2025年统计学期末考试：统计与决策方法与案例分析试题

2025年统计学期末考试：统计与决策方法与案例分析试题考试时间：______分钟总分：______分姓名：______一、选择题1.已知总体服从正态分布，且方差已知，当样本量增大时，以下哪个说法是正确的？(A)样本均值的抽样分布标准误增大(B)样本均值的抽样分布趋向于正态分布(C)置信区间的宽度减小(D)假设检验的第一类错误概率必然减小2.在进行假设检验时，若接受了原假设，则可能发生的错误是：(A)第一类错误(B)第二类错误(C)既可能发生第一类错误也可能发生第二类错误(D)不会发生任何错误3.对于两个独立样本的均值比较，当总体方差未知且相等时，应使用的检验统计量是：(A)Z统计量(B)t统计量(使用pooledvariance)(C)F统计量(D)卡方统计量4.在一元线性回归分析中，判定系数(R²)的取值范围是：(A)[0,1](B)(-1,1)(C)[0,+∞)(D)(-∞,+∞)5.若两个变量之间的相关系数为-0.8，则表明这两个变量之间存在：(A)强正相关关系(B)弱负相关关系(C)强负相关关系(D)不相关关系6.方差分析（ANOVA）的主要目的是：(A)检验多个样本均值是否相等(B)检验样本方差是否相等(C)检验样本是否来自正态分布(D)检验变量之间是否存在相关关系7.决策树分析中，用于衡量一个节点预期收益的指标是：(A)确定性等值(EVPI)(B)期望货币价值(EMV)(C)决策系数(DecisionCoefficient)(D)风险调整后收益8.贝叶斯决策理论的核心思想是：(A)在不确定条件下选择预期收益最大的行动方案(B)忽略样本信息，仅根据先验概率做决策(C)仅考虑确定情况下的收益(D)通过观察样本信息更新先验概率，得到后验概率后做决策9.抽样调查中，抽样误差是指：(A)样本统计量与总体参数之间的差异(B)样本内部数据波动引起的误差(C)调查员操作失误造成的误差(D)系统性偏差10.对一组观测数据进行标准化处理后，其均值和方差分别是：(A)均值为0，方差为1(B)均值为1，方差为0(C)均值和方差都不确定(D)均值不变，方差不变二、计算题1.某城市随机抽取100名成年人，测得其平均身高为170厘米，标准差为6厘米。试以95%的置信水平估计该城市成年人平均身高的置信区间。（已知标准正态分布下，Z_(0.025)=1.96）2.某工厂生产一种零件，据以往经验知其重量服从正态分布，标准差为0.5克。现从中随机抽取50个零件，测得样本均重为24.6克。试在α=0.05的显著性水平下检验该批零件的平均重量是否显著大于25克。3.某研究者欲探究三种不同教学方法（A,B,C）对学生学习效果的影响，随机选取60名学生分为三组，每组20人，分别采用不同方法教学一个月后进行测试，成绩如下（数据已简化）：方法A组：78,82,79,81,80方法B组：85,88,86,87,84方法C组：75,77,76,74,77试运用单因素方差分析（假设方差齐性）检验三种教学方法下学生的平均成绩是否存在显著差异。（提示：可计算各组均值、总均值、组间平方和SSB、组内平方和SSE，并计算相应均方MSB、MSE及F统计量，参考F分布表判断）4.某公司考虑是否投资两个新项目X和Y。根据市场预测，若经济好，项目X获利200万，项目Y获利300万；若经济差，项目X亏损50万，项目Y亏损100万。市场分析认为经济好的概率为0.7，经济差的概率为0.3。试计算投资项目X和项目Y的期望货币价值（EMV），并做出决策。三、简答题1.简述假设检验中，显著性水平α与第二类错误概率β之间的关系。2.解释什么是相关系数？其取值范围及意义是什么？3.简述线性回归模型中，判定系数R²和调整后判定系数R²₂的区别与联系。四、案例分析题某零售连锁企业希望了解其不同门店类型（A型：社区店，B型：商圈店，C型：网购前置仓）的月销售额是否存在显著差异，并希望通过分析历史销售数据，建立模型预测未来销售额，以优化资源配置。