2025年大学统计学期末考试题库：统计推断与检验练习试题

2025年大学统计学期末考试题库：统计推断与检验练习试题考试时间：______分钟总分：______分姓名：______一、单项选择题（本部分共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，请将正确选项字母填在题后的括号内。）1.在假设检验中，第一类错误是指（）。A.拒绝了实际上正确的原假设B.没有拒绝实际上错误的原假设C.接受了实际上正确的原假设D.没有接受实际上错误的原假设2.设总体服从正态分布，且方差已知，当样本量增大时，双侧检验的临界值（）。A.变大B.变小C.不变D.无法确定3.在单样本t检验中，自由度等于（）。A.样本量B.样本量减1C.总体量D.总体量减14.设总体服从正态分布，且方差未知，要检验总体均值是否显著大于某个值，应选择的检验方法是（）。A.双侧z检验B.单侧z检验C.双侧t检验D.单侧t检验5.在假设检验中，检验的显著性水平α表示（）。A.犯第一类错误的概率B.犯第二类错误的概率C.接受原假设的概率D.拒绝原假设的概率6.设总体服从正态分布，且方差已知，要检验总体均值是否等于某个值，应选择的检验方法是（）。A.双侧z检验B.单侧z检验C.双侧t检验C.单侧t检验7.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或更极端结果的概率B.在原假设为假时，观察到当前样本结果或更极端结果的概率C.拒绝原假设的概率D.接受原假设的概率8.设总体服从正态分布，且方差未知，要检验总体均值是否显著小于某个值，应选择的检验方法是（）。A.双侧z检验B.单侧z检验C.双侧t检验D.单侧t检验9.在假设检验中，犯第二类错误的概率β等于（）。A.1-αB.αC.1-p值D.p值10.设总体服从正态分布，且方差已知，要检验总体均值是否不等于某个值，应选择的检验方法是（）。A.双侧z检验B.单侧z检验C.双侧t检验D.单侧t检验11.在假设检验中，功效是指（）。A.拒绝原假设的概率B.接受原假设的概率C.犯第一类错误的概率D.犯第二类错误的概率12.设总体服从正态分布，且方差未知，要检验总体均值是否等于某个值，应选择的检验方法是（）。A.双侧z检验B.单侧z检验C.双侧t检验D.单侧t检验13.在假设检验中，拒绝域是指（）。A.样本统计量落人的区域B.样本统计量不落人的区域C.总体参数落人的区域D.总体参数不落人的区域14.设总体服从正态分布，且方差已知，要检验总体均值是否显著大于某个值，应选择的检验方法是（）。A.双侧z检验B.单侧z检验C.双侧t检验D.单侧t检验15.在假设检验中，显著性水平α的选择（）。A.只能是0.05B.只能是0.01C.可以根据具体情况选择D.只能是0.1016.设总体服从正态分布，且方差未知，要检验总体均值是否显著小于某个值，应选择的检验方法是（）。A.双侧z检验B.单侧z检验C.双侧t检验D.单侧t检验17.在假设检验中，p值越小，说明（）。A.拒绝原假设的证据越强B.接受原假设的证据越强C.犯第一类错误的概率越大D.犯第二类错误的概率越大18.设总体服从正态分布，且方差已知，要检验总体均值是否不等于某个值，应选择的检验方法是（）。A.双侧z检验B.单侧z检验C.双侧t检验D.单侧t检验19.在假设检验中，功效函数是指（）。A.拒绝原假设的概率B.接受原假设的概率C.犯第一类错误的概率D.犯第二类错误的概率20.设总体服从正态分布，且方差未知，要检验总体均值是否等于某个值，应选择的检验方法是（）。A.双侧z检验B.单侧z检验C.双侧t检验D.单侧t检验二、多项选择题（本部分共10小题，每小题2分，共20分。在每小题列出的五个选项中，有二至五个是符合题目要求的，请将正确选项字母填在题后的括号内。多选、少选或错选均不得分。）1.在假设检验中，以下哪些是正确的？（）A.拒绝原假设意味着接受备择假设B.接受原假设意味着拒绝备择假设C.拒绝原假设意味着犯第一类错误D.接受原假设意味着犯第二类错误E.拒绝原假设意味着没有犯错误2.设总体服从正态分布，且方差已知，以下哪些是双侧检验的临界值？（）A.z<-1.96B.z>1.96C.z<-2.58D.z>2.58E.z<03.在单样本t检验中，以下哪些是正确的？（）A.自由度等于样本量减1B.自由度等于总体量C.自由度等于样本量D.自由度等于总体量减1E.自由度与样本量和总体量无关4.设总体服从正态分布，且方差未知，以下哪些是单侧检验的临界值？（）A.t<-1.96B.t>1.96C.t<-2.58D.t>2.58E.t<05.在假设检验中，以下哪些是p值的定义？（）A.在原假设为真时，观察到当前样本结果或更极端结果的概率B.在原假设为假时，观察到当前样本结果或更极端结果的概率C.拒绝原假设的概率D.接受原假设的概率E.犯第一类错误的概率6.设总体服从正态分布，且方差已知，以下哪些是双侧检验的临界值？