2025年大学统计学期末考试题库-统计推断与检验案例分析精讲

2025年大学统计学期末考试题库——统计推断与检验案例分析精讲考试时间：______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。请将正确选项字母填涂在答题卡相应位置。）1.在进行假设检验时，我们选择显著性水平α的主要目的是什么？A.为了确保样本量足够大B.为了控制犯第一类错误的概率C.为了提高检验的效率D.为了确保犯第二类错误的概率最小2.如果一个总体服从正态分布，其均值μ未知，但方差σ²已知，那么在样本量n足够大的情况下，我们通常使用什么分布来近似检验均值μ？A.t分布B.卡方分布C.F分布D.标准正态分布3.在实际应用中，我们常常需要比较两个独立总体的均值是否相等。如果总体方差未知且相等，那么我们应该使用什么检验方法？A.Z检验B.t检验（独立样本）C.方差分析D.卡方检验4.如果两个总体不独立，我们需要比较它们之间的均值差异时，应该使用什么检验方法？A.Z检验B.t检验（配对样本）C.方差分析D.卡方检验5.在进行单因素方差分析时，我们假设各个处理组的方差相等，这一假设被称为什么？A.正态性假设B.独立性假设C.方差齐性假设D.线性假设6.如果在进行方差分析时，发现某个处理组的方差显著大于其他组，我们应该如何处理？A.增加样本量B.使用非参数检验C.调整显著性水平D.剔除该组数据7.在回归分析中，我们通常使用什么指标来衡量模型的拟合优度？A.R²B.标准误差C.相关系数D.t值8.如果一个回归模型的R²值为0.8，这意味着什么？A.模型解释了80%的因变量变异B.模型解释了20%的因变量变异C.模型完全没有解释力D.模型只能解释因变量的一个方向9.在进行线性回归分析时，我们假设残差项服从什么分布？A.正态分布B.二项分布C.泊松分布D.均匀分布10.如果在进行回归分析时，发现某个自变量的系数不显著，我们应该如何处理？A.增加样本量B.剔除该自变量C.调整显著性水平D.增加更多的自变量11.在进行时间序列分析时，我们通常使用什么方法来处理季节性波动？A.移动平均法B.指数平滑法C.季节性分解法D.自回归模型12.如果一个时间序列模型的自相关系数显著，这意味着什么？A.序列存在自相关性B.序列不存在自相关性C.序列存在季节性波动D.序列存在非平稳性13.在进行假设检验时，如果p值小于显著性水平α，我们应该做出什么决策？A.接受原假设B.拒绝原假设C.无法做出决策D.增加样本量14.如果一个假设检验的p值等于0.05，我们应该做出什么决策？A.接受原假设B.拒绝原假设C.无法做出决策D.调整显著性水平15.在进行置信区间估计时，如果置信水平提高，置信区间的宽度会如何变化？A.变窄B.变宽C.不变D.无法确定16.如果一个置信区间的宽度较宽，这意味着什么？A.估计的精度较高B.估计的精度较低C.样本量较大D.样本量较小17.在进行假设检验时，如果犯第一类错误的概率增加，犯第二类错误的概率会如何变化？A.增加B.减少C.不变D.无法确定18.如果一个假设检验的功效较低，这意味着什么？A.检验能够正确拒绝原假设的概率较高B.检验能够正确拒绝原假设的概率较低C.检验能够正确接受原假设的概率较高D.检验能够正确接受原假设的概率较低19.在进行回归分析时，如果自变量之间存在多重共线性，我们应该如何处理？A.增加样本量B.剔除某个自变量C.使用岭回归D.增加更多的自变量20.如果一个回归模型的残差项存在异方差性，我们应该如何处理？A.增加样本量B.使用加权最小二乘法C.调整显著性水平D.增加更多的自变量二、简答题（本大题共5小题，每小题4分，共20分。请将答案写在答题卡相应位置。）1.简述假设检验的基本步骤。