墨尔本大学 MGMT90280 期末考试复习：核心考点与辅导建议

　　墨尔本大学的 MGMT90280 Managerial Decision Analytics（管理决策分析） 是一门注重分析方法选择与商业决策应用的课程。根据现有课程资料，期末考试占总成绩的 50%，考试书写时间为 2 小时。往年考试资料显示，考试曾采用开卷形式，并允许携带指定计算器 Casio FX82、手写笔记及 Seminar 幻灯片等材料。

　　需要注意，考试权重、时长、考试形式及允许携带的材料，应以当前学期的官方课程页面、LMS 通知和正式考试说明为准。 历年试卷和第三方课程资料可以辅助梳理复习重点，但不能替代当前学期的正式考试要求。

　　作为一门涉及数据分析、优化建模和商业决策的课程，MGMT90280 不仅考查计算能力，还要求学生能够根据商业背景选择合适的方法、解释模型输出，并据此提出合理的决策建议。

　　期末考试的复习内容主要涉及规范性分析、预测性分析、描述性分析及数据挖掘。以下结合现有课程资料，对核心考点进行梳理。

核心考点复习指南

1. 规范性分析（Prescriptive Analytics）——优化建模

　　规范性分析主要研究如何在既定目标与约束条件下寻找合适的决策方案。复习时，需要掌握从商业案例提取信息、建立数学模型到解释优化结果的完整过程。

• 线性规划（Linear Programming，LP）：根据商业案例，如投资组合、物流分销、生产排期等，写出决策变量、目标函数和约束条件。需要明确优化目标是最大化还是最小化，并理解各项资源限制如何影响最终结果。

• 整数线性规划（Integer Linear Programming，ILP）与非线性规划（Nonlinear Programming，NLP）：理解整数约束及其应用，例如使用 0-1 变量表示选址、排班或方案选择问题；同时掌握非线性模型的基本特点，例如 Markowitz 投资组合风险最小化模型中的风险与收益关系。

• 敏感性分析（Sensitivity Analysis）：重点掌握 Excel Solver 敏感性报告（Sensitivity Report）的阅读方法，理解影子价格（Shadow Price）、允许增加量与允许减少量（Allowable Increase/Decrease），以及约化成本（Reduced Cost）的实际商业含义。复习时应结合资源限制、目标函数和最优解的变化，解释相关指标的作用。

　　例如，在生产资源有限的商业案例中，影子价格可以帮助分析增加一单位资源可能对目标函数产生的影响。不过，该解释需要结合约束条件是否有效、允许变化范围及模型假设进行判断，不能脱离报告中的具体条件直接下结论。

2. 预测性与描述性分析（Predictive & Descriptive Analytics）——概率与模拟

　　预测性分析侧重于利用数据估计未来结果，描述性分析则用于识别现有数据的特征和规律。相关考点不仅涉及计算，还包括方法选择、模型输出解读及商业应用。

• 概率分布（Probability Distributions）：理解常见分布在商业场景中的应用，包括正态分布、三角形分布和均匀分布等。复习时需要掌握不同分布的特点、参数含义及适用条件，并能够根据题目提供的信息选择合适的概率分布。

• 蒙特卡洛模拟（Monte Carlo Simulation）：分析不确定条件下的利润波动与风险。例如，在涉及采购、人工或运输成本的案例中，需要根据题目条件建立相应的概率分布，通过随机抽样模拟不同情境下的经营结果，并解释模拟输出所反映的风险与收益。

• 回归分析与销售预测（Regression & Forecasting）：利用一元或多元线性回归分析变量之间的关系，并根据模型结果进行预测。重点包括决定系数 R²（R-squared）、p 值（p-value）的解读，以及季节性（Seasonality）指标的处理。对于涉及月度销售额预测的题目，还需要区分回归模型与时间序列预测方法的适用场景。

　　在这一模块中，计算结果只是解题的一部分。学生还需要结合题目背景，解释模型是否具有参考价值、关键变量会产生什么影响，以及分析结果能够支持哪些商业决策。

3. 描述性数据挖掘（Descriptive Data Mining）——聚类分析

　　描述性数据挖掘主要用于发现数据中的分组结构、相似性及潜在规律。聚类分析是其中的重要内容，复习时需要将距离计算、算法步骤与结果解释结合起来。

• 相似性度量：区分并计算欧氏距离（Euclidean Distance）、匹配系数（Matching Coefficient）与 Jaccard 系数（Jaccard Coefficient）。欧氏距离常用于衡量数值型数据之间的距离；匹配系数用于比较二元属性的匹配情况；Jaccard 系数则适用于关注共同出现的正向特征、忽略共同缺失项的二元数据，例如部分市场购物篮分析场景。

• 系统聚类（Hierarchical Clustering）：理解不同的联动方法，包括最短距离法（Single Linkage）、最长距离法（Complete Linkage）和平均联动法（Average Linkage），并能根据谱系图（Dendrogram）理解样本合并过程，结合聚类距离判断合理的切分方式。

• K-Means 聚类：掌握“分配样本—重新计算质心”的循环步骤，并能通过比较样本与各个质心之间的距离，将新数据正确划分到相应的聚类中。

　　聚类分析的重点不仅是完成距离计算，还包括理解不同算法的适用条件。对于变量尺度差异较大的数据，还应关注标准化处理对距离计算和聚类结果的影响。

4. 其他需要关注的数据分析内容

　　除上述核心模块外，现有 MGMT90280 课程复习资料还涉及关联规则分析和分类树等内容。具体复习范围应以当前学期的课程大纲、Seminar 材料及考试通知为准。