（）A.z<-1.96B.z>1.96C.z<-2.58D.z>2.58E.z<07.在假设检验中，以下哪些是犯第一类错误的概率？（）A.αB.βC.1-αD.1-βE.p值8.设总体服从正态分布，且方差未知，以下哪些是单侧检验的临界值？（）A.t<-1.96B.t>1.96C.t<-2.58D.t>2.58E.t<09.在假设检验中，以下哪些是犯第二类错误的概率？（）A.αB.βC.1-αD.1-βE.p值10.设总体服从正态分布，且方差已知，以下哪些是双侧检验的临界值？（）A.z<-1.96B.z>1.96C.z<-2.58D.z>2.58E.z<0三、判断题（本部分共10小题，每小题2分，共20分。请判断下列各题是否正确，正确的请在题后的括号内打“√”，错误的打“×”。）1.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：这个题其实挺有意思的，咱们得想想啊。显著性水平α，它就是咱们自己定的一个阈值，表示在原假设为真的情况下，咱们最多能容忍犯第一类错误的概率。所以这个说法是正确的，打上√吧。2.设总体服从正态分布，且方差未知，当样本量较小时，应该使用z检验而不是t检验。（）解析：哎呀，这又是一个常见的易错点。根据咱们学过的知识，当总体方差未知，而且样本量比较小的时候，咱们是用样本的标准差来估计总体的标准差，这时候的自由度就不大了，所以应该使用t检验。用z检验，那必须是知道总体方差，或者样本量很大，可以用样本方差去近似总体方差了。所以这个说法是错误的，得打×。3.在假设检验中，p值越小，说明拒绝原假设的证据越强。（）解析：这个我觉得是正确的吧。p值表示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。p值越小，说明这种结果发生的可能性越小，如果小到咱们难以接受的程度（小于α），那咱们就更有理由拒绝原假设了。所以打√。4.设总体服从正态分布，且方差已知，要检验总体均值是否不等于某个值，无论样本量多大，都应该使用z检验。（）解析：这个题说得对不对呢？总体是正态分布，方差已知，要检验均值是否不等于某个值，这本身就是z检验的适用条件啊。而且题目说了方差已知，那就不涉及用样本方差估计总体方差的问题，跟样本量大小没关系。所以这个说法是正确的，打√。5.在假设检验中，犯第二类错误的概率β等于1减去检验的功效。（）解析：这个说法是正确的。检验的功效是指当原假设为假时，咱们能够正确拒绝原假设的概率，也就是1-β。所以β就是犯第二类错误的概率，它当然等于1减去检验的功效啦。打√。6.设总体服从正态分布，且方差未知，要检验总体均值是否显著大于某个值，应该使用双侧t检验。（）解析：哎呀，这又是一个方向性的错误。题目问的是均值是否显著大于某个值，这明显是单侧检验啊，我们要检验的是均值是不是大于某个特定值，而不是看它是不是等于或者不等于某个值。所以应该用单侧t检验，而不是双侧t检验。这个说法是错误的，打×。7.在假设检验中，拒绝域就是样本统计量落人的区域。（）解析：这个说法其实有点不准确，但咱们可以这样理解。拒绝域更准确地说应该是样本统计量落人的那个临界值区域之外的部分。也就是说，如果样本统计量落在这个区域之外，我们就拒绝原假设。所以严格来说，说“落人的区域”有点笼统，但如果我们理解为“落人的临界值区域之外的部分”，那可以认为是正确的。不过，更严谨的说法是样本统计量落人的拒绝域是那个临界值区域之外的部分。所以这个说法不太严谨，但可以理解，打√吧，虽然它不是最完美的表述。8.设总体服从正态分布，且方差已知，要检验总体均值是否等于某个值，无论样本量多大，都应该使用t检验。（）解析：这个题跟上一题有点像，但这次是方差已知。当总体方差已知时，咱们可以直接用总体标准差去计算z统计量，不需要用样本标准差去估计。这时候不管样本量大不大，都应该使用z检验。所以这个说法是错误的，打×。9.在假设检验中，显著性水平α的选择是固定的，不能根据具体情况调整。（）解析：这个说法是错误的。显著性水平α的选择并不是固定的，它取决于具体的研究情境和咱们对犯第一类错误的容忍程度。比如，在医学研究中，由于犯第一类错误可能导致严重的后果，所以α可能会选得小一些，比如0.01。而在市场调研中，可能对犯第一类错误的容忍度高一些，α可能会选得大一些，比如0.05或者0.10。所以α的选择是非常灵活的，根据具体情况来定的。这个说法是错误的，打×。10.设总体服从正态分布，且方差未知，要检验总体均值是否显著小于某个值，应该使用双侧t检验。（）解析：同样，这是一个方向性的错误。题目问的是均值是否显著小于某个值，这应该是单侧检验。我们要检验的是均值是不是小于某个特定值，而不是看它是不是等于或者不等于某个值。所以应该用单侧t检验，而不是双侧t检验。这个说法是错误的，打×。四、简答题（本部分共5小题，每小题4分，共20分。请简要回答下列各题。）1.请简述假设检验的基本步骤。解析：假设检验啊，这可是咱们统计推断里的一个重要工具。