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。3.简述方差分析的基本原理和适用条件。4.解释什么是多重共线性，并说明其可能产生的问题。5.简述时间序列分析的基本方法和步骤。在批改试卷的时候，我会特别关注学生对于假设检验步骤的理解，以及他们是否能正确区分第一类错误和第二类错误。对于方差分析部分，我会检查学生是否能够清楚地说明其基本原理和适用条件。在回归分析部分，我会特别关注学生对于多重共线性问题的理解和处理方法。最后，在时间序列分析部分，我会检查学生是否能够正确描述基本方法和步骤。三、计算题（本大题共4小题，每小题5分，共20分。请将答案写在答题卡相应位置。）1.假设我们想要检验某药物对降低血压是否有显著效果。我们随机选取了50名高血压患者，将他们分为两组，每组25人。一组服用该药物（处理组），另一组服用安慰剂（对照组）。经过一个月的治疗，我们记录了两组患者的收缩压变化数据。处理组的样本均值为10mmHg，标准差为5mmHg；对照组的样本均值为3mmHg，标准差为4mmHg。假设两组总体方差相等，请计算检验统计量，并判断在显著性水平α=0.05下，该药物是否对降低血压有显著效果。2.某公司想要比较两种不同广告策略的效果。他们随机选择了100名消费者，将他们分为两组，每组50人。一组观看广告A（处理组），另一组观看广告B（对照组）。一周后，他们进行问卷调查，发现观看广告A的消费者中有30人购买了该公司产品，而观看广告B的消费者中有20人购买了该公司产品。请计算检验统计量，并判断在显著性水平α=0.05下，两种广告策略的效果是否存在显著差异。3.某学校想要比较三种不同教学方法的效果。他们随机选择了60名学生，将他们分为三组，每组20人。一组采用方法A（处理组），另一组采用方法B（对照组），还有一组采用方法C（对照组）。期末考试后，他们记录了三组学生的成绩数据。方法A组的样本均值为85分，标准差为5分；方法B组的样本均值为80分，标准差为6分；方法C组的样本均值为83分，标准差为7分。请计算检验统计量，并判断在显著性水平α=0.05下，三种教学方法的效果是否存在显著差异。4.某公司想要比较四种不同生产线的效率。他们随机选择了100个产品，将它们分为四组，每组25个。生产线1的产品平均生产时间为10分钟，标准差为2分钟；生产线2的产品平均生产时间为12分钟，标准差为3分钟；生产线3的产品平均生产时间为11分钟，标准差为2.5分钟；生产线4的产品平均生产时间为9分钟，标准差为2分钟。请计算检验统计量，并判断在显著性水平α=0.05下，四种生产线的效率是否存在显著差异。四、论述题（本大题共1小题，共10分。请将答案写在答题卡相应位置。）假设我们想要研究某城市居民的收入水平与其消费水平之间的关系。我们随机抽取了200名居民，记录了他们的年收入和年消费支出数据。请详细说明如何使用回归分析来研究这个问题，包括数据预处理、模型选择、参数估计、模型检验和结果解释等步骤。同时，请讨论可能遇到的问题以及如何解决这些问题。本次试卷答案如下一、选择题答案及解析1.B解析：显著性水平α是我们在进行假设检验时预先设定的犯第一类错误的概率上限。犯第一类错误指的是拒绝了实际上为真的原假设，即“虚报警报”。选择显著性水平α的目的正是为了控制这种错误发生的概率，确保我们的检验结论在统计上是有意义的。选项A错误，样本量大小是影响检验效果的因素，但不是选择α的目的；选项C错误，提高检验效率通常指提高检验的功效（即正确拒绝原假设的概率），与α的选择有关，但不是选择α的主要目的；选项D错误，犯第二类错误的概率与α是互补的，但选择α的目的是控制α。2.D解析：当总体服从正态分布，但均值μ未知，方差σ²已知时，用于检验均值μ的统计量是Z统计量。