2025年大学《统计学》专业题库- 统计学与贝叶斯网络的应用

2025年大学《统计学》专业题库——统计学与贝叶斯网络的应用考试时间：______分钟总分：______分姓名：______一、选择题（每小题2分，共10分）1.在贝叶斯统计框架下，参数被视为随机变量，其分布称为________。A.样本分布B.先验分布C.后验分布D.极大似然估计2.以下哪一项不是贝叶斯网络的基本要素？A.变量集合B.因果关系C.有向无环图结构D.连续概率分布3.根据贝叶斯定理，后验分布正比于________。A.似然函数乘以先验分布B.似然函数除以先验分布C.先验分布除以似然函数D.似然函数减去先验分布4.在贝叶斯网络中，若变量X仅受到变量Y的影响，而不受其他变量影响，则X与Y之间的条件概率P(X|Y,Z1,...,Zk)（其中Z1,...,Zk为其他变量）等于________。A.P(X|Y)B.P(X)C.P(Y|X)D.P(Y)5.贝叶斯网络学习的主要任务之一是估计________。A.变量间的相关系数B.网络的有向无环图结构C.网络中所有变量的边缘分布D.网络中每个节点的条件概率表二、填空题（每空2分，共20分）6.统计推断的两大基本问题是________和________。7.贝叶斯推断的核心思想是用________来表示参数的不确定性。8.若一个贝叶斯网络的结构已知，根据观测到的证据变量，推断未观测变量的分布称为________。9.在进行贝叶斯网络参数估计时，常见的非参数学习方法有________和________。10.设变量X和Y相互独立，且P(X=x)=0.3,P(Y=y)=0.5，则P(X=x,Y=y)=________。三、计算题（共40分）11.（10分）已知某疾病的先验概率为P(病)=0.01，若检测结果为阳性，则在患病人群中的真阳性率为P(阳|病)=0.95，在未患病人群中假阳性率为P(阳|~病)=0.05。现某人检测结果为阳性，求该人患病的后验概率P(病|阳)。（请写出完整的贝叶斯定理计算过程）12.（15分）考虑一个简单的贝叶斯网络结构如下：C->A,C->B，其中C为父节点，A和B为子节点。假设条件概率表如下：P(C=t)={0.7(t=1),0.3(t=0)}P(A=1|C=t)={0.9(t=1),0.2(t=0)}P(B=1|C=t)={0.6(t=1),0.3(t=0)}现已知观测到A=1，B=1。求P(C=1|A=1,B=1)。（请写出完整的计算过程）13.（15分）假设我们要为一个简单的家庭场景构建贝叶斯网络，包含三个变量：Rain（是否下雨），Sprinkler（洒水器是否开启），WetGrass（草是否湿）。根据经验，变量间的关系如下：-Rain和Sprinkler是独立的。-Sprinkler受Rain影响：如果下雨，洒水器开启的概率更高。-WetGrass受Sprinkler和Rain影响：如果洒水器开启或下雨（或两者），草更可能湿。请根据上述描述，给出这个贝叶斯网络的一个可能的有向无环图结构，并定义各节点的条件概率表（CPD）的形式。（无需填写具体数值）四、应用/分析题（共30分）14.（15分）在医疗诊断领域，医生可能需要利用贝叶斯网络来辅助决策。请结合医学知识，设计一个简单的贝叶斯网络模型，用于分析某传染病的传播风险。模型应至少包含三个变量，例如症状（发烧）、接触史（接触患者）、感染风险（感染）。请简述你选择这些变量的原因，说明网络的结构，并描述如何利用该网络进行概率推断（例如，根据患者的症状和接触史，评估其感染的风险）。15.（15分）比较参数估计的频率学派观点与贝叶斯学派观点的主要区别。在哪些情况下，使用贝叶斯方法可能更具优势？请结合具体例子说明。---试卷答案一、选择题1.B2.D3.A4.A5.D二、填空题6.参数估计；假设检验7.后验分布8.推理（或诊断推理）9.基于频率的方法；基于图模型的方法（或直接估计；参数估计）10.0.15三、计算题11.解析思路：应用贝叶斯定理P(病|阳)=[P(阳|病)P(病)]/P(阳)。其中P(阳)=P(阳|病)P(病)+P(阳|~病)P(~病)。计算：P(阳)=(0.95*0.01)+(0.05*0.99)=0.0095+0.0495=0.059P(病|阳)=(0.95*0.01)/0.059=0.0095/0.059≈0.161答：P(病|阳)≈0.161。12.解析思路：应用贝叶斯定理的图模型形式，P(C=1|A=1,B=1)∝P(A=1,B=1|C=1)P(C=1)。由于A和B独立给定C，则P(A=1,B=1|C=t)=P(A=1|C=t)P(B=1|C=t)。计算：P(C=1|A=1,B=1)∝P(C=1)*[P(A=1|C=1)P(B=1|C=1)]+P(C=0)*[P(A=1|C=0)P(B=1|C=0)]∝0.7*(0.9*0.6)+0.3*(0.2*0.3)∝0.7*0.54+0.3*0.06∝0.378+0.018=0.396P(A=1,B=1)∝[P(C=1)*(P(A=1|C=1)P(B=1|C=1))]+[P(C=0)*(P(A=1|C=0)P(B=1|C=0))]∝0.7*0.54+0.3*0.06=0.396P(C=1|A=1,B=1)=[0.7*0.54]/0.396=0.378/0.396≈0.956答：P(C=1|A=1,B=1)≈0.956。13.解析思路：根据变量间关系描述构建网络结构，确定条件概率表。独立性表明直接连接无需条件概率。依赖关系表明需要条件概率。结构：Rain->Sprinkler；Rain->WetGrass；Sprinkler->WetGrass。CPD定义：P(Rain)=定义边缘分布。P(Sprinkler=1|Rain)=定义条件概率。P(WetGrass=1|Rain,Sprinkler)=定义条件概率，可能包含与Rain和Sprinkler的交互项。四、应用/分析题14.解析思路：选择变量需反映问题核心，体现依赖关系。构建结构需表示这些关系。描述推断需说明如何利用网络。示例模型：变量：感染风险(Infected)，症状(Symptoms)，接触史(Exposure)。结构：接触史->感染风险；感染风险->症状。原因：接触患者是感染的主要途径，感染风险影响是否出现症状。推断：若知某人有接触史，且出现症状，可通过贝叶斯网络更新其感染风险的概率估计。网络可整合多个证据，提供比单一指标更全面的风险评估。15.解析思路：比较核心在于参数观点和处理不确定性的方式。贝叶斯强调主观概率，频率学派强调长期频率。优势在于先验信息和整合证据。区别：频率学派：参数视为固定未知量，估计量基于样本频率。不确定性用抽样分布描述。贝叶斯学派：参数视为随机变量，有先验分布，通过观测数据更新为后验分布。不确