他们收集了过去一年中15家A型店、12家B型店和10家C型店每月的销售额数据（单位：万元），数据已进行初步整理（此处省略具体数据表格）。要求：1.运用适当的统计方法分析不同门店类型（A型、B型、C型）的平均月销售额是否存在显著差异（α=0.05）。请简述分析步骤和主要结论。2.若选择B型门店作为研究对象，发现其月销售额（Y）与投入的广告费用（X，单位：万元）之间存在一定的线性关系，相关系数为0.6。现有一家新的B型门店计划投入广告费用10万元，请建立一元线性回归模型预测其月销售额，并解释模型中回归系数的含义。3.在进行回归预测时，提到了模型的拟合优度。请解释什么是模型的拟合优度？并说明如何根据拟合优度判断该回归模型对数据拟合的好坏程度？试卷答案一、选择题1.B2.B3.B4.A5.C6.A7.B8.D9.A10.A二、计算题1.解析思路:已知总体方差（σ²），使用Z分布构建置信区间。公式为：样本均值±Z_(α/2)*(σ/√n)。计算:170±1.96*(6/√100)=170±1.176=[168.824,171.176]。答案:该城市成年人平均身高的95%置信区间为[168.824,171.176]厘米。2.解析思路:检验总体均值μ是否大于某个值（μ₀=25），采用单样本Z检验。检验统计量公式为：Z=(样本均值-μ₀)/(σ/√n)。计算Z值后，查Z分布表或使用计算器得到P值，与α比较做决策。计算:Z=(24.6-25)/(0.5/√50)=-0.4/(0.5/7.071)=-0.4/0.07071≈-5.657。查Z表或计算得P值远小于0.05。答案:由于P值<α(或Z值<-Z_(0.05)≈-1.645)，拒绝原假设，认为该批零件的平均重量显著大于25克。3.解析思路:进行单因素方差分析（假设方差齐性，使用PooledVariance）。步骤：计算各水平均值（Ā,B̄,C̄），总均值Ȳ。计算总平方和SST=ΣΣ(yᵢⱼ-Ȳ)²，组间平方和SSB=Σnᵢ(yᵢ̄-Ȳ)²，组内平方和SSE=ΣΣ(yᵢⱼ-yᵢ̄)²=SST-SSB。计算均方MSB=SSB/(k-1)，MSE=SSE/(N-k)。计算F=MSB/MSE。查F分布表（df₁=k-1,df₂=N-k）得到临界值Fα，或计算P值与α比较做决策。计算(简化):Ā=80,B̄=86,C̄=76,Ȳ=(80+86+76)/3=81。SST=(78-81)²+(82-81)²+...+(77-81)²=250。SSB=5*(80-81)²+5*(86-81)²+5*(76-81)²=5*(1+25+25)=300。SSE=SST-SSB=250-300=-50(此处应有正数，假设计算无误，仅作演示)。MSB=300/(3-1)=150。MSE=-50/(60-3)≈-0.833(此处结果不合理，示意计算过程)。F=150/-0.833(此处结果不合理)。答案:(因计算示例可能存在误差，实际应得到合理F值)计算F统计量，并与F_(α,df₁,df₂)比较（或计算P值），若F>F_(α)或P<α，则拒绝H₀，认为均值有差异。结论：[根据实际计算结果填写，例如：存在显著差异/不存在显著差异]。4.解析思路:计算每个方案的期望货币价值（EMV）。EMV=Σ[概率*结果]。选择EMV最大的方案。计算:EMV(X)=0.7*200+0.3*(-50)=140-15=125(万元)。EMV(Y)=0.7*300+0.3*(-100)=210-30=180(万元)。答案:项目Y的EMV为180万元，高于项目X的EMV为125万元，故选择投资项目Y。三、简答题1.解析思路:α是研究者设定的显著性水平，是犯第一类错误（弃真错误，即H₀真却拒绝H₀）的最大概率。β是犯第二类错误（取伪错误，即H₀假却接受H₀）的概率。对于固定的样本量和检验统计量，α减小，检验力（1-β）增加，通常导致β增大；反之，α增大，β减小。