它一般有这几个步骤：首先，咱们得提出原假设和备择假设。原假设，一般记作H₀，通常是咱们想要检验的那个状态，比如认为均值等于某个值；备择假设，记作H₁或者Hₐ，是原假设不成立时的那个情况，比如认为均值不等于某个值。其次，选择合适的检验统计量。这个统计量得能够反映样本信息，并且要在原假设成立时分布是已知的。比如，对于均值检验，当总体方差已知时用z检验，未知时用t检验。然后，确定显著性水平α。这表示咱们最多能容忍犯第一类错误的概率。常见的α值有0.05、0.01、0.10等，具体选哪个要看研究的要求。接着，根据样本数据计算出检验统计量的值。最后，根据检验统计量的分布和α，确定拒绝域，或者计算p值。如果检验统计量的值落入了拒绝域，或者p值小于α，咱们就拒绝原假设；否则，咱们就没有足够的证据拒绝原假设，也就是接受原假设。2.请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。解析：哎呀，第一类错误和第二类错误，这可是假设检验中两个非常重要的概念。咱们得搞清楚它们到底是怎么回事。首先，第一类错误，也叫做“弃真错误”，就是咱们在原假设H₀实际上是真的情况下，错误地拒绝了它。你可以想象成，咱们以为那个病人没病，结果把他当真病治了，这就像把没病的当成有病的，犯了错。犯第一类错误的概率，咱们用α来表示，也就是显著性水平。其次，第二类错误，也叫做“取伪错误”，就是咱们在原假设H₀实际上是假的情况下，错误地接受了它。你可以想象成，咱们以为那个病人真有病，结果没把他当真病治，这就像把有病的当成没病的，又犯了错。犯第二类错误的概率，咱们用β来表示。这两个错误之间有什么关系呢？它们是相互制约的。你想啊，如果咱们把α变小，也就是咱们对犯第一类错误的容忍度降低了，那拒绝原假设就更难了。这时候，咱们可能会更容易接受原假设，也就是犯第二类错误的概率β可能会变大。反之，如果咱们把α变大，拒绝原假设就更容易了，这时候β可能会变小。它们就像是跷跷板，一上一下。想要同时让α和β都变得很小，是非常困难的，这需要增大样本量。所以，在实际应用中，咱们需要在α和β之间进行权衡。3.请比较z检验和t检验的适用条件。解析：z检验和t检验，这俩可是咱们进行均值检验时的两个得力助手。它们适用条件有点不一样，咱们得搞清楚它们的区别。首先，z检验适用的条件是：①总体服从正态分布；②总体方差已知。而t检验适用的条件是：①总体服从正态分布；②总体方差未知，需要用样本方差来估计。可以看到，它们最主要的区别在于总体方差是否已知。如果总体方差已知，那咱们就用z检验；如果总体方差未知，那咱们就用t检验。另外，它们对样本量的要求也不同。z检验通常要求样本量比较大，一般认为n≥30时，可以用样本标准差近似代替总体标准差，这时候可以用z检验。而t检验对样本量没有这么严格的要求，样本量小一点也没关系，只要总体方差未知，就得用t检验。4.请解释p值的概念，并说明它在假设检验中的作用。解析：p值啊，这个概念其实挺重要的。它表示在原假设H₀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。你可以把它想象成，如果那个假设是真的，那么咱们观察到现在这个结果或者比这个结果更极端（更不寻常）的结果，有多大概率会发生。p值在假设检验中扮演着非常重要的角色。它的作用就是帮助我们判断是否有足够的证据拒绝原假设。具体来说，如果p值小于咱们选定的显著性水平α，那咱们就认为拒绝原假设的证据足够强，这时候咱们就拒绝原假设。如果p值大于或者等于α，那咱们就认为没有足够的证据拒绝原假设，这时候咱们就不拒绝原假设（注意，不是接受原假设，只是说没足够证据拒绝它）。p值越小，说明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可能性越小。这种可能性越小，咱们就越有理由怀疑原假设的真实性，也就越有理由拒绝它。所以p值越小，拒绝原假设的证据越强。5.请说明样本量大小对假设检验结果的影响。解析：样本量大小啊，它对假设检验的结果可是有着不小的影响。咱们得好好想想这个影响体现在哪些方面。首先，样本量大小会影响检验统计量的分布。比如，在t检验中，随着样本量的增大，t分布会越来越接近标准正态分布。样本量越大，咱们估计总体参数的精度就越高，样本统计量的标准误差就越小。其次，样本量大小会影响检验的功效。检验的功效，就是当原假设为假时，咱们能够正确拒绝原假设的概率，也就是1-β。样本量越大，检验的功效就越高，也就是说，咱们更容易在原假设为假时Detect出来，拒绝原假设。反之，样本量越小，检验的功效就越低，咱们就越难在原假设为假时拒绝它，犯第二类错误的概率β就越大。最后，样本量大小也会影响p值。一般来说，样本量越大，样本统计量的标准误差越小，检验统计量的值就越大（或者越小），p值就越小。这意味着，对于同一个备择假设，样本量越大，就越容易得到统计上显著的结果。所以，样本量大小对假设检验结果的影响是很大的。在实际研究中，咱们需要根据研究目的和资源情况，合理地确定样本量。