2025年统计学期末考试题库：统计推断与检验解题与试题

2025年统计学期末考试题库：统计推断与检验解题与试题考试时间：______分钟总分：______分姓名：______一、单项选择题（本大题共15小题，每小题2分，共30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，请将其字母代号填在题后的括号内。错选、多选或未选均无分。）1.在假设检验中，第一类错误的概率α是指（）。A.拒绝了真假设的概率B.接受了假假设的概率C.拒绝了假假设的概率D.接受了真假设的概率2.设总体X服从正态分布N(μ,σ²)，其中μ未知，σ²已知，要检验H₀：μ=μ₀，应选择的检验统计量是（）。A.t统计量B.Z统计量C.χ²统计量D.F统计量3.在进行假设检验时，如果增大样本量，那么（）。A.检验的功率会减小B.检验的功率会增大C.检验的显著性水平会减小D.检验的显著性水平会增大4.设总体X服从二项分布B(n,p)，要检验H₀：p=p₀，应选择的检验统计量是（）。A.Z统计量B.t统计量C.χ²统计量D.F统计量5.在单样本t检验中，如果样本量较小，那么（）。A.t分布更接近正态分布B.t分布更接近χ²分布C.t分布与正态分布无关D.t分布更接近F分布6.在双样本t检验中，如果两个总体的方差相等，那么应选择的检验统计量是（）。A.t统计量（独立样本）B.t统计量（配对样本）C.Z统计量D.χ²统计量7.在进行方差分析时，如果检验的F统计量大于临界值，那么（）。A.拒绝原假设B.接受原假设C.无法判断D.需要增大样本量8.在进行回归分析时，如果回归系数的t检验显著，那么（）。A.自变量对因变量有显著影响B.自变量对因变量没有显著影响C.因变量对自变量有显著影响D.因变量对自变量没有显著影响9.在进行卡方检验时，如果χ²统计量小于临界值，那么（）。A.拒绝原假设B.接受原假设C.无法判断D.需要增大样本量10.在进行非参数检验时，如果使用Mann-WhitneyU检验，那么（）。A.两个总体的分布必须相同B.两个总体的分布可以不同C.样本量必须较大D.样本量必须较小11.在进行假设检验时，如果p值小于显著性水平α，那么（）。A.拒绝原假设B.接受原假设C.无法判断D.需要增大样本量12.在进行单因素方差分析时，如果检验的F统计量小于临界值，那么（）。A.拒绝原假设B.接受原假设C.无法判断D.需要增大样本量13.在进行回归分析时，如果R²接近1，那么（）。A.自变量对因变量的解释能力较强B.自变量对因变量的解释能力较弱C.因变量对自变量的解释能力较强D.因变量对自变量的解释能力较弱14.在进行卡方检验时，如果χ²统计量大于临界值，那么（）。A.拒绝原假设B.接受原假设C.无法判断D.需要增大样本量15.在进行非参数检验时，如果使用Kruskal-WallisH检验，那么（）。A.三个总体的分布必须相同B.三个总体的分布可以不同C.样本量必须较大D.样本量必须较小二、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，请将其字母代号填在题后的括号内。错选、少选或未选均无分。）1.在假设检验中，以下哪些是影响检验结果的因素？（）A.显著性水平αB.样本量C.检验统计量D.总体分布E.检验方法2.在进行单样本t检验时，以下哪些是正确的？（）A.样本量较小时应使用t分布B.样本量较大时应使用t分布C.样本量较小时应使用正态分布D.样本量较大时应使用正态分布E.t检验适用于正态分布总体3.在进行双样本t检验时，以下哪些是正确的？（）A.独立样本t检验适用于两个总体的样本相互独立B.配对样本t检验适用于两个总体的样本相互依赖C.独立样本t检验适用于两个总体的样本相互依赖D.配对样本t检验适用于两个总体的样本相互独立E.t检验适用于正态分布总体4.在进行方差分析时，以下哪些是正确的？（）A.方差分析用于检验多个总体的均值是否相等B.方差分析需要满足正态性、方差齐性和独立性假设C.方差分析只能用于单因素试验D.方差分析可以用于多因素试验E.方差分析的结果受样本量的影响5.