葡萄酒的评价研究

2012年9月份

数学建模A题

葡萄酒的评价研究

摘要

本文基于假设检验、聚类分析以及回归分析等多种判别方法，分别研究了红、白葡萄酒的理化指标以及对应的酿酒葡萄的理化指标与葡萄酒的关系。具体地，本文解决了以下四个问题：

第一，研究了两组评酒员的评分的差别和信度分析。利用两配对样本T－检验方法对两组评酒员的评分差别进行了显著性检验，结果表明两组的评分差别是显著的。另外，利用信度分析对两组评酒员的评分可信性进行了比较，结果表明第一组的评分相对较为可信。

第二，研究了基于酿酒葡萄的理化指标以及葡萄酒的质量对酿酒葡萄的分类问题。利用聚类分析方法，分别利用酿酒葡萄的理化指标以及葡萄酒的质量对酿酒葡萄进行了聚类分析。结果表明基于二者的分类结果大部分是类似的，但某些地方还是有一定的差别，这就表明酿酒葡萄的理化指标影响葡萄酒的质量，但不是唯一的因素，酿造工艺等也会影响葡萄酒的质量。

第三，研究了葡萄酒的理化指标与酿酒葡萄理化指标的相关性分析。利用典型相关分析方法，得到了两种理化指标之间的典型相关变量。结果表明葡萄酒的理化指标与酿酒葡萄理化指标具有较强的典型相关性。

第四，研究了酿酒葡萄的理化指标以及葡萄酒的理化指标对葡萄酒质量的影响。首先利用边际相关分析，得到了两种理化指标对葡萄酒质量影响的重要因素。并且进一步利用回归分析方法，建立了葡萄酒的质量与两种理化指标之间的回归方程。最后利用判别分析方法，利用葡萄和葡萄酒的理化指标来对葡萄酒的质量等级进行判别。结果表明，利用葡萄和葡萄酒的理化指标可以有效地对葡萄酒的质量进行评价。

关键词：葡萄酒理化指标；葡萄理化指标；聚类分析；回归分析

1

一、问题的重述

葡萄酒的品种很多，由于葡萄的栽培、葡萄酒生产工艺条件的不同，产品风格各不相同，因此区分葡萄酒好坏没有具体、绝对的量化标准，确定葡萄酒质量时一般是通过聘请一批有资质的评酒员进行品评。每个评酒员在对葡萄酒进行品尝后对其分类指标打分，然后求和得到其总分，从而确定葡萄酒的质量。酿酒葡萄的好坏与所酿葡萄酒的质量有直接的关系，葡萄酒和酿酒葡萄检测的理化指标会在一定程度上反映葡萄酒和葡萄的质量。本论文主要解决以下四个问题：

1. 通过分析附件1中两组评酒员的评价结果是否有显著性差异来确定哪一组结果更可信。

2. 根据酿酒葡萄的理化指标和葡萄酒的质量对这些酿酒葡萄进行分级。 3. 分析酿酒葡萄与葡萄酒的理化指标之间的联系。

4．分析酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响，并论证能否用其来评价葡萄酒的质量。

二、问题分析

问题1的分析：首先利用两样本T－检验对两组评酒员的评分差别进行了显著性检验。然后，利用信度分析对两组评酒员的评分可信性进行比较，找出两组评分间的差异性以及可信度。

问题2的分析：首先利用聚类分析方法，分别利用酿酒葡萄的理化指标以及葡萄酒的质量对酿酒葡萄进行了聚类分析。由于理化指标过多，且其间往往存在共线性，为此首先对理化指标做主成份分析，然后利用主成份进行系统聚类分析，得出葡萄的分类等级。

问题3的分析：研究了葡萄酒的理化指标与酿酒葡萄理化指标的相关性分析。由于是两组多指标之间的相关分析，为此本文利用典型相关分析方法进行相关分析，找出两组理化指标之间的典型相关变量，研究葡萄酒的理化指标与酿酒葡萄理化指标间的典型相关性。

问题4的分析：研究酿酒葡萄的理化指标以及葡萄酒的理化指标对葡萄酒质量的影响。首先利用边际相关分析，得到两种理化指标对葡萄酒质量影响的重要因素。并且进一步利用回归分析方法，建立了葡萄酒的质量与两种理化指标之间的回归方程。最后利用判别分析方法，利用葡萄和葡萄酒的理化指标来对葡萄酒的质量等级进行判别，得出结果。

三、模型假设

1.假设评酒时有一个客观的标准，评酒员是权威且公正的，将严格按照此标准品评葡萄酒。

2.假设不同评酒员的评分是相互的，同一评酒员对不同酒样的评分也是相互的。

3.假设同种酒样品之间无任何差异，无质量问题。

4.假设所给葡萄和葡萄酒的理化指标数据是准确无误的。 5.假设各种葡萄的生长环境相同，不存在地域差异。

2

四、符号说明

i:总体的一个样本来

:显著水平

:皮尔逊系数

1：模式特征向量

dij:类与类之间的距离 zi：聚类中心

GiD

k

k：聚类

：对称距离矩阵

五、模型的建立与求解

1．问题一的模型的建立与求解过程

1.1 对附件1中所给出的两组评酒员评价结果进行两配对T－检验 1.1.1 基本原理

配对样本是指对同一样本进行两次测试所获得的两组数据，或对两个完全相同的样本在不同条件下进行测试所得的两组数据。

两样本T检验就是根据样本数据对两个配对样本来自两配对总体的均值是否有显著差异进行推断。

设总体1服从正态分布N1，12，总体2服从正态分布N2，22,分别从这

两个总体中抽取样本11,12,...1n和21,22,...2n，且两样本相互配对。要求检验

1和2是否有显著差异。

第一步，引进一个新的随机变量12，对应的样本值为y1,y2...yn，其中

y121,2,...n，这验的均值是否与0有显著差异。 第二步，建立零假设0：0 第三步，构造t统计量

T检验问题。即转化为检

tsyyt ～n1 n1第四步，SPSS自动计算t值和对应的P值.

