为什么苏联搞不出来 “数学建模”呢？

      你们想过这个问题吗？

      想回答这个问题啊，你得先知道 “数学模型” 是怎么建出来的。

***********************************************************************

      对一个问题进行定量分析啊，首先是抓大放小

      一系列约束条件，我们称用来描述一个问题的目标的数学表达式为目标函数。

      模型是实际对象或情境的一个反映，它可以各种形式表达出来。

       第一类，物理复制称为形象模型，第二类，模拟模型，第三类 数学模型：一系列符号或数学表达式来反映实际问题


所有模型的目标或价值就是它让我们可以通过研究和分析模型来对现实状态做一个推理。

例如，飞机设计人员可以通过将仿真飞机放入风洞进行测试分析，以获得一些真实飞机潜在的飞行特征数据。


同样地，一个数学模型可以用于推演，预测。


一般来说，用模型来做实验，比用实物或真实场景做实验所花费的时间和资金要少。


基于模型分析得到的结论或决策有多少价值，这同模型描述实际情况的程度有很大关系。

模型越趋近于实际，分析出的结果的价值也就越大。


在数学模型中，有两类因素，一类是 可以被管理者和决策者控制的因素称为可控输入。

一类是环境因素，这些因素呢，并不受管理者和决策者的控制。

这种能够影响目标函数和约束条件的环境因素，被称为模型的非可控输入。


可控输入是可以由管理者和决策者具体制定的，因此它也被称为模型的决策变量。


一旦所有可控和非可控输入都已经确定，目标函数和约束条件就可在模型中被考虑，
模型的输出便也确定下来。这样的话，模型的输出就是在那些实际环境因素和决策下会产生的结果了。


决策者是无法影响非可控输入的

非可控输入既可以是非常明确的，也可以是不确定的、变化的。

如果一个模型的非可控输入都是已知的，不可变的，这样的模型称为确定模型。

如果一个模型的非可控输入是不确定的，变化的，这样的模型就称为随机模型或概率模型。

***********************************************************************

数据准备

很多缺乏经验的定量分析员认为，一旦问题被定义，大体模型也就建立起来了。问题就基本解决了。这些人觉得数据准备是一个微不足道的环节。

可这样的想法与事实大相径庭，特别是对于那些需要输入大量数据的大规模的模型来说尤为如此。

***********************************************************************

对一个问题实行定量分析的另一个步骤是准备模型所需要的数据。这里所说的数据是指模型的非可控输入的值。

环境不定，这个模型是定不下来的。这个模型，压根就是数据喂出来的，得出来的是一个表达式，可控因素的一个表达式。（不可控的环境，用大量数据替代）

在数学模型的方程建立起来的同时，我们将模型需要的数值带入进去了。

通常情况下，在这个阶段需要建立一个比较大的数据库来支持数学模型。


非可控输入的值，而且不好找。用符号代替

***********************************************************************

       然后找个傻逼，让他去喂数据吧

       而且是一个负责任的傻逼，

       然后，傻逼对你说，“哎，你这个模型不对啊”

        你说，“是吗？ 好聪明哦 ”

***********************************************************************

       尽管反复试验的办法经常被采用且能为管理者提供一些有价值的信息，但它也有明显的缺点，比如：它并非总能产生最优解，而且如果备选方案过多，会因为要进行大量的计算而变得效率低下。


***********************************************************************

回到我们原始的问题，苏联为什么搞不出来 “数学建模”呢？

因为它丫根 就是统计，根本就不是数学