数据科学与统计分析2025年考试试题及答案

数据科学与统计分析2025年考试试题及答案一、单项选择题（每题2分，共20分）1.若随机变量X服从参数为λ的泊松分布，且E[(X-1)(X-2)]=1，则λ的值为（）。A.1B.2C.3D.42.在假设检验中，若原假设H₀为“某药物无效”，则犯第一类错误的含义是（）。A.药物实际无效，但结论认为有效B.药物实际有效，但结论认为无效C.药物实际无效，结论也认为无效D.药物实际有效，结论也认为有效3.对于线性回归模型Y=β₀+β₁X+ε（ε~N(0,σ²)），以下说法错误的是（）。A.最小二乘估计量是β₀和β₁的无偏估计B.残差的均值一定为0C.决定系数R²越接近1，模型拟合效果越好D.若X与Y的相关系数r=0.8，则β₁一定为正4.在分类问题中，若真实类别为正类的样本有100个，模型预测为正类的样本有80个，其中正确预测的有70个，则召回率（Recall）为（）。A.70/80B.70/100C.80/100D.70/(100+80-70)5.以下哪种方法不属于特征选择的过滤法（FilterMethod）？（）A.卡方检验B.互信息法C.随机森林重要性D.方差阈值法6.时间序列分析中，若ACF（自相关函数）在k=2后截尾，PACF（偏自相关函数）拖尾，则最可能的模型是（）。A.AR(2)B.MA(2)C.ARMA(2,2)D.ARIMA(1,1,2)7.对于非平衡数据集（正类样本占比5%），以下评价指标中最不适用的是（）。A.准确率（Accuracy）B.F1分数C.AUC-ROCD.精确率（Precision）8.以下关于K-means聚类的说法，错误的是（）。A.初始聚类中心的选择会影响最终结果B.适用于凸形状的簇划分C.要求数据具有可计算的欧氏距离D.可以直接处理类别型变量9.若使用梯度下降法优化损失函数L(θ)，当学习率过大时，最可能出现的现象是（）。A.模型收敛速度变慢B.损失函数在最小值附近震荡C.模型陷入局部最小值D.梯度消失10.在贝叶斯分类中，若先验概率P(C₁)=P(C₂)=0.5，且P(X|C₁)=0.3，P(X|C₂)=0.6，则后验概率P(C₂|X)为（）。A.0.5B.0.6C.2/3D.3/4二、简答题（每题8分，共40分）1.简述中心极限定理的核心内容及其在统计推断中的作用。2.解释“过拟合”的定义，并说明在机器学习中可通过哪些方法缓解过拟合。3.比较t检验与Z检验的适用场景，若样本量n=20且总体方差未知，应选择哪种检验？4.什么是数据标准化（Z-score标准化）与归一化（Min-Max归一化）？分别说明其适用场景。5.随机森林（RandomForest）与梯度提升树（GradientBoostingTree）在模型构建原理上的主要区别是什么？三、计算题（每题10分，共30分）1.某工厂生产的零件长度服从正态分布N(μ,σ²)，其中σ=0.5mm。现抽取25个零件，测得平均长度为20.1mm。要求：（1）计算μ的95%置信区间；（2）若样本量增加到100，其他条件不变，置信区间会如何变化？说明原因。（Z₀.₀₂₅=1.96）2.某电商平台想检验两种促销策略（A和B）对用户购买转化率的影响。随机分配1000名用户到A策略，其中120人购买；分配800名用户到B策略，其中100人购买。要求：（1）建立假设检验（α=0.05），判断两种策略的转化率是否有显著差异；（2）计算检验统计量（Z检验），并给出结论。（Z₀.₀₂₅=1.96）3.已知一组数据的回归模型为Y=β₀+β₁X+ε，通过最小二乘法得到β₀=2，β₁=1.5，且残差平方和SSE=100，总平方和SST=400。要求：（1）计算决定系数R²；（2）若X=5时，预测Y的值；（3）说明R²的实际意义。四、综合分析题（共10分）某零售企业收集了2020-2024年的月销售额数据（单位：万元），数据特征如下：-时间序列图显示明显的上升趋势；-季节分解后，季节指数在12月为1.5（其他月份指数在0.8-1.2之间）；-自相关函数（ACF）显示滞后1-3期的自相关系数分别为0.8、0.6、0.4，之后逐渐衰减；-偏自相关函数（PACF）显示滞后1期为0.7，滞后2期为0.2，滞后3期及以后接近0。