3

第五步，作出推断:

若p值<显著水平,则拒绝零假设，即认为两总体均值存在显著差异

若p值>显著水平,则不能拒绝零假设，即认为两总体均值不存在显著差异

1.1.2 将两组评酒员对红葡萄酒的评价结果进行T检验。

我们通过对问题一进行深入解读，对所给的数据（附表一）进行分析，利用SPSS软件对数据进行处理，从而计算出两组样本的差值，并将相应数据代入公式，计算出红葡萄酒T检验的结果如下表：

红葡萄酒T-tesst Paired Samples Test Paired Differences 95% Confidence Std. Std. Interval of the DeviatError Difference Mean ion Mean Lower Upper t 1.297 3.784 Sig. (2-tailed) .000 df Pair 第一组评价2.1 得分 - 第二10.376 .631 1 组评价得分 4.02269 4 由表可看出，Sig =0.000<0.05，则拒绝零假设，即认为两组评酒员的评价结果存在显著差异

1.1.3 将两组评酒员对白葡萄酒的评价结果进行T检验

我们再次利用SPSS软件计算出两组样本的差值，并将相应数据代入公式，计算出白葡萄酒T检验结果如下表：

白葡萄酒T-tesst Paired Samples Test Paired Differences 95% Confidence Std. Std. Interval of the Difference DeviaError Mean tion Mean Lower Upper Sig. (2-tadf iled) 269 .000 t Pair 第一组评价得10.371 分 - 第二组评2.1 .631 1.297 6 价得分 3.784 4.024 由表可看出，Sig =0.000<0.05，则拒绝零假设，即认为两组评酒员的评价结果存在显差异。

4

1.2 分别将两组评酒员对红葡萄酒、白葡萄酒的评价结果进行信度分析 1.2.1 基本原理

通常把测量结果的可靠性称之为信度，即测量结果的一致性或可信性程度，在测量学中，信度被定义为，一组测量分数的真变异数与总变异数（实得变异数）的比率，信度是衡量没有误差的程度。

信度分析又称可靠性分析，是检验测量工具的可靠性和稳定性的主要方法；信度问题其实测的是一致性的问题，一致性分为内部一致性和外部一致性。信度的测量克伦系数，与皮尔逊系数都是一样的范围在0—1 之间，如果为负值则表明表中某些项目的内容是其他一些项目的反面；越接近于1，则量表中项目的内部一致性越是高。的计算式非常简单，根据量表中的项目数和各项之间的相关系数计算而来。



11当量表中项目增加时，值也会增大；同时，项目之间的相关系数较高时，也会比较大。这里的是指各项与其他各项之和计算相关系数的平均值

1.2.2 将两组评酒员对红葡萄酒的评价结果进行信度分析 利用SPSS软件对第一组、第二组中红葡萄酒的评价结果数据进行信度分析所得结果如下表：

红葡萄酒第1组信度分析： 红葡萄酒第2组信度分析：

Reliability Statistics Reliability Statistics Cronbach's Alpha Based on Cronbach's StandardizeN of Alpha d Items Items .912

通过现有数据可以看出，第一组中对红葡萄酒评价结果的克伦系数分别为：0.912,0.921, 而第二组中对红葡萄评价结果的伦系数分别为：0.861,0.867, 显然第一组的克伦系数大于第二组，测试的可靠性第一组高于第二组。

1.2.3 对两组白葡萄酒的评价结果进行信度分析

相同的道理，我们再一次利用SPSS软件对第一组、第二组中红葡萄酒的评价结果数据进行信度分析所得结果如下表：

5

Cronbach's Alpha Based on Cronbach's StandardizeN of Alpha d Items Items .861 .867 10 .921 10 白葡萄酒第1组信度分析： 白葡萄酒第2组信度分析： Reliability Statistics Reliability Statistics Cronbach's Alpha Based on Cronbach's StandardizeN of Alpha d Items Items .779

通过现有数据可以看出，第一组中对白葡萄酒评价结果的克伦系数分别为：0.779、0.801, 而第二组中对白葡萄评价结果的伦系数分别为：0.697、0.717, 显然第一组的克伦系数都大于第二组，测试的可靠性第一组高于第二组。

通过以上将两组评酒员对红葡萄酒、白葡萄酒的评价结果进行T检验后，发现两组评酒员对红葡萄酒、白葡萄酒的评价存在着显著差异，再分别将两组评酒员对红葡萄酒、白葡萄的评价结果进行信度分析可知第一组评酒员的评价结果更为可信。

2. 问题二的模型的建立与求解过程

2.1 基于酿酒葡萄的理化指标和葡萄酒质量对酿酒葡萄的聚类分析 2.1.1 聚类分析原理

聚类分析是将样品或变量按照它们在性质上的亲疏程度进行分类的多元统计方法。聚类分析时，用来描述样品或变量的亲疏程度通常有两个途径，一是把每个样品或变量看成是空间上的一点，在坐标中，定义点与点，类与类之间的距离，用点与点间距离来描述样品或变量之间的亲疏程度;另一个是计算样品或变量的相似系数，用相似系数来描述样品或变量之间的亲疏程度。 简单的聚类方法

㈠ 根据相似性阈值和最小距离原则的简单聚类方法

1.算法思想：计算模式特征矢量到聚类中心的距离并和门限T比较而决定归属该类或作为新的一类中心。通常选择欧氏距离。

2. 算法原理步骤

⑴ 取任意的一个模式特征矢量作为第一个聚类中心。例如，令第一类1的中心

.801 10 Cronbach's Alpha Based on Cronbach's StandardizeN of Alpha d Items Items .697 .717 10 z1=1。

⑵ 计算下一个模式特征矢量2到z1的距离d21。若d21T，则建立新的一类2，其中心z2x2；若d21T，则x21。

⑶ 假设已有聚类中心z1,z2,zk，计算尚未确定类别的模式特征矢量xi到各聚类中心zjj1,2,,k的距离dij，如果dijTj1,2,,k，则xi作为新的一类k1的中心

6

zk1xi；否则，如果 dijmindij

j则指判xii。检查是否所有的模式都分划完类别，如都分划完了则结束；否则返到⑶。 ㈡ 最大最小距离算法

1. 基本思想：在模式特征矢量集中以最大距离原则选取新的聚类中心，以最小距离原则进行模式归类。这种方法通常也使用欧氏距离。 2. 算法原理步骤

⑴ 选任一模式特征矢量作为第一个聚类中心z1。例如z1x1。

⑵ 从待分类矢量集中选距离z1最远的特征矢量作为第二个聚类中心z2。 ⑶ 计算未被作为聚类中心的各模式特征矢量xi与z1z2之间的距离并求出它们之中的最小值，即 dijxizj j1,2

dimindi1,di2i1,2,,N

为表述简洁，虽然某些模式已选做聚类中心，但上面仍将所有模式下角标全部列写出来，因这并不影响算法的正确性。

⑷ 若 dimaxmindi1,di2z1z2

i则相应的特征矢量xi作为第三个聚类中心，z3xi。此例中z3x7。然后转至⑸；否则，转至最后一步⑹。

⑸ 设存在k个聚类中心，计算未被作为聚类中心的各特征矢量到各聚类中心的距离dij,并算出 dimaxmindi1,di2,dik

i如果diz1z2，则zk1xi并转至⑸；否则，转至最后一步⑹。

⑹ 当判断出不再有新的聚类中心之后，将模式特征矢量x1,x2,,xN按最小距离原则分到各类中去，即计算

dijxizj j1,2,;i1,2,,N

x2,x62，z2x6；当diimindij，则判xii。在此例中，x1,x3,x41，z1x1；

jx5,x7,x8,x9,x103，z3x7。

7

2.2 系统聚类分析

根据题意，我们对酿酒葡萄的理化指标和葡萄酒的质量进行系统聚类分析来对酿酒葡萄进行分级。

2.2.1系统聚类分析法 a. 基本思想：

首先将N个模式视作各自成为一类，然后计算类与类之间的距离，选择距离最小的一对合并成一个新类，计算在新产生的类别分划下各类之间的距离，再将距离最近的两类合并，直至所有模式聚成两类为止。 b. 算法步骤