• 关联规则分析（Association Rules）：理解支持度（Support）、置信度（Confidence）和提升度（Lift）的基本含义，并掌握如何利用这些指标分析商品之间的关联关系。该方法常用于市场购物篮分析，帮助识别商品共同出现的规律。

• 分类树（Classification Trees）：理解分类模型如何根据特征变量划分数据，并掌握混淆矩阵（Confusion Matrix）及准确率等常见分类评价指标。复习时还应关注模型过拟合及剪枝等基本概念。

　　这两个方向属于现有课程资料涉及的内容，并不意味着它们一定会在当前学期的期末考试中单独出题。 建议根据本学期实际教学进度确认复习优先级，避免仅依据第三方总结判断考试范围。

高分备考建议

1. 规范公式与符号表达

　　考试中，公式和符号的规范使用有助于清晰表达建模过程。例如，投资组合中所有投资比例之和为 1，可以表示为：

[
\sum_{i=1}^{n}x_i=1
]

　　回归分析中，需要区分包含误差项的统计模型与用于预测的估计方程。统计模型可以写为：

[
Y=\beta_0+\beta_1X+\varepsilon
]

　　估计方程则可以写为：

[
\hat{Y}=b_0+b_1X
]

　　复习时应根据题目要求使用正确的符号，确保变量定义、公式和计算过程前后一致。相关内容可参考第三方学习资料 Probability Distributions and Notation Overview，并结合当前学期的课程讲义核对。

2. 结合历年练习题理解模型应用

　　练习 Mock Exam 和 Past Paper 的目的，不只是熟悉题型，还包括检验是否真正掌握了分析方法的应用条件。可以重点练习线性规划建模、Solver 敏感性报告解读、概率模拟、回归分析及聚类计算等内容。

　　对于每道练习题，建议按照以下步骤进行：

　　第一，识别题目需要解决的商业问题，明确目标、已知条件和限制因素。

　　第二，根据问题特点选择适当的分析方法，写出模型、公式或计算步骤。

　　第三，检查计算结果是否合理，并解释关键数值的含义。

　　第四，将结果与商业背景联系起来，说明分析结论能够支持什么决策，以及结论成立需要满足哪些条件。

　　历年考试资料中出现过不同的商业案例，但案例本身不能直接作为当前学期的考试预测依据。复习时应以官方课程材料为基础，再通过历年练习题巩固方法应用。

3. 根据薄弱环节安排针对性复习

　　MGMT90280 涉及多种定量分析方法，不同学生的学习难点也有所区别。有些学生能够理解公式，却不熟悉模型建立过程；有些学生能够完成计算，但在解释 Solver 报告、回归结果或聚类结果时容易遗漏关键条件。

　　复习时可以将问题划分为概念理解、公式应用、模型构建、计算操作和结果解释五类，再根据练习表现安排复习顺序。优先解决影响完整解题过程的薄弱环节，比反复浏览已经掌握的知识更有效。

MGMT90280 课程辅导：如何提高期末复习效率？

　　对于复习进度落后、定量分析基础薄弱，或难以将 Excel 输出转化为完整解题思路的学生，可以根据实际需要安排针对性的课程辅导。辅导的重点应放在知识理解、解题方法与独立应用能力上，而不是单纯记忆答案。

　　海马课堂提供海外大学课程辅导服务，可根据学生的学校、专业、课程代码、课程大纲及实际学习需求进行匹配。针对 MGMT90280 这类涉及建模与数据分析的课程，复习辅导可以围绕以下方向展开：

• 线性规划与优化建模辅导：梳理决策变量、目标函数和约束条件的建立方法，理解不同优化模型的适用场景。

• Excel Solver 与敏感性分析辅导：练习求解结果与敏感性报告的解读，理解影子价格、约化成本及相关变化范围的含义。

• 概率分布与模拟分析辅导：掌握概率分布的选择、随机模拟的基本逻辑及模拟结果的分析方法。

• 回归分析与聚类辅导：巩固回归系数、R²、p 值、距离度量和聚类算法的应用，提升计算与结果解释能力。

• 期末考试复习规划：结合课程进度、已有练习和个人薄弱点梳理复习重点，合理分配备考时间。

　　有课程复习需求的学生，可以了解海马课堂的海外课程与考试辅导服务，根据课程要求和实际学习目标选择适合的辅导方向。

MGMT90280 期末考试常见问题解答

Q1：MGMT90280 期末考试占总成绩的多少？

　　现有课程资料显示，MGMT90280 期末考试占总成绩的 50%。不过，具体考核权重仍应以当前学期官方课程页面和 LMS 中的 Assessment 说明为准。

Q2：MGMT90280 期末考试是开卷还是闭卷？

　　历史考试资料显示，该课程曾采用开卷形式，但不能据此直接确认当前学期的考试形式。允许携带的笔记、教材和计算器型号，也应以正式考试说明为准。

Q3：MGMT90280 期末考试应该优先复习哪些内容？

　　可以优先检查线性规划、敏感性分析、概率分布、蒙特卡洛模拟、回归分析和聚类分析等模块的掌握情况。同时，根据本学期课程安排核对关联规则、分类树等其他知识点，避免遗漏实际教学范围内的内容。

Q4：MGMT90280 计算题不会做，应该怎样复习？

　　建议从题目条件识别开始，依次练习变量定义、公式选择、模型构建、计算过程和结果解释。如果困难集中在某个模块，应先补足相应概念，再通过同类型题目检验能否独立完成解题。

Q5：MGMT90280 期末考试前可以参加课程辅导吗？

　　可以根据个人学习需求安排课程辅导。对于时间有限的学生，建议提前明确需要解决的问题，例如无法建立线性规划模型、不熟悉敏感性报告，或难以理解回归分析和聚类计算。明确薄弱环节后再制定复习计划，更有利于提高学习效率。