2025年统计学期末考试题库数据分析计算题解析

2025年统计学期末考试题库数据分析计算题解析考试时间：______分钟总分：______分姓名：______一、单项选择题（本大题共20小题，每小题2分，共40分。在每小题列出的四个选项中，只有一个是符合题目要求的，请将正确选项的字母填在题后的括号内。）1.在统计学中，用来描述数据集中趋势的指标不包括（）。A.平均数B.中位数C.众数D.标准差2.如果一组数据的方差为16，那么这组数据的标准差等于（）。A.4B.8C.16D.643.在抽样调查中，样本量越大，抽样误差（）。A.越大B.越小C.不变D.无法确定4.设总体X服从正态分布N(μ,σ²)，其中μ未知，σ²已知，那么μ的置信区间估计通常使用（）。A.t分布B.标准正态分布C.χ²分布D.F分布5.在回归分析中，判定系数R²的取值范围是（）。A.[0,1]B.(-1,1)C.[0,∞)D.(-∞,∞)6.如果两个变量之间的相关系数为-0.8，那么这两个变量之间的相关关系是（）。A.正相关B.负相关C.不相关D.相关但无法确定方向7.在假设检验中，第一类错误是指（）。A.拒绝了真实的原假设B.接受了真实的新假设C.拒绝了虚假的原假设D.接受了虚假的原假设8.设总体X的分布未知，但知道它是一个连续型分布，那么对总体均值μ的估计通常使用（）。A.Z检验B.t检验C.方差分析D.非参数检验9.在时间序列分析中，如果数据呈现明显的季节性波动，那么通常采用（）方法进行预测。A.移动平均法B.指数平滑法C.ARIMA模型D.线性回归模型10.在多因素方差分析中，如果只有一个因素对结果有显著影响，那么通常采用（）方法进行进一步分析。A.主效应分析B.交互作用分析C.协方差分析D.回归分析11.在数据挖掘中，用来描述数据集中不同类别比例的指标是（）。A.方差B.协方差C.熵D.相关系数12.如果一个事件的概率为0.6，那么它的补事件的概率是（）。A.0.4B.0.6C.1D.013.在概率论中，用来描述随机变量取值的分布规律的函数是（）。A.累积分布函数B.概率密度函数C.联合分布函数D.条件分布函数14.在统计质量管理中，用来控制产品质量的常用工具是（）。A.控制图B.散点图C.饼图D.直方图15.在抽样调查中，如果总体分布不均匀，那么为了保证样本的代表性，通常采用（）。A.简单随机抽样B.分层抽样C.系统抽样D.整群抽样16.在假设检验中，如果原假设为真，但检验结果拒绝了原假设，那么这种错误称为（）。A.第二类错误B.第一类错误C.系统误差D.随机误差17.在统计推断中，用来估计总体参数的统计量称为（）。A.检验统计量B.估计量C.抽样分布D.假设检验18.在统计调查中，如果调查对象是全体研究对象，那么这种调查称为（）。A.抽样调查B.全面调查C.重点调查D.典型调查19.在时间序列分析中，如果数据呈现长期趋势和季节性波动，那么通常采用（）方法进行预测。A.ARIMA模型B.指数平滑法C.移动平均法D.线性回归模型20.在数据挖掘中，用来描述数据集中不同类别之间差异的指标是（）。A.方差B.协方差C.距离D.相关系数二、多项选择题（本大题共10小题，每小题2分，共20分。在每小题列出的五个选项中，有多项是符合题目要求的，请将正确选项的字母填在题后的括号内。每小题漏选、多选或错选均不得分。）1.在统计推断中，常用的参数估计方法包括（）。A.点估计B.区间估计C.最大似然估计D.矩估计E.最小二乘估计2.在假设检验中，影响检验结论的因素包括（）。A.样本量B.显著性水平C.检验统计量D.总体分布E.检验方法3.在回归分析中，影响回归模型拟合优度的指标包括（）。A.R²B.F统计量C.t统计量D.标准误差E.相关系数4.在时间序列分析中，常用的预测方法包括（）。A.移动平均法B.指数平滑法C.ARIMA模型D.线性回归模型E.趋势外推法5.在数据挖掘中，常用的分类算法包括（）。A.决策树B.支持向量机C.神经网络D.K-近邻算法E.聚类算法6.在统计质量管理中，常用的质量控制工具包括（）。A.控制图B.散点图C.饼图D.直方图E.流程图7.在抽样调查中，常用的抽样方法包括（）。