⑴ 初始分类。令k0，每个模式自成一类，即Gi0xii1,2,,c。

k⑵ 计算各类间的距离Dij，生成一个对称的距离矩阵DkDijmm， m为类的个数。

k⑶ 找出前一步求得的矩阵D中的最小元素，设它是Gi和Gjk间的距离，将

Gik和Gjk两类合并成一类，于是产生新的聚类G1k1,G2k1,，令mm1。

⑷ 检查类的个数。如果类数m大于2，令kk1，转至⑵；否则，停止。 如果某一循环中具有最小类间距离不止一个类对，则对应这些最小距离的类可以同时合并。上述算法步骤给出了从N类至类的完整聚类过程。

2.2.2 基于酿酒葡萄的理化指标和葡萄酒质量的进行系统聚类分析

根据上述的四个方法步骤，我们先运用Excel对题目所给的两种葡萄的理化指标的数据进行分析和整理，再运用SPSS软件对酿酒葡萄的理化指标进行系统聚类分析，得出其结果如下图所示：

8

基于红葡萄酒的酿酒葡萄理化指标对葡萄的聚类分析

C A S E 0 5 10 15 20 25 Label Num +---------+---------+---------+---------+---------+

13 ─┬─┐ 19 ─┘ ├───┐ 27 ───┘ ├─┐ 25 ───────┘ ├─┐ 4 ─┬─────┐ │ │ 7 ─┘ ├─┘ │ 15 ───────┘ ├───┐ 6 ─┐ │ │ 12 ─┼───┐ │ ├─┐ 18 ─┘ ├─────┘ │ │ 22 ─────┘ │ │ 2 ─────────────┬─┘ ├─┐ 16 ─────────────┘ │ │ 5 ─┬───┐ │ │ 24 ─┘ ├───────┐ │ ├─────┐ 17 ─────┘ ├───┘ │ │ 23 ─────────────┘ │ ├───┐ 20 ─────┬─────────────┘ │ │ 26 ─────┘ │ ├─┐ 9 ───────────────────┬─────┘ │ │ 21 ───────────────────┘ │ ├─┐ 8 ───────┬─────────────────────┘ │ │ 14 ───────┘ │ ├─┐

10 ───────────────────────────────┘ │ ├─────────────┐ 1 ─────────────────────────────────┘ │ │ 3 ───────────────────────────────────┘ │ 11 ─────────────────────────────────────────────────┘

9

基于红葡萄酒质量对葡萄的聚类分析

C A S E 0 5 10 15 20 25 Label Num +---------+---------+---------+---------+---------+

14 ─┐ 27 ─┤ 5 ─┤ 6 ─┤ 8 ─┼─┐ 7 ─┤ │ 13 ─┤ │

16 ─┤ ├───────┐ 10 ─┤ │ │ 26 ─┘ │ │ 4 ─┐ │ │ 25 ─┼─┘ │ 11 ─┘ │

2 ─┐ ├─────────────────────────────────────┐ 3 ─┤ │ │ 9 ─┤ │ │ 21 ─┼─────┐ │ │ 22 ─┤ │ │ │ 19 ─┤ │ │ │ 20 ─┤ ├───┘ │ 24 ─┤ │ │ 17 ─┘ │ │ 23 ───────┘ │ 15 ─┐ │ 18 ─┼─────┐ │ 1 ─┘ ├─────────────────────────────────────────┘ 12 ───────┘

10

基于白葡萄酒的酿酒葡萄理化指标对葡萄的聚类分析

C A S E 0 5 10 15 20 25 Label Num +---------+---------+---------+---------+---------+

5 ─┬─────────┐

20 ─┘ ├───────┐ 9 ───────┬───┘ ├───┐ 28 ───────┘ │ │ 3 ───────────────────┘ │ 21 ───┬───────────┐ │ 23 ───┘ ├───┐ │ 19 ───────┬─┐ │ │ │ 25 ───────┘ ├─────┘ │ ├───┐ 11 ───┬─────┤ ├───┤ │ 12 ───┘ │ │ │ │ 2 ─────────┘ │ │ │ 10 ───┬─────────────┐ │ │ │ 24 ───┘ ├─┘ │ │ 26 ─────────────────┘ │ │

14 ───────┬─┐ │ ├─────────┐ 18 ───────┘ ├───────┐ │ │ │ 6 ─────────┘ ├───┐ │ │ │ 7 ─────────────────┘ │ │ │ │ 4 ─────┬───┐ ├─┘ │ │ 17 ─────┘ ├───────┐ │ │ ├─────┐ 22 ─────────┘ ├───┘ │ │ │ 13 ─────────────────┘ │ │ │ 8 ─────────┬─────────────────┘ │ ├─────┐ 16 ─────────┘ │ │ │ 15 ─────────────────────────────────────┘ │ │ 1 ───────────────────────────────────────────┘ │ 27 ─────────────────────────────────────────────────┘

11

基于白葡萄酒质量对葡萄的聚类分析

C A S E 0 5 10 15 20 25 Label Num +---------+---------+---------+---------+---------+

26 ─┐ 28 ─┼───┐

1 ─┘ ├─────────────────────────┐ 3 ─────┘ │ 2 ─┐ │ 10 ─┤ │ 16 ─┤ │

5 ─┼─────────┐ ├─────────────────┐ 22 ─┤ │ │ │ 8 ─┤ │ │ │ 11 ─┤ │ │ │ 19 ─┤ │ │ │ 15 ─┤ ├───────────────────┘ │ 14 ─┤ │ │ 9 ─┤ │ │ 18 ─┤ │ │ 24 ─┘ │ │ 4 ─┬─┐ │ │ 17 ─┘ ├───────┘ │ 21 ─┐ │ │ 23 ─┼─┘ │ 7 ─┤ │ 20 ─┤ │ 25 ─┘ │ 13 ─┐ │ 27 ─┼─────┐ │ 12 ─┘ ├─────────────────────────────────────────┘ 6 ───────┘

以上结果表明，基于葡萄理化指标与葡萄酒质量的聚类结果大部分是类似的，但某些地方还是有一定的差别，这就表明酿酒葡萄的理化指标影响葡萄酒的质量，但不是唯一的因素，比如酿造工艺等也会影响葡萄酒的质量。

