2021统计数据分析题必刷题库 覆盖100%考点

2021统计数据分析题必刷题库覆盖100%考点

一、单项选择题（总共10题，每题2分）1.下列指标中，最易受极端值影响的集中趋势测度是（）。A.众数B.中位数C.均值D.四分位数2.描述数据离散程度时，反映数据与其均值绝对离差平均水平的指标是（）。A.方差B.标准差C.平均差D.四分位差3.若两变量的Pearson相关系数为0.85，则说明二者（）。A.高度正线性相关B.高度负线性相关C.无线性相关D.完全正相关4.在假设检验中，“拒绝实际为真的原假设”属于（）。A.第一类错误B.第二类错误C.正确决策D.无法判断5.时间序列中，由自然季节因素引起的周期性波动称为（）。A.长期趋势B.季节变动C.循环变动D.不规则变动6.数据标准化处理后，新数据的均值和标准差分别为（）。A.0，1B.1，0C.原均值，原标准差D.原均值，17.检验两个分类变量是否独立时，最适合的统计方法是（）。A.t检验B.卡方检验C.Z检验D.F检验8.在一元线性回归方程ŷ=a+bx中，b表示（）。A.自变量x每增加1单位，因变量y的平均变化量B.因变量y每增加1单位，自变量x的平均变化量C.当x=0时，y的实际值D.当y=0时，x的实际值9.其他条件不变时，增大样本量会使置信区间的宽度（）。A.变宽B.变窄C.不变D.无法确定10.茎叶图与直方图相比，最突出的优点是（）。A.直观展示分布形态B.保留原始数据信息C.便于比较两组数据D.计算更简便二、填空题（总共10题，每题2分）1.数据中出现次数最多的变量值称为（）。2.标准差是（）的平方根。3.相关系数的绝对值越接近1，说明变量间的线性相关程度越（）。4.假设检验中，显著性水平α是（）错误的概率。5.时间序列的长期趋势是指现象在较长时期内呈现的（）变动趋势。6.标准化分数（Z分数）的计算公式为（）。7.对于r行c列的列联表，卡方检验的自由度为（）。8.回归分析中，判定系数R²表示（）对因变量变异的解释程度。9.置信区间的宽度与置信水平成（）关系（填“正”或“负”）。10.茎叶图由“茎”和“叶”两部分组成，其中“叶”通常代表数据的（）位数字。三、判断题（总共10题，每题2分）1.均值对极端值不敏感，适用于偏态分布数据的集中趋势描述。（）2.方差的单位与原始数据单位一致，标准差的单位是原始数据单位的平方。（）3.相关系数为0时，说明两个变量之间不存在任何相关关系。（）4.假设检验中，α越小，拒绝原假设的难度越大。（）5.季节变动的周期通常为1年，循环变动的周期通常长于1年。（）6.数据标准化后，不会改变数据的分布形态。（）7.卡方检验既可用于拟合优度检验，也可用于独立性检验。（）8.回归分析中，自变量和因变量必须存在因果关系。（）9.置信区间越宽，估计的精度越高。（）10.茎叶图适用于小样本数据的分布展示，直方图适用于大样本。（）四、简答题（总共4题，每题5分）1.简述均值、中位数、众数的适用场景。2.简述标准差与方差的区别与联系。3.简述假设检验的基本步骤。4.简述时间序列分解的主要成分及其含义。五、讨论题（总共4题，每题5分）1.讨论相关系数与回归分析的联系与区别。2.讨论在数据预处理中缺失值的处理方法及其适用场景。3.讨论显著性水平α的选择对假设检验结果的影响。4.讨论如何通过描述统计和推断统计结合分析某企业销售数据。答案与解析一、单项选择题1.C2.C3.A4.A5.B6.A7.B8.A9.B10.B二、填空题1.众数2.方差3.高4.第一类5.持续上升或下降6.Z=(x-μ)/σ7.(r-1)(c-1)8.自变量9.正10.个三、判断题1.×（均值易受极端值影响，适用于对称分布）2.×（标准差单位与原始数据一致，方差是平方）3.×（无线性相关，可能存在非线性相关）4.√5.√6.√7.√8.×（相关关系不一定是因果关系）9.×（越宽精度越低）10.√四、简答题1.均值适用于对称分布、无极端值的数值型数据；中位数适用于偏态分布或有极端值的数据；众数适用于分类数据或离散型数据的集中趋势描述。2.联系：标准差是方差的平方根，均反映数据离散程度；区别：方差单位是原始数据的平方，标准差单位与原始数据一致，更便于实际解释。3.步骤：①提出原假设和备择假设；②确定显著性水平α；③选择检验统计量并计算其值；④确定临界值或计算P值；⑤比较并作出统计决策。4.主要成分：长期趋势（T，持续变化）、季节变动（S，1年内周期性）、循环变动（C，多年周期性）、不规则变动（I，随机偶然因素）。五、讨论题1.联系：相关系数衡量线性相关程度，为回归分析提供依据；回归分析通过方程描述变量关系，可计算相关系数。区别：相关系数对称，无因果方向；回归分析区分自变量和因变量，强调因果关系（需结合专业知识）。2.处理方法：删除法（缺失率高且无规律）、均值/中位数填补（数据分布稳定）、回归填补（变量间有显著相关）、热卡填补（找相似样本替代）。适用场景：删除法简单但损失信息；均值填补适合无极端值的数值型数据；回归填补需变量间存在相关性。3.α越小（如0.01），拒绝原假设的标准越严格，犯第一类错误概率越低，但可能增加第二类错误概率；α越大（如0.1），越容易拒绝原假设，第一类错误风险上升，第二类错误风险下降。需根据研究目的权衡两类错误的后果。4