2025年大学统计学期末考试题库：统计推断与假设检验重点难点解析试题

2025年大学统计学期末考试题库：统计推断与假设检验重点难点解析试题考试时间：______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.在进行假设检验时，如果原假设为真，但错误地拒绝了原假设，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2.设总体服从正态分布，且方差已知，要检验假设H0:μ=μ0，应选用哪种检验方法？（）A.t检验B.Z检验C.χ²检验D.F检验3.在假设检验中，显著性水平α表示的是（）。A.原假设为真时，拒绝原假设的概率B.原假设为假时，接受原假设的概率C.原假设为假时，拒绝原假设的概率D.原假设为真时，接受原假设的概率4.对于一个双尾检验，如果显著性水平α=0.05，那么拒绝域的面积是（）。A.0.025B.0.05C.0.95D.0.9755.设总体服从正态分布，且方差未知，要检验假设H0:μ=μ0，应选用哪种检验方法？（）A.t检验B.Z检验C.χ²检验D.F检验6.在假设检验中，p值表示的是（）。A.原假设为真时，观察到的样本结果或更极端结果的概率B.原假设为假时，观察到的样本结果或更极端结果的概率C.原假设为假时，拒绝原假设的概率D.原假设为真时，拒绝原假设的概率7.对于一个左尾检验，如果显著性水平α=0.01，那么拒绝域的临界值是（）。A.ZαB.-ZαC.tαD.-tα8.设总体服从正态分布，且方差已知，要检验假设H0:μ≥μ0，应选用哪种检验方法？（）A.Z检验B.t检验C.χ²检验D.F检验9.在假设检验中，如果p值小于显著性水平α，那么应该（）。A.拒绝原假设B.接受原假设C.无法确定D.需要更多样本数据10.设总体服从正态分布，且方差未知，要检验假设H0:μ≤μ0，应选用哪种检验方法？（）A.t检验B.Z检验C.χ²检验D.F检验11.在假设检验中，如果p值大于显著性水平α，那么应该（）。A.拒绝原假设B.接受原假设C.无法确定D.需要更多样本数据12.对于一个双尾检验，如果显著性水平α=0.01，那么拒绝域的临界值是（）。A.Zα/2B.-Zα/2C.tα/2D.-tα/213.设总体服从正态分布，且方差已知，要检验假设H0:μ≠μ0，应选用哪种检验方法？（）A.Z检验B.t检验C.χ²检验D.F检验14.在假设检验中，如果原假设为真，但错误地接受了原假设，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15.设总体服从正态分布，且方差未知，要检验假设H0:σ²=σ₀²，应选用哪种检验方法？（）A.Z检验B.t检验C.χ²检验D.F检验16.在假设检验中，显著性水平α与第一类错误的概率（）。A.相等B.不相等C.成正比D.成反比17.对于一个左尾检验，如果显著性水平α=0.05，那么拒绝域的临界值是（）。A.ZαB.-ZαC.tαD.-tα18.设总体服从正态分布，且方差已知，要检验假设H0:μ=μ0，应选用哪种检验方法？（）A.t检验B.Z检验C.χ²检验D.F检验19.在假设检验中，如果p值小于显著性水平α，那么应该（）。A.拒绝原假设B.接受原假设C.无法确定D.需要更多样本数据20.设总体服从正态分布，且方差未知，要检验假设H0:μ≤μ0，应选用哪种检验方法？（）A.t检验B.Z检验C.χ²检验D.F检验二、多项选择题（本大题共10小题，每小题3分，共30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。）1.假设检验的基本步骤包括（）。A.提出原假设和备择假设B.选择检验方法C.计算检验统计量D.确定拒绝域E.做出统计决策2.在假设检验中，p值的意义是（）。A.原假设为真时，观察到的样本结果或更极端结果的概率B.原假设为假时，观察到的样本结果或更极端结果的概率C.原假设为假时，拒绝原假设的概率D.原假设为真时，拒绝原假设的概率E.显著性水平3.设总体服从正态分布，且方差已知，要检验假设H0:μ=μ0，应选用哪种检验方法？（）A.t检验B.Z检验C.χ²检验D.F检验E.卡方检验4.在假设检验中，如果p值小于显著性水平α，那么应该（）。A.拒绝原假设B.接受原假设C.无法确定D.需要更多样本数据E.做出统计决策5.设总体服从正态分布，且方差未知，要检验假设H0:μ≤μ0，应选用哪种检验方法？（）A.t检验B.Z检验C.χ²检验D.F检验E.卡方检验6.在假设检验中，显著性水平α表示的是（）。A.原假设为真时，拒绝原假设的概率B.