3. 问题三的模型的建立与求解过程

3.1 酿酒葡萄与葡萄酒理化指标之间的典型相关分析 3.1.1 典型相关分析的基本思想

典型相关分析（Canonical Correlation）是研究两组变量之间相关关系的一种多

12

元统计方法。它能够揭示出两组变量之间的内在联系。典型相关分析由Hotelling提出，其基本思想和主成分分析非常相似。首先在每组变量中找出变量的线性组合，使得两组的线性组合之间具有最大的相关系数。然后选取和最初挑选的这对线性组合不相关的线性组合，使其配对，并选取相关系数最大的一对，如此继续下去，直到两组变量之间的相关性被提取完毕为此。被选出的线性组合配对称为典型变量，它们的相关系数称为典型相关系数。典型相关系数度量了这两组变量之间联系的强度。

(1)(2)(2)一般情况，设X(1)(X1(1),X2(1),,Xp)、X(2)(X1(2),X2,,Xq)是两个相互关联

的随机向量，分别在两组变量中选取若干有代表性的综合变量Ui、Vi，使得每一个综合变量是原变量的线性组合，即

(i)(i)(1)(i)(1)Uia1X1(1)a2X2aPXPa(i)X(1)

(i)(2)(i)(2)Vib1(i)X1(2)b2X2bqXqb(i)X(2)

为了确保典型变量的唯一性，我们只考虑方差为1的X(1)、X(2)的线性函数a(i)X(1)与b(i)X(2)，求使得它们相关系数达到最大的这一组。若存在常向量a(1)，b(1)，在

)X(2的条件下，使得(a(1)X(1),b(1)X(2))达到最大，则称a(1)X(1)、D(a(1)X(1))D(b(1))1b(1)X(2)是X(1)、X(2)的第一对典型相关变量。求出第一对典型相关变量之后，可以类似的求出各对之间互不相关的第二对、第三对等典型相关变量。这些典型相关变量就反映了X(1)，X(2)之间的线性相关情况。这里值得注意的是，我们可以通过检验各对典型相关变量相关系数的显著性，来反映每一对综合变量的代表性，如果某一对的相关程度不显著，那么这对变量就不具有代表性，不具有代表性的变量就可以忽略。这样就可以通过对少数典型相关变量的研究，代替原来两组变量之间的相关关系的研究，从而容易抓住问题的本质。

设从该总体中抽取样本容量为n的样本，得到下列数据矩阵：

(1)(1)X11X12X1(1)p(1)(1)(1)XXX222p X(1)21(1)(1)(1)XXXn2npn1(2)(2)X11X12X1(2)q(2)(2)(2)XXX21222q X(2)(2)(2)(2)Xn1Xn2Xnq样本均值向量

X(1)1n(1)1n(2)(1)(2) X(2) 其中XX，XX

n1n1X样本协差阵

13

ˆΣˆ11ΣˆΣ21其中

ˆΣ12 ˆΣ22n1ˆΣ(X(jk)X(k))(X(jl)X(l)),k,l1,2 kln1j1由此可得矩阵A和B的样本估计：

ˆΣˆ1Σˆˆ1ˆA1112Σ22Σ21 ˆΣˆ1ΣˆΣˆ1Σˆ B22211112ˆ和Bˆ的特征根及其相应的特征向量，求解A即可得到所要求的典型相关变量及其典型相

关系数。

在进行典型相关分析时，对于两随机向量X(1)、X(2)，我们可以提取出p对典型变量，问题是进行典型相关分析的目的就是要减少分析变量，简化两组变量间关系分析，提取p对变量是否必要？我们如何确定保留多少对典型变量？

巴特莱特（Bartlett）提出了一个根据样本数据检验总体典型相关系数1,2,,r是否等于零的方法。检验假设为

H0:k1k2r0

H1:k10

用于检验的似然比统计量为：

kik1ˆ(1r2i) （9.14）

可以证明，Qkmklnk近似服从2(fk)分布，其中自由度

1fk(pk)(qk)，mk(nk1)(pq1)。

2我们首先检验H0:12r0。此时k0，则（9.14）式为

ˆ2)(1ˆ)(1ˆ)(1ˆ) Qmln[(n1)1(pq1)]ln 0(1000i12r2i12若Q0(f0)，则拒绝原假设，也就是说至少有一个典型相关系数大于零，自然应是最大的典型相关系数10。

若已判定10，则再检验H0:23r0。此时k1，则（9.14）为

rˆ2)(1ˆ)(1ˆ)(1ˆ) 1(1i23ri2r1Q1m1ln1[(n11)(pq1)]ln1

22Q1近似服从2(f1)分布，其中f1(p1)(q1)，如果Q1(f1)，则拒绝原假设，也即

认为2,3,,r至少有一个大于零，自然是20。

若已判断1和2大于零，重复以上步骤直至H0:jj1 r0，此时令

ˆ2)(1ˆ)(1ˆ)(1ˆ) j1(1ijj1rijr14

则

1Qj1mj1lnj1[(nj)(pq1)lnj1

22Qj1近似服从2(fj1)分布，其中fj1(pj1)(qj1)，如果Qj1(fj1)，则

jj1r0，于是总体只有j1个典型相关系数不为零，提取j1对典型变量

进行分析。

3.2 红葡萄酒的酿酒葡萄与葡萄酒的理化指标之间的典型相关分析

由于酿酒葡萄一共有30个理化指标，而只有部分指标与葡萄酒的指标具有显著的相关性，另外，这30个指标之间也存在较强的共线性。为此，我们首先通过边际相关分析，选出红葡萄酒的酿酒葡萄与葡萄酒的两组具有显著相关的理化指标，其中红葡萄酒共有9个理化指标分别为花色苷，单宁，总酚，酒总黄酮，白藜芦醇，DPPH半抑制体积，色泽L*，色泽a*，色泽b*。分别记为y1，y2，y3，y4，y5，y6，y7，y8，y9。 红葡萄酒的酿酒葡萄共有13个理化指标分别为氨基酸总量，蛋白质，花色苷，酒石酸，苹果酸，多酚氧化酶活力，褐变度，DPPH自由基，总酚 葡萄总黄酮，白藜芦醇，黄酮醇，可溶性固形物，出汁率，果皮颜色。分别记为x1，x2，x3，x4，x5，x6，x7，x8，x9，x10，x11，x12，x13，x14，x15。

利用SPSS16进行典型相关分析运算，结果如下:

Canonical Correlations

1 2 3 4 5 6 7 8 9 0.998 0.996 0.985 0.926 0.825 0.744 0.7 0.63 0.404

上表为9组典型相关变量的相关系数，从相关系数可以看出红葡萄酒的酿酒葡萄的理化指标与葡萄酒的理化指标具有较强的相关关系。

Test that remaining correlations are zero:

Wilk's Chi SQ DF Sig. Wilk's Chi SQ DF Sig. 1 0 259.673 135 0 2 0 182.661 112 0 3 0 118.173 91 0.029 4 0.005 70.883 72 0.515 5 0.037 44.586 55 0.841 6 0.115 29.198 40 0.6 7 0.257 18.33 27 0.3 8 0.505 9.227 16 0.904 9 0.836 2.411 7 0.934