样本量太大，会增加研究成本和时间；样本量太小，又会降低检验的功效，可能导致咱们无法检测出有意义的差异。找到一个平衡点，非常重要。五、计算题（本部分共3小题，每小题10分，共30分。请根据题目要求，写出计算过程和结果。）1.某厂生产的灯泡，其寿命服从正态分布，方差未知。随机抽取50只灯泡，测得样本平均寿命为1500小时，样本标准差为100小时。现在要检验该厂生产的灯泡的平均寿命是否显著高于1400小时（α=0.05）。解析：好，这个题咱们得用t检验。因为总体方差未知，而且样本量n=50，可以认为是大样本，但题目没说方差已知，所以还是用t检验更严谨。首先，提出原假设和备择假设。H₀：μ≤1400，H₁：μ>1400。这是一个单侧检验。然后，选择检验统计量。t=(x̄-μ₀)/(s/√n)。这里x̄=1500，μ₀=1400，s=100，n=50。计算检验统计量的值。t=(1500-1400)/(100/√50)=100/(100/√50)=100*√50/100=√50≈7.071。接着，确定拒绝域。自由度df=n-1=50-1=49。显著性水平α=0.05，查t分布表，得到临界值t₀.05(49)≈1.676。拒绝域是t>1.676。最后，做出决策。因为计算得到的t值=7.071>1.676，所以落入了拒绝域。因此，拒绝原假设，认为该厂生产的灯泡的平均寿命显著高于1400小时。2.某地区历年来的平均降水量服从正态分布，方差已知为400。现在随机抽取10年，测得这10年的平均降水量为1200毫米。要检验该地区的平均降水量是否显著低于1250毫米（α=0.01）。解析：这个题，总体方差已知，而且样本量n=10，虽然不大，但题目说了方差已知，所以可以用z检验。首先，提出原假设和备择假设。H₀：μ≥1250，H₁：μ<1250。这是一个单侧检验。然后，选择检验统计量。z=(x̄-μ₀)/(σ/√n)。这里x̄=1200，μ₀=1250，σ=20（因为方差是400，所以标准差是20），n=10。计算检验统计量的值。z=(1200-1250)/(20/√10)=-50/(20/√10)=-50*√10/20=-√10≈-3.162。接着，确定拒绝域。显著性水平α=0.01，对于单侧检验，临界值是z₀.01≈-2.33。拒绝域是z<-2.33。最后，做出决策。因为计算得到的z值=-3.162<-2.33，所以落入了拒绝域。因此，拒绝原假设，认为该地区的平均降水量显著低于1250毫米。3.某医生声称，他使用某种新方法治疗高血压病人，可以使病人的血压平均下降15毫米汞柱。为了检验这个说法，随机抽取了15名高血压病人，使用新方法治疗一段时间后，测得他们的血压平均下降了12毫米汞柱，样本标准差为5毫米汞柱。假设血压下降值服从正态分布，要检验该医生的声称是否属实（α=0.05）。解析：这个题，总体方差未知，样本量n=15，是小样本，所以要用t检验。首先，提出原假设和备择假设。H₀：μ=15，H₁：μ≠15。这是一个双侧检验。然后，选择检验统计量。t=(x̄-μ₀)/(s/√n)。这里x̄=12，μ₀=15，s=5，n=15。计算检验统计量的值。t=(12-15)/(5/√15)=-3/(5/√15)=-3*√15/5≈-3*3.873/5≈-2.319。接着，确定拒绝域。自由度df=n-1=15-1=14。显著性水平α=0.05，对于双侧检验，临界值是t₀.025(14)≈±2.145。拒绝域是t<-2.145或者t>2.145。最后，做出决策。因为计算得到的t值=-2.319，介于-2.145和2.145之间，所以没有落入拒绝域。因此，没有足够的证据拒绝原假设，不能认为该医生的声称不属实。本次试卷答案如下一、单项选择题答案及解析1.A解析：第一类错误就是在原假设H0实际上是真的情况下，咱们却错误地拒绝了它，也就是“弃真”。咱们设定的显著性水平α就是犯这种错误的概率上限。所以这个定义是正确的。2.C解析：当样本量增大时，根据中心极限定理，样本均值的抽样分布越来越接近正态分布，而且标准误差（标准差除以根号下样本量）会减小。对于双侧检验，临界值是使得尾部的面积等于α/2的z值。当标准误差减小时，检验统计量（样本均值减去假设的总体均值再除以标准误差）的值会变大，要使得尾部的面积仍然等于α/2，临界值z会变小。所以临界值会变小。3.B解析：在单样本t检验中，用来计算检验统计量的公式是（样本均值-假设的总体均值）/（样本标准差除以根号下样本量）。这里的样本标准差是用来估计总体标准差的，所以自由度就是样本量减去1，也就是n-1。所以自由度等于样本量减1。4.D解析：要检验总体均值是否显著大于某个值，比如μ>μ0，这是备择假设的内容。咱们需要构建一个统计量，在H0为真的情况下，它的分布是已知的，然后看咱们观测到的样本统计量落在这个分布的哪个位置。因为总体方差未知，用样本标准差s来估计，所以用t分布。而且，因为要检验的是“大于”，所以是单侧检验，拒绝域在分布的右侧。所以应该选择单侧t检验。