2025年统计学期末考试题库-假设检验在统计推断中的试题解析

2025年统计学期末考试题库——假设检验在统计推断中的试题解析考试时间：______分钟总分：______分姓名：______一、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，只有一项是最符合题目要求的。请将正确选项的字母填在题后的括号内。）1.假设检验的基本原理是（）。A.小概率事件不可能发生B.小概率事件可能发生C.大概率事件不可能发生D.大概率事件可能发生2.在假设检验中，第一类错误是指（）。A.拒绝了真实的原假设B.没有拒绝错误的原假设C.接受了真实的原假设D.没有接受错误的原假设3.假设检验中，选择显著性水平α的依据是（）。A.数据量的大小B.研究者的偏好C.研究问题的实际需求D.统计软件的功能4.在单样本t检验中，当样本量较大时，t分布近似于（）。A.正态分布B.卡方分布C.F分布D.伽玛分布5.双侧检验与单侧检验的主要区别在于（）。A.检验的目的是否相同B.检验的统计量是否相同C.拒绝域的设置是否相同D.显著性水平的选择是否相同6.在假设检验中，p值是指（）。A.在原假设为真时，观察到当前样本结果的概率B.在原假设为假时，观察到当前样本结果的概率C.在备择假设为真时，观察到当前样本结果的概率D.在原假设为真时，拒绝原假设的概率7.在进行假设检验时，如果p值小于显著性水平α，则（）。A.拒绝原假设B.接受原假设C.无法确定是否拒绝原假设D.需要增加样本量8.在方差分析中，F检验的零假设是（）。A.各组均值相等B.各组均值不等C.各组方差相等D.各组方差不等9.在多元线性回归分析中，检验回归系数是否显著的统计量是（）。A.t统计量B.F统计量C.卡方统计量D.伽玛统计量10.在列联表分析中，检验两个分类变量是否独立的统计量是（）。A.t统计量B.F统计量C.卡方统计量D.伽玛统计量11.在假设检验中，第二类错误是指（）。A.拒绝了真实的原假设B.没有拒绝错误的原假设C.接受了真实的原假设D.没有接受错误的原假设12.在进行假设检验时，如果p值大于显著性水平α，则（）。A.拒绝原假设B.接受原假设C.无法确定是否拒绝原假设D.需要增加样本量13.在单样本t检验中，当样本量较小时，t分布与正态分布的相似程度（）。A.较高B.较低C.无关D.无法确定14.在方差分析中，如果F检验的p值小于显著性水平α，则（）。A.拒绝原假设B.接受原假设C.无法确定是否拒绝原假设D.需要增加样本量15.在多元线性回归分析中，检验回归模型整体是否显著的统计量是（）。A.t统计量B.F统计量C.卡方统计量D.伽玛统计量16.在列联表分析中，检验两个分类变量是否相关的统计量是（）。A.t统计量B.F统计量C.卡方统计量D.伽玛统计量17.在假设检验中，显著性水平α通常取（）。A.0.01B.0.05C.0.1D.以上都是18.在单样本t检验中，当样本量较大时，t分布与正态分布的相似程度（）。A.较高B.较低C.无关D.无法确定19.在方差分析中，如果F检验的p值大于显著性水平α，则（）。A.拒绝原假设B.接受原假设C.无法确定是否拒绝原假设D.需要增加样本量20.在多元线性回归分析中，检验回归系数是否显著的统计量是（）。A.t统计量B.F统计量C.卡方统计量D.伽玛统计量二、判断题（本大题共10小题，每小题2分，共20分。请判断下列各题的说法是否正确，正确的填“√”，错误的填“×”。）1.假设检验的结论是绝对的，不会出现错误。（×）2.在假设检验中，显著性水平α越大，第一类错误的可能性越小。（×）3.在单样本t检验中，当样本量较大时，t分布近似于正态分布。（√）4.双侧检验比单侧检验更严格。（×）5.p值是拒绝原假设的最小显著性水平。