例程没有返回的值，它直接对数据包进行计算、修改或删除等操作，将操作的结果直接保存在数据包中进行后续的转换步骤。当然，开始例程也可以访问和操作SAPBI 系统中的其他数据库表。 转换例程：则是在每笔数据传输过程中，对数据进行的一个转换，例如数据根据条件进行的匹配转换。当在每个字段的详细规则中，选择例程的规则类型就会弹出对话框来贴些转换例程。 结束例程：结束例程对经过转换规则转换后的数据进行操作，它操作的是一个与目标对象字段结构一致的表结构。与开始例程一样，它也是逐个数据包进行处理的。在结束例程中，可以进行各种数据的操作，比如，删除不需要的数据、进行数据质量检查等。 专家例程: 专家例程是系统提供的进行数据转换的另一个选项，这一类型的例程较少使用。一般只在SAP BI 提供的标准函数不能满足转换需要的时候，才使用专家例程。在已知道数据库表逻辑时，出于提高性能的考虑，也可以使用专家例程而不使用图形界面。 专家例程还可以更方便地将一条长记录分成多条短记录。使用专家例程可以编写系统提供的规则类型以外的任意转换，这时需要自定义写入数据加载日志的信息。一旦为一个转换创建了专家例程，系统会删除同一转换内已经定义好的其他转换规则。

数据分析和数据建模

数据分析和数据建模 大数据应用有几个方面，一个是效率提升，帮助企业提升数据处理效率，降低数据存储成本。另外一个是对业务作出指导，例如精准营销，反欺诈，风险管理以及业务提升。过去企业都是通过线下渠道接触客户，客户数据不全，只能利用财务数据进行业务运营分析，缺少围绕客户的个人数据，数据分析应用的领域集中在企业内部经营和财务分析。 大数据应用有几个方面，一个是效率提升，帮助企业提升数据处理效率，降低数据存储成本。另外一个是对业务作出指导，例如精准营销，反欺诈，风险管理以及业务提升。过去企业都是通过线下渠道接触客户，客户数据不全，只能利用财务数据进行业务运营分析，缺少围绕客户的个人数据，数据分析应用的领域集中在企业内部经营和财务分析。 数字时代到来之后，企业经营的各个阶段都可以被记录下来，产品销售的各个环节也被记录下来，客户的消费行为和网上行为都被采集下来。企业拥有了多维度的数据，包括产品销售数据、客户消费数据、客户行为数据、企业运营数据等。拥有数据之后，数据分析成为可能，企业成立了数据分析团队整理数据和建立模型，找到商品和客户之间的关联关系，商品之间关联关系，另外也找到了收入和客户之间的关联关系。典型的数据分析案例如沃尔玛啤酒和尿布、蛋挞和手电筒，Target的判断16岁少女怀孕都是这种关联关系的体现。

关联分析是统计学应用最早的领域，早在1846年伦敦第二次霍乱期间，约翰医生利用霍乱地图找到了霍乱的传播途径，平息了伦敦霍乱，打败了霍乱源于空气污染说的精英，拯救了几万人的生命。伦敦霍乱平息过程中，约翰医生利用了频数分布分析，建立了霍乱地图，从死亡案例分布的密集程度上归纳出病人分布同水井的关系，从而推断出污染的水源是霍乱的主要传播途径，建议移除水井手柄，降低了霍乱发生的概率。 另外一个典型案例是第二次世界大战期间，统计分析学家改造轰炸机。英美联盟从1943年开始对德国的工业城市进行轰炸，但在1943年年底，轰炸机的损失率达到了英美联盟不能承受的程度。轰炸军司令部请来了统计学家，希望利用数据分析来改造轰炸机的结构，降低阵亡率，提高士兵生还率。统计学家利用大尺寸的飞机模型，详细记录了返航轰炸机的损伤情况。统计学家在飞机模型上将轰炸机受到攻击的部位用黑笔标注出来，两个月后，这些标注布满了机身，有的地方标注明显多于其他地方，例如机身和侧翼。有的地方的标注明显少于其他地方，例如驾驶室和发动机。统计学家让军火商来看这个模型，军火商认为应该加固受到更多攻击的地方，但是统计学家建议对标注少的地方进行加固，标注少的原因不是这些地方不容易被击中，而是被击中的这些地方的飞机，很多都没有返航。这些标注少的地方被击中是飞机坠毁的一个主要原因。军火商按照统计学家的建议进行了飞机加固，大大提高了轰炸机返航的比率。以二战著名的B-17轰炸机为例，其阵亡率由26%降到了7%，帮助美军节约了几亿美金，大大提高了士兵的生还率。 一数据分析中的角色和职责 数据分析团队应该在科技部门内部还在业务部门内部一直存在争议。在业务部门内部，对数据场景比较了解，容易找到数据变现的场景，数据分析对业务提升帮助较大，容易出成绩。但是弊端是仅仅对自己部门的业务数据了解，分析只是局限独立的业务单元之内，在数据获取的效率上，数据维度和数据视角方面缺乏全局观，数据的商业视野不大，对公司整体业务的推动发展有限。业务部门的数据分析团队缺少数据技术能力，无法利用最新的大数据计算和分析技术，来实现数

数学建模车间任务调度问题

数学建模车间任务调度问题 2008-08-11 15:10:53| 分类：|字号 数学建模培训讲座 数学建模历年赛题的分析与思考 主要内容： 1、CUMCM的历年赛题分析； 2、数学建模竞赛的发展趋势； 3、对数学建模的几点想法和思考； 4、参加数学建模竞赛的技巧; 5、近年竞赛题的简要分析与评述。 一、CUMCM历年赛题的分析 数学建模竞赛的规模越来越大, 水平越来越高；竞赛的水平主要体现在赛题水平的提高； 赛题的水平主要体现： （１）综合性、实用性、创新性、即时性等；