5.A解析：显著性水平α就是在原假设H0为真的情况下，咱们犯第一类错误（拒绝H0）的概率。这是咱们在检验开始前就确定的一个阈值，用来控制犯第一类错误的概率不超过这个值。所以这个定义是正确的。6.A解析：要检验总体均值是否等于某个值，比如μ=μ0，这是备择假设的内容。因为总体方差已知，可以用总体标准差σ来计算z统计量。而且，因为要检验的是“等于”，所以是双侧检验，拒绝域在分布的两侧。所以应该选择双侧z检验。7.A解析：p值就是在原假设H0为真的情况下，观察到当前样本结果或者更极端（更不利于H0）结果的概率。这个概率越小，说明在H0为真的情况下，观察到这种结果或者更奇怪结果的可能性越小，咱们就越有理由怀疑H0的真实性。所以这个定义是正确的。8.D解析：要检验总体均值是否显著小于某个值，比如μ<μ0，这是备择假设的内容。因为总体方差未知，用样本标准差s来估计，所以用t分布。而且，因为要检验的是“小于”，所以是单侧检验，拒绝域在分布的左侧。所以应该选择单侧t检验。9.B解析：犯第二类错误就是在原假设H0实际上是真的情况下，咱们却错误地接受了它，也就是“取伪”。犯第二类错误的概率用β表示。1-β就是检验的功效，也就是在H0为假时，咱们能够正确拒绝H0的概率。所以犯第二类错误的概率β等于1减去检验的功效。10.A解析：要检验总体均值是否不等于某个值，比如μ≠μ0，这是备择假设的内容。因为总体方差已知，可以用总体标准差σ来计算z统计量。而且，因为要检验的是“不等于”，所以是双侧检验，拒绝域在分布的两侧。所以应该选择双侧z检验。11.A解析：检验的功效就是在原假设H0为假（备择假设H1为真）时，咱们能够正确拒绝H0的概率，也就是1-β。功效越大，说明咱们检验的效果越好，越能检测出真实存在的差异。所以拒绝原假设的概率就是检验的功效。12.C解析：要检验总体均值是否等于某个值，比如μ=μ0，这是备择假设的内容。因为总体方差未知，用样本标准差s来估计，所以用t分布。而且，因为要检验的是“等于”，所以是双侧检验，拒绝域在分布的两侧。所以应该选择双侧t检验。13.A解析：拒绝域就是样本统计量（比如z值或者t值）落人的那个临界值区域之外的部分。如果样本统计量的值落在这个拒绝域里，咱们就拒绝原假设H0；如果落在这个拒绝域之外，咱们就不拒绝H0。所以拒绝域是样本统计量落人的区域（特指那个临界值区域之外的部分）。14.B解析：要检验总体均值是否显著大于某个值，比如μ>μ0，这是备择假设的内容。因为总体方差已知，可以用总体标准差σ来计算z统计量。而且，因为要检验的是“大于”，所以是单侧检验，拒绝域在分布的右侧。所以应该选择单侧z检验。15.C解析：显著性水平α的选择并不是固定的，它取决于具体的研究情境和咱们对犯第一类错误的容忍程度。比如，在医学研究中，由于犯第一类错误可能导致严重的后果（比如把没病的当成有病的，错误治疗），所以α可能会选得小一些，比如0.01或者0.001。而在市场调研或者社会科学研究中，可能对犯第一类错误的容忍度高一些，α可能会选得大一些，比如0.05或者0.10。所以α的选择是非常灵活的，根据具体情况来定的。16.D解析：要检验总体均值是否显著小于某个值，比如μ<μ0，这是备择假设的内容。因为总体方差未知，用样本标准差s来估计，所以用t分布。而且，因为要检验的是“小于”，所以是单侧检验，拒绝域在分布的左侧。所以应该选择单侧t检验。17.A解析：p值越小，说明在原假设H0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越小。这种可能性越小，咱们就越有理由怀疑H0的真实性，也就是拒绝H0的证据越强。所以p值越小，拒绝原假设的证据越强。18.A解析：要检验总体均值是否等于某个值，比如μ=μ0，这是备择假设的内容。因为总体方差已知，可以用总体标准差σ来计算z统计量。而且，因为要检验的是“等于”，所以是双侧检验，拒绝域在分布的两侧。所以应该选择双侧z检验。19.A解析：检验的功效就是在原假设H0为假（备择假设H1为真）时，咱们能够正确拒绝H0的概率，也就是1-β。功效越大，说明咱们检验的效果越好，越能检测出真实存在的差异。所以功效函数就是拒绝原假设的概率，当H1为真时。犯第二类错误的概率β就是1减去功效。20.C解析：要检验总体均值是否等于某个值，比如μ=μ0，这是备择假设的内容。因为总体方差未知，用样本标准差s来估计，所以用t分布。而且，因为要检验的是“等于”，所以是双侧检验，拒绝域在分布的两侧。所以应该选择双侧t检验。二、多项选择题答案及解析1.ACE解析：在假设检验中，如果咱们拒绝了原假设H0，那意味着咱们认为备择假设H1更可能是真的。所以拒绝了H0，就意味着接受了H1（在咱们这个检验框架下）。接受H0意味着原假设是真的。犯第一类错误是拒绝了真的H0。犯第二类错误是接受了假的H0。所以A和C都是正确的。接受H0并不意味着没有犯错误，因为有可能咱们犯的是第二类错误。所以E是错误的。2.AB解析：双侧检验是为了检验总体参数是否等于某个特定值，无论是大于还是小于。