这个统计量服从标准正态分布。虽然在样本量n较小时，我们通常使用t分布来近似（因为此时总体方差未知需要用样本方差估计），但当n足够大时，根据中心极限定理，样本均值的分布会趋近于正态分布，此时即使总体方差未知，Z检验（在已知总体方差时）也是适用的。但题目明确说明方差σ²已知，所以直接使用Z检验。选项A错误，t分布用于总体方差未知且正态分布的情况；选项B错误，卡方分布用于检验方差或拟合优度等；选项C错误，方差分析用于多个均值比较。3.B解析：当我们想要比较两个独立总体的均值是否相等，且假设这两个总体的方差未知但相等时，应该使用t检验（独立样本）。这种检验也称为双样本t检验或配对t检验（如果样本相关）。Z检验通常用于总体方差已知的情况。方差分析是用于比较三个或以上均值的情况。卡方检验主要用于分类数据。选项A、C、D均不符合题设条件。4.B解析：当两个总体不独立，我们需要比较它们之间的均值差异时，通常指的是配对数据或相关样本的情况。这时我们使用t检验（配对样本）。因为我们是在比较同一组对象在两种不同条件下的表现，或者两个相关的个体之间的差异。Z检验用于独立样本。方差分析用于多个均值比较。卡方检验用于分类数据。选项A、C、D均不符合题设条件。5.C解析：在单因素方差分析（One-wayANOVA）中，我们假设各个处理组（不同因素水平）的方差相等，这一假设被称为方差齐性假设（Homogeneityofvariances）。这是进行ANOVA检验的一个重要前提条件。如果这个假设不满足，可能会导致检验结果不准确。选项A正态性假设是指样本来自的总体应服从正态分布；选项B独立性假设是指样本之间相互独立；选项D线性假设通常指回归分析中的假设。6.B解析：如果在进行方差分析时，发现某个处理组的方差显著大于其他组，这表明可能存在异质性，违反了方差齐性假设。在这种情况下，直接使用标准的ANOVA方法可能会得到错误的结果。一个常见的处理方法是使用非参数检验，比如Kruskal-Wallis检验，这类检验不依赖于方差齐性假设。选项A增加样本量可能有助于估计方差，但不一定能解决异方差问题；选项C调整显著性水平并不能解决方差不等的问题；选项D剔除该组数据可能会丢失重要信息，且不一定能解决问题。7.A解析：在回归分析中，R²（决定系数）是衡量模型拟合优度的一个重要指标。它的值介于0和1之间，表示模型所能解释的因变量总变异的比例。R²值越高，说明模型对数据的拟合程度越好，即模型解释了越多的因变量变异。选项B标准误差是衡量模型预测误差的大小；选项C相关系数衡量两个变量线性关系的强度；选项Dt值是检验回归系数是否显著的统计量。8.A解析：如果一个回归模型的R²值为0.8，这表示该模型解释了因变量变异的80%。换句话说，因变量的变化中有80%可以用模型中的自变量来解释。选项B与R²值相反；选项C模型完全没有解释力意味着R²=0；选项D模型只能解释因变量的一个方向通常指模型存在偏差，但R²衡量的是解释变异的比例，不直接表示方向。9.A解析：在进行线性回归分析时，我们通常假设模型误差项（残差项）ε服从正态分布。具体来说，ε~N(0,σ²)，即残差项的均值为0，方差为σ²，且残差之间相互独立。这个假设是进行参数估计（如最小二乘法）和假设检验（如t检验）的基础。选项B二项分布描述的是n次独立伯努利试验中成功次数的概率分布；选项C泊松分布描述的是单位时间或单位面积内事件发生次数的概率分布；选项D均匀分布描述的是在某个区间内取值概率相等的分布。10.B解析：在进行回归分析时，如果一个自变量的系数（回归系数）在统计上不显著，意味着没有足够的证据表明该自变量对因变量有显著的线性影响。从实际应用的角度看，如果这个自变量对业务或研究问题重要，或者我们希望模型尽可能简洁，那么剔除这个不显著的自变量可能是一个合理的处理方式。