（√）6.在方差分析中，F检验的零假设是各组均值相等。（√）7.在多元线性回归分析中，F检验用于检验回归模型整体是否显著。（√）8.在列联表分析中，卡方检验用于检验两个分类变量是否独立。（√）9.在假设检验中，第二类错误是指接受了真实的原假设。（×）10.在进行假设检验时，如果p值小于显著性水平α，则拒绝原假设。（√）三、简答题（本大题共5小题，每小题4分，共20分。请将答案写在答题纸上。）1.简述假设检验的基本步骤。在假设检验中，首先得明确你要检验的问题，也就是提出原假设和备择假设。原假设一般表示没有效应或者没有差异，备择假设则表示有效应或者有差异。接着，选择一个合适的显著性水平α，这个α就是你对小概率事件容忍的程度，通常是0.05或者0.01。然后，根据你的数据计算出一个检验统计量，这个统计量能反映你的数据与原假设的符合程度。最后，根据检验统计量的分布和显著性水平确定拒绝域，看看你的统计量是不是落在了拒绝域里。如果在拒绝域里，你就拒绝原假设，否则就不拒绝。整个过程其实就是在跟数据对话，看看数据是不是给了你足够的证据来推翻那个看起来很美的原假设。2.解释什么是第一类错误和第二类错误，并说明它们之间的关系。第一类错误啊，就是我明明没问题，非得把它当成了有问题，这在统计学里叫做“冤枉好人”。比如说，假设一个药其实没啥效果，但你通过检验把它当成了有效的，那这就是犯了第一类错误。犯这种错误的概率就是显著性水平α。第二类错误呢，就是真有问题，我却没发现，这在统计学里叫做“放过坏人”。比如说，这个药其实很有效，但你通过检验没把它当成有效的，那这就是犯了第二类错误。犯这种错误的概率用β来表示。这两者之间有个微妙的关系，你想想，要是你把α调小了，意味着你变得特别谨慎，不容易冤枉好人，但这时候你却更容易放过坏人，β就变大了。反之，你要是调大α，你变得容易拒绝原假设，就容易冤枉好人，但这时候你却不容易放过坏人，β就变小了。所以，在实际操作中，你得在这两者之间找到一个平衡点，看看哪种错误对你的研究影响更大。3.在什么情况下会选择使用单侧检验而不是双侧检验？你得看你的研究问题到底想知道啥。如果你只想知道某个参数是不是大于或者小于某个值，比如说你只想知道新开发的方法是不是比老方法好，你就不需要考虑它是不是可能变差了，那这就是单侧检验的用武之地。具体来说，如果你关心的是参数是不是大于某个值，你就用右尾检验，把拒绝域放在右边；如果你关心的是参数是不是小于某个值，你就用左尾检验，把拒绝域放在左边。这样检验效率更高，因为你的精力和资源都用在了一个具体的方向上。但如果你的问题是对不对，没有明确的方向，比如说你只是想知道这个新方法跟老方法是不是有啥不一样，不管它是好还是坏，那你就得用双侧检验，看看它是不是显著不同于老方法，这时候拒绝域就分布在两边了。所以，选择单侧还是双侧检验，关键看你的研究问题有没有明确的方向性。4.方差分析的基本思想和适用条件是什么？方差分析啊，其实就是为了判断多个组的均值是不是有显著差异，它把数据总的变异分解成了几个部分，看看哪部分变异是真实的，哪部分变异是偶然的。基本思想就是看组间变异是不是显著大于组内变异，要是显著大，那说明各组均值可能有差异，否则的话，各组均值可能就差不多。适用方差分析得满足几个条件，首先是各个样本得来自正态分布的总体，你得确保每个组的数据都是正态分布的，这样才能用方差分析。然后是各个总体的方差得相等，这叫做方差齐性，要是各个组的方差差得太多，方差分析的结果就不准了。最后是各个样本得相互独立，也就是说，一个样本的数据不影响另一个样本的数据，这样才能保证你分析的结果是可靠的。要是这些条件不满足，你可能就得考虑用其他方法了，比如说非参数检验。5.多元线性回归分析中，如何判断回归模型的拟合优度？