閱卷評(píng)分系統(tǒng)的建立

1、編號(hào)專用頁(yè)論文編號(hào)：評(píng)閱記錄：閱卷人評(píng)分備注閱卷評(píng)分系統(tǒng)的建立摘要客觀評(píng)價(jià)一次考試或者考核成績(jī)成為確定人才培養(yǎng)最終效果的重要依據(jù)。很多時(shí)候，我們的各項(xiàng)成績(jī)確定往往需要多項(xiàng)指標(biāo)共同確定，我們需要全方面的考慮評(píng)委的打分特點(diǎn)，因?yàn)槊總€(gè)評(píng)委都有自己的評(píng)分主觀性，不可能絕對(duì)按照評(píng)分標(biāo)準(zhǔn)來(lái)評(píng)分，因此也就會(huì)產(chǎn)生由于評(píng)委個(gè)人原因而產(chǎn)生的偏差。針對(duì)問(wèn)題一，我們需要建立一個(gè)隨機(jī)分配模型。將所有論文隨機(jī)排布，同時(shí)，我們將評(píng)委隨機(jī)分為三人一組，然后將每一份試卷隨機(jī)的分發(fā)給隨機(jī)分的三人小組。當(dāng)?shù)谝淮畏值乃行〗M都拿到試卷后，再重新隨機(jī)分組，再一次隨時(shí)分發(fā)給每一組一份試卷。如此類推，直到所有試卷分發(fā)完畢。針對(duì)問(wèn)題二，我們

2、采用了可視化的分?jǐn)?shù)回收模型，并且同時(shí)需要建立一個(gè)規(guī)范標(biāo)準(zhǔn)分模型。先將所有試卷的三次打分成績(jī)進(jìn)行收集并且整理歸類。通過(guò)一名評(píng)委的打分年數(shù)，得到每個(gè)評(píng)委的評(píng)分可信度，繼而得到相應(yīng)的權(quán)值。然后將每篇論文的三個(gè)評(píng)委的打分進(jìn)行橫向分析比較，給每個(gè)評(píng)委的評(píng)分定下一個(gè)權(quán)值，最后加權(quán)求和的結(jié)果作為一篇論文的最終成績(jī)。針對(duì)問(wèn)題三，需要建立一個(gè)修正加權(quán)模型，通過(guò)對(duì)多次最終評(píng)分和各個(gè)評(píng)委打分的情況，統(tǒng)計(jì)每個(gè)評(píng)委在多次評(píng)分過(guò)程中的準(zhǔn)確評(píng)分平均數(shù)，建立合適的隸屬函數(shù)。最終根據(jù)隸屬函數(shù)修正每個(gè)評(píng)委評(píng)分可信度，然后再修正所有評(píng)委之前定下的權(quán)值，通過(guò)最終得到的修正后的權(quán)值進(jìn)行加權(quán)求和得到分?jǐn)?shù)。針對(duì)問(wèn)題四，我們建立了數(shù)據(jù)積累和

3、自動(dòng)更新模型。我們提出使用標(biāo)準(zhǔn)分來(lái)充當(dāng)一個(gè)相對(duì)評(píng)價(jià)量。標(biāo)準(zhǔn)分以平均分為參照點(diǎn)，以標(biāo)準(zhǔn)差為度量單位，將原始分化為具有同一計(jì)量單位的分?jǐn)?shù)，這樣更能體現(xiàn)評(píng)分的公證性和合理性，盡力去掉或減少評(píng)卷老師不同帶來(lái)的成績(jī)的差異和干擾和減少同一份試卷高分和低分的個(gè)人情緒干擾。關(guān)鍵詞：隨機(jī)分配、權(quán)值、隸屬函數(shù)、標(biāo)準(zhǔn)分、系統(tǒng)自修正1 問(wèn)題重述與分析1.1 問(wèn)題重述信息化條件下，如何較為客觀評(píng)價(jià)一次考試或者考核成績(jī)成為確定人才培養(yǎng)最終效果的重要依據(jù)。很多時(shí)候，我們的各項(xiàng)成績(jī)確定往往需要多項(xiàng)指標(biāo)共同確定，以建模競(jìng)賽為例，假設(shè)有n篇論文提交，m個(gè)閱卷評(píng)委，要求每一篇論文需要被多個(gè)（以3個(gè)為例）閱卷評(píng)委審閱打分，現(xiàn)實(shí)的情況