选项A增加样本量可能提高检验统计量的值，但不一定能使其显著；选项C调整显著性水平会改变判断标准，但不解决自变量本身的影响问题；选项D增加更多的自变量可能会引入多重共线性等问题。11.C解析：在进行时间序列分析时，如果数据中存在明显的、重复出现的季节性波动模式（例如，每年同一季节销售额都增加），我们通常使用季节性分解法来处理。这种方法可以将时间序列分解为趋势项、季节项和随机项，从而分离出季节性因素的影响。移动平均法主要用于平滑短期波动、识别趋势；指数平滑法适用于具有平滑趋势的时间序列预测；自回归模型（AR模型）是处理时间序列自相关性的模型。选项A、B、D主要用于处理非季节性因素或自相关性，而非专门针对季节性。12.A解析：如果一个时间序列模型的自相关系数（比如在ACF图或PACF图中）显著不为零，这意味着当前时刻的序列值与其过去一个或多个时刻的值之间存在统计学上显著的相关关系。这种关系被称为自相关性或序列相关性。选项B与自相关系数显著相反；选项C季节性波动是另一种模式，不一定表现为自相关系数显著；选项D非平稳性通常指序列的均值或方差随时间变化，虽然非平稳序列往往存在自相关，但自相关显著描述的是序列值之间的相关性，而非平稳性描述的是序列本身的动态特性。13.B解析：在假设检验中，我们根据检验统计量计算出的p值，与预先设定的显著性水平α进行比较。如果p值小于α，说明在原假设为真的情况下，观察到当前样本结果或更极端结果的概率很小（小于α）。根据小概率反证法的思想，我们就有足够的理由拒绝原假设。因此，如果p值小于显著性水平α，我们应该做出拒绝原假设的决策。选项A接受原假设通常是在p值大于α时；选项C无法做出决策是在p值恰好等于α（取决于具体规则）或计算有误时；选项D增加样本量是为了提高检验效力，而不是基于当前p值的决策依据。14.B解析：如果一个假设检验的p值等于0.05，这正好等于常用的显著性水平α=0.05的临界值。根据标准的假设检验决策规则：如果p≤α，则拒绝原假设；如果p>α，则不拒绝原假设（或接受原假设）。因此，当p值等于0.05时，刚好达到拒绝原假设的门槛。所以，我们应该做出拒绝原假设的决策。选项A接受原假设是在p>0.05时；选项C无法做出决策是在p值计算有误或无法判断时；选项D调整显著性水平会改变决策，但基于p=0.05和α=0.05，标准决策是拒绝。15.B解析：在进行置信区间估计时，置信水平（例如95%）表示我们构建的置信区间能够包含总体参数的真实值的概率。置信区间的宽度由样本统计量的标准误、样本量以及置信水平决定。在样本统计量和样本量不变的情况下，如果置信水平提高（例如从95%提高到99%），意味着我们需要更有把握地包含真实值，因此需要构建一个更宽的区间来反映这种更高的置信度。换句话说，更高的置信水平对应更宽的置信区间。选项A变窄与直觉相反；选项C不变只有在特定条件下（如Z分布）且标准误不变时才可能；选项D无法确定没有给出具体条件。16.B解析：如果一个置信区间的宽度较宽，这意味着我们估计的参数（如均值）的不确定性较大。置信区间的宽度与标准误（通常是样本标准差除以sqrt样本量）和置信水平有关。较宽的区间通常意味着标准误较大（样本量较小或变异较大）或者置信水平较高。从解释的角度看，较宽的区间表明我们能够确定的精度较低，即我们对总体参数的真实值的了解不够精确。选项A估计的精度较高与宽区间相反；选项C、D与区间宽度没有直接、唯一的因果关系。17.A解析：在假设检验中，犯第一类错误的概率α是预先设定的拒绝原假设（当原假设为真时错误地拒绝它）的概率。犯第二类错误的概率β是接受原假设（当原假设为假时错误地接受它）的概率。根据检验的功效（Power）=1-β，可以看出α和β是相互关联的。