在进行回归分析时，以下哪些是正确的？（）A.回归分析用于研究自变量和因变量之间的关系B.回归分析需要满足线性、正态性、方差齐性和独立性假设C.回归分析只能用于简单线性回归D.回归分析可以用于多元线性回归E.回归分析的结果受样本量的影响6.在进行卡方检验时，以下哪些是正确的？（）A.卡方检验用于检验两个分类变量之间的独立性B.卡方检验需要满足期望频数大于5的条件C.卡方检验只能用于两个分类变量D.卡方检验可以用于多个分类变量E.卡方检验的结果受样本量的影响7.在进行非参数检验时，以下哪些是正确的？（）A.非参数检验不需要满足正态性假设B.非参数检验适用于非正态分布总体C.非参数检验只能用于两个样本D.非参数检验可以用于多个样本E.非参数检验的结果受样本量的影响8.在进行假设检验时，以下哪些是正确的？（）A.假设检验是一种统计推断方法B.假设检验可以帮助我们做出决策C.假设检验只能用于参数检验D.假设检验可以用于非参数检验E.假设检验的结果受样本量的影响9.在进行回归分析时，以下哪些是正确的？（）A.回归分析可以帮助我们预测因变量的值B.回归分析可以帮助我们解释自变量和因变量之间的关系C.回归分析只能用于线性回归D.回归分析可以用于非线性回归E.回归分析的结果受样本量的影响10.在进行方差分析时，以下哪些是正确的？（）A.方差分析可以帮助我们检验多个总体的均值是否相等B.方差分析需要满足正态性、方差齐性和独立性假设C.方差分析只能用于单因素试验D.方差分析可以用于多因素试验E.方差分析的结果受样本量的影响三、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。在咱们日常教统计推断和检验那会儿啊，我老是跟学生说，假设检验这事儿啊，得一步一步来，不能瞎操作。首先呢，你得提出原假设H₀和备择假设H₁。这俩假设啊，得是互相矛盾的对吧？比如说你想检验均值是不是某个值，那H₀就是“均值等于那个值”，H₁就是“均值不等于那个值”。然后呢，你得选个合适的检验统计量，这统计量得能反映样本数据跟假设的差异。接下来，根据显著性水平α，找到拒绝域。拒绝域这东西啊，就像个临界值，统计量要是落里面了，就得拒绝H₀。最后呢，算出统计量的值，看看它是不是在拒绝域里，从而做出决策。整个过程啊，得保证逻辑严谨，不能含糊其辞。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。讲第一类错误和第二类错误那会儿，我经常用“冤枉好人”和“放过坏人”这俩比喻。第一类错误，也就是α，就是指你拒绝了实际上成立的H₀，这就像把好人判成坏人，犯错的概率就是α。第二类错误，也就是β，是你接受了实际上不成立的H₀，这就像把坏人放跑了，犯错的概率就是β。这俩错误啊，是相互制约的，你想啊，要减少α，就得扩大拒绝域，但这样一来，β不就增大了吗？反之亦然。所以啊，在实际应用中，得根据具体情况权衡这两个错误，不能光盯着一个。3.说明在什么情况下会选择使用t检验而不是Z检验。t检验和Z检验那块儿啊，是学生经常搞混的地方。一般来说，当你不知道总体方差的时候，就得用t检验。因为t分布是围绕总体均值对称的，而且随着样本量的增大，t分布会逐渐逼近正态分布。我记得有一次考试，就有个学生问，样本量多大的时候可以用Z检验啊？我跟他讲，通常样本量大于30，就可以用Z检验了，但这也不是绝对的，得看具体情况。还有就是，当样本量较小时，t检验更稳健，不会因为样本量小而把真实的差异给掩盖了。4.简述方差分析的基本原理。方差分析这东西啊，听起来复杂，其实原理很简单。它就是通过比较组内方差和组间方差，来检验多个总体的均值是否相等。简单来说，就是看不同组的差异，是不是主要由随机因素造成的，还是由系统因素造成的。如果组间方差显著大于组内方差，那说明不同组的均值可能真的有差异。我记得在课堂上，我用过一个小例子，就是比较不同肥料对作物产量的影响。我把学生分成几组，每组用不同的肥料，最后看产量，如果发现用不同肥料的组产量差异很大，那就能说明肥料对产量有显著影响。整个过程啊，得保证各个样本是随机抽取的，而且要满足正态性、方差齐性和独立性这三个假设。