《商务智能：数据分析的管理视角 Business Intelligence, Analytics, and Data Science：A Managerial Perspective》教学资源（习题，原书第4版）chapter 3 Descriptive Analytics II：Business Intelligence and Data Warehousing

Ca和Sr是铸造铝硅合金中最有效的变质元素,一般在浇铸前以中间合金的形式加入.然而在废杂铝熔铸再生工业中,原料中常含有微量的Ca和Sr,预控它们在熔炼过程中的含量变化是它们再利用的前提.本文以工业A356铸锭为原料,实验研究了熔炼温度和保温时间对Ca和Sr质量分数变化规律的影响.结果表明:Ca和Sr质量分数随着保温时间延长均呈Exp3P2规律下降,且随熔炼温度升高质量分数下降速率均逐渐提高.根据热力学和动力学分析可知,在废杂铝熔炼再生过程前期主要发生[Ca]和[Sr]与熔体中的氧发生氧化反应生成CaO和SrO,这些氧化物又会与Al2O3反应生成Al2O3·6CaO和Al2O3·SrO,经扒渣操作后Ca和Sr质量分数下降.在熔炼中后期,[Ca]和[Sr]以扩散至熔体表层还原Al2O3的方式使它们的质量分数降低.计算得出在660~740℃熔炼A356合金时Ca和Sr氧化反应的表观活化能分别为182.6 kJ·mol-1和117.8 kJ·mol-1,两者均受化学反应过程控制.根据Ca和Sr质量分数的变化规律建立了它们的质量分数预报模型,经生产验证表明预报误差均小于10%,可用于预报废杂铝熔炼再生过程Ca和Sr的质量分数

通过Al-Ca复合合金钢水脱氧的平衡热力学计算，确定了钢液的氧的质量分数在3×10-6~1×10-4条件下，1600℃时的Al-Ca复合合金脱氧产物的稳定区域图.以此为基础，假定钙的收得率为100%，预测了钢液在Al-Ca复合合金Ca/Al质量比为5，加入量为M kg；Al-Ca复合合金Ca/Al质量比为0.2，加入量为M kg；Al-Ca复合合金Ca/Al质量比为0.2，加入量为0.2M kg三种不同脱氧制度下夹杂物的演变历程.结果表明，在Ca/Al=5，复合合金加入量使初始钢液中的[Ca]为0.01%，[Al]为0.002%时，夹杂物在钢液精炼过程中的演变历程为：12CaO·7Al2O3（l）/CaO·Al2O3（l）→CaO （s）→12CaO·7Al2O3（l）/CaO·Al2O3（l）→CaO （s）→12CaO·7Al2O3（l）/CaO·Al2O3（l），并确定了固态和液态脱氧产物在脱氧过程中交替形成为最理想的Al-Ca复合合金脱氧制度，可为钢铁企业脱氧剂的选择和应用提供参考和借鉴

本课程是经济学门类各专业的 8 门共同核心课程之一,应作为必修课程和考试课程列入各专业的教学计划。 通过课程教学，使学生达到： 1、了解现代经济学特征，了解经济数量分析课程在经济学课程体系中的地位，了解经济数量分析在经济学的发展和实际经济工作中的作用； 2、掌握基本的计量经济学理论与方法，并对计量经济学理论与方法的新发展有概念性的了解； 3、能够建立并应用简单的计量经济学模型，包括使用常用的计量经济学软件； 4、具有进一步学习与应用计量经济学理论、模型的基础和能力

§1 数列极限的概念 §2 收敛数列的性质 §3 数列极限存在的条件

1数列极限概念 2收敛数列的性质 3数列极限存在的条件

§1 基本概念 §2 常用统计量的抽样分布 §3 n个重要统计量的分布 §4 总体分布的近似描述 §5 杂例

试卷分析: 1、学生基本概念、基本理论掌握情况总体较好,选择和填空题得分率较高。 线 2、学生运用基本知识、理论分析问题解决问题的能力、创新能力,和实践能力不容 乐观,只有少数学生具备这种能力,反映在试卷上第四题:完成程序缺少部分,丢分 率较高,平时应注意多作这方面的演练

1、设a为有理数,x为无理数。证明: (1)a+x是无理数;(2)当a≠0时,ax是无理数。 2、试在数轴上表示出下列不等式的解: (1)x(x2-1)>0;(2)|x-1|x-3|;(3)√x-1-2x-1≥3x-2 3、设a、b∈R证明:若对任何正数ε有a-b<,则a=b

针对分类数据, 通过数据对象在属性值上的集中程度定义了新的基于属性值集中度的类内相似度(similarity based on concentration of attribute values, CONC), 用于衡量聚类结果中类内各数据对象之间的相似度; 通过不同类的特征属性值的差异程度定义了基于强度向量差异的类间差异度(dissimilarity based on discrepancy of SVs, DCRP), 用于衡量两个类之间的差异度.基于CONC和DCRP提出了新的分类数据聚类有效性内部评价指标(clustering validation based on concentration of attribute values, CVC), 它具有以下3个特点: (1)在评价每个类内相似度时, 不仅依靠类内各数据对象的特征, 还考虑了整个数据集的信息; (2)采用几个特征属性值的差异评价两个类的差异度, 确保评价过程不丢失有效的聚类信息, 同时可以消除噪音的影响; (3)在评价类内相似度及类间差异度时, 消除了数据对象个数对评价过程的影响.采用加州大学欧文分校提出的用于机器学习的数据库(UCI)进行实验, 将CVC与类别效用(category utility, CU)指标、基于主观因素的分类数据指标(categorical data clustering with subjective factors, CDCS)指标和基于信息熵的内部评价指标(information entropy, IE)等内部评价指标进行对比, 通过外部评价指标标准交互信息(normalized mutual information, NMI)验证内部评价效果.实验表明相对其他内部评价指标, CVC指标可以更有效地评价聚类结果.此外, CVC指标相对于NMI指标, 不需要数据集以外的信息, 更具实用性