A.简单随机抽样B.分层抽样C.系统抽样D.整群抽样E.配额抽样8.在假设检验中，常用的检验方法包括（）。A.Z检验B.t检验C.χ²检验D.F检验E.非参数检验9.在统计推断中，常用的统计量包括（）。A.样本均值B.样本方差C.样本标准差D.样本相关系数E.样本比例10.在数据挖掘中，常用的聚类算法包括（）。A.K-均值聚类B.层次聚类C.DBSCAN聚类D.谱聚类E.模糊聚类三、判断题（本大题共10小题，每小题2分，共20分。请判断下列各题的叙述是否正确，正确的填“√”，错误的填“×”。）1.在统计调查中，全面调查比抽样调查得到的结果更准确。（×）解析：全面调查虽然能获取总体所有数据，但成本高、耗时长，且可能存在数据收集偏差；而抽样调查通过科学抽样，能在保证一定精度的前提下，更高效地反映总体情况，关键在于样本的代表性。2.如果两个变量的相关系数为0，那么这两个变量之间一定不存在任何关系。（×）解析：相关系数为0仅表示线性关系不显著，但可能存在非线性关系，比如U型曲线关系等，所以不能直接断定两者无关系。3.在假设检验中，显著性水平α表示犯第一类错误的概率。（√）解析：显著性水平α正是控制犯第一类错误（即拒绝真实原假设）的概率，是研究者事先设定的阈值。4.样本方差是总体方差的无偏估计量。（√）解析：对于来自正态总体的样本，样本方差（分母为n-1）确实是总体方差的无偏估计，这是统计学中一个非常重要的性质。5.时间序列数据必须包含趋势、季节性和周期性三种成分。（×）解析：时间序列数据可能只包含其中一种或两种成分，比如有些数据只有趋势和随机波动，或者只有季节性变化，并非必须同时具备三种。6.回归分析中的残差是指观测值与预测值之间的差。（√）解析：残差（errorterm或residual）定义为实际观测值Yi与模型预测值Ŷi的差，即ei=Yi-Ŷi，它是模型未能解释的部分。7.在分类问题中，混淆矩阵主要用于评价分类模型的性能。（√）解析：混淆矩阵（confusionmatrix）通过直观展示模型在各个类别上的预测正确与错误情况，是评估分类模型（如准确率、精确率、召回率等指标的基础）性能的核心工具。8.抽样调查中的抽样框就是指最终的样本集合。（×）解析：抽样框（samplingframe）是指用来抽取样本的所有基本单元（个体或单位）的名单或集合，是抽样过程的基础，而样本集合（sample）是抽样完成后实际抽取到的个体集合。9.离散型随机变量的概率分布可以用概率密度函数来描述。（×）解析：离散型随机变量取值是孤立的、可数的，其分布规律用概率质量函数（probabilitymassfunction,PMF）来描述，而概率密度函数（probabilitydensityfunction,PDF）是用来描述连续型随机变量的。10.置信区间提供了对总体参数的一个可能范围，区间的宽度与置信水平无关。（×）解析：置信区间的宽度通常随着置信水平的提高而加宽。例如，95%置信区间会比90%置信区间宽，因为更高的置信水平要求覆盖真实参数的可能性更大，范围就必须更广。四、简答题（本大题共5小题，每小题4分，共20分。请简要回答下列问题。）1.简述什么是统计推断，并列举其主要包括的两种方式。解析：统计推断（statisticalinference）是指根据样本数据所提供的信息，去估计、检验或预测总体特征的一种统计方法。它是在样本信息的基础上对总体做出推断的过程。主要包括两种方式：（1）参数估计：用样本统计量（如样本均值、样本方差）来估计总体的参数（如总体均值μ、总体方差σ²）。包括点估计和区间估计。点估计给出一个具体的估计值，而区间估计给出一个置信区间，表示参数可能的范围。（2）假设检验：对关于总体的某个假设（原假设）进行检验，判断是否有足够的证据拒绝该假设。通过计算检验统计量，并与临界值或P值比较，做出接受或拒绝原假设的决策。2.解释什么是相关系数，并说明其取值范围和意义。解析：相关系数（correlationcoefficient）是用来度量两个变量之间线性相关程度的统计量。最常用的是皮尔逊相关系数（Pearsoncorrelationcoefficient），记作r。