判断回归模型拟合优度啊，主要得看R平方和调整后的R平方这两个指标。R平方表示的是模型解释的总变异的比例，它取值在0到1之间，R平方越大，说明模型解释的变异越多，拟合得越好。但是，R平方有个毛病，就是当你往模型里加变量的时候，它总是变大，不管那个变量有没有用，这就会导致你高估模型的拟合优度。所以，为了解决这个问题，就得用调整后的R平方，它考虑了模型里变量的个数，只有当你加的变量真的提高了模型的解释力的时候，调整后的R平方才会变大。一般来说，R平方和调整后的R平方都在0.7以上，模型就算拟合得还可以了。当然，除了这两个指标，你还得看F检验的p值，如果p值很小，说明模型整体上是显著的，也就是说，模型里的变量至少有一个对因变量有显著的预测作用。所以，判断回归模型拟合优度，得综合考虑多个指标，不能只看一个。四、计算题（本大题共5小题，每小题6分，共30分。请将答案写在答题纸上。）1.某工厂生产一种零件，已知其长度服从正态分布，标准差为0.05厘米。现在随机抽取了25个零件，测得样本均值为10.02厘米。问在显著性水平α=0.05下，能否认为这批零件的长度均值显著大于10厘米？首先，你得明确这是单样本z检验，因为总体标准差已知。原假设是μ=10，备择假设是μ>10。然后，计算检验统计量z，公式是z=(x̄-μ)/(σ/√n)，这里x̄是样本均值，μ是总体均值，σ是总体标准差，n是样本量。代入数据得z=(10.02-10)/(0.05/√25)=2。接着，查标准正态分布表，在α=0.05时，临界值是1.645。因为z=2大于1.645，所以拒绝原假设，认为这批零件的长度均值显著大于10厘米。2.某研究人员想比较两种教学方法的效果，随机选取了20名学生，平均分成两组，分别用两种方法教学，一段时间后，对他们进行测试，得到两组学生的平均分分别为80和75，标准差分别为8和7。问在显著性水平α=0.05下，能否认为两种教学方法的效果有显著差异？这是独立样本t检验，因为总体方差未知。首先，计算合并方差s_p^2，公式是s_p^2=((n1-1)s1^2+(n2-1)s2^2)/(n1+n2-2)，这里n1和n2是两组样本量，s1和s2是两组标准差。代入数据得s_p^2=((10-1)8^2+(10-1)7^2)/(10+10-2)=57.33。然后，计算检验统计量t，公式是t=(x̄1-x̄2)/(s_p√(1/n1+1/n2))，这里x̄1和x̄2是两组均值。代入数据得t=(80-75)/(√57.33(√(1/10+1/10)))=1.77。接着，查t分布表，自由度是18，在α=0.05时，双侧检验的临界值是2.101。因为t=1.77小于2.101，所以不能拒绝原假设，认为两种教学方法的效果没有显著差异。3.某农场想比较三种不同肥料对作物产量的影响，随机选取了30块土地，平均分成三组，分别施用三种肥料，一段时间后，得到各组的平均产量分别为1000千克、950千克和900千克，标准差分别为150千克、120千克和100千克。问在显著性水平α=0.05下，能否认为三种肥料的产量有显著差异？这是单因素方差分析，因为只有一个自变量，即肥料种类。首先，计算各个组的均值和总体均值，然后计算组间平方和ssb、组内平方和sse和总平方和sst，公式分别是ssb=∑n_i(x̄_i-GrandMean)^2，sse=∑(n_i-1)s_i^2，sst=∑(x_i-GrandMean)^2。代入数据得ssb=3(1000-966.67)^2+3(950-966.67)^2+3(900-966.67)^2=33333.33，sse=(10-1)150^2+(10-1)120^2+(10-1)100^2=275000，sst=278333.33。