所以它有两个拒绝域，一个在分布的左侧，一个在分布的右侧。对于正态分布或者t分布，显著性水平α=0.05时，每个尾部的面积是α/2=0.025。查标准正态分布表或者t分布表，得到临界值是z=±1.96。对于z>1.96或者z<-1.96，咱们就拒绝原假设。所以A和B都是正确的。z<-2.58或者z>2.58是显著性水平α=0.01时的双侧检验临界值，不是α=0.05时的。z<0是双侧检验的均值线，不是临界值。所以C、D、E都是错误的。3.ABC解析：在单样本t检验中，自由度df=n-1。因为是用样本标准差s来估计总体标准差σ，所以自由度是样本量减去1。样本量n就是样本中包含的观测值个数。自由度不能是负数，所以n必须大于1。自由度与样本量和总体量无关，只与样本量有关（减去1）。所以A、B、C都是正确的。自由度是n-1，不是n，所以D是错误的。4.AC解析：单侧检验是为了检验总体参数是否显著大于或者小于某个特定值。如果是检验是否显著大于，拒绝域在分布的右侧。如果是检验是否显著小于，拒绝域在分布的左侧。对于正态分布或者t分布，显著性水平α=0.05时，单侧检验的临界值是z=1.645（右侧）或者z=-1.645（左侧）。对于t分布，临界值是tα(df)或者-tα(df)。所以A和C都是正确的。z>1.96或者z<-1.96是显著性水平α=0.05时的双侧检验临界值，不是单侧检验的。所以B是错误的。5.ABD解析：p值就是在原假设H0为真的情况下，观察到当前样本结果或者更极端（更不利于H0）结果的概率。所以A是正确的。p值的大小反映了在H0为真的情况下，观察到当前样本结果的“罕见程度”。p值越小，这种结果越罕见，咱们就越有理由拒绝H0。所以B也是正确的。p值不是犯第一类错误的概率α，也不是犯第二类错误的概率β，更不是接受原假设的概率。所以C和D是错误的。6.AB解析：双侧检验是为了检验总体参数是否等于某个特定值，无论是大于还是小于。所以它有两个拒绝域，一个在分布的左侧，一个在分布的右侧。对于正态分布或者t分布，显著性水平α=0.05时，每个尾部的面积是α/2=0.025。查标准正态分布表或者t分布表，得到临界值是z=±1.96。对于z>1.96或者z<-1.96，咱们就拒绝原假设。所以A和B都是正确的。z<-2.58或者z>2.58是显著性水平α=0.01时的双侧检验临界值，不是α=0.05时的。z<0是双侧检验的均值线，不是临界值。所以C、D、E都是错误的。7.ABC解析：犯第一类错误的概率就是显著性水平α，咱们在检验开始前就设定的那个值，用来控制犯第一类错误的概率不超过这个值。所以A是正确的。犯第二类错误的概率β是在原假设H0实际上是真的情况下，咱们却错误地接受了它（也就是接受了H0）的概率。所以B也是正确的。1-α是检验的功效，也就是在H0为假时，咱们能够正确拒绝H0的概率。所以C也是正确的。p值是在H0为真的情况下，观察到当前样本结果或更极端结果的概率，它不等于α，也不等于β。所以D是错误的。8.AB解析：单侧检验是为了检验总体参数是否显著大于或者小于某个特定值。如果是检验是否显著大于，拒绝域在分布的右侧。如果是检验是否显著小于，拒绝域在分布的左侧。对于正态分布或者t分布，显著性水平α=0.05时，单侧检验的临界值是z=1.645（右侧）或者z=-1.645（左侧）。对于t分布，临界值是tα(df)或者-tα(df)。所以A和B都是正确的。z>1.96或者z<-1.96是显著性水平α=0.05时的双侧检验临界值，不是单侧检验的。所以C是错误的。9.ABC解析：犯第一类错误的概率就是显著性水平α，咱们在检验开始前就设定的那个值，用来控制犯第一类错误的概率不超过这个值。所以A是正确的。犯第二类错误的概率β是在原假设H0实际上是真的情况下，咱们却错误地接受了它（也就是接受了H0）的概率。所以B也是正确的。1-α是检验的功效，也就是在H0为假时，咱们能够正确拒绝H0的概率。所以C也是正确的。p值是在H0为真的情况下，观察到当前样本结果或更极端结果的概率，它不等于α，也不等于β。所以D是错误的。10.AB解析：双侧检验是为了检验总体参数是否等于某个特定值，无论是大于还是小于。所以它有两个拒绝域，一个在分布的左侧，一个在分布的右侧。对于正态分布或者t分布，显著性水平α=0.05时，每个尾部的面积是α/2=0.025。查标准正态分布表或者t分布表，得到临界值是z=±1.96。对于z>1.96或者z<-1.96，咱们就拒绝原假设。所以A和B都是正确的。z<-2.58或者z>2.58是显著性水平α=0.01时的双侧检验临界值，不是α=0.05时的。z<0是双侧检验的均值线，不是临界值。所以C、D、E都是错误的。三、判断题答案及解析1.√解析：显著性水平α就是在原假设H0为真的情况下，咱们犯第一类错误（拒绝H0）的概率。这是咱们在检验开始前就确定的一个阈值，用来控制犯第一类错误的概率不超过这个值。所以这个说法是正确的。2.