4、是，不同的閱卷評(píng)委的評(píng)分標(biāo)準(zhǔn)不盡相同，有的評(píng)委閱卷比較嚴(yán)格，每一分都有自己的想法；也有的評(píng)委評(píng)分比較隨意，所有的分都差不多，等等。問(wèn)題一：建立一個(gè)合理的分配模型，首先確定每一位閱卷評(píng)委的具體閱卷論文是哪些？問(wèn)題二：建立一個(gè)可視化的分?jǐn)?shù)回收模型，實(shí)時(shí)收集專家打分，如何將三個(gè)成績(jī)規(guī)范為一個(gè)標(biāo)準(zhǔn)分？最后形成每一篇論文的最終成績(jī)。問(wèn)題三：在評(píng)分過(guò)程中，由于不同專家評(píng)分特點(diǎn)或是其他原因?qū)е露鄠€(gè)（以3個(gè)為例）成績(jī)差異較大，此時(shí)如何修正模型？問(wèn)題四：你有沒(méi)有更好的評(píng)分策略，提出自己的想法并修改模型。比如在問(wèn)題一中如何人工調(diào)控來(lái)讓誤差盡可能減小。1.2 問(wèn)題分析本題研究的評(píng)分系統(tǒng)問(wèn)題，而解決這個(gè)問(wèn)題的核心在于

5、如何制定一個(gè)準(zhǔn)確的評(píng)分法則，更進(jìn)一步來(lái)說(shuō)，是確定三個(gè)評(píng)委分?jǐn)?shù)的權(quán)值系數(shù)。對(duì)于一個(gè)系統(tǒng)來(lái)說(shuō)，它的一些參數(shù)應(yīng)該是由實(shí)際的數(shù)據(jù)統(tǒng)計(jì)得來(lái)的。因此我們可以通過(guò)一定量的數(shù)據(jù)，尋找其統(tǒng)計(jì)學(xué)規(guī)律，確定系統(tǒng)所需的參數(shù)值。這樣的參數(shù)是由實(shí)際數(shù)據(jù)得來(lái)的，因此應(yīng)對(duì)其進(jìn)行一定的處理。我們數(shù)據(jù)一共隨機(jī)選取有1200篇論文，60個(gè)評(píng)委進(jìn)行具體討論。 對(duì)于問(wèn)題一，為了更加公正的隨機(jī)分發(fā)，因此對(duì)于所有的論文采用rand隨機(jī)函數(shù)混排。對(duì)于所有的n篇論文共計(jì)n次評(píng)分次數(shù)平均分配給60個(gè)評(píng)委，同時(shí)將m個(gè)評(píng)委隨機(jī)分為m/3=20個(gè)小組，將1200篇論文隨機(jī)的抽取20份分發(fā)給20個(gè)小組，然后再重組20個(gè)小組，再次分發(fā)20份論文。直到全部

6、分發(fā)完畢為止。對(duì)于問(wèn)題二，在問(wèn)題一的基礎(chǔ)之上，我們已經(jīng)將所有論文分發(fā)完畢。然后對(duì)于每個(gè)評(píng)委的歷次評(píng)卷分?jǐn)?shù)進(jìn)行縱向的標(biāo)準(zhǔn)化處理，得到每個(gè)評(píng)委的評(píng)卷標(biāo)準(zhǔn)值。對(duì)于每篇論文的3個(gè)評(píng)委進(jìn)行分析，確定每個(gè)評(píng)委的評(píng)分權(quán)值，加權(quán)求和的結(jié)果作為一篇論文的最終成績(jī)。對(duì)于問(wèn)題三，將每個(gè)評(píng)委的評(píng)分特點(diǎn)納入評(píng)分系統(tǒng)考慮的范疇，統(tǒng)計(jì)每個(gè)評(píng)委在多次評(píng)分過(guò)程中的準(zhǔn)確評(píng)分平均數(shù)，當(dāng)評(píng)委評(píng)分與論文最終得分小于一個(gè)確定的比對(duì)偏差時(shí)，我們認(rèn)定為一次準(zhǔn)確評(píng)分，建立合適的隸屬函數(shù)。最終根據(jù)隸屬函數(shù)修正每個(gè)評(píng)委評(píng)分可信度，然后再修正所有評(píng)委之前定下的權(quán)值，通過(guò)最終得到的修正后的權(quán)值進(jìn)行加權(quán)求和得到分?jǐn)?shù)。對(duì)于問(wèn)題四，對(duì)于問(wèn)題三的優(yōu)化，每位評(píng)