如果我们增加了α（即降低了拒绝原假设的门槛，变得更“宽松”），那么对于同一个检验统计量，当原假设为假时，统计量落在接受域的概率（即正确拒绝原假设的概率，也就是功效）会下降，这意味着犯第二类错误的概率β会相应地增加。反之亦然。选项B、C、D描述的是它们之间的关系不正确。18.B解析：一个假设检验的功效（Power）是指当原假设为假时，检验能够正确地拒绝原假设的概率，即1减去犯第二类错误的概率β。功效越高，说明检验在发现真实效应（或差异）时能够更有效地将其检测出来。如果一个假设检验的功效较低，这意味着在总体确实存在差异或效应时，该检验只有较低的概率能够检测到这种差异或效应，即我们更容易犯第二类错误（接受错误的原假设）。选项A描述的是功效高的情形；选项C、D与功效的概念无关。19.B解析：在回归分析中，如果自变量之间存在多重共线性，指的是一个或多个自变量与其他一个或多个自变量高度线性相关。这会导致回归系数的估计值不稳定、方差增大，难以解释各个自变量的独立影响。处理多重共线性的一个常用方法是剔除其中一个或多个高度相关的自变量，特别是如果这些自变量在理论上不是必需的，或者我们可以用其他变量替代。选项A增加样本量主要影响标准误的大小，对共线性本身没有直接解决作用；选项C使用岭回归（RidgeRegression）是一种正则化方法，可以处理共线性问题，但会引入偏差；选项D增加更多的自变量可能会加剧共线性问题。20.B解析：如果一个回归模型的残差项存在异方差性（Heteroscedasticity），意味着残差的方差不是恒定的，而是随着某个自变量的值或其他因素的变化而变化。处理异方差性的一个有效方法是使用加权最小二乘法（WeightedLeastSquares,WLS）。WLS通过为每个观测值赋予不同的权重，来给予方差较小的残差更大的影响，从而使模型对所有的观测值都更精确。选项A增加样本量可能有助于估计方差关系，但不一定能解决异方差问题；选项C调整显著性水平不能解决残差方差不齐的问题；选项D增加更多的自变量可能会引入多重共线性等问题，不一定能解决异方差。二、简答题答案及解析1.假设检验的基本步骤如下：（1）提出原假设H₀和备择假设H₁：首先根据实际问题，明确我们要检验的假设。原假设通常表示没有效应、没有差异或没有关系的状态，备择假设则表示存在某种效应、差异或关系。（2）选择检验统计量并确定其分布：根据总体分布、样本信息和检验目的，选择一个合适的检验统计量（如Z统计量、t统计量、卡方统计量等），并确定在原假设H₀成立时，该统计量所服从的分布。（3）确定显著性水平α：预先设定一个犯第一类错误（即拒绝H₀时H₀为真）的概率上限，常用的α值有0.05、0.01等。（4）计算检验统计量的观测值及其p值：根据样本数据计算检验统计量的具体数值，并利用其分布计算出对应的p值。p值是在原假设H₀成立时，观察到当前样本结果或更极端结果的概率。（5）做出统计决策：将计算得到的p值与预设的显著性水平α进行比较。如果p≤α，则拒绝原假设H₀；如果p>α，则不拒绝（或接受）原假设H₀。根据决策结果，结合实际问题进行解释。2.第一类错误（TypeIError）是指在原假设H₀实际上为真的情况下，我们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。例如，在药物疗效检验中，原假设是药物无效，如果我们错误地认为药物有效（即拒绝了原假设），就犯了第一类错误，这相当于“虚报疗效”。第二类错误（TypeIIError）是指在原假设H₀实际上为假（即备择假设H₁为真）的情况下，我们错误地接受了原假设H₀。犯第二类错误的概率用β表示。例如，在药物疗效检验中，原假设是药物无效，但药物实际上有效，如果我们错误地认为药物无效（即接受了原假设），就犯了第二类错误，这相当于“错失良药”。