要求：（1）判断该时间序列是否平稳，说明理由；（2）提出合适的时间序列模型（如ARIMA、SARIMA等），并说明模型参数的选择依据；（3）若需预测2025年12月的销售额，除时间序列模型外，还需考虑哪些外部因素？参考答案一、单项选择题1.B（解析：E[(X-1)(X-2)]=E[X²-3X+2]=λ²+λ-3λ+2=λ²-2λ+2=1→λ=1或2，因泊松分布λ>0，故λ=2）2.A（第一类错误为“弃真”，即原假设为真时拒绝原假设）3.D（相关系数符号与β₁符号一致，但r=0.8仅说明线性相关程度，β₁的具体值还与变量单位有关）4.B（召回率=正确预测的正类/真实正类总数=70/100）5.C（随机森林重要性属于包裹法（WrapperMethod））6.B（MA(q)模型的ACF在q阶截尾，PACF拖尾）7.A（非平衡数据中准确率易受多数类影响，无法反映模型真实性能）8.D（K-means基于距离计算，类别型变量需转换为数值型后才能使用）9.B（学习率过大可能导致步长过大，跳过最小值点，造成震荡）10.C（P(C₂|X)=P(X|C₂)P(C₂)/[P(X|C₁)P(C₁)+P(X|C₂)P(C₂)]=(0.6×0.5)/(0.3×0.5+0.6×0.5)=0.3/0.45=2/3）二、简答题1.中心极限定理核心：独立同分布的随机变量，当样本量n足够大时，其样本均值的分布近似服从正态分布，无论原分布如何。作用：为大样本统计推断（如参数估计、假设检验）提供理论基础，使非正态总体的均值检验可行。2.过拟合：模型在训练数据上表现很好，但在未见过的测试数据上表现差，即模型过度学习了训练数据中的噪声和细节。缓解方法：增加样本量、正则化（L1/L2正则）、早停法（EarlyStopping）、特征选择（减少特征维度）、交叉验证、集成学习（如随机森林）等。3.t检验与Z检验的区别：Z检验适用于总体方差已知或大样本（n≥30）；t检验适用于总体方差未知且小样本（n<30）。当n=20（小样本）且总体方差未知时，应选择t检验。4.标准化（Z-score）：将数据转换为均值为0、标准差为1的分布，公式为(X-μ)/σ；适用于数据分布未知或存在异常值（对量纲不敏感）。归一化（Min-Max）：将数据缩放到[0,1]区间，公式为(X-X_min)/(X_max-X_min)；适用于需要保留数据原始范围（如神经网络输入层）或数据分布接近均匀的场景。5.随机森林通过自助采样（Bootstrap）生成多个决策树，每棵树独立训练，最终结果通过投票（分类）或平均（回归）集成；梯度提升树通过迭代训练，每棵新树拟合前一棵树的残差（负梯度），通过累加所有树的预测结果得到最终输出。前者强调“并行”与“多样性”，后者强调“串行”与“逐步修正误差”。三、计算题1.（1）置信区间公式：\(\bar{X}\pmZ_{\alpha/2}\cdot\frac{\sigma}{\sqrt{n}}\)代入数据：20.1±1.96×(0.5/√25)=20.1±0.196→(19.904,20.296)（2）样本量n=100时，标准误σ/√n=0.5/10=0.05，置信区间为20.1±1.96×0.05=20.1±0.098→(20.002,20.198)。样本量增大，标准误减小，置信区间变窄，估计更精确。2.（1）假设H₀：p₁=p₂（A、B策略转化率无差异）；H₁：p₁≠p₂（有差异）（2）计算合并转化率\(\hat{p}=(120+100)/(1000+800)=220/1800≈0.1222\)检验统计量\(Z=\frac{\hat{p}_1-\hat{p}_2}{\sqrt{\hat{p}(1-\hat{p})(1/n₁+1/n₂)}}=\frac{0.12-0.125}{\sqrt{0.1222×0.8778×(1/1000+1/800)}}≈\frac{-0.005}{\sqrt{0.1073×0.00225}}≈-0.32\)|Z|=0.32<1.96，不拒绝H₀，认为两种策略转化率无显著差异。3.（1）R²=1-SSE/SST=1-100/400=0.75（2）Y=2+1.5×5=9.5（3）R²=0.75表示模型解释了75%的Y的变异，拟合效果较好。四、综合分析题1.不平稳。时间序列图有明显上升趋势，说明均值随时间变化；平稳序列的均值、方差应不随时间改变。2.建议使用ARIMA模型。由于存在趋势，需