然后，计算各个均方msb=ssb/dfb，mse=sse/dfe，这里dfb和dfe是自由度，分别是3-1=2和30-3=27。代入数据得msb=16666.67，mse=10185.19。接着，计算F统计量f=msb/mse=1.64。查F分布表，在α=0.05时，自由度为(2,27)的临界值是3.35。因为f=1.64小于3.35，所以不能拒绝原假设，认为三种肥料的产量没有显著差异。4.某研究人员想探究家庭收入对儿童智商的影响，随机抽取了50个家庭，记录了每个家庭的收入和孩子的智商，然后用最小二乘法拟合了回归方程，得到回归系数b_0=90，b_1=0.5，R平方=0.64。问在显著性水平α=0.05下，能否认为家庭收入对儿童智商有显著影响？这是回归分析，因为要检验自变量（家庭收入）对因变量（儿童智商）的影响。首先，计算检验统计量t，公式是t=b_1/(s_b1)，这里s_b1是回归系数的标准误，可以用mse/√(∑(x_i-x̄)^2)计算。代入数据得s_b1=10185.19/√(∑(x_i-x̄)^2)=0.12，t=0.5/0.12=4.17。接着，查t分布表，自由度是48，在α=0.05时，双侧检验的临界值是2.01。因为t=4.17大于2.01，所以拒绝原假设，认为家庭收入对儿童智商有显著影响。5.某研究人员想探究吸烟对肺功能的影响，随机抽取了60名吸烟者和60名不吸烟者，记录了他们的肺活量，然后用卡方检验比较了两组人的肺活量分布是否相同。得到卡方统计量χ^2=10.5，自由度是4。问在显著性水平α=0.05下，能否认为吸烟者的肺活量分布与不吸烟者不同？这是卡方检验，因为要比较两个分类变量（吸烟与否）的分布是否相同。首先，查卡方分布表，在α=0.05时，自由度为4的临界值是9.488。因为χ^2=10.5大于9.488，所以拒绝原假设，认为吸烟者的肺活量分布与不吸烟者不同。本次试卷答案如下一、选择题答案及解析1.答案：A解析：假设检验的基本原理就是小概率事件不可能发生，如果发生了，我们就认为原假设不成立，需要拒绝它。这是一种基于概率的反证法思想，我们总是假设原假设是正确的，然后看看会不会出现违背常理的小概率事件，如果出现了，我们就怀疑原假设的正确性。2.答案：A解析：第一类错误就是典型的冤枉好人，明明原假设是真的，我们却因为它而产生了一个小概率事件，结果就拒绝了原假设，犯了这个错误。比如说，一个药其实没啥用，但你通过检验把它当成了有效的，这就是犯了第一类错误。3.答案：C解析：选择显著性水平α可不是随便选的，得看你的研究问题的实际需求。如果研究的后果很严重，比如你拒绝原假设就要采取昂贵的措施，那你就得把α选小点，比如0.01，这样犯第一类错误的可能性就小。如果研究的后果不是很严重，或者你希望得到更多的证据再下结论，那你可以把α选大点，比如0.05。4.答案：A解析：在单样本t检验中，当样本量很大时，根据中心极限定理，样本均值的分布会近似于正态分布，而t分布其实就是正态分布的一种推广，所以这时候t分布就近似于正态分布了。这是t分布和正态分布之间一个很重要的关系。5.答案：C解析：双侧检验和单侧检验的主要区别就在于拒绝域的设置是否相同。双侧检验的拒绝域分布在两边，只要样本结果太极端，不管往哪个方向，都可能拒绝原假设。而单侧检验的拒绝域只在一侧，要么关注参数是不是大于某个值，要么关注是不是小于某个值，只有往那个特定的方向太极端，才会拒绝原假设。6.答案：A解析：p值就是我们在原假设为真的情况下，观察到当前样本结果或者更极端结果的概率。它反映了当前样本结果有多么出乎意料，p值越小，说明当前样本结果越不可能在原假设为真的情况下发生，也就越有理由怀疑原假设。7.答案：A解析：在假设检验中，如果p值小于显著性水平α，说明当前样本结果在原假设为真的情况下发生的概率很小，小到我们无法接受这个巧合，所以我们就拒绝原假设。