α和β之间存在一种反向关系：通常情况下，减小α（变得更严格）会增加β（变得更容易犯第二类错误），反之亦然。这是因为我们收紧了拒绝H₀的标准，使得原本可能拒绝H₀的样本点变得不显著，从而增加了接受H₀但H₀为假的可能性。理想情况下，我们希望α和β都尽可能小，但这往往需要增加样本量来实现。3.方差分析（ANOVA）的基本原理是通过对样本方差的比较，来判断多个总体均值是否存在显著差异。其基本思想是将因变量的总变异分解为由不同因素（处理）引起的变异和随机误差（误差）引起的变异。如果不同因素引起的变异相对于随机误差引起的变异足够大，那么就可以认为这些因素对因变量有显著影响，即至少有一个总体的均值与其他不同。方差分析通常要求满足以下适用条件：（1）Independence：样本观测值之间相互独立。（2）Normality：各个处理组的样本来自的总体应服从正态分布。（3）Homogeneityofvariances（方差齐性）：各个处理组的总体方差应相等。对于大样本（n较大），中心极限定理可以放松正态性和方差齐性的要求。在实际应用中，特别是当违反这些假设时，可能需要使用非参数检验方法或对数据进行转换，或者采用更稳健的ANOVA方法（如Welch'sANOVA）。4.多重共线性（Multicollinearity）是指回归模型中的两个或多个自变量之间存在高度线性相关关系。换句话说，一个自变量的值可以用其他一个或多个自变量的线性组合来很好地预测。多重共线性本身不是一种错误，但它在统计推断中会带来严重问题：（1）回归系数估计值不稳定：当自变量间存在高度共线性时，回归系数的估计值对样本数据的微小变动非常敏感，可能会导致估计值大幅波动。（2）回归系数估计值方差增大：导致t检验的统计量值变小，难以拒绝原假设（即难以判断自变量是否显著），即检验效力降低。（3）难以解释自变量的独立影响：由于自变量高度相关，一个自变量的变化会引起其他相关自变量的变化，使得我们无法单独评估每个自变量对因变量的独立贡献。产生多重共线性的原因通常包括：①数据收集过程中的限制，如使用了过多的测量指标来反映同一个构念；②模型设定不当，包含了不必要的自变量；③样本量过小，相对于自变量的数量而言。解决多重共线性问题的方法包括：①剔除一个或多个高度相关的自变量；②使用主成分分析（PCA）或其他降维技术生成新的综合变量；③增加样本量；④使用岭回归（RidgeRegression）或Lasso回归等正则化方法；⑤如果可能，收集更少但更相关的测量指标。5.时间序列分析（TimeSeriesAnalysis）是统计中一个重要的分支，旨在分析按时间顺序排列的数据，揭示数据中的模式、结构、趋势和周期性，并用于预测未来的值。其基本方法和步骤通常包括：（1）数据可视化：首先绘制时间序列图，直观地观察数据的变化趋势、是否存在季节性模式、周期性波动以及异常点等。（2）平稳性检验：大多数时间序列模型（特别是ARIMA模型）要求数据是平稳的（即均值、方差和自协方差不随时间变化）。使用单位根检验（如ADF检验）等方法检查数据的平稳性。如果数据非平稳，通常需要进行差分（Differencing）或其他转换（如对数转换）使其平稳。（3）模型识别：根据时间序列图和自相关函数（ACF）图、偏自相关函数（PACF）图，结合平稳性检验结果，选择合适的模型类型。常见的模型包括自回归（AR）模型、移动平均（MA）模型、自回归移动平均（ARIMA）模型、季节性ARIMA（SARIMA）模型等。（4）参数估计：使用最小二乘法或最大似然估计等方法估计所选模型中的参数。（5）模型诊断：检查模型拟合的好坏，例如通过残差分析（检查残差是否白噪声）、Q-Q图等。