（２）多种解题方法的创造性、灵活性、开放性等； （３）给参赛者留有很大的发挥创造的想象空间。 纵览15年的本科组30个题目(专科组还有11个题目)，可以从问题的实际意义、解决问题的方法和题型三个方面作一些简单的分析。 一、CUMCM历年赛题的分析 1. CUMCM 的历年赛题浏览： 1992年:(Ａ)作物生长的施肥效果问题(北理工：叶其孝） (B)化学试验室的实验数据分解问题（复旦：谭永基） 1993年:(Ａ)通讯中非线性交调的频率设计问题（北大:谢衷洁） (Ｂ)足球甲级联赛排名问题（清华：蔡大用） 1994年:(Ａ)山区修建公路的设计造价问题（西电大：何大可） (Ｂ)锁具的制造、销售和装箱问题（复旦:谭永基等） 1995年:(Ａ)飞机的安全飞行管理调度问题（复旦:谭永基等） (Ｂ)天车与冶炼炉的作业调度问题（浙大:刘祥官等） 1996年:(A)最优捕鱼策略问题（北师大：刘来福）

(B)节水洗衣机的程序设计问题（重大：付鹂）1997年:(A)零件参数优化设计问题（清华：姜启源） (B)金刚石截断切割问题（复旦：谭永基等） 1998年:(A)投资的收益和风险问题（浙大：陈淑平） (B)灾情的巡视路线问题（上海海运学院:丁颂康）1999年:(A)自动化机床控制管理问题（北大：孙山泽） (B)地质堪探钻井布局问题（郑州大学：林诒勋） (C)煤矸石堆积问题（太原理工大学：贾晓峰） 2000年:(A)DNA序列的分类问题（北工大：孟大志） (B)钢管的订购和运输问题（武大：费甫生） (C)飞越北极问题（复旦：谭永基） (D)空洞探测问题（东北电力学院：关信） 2001年:(A)三维血管的重建问题（浙大：汪国昭） (B)公交车的优化调度问题（清华：谭泽光）

SAPBW学习笔记(精选版三)

InfoSet MultiProvider InfoSet与MultiProvid er比较 ?InfoSet基本只能连接有实际数据存储的InfoProvider，只有IO、DSO、IC（包括VIC）， 使用Left Join或者Inner Join的方式进行数据操作 ?MP能连接除了自身外的所有InfoProvider，使用Union方式进行数据链接。一般项 目中用于将多个组合键相同的InfoCube链接，提高查询效率，比如按照国家分的 Infocube，组合键都相同，只是国家不一样。 ?MP在建模时，通常会放一个在InfoCube的上面 DataMart APD 查询变量如何建立 一般什么时候用，对应dso的数据如何查看，进入cube吗？ APD BW与第三方BI接口设计与实现：APD、Open Hub、RFM这两种用用不用 APD.doc Delta Management 通讯结构.传输结构.提取结构区别

LO 标准步骤

●传输DataSource》维护提取结构》维护/生成DataSource ●复制和激活SAP BI中的DataSource》维护数据目标》维护转换》维护DTP ●激活提取结构》删除设置表/执行设置提取》选择更新方法 ●增量初始化的InfoPackage》必要时，计划V3集中运行》增量上载的InfoPackage 优化步骤 ●传输DataSource》维护提取结构》维护/生成DataSource》激活提取结构》选择更新方 法》删除/提取设置表 ●复制和激活SAP BI中的DataSource》维护数据目标》维护转换》维护DTP》建立增量初 始化的InfoPackage》必要时，计划V3集中运行》建立增量上载InfoPackage 课堂示例 Update Mode:Direct Delta ●LBWE>Logistics applications>11:SD Sales BW>Extract strucutres>维护Structure:Maintaince> 维护DataSource:2LIS_11_VAITM>Update:Active>Update Mode:Direct Delta ●SBIW>Setting for Application-Specific DataSource(PI)>Logistics>Managing Extract Structures >Initilization>Delete the Contents of the Setup Tables>输入11，执行>返回>Filling in the Setup Table>Application-Specific Setup of Statistical Data>选SD-Sale Orders-Perform Setup>输入Name of run>输入Termination Date & Termination Time>执行>RSA3查看设置表中的数据 ●RSA1>DataSources>SAP>SAP-R/3>SD>Replicate Metadata>2LIS_11_VAITM，激活>如果已存 在，删除旧的Info Pcakage以及进入Scheduler>Initiliazation Option for Source System，删除里面的初始化包，此时RSA7中2LIS_11_VATIM消失，以及进入PSA中删除以前的包>建初始化包Create InfoPackage,Update卡，Initialize Delta Process-Initialize with Data Transfer>Schedule卡，Start>建增量包Create InfoPcakage,Update卡，Delta Update，va01做个增量，Start Update Mode:Queued Delta ●VA02，修改订单>LBWQ查看>LBWE，Update>Job Control>Start Date,Print param>Schedule job>LBWQ中消失RSA7中增加>执行抽取 Update Mode:Unserialized Delta ●VA02，修改订单>SM13查看>LBWE，Update>Job Control>Start Date,Print param>Schedule job>SM13消失，RSA7中增加>执行抽取 LIS DOC DELTA.doc CO-PA 介绍：是针对本身的模块进行的，必须用这种方式来抽取 系统报表：KE30进行查看，IDEA，》ides-》1000,2000》查看，头部是Team Leader,在下面是office