其计算基于两个变量的协方差和各自的标准差。相关系数r的取值范围是[-1,1]。其意义如下：（1）r=1：表示两个变量之间存在完美的正线性相关关系。（2）r=-1：表示两个变量之间存在完美的负线性相关关系。（3）r=0：表示两个变量之间不存在线性相关关系（但可能存在非线性关系）。（4）|r|越接近1，表示线性相关关系越强；|r|越接近0，表示线性相关关系越弱。r的符号表示相关关系的方向，r>0为正相关，r<0为负相关。3.在进行假设检验时，第一类错误和第二类错误的定义分别是什么？解析：假设检验是基于样本信息对总体参数或分布做出判断的过程，不可避免地可能犯两种错误：（1）第一类错误（TypeIerror）：也称为“弃真错误”，是指在原假设H₀为真时，却错误地拒绝了原假设。犯第一类错误的概率用α表示，也称为显著性水平。（2）第二类错误（TypeIIerror）：也称为“取伪错误”，是指在原假设H₀为假时，却错误地接受了原假设（或未能拒绝H₀）。犯第二类错误的概率用β表示。这两种错误是相互制约的，通常减小α会增加β，反之亦然。在实际应用中，需要在两者之间进行权衡。4.简述什么是时间序列分析，并列举三种常见的时间序列模型类型。解析：时间序列分析（timeseriesanalysis）是统计学的一个分支，专门研究按时间顺序排列的数据，旨在理解数据随时间变化的模式（如趋势、季节性、周期性），并基于历史数据对未来的值进行预测。它不仅关注数据的描述，还关注数据生成过程的建模。常见的时间序列模型类型包括：（1）移动平均模型（MovingAverage,MA）：主要用于捕捉数据中的短期随机波动成分。模型假设当前观测值是过去若干期随机误差的加权平均。（2）自回归模型（Autoregressive,AR）：主要用于捕捉数据中的自相关性，即当前观测值与过去若干期观测值的线性关系。模型假设当前观测值是过去若干期观测值的加权线性组合加上随机误差。（3）自回归移动平均模型（AutoregressiveMovingAverage,ARIMA）：是AR模型和MA模型的结合，同时考虑了数据的自回归和移动平均成分，是最常用的一类时间序列模型，能适应多种类型的时间序列数据。其一般形式为ARIMA(p,d,q)，其中p是自回归阶数，d是差分阶数（用于使序列平稳），q是移动平均阶数。5.什么是抽样误差？影响抽样误差大小的因素有哪些？解析：抽样误差（samplingerror）是指由于样本的随机性，使得样本统计量（如样本均值、样本比例）与总体参数（如总体均值μ、总体比例P）之间存在的差异。这种差异是抽样调查中不可避免的，它是随机产生的，反映了用样本估计总体的不确定性。影响抽样误差大小的因素主要有：（1）总体变异程度：总体中个体标志值的差异程度越大（即总体方差σ²或标准差σ越大），抽样误差通常也越大。反之，总体越同质，抽样误差越小。（2）样本量大小：样本量n越大，抽样误差通常越小。样本量越大，样本对总体的代表性越好，估计越精确。（3）抽样方法：不同的抽样方法（如简单随机抽样、分层抽样、整群抽样等）的抽样误差可能不同。一般来说，科学、合理的抽样设计能有效地控制或减小抽样误差。例如，分层抽样通常比简单随机抽样能获得更小的抽样误差，因为它将总体分成了更同质的层。本次试卷答案如下一、单项选择题1.D解析：平均数、中位数、众数都是用来描述数据集中趋势的指标，它们反映了数据向中心靠拢的程度。而标准差是描述数据离散程度的指标，它衡量数据点偏离平均值的程度，不是用来描述集中趋势的。2.A解析：标准差是方差的平方根。如果一组数据的方差为16，那么标准差等于√16=4。这是一个基本的数学关系。3.B解析：在抽样调查中，样本量越大，样本对总体的代表性就越好，抽样误差通常越小。这是因为样本量越大，越能反映总体的特征。反之，样本量越小，抽样误差越大。4.A解析：当总体X服从正态分布N(μ,σ²)，其中μ未知，σ²已知时，由于总体分布已知且为正态分布，通常使用t分布来构造μ的置信区间估计。t分布是当总体标准差未知时，用于估计总体均值的一种分布。5.A解析：判定系数R²的取值范围是[0,1]。R²=0表示回归模型无法解释因变量的任何变异，R²=1表示回归模型可以完全解释因变量的变异。