如果模型不合适，需要重新选择模型或进行修正。（6）预测：在模型通过检验后，利用模型对未来一个或多个时间点的值进行预测。预测结果的可靠性通常用预测区间来表示。三、计算题答案及解析1.解析：这是一个两个独立样本t检验的问题，因为我们要比较两组（服用药物组和服用安慰剂组）的均值差异，且样本是随机抽取的，组间独立。已知总体方差未知但相等，所以使用pooledvariancet-test。步骤如下：a.提出假设：H₀:μ₁=μ₂（两组均值相等），H₁:μ₁≠μ₂（两组均值不等）。b.计算合并方差（pooledvariance）：s_p²=[(n₁-1)s₁²+(n₂-1)s₂²]/(n₁+n₂-2)s_p²=[(25-1)×5²+(25-1)×4²]/(25+25-2)s_p²=[24×25+24×16]/48s_p²=[600+384]/48s_p²=984/48=20.5s_p=√20.5≈4.53c.计算t统计量：t=(x̄₁-x̄₂)/(s_p×√(1/n₁+1/n₂))t=(10-3)/(4.53×√(1/25+1/25))t=7/(4.53×√(2/25))t=7/(4.53×0.2)t=7/0.906≈7.72d.确定自由度：df=n₁+n₂-2=25+25-2=48e.查找临界值或计算p值：对于双尾检验，α=0.05，df=48。查t分布表或用软件计算，t临界值约为±2.0108。计算得到的t值=7.72远大于临界值。或者计算p值，双尾p值会非常小（远小于0.05）。决策：因为t统计量的绝对值大于临界值，或者p值小于α，所以拒绝原假设H₀。结论：在α=0.05的显著性水平下，有足够的证据表明该药物对降低血压有显著效果。2.解析：这是一个两个独立样本比例的z检验问题，因为我们要比较两组（观看广告A组和观看广告B组）的成功购买比例（比例）的差异。步骤如下：a.提出假设：H₀:p₁=p₂（两组比例相等），H₁:p₁≠p₂（两组比例不等）。b.计算样本比例：p̄=(x₁+x₂)/(n₁+n₂)=(30+20)/(50+50)=50/100=0.5p̄₁=x₁/n₁=30/50=0.6p̄₂=x₂/n₂=20/50=0.4c.计算标准误（SE）：SE=√[p̄(1-p̄)*(1/n₁+1/n₂)]SE=√[0.5(1-0.5)*(1/50+1/50)]SE=√[0.25*(2/50)]SE=√[0.25*0.04]=√0.01=0.1d.计算z统计量：z=(p̄₁-p̄₂)/SEz=(0.6-0.4)/0.1z=0.2/0.1=2.0e.确定临界值或计算p值：对于双尾检验，α=0.05。查标准正态分布表，z临界值约为±1.96。计算得到的z值=2.0大于临界值。或者计算双尾p值，p值约为2×P(Z>2.0)≈2×0.0228=0.0456。决策：因为z统计量的绝对值大于临界值，或者p值小于α，所以拒绝原假设H₀。结论：在α=0.05的显著性水平下，有足够的证据表明两种广告策略的效果存在显著差异。3.解析：这是一个单因素方差分析（One-wayANOVA）的问题，因为我们要比较三个独立组（方法A、B、C组）的均值差异。步骤如下：a.提出假设：H₀:μ_A=μ_B=μ_C（三组均值相等），H₁:至少有两个组均值不等（至少有一个不等）。b.计算各组均值和总均值：x̄_A=85,x̄_B=80,x̄_C=83N=60,n₁=n₂=n₃=20x̄_T=(Σxᵢ)/N=(20*85+20*80+20*83)/60=(1700+1600+1660)/60=4960/60≈82.67c.计算总平方和（SST）、组间平方和（SSbetween）、组内平方和（SSwithin）：SST=Σ(xᵢ-x̄_T)²=[(85-82.67)²+(80-82.67)²+...