2026年统计推断与决策专项练习题及答案

2026年统计推断与决策专项练习题及答案一、单项选择题（每题3分，共18分）1.若总体X~N(μ,σ²)，σ²已知，基于样本量为n的简单随机样本构造μ的95%置信区间。下列操作中，会同时减小置信区间宽度和降低估计误差的是（）A.提高置信水平至99%B.增大样本量nC.减小总体标准差σD.改用t分布计算临界值答案：B（样本量增大时，标准误σ/√n减小，置信区间宽度（2×Zα/2×σ/√n）随之减小，估计误差（边际误差）也降低。）2.在假设检验中，若原假设H₀为“某药物无效”，备择假设H₁为“某药物有效”，则“实际药物无效但错误地认为有效”属于（）A.第一类错误（α错误）B.第二类错误（β错误）C.正确决策D.无法判断答案：A（第一类错误是拒绝真实的原假设，即“弃真”错误。）3.设总体X的概率密度为f(x;θ)=θx^(θ-1)（0<x<1，θ>0），基于样本X₁,X₂,…,Xₙ，其极大似然估计θ̂的性质不包括（）A.渐近无偏性B.有效性（渐近方差达到C-R下界）C.不变性（若g(θ)单调，则g(θ̂)是g(θ)的极大似然估计）D.无偏性（对所有n，E(θ̂)=θ）答案：D（极大似然估计通常具有渐近无偏性，但小样本下可能有偏。）4.贝叶斯统计中，若对正态总体均值μ采用无信息先验，则通常选择（）A.μ~N(0,1)B.μ~Uniform(-∞,+∞)（广义先验）C.μ~Gamma(1,1)D.μ~Beta(1,1)答案：B（无信息先验需对参数无先验倾向，正态均值的无信息先验常用广义均匀分布。）5.单因素方差分析（ANOVA）的前提假设不包括（）A.各总体服从正态分布B.各总体方差相等C.各样本相互独立D.各样本量相等答案：D（方差分析不要求样本量相等，仅要求正态性、方差齐性和独立性。）6.对于r×c列联表的卡方独立性检验，其检验统计量的自由度为（）A.r+c-2B.(r-1)(c-1)C.rc-1D.r+c-1答案：B（列联表卡方检验自由度为（行数-1）×（列数-1）。）二、简答题（每题8分，共32分）1.简述置信区间（频率学派）与可信区间（贝叶斯学派）的本质区别。答：置信区间是频率学派的概念，其概率含义为“在重复抽样中，包含真实参数的区间的频率为1-α”，区间是随机的，参数是固定未知的常数；可信区间是贝叶斯学派的概念，其概率含义为“在给定样本后，参数落在该区间的后验概率为1-α”，参数被视为随机变量，区间是固定的（基于样本数据计算）。2.假设检验中，p值的统计学意义是什么？它与显著性水平α的关系如何？答：p值是在原假设H₀成立的条件下，观测到样本统计量或更极端结果的概率。p值越小，说明样本数据与H₀的矛盾越强，越倾向于拒绝H₀。α是预先设定的显著性水平（如0.05），当p≤α时，拒绝H₀；p>α时，不拒绝H₀。p值提供了拒绝H₀的实际强度，而α是决策的临界阈值。3.比较极大似然估计（MLE）与矩估计（MME）的优缺点。答：优点：MLE利用了样本的全部似然信息，具有渐近有效性（渐近方差达到C-R下界）和不变性（g(θ̂_MLE)=g(θ)_MLE）；MME计算简单，仅需低阶矩匹配，对模型分布假设较弱（仅需矩存在）。缺点：MLE可能需要求解复杂的似然方程（无显式解），小样本下可能有偏；MME可能损失部分样本信息，估计效率较低（方差较大）。4.贝叶斯决策中，先验信息的作用机制是什么？试举例说明。答：先验信息通过先验分布π(θ)引入决策过程，与样本信息的似然函数L(θ|x)结合，得到后验分布π(θ|x)∝L(θ|x)π(θ)。后验分布综合了先验知识和样本数据，用于计算后验期望损失，选择使损失最小的决策。例如，预测某产品市场需求时，若历史数据显示需求均值为μ₀（先验信息），则先验分布可设为N(μ₀,σ₀²)，结合当前样本数据后，后验分布将更精准地估计需求，辅助生产决策。三、计算题（每题12分，共36分）1.某品牌电池标称平均寿命为500小时。现随机抽取25节电池测试，测得样本均值x̄=510小时，样本标准差s=20小时（总体方差未知）。假设电池寿命服从正态分布，检验该品牌电池实际平均寿命是否显著高于标称值（α=0.05）。