上表为对9组典型相关变量的相关显著性的Wilks’检验，从检验结果可知前3组典型相关变量对应的P值均小于0.05，具有显著的相关性，并且可以看出我们只须取前3组典型相关变量进行分析。

15

Standardized Canonical Coefficients for Set-1 1 2 3 4 5 6 7 8 9 x1 -0.377 0.139 -0.122 0.0 -0.453 0.611 0.426 -0.473 0.178 x2 0.147 0.156 0.734 -0.809 0.232 0.186 -0.917 -0.445 -0.408 X3 -0.135 0.447 -0.85 -0.741 0.335 -1.3 1.638 0.259 -2.451 X4 0.347 -0.065 -0.219 0.592 -0.185 -0.378 0.055 -0.275 -0.107 X5 0.682 -0.211 0.075 0.077 -0.282 1.188 -0.975 -0.2 1.666 X6 0.37 -0.46 -0.6 0.305 -0.122 -0.587 -0.216 -0.329 0.242 X7 -0.426 0.386 0.11 -0.395 -0.44 0.569 -0.035 0.832 -0.371 X8 -0.432 0.715 0.081 0.492 -0.455 2.603 0.263 -0.117 0.318 X9 0.201 -0.191 0.506 -0.115 0.679 -2.174 -0.692 -0.243 2.304 x10 -0.62 -0.412 -1.065 0.335 -0.585 0.141 -0.574 0.095 -1.307 x11 0.125 0.011 -0.333 0.091 0.216 -0.57 0.396 0.71 -0.131 x12 0.572 0.14 0.46 0.378 0.179 -0.415 -0.019 -0.261 0.581 x13 -0.003 0.7 0.43 -0.074 -0.362 0.14 -0.208 1.055 -0.965 X14 0.01 0.026 0.293 0.073 0.331 -0.142 0.225 0.0 0.922 X15 -0.699 -0.098 0.247 -0.692 -0.622 -0.477 0.01 -0.582 -0.104

Standardized Canonical Coefficients for Set-2 1 2 3 4 5 6 7 8 9 y1 1.838 -0.619 -1.398 0.495 -1.742 0.382 -0.378 2.04 -0.478 y2 0.282 1.526 1.592 0.277 -0.258 -0.359 1.115 0.46 -2.011 y3 -0.79 -1.056 -1.688 0.258 -0.68 2.028 -2.187 -2.66 -1.349 y4 -0.168 0.128 -0.172 -0.713 0.76 -2.016 -0.512 1.25 -1.553 y5 -0.165 0.14 -0.384 0.251 0.009 -0.749 1.283 0.31 -0.609 y6 -0.385 -0.1 0.418 0.705 -0.459 1.529 -0.241 1.1 4.414 y7 0.46 -0.991 -0.813 0.874 -2.339 1.169 -1.241 1.91 -1.1 y8 0.412 -0.363 -0.268 0.82 -0.031 1.01 -0.953 0.7 -0.498 y9 0.707 -0.273 -0.225 0.531 -0.936 -0.63 -0.465 0.24 -0.182

上表为9组典型相关变量对应的系数，从表中可以看出第一组典型相关变量主要反应的是x5,x12,x15与y1,y2,y9之间的相关关系，第二组典型相关变量主要反应的是x8,x10与y2,y3,y7之间的相关关系，第三组典型相关变量主要反应的是x3,x10与y1，y2,y3之间的相关关系。

3.3 白葡萄酒的酿酒葡萄与葡萄酒的理化指标之间的典型相关分析

类似2.1节，由于白葡萄酒的酿酒葡萄一共也有30个理化指标，而只有部分指标与葡萄酒的指标具有显著的相关性，另外，这30个指标之间也存较强的共线性。为此，我们同样首先通过边际相关分析，选出红葡萄酒的酿酒葡萄与葡萄酒的两组具有显著相关的理化指标，其中红葡萄酒共有8个理化指标分别为单宁，总酚，酒总黄酮，白藜芦醇，DPPH半抑制体积，色泽L*，色泽a*，色泽b*。分别记为y1，y2，y3，y4，y5，y6，y7，y8。白葡萄酒的酿酒葡萄共有13个理化指标分别为氨基酸总量，蛋白质，总酚，单宁，葡萄总黄酮，还原糖，PH值，固酸比，干物质含量，出汁率，果皮质量。分别记为x1，x2，x3，x4，x5，x6，x7，x8，x9，x10，x11。

16

利用SPSS16进行典型相关分析运算，结果如下: Canonical Correlations

1 2 3 4 5 6 7 8 0.966 0.912 0.749 0.698 0.369 0.351 0.131 0.000

上表为9组典型相关变量的相关系数，从相关系数可以看出白葡萄酒的酿酒葡萄的理化指标与葡萄酒的理化指标前两个典型相关变量的相关系数达到了0.9以上，具有较强的相关关系。

Test that remaining correlations are zero:

Wilk's Chi-SQ DF Sig.

1 0.002 106.397 88 0.049 2 0.028 60.62 70 0.781 3 0.168 30.361 0.996 4 0.382 16.343 40 1 5 0.745 5.011 28 1 6 0.862 2.524 18 1 7 0.983 0.293 10 1 8 1 0 4 1

上表为对9组典型相关变量的相关显著性的Wilks’检验，从检验结果可知第1组典型相关变量对应的P值小于0.05，具有显著的相关性，并且可以看出我们只须取第1组典型相关变量进行分析。

Standardized Canonical Coefficients for Set-1 1 2 3 4 5 6 7 8 x1 -0.277 0.048 -0.195 0.277 0.408 0.2 -0.469 -0.3 x2 -0.426 -0.08 0.132 -0.723 0.667 -0.098 -0.182 -0.2 x11 -1.258 -0.172 1.398 0.527 -2.191 -0.191 -0.838 -1.3 x12 -0.008 -0.327 -0.677 0.514 -0.308 -0.866 -1.202 -0.4 x13 0.83 0.6 -1.339 -0.476 1.984 0.86 2.077 2.4 x17 0.217 0.473 -0.213 -0.72 -0.115 1.294 0.849 0.4 x19 0.424 0.15 -0.271 -0.577 0.087 -0.102 -0.111 0.2 x21 -0.533 -0.061 0.177 0.605 -0.13 0.044 -0.778 0.2 x22 -0.017 0.248 0.117 0.709 -0.095 -1.015 0.427 -0.6 x26 -0.063 -0.561 -0.513 0.441 0.062 0.314 -0.023 -0.2 x27 -0.145 -0.191 -0.342 -0.117 -0.612 -0.679 -0.253 -0.6