+(83-82.67)²]*20=[2.33²+(-2.67)²+...+0.33²]*20=[5.4289+7.1289+...+0.1089]*20=258.6*20=5172（计算过程略，需逐项计算偏差平方再求和）SSw=ΣΣ(xᵢⱼ-x̄ⱼ)²=[(85-85)²+(83-85)²+...+(80-80)²]+[(83-83)²+...+(83-83)²]+[(80-80)²+...+(83-80)²]=[0+4+...+0]+[0+...+0]+[0+...+9]=20*(5²+0²+3²)+20*(0²+...+3²)+20*(0²+...+3²)=20*(25+0+9)+20*(0+0+9)+20*(0+9+9)=20*34+20*9+20*18=680+180+360=1220（计算过程略，需分组计算偏差平方再求和）SSbetween=SST-SSw=5172-1220=3952d.计算组间均方（MSbetween）、组内均方（MSwithin）：MSbetween=SSbetween/(k-1)=3952/(3-1)=3952/2=1976MSwithin=SSw/(N-k)=1220/(60-3)=1220/57≈21.386e.计算F统计量：F=MSbetween/MSwithin=1976/21.386≈92.72f.确定临界值或计算p值：自由度df₁=k-1=2，df₂=N-k=57。查F分布表或用软件计算，对于α=0.05，df₁=2，df₂=57，F临界值约为3.98。计算得到的F值=92.72远大于临界值。或者计算p值，p值会非常小（远小于0.05）。决策：因为F统计量远大于临界值，或者p值小于α，所以拒绝原假设H₀。结论：在α=0.05的显著性水平下，有足够的证据表明三种教学方法的效果存在显著差异。4.解析：这是一个单因素方差分析（One-wayANOVA）的问题，因为我们要比较四个独立组（生产线1、2、3、4组）的平均生产时间差异。步骤如下：a.提出假设：H₀:μ₁=μ₂=μ₃=μ₄（四组均值相等），H₁:至少有两个组均值不等（至少有一个不等）。b.计算各组均值和总均值：x̄₁=10,x̄₂=12,x̄₃=11,x̄₄=9N=100,n₁=n₂=n₃=n₄=25x̄_T=(Σxᵢ)/N=(25*10+25*12+25*11+25*9)/100=(250+300+275+225)/100=1050/100=10.5c.计算总平方和（SST）、组间平方和（SSbetween）、组内平方和（SSwithin）：SST=Σ(xᵢ-x̄_T)²=[(10-10.5)²+(12-10.5)²+...+(9-10.5)²]*25=[(-0.5)²+1.5²+...+(-1.5)²]*25=[0.25+2.25+...+2.25]*25=30.25*25=756.25（计算过程略）SSw=ΣΣ(xᵢⱼ-x̄ⱼ)²=[(10-10)²+(9-10)²+...+(10-10)²]+[(10-10)²+...+(10-10)²]+[(12-12)²+...+(12-12)²]+[(9-9)²+...+(9-9)²]=[0+1+...+0]+[0+...+0]+[0+...+0]+[0+...+0]=25*(0²+1²+0²+0²)+25*(0²+0²+0²+0²)+25*(0²+0²+0²+0²)+25*(0²+0²+0²+0²)=25*(0+1+0+0)+25*(0+0+0+0)+25*(0+0+0+0)+25*(0+0+0+0)=25*1+25*0+25*0+25*0=25（计算过程略）SSbetween=SST-SSw=756.25-25=731.25d.计算组间均方（MSbetween）、组