统计预测与决策考试试题及答案

统计预测与决策考试试题及答案考试时长：120分钟满分：100分一、单选题（总共10题，每题2分，总分20分）1.在统计预测中，以下哪种方法属于时间序列预测模型？A.回归分析B.ARIMA模型C.决策树D.聚类分析2.预测误差的标准衡量指标是？A.相关系数B.均方根误差（RMSE）C.决策系数D.方差3.在决策树中，选择分裂属性时常用的指标是？A.互信息B.标准差C.方差比D.均值绝对偏差4.贝叶斯决策理论中，后验概率是指？A.先验概率乘以似然函数B.先验概率除以似然函数C.似然函数的平方D.先验概率与似然函数的比值5.在线性回归中，以下哪种情况会导致模型过拟合？A.样本量过大B.自变量过多C.数据噪声较小D.模型参数较少6.决策分析中，期望收益最大的策略称为？A.最小后悔策略B.确定性等价策略C.风险规避策略D.期望值最大化策略7.在时间序列分析中，ARIMA模型中的p、d、q分别代表？A.自回归项数、差分次数、移动平均项数B.移动平均项数、自回归项数、差分次数C.差分次数、移动平均项数、自回归项数D.自回归项数、移动平均项数、差分次数8.在多分类问题中，以下哪种方法不属于监督学习？A.支持向量机B.决策树C.K-means聚类D.逻辑回归9.在贝叶斯网络中，节点之间的依赖关系通常表示为？A.线性关系B.条件概率表C.决策树结构D.回归系数10.在风险评估中，以下哪种方法属于定性方法？A.蒙特卡洛模拟B.层次分析法C.灰色预测D.神经网络二、填空题（总共10题，每题2分，总分20分）1.统计预测中，通过历史数据建立模型以预测未来趋势的方法称为__________。2.决策树中，节点分裂的标准通常基于__________或信息增益。3.贝叶斯决策理论中，先验概率是指__________下各状态的概率分布。4.线性回归中，残差的平方和最小化为__________原则。5.时间序列分析中，ARIMA模型中的“AR”代表__________模型。6.决策分析中，期望后悔最小化的策略称为__________。7.多分类问题中，逻辑回归通过__________函数将输出映射到多个类别。8.贝叶斯网络中，节点的条件概率表（CPT）描述了__________。9.风险评估中，层次分析法（AHP）通过__________确定各风险因素的权重。10.统计预测中，移动平均法适用于__________的时间序列数据。三、判断题（总共10题，每题2分，总分20分）1.回归分析只能用于预测连续型变量。（×）2.ARIMA模型适用于所有类型的时间序列数据。（×）3.决策树是一种非参数学习方法。（√）4.贝叶斯决策理论假设所有决策结果已知。（√）5.线性回归中，自变量之间存在多重共线性会提高模型精度。（×）6.时间序列分析中，季节性因素必须通过差分消除。（×）7.决策树容易过拟合，需要剪枝优化。（√）8.贝叶斯网络中的节点可以表示连续型变量。（×）9.风险评估中，蒙特卡洛模拟属于定性方法。（×）10.统计预测中，指数平滑法适用于具有明显趋势的数据。（×）四、简答题（总共4题，每题4分，总分16分）1.简述时间序列预测模型的基本假设。2.解释决策树中信息增益的概念及其作用。3.贝叶斯决策理论的核心思想是什么？4.统计预测中，如何判断模型是否存在过拟合？五、应用题（总共4题，每题6分，总分24分）1.某公司过去5年的销售额数据如下：[120,130,140,150,160]。（1）使用简单移动平均法（n=3）预测第6年的销售额。（2）计算预测误差的均方根误差（RMSE）。2.假设某决策问题有三种状态（S1,S2,S3），两种行动（A1,A2），收益矩阵如下：|状态\行动|A1|A2||----------|----|----||S1|10|8||S2|6|12||S3|4|7|假设状态概率为P(S1)=0.3,P(S2)=0.5,P(S3)=0.2，求最优行动。3.某时间序列数据具有明显的自相关性，差分一次后数据平稳。（1）写出适用的ARIMA模型形式。（2）解释p、d、q的含义。4.假设某风险评估问题包含三个因素：财务风险（权重0.4）、市场风险（权重0.3）、运营风险（权重0.3）。（1）若财务风险评分为80，市场风险评分为70，运营风险评分为60，计算综合风险得分。（2）解释如何通过层次分析法调整各因素的权重。【标准答案及解析】一、单选题1.B解析：ARIMA模型（自回归积分移动平均模型）是典型的时间序列预测方法，适用于具有趋势和季节性的数据。