7、卷老師所評(píng)試卷的均值和方差都不相同。單獨(dú)考察一個(gè)評(píng)卷老師，他所給出的所有試卷的分?jǐn)?shù)，只能代表每份試卷在他心目中的地位，或者說(shuō)是他所改的試卷在他心中的一個(gè)排序，體現(xiàn)在分?jǐn)?shù)上只表示兩份試卷的差異性。但是現(xiàn)在的問(wèn)題是，絕大多數(shù)的試卷的改卷老師都不完全相同，由于改卷老師個(gè)人喜好的差異性，用不同閱卷老師給出的原始分?jǐn)?shù)來(lái)比較兩份試卷的優(yōu)劣，恐怕就沒(méi)有多少可比性，這樣來(lái)比較當(dāng)然有失公允，所以要體現(xiàn)評(píng)分的公證性和合理性，必須考慮下面兩個(gè)問(wèn)題：第一，盡力去掉或減少評(píng)卷老師不同帶來(lái)的成績(jī)的差異和干擾；第二，盡力去掉或減少同一份試卷高分和低分的個(gè)人情緒干擾2 模型假設(shè)與符號(hào)說(shuō)明2.1模型假設(shè)(1) 每個(gè)評(píng)委或者評(píng)卷

8、小組評(píng)卷效率相同；(2) 假設(shè)論文評(píng)分都是以100分為滿分；(3) 每篇論文評(píng)閱所需時(shí)間基本相同；2.2符號(hào)說(shuō)明第i個(gè)評(píng)委的評(píng)分權(quán)重X第i個(gè)評(píng)委的評(píng)分Aij第j個(gè)老師給第i份試卷的原始分第i個(gè)評(píng)委的最終評(píng)分誤差第i個(gè)評(píng)委評(píng)分可信度，-xi標(biāo)準(zhǔn)評(píng)分起評(píng)分3 模型的建立及求解3.1模型一： 隨機(jī)分配模型首先，我們對(duì)選定的1200篇論文編號(hào)11200，運(yùn)用vc+軟件，用rand函數(shù)對(duì)其進(jìn)行隨機(jī)排布。將60個(gè)評(píng)委三個(gè)一組隨機(jī)組合，得到20個(gè)評(píng)委組合，60次分配之后，即可完成1200篇論文的隨機(jī)分布。見(jiàn)圖1（相關(guān)程序代碼見(jiàn)附錄一代碼1，其中A,B,C,D,ER,S,T代表20組評(píng)委，11200的數(shù)字代表

9、論文編號(hào)）圖1 論文隨機(jī)分配圖3.2模型二： 可視化的分?jǐn)?shù)回收模型大量統(tǒng)計(jì)資料表明，大型選拔性競(jìng)賽，考生總體成績(jī)合理有效的分布應(yīng)該是成對(duì)稱正態(tài)分布或正偏態(tài)分布。多人在一定規(guī)則約束下對(duì)一份試卷進(jìn)行評(píng)定時(shí)，由于評(píng)卷教師都是長(zhǎng)期任教，進(jìn)行了嚴(yán)格培訓(xùn)與選拔，充分討論了評(píng)分標(biāo)準(zhǔn)，模擬評(píng)卷，規(guī)范評(píng)卷行為，統(tǒng)一基調(diào)。由于所有閱卷人員都是獨(dú)立自主按照評(píng)分標(biāo)準(zhǔn)評(píng)閱論文，那么所評(píng)成績(jī)服從正態(tài)分布。即XN（，2）。  由模型假設(shè)，設(shè)X是考生作文的評(píng)分，則應(yīng)有評(píng)分的分解式：  X=+因?yàn)镋X =,       