R²的值越接近1，模型的拟合优度越好。6.B解析：相关系数的取值范围是[-1,1]。当相关系数为负值时，表示两个变量之间存在负相关关系，即一个变量增加，另一个变量倾向于减少。相关系数的绝对值越大，表示相关性越强。7.A解析：第一类错误是指在原假设H₀为真时，却错误地拒绝了原假设。这是一种“弃真”的错误。在假设检验中，我们设定一个显著性水平α，表示我们愿意承担犯第一类错误的概率。8.D解析：当总体X的分布未知，但知道它是一个连续型分布时，由于缺乏总体分布的具体信息，无法使用基于特定分布的参数检验方法（如Z检验、t检验）。此时，通常采用非参数检验方法，因为非参数检验对总体分布没有严格的要求，更适用于分布未知的情况。9.C解析：如果时间序列数据呈现明显的季节性波动，即数据在一年内的特定时间段内出现重复的模式，那么通常采用ARIMA模型（自回归积分移动平均模型）进行预测。ARIMA模型能够有效地捕捉和利用时间序列数据中的季节性成分。10.A解析：在多因素方差分析（ANOVA）中，如果只有一个因素对结果有显著影响，那么通常采用主效应分析来进一步分析这个因素对结果的影响程度。主效应分析可以单独考察每个因素对因变量的影响，而不考虑其他因素的干扰。11.C解析：在数据挖掘中，用来描述数据集中不同类别比例的指标是熵（Entropy）。熵是信息论中的一个概念，用于衡量数据的不确定性或混乱程度。在分类问题中，熵可以用来评估数据集的纯度，即不同类别样本的混合程度。12.A解析：如果一个事件的概率为0.6，那么它的补事件（即该事件不发生的概率）的概率是1-0.6=0.4。事件与其补事件是互斥且完备的，它们的概率之和必须等于1。13.B解析：在概率论中，用来描述随机变量取值的分布规律的函数是概率密度函数（probabilitydensityfunction,PDF）。对于连续型随机变量，概率密度函数描述了其在不同取值附近的相对可能性或概率密度。14.A解析：在统计质量管理中，用来控制产品质量的常用工具是控制图（controlchart）。控制图是一种图形化的工具，用于监测过程随时间的变化，识别异常波动，判断过程是否处于统计控制状态。15.B解析：在抽样调查中，如果总体分布不均匀，即总体中个体之间的差异较大，那么为了保证样本的代表性，通常采用分层抽样（stratifiedsampling）。分层抽样将总体分成若干个互不重叠的子集（层），然后从每个层中随机抽取样本，这样可以确保每个层都能在样本中得到代表。16.B解析：在假设检验中，如果原假设为真，但检验结果拒绝了原假设，这种错误称为第一类错误（TypeIerror）。第一类错误也称为“弃真”错误，是检验者错误地拒绝了实际上为真的原假设。17.B解析：在统计推断中，用来估计总体参数的统计量称为估计量（estimator）。估计量是根据样本数据计算出来的，用于推断总体参数的值。例如，样本均值就是总体均值的一个常用估计量。18.B解析：在统计调查中，如果调查对象是全体研究对象，即对总体的所有个体都进行调查，那么这种调查称为全面调查（census）。全面调查可以得到总体的完整信息，但成本高、耗时长，且可能存在数据收集偏差。19.C解析：在时间序列分析中，如果数据呈现长期趋势和季节性波动，即数据既有随时间缓慢变化的趋势，又有周期性的季节性变化，那么通常采用移动平均法（movingaveragemethod）进行预测。移动平均法可以平滑短期波动，揭示数据的中长期趋势和季节性模式。20.C解析：在数据挖掘中，用来描述数据集中不同类别之间差异的指标是距离（distance）。距离度量了数据点在特征空间中的接近程度。常用的距离度量包括欧几里得距离、曼哈顿距离等。通过计算数据点之间的距离，可以识别数据中的模式、聚类等结构。二、多项选择题1.A,B,C,D解析：在统计推断中，常用的参数估计方法包括点估计、区间估计、最大似然估计和矩估计。点估计给出参数的一个具体估计值，区间估计给出参数的一个可能范围，最大似然估计和矩估计是两种常用的点估计方法。2.A,B,C,D,E解析：在假设检验中，影响检验结论的因素包括样本量、显著性水平、检验统计量、总体分布和检验方法。