5.解释什么是非参数检验，并说明它在什么情况下适用。非参数检验这东西啊，跟参数检验最大的区别就是，它不依赖于总体的具体分布形式。在教这部分的时候，我经常跟学生说，参数检验就像是个“精明人”，它知道总体的分布，然后根据分布来做事；非参数检验呢，就像个“糊涂人”，它不管总体分布是什么，只要满足一些基本条件就行。非参数检验适用于样本量较小、数据不满足参数检验的假设、或者数据是等级资料的情况。比如说，你想比较两个治疗方法的疗效，但不知道疗效的分布，或者疗效数据是医生评定的等级，这时候就可以用非参数检验。整个过程啊，得保证样本是随机抽取的，而且各个样本之间是独立的。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.某工厂生产的一种零件，其长度服从正态分布，标准差为0.05厘米。现随机抽取50个零件，测得样本均值为10.02厘米。问在α=0.05的水平下，能否认为这批零件的平均长度为10厘米？这道题啊，是典型的单样本Z检验。首先，你得提出假设，H₀：μ=10，H₁：μ≠10。然后，你得算出检验统计量，Z=(10.02-10)/(0.05*√50)=2.83。接下来，根据α=0.05，查Z分布表，得到临界值为±1.96。因为2.83>1.96，所以拒绝H₀，认为这批零件的平均长度不为10厘米。整个过程啊，得保证样本是随机抽取的，而且总体方差已知。2.某医生想比较两种药物治疗高血压的效果，他随机抽取了30名高血压患者，将他们随机分成两组，每组15人。一组用药物A治疗，另一组用药物B治疗。治疗一段时间后，测得两组患者的收缩压如下：药物A组：150,152,148,155,149,151,153,147,154,150,146,152,148,151,149；药物B组：145,147,146,149,148,150,151,153,145,147,146,148,150,152,154。问在α=0.05的水平下，能否认为两种药物的治疗效果有显著差异？这道题啊，是典型的双样本t检验。首先，你得提出假设，H₀：μA=μB，H₁：μA≠μB。然后，你得计算两组的均值和方差，药物A组：均值=149.6，方差=12.3；药物B组：均值=147.2，方差=11.4。接下来，算出检验统计量，t=(149.6-147.2)/√[(12.3/15)+(11.4/15)]=1.94。根据自由度df=28，查t分布表，得到临界值为±2.048。因为1.94<2.048，所以不能拒绝H₀，认为两种药物的治疗效果没有显著差异。整个过程啊，得保证样本是随机抽取的，而且两组的样本是相互独立的。3.某学校想知道学生的身高是否服从正态分布，随机抽取了100名学生的身高数据（单位：厘米），经计算得到样本均值=170，样本标准差=10。问在α=0.05的水平下，能否认为学生的身高服从正态分布？这道题啊，是典型的卡方拟合优度检验。首先，你得提出假设，H₀：学生的身高服从正态分布，H₁：学生的身高不服从正态分布。然后，你得根据样本数据，估计出正态分布的参数，即均值μ=170，标准差σ=10。接下来，将样本数据分成若干组，计算每组的理论频数和观测频数，然后算出卡方统计量，χ²=∑((观测频数-理论频数)²/理论频数)。最后，根据自由度df=k-3，查卡方分布表，得到临界值为χ²₀.05(3)=7.815。如果χ²>7.815，就拒绝H₀，否则不能拒绝H₀。整个过程啊，得保证样本是随机抽取的，而且各个样本之间是独立的。4.某公司想知道员工的年龄是否与他们的工作满意度有关，收集了200名员工的年龄和工作满意度数据（工作满意度分为非常满意、满意、一般、不满意四个等级）。经统计，得到以下列联表：|年龄组|非常满意|满意|一般|不满意|合计||--------|--------|----|----|------|----||20-30岁|20|30|25|15|90||31-40岁|30|25|20|10|85||41-50岁|25|15|10|5|55||合计|75|70|55|30|240|问在α=0.05的水平下，能否认为员工的年龄与他们的工作满意度有关？