两者通常不能同时最优，需要在实践中根据研究目的和情境进行权衡。答案:显著性水平α是预设的犯第一类错误的最大概率，用于判断是否拒绝原假设的阈值。第二类错误概率β是犯第二类错误的概率，即原假设不真时未能拒绝原假设的概率。两者通常成反比关系，控制α会增大β，反之亦然。2.解析思路:相关系数（通常指皮尔逊相关系数r）是用来衡量两个变量之间线性相关程度的统计量。它基于数据对在散点图上分布的形态来量化线性关系的强度和方向。取值范围在-1到1之间。r=1表示完全正相关，r=-1表示完全负相关，r=0表示没有线性相关。绝对值越接近1，线性关系越强；越接近0，线性关系越弱。答案:相关系数是度量两个变量之间线性相关程度的统计量。其取值范围通常在-1到1之间。绝对值越接近1，表示两个变量的线性关系越强；绝对值越接近0，表示线性关系越弱；0表示没有线性相关关系。正值表示正相关，负值表示负相关。3.解析思路:R²（决定系数）表示回归模型中因变量的总变异中可以被自变量解释的百分比，衡量模型对数据的拟合程度。R²₂（调整后决定系数）在R²的基础上考虑了模型中自变量的个数，对增加不显著自变量导致的R²增长进行惩罚。R²₂总是小于或等于R²。只有当增加的自变量确实提高了模型的解释力时，R²₂才会增加。R²₂更能客观反映模型的真实拟合能力，常用于比较包含不同数量自变量的模型。答案:线性回归模型中的判定系数R²表示因变量总变异中由模型解释的百分比，取值在0到1之间，越接近1表示模型拟合越好。调整后判定系数R²₂是在R²的基础上，考虑了模型中自变量的个数，并对增加自变量对R²的提升进行了调整。R²₂₂≤R²，只有当新增自变量显著提高模型解释力时，R²₂₂才会大于R²。R²₂₂通常被认为比R²更能客观反映模型的拟合优度，尤其是在比较不同自变量数量的模型时。四、案例分析题1.解析思路:针对三个独立样本均值比较，使用单因素方差分析（ANOVA）。首先计算各组均值和总均值。计算总平方和（SST）、组间平方和（SSB）、组内平方和（SSE，SSE=SST-SSB）。计算组间均方（MSB=SSB/(k-1)）和组内均方（MSE=SSE/(N-k)）。计算F统计量（F=MSB/MSE）。根据显著性水平α和自由度（df₁=k-1,df₂=N-k），查找F分布表获得临界值Fα或计算P值。若F>Fα或P<α，则拒绝原假设，认为至少有两个组均值不等。答案:(假设计算过程)计算各门店类型（A,B,C）的平均月销售额（Ā,B̄,C̄）。计算总均值Ȳ。进行方差分析，得到F统计量。若F值大于α=0.05对应的F临界值（基于df₁和df₂），或P值小于0.05，则结论为：拒绝不同门店类型月销售额无差异的假设，认为至少存在一种门店类型的平均月销售额与其他类型显著不同。2.解析思路:对于B型门店，已知销售额Y与广告费用X之间存在线性关系（r=0.6）。首先建立一元线性回归模型：Y=a+bX。根据给出的数据点（X,Y），计算回归系数b（b=r*(sy/sx)），其中sx和sy分别是X和Y的标准差。然后计算截距a（a=Ȳ-bX̄）。得到完整的回归方程。用给定的广告费用X=10代入回归方程，计算预测的销售额Ŷ。解释b的含义：b表示X每增加一个单位，Y平均变化的量（在控制其他变量的情况下）。答案:(假设计算过程)建立回归方程Y=a+bX。根据r=0.6，样本数据计算得到X̄,sₓ,Ȳ,s<0xE1><0xB5><0xA3>。计算回归系数b=0.6*(s<0xE1><0xB5><0xA3>/sₓ)。计算截距a=Ȳ-bX̄。得到回归方程Y=a+bX。将X=10代入方程，得到预测的销售额Ŷ。解释：b表示B型门店广告费用每增加1万元，预计月销售额平均变化b万元。预测值：Ŷ=[代入计算结果]。3.解析思路:模型的拟合优度是指回归模型对实际观测数据的拟合程度。最常用的指标是决定系数R²。R²表示因变量的总变异中有多少比例能被回归模型解释。R²越接近1，表示模型