10、0;   E =0，          D  =² 那么一篇論文的評(píng)分X的數(shù)學(xué)模型：X=+N（0，²）然后，我們需要對(duì)評(píng)委的歷次評(píng)分進(jìn)行縱向統(tǒng)計(jì)分析?？梢钥匆?jiàn)每一名評(píng)委的評(píng)分過(guò)程如圖2。圖2 評(píng)委閱卷流程首先對(duì)第i個(gè)評(píng)委歷次評(píng)分做標(biāo)準(zhǔn)化處理，這樣可以避免起評(píng)分不同以及高低分差值不同對(duì)最終結(jié)果的影響。然后制定統(tǒng)一的起評(píng)分和高低分差值，利用標(biāo)準(zhǔn)化數(shù)據(jù)還原得到標(biāo)準(zhǔn)統(tǒng)一的數(shù)據(jù)，將所得數(shù)據(jù)與選手最終得分的數(shù)據(jù)相比較，

11、得到每個(gè)評(píng)委的評(píng)分可信度，繼而得到相應(yīng)的權(quán)值。該結(jié)果跟所建立的典型情況具有很好的符合度。對(duì)于A,B,C評(píng)委，通過(guò)上述方法得到其與最終評(píng)分的誤差為ABC-0.0583-0.01590.0170由于可信度與評(píng)委最終評(píng)分誤差成反比。因此B評(píng)委可信度最高，C評(píng)委可信度次之，A評(píng)委可行度最差。由此求得三位評(píng)委評(píng)分權(quán)值為：（相關(guān)程序代碼見(jiàn)附錄一代碼2）=（)/2=0.286=()/2=0.385=()/2=0.329若三個(gè)評(píng)委給某篇論文評(píng)分為：ABC808586該篇論文最終得分為：=83.8193.3模型三： 修正加權(quán)模型因?yàn)樵谀Ｐ投?，我們已?jīng)得到了每位評(píng)委所有的60次打分情況。所以可以根據(jù)這六十次的結(jié)

12、果進(jìn)行進(jìn)一步修正加權(quán)。首先引入隸屬度區(qū)間分布函數(shù)的概念。定義 如果有函數(shù)U()=()=,其中是模糊數(shù)的隸屬度函數(shù);L為 u在 - 到 x處的 Lebesque測(cè)度,則稱 U()為模糊數(shù)的隸屬度區(qū)間分布函數(shù)。容易得到： 因此建立模糊集模型。構(gòu)造兩個(gè)模糊集絕對(duì)公平模糊集和絕對(duì)不公平模糊集。建立準(zhǔn)確評(píng)分標(biāo)準(zhǔn)當(dāng)評(píng)委評(píng)分與最終評(píng)分差值小于4分，記作1次準(zhǔn)確評(píng)分。統(tǒng)計(jì)評(píng)委60次評(píng)分經(jīng)歷中準(zhǔn)確評(píng)分占總次數(shù)的百分比，當(dāng)值大于95%時(shí)，該評(píng)委完全屬于絕對(duì)公平模糊集；當(dāng)值小于20%時(shí)，該評(píng)委完全屬于絕對(duì)不公平模糊集；取值趨于兩閾值之間時(shí)將該值作為該評(píng)委的隸屬度。（注：兩閾值是由實(shí)際數(shù)據(jù)仿真測(cè)量得來(lái)） 然后根據(jù)所選

13、評(píng)委的隸屬度不同確定不同的評(píng)分求和權(quán)值。將選擇的三位評(píng)委的加權(quán)分?jǐn)?shù)相加即可得到某篇論文的最終分?jǐn)?shù)。3.4 模型四： 標(biāo)準(zhǔn)分模型標(biāo)準(zhǔn)分模型 既然每一位老師給出的分?jǐn)?shù)是體現(xiàn)不同的試卷在他心中的排名的差異，那么如果把分?jǐn)?shù)整體平移也不會(huì)改變這種差異性。我們做如下調(diào)整，將每位評(píng)卷老師的均值平移到同一個(gè)基點(diǎn)。這個(gè)基點(diǎn)選取所有老師均值的均值（記為xi ，i=1 2，3，n）。每位老師方差的不同導(dǎo)致每位老師所給出的 分對(duì)總分的貢獻(xiàn)度是不同的，因此我們采用方差壓縮的思想把所有老師的離散度（即方差，記為x0）調(diào)整到同一水平，這個(gè)水平我們選取所有老師方差的均值（記為i ）。然后對(duì)所有老師所給的分?jǐn)?shù)進(jìn)行調(diào)整。記aij