这道题啊，是典型的卡方独立性检验。首先，你得提出假设，H₀：员工的年龄与他们的工作满意度无关，H₁：员工的年龄与他们的工作满意度有关。然后，根据列联表中的数据，计算理论频数，理论频数=(行合计*列合计)/总计。接下来，算出卡方统计量，χ²=∑((观测频数-理论频数)²/理论频数)。最后，根据自由度df=(行数-1)*(列数-1)，查卡方分布表，得到临界值为χ²₀.05(4)=9.488。如果χ²>9.488，就拒绝H₀，否则不能拒绝H₀。整个过程啊，得保证样本是随机抽取的，而且各个样本之间是独立的。5.某研究者想比较三种不同的教学方法对学生学习成绩的影响，他随机抽取了60名学生，将他们随机分成三组，每组20人。一组用方法A教学，另一组用方法B教学，还有一组用方法C教学。教学一段时间后，测得三组学生的成绩如下：方法A组：85,82,88,90,87,86,84,83,89,81,80,78,79,77,76,74,73,72,71,70；方法B组：80,78,79,81,82,83,84,85,86,87,88,89,90,91,92,93,94,95,96,97；方法C组：75,77,76,78,79,80,81,82,83,84,85,86,87,88,89,90,91,92,93,94。问在α=0.05的水平下，能否认为三种教学方法对学生学习成绩有显著差异？这道题啊，是典型的单因素方差分析。首先，你得提出假设，H₀：μA=μB=μC，H₁：至少有两个总体的均值不等。然后，你得计算三组的均值和方差，方法A组：均值=81.5，方差=26.3；方法B组：均值=86.5，方差=26.3；方法C组：均值=81.5，方差=26.3。接下来，进行方差分析的步骤，包括计算总平方和、组间平方和、组内平方和，然后算出F统计量。最后，根据自由度df₁=2，df₂=57，查F分布表，得到临界值为F₀.05(2,57)=3.16。如果F>3.16，就拒绝H₀，否则不能拒绝H₀。整个过程啊，得保证样本是随机抽取的，而且各个样本之间是独立的，并且要满足正态性、方差齐性和独立性这三个假设。本次试卷答案如下一、单项选择题答案及解析1.答案：A解析：第一类错误是指在原假设H₀为真时，错误地拒绝了H₀，即犯了“以真为假”的错误。在假设检验中，α就是犯第一类错误的概率，所以α是指拒绝了真假设的概率。2.答案：B解析：当总体X服从正态分布N(μ,σ²)，其中μ未知，σ²已知时，检验H₀：μ=μ₀的检验统计量是Z统计量，其公式为Z=(样本均值-μ₀)/(σ/√n)。Z统计量服从标准正态分布N(0,1)，可以根据Z统计量的值和显著性水平α来判断是否拒绝H₀。3.答案：B解析：检验的功率是指当原假设H₀为假时，正确地拒绝了H₀的概率，即1-β。增大样本量可以减小标准误差，使得检验统计量更敏感，从而提高检验的功率。因此，增大样本量，检验的功率会增大。4.答案：A解析：当总体X服从二项分布B(n,p)，要检验H₀：p=p₀时，通常使用Z统计量进行检验，其公式为Z=(样本比例-p₀)/(√(p₀(1-p₀)/n))。Z统计量服从标准正态分布N(0,1)，可以根据Z统计量的值和显著性水平α来判断是否拒绝H₀。5.答案：A解析：在单样本t检验中，当样本量较小（通常n<30）时，样本均值的抽样分布近似服从t分布，而不是正态分布。t分布比正态分布更扁平，尾部更厚，随着样本量的增大，t分布逐渐逼近正态分布。6.答案：A解析：当两个总体的方差相等时，进行双样本t检验，可以使用独立样本t检验。独立样本t检验的检验统计量是t=(样本均值A-样本均值B)/√((s₁²/n₁)+(s₂²/n₂))，其中s₁²和s₂²分别是两个总体的样本方差，n₁和n₂是两个样本的样本量。7.答案：A解析：在方差分析中，如果检验的F统计量大于临界值，说明组间方差显著大于组内方差，即不同组的均值可能真的有差异，因此应拒绝原假设。8.答案：A解析：在回归分析中，如果回归系数的t检验显著，说明自变量对因变量有显著影响，即自变量与因变量之间存在显著的线性关系。9.答案：B解析：在卡方检验中，如果χ²统计量小于临界值，说明观测频数与理论频数之间的差异不显著，因此应接受原假设。