样本量的大小会影响抽样误差和检验的效力，显著性水平α是控制犯第一类错误的概率，检验统计量是用于判断是否拒绝原假设的量化指标，总体分布的形态会影响选择合适的检验方法，检验方法本身（如Z检验、t检验等）也会影响检验结果。3.A,B,C,D,E解析：在回归分析中，影响回归模型拟合优度的指标包括判定系数R²、F统计量、t统计量、标准误差和相关系数。R²衡量模型解释的变异比例，F统计量检验模型的整体显著性，t统计量检验单个回归系数的显著性，标准误差衡量预测的精度，相关系数（在简单线性回归中）衡量自变量与因变量之间的线性关系强度。4.A,B,C,D,E解析：在时间序列分析中，常用的预测方法包括移动平均法、指数平滑法、ARIMA模型、线性回归模型和趋势外推法。移动平均法和指数平滑法适用于短期预测，ARIMA模型可以捕捉数据中的自相关性和季节性，线性回归模型适用于具有线性趋势的时间序列，趋势外推法基于历史数据的趋势进行未来预测。5.A,B,C,D解析：在数据挖掘中，常用的分类算法包括决策树、支持向量机、神经网络和K-近邻算法。决策树通过树状图结构进行决策，支持向量机通过找到最优分类超平面进行分类，神经网络通过模拟人脑神经元结构进行模式识别，K-近邻算法通过寻找与待分类样本最相似的k个邻居来进行分类。6.A,B,C,D,E解析：在统计质量管理中，常用的质量控制工具包括控制图、散点图、饼图、直方图和流程图。控制图用于监测过程稳定性，散点图用于展示两个变量之间的关系，饼图用于展示部分与整体的比例关系，直方图用于展示数据的分布情况，流程图用于描述过程步骤。7.A,B,C,D,E解析：在抽样调查中，常用的抽样方法包括简单随机抽样、分层抽样、系统抽样、整群抽样和配额抽样。简单随机抽样是最基本的抽样方法，分层抽样将总体分层后再抽样，系统抽样按固定间隔抽样，整群抽样将总体分群后再抽取整群，配额抽样按比例分配样本到不同类别。8.A,B,C,D,E解析：在假设检验中，常用的检验方法包括Z检验、t检验、χ²检验、F检验和非参数检验。Z检验用于已知总体标准差的正态总体均值检验，t检验用于未知总体标准差的小样本正态总体均值检验，χ²检验用于拟合优度检验、独立性检验等，F检验用于方差分析，非参数检验不依赖于总体分布的具体形式。9.A,B,C,D,E解析：在统计推断中，常用的统计量包括样本均值、样本方差、样本标准差、样本相关系数和样本比例。样本均值是总体均值的无偏估计，样本方差和样本标准差是总体方差的无偏估计，样本相关系数是总体相关系数的估计，样本比例是总体比例的估计。10.A,B,C,D,E解析：在数据挖掘中，常用的聚类算法包括K-均值聚类、层次聚类、DBSCAN聚类、谱聚类和模糊聚类。K-均值聚类将数据分成K个簇，层次聚类通过聚合或分裂形成树状聚类结构，DBSCAN基于密度进行聚类，谱聚类利用图论方法进行聚类，模糊聚类允许数据点属于多个簇。三、判断题1.×解析：全面调查虽然能获取总体所有数据，但成本高、耗时长，且可能存在数据收集偏差；而抽样调查通过科学抽样，能在保证一定精度的前提下，更高效地反映总体情况，关键在于样本的代表性。全面调查不一定比抽样调查得到的结果更准确，关键在于数据收集和处理的质量。2.×解析：相关系数为0仅表示线性关系不显著，但可能存在非线性关系，比如U型曲线关系等，所以不能直接断定两者无关系。两个变量之间可能存在复杂的非线性依赖关系，即使它们的线性相关系数为0。3.√解析：显著性水平α正是控制犯第一类错误（即拒绝真实原假设）的概率，是研究者事先设定的阈值。假设检验的目的是在样本信息的基础上对总体做出推断，而α是衡量这种推断风险的重要指标。4.√解析：对于来自正态总体的样本，样本方差（分母为n-1）确实是总体方差的无偏估计，这是统计学中一个非常重要的性质。无偏估计意味着估计量的期望值等于被估计的总体参数，样本方差的无偏性保证了用样本方差估计总体方差时的准确性。5.×解析：时间序列数据必须包含趋势、季节性和周期性三种成分。这种说法是不准确的。时间序列数据可能只包含其中一种或两种成分，比如有些数据只有趋势和随机波动，或者只有季节性变化，并非必须同时具备三种。