17

Standardized Canonical Coefficients for Set-2 1 2 3 4 5 6 7 8 y2 0.2 0.141 -0.617 -0.113 0.525 -0.959 -1.72 0 y3 0.196 0.255 -0.951 -0.472 -0.535 1.4 4.114 17668820 y4 0.134 0.281 -0.739 -0.561 0.701 0.763 6.605 55399946 y5 0.459 -0.051 -0.532 0.148 0.427 -0.562 1.787 10130200 y6 -1.207 -0.283 1.452 1.34 -1.205 -1.434 -8.576 -7E+07 y7 -0.667 -0.281 1.483 -3.482 -0.131 -0.953 0.613 0 y8 -0.443 -0.055 0.567 -1.597 1.472 -0.468 0.714 0 y9 -0.762 0.597 2.2 -4.121 0.875 -1.344 0.9 0

上表为9组典型相关变量对应的系数，从表中可以看出第一组典型相关变量主要反应的是x11,x13与y6,y7之间的相关关系。

4. 问题四的模型的建立与求解过程

4.1 葡萄及葡萄酒的理化指标对葡萄酒质量影响的相关分析 4.1.1 白葡萄的理化指标对葡萄酒质量影响的相关分析

根据附件2中白葡萄的理化指标数据，用SPSS软件对理化指标数据和各种葡萄酒的平均分进行相关分析，白葡萄的理化指标中氨基酸的总量、总酚、葡萄总黄酮、黄酮醇的P值都小于0.05,说明这几个理化指标对葡萄酒的评分结果有显著影响，根据评分越高酒质量越好的原则，可知这几个理化指标对葡萄酒的质量有显著相关关系。

4.1.2 红葡萄的理化指标对葡萄酒质量影响的相关分析

根据附件2中红葡萄的理化指标数据，用SPSS软件对理化指标数据和各种葡萄酒的平均分进行相关分析，得到表结果可知，红葡萄的理化指标中蛋白质、DPPH自由基、PH值、总酚、葡萄总黄酮的P值都小于0.05，即Sig<0.05,说明这几个理化指标对葡萄酒的评分结果有显著影响，根据评分越高酒质量越好的原则，可知这几个理化指标对葡萄酒的质量有显著相关关系。

4.1.3 白葡萄酒的理化指标对葡萄酒质量影响的相关分析

根据附件2中白葡萄酒的理化指标数据，用SPSS软件对理化指标数据和各种葡萄酒的平均分进行相关分析，得到表结果可知，白葡萄酒的理化指标中色泽L*的P值小于0.05，即Sig<0.05,说明这个理化指标对葡萄酒的评分结果有显著影响，根据评分越高酒质量越好的原则，可知这个理化指标对葡萄酒的质量有显著相关关系。

4.1.4 红葡萄酒的理化指标对葡萄酒质量影响的相关分析

根据附件2中红葡萄酒的理化指标数据，用SPSS软件对理化指标数据和各种葡萄酒的平均分进行相关分析，得到表结果可知，红葡萄酒的理化指标中单宁、总酚、酒总黄酮、白黎芦醇、DPPH半抑制体积的P值都小于0.05，即Sig<0.05,说明这几个理化指标对葡萄酒的评分结果有显著影响，根据评分越高酒质量越好的原则，可知这几个理化指标对葡萄酒的质量有显著相关关系。

18

4.2 葡萄及葡萄酒的理化指标对葡萄酒质量影响的回归分析 4.2.1 白葡萄的理化指标对葡萄酒质量影响的回归分析

根据4.1.1的结论，为了明确那些对葡萄酒质量有显著相关关系的理化指标之间是否存在相关性，应再次进行相关分析，得到表结果如下： Coefficientsa Standardized Coefficients Beta t 33.428 -.498 -2.926 30.319 -.552 -3.739 .467 3.165 Sig. .000 .007 .000 .001 .004 Unstandardized Coefficients Model 1 (Constant) 总酚 2 (Constant) 总酚 氨基酸总量 B Std. Error 2.419 .304 2.519 .2 .001 80.866 -.8 76.387 -.986 .3 a. Dependent Variable: 平均 分 通过回归分析，观察上表可知，总酚和氨基酸总量对葡萄酒质量的回归方程为

葡萄酒质量＝76.387－0.986总酚＋0.3氨基酸总量

4.2.2 红葡萄的理化指标对葡萄酒质量影响的回归分析 Coefficientsa Standardized Coefficients Beta t 28.781 .605 3.798 Sig. .000 .001 Unstandardized Coefficients Model 1 (Constant) 葡萄总黄酮 B Std. Error 2.279 .240 65.579 .910 a. Dependent Variable: 平均 数 19

通过回归分析，观察上表可知，葡萄总黄酮对葡萄酒质量的回归方程为：

葡萄酒质量＝65.579＋0.910葡萄总黄酮

4.2.3 白葡萄酒的理化指标对葡萄酒质量影响的回归分析

根据4.1.3的结论，在白葡萄酒的理化指标中只有色泽L*对葡萄酒的质量有显著影响，不存在因子间相关性对结果的干扰，因此只需对色泽L*进行回归分析即可，得到表结果如下： Coefficientsa Standardized Coefficients Beta t 2.344 -.380 -2.096 Sig. .027 .046 Unstandardized Coefficients Model 1 (Constant) 色泽L* B Std. Error 300.365 2.951 703.939 -6.186 a. Dependent Variable: 平均 分 分析上表可知，色泽L*的P值小于0.05，说明色泽L*对葡萄酒的质量的回归方程为

葡萄酒质量＝703.939-6.186色泽L*

4.2.4 红葡萄酒的理化指标对葡萄酒质量影响的回归分析

根据4.1.4的结论，为了明确那些对葡萄酒质量有显著相关关系的理化指标之间是否存在相关性，应再次进行相关分析，得到表结果如下： Coefficientsa Standardized Coefficients Beta t 26.372 .522 3.061 Sig. .000 .005 Unstandardized Coefficients Model 1 (Constant) DPPH半抑制体积 B Std. Error 2.515 9.817 66.337 30.052 a. Dependent Variable: 平均数 质量的回归方程为：

分析上表可知，DPPH半抑制体积的P值小于0.05，说明DPPH半抑制体积对葡萄酒的

20

葡萄酒质量＝66.337＋30.052 DPPH半抑制体积

综上所述，经过对葡萄和葡萄酒的理化指标进行一系列相关分析和回归分析之后，我们总结发现白葡萄中的总酚和氨基酸总量、红葡萄中的葡萄总黄酮、白葡萄酒中的色泽L*、红葡萄酒中的DPPH半抑制体积等理化指标对葡萄酒质量有显著影响。

4.3 基于葡萄和葡萄酒的理化指标对葡萄酒质量的判别分析

在这一节，我们基于葡萄和葡萄酒的理化指标对葡萄酒的质量做判别分析。其中我们根据第二问得到的聚类分析，把红白葡萄酒分别分为三个等级，作为红白葡萄酒的实际等级。然后分别对红白葡萄酒利用葡萄理化指标和葡萄酒的理化指标分别做判别分析。判别结果见下表：

红葡萄酒的判别分析结果:

基于葡萄理化指标 基于葡萄洒理化指标

红葡萄酒实际等级 的判别等级 的判别等级

3 3 2 1 1 1 1 1 1 2 2 2 2 1 1 2 2 2 2 3 2 2 2 2 1 1 1 2 2 2 2 2 2 3 3 3 2 2 3 2 2 2 3 3 3 2 2 2 1 2 1 3 2 3 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2

21

红葡萄酒的判别分析结果:

基于葡萄理化指标 基于葡萄酒理化指标

白葡萄酒实际等级 的判别等级 的判别等级

1 2 2 2 2 2 1 1 1 2 2 2 2 1 1 3 3 3 2 3 2 2 2 2 2 2 2 2 2 2 2 2 2 3 2 3 3 3 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 1 1 3 3 3 1 1 1

从上面的结果可以看出，利用葡萄理化指标和葡萄酒的理化指标，对红白葡萄酒分别做判别分析的结果的正确判别率均达到80%以上。这就表明葡萄理化指标和葡萄酒的理化指标对葡萄酒质量的评价是可行的。

六、结论及模型评价

本文基于假设检验、聚类分析以及回归分析等多种判别方法，分别研究了红、白葡萄酒的理化指标以及对应的酿酒葡萄的理化指标与葡萄酒的关系。具体地，本文解决了以下四个问题。

第一，研究了两组评酒员的评分的差别和信度分析。利用两配对样本T－检验方法对两组评酒员的评分差别进行了显著性检验，结果表明两组的评分差别是统计显著的。另外，利用信度分析对两组评酒员的评分可信性进行了比较，结果表明第一组的评分相

22

对较为可信。

第二，研究了基于酿酒葡萄的理化指标以及葡萄酒的质量对酿酒葡萄的分类问题。利用聚类分析方法，分别利用酿酒葡萄的理化指标以及葡萄酒的质量对酿酒葡萄进行了聚类分析。结果表明基于二者的分类结果大部分是类似的，但某些地方还是有一定的差别，这就表明酿酒葡萄的理化指标影响葡萄酒的质量，但不是唯一的因素，酿造工艺等也会影响葡萄酒的质量。

第三，研究了葡萄酒的理化指标与酿酒葡萄理化指标的相关性分析。利用典型相关分析方法，得到了两种理化指标之间的典型相关变量。结果表明葡萄酒的理化指标与酿酒葡萄理化指标具有较强的典型相关性。

第四，研究了酿酒葡萄的理化指标以及葡萄酒的理化指标对葡萄酒质量的影响。首先利用边际相关分析，得到了两种理化指标对葡萄酒质量影响的重要因素。并且进一步利用回归分析方法，建立了葡萄酒的质量与两种理化指标之间的回归方程。最后利用判别分析方法，利用葡萄和葡萄酒的理化指标来对葡萄酒的质量等级进行判别。结果表明，利用葡萄和葡萄酒的理化指标可以有效地对葡萄酒的质量进行评价。

在对葡萄酒评价过程中，本文只考虑了葡萄和葡萄酒的理化指标，而实际上影响葡萄酒的质量不仅仅有这两种因素，比如葡萄酒的加工工艺、感官指标等都会影响葡萄酒的质量。作为本文研究模型及方法的一个改进，在葡萄酒质量评价过程中，应再多考虑其他的一些可能因素。

七、参考文献

[1] 姜启源，谢金星，叶俊；数学模型，出版地：高等教育出版社，2003年。

[2] 刘仁云，张晓丽，侯国亮，李东平；数学建模方法与数学实验，出版地：中国水利

水电出版社，2011年。

[3] 严喜祖，宋中民，毕春加；数学建模及其实验，出版地：科学出版社，2009年。 [4] 杜建卫，王若鹏；数学建模基础案例，出版地：化学工业出版社，2009年。 [5] 母丽华，周永芳；数学建模，出版地：科学出版社，2011年。

[6] 韩中庚，数学建模方法及其应用，出版地：高等教育出版社，2005年。

[7] 吴翔，吴孟达，成礼智；数学建模的理论与实践，出版地：国防科技大学出版社，

1999年。

[8] 宋来忠，王志明；数学建模与实验，出版地：科学出版社，2005年。

[9] 盛骤，谢式千，潘承毅；概率论与数理统计，出版地：高等教育出版社，2009年。 [10] 李华，刘曙东，王华，张予林；葡萄酒感官评价结果的统计分析方法研究，中国

食品学报，第6卷 第2期：127页—130页，2006年。

[11] 韩中庚，数学建模竞赛——获奖论文精选与点评，北京：科学出版社，2007年。 [12] 李运，李志明，姜忠军；统计分析在葡萄酒质量评价中的应用，

http://www.lmst.com.cn/docview.php3?keyid=15666，2012年9月7日。 [13] 典型相关分析及其应用实例，http://www.doc88.com/p-587478846065.html，2012

年9月8日。 [14] SPSS典型相关分析，

http://wenku.baidu.com/view/46b00c6c85ec3a87c2c587.html?from_page=view&from_mod=download，2012年9月8日。

23

附录：文中主要图表对应的相关数据 1、白葡萄酒第1组信度分析数据 品酒品酒品酒品酒员1员2员3员4号 号 号 号 酒样品1 85 80 88 61 酒样品2 78 47 86 酒样品3 85 67 75 酒样品4 75 77 80 65 酒样品5 84 47 77 60 酒样品6 61 45 83 65 酒样品7 84 81 83 66 酒样品8 75 46 81 酒样品9 79 69 81 60 酒样品10 75 42 86 60 酒样品11 79 46 85 60 酒样品12 42 75 52 酒样品13 82 42 83 49 酒样品14 78 48 84 67 酒样品15 74 48 87 71 酒样品16 69 49 86 65 酒样品17 81 90 70 酒样品18 86 44 83 71 酒样品19 75 66 83 68 酒样品20 80 68 82 71 酒样品21 84 49 85 59 酒样品22 65 48 90 58 酒样品23 71 66 80 69 酒样品24 82 56 79 73 酒样品25 86 80 82 69 酒样品26 75 66 82 75 酒样品27 58 40 79 67 酒样品28 66 75 69 2、白葡萄酒第2组信度分析数据 品酒品酒品酒品酒员1员2员3员4号 号 号 号 酒样品1 84 78 82 75 酒样品2 79 76 77 85 酒样品3 85 74 71 87 酒样品4 84 78 74 83 品酒员5号 76 79 78 77 79 78 74 81 70 87 74 67 66 79 81 70 78 72 73 83 76 72 80 67 74 93 59 88 品酒员6号 93 91 75 83 62 56 80 59 55 75 71 62 65 61 91 71 71 81 86 77 82 59 67 91 55 87 品酒员7号 83 85 136 88 74 80 80 73 73 83 86 77 76 78 79 87 87 85 80 84 83 76 78 68 77 81 66 85 品酒员8号 80 68 79 78 74 67 68 77 81 73 62 56 62 68 67 62 74 63 62 70 70 71 78 78 76 74 76 品酒员9号 95 73 90 85 79 65 77 85 76 91 88 68 65 81 74 84 92 74 73 87 88 80 87 86 77 90 73 88 品酒员10号 79 81 79 86 74 84 82 83 85 71 72 70 69 73 82 77 91 81 77 80 84 74 75 85 81 84 77 90 品酒员5号 79 77 79 69 24