这是假设检验中最常见的决策规则。8.答案：A解析：方差分析中的F检验，它的零假设就是各组均值相等，也就是说，各个组的中心位置是一样的，没有哪个组特别突出。如果F检验的p值很小，说明组间均值差异很大，大到不能仅仅用随机波动来解释，这时候我们就拒绝零假设，认为各组均值不全相等。9.答案：A解析：在多元线性回归分析中，检验回归系数是否显著的统计量是t统计量，每个回归系数都有一个对应的t统计量，用来判断该系数是不是显著不为0。如果t统计量的p值小于显著性水平α，说明该系数显著不为0，也就是该自变量对因变量有显著的预测作用。10.答案：C解析：在列联表分析中，检验两个分类变量是否独立的统计量是卡方统计量，也叫做卡方检验。如果卡方检验的p值小于显著性水平α，说明两个分类变量之间有显著的关联，不独立，否则就认为它们是独立的。11.答案：B解析：第二类错误就是典型的放过坏人，真有问题了，我们却没发现，没拒绝原假设。比如说，这个药其实很有效，但你通过检验没把它当成有效的，这就是犯了第二类错误。12.答案：B解析：在进行假设检验时，如果p值大于显著性水平α，说明当前样本结果在原假设为真的情况下发生的概率并不小，这个巧合在统计上是可以接受的，所以我们就没有足够的理由拒绝原假设，就接受它。这是假设检验中另一种常见的决策规则。13.答案：A解析：在单样本t检验中，当样本量较小时，t分布与正态分布的相似程度较低，这是因为t分布是正态分布的一种推广，它考虑了样本量小的时候估计总体标准差的不确定性，所以t分布的尾部比正态分布更厚一些，形状不太一样。14.答案：A解析：在方差分析中，如果F检验的p值小于显著性水平α，说明组间均值差异很大，大到不能仅仅用随机波动来解释，这时候我们就拒绝零假设，认为各组均值不全相等，也就是认为三种肥料的产量有显著差异。15.答案：B解析：在多元线性回归分析中，检验回归模型整体是否显著的统计量是F统计量，也叫做模型F检验。如果F统计量的p值小于显著性水平α，说明模型整体上是显著的，也就是说，模型里的变量至少有一个对因变量有显著的预测作用。16.答案：C解析：在列联表分析中，检验两个分类变量是否相关的统计量是卡方统计量，如果卡方检验的p值小于显著性水平α，说明两个分类变量之间有显著的关联，不独立，否则就认为它们是独立的。17.答案：D解析：在假设检验中，显著性水平α通常取0.01、0.05或者0.1，这几个值都是比较常用的，但并不是固定的。选择哪个值取决于你的研究问题的实际需求，如果研究的后果很严重，就选小的α，如果研究的后果不是很严重，就选大的α。18.答案：A解析：在单样本t检验中，当样本量较大时，t分布与正态分布的相似程度较高，这是因为根据中心极限定理，样本均值的分布会近似于正态分布，而t分布其实就是正态分布的一种推广，所以这时候t分布就近似于正态分布了。19.答案：B解析：在方差分析中，如果F检验的p值大于显著性水平α，说明组间均值差异不大，这个差异在统计上是可以接受的，可以认为是由随机波动造成的，所以我们就没有足够的理由拒绝零假设，就接受它，认为各组均值相等。20.答案：A解析：在多元线性回归分析中，检验回归系数是否显著的统计量是t统计量，每个回归系数都有一个对应的t统计量，用来判断该系数是不是显著不为0。如果t统计量的p值小于显著性水平α，说明该系数显著不为0，也就是该自变量对因变量有显著的预测作用。二、判断题答案及解析1.答案：×解析：假设检验的结论不是绝对的，它总是基于概率，存在犯错误的可能性。我们通过控制显著性水平来尽量减少犯第一类错误的概率，但不可能完全避免。而且，假设检验只能提供证据支持或者反对某个假设，不能证明它绝对正确或者错误。2.答案：×解析：在假