×解析：当总体方差未知，而且样本量比较小的时候（通常认为n<30），咱们不能用z检验，因为咱们不知道总体方差，不能用样本方差去近似总体方差。这时候应该使用t检验，用样本标准差s来估计总体标准差σ。所以这个说法是错误的。3.√解析：p值就是在原假设H0为真的情况下，观察到当前样本结果或者更极端（更不利于H0）结果的概率。这个概率越小，说明在H0为真的情况下，观察到这种结果或者更奇怪结果的可能性越小，咱们就越有理由怀疑H0的真实性，也就是拒绝H0的证据越强。所以这个说法是正确的。4.√解析：要检验总体均值是否不等于某个值，比如μ≠μ0，这是备择假设的内容。因为总体方差已知，可以用总体标准差σ来计算z统计量。而且，因为要检验的是“不等于”，所以是双侧检验，拒绝域在分布的两侧。所以应该选择双侧z检验。而且题目说了方差已知，无论样本量多大（只要n≥30可以用中心极限定理），都可以用z检验。所以这个说法是正确的。5.×解析：犯第二类错误的概率β是在原假设H0实际上是真的情况下，咱们却错误地接受了它（也就是接受了H0）的概率。显著性水平α是在原假设H0为真的情况下，咱们犯第一类错误（拒绝H0）的概率。它们是针对不同情况的概率，不能直接划等号。所以这个说法是错误的。6.×解析：要检验均值是否显著大于某个值，比如μ>μ0，这是备择假设的内容。咱们需要构建一个统计量，在H0为真的情况下，它的分布是已知的，然后看咱们观测到的样本统计量落在这个分布的哪个位置。因为总体方差未知，用样本标准差s来估计，所以用t分布。而且，因为要检验的是“大于”，所以是单侧检验，拒绝域在分布的右侧。所以应该选择单侧t检验，而不是双侧t检验。所以这个说法是错误的。7.√解析：拒绝域就是样本统计量（比如z值或者t值）落人的那个临界值区域之外的部分。如果样本统计量的值落在这个拒绝域里，咱们就拒绝原假设H0；如果落在这个拒绝域之外，咱们就不拒绝H0。所以拒绝域是样本统计量落人的区域（特指那个临界值区域之外的部分）。所以这个说法是正确的。8.×解析：当总体方差已知时，咱们可以直接用总体标准差σ去计算z统计量，不需要用样本标准差去估计。这时候不管样本量大不大，都应该使用z检验。所以这个说法是错误的。9.×解析：显著性水平α的选择并不是固定的，它取决于具体的研究情境和咱们对犯第一类错误的容忍程度。比如，在医学研究中，由于犯第一类错误可能导致严重的后果（比如把没病的当成有病的，错误治疗），所以α可能会选得小一些，比如0.01或者0.001。而在市场调研或者社会科学研究中，可能对犯第一类错误的容忍度高一些，α可能会选得大一些，比如0.05或者0.10。所以α的选择是非常灵活的，根据具体情况来定的。所以这个说法是错误的。10.×解析：要检验均值是否显著小于某个值，比如μ<μ0，这是备择假设的内容。因为总体方差未知，用样本标准差s来估计，所以用t分布。而且，因为要检验的是“小于”，所以是单侧检验，拒绝域在分布的左侧。所以应该选择单侧t检验，而不是双侧t检验。所以这个说法是错误的。四、简答题答案及解析1.假设检验的基本步骤如下：首先，提出原假设和备择假设。原假设，一般记作H₀，通常是咱们想要检验的那个状态，比如认为均值等于某个值或者总体比例等于某个值；备择假设，记作H₁或者Hₐ，是原假设不成立时的那个情况，比如认为均值不等于某个值或者总体比例不等于某个值。提出假设是咱们进行检验的第一步，也是整个检验的基础。其次，选择合适的检验统计量。这个统计量得能够反映样本信息，并且要在原假设成立时分布是已知的。比如，对于均值检验，当总体方差已知时用z检验，未知时用t检验。对于比例检验，当样本量足够大时用z检验。选择检验统计量的依据是总体分布、总体方差是否已知以及样本量的大小。这个步骤非常关键，选错了统计量，后面的检验结果就全错了。然后，确定显著性水平α。这表示咱们最多能容忍犯第一类错误的概率。显著性水平α是咱们在检验开始前就设定的一个阈值，通常取0.05、0.01、0.10等值。咱们根据研究的要求和犯第一类错误的后果来选择合适的α值。比如，对于非常严肃的检验，比如涉及生命安全，α可能会选得非常小，比如0.01；对于一般性的研究，α选0.05就足够了。接着，根据样本数据计算出检验统计量的值。咱们收集到样本数据后，就可以代入咱们选定的检验统计量的公式，计算出具体的值。这个值反映了咱们样本统计量与假设的总体参数之间的差异程度。最后，根据检验统计量的分布和α，确定拒绝域，或者计算p值。如果咱们选择的是拒绝域法，就需要根据自由度和α，查表或者用软件计算得到临界值，然后比较检验统计量的值与临界值的大小，如果检验统计量的值落入了拒绝域，咱们就拒绝原假设；如果落入了接受域，咱们就不拒绝原假设。如果咱们选择的是p值法，就需要根据检验统计量的值和自由度，查表或者用软件计算得到p值，然后比较p值与α，如果p值小于α，咱们就拒绝原假设；如果p值大于或者等于α，咱们就不拒绝原假设。这个步骤是咱们做出统计决策的关键，决定了咱们是接受还是拒绝原假设。2.第一类错误和第二类错误，它们之间的关系如下：首先，咱们得明白什么是第一类错误。