解：（1）假设：H₀:μ=500vsH₁:μ>500（单侧检验）（2）统计量：t=(x̄-μ₀)/(s/√n)=(510-500)/(20/√25)=10/4=2.5（3）自由度df=n-1=24，查t分布表得临界值t₀.05(24)=1.711（4）结论：t=2.5>1.711，拒绝H₀，认为电池平均寿命显著高于500小时。2.为比较两种教学方法的效果，分别从A、B两种方法的班级中抽取样本：A班n₁=30人，平均分x̄₁=82，样本标准差s₁=5；B班n₂=25人，平均分x̄₂=78，样本标准差s₂=6。假设两总体方差不等，构造两总体均值差μ₁-μ₂的95%置信区间。解：（1）均值差d=x̄₁-x̄₂=82-78=4（2）标准误SE=√(s₁²/n₁+s₂²/n₂)=√(25/30+36/25)=√(0.833+1.44)=√2.273≈1.508（3）自由度近似df=SE⁴/[(s₁⁴/(n₁²(n₁-1)))+(s₂⁴/(n₂²(n₂-1)))]≈(2.273²)/[(625/(900×29))+(1296/(625×24))]≈5.166/(0.0238+0.0864)=5.166/0.1102≈46.8，取df=46（4）95%置信区间：d±t₀.025(46)×SE≈4±2.013×1.508≈4±3.036，即(0.964,7.036)3.某超市记录了120名顾客的性别与是否购买促销商品的情况，数据如下表：购买未购买合计男性204060女性303060合计5070120检验性别与是否购买促销商品是否独立（α=0.05）。解：（1）假设：H₀:性别与购买行为独立vsH₁:不独立（2）计算期望频数E_ij=(行合计×列合计)/总合计：E₁₁=(60×50)/120=25，E₁₂=(60×70)/120=35E₂₁=(60×50)/120=25，E₂₂=(60×70)/120=35（3）卡方统计量χ²=Σ[(O_ij-E_ij)²/E_ij]=(20-25)²/25+(40-35)²/35+(30-25)²/25+(30-35)²/35=25/25+25/35+25/25+25/35=1+0.714+1+0.714≈3.428（4）自由度df=(2-1)(2-1)=1，查卡方表得临界值χ₀.05²(1)=3.841（5）结论：χ²=3.428<3.841，不拒绝H₀，认为性别与购买行为独立。四、案例分析题（34分）某食品公司研发了一款新型低卡饼干，需通过市场调研判断消费者接受度（接受度定义为“愿意购买”的比例p）。公司委托调研机构收集了200份有效问卷，其中120人表示愿意购买。（1）以α=0.05检验“消费者接受度p是否显著高于50%”（10分）；（2）若公司根据历史经验认为，消费者接受度的先验分布为p~Beta(α=4,β=4)（即先验均值为0.5，方差为(4×4)/(8²×9)=1/36），计算后验分布并给出贝叶斯点估计（12分）；（3）若样本量从200增加到500，其他条件不变，分析对假设检验效能和置信区间的影响（12分）。解：（1）假设检验H₀:p≤0.5vsH₁:p>0.5（单侧检验）样本比例p̂=120/200=0.6检验统计量Z=(p̂-p₀)/√[p₀(1-p₀)/n]=(0.6-0.5)/√(0.5×0.5/200)=0.1/0.0354≈2.828α=0.05时，单侧Z临界值为1.645，Z=2.828>1.645，拒绝H₀，认为接受度显著高于50%。（2）贝叶斯估计先验分布p~Beta(α=4,β=4)，似然函数为二项分布L(p|x)=C(200,120)p^120(1-p)^80后验分布π(p|x)∝p^(4+120-1)(1-p)^(4+80-1)=p^123(1-p)^83，即Beta(α’=124,β’=84)贝叶斯点估计通常取后验均值，即α’/(α’+β’)=124/(124+84)=124/208≈0.596。（3）样本量增加的影响分析①假设检验效能：效能=1-β（β为第二类错误概率）。样本量n增大时，标准误√[p(1-p)/n]减小，检验统计量Z值增大，拒绝H₀的能力增强，β减小，效能提高。②置信区间：p的置信区间为p