品酒员6号 84 79 79 82 品酒员7号 81 80 80 84 品酒员8号 69 59 45 66 品酒员9号 75 76 83 77 品酒员10号 72 70 73 72 酒样品5 83 79 79 80 77 87 82 73 84 91 酒样品6 83 75 74 69 75 77 80 67 77 78 酒样品7 78 79 74 69 69 82 80 61 72 78 酒样品8 74 78 74 67 73 77 79 66 73 62 酒样品9 77 78 88 84 85 79 81 酒样品10 86 77 77 82 81 87 84 61 73 90 酒样品11 79 83 78 63 60 73 81 61 60 76 酒样品12 73 81 73 79 67 79 80 44 84 酒样品13 68 78 79 81 78 72 75 62 65 81 酒样品14 75 77 76 76 78 82 79 68 78 82 酒样品15 83 77 88 80 84 83 80 63 76 70 酒样品16 68 63 75 60 67 86 67 71 52 酒样品17 77 69 79 83 79 87 88 75 78 88 酒样品18 75 83 82 79 74 84 78 71 74 67 酒样品19 76 75 78 70 81 80 83 66 78 77 酒样品20 86 74 75 78 85 81 78 61 73 75 酒样品21 81 80 79 85 83 76 80 58 85 85 酒样品22 80 76 82 88 75 80 66 72 86 酒样品23 74 80 80 80 74 79 75 73 83 76 酒样品24 67 80 77 77 79 78 83 65 72 83 酒样品25 79 76 79 86 83 88 83 52 85 84 酒样品26 80 72 75 83 71 83 83 53 62 81 酒样品27 72 79 84 79 76 83 77 63 79 78 酒样品28 75 82 81 81 78 84 79 71 76 3、红葡萄理化指标对葡萄酒质量的回归分析、判别分析数据 编号 蛋白质 DPPH自由基 PH值 总酚 葡萄总黄酮 葡萄酒质量 葡萄样品1 553.106 0.4301 3.56 23.604 9.480 62.7 葡萄样品2 626.478 0.44 3.95 26.875 13.806 80.3 葡萄样品3 585.046 0.4090 3.91 21.685 10.794 80.4 葡萄样品4 529.823 0.2655 3.29 10.698 4.482 68.6 葡萄样品5 585.613 0.3961 3. 17.618 10.275 73.3 葡萄样品6 536.3 0.2750 3.29 10.671 6.838 72.2 葡萄样品7 487.172 0.1756 3.18 9.214 3.468 71.5 葡萄样品8 558.6 0.4148 2.92 15.241 8.483 72.3 葡萄样品9 700.828 0.6658 3.74 30.114 20.490 81.5 葡萄样品10 5.305 0.3255 3.65 9.476 4.631 74.2 葡萄样品11 2.662 0.2790 3.53 6.075 2.517 70.1 葡萄样品12 493.460 0.1973 3.43 12.059 3.7 53.9 葡萄样品13 606.204 0.4406 3.86 14.385 7.330 74.6 葡萄样品14 599.829 0.3597 3.39 14.657 7.809 73 葡萄样品15 524.613 0.21 3.19 11.901 5.511 58.7 葡萄样品16 583.374 0.2367 3.30 11.214 9.157 74.9 25

葡萄样品17 8.833 0.3585 3.43 15.336 8.701 79.3 葡萄样品18 513.817 0.2256 3.27 7.381 5.245 59.9 葡萄样品19 4.462 0.3796 3.57 17.426 9.4 78.6 葡萄样品20 559.332 0.2819 3.81 12.677 8.155 78.6 葡萄样品21 563.794 0.3793 3.56 16.192 7.515 77.1 葡萄样品22 488.712 0.2837 3.65 16.442 7.846 77.2 葡萄样品23 3.574 0.5725 3.39 29.704 24.295 85.6 葡萄样品24 525.820 0.2830 3.61 8.751 8.206 78 葡萄样品25 537.084 0.3509 3.38 11.502 5.373 69.2 葡萄样品26 587.293 0.3172 3.68 7.348 3.383 73.8 葡萄样品27 528.331 0.29 3.37 8.7 4.711 73 4、红葡萄酒理化指标对酒质量的回归分析、判别分析数据

酒总黄白藜芦葡萄酒

单宁 总酚 DPPH半抑制体积

编号 酮 醇 质量 葡萄样品1 11.030 9.983 8.020 2.4382 0.358 62.7 葡萄样品2 11.078 9.560 13.300 3.84 0.460 80.3 葡萄样品3 13.259 8.9 7.368 5.2456 0.396 80.4 葡萄样品4 6.477 5.982 4.306 2.9337 0.177 68.6 葡萄样品5 5.849 6.034 3.4 4.9969 0.207 73.3 葡萄样品6 7.3 5.858 4.445 4.4311 0.211 72.2 葡萄样品7 4.014 3.858 2.765 1.8205 0.112 71.5 葡萄样品8 12.028 10.137 7.748 1.0158 0.346 72.3 葡萄样品9 12.933 11.313 9.905 3.8599 0.386 81.5 葡萄样品10 5.567 4.343 3.145 3.2459 0.136 74.2 葡萄样品11 4.588 4.023 2.103 0.3816 0.105 70.1 葡萄样品12 6.458 4.817 2.986 2.1628 0.141 53.9 葡萄样品13 6.385 4.930 3.957 1.3388 0.166 74.6 葡萄样品14 6.073 5.013 3.068 2.1659 0.163 73 葡萄样品15 3.985 4.0 1.836 0.8886 0.068 58.7 葡萄样品16 4.832 4.044 2.668 1.1620 0.117 74.9 葡萄样品17 9.170 6.168 4.912 1.6504 0.310 79.3 葡萄样品18 4.447 4.353 3.531 1.7396 0.138 59.9 葡萄样品19 5.981 5.157 3.875 9.0269 0.167 78.6 葡萄样品20 5.8 4.858 4.044 0.91 0.158 78.6 葡萄样品21 10.090 8.941 4.440 8.7937 0.358 77.1 葡萄样品22 7.105 6.199 5.827 4.4666 0.231 77.2 葡萄样品23 10.888 12.529 12.144 12.6821 0.566 85.6 葡萄样品24 5.747 5.394 3.731 6.86 0.165 78 葡萄样品25 5.406 4.425 3.022 2.57 0.165 69.2 葡萄样品26 3.615 3.8 2.1 2.7369 0.076 73.8 葡萄样品27 5.961 4.734 3.284 4.7758 0.151 73

26