第一类错误，也叫做“弃真错误”，就是咱们在原假设H₀实际上是真的情况下，咱们却错误地拒绝了它。你可以想象成，咱们以为那个病人没病，结果把他当真病治了，这就像把没病的当成有病的，犯了错。咱们犯第一类错误的概率，咱们用α来表示，也就是咱们设定的显著性水平。这个α就是咱们愿意冒的最大风险，就是犯这种错误的概率上限。这个概念非常重要，咱们做检验的时候，就是控制这个风险。其次，咱们再来看第二类错误。第二类错误，也叫做“取伪错误”，就是咱们在原假设H₀实际上是真的情况下，咱们却错误地接受了它。你可以想象成，咱们以为那个病人真有病，结果没把他当真病治了，这就像把有病的当成没病的，又犯了错。咱们犯第二类错误的概率，咱们用β来表示。这个错误咱们也必须重视，因为它意味着咱们错过了真正存在的情况。这两个错误是相互制约的。你想啊，如果咱们把α变小，也就是咱们对犯第一类错误的容忍度降低了，那拒绝原假设就更难了。这时候，咱们可能会更容易接受原假设，也就是犯第二类错误的概率β可能会变大。反之，如果咱们把α变大，拒绝原假设就更容易了，咱们就越不容易接受原假设，犯第二类错误的概率β就变小。它们就像是跷跷板，一上一下。咱们无法同时让α和β都变得很小，因为样本量是有限的。所以，在实际应用中，咱们需要在α和β之间进行权衡。如果咱们更担心犯第一类错误，就选小的α；如果咱们更担心犯第二类错误，就选大的α。或者，如果可能的话，咱们可以通过增大样本量来同时降低α和β。所以这个关系非常重要，咱们得根据实际情况来选择合适的检验方法，并且理解咱们做出的决策可能带来的不同类型的错误。3.z检验和t检验的适用条件如下：首先，z检验适用的条件是：①总体服从正态分布；②总体方差已知。也就是说，当咱们知道总体的分布是正态分布，而且咱们还知道总体的方差是多少的时候，咱们就可以用z检验。这个检验方法比较简单，计算起来也很方便。比如，如果咱们抽样的总体是正态分布，而且咱们之前做过研究，知道这个总体的方差是固定的，那咱们就可以用z检验。这个检验方法就像咱们手里有一把尺子，知道尺子的长度，而且尺子是直的，这时候咱们可以用这把尺子去测量东西。其次，t检验适用的条件是：①总体服从正态分布；②总体方差未知。也就是说，当咱们知道总体的分布是正态分布，但是咱们不知道总体的方差是多少，这时候咱们就需要用样本的标准差来估计。这时候咱们就用t检验。这个检验方法稍微复杂一点，因为咱们需要用样本标准差来代替总体标准差，而且计算的时候需要考虑样本量的大小。不过，当样本量比较大的时候，样本标准差可以很好地估计总体标准差，这时候t检验的结果跟z检验的结果差别也不大。这个检验方法就像咱们手里没有尺子，但是咱们知道东西大概有多长，咱们可以用量尺去量一下，但是量出来的结果会有点误差，咱们需要考虑这个误差，这时候咱们就用t检验。再者，对于样本量的大小，z检验和t检验的要求也不一样。z检验通常要求样本量比较大，一般认为n≥30时，可以用样本标准差近似代替总体标准差，这时候可以用z检验。而t检验对样本量没有这么严格的要求，样本量小一点也没关系，只要总体方差未知，就得用t检验。这个检验方法就像咱们测量一个很长的东西，用尺子测量误差小，用量尺测量误差大，但是东西短的时候，用尺子量出来的结果也差别不大。最后，如果总体不是正态分布，那这两种检验方法都不适用。这时候咱们可能需要用其他更复杂的检验方法。所以这个区别非常重要，咱们得根据实际情况来选择合适的检验方法，才能得到可靠的检验结果。4.p值的概念是指，在原假设H₀为真的情况下，观察到当前样本结果或者更极端（更不利于H₀）结果的概率。你可以把它想象成，如果那个假设是真的，那么咱们观察到现在这个结果或者比这个结果更极端（更不寻常）的结果，有多大概率会发生。这个概率越小，说明在H₀为真的情况下，咱们观察到现在这个结果或者更极端结果的可能性越小。这种可能性越小，咱们就越有理由怀疑H₀的真实性，也就是拒绝H₀的证据越强。这个概念非常直观，咱们就是看在H₀为真的情况下，咱们看到这个结果的可能性有多大。p值在假设检验中扮演着非常重要的角色。它的作用就是帮助我们判断是否有足够的证据拒绝原假设。具体来说，如果p值小于咱们选定的显著性水平α，那咱们就认为拒绝原假设的证据足够强，这时候咱们就拒绝原假设；如果p值大于或者等于α，那咱们就认为没有足够的证据拒绝原假设，这时候咱们就不拒绝原假设（注意，不是接受原假设，只是说没足够证据拒绝它）。p值越小，说明在H₀为真的情况下，观察到当前样本结果或者更极端结果的可能性越小。这种可能性越小，咱们就越有理由拒绝原假设。所以p值越小，拒绝原假设的证据越强。这个概念非常核心，咱们做检验的时候，就是根据p值和α来做决策的。5.样本量大小对假设检验结果的影响主要体现在以下几个方面：首先，样本量大小会影响检验统计量的分布。比如，在t检验中，随着样本量的增大，t分布会越来越接近标准正态分布。样本量越大，咱们估计总体参数的精度就越高，样本统计量的标准误差就越小。这意味着咱们检验统计量的值会更精确，