10.答案：B解析：Mann-WhitneyU检验是一种非参数检验方法，用于比较两个独立总体的分布位置。它不需要假设总体分布形式，适用于两个总体的分布可以不同的情况。11.答案：A解析：在假设检验中，p值是指当原假设H₀为真时，出现当前样本数据或更极端数据的概率。如果p值小于显著性水平α，说明当前样本数据或更极端数据出现的概率很小，因此应拒绝原假设。12.答案：B解析：在单因素方差分析中，如果检验的F统计量小于临界值，说明组间方差不显著大于组内方差，即不同组的均值可能没有差异，因此应接受原假设。13.答案：A解析：在回归分析中，R²表示自变量对因变量的解释能力，R²越接近1，说明自变量对因变量的解释能力越强，即自变量能解释因变量变异的大部分。14.答案：A解析：在卡方检验中，如果χ²统计量大于临界值，说明观测频数与理论频数之间的差异显著，因此应拒绝原假设。15.答案：B解析：Kruskal-WallisH检验是一种非参数检验方法，用于比较三个或更多独立总体的分布位置。它不需要假设总体分布形式，适用于三个总体的分布可以不同的情况。二、多项选择题答案及解析1.答案：A、B、C、D、E解析：在假设检验中，显著性水平α、样本量、检验统计量、总体分布和检验方法都会影响检验结果。显著性水平α决定了拒绝域的大小，样本量越大，检验的功率越大，检验统计量的选择取决于总体分布和样本类型，总体分布会影响检验统计量的选择和分布，检验方法的不同也会导致检验统计量的不同。2.答案：A、D解析：在单样本t检验中，当样本量较小时，应使用t分布进行检验，因为样本均值的抽样分布近似服从t分布。当样本量较大（通常n≥30）时，样本均值的抽样分布近似服从正态分布，可以使用正态分布进行检验。t检验适用于正态分布总体，但当样本量较大时，即使总体分布不是正态分布，t检验也是稳健的。3.答案：A、B解析：独立样本t检验适用于两个总体的样本相互独立的情况，即一个样本的观测值不影响另一个样本的观测值。配对样本t检验适用于两个总体的样本相互依赖的情况，即两个样本的观测值是成对出现的，例如同一组对象在两种不同条件下的表现。t检验适用于正态分布总体，但当样本量较大时，即使总体分布不是正态分布，t检验也是稳健的。4.答案：A、B、D、E解析：方差分析用于检验多个总体的均值是否相等，它通过比较组内方差和组间方差来做出判断。方差分析需要满足正态性、方差齐性和独立性假设。方差分析可以用于多因素试验，但这里只考虑单因素方差分析。方差分析的结果受样本量的影响，样本量越大，检验的功率越大。5.答案：A、D解析：回归分析用于研究自变量和因变量之间的关系，它可以帮助我们解释自变量对因变量的影响，以及预测因变量的值。回归分析可以用于多元线性回归，即多个自变量对一个因变量的影响。回归分析的结果受样本量的影响，样本量越大，回归模型的估计越准确。6.答案：A、B、D解析：卡方检验用于检验两个分类变量之间的独立性，它通过比较观测频数和理论频数之间的差异来做出判断。卡方检验需要满足期望频数大于5的条件，即每个单元格的理论频数不应太小。卡方检验可以用于多个分类变量，但这里只考虑两个分类变量的情况。7.答案：A、B解析：非参数检验不需要依赖于总体的具体分布形式，适用于样本量较小、数据不满足参数检验的假设、或者数据是等级资料的情况。非参数检验的假设较少，对数据的要求较低，但检验的效率也较低。8.答案：A、B、D解析：假设检验是一种统计推断方法，它可以帮助我们根据样本数据做出关于总体的决策。假设检验可以用于参数检验，也可以用于非参数检验。假设检验的结果受样本量的影响，样本量越大，检验的功率越大。9.答案：A、B解析：回归分析可以帮助我们预测因变量的值，即根据自变量的值预测因变量的值。回归分析可以帮助我们解释自变量和因变量之间的关系，即分析自变量对因变量的影响。回归分析可以用于多元线性回归，即多个自变量对一个因变量的影响。10.答案：A、B、D、E解析：方差分析用于检验多个总体的均值是否相等，它通过比较组内方差和组间方差来做出判断。方差分析需要满足正态性、方差齐性和独立性假设。