时间序列的构成取决于具体的数据特征和产生过程。6.√解析：回归分析中的残差是指观测值与预测值之间的差。这是回归分析中的基本定义。残差是模型未能解释的部分，反映了实际数据与模型预测之间的差异。通过分析残差，可以评估模型的拟合优度和检验模型的假设条件。7.√解析：在分类问题中，混淆矩阵主要用于评价分类模型的性能。混淆矩阵通过直观展示模型在各个类别上的预测正确与错误情况，是评估分类模型（如准确率、精确率、召回率等指标的基础）性能的核心工具。它能够清晰地显示模型在区分不同类别时的表现。8.×解析：抽样框就是用来抽取样本的所有基本单元（个体或单位）的名单或集合，是抽样过程的基础，而样本集合是抽样完成后实际抽取到的个体集合。抽样框是抽样的起点，它提供了抽样所需的单元列表，而样本集合是抽样过程的最终结果。9.×解析：离散型随机变量取值是孤立的、可数的，其分布规律用概率质量函数（probabilitymassfunction,PMF）来描述，而概率密度函数（probabilitydensityfunction,PDF）是用来描述连续型随机变量的。概率密度函数描述了连续型随机变量在某个区间内取值的相对可能性，而不是概率本身。10.×解析：置信区间的宽度通常随着置信水平的提高而加宽。这是因为更高的置信水平要求覆盖真实参数的可能性更大，范围就必须更广。例如，95%置信区间会比90%置信区间宽，因为更高的置信水平要求覆盖真实参数的可能性更大，范围就必须更广。四、简答题1.统计推断是指根据样本数据所提供的信息，去估计、检验或预测总体特征的一种统计方法。它是在样本信息的基础上对总体做出推断的过程。主要包括两种方式：参数估计：用样本统计量（如样本均值、样本方差）来估计总体的参数（如总体均值μ、总体方差σ²）。包括点估计和区间估计。点估计给出一个具体的估计值，而区间估计给出一个置信区间，表示参数可能的范围。假设检验：对关于总体的某个假设（原假设）进行检验，判断是否有足够的证据拒绝该假设。通过计算检验统计量，并与临界值或P值比较，做出接受或拒绝原假设的决策。解析：统计推断是统计学的核心内容之一，它使得我们能够从有限的样本信息中获取关于总体的知识。参数估计和假设检验是统计推断的两种主要形式，它们在科学研究、经济分析、质量控制等众多领域都有广泛应用。参数估计关注对总体参数的量化描述，而假设检验关注对关于总体的假设进行验证。2.相关系数是用来度量两个变量之间线性相关程度的统计量。最常用的是皮尔逊相关系数（Pearsoncorrelationcoefficient），记作r。其计算基于两个变量的协方差和各自的标准差。相关系数r的取值范围是[-1,1]。其意义如下：r=1：表示两个变量之间存在完美的正线性相关关系。r=-1：表示两个变量之间存在完美的负线性相关关系。r=0：表示两个变量之间不存在线性相关关系（但可能存在非线性关系）。|r|越接近1，表示线性相关关系越强；|r|越接近0，表示线性相关关系越弱。r的符号表示相关关系的方向，r>0为正相关，r<0为负相关。解析：相关系数是描述变量间线性关系强度和方向的重要工具。它是一个无量纲的指标，取值在-1到1之间。绝对值越接近1，表示线性关系越强；绝对值越接近0，表示线性关系越弱。正负号则表示关系的方向，正号表示正相关，负号表示负相关。需要注意的是，相关系数只描述线性关系，如果变量间存在非线性关系，相关系数可能接近0，但这并不意味着两个变量之间没有关系。3.假设检验是基于样本信息对总体参数或分布做出判断的过程，不可避免地可能犯两种错误：第一类错误（TypeIerror）：也称为“弃真错误”，是指在原假设H₀为真时，却错误地拒绝了原假设。犯第一类错误的概率用α表示，也称为显著性水平。第二类错误（TypeIIerror）：也称为“取伪错误”，是指在原假设H₀为假时，却错误地接受了原假设（或未能拒绝H₀）。犯第二类错误的概率用β表示。解析：假设检验的核心思想是通过样本数据来对关于总体的某个假设进行判断。由于样本的随机性，这种判断可能犯错误。第一类错误是指我们错误地拒绝了实际上为真的原假设，这相当于“冤枉好人”。第二类错误是指我们错误地接受了实际上