2.B解析：均方根误差（RMSE）是衡量预测误差的常用指标，计算公式为√[Σ(e_i^2)/n]，其中e_i为实际值与预测值的差。3.A解析：信息增益是决策树中常用的分裂属性选择指标，表示分裂前后信息熵的减少量。4.A解析：贝叶斯决策理论中，后验概率P(θ|D)=[P(D|θ)P(θ)]/P(D)，其中P(D|θ)为似然函数。5.B解析：自变量过多会导致模型复杂度过高，容易拟合训练数据中的噪声，造成过拟合。6.D解析：期望值最大化策略选择使期望收益最大的行动，是贝叶斯决策中的最优策略。7.A解析：ARIMA模型中的p、d、q分别代表自回归项数、差分次数、移动平均项数。8.C解析：K-means聚类属于无监督学习方法，不涉及标签数据。9.B解析：贝叶斯网络中，节点之间的依赖关系通过条件概率表（CPT）表示。10.B解析：层次分析法（AHP）通过两两比较确定权重，属于定性方法。二、填空题1.时间序列分析解析：时间序列分析通过历史数据建立模型预测未来趋势，是统计预测的核心方法之一。2.信息熵解析：信息熵是衡量数据不确定性的指标，决策树利用信息增益选择最优分裂属性。3.先验知识解析：先验概率基于历史数据或专家经验，反映决策前对各状态的概率估计。4.最小二乘解析：线性回归通过最小化残差的平方和（RSS）拟合模型，即最小二乘原则。5.自回归解析：ARIMA模型中的“AR”代表自回归（Autoregressive），捕捉数据自身的相关性。6.最小后悔策略解析：最小后悔策略通过最小化最大后悔值选择行动，适用于不确定性决策。7.softmax解析：逻辑回归通过softmax函数将输出映射到多个类别，实现多分类。8.节点状态的概率分布解析：CPT描述了给定父节点状态时，子节点各状态的条件概率。9.两两比较解析：AHP通过两两比较确定各因素的相对权重，构建判断矩阵。10.平稳性解析：移动平均法适用于具有平稳性的时间序列数据，通过平滑短期波动预测趋势。三、判断题1.×解析：回归分析可用于预测连续型变量，也可用于分类问题（如逻辑回归）。2.×解析：ARIMA模型要求时间序列数据平稳，若不平稳需差分处理。3.√解析：决策树不依赖特定函数形式，属于非参数学习方法。4.√解析：贝叶斯决策假设所有决策结果（收益、损失）已知且可量化。5.×解析：多重共线性会降低模型解释性，但可能提高预测精度。6.×解析：季节性因素可通过差分消除，但并非必须，有时可保留以提升模型效果。7.√解析：决策树容易过拟合，需通过剪枝（如预剪枝、后剪枝）优化。8.×解析：贝叶斯网络中的节点通常表示离散型变量，连续型变量需特殊处理（如高斯节点）。9.×解析：蒙特卡洛模拟属于定量方法，通过随机抽样模拟不确定性。10.×解析：指数平滑法适用于具有趋势的数据，但无法处理季节性因素。四、简答题1.时间序列预测模型的基本假设包括：（1）数据平稳性：序列均值、方差和自协方差不随时间变化。（2）自相关性：当前值与过去值存在相关性，可通过自回归项捕捉。（3）无季节性：序列中不存在固定周期的重复模式（若存在需特殊处理）。（4）独立性：残差项不相关，即不存在自相关性。2.信息增益是决策树中衡量分裂属性优劣的指标，计算公式为：Gain(S,A)=Entropy(S)-Σ[(|Sv|/|S|)Entropy(Sv)]其中，Entropy(S)为父节点的熵，Sv为按属性A划分后的子节点，|Sv|为子节点样本量。信息增益越大，分裂后子节点纯度越高，因此选择信息增益最大的属性进行分裂。3.贝叶斯决策理论的核心思想是：（1）基于先验概率和似然函数计算后验概率，选择使期望收益最大的行动。（2）通过观察数据更新概率分布，实现动态决策优化。（3）假设所有决策结果已知且可量化，通过数学模型进行推理。4.判断模型是否存在过拟合的方法包括：（1）交叉验证：在训练集和测试集上评估模型性能，若训练集精度高而测试集低则过拟合。（2）残差分析：过拟合模型的残差会呈现系统性模式（如周期性波动）。（3）正则化：通过Lasso或Ridge回归限制模型复杂度，降低过拟合风险。五、应用题1.（1）简单移动平均法（n=3）预测第6年销售额：(150+160+160)/3=156（2）计算RMSE：实际值：[120,130,140,150,160]预测值：[NaN,NaN,140,145,150]残差：[NaN,NaN,0,5,10]RMSE=√[(0^2+5^2+10^2)/3]=√(125/3)≈6.452.最优行动计算：E(A1)=10×0.3+6×0.5+4×0.2=7.4E(A2)=8×0.3+12×0.5+7×0.2=9.6选择E(A2)>E(A1)，最优行动为A2。3.（1）ARIMA(1