方差分析可以用于多因素试验，但这里只考虑单因素方差分析。方差分析的结果受样本量的影响，样本量越大，检验的功率越大。三、简答题答案及解析1.答案：假设检验的基本步骤包括：(1)提出原假设H₀和备择假设H₁；(2)选择合适的检验统计量；(3)根据显著性水平α，找到拒绝域；(4)算出统计量的值，看看它是不是在拒绝域里；(5)做出决策，即拒绝H₀或接受H₀。解析：假设检验的步骤是一个逻辑严谨的过程，首先得提出假设，然后选择合适的检验统计量，接下来根据显著性水平找到拒绝域，然后算出统计量的值，最后根据统计量的值和拒绝域做出决策。整个过程啊，得保证逻辑严谨，不能含糊其辞。2.答案：第一类错误是指拒绝了实际上成立的H₀，即犯了“以真为假”的错误，犯错的概率就是α。第二类错误是指接受了实际上不成立的H₀，即犯了“以假为真”的错误，犯错的概率就是β。这两类错误是相互制约的，你想啊，要减少α，就得扩大拒绝域，但这样一来，β不就增大了吗？反之亦然。因此，在实际应用中，得根据具体情况权衡这两个错误，不能光盯着一个。解析：讲第一类错误和第二类错误那会儿，我经常用“冤枉好人”和“放过坏人”这俩比喻。第一类错误就像把好人判成坏人，犯错的概率就是α。第二类错误就像把坏人放跑了，犯错的概率就是β。这两类错误啊，是相互制约的，你想啊，要减少α，就得扩大拒绝域，但这样一来，β不就增大了吗？反之亦然。所以啊，在实际应用中，得根据具体情况权衡这两个错误，不能光盯着一个。3.答案：当不知道总体方差的时候，或者样本量较小时，应使用t检验而不是Z检验。因为t分布是围绕总体均值对称的，而且随着样本量的增大，t分布会逐渐逼近正态分布。t检验更稳健，不会因为样本量小而把真实的差异给掩盖了。解析：t检验和Z检验那块儿啊，是学生经常搞混的地方。一般来说，当你不知道总体方差的时候，就得用t检验。因为t分布是围绕总体均值对称的，而且随着样本量的增大，t分布会逐渐逼近正态分布。我记得有一次考试，就有个学生问，样本量多大的时候可以用Z检验啊？我跟他讲，通常样本量大于30，就可以用Z检验了，但这也不是绝对的，得看具体情况。还有就是，当样本量较小时，t检验更稳健，不会因为样本量小而把真实的差异给掩盖了。4.答案：方差分析的基本原理是通过比较组内方差和组间方差，来检验多个总体的均值是否相等。简单来说，就是看不同组的差异，是不是主要由随机因素造成的，还是由系统因素造成的。如果组间方差显著大于组内方差，那说明不同组的均值可能真的有差异。解析：方差分析这东西啊，听起来复杂，其实原理很简单。它就是通过比较组内方差和组间方差，来检验多个总体的均值是否相等。简单来说，就是看不同组的差异，是不是主要由随机因素造成的，还是由系统因素造成的。如果组间方差显著大于组内方差，那说明不同组的均值可能真的有差异。我记得在课堂上，我用过一个小例子，就是比较不同肥料对作物产量的影响。我把学生分成几组，每组用不同的肥料，最后看产量，如果发现用不同肥料的组产量差异很大，那就能说明肥料对产量有显著影响。整个过程啊，得保证各个样本是随机抽取的，而且要满足正态性、方差齐性和独立性这三个假设。5.答案：非参数检验不需要依赖于总体的具体分布形式，适用于样本量较小、数据不满足参数检验的假设、或者数据是等级资料的情况。非参数检验的假设较少，对数据的要求较低，但检验的效率也较低。解析：非参数检验这东西啊，跟参数检验最大的区别就是，它不依赖于总体的具体分布形式。在教这部分的时候，我经常跟学生说，参数检验就像是个“精明人”，它知道总体的分布，然后根据分布来做事；非参数检验呢，就像个“糊涂人”，它不管总体分布是什么，只要满足一些基本条件就行。非参数检验适用于样本量较小、数据不满足参数检验的假设、或者数据是等级资料的情况。比如说，你想比较两个治疗方法的疗效，但不知道疗效的分布，或者疗效数据是医生评定的等级，这时候就可以用非参数检验。整个过程啊，得保证样本是随机抽取的，而且各个样本之间是独立的。四、计算题答案及解析1.答案：拒绝H₀，认为这批零件的平均长度不为10厘米。解析：首先，提出假设，H₀：μ=10，H₁：μ≠10。然后，算出检验统计量，Z=(10.02-10)/(0.05*√