14、為第j個(gè)老師給第i份試卷的原始分，那么經(jīng)過(guò)這次調(diào)整后的分?jǐn)?shù)aij為：這樣調(diào)整后，所有老師的均值都相同，方差也都相同，從而去掉了不同的老師評(píng)卷的干擾。這時(shí)如果某份試卷任意換一位評(píng)卷老師，分?jǐn)?shù)也不會(huì)相差太遠(yuǎn)。3.4.2 評(píng)分輸入代碼該模型直接將本次評(píng)分記錄存入該評(píng)委的評(píng)分記錄文件中計(jì)算出該評(píng)委評(píng)分新的權(quán)值，從而使得評(píng)分系統(tǒng)擁有了自我更新和修正功能。該模型設(shè)計(jì)了基于VC+6.0的用戶操作界面可供操作使用。其操作界面截圖如下：（相關(guān)程序代碼見(jiàn)附錄一代碼圖3評(píng)分操作界面3.4.3 模型的優(yōu)點(diǎn)1、該系統(tǒng)同樣需要一定數(shù)據(jù)量的積累才能夠很準(zhǔn)確的給出分?jǐn)?shù)。在統(tǒng)計(jì)之初，該模型評(píng)分標(biāo)準(zhǔn)采用了模型二中三個(gè)評(píng)委橫向分析

15、的方法。2、該系統(tǒng)同樣具有自修正功能。3、該模型不會(huì)受到太多評(píng)卷老師主觀的影響，打出來(lái)的成績(jī)接近真實(shí)水平，誠(chéng)實(shí)可靠。4 模型的評(píng)價(jià)與修改模型一首先進(jìn)行了任務(wù)的分配，采用rand隨機(jī)函數(shù)的隨機(jī)分配法則，其作用是有效的避免了論文評(píng)價(jià)過(guò)程中可能出現(xiàn)的造假現(xiàn)象，并且增加了論文評(píng)價(jià)過(guò)程中的公平度。并且將所有論文公平的隨機(jī)分配給了所有評(píng)委，有效的完成了現(xiàn)實(shí)要求。模型二分配完評(píng)分任務(wù)后，我們首先著眼于每個(gè)評(píng)委，希望通過(guò)對(duì)其以往評(píng)分?jǐn)?shù)據(jù)的分析，找到其評(píng)分特點(diǎn)，根據(jù)評(píng)委的評(píng)分特點(diǎn)進(jìn)行了加權(quán)，然后通過(guò)加權(quán)的方法進(jìn)行分?jǐn)?shù)的確定，公平性和全面性得到了體現(xiàn)。并且合理的得出了每份論文的成績(jī)。模型三采用了修正加權(quán)模型，很好

16、修正了模型二的不足。因?yàn)槟Ｐ投兄挥瞄喚淼脑u(píng)分來(lái)做權(quán)值函數(shù)，減少評(píng)分老師經(jīng)驗(yàn)帶來(lái)的不同干擾，但忽視了評(píng)委個(gè)人主觀性對(duì)分?jǐn)?shù)的影響。模型三的修正，使與平均分偏差大的分?jǐn)?shù)，所占權(quán)值小，修正了每個(gè)分?jǐn)?shù)的權(quán)值，保證減少了因評(píng)委個(gè)人打分隨意行所帶來(lái)的干擾。模型四是采用標(biāo)準(zhǔn)分模型，因?yàn)槊恳晃焕蠋熃o出的分?jǐn)?shù)是體現(xiàn)不同的試卷在他心中的排名的差異，將每位評(píng)卷老師的均值和方差平移到同一個(gè)基點(diǎn)，這樣調(diào)整后，所有老師的均值都相同，方差也都相同，從而去掉了不同的老師評(píng)卷的干擾。這時(shí)如果某份試卷任意換一位評(píng)卷老師，分?jǐn)?shù)也不會(huì)相差太遠(yuǎn)。這樣就可以更加合理排除閱卷老師不同所帶來(lái)的干擾。5 參考文獻(xiàn)1徐子儀，標(biāo)準(zhǔn)分在數(shù)學(xué)教育評(píng)價(jià)

