2025年大学《统计学》专业题库- 贝叶斯统计学在医学研究中的应用

2025年大学《统计学》专业题库——贝叶斯统计学在医学研究中的应用考试时间：______分钟总分：______分姓名：______一、选择题（每小题3分，共15分）1.下列哪一项不是贝叶斯统计推断的核心要素？A.先验分布B.似然函数C.后验分布D.总体参数2.根据贝叶斯公式，后验分布正比于什么？A.先验分布乘以样本量B.先验分布乘以似然函数C.似然函数除以先验分布D.先验分布除以似然函数3.在医学诊断中，P(疾病|阳性检测结果)被称为：A.先验概率B.似然比C.后验概率D.特异性4.使用共轭先验分布的主要优点是：A.总体分布总是正态的B.可以简化后验分布的计算C.无需收集任何数据D.后验分布与似然函数相同5.贝叶斯方法在处理医学研究中缺失数据时，相较于频率派方法的主要优势在于：A.总是能得到完全准确的估计B.可以显式地利用关于缺失机制的信息C.不需要假设缺失机制D.计算速度更快二、填空题（每小题4分，共20分）6.贝叶斯统计推断中，衡量参数不确定性的常用方法是________估计。7.若似然函数是关于参数θ的单峰函数，且使用均匀分布U(0,∞)作为θ的无信息先验分布，则得到的后验分布属于________分布。8.在贝叶斯决策理论中，评价一个决策规则好坏的常用标准是________。9.贝叶斯方法在临床试验分析中，可以通过更新先验分布来整合________，从而更有效地利用信息。10.医学研究中，贝叶斯网络是一种用于表示变量之间________关系的概率图模型。三、简答题（每小题6分，共18分）11.简述贝叶斯方法与频率派方法在解释统计推断结果时的主要区别。12.在医学诊断试验的评价中，如何利用贝叶斯方法计算患病的后验概率P(疾病|阳性检测结果)？请写出关键步骤和公式。13.列举贝叶斯方法在医学研究中至少三个具体的应用场景，并简要说明其作用。四、计算题（每小题10分，共20分）14.假设某疾病的先验概率（基于既往研究）为P(疾病)=0.01。已知该疾病患者中检测结果为阳性的概率P(阳性检测结果|疾病)=0.95，非疾病患者中检测结果为阳性的概率P(阳性检测结果|非疾病)=0.05。现有一位患者检测结果为阳性，试用贝叶斯公式计算该患者患病的后验概率P(疾病|阳性检测结果)。假设使用非信息先验。15.在一项比较新药A与安慰剂对某种疾病的疗效研究中，研究者假设两种治疗的效果（以成功治愈的概率θ表示）都服从Beta(1,1)分布（即无信息先验）。假设使用某种疗效评估试验，得到新药A的成功治愈人数为x_A，安慰剂的成功治愈人数为x_B，总试验人数分别为n_A和n_B。请写出在观察到这些数据后，新药A疗效θ_A的后验分布的表达式。试卷答案一、选择题（每小题3分，共15分）1.D2.B3.C4.B5.B二、填空题（每小题4分，共20分）6.贝叶斯7.伽马（或Gamma）8.贝叶斯风险（或后验期望损失）9.先前研究结果（或历史数据/先前信息）10.因果（或概率）三、简答题（每小题6分，共18分）11.贝叶斯方法将先验信息融入统计推断过程，结论是参数（或参数的估计值）本身是一个带有不确定性的概率分布（后验分布）；频率派方法则认为结论是关于总体参数的频率性陈述（如估计值的无偏性、置信区间包含参数的真实值的长期频率），不直接将先验信息纳入推断结果本身。12.首先确定患病的先验概率P(疾病)和检测结果的条件概率P(阳性检测结果|疾病),P(阳性检测结果|非疾病)。然后根据贝叶斯公式：P(疾病|阳性检测结果)=[P(阳性检测结果|疾病)*P(疾病)]/P(阳性检测结果)其中P(阳性检测结果)是边缘似然，可以通过全概率公式计算：P(阳性检测结果)=P(阳性检测结果|疾病)*P(疾病)+P(阳性检测结果|非疾病)*P(非疾病)将已知值代入公式计算即可。13.应用场景包括：(1)医学诊断：计算患病概率，评价诊断试验性能。(2)临床试验：进行早期疗效判断、样本量重新估计、整合既往研究和当前数据。(3)流行病学：估计疾病风险、进行病例对照研究分析。(4)药物基因组学：分析基因型与药物反应的关系。作用是能显式结合先验知识，对数据稀疏或具有序贯性（如纵向数据）的研究提供更稳健或有效的推断。四、计算题（每小题10分，共20分）14.已知P(疾病)=0.01,P(非疾病)=1-P(疾病)=0.99。P(阳性检测结果|疾病)=0.95,P(阳性检测结果|非疾病)=0.05。计算P(阳性检测结果)：P(阳性检测结果)=P(阳性检测结果|疾病)*P(疾病)+P(阳性检测结果|非疾病)*P(非疾病)=0.95*0.01+0.05*0.99=0.0095+0.0495=0.059应用贝叶斯公式计算P(疾病|阳性检测结果)：P(疾病|阳性检测结果)=[P(阳性检测结果|疾病)*P(疾病)]/P(阳性检测结果)=(0.95*0.01)/0.059=0.0095/0.059=0.161017...≈0.161(保留三位小数)15.假设新药A疗效θ_A服从Beta(1,1)分布，即先验分布为Beta(1,1)。观察到数据为x_A成功，n_A-x_A失败，总人数n_A。似然函数为Beta(x_A+1,n_A-x_A+1)的密度函数在θ_A=x_A/n_A处的值。后验分布通过贝叶斯公式计算：后验分布∝似然函数*先验分布后验分布∝Beta(x_A+1,n_A-x_A+1)*Beta(1,1)