17、和管理中的應(yīng)用，黃岡師范學(xué)院學(xué)報(bào)，2001，10. 2薛毅，數(shù)學(xué)建?；A(chǔ)，科學(xué)出版社，20113 萬(wàn)中,梁文冬,盧宗娟，模糊數(shù)的隸屬度區(qū)間分布函數(shù)，重慶理工大學(xué)學(xué)報(bào)，2011年1月4方開(kāi)泰，實(shí)用多元統(tǒng)計(jì)分析，華東師范大學(xué)出版社，19865薛定宇，陳陽(yáng)泉，高等應(yīng)用數(shù)學(xué)問(wèn)題的Matlab求解（第二版），北京：清華大學(xué)出版社，2008附錄一代碼1 論文隨機(jī)分配的C程序分配系統(tǒng)程序：#include<stdio.h> #include<time.h> #include<stdlib.h> #define P 40#include<stdio.h> #in

18、clude<time.h> #include<stdlib.h> #define P 40int Rand(int X,int Y)/生成隨機(jī)數(shù) int temp; if(X>Y) temp=X; X=Y; Y=temp; return rand()%(Y-X+1)+X; void main() int arr1200; int a6061;int i,j,k; int num=0;int r; int temp; int tP;int x1200-P;srand(unsigned)time(NULL); for(i=0;i<1200;i+) arri=i+

19、1;/將數(shù)組賦值1100 for(i=0;i<1200;i+) r=Rand(0,1199); temp=arri; arri=arrr; arrr=temp; /數(shù)組亂序 for(i=0;i<60;i+)ai0=i+1; for(i=0;i<60;i+)for(j=0;j<20;j+)aij+1=arrnum;num+;for(i=0;i<P;i+)ti=arr1200-(P-i);for(i=0;i<1200-P;i+)xi=arri;for(i=0;i<1200-P;i+)arrP+i=xi;for(i=0;i<P;i+)arri=ti;n

20、um=0;for(i=0;i<60;i+)for(j=0;j<20;j+)aij+1+20=arrnum;num+;for(i=0;i<P;i+)ti=arr1200-(P-i);for(i=0;i<1200-P;i+)xi=arri;for(i=0;i<1200-P;i+)arrP+i=xi;for(i=0;i<P;i+)arri=ti;num=0; for(i=0;i<60;i+)for(j=0;j<20;j+)aij+1+40=arrnum;num+;for(i=0;i<60;i+)printf("專家編號(hào)：%dnn&quo

21、t;,ai0); printf("所批試卷編號(hào)：");for(k=0;k<60;k+)printf("%5d",aik+1);printf("nn");代碼2 權(quán)值計(jì)算程序clc;yy1=xlsread('D:b.xls','sheetA','A2:A61');yy2=xlsread('D:b.xls','sheetB','A2:A61');yy3=xlsread('D:b.xls','sheetC',

22、'A2:A61');yy4=xlsread('D:b.xls','sheetD','A2:A61');yy5=xlsread('D:b.xls','sheetE','A2:A61');yy6=xlsread('D:b.xls','sheetA','B2:B61');yy7=xlsread('D:b.xls','sheetB','B2:B61');yy8=xlsread('D:b.x

23、ls','sheetC','B2:B61');yy9=xlsread('D:b.xls','sheetD','B2:B61');yy10=xlsread('D:b.xls','sheetE','B2:B61');y1=(yy1-mean(yy1)./std(yy1);y2=(yy2-mean(yy2)./std(yy2);y3=(yy3-mean(yy3)./std(yy3);y4=(yy4-mean(yy4)./std(yy4);y5=(yy5-mean(y

24、y5)./std(yy5);y6=(yy6-mean(yy6)./std(yy6);y7=(yy7-mean(yy7)./std(yy7);y8=(yy8-mean(yy8)./std(yy8);y9=(yy9-mean(yy9)./std(yy9);y10=(yy10-mean(yy10)./std(yy10);% xlswrite('D:c.xls',y1,'sheet1','A2:A61');% xlswrite('D:c.xls',y2,'sheet1','B2:B61'

25、);% xlswrite('D:c.xls',y3,'sheet1','C2:C61');% xlswrite('D:c.xls',y4,'sheet1','D2:D61');% xlswrite('D:c.xls',y5,'sheet1','E2:E61');z1=75+12.5*y1;z2=75+12.5*y2;z3=75+12.5*y3;z4=75+12.5*y4;z5=75+12.5*y5;z6=75+12.5*y6;z7=75+12.5*y7;z8=75+12.5*y8;z9=75+12.5*y9;z10=75+12.5*y10;w(1)=mean(z1-z6);w(2)=mean(z2-z7);w(3)=mean(z3-z8);w(4)=mean(z4-z9);w(5)=mean(