原假设为假时，接受原假设的概率C.原假设为假时，拒绝原假设的概率D.原假设为真时，接受原假设的概率E.检验的可靠性7.对于一个双尾检验，如果显著性水平α=0.05，那么拒绝域的面积是（）。A.0.025B.0.05C.0.95D.0.975E.18.设总体服从正态分布，且方差已知，要检验假设H0:μ≠μ0，应选用哪种检验方法？（）A.Z检验B.t检验C.χ²检验D.F检验E.卡方检验9.在假设检验中，如果原假设为真，但错误地拒绝了原假设，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E.检验的可靠性10.设总体服从正态分布，且方差未知，要检验假设H0:σ²=σ₀²，应选用哪种检验方法？（）A.Z检验B.t检验C.χ²检验D.F检验E.卡方检验三、简答题（本大题共5小题，每小题5分，共25分。请将答案写在答题纸上。）1.简述假设检验的基本思想。在咱们日常做研究或者分析的时候，你肯定遇到过这种情况，心里有个谱，想验证一下这个想法对不对。假设检验就是干这个的。它就像咱们打官司，先假设被告是无罪的（这就是原假设），然后收集证据，看看这些证据能不能让人相信他有罪（这就是备择假设）。如果证据足够硬，咱们就判他有罪（拒绝原假设），如果证据不足，咱们就判他无罪（接受原假设）。关键在于，咱们永远不能百分之百肯定被告到底有没有罪，只是一种可能性比较大的判断。假设检验也是这样，咱们根据数据算出一个值，然后看看这个值是在支持咱们假设（原假设）的区域还是反对咱们假设的区域。如果在反对的区域，咱们就可能要怀疑原来的假设了。不过呢，咱们也有可能搞错，就像法律上可能错判一样，这就是犯错的概率，咱们得控制住它。2.解释第一类错误和第二类错误的含义，并说明它们之间的关系。咱们刚才说了，假设检验可能犯错误。第一类错误，英文叫TypeIError，就好比咱们冤枉了一个好人，也就是原假设本来是真的，咱们却把它拒绝了。这通常发生在咱们设定的显著性水平α比较小的时候，咱们要求证据非常非常充分才肯翻案。第二类错误，英文叫TypeIIError，就好比咱们放了一个坏人，也就是原假设本来是假的，咱们却把它接受了，没发现问题的存在。这通常发生在咱们样本量不够大，或者效应太小的时候，证据不够明显，咱们就“和稀泥”了。这两类错误是相互影响的，你想啊，提高拒绝原假设的标准（就是减小α），犯第一类错误的概率就小了，但是！犯第二类错误的概率就变大了，这就像咱们在考试阅卷时，标准定得太严，没几个人及格（少犯第一类错误），但是标准定得太死，那些擦边过的同学可能都挂了（多犯第二类错误）。反之亦然。所以，咱们在实际操作中，需要在两者之间找一个平衡点。3.在什么情况下，可以使用Z检验来进行假设检验？Z检验，你想想它的名字，是不是感觉挺“高大上”？它适用于啥情况呢？首先，你得知道总体的分布是正态分布，或者至少样本量够大（通常认为n≥30），这时候根据中心极限定理，样本均值的分布可以近似看作正态分布。其次，最重要的是，你得知道这个正态分布的方差（σ²）是多少！如果方差知道了，那Z检验就有用武之地了。咱们算出来的那个Z统计量，就是（样本均值-假设的总体均值）/（总体标准差/√样本量），这个值可以查标准正态分布表，看看它落在拒绝域里不。所以，总结一下，当总体方差已知，或者样本量很大，可以用Z检验。要是总体方差不知道，而且样本量也不小，那通常得用t检验了。4.在假设检验中，显著性水平α扮演什么角色？显著性水平α，就好比咱们在打官司时设定的“证据门槛”或者说是“怀疑度”。它是一个咱们自己选定的概率值，表示在原假设为真的情况下，咱们愿意承担犯第一类错误（也就是把好人当坏人）的概率有多大。比如说，咱们通常取α=0.05，意思就是咱们最多只愿意有5%的概率犯下冤枉人的错误。α值选得小，说明咱们对原假设的保护程度高，拒绝原假设就更加困难，决策就更加保守；α值选得大，说明咱们愿意冒险，更容易拒绝原假设，决策就更加激进。这个值的选择，往往取决于问题的性质和咱们对错误的容忍程度。比如，在医学上检测新药是否有效，对犯第一类错误的容忍度通常很低，α可能会取0.01，因为把一个无效药当成有效药，可能会导致病人延误治疗，后果很严重。而在市场调研中，可能对犯第一类错误的容忍度高一点，α可能会取0.10，因为就算结论是错的，损失也相对可控。5.解释什么是p值，并说明它在假设检验中的作用。p值，这个概念可以说是假设检验的灵魂了，理解了p值，假设检验的很多困惑就解开啦。p值，全称叫“显著性水平”，它告诉你，在原假设为真的这个前提下，你观察到当前这个样本结果（或者更极端的结果）发生的概率有多大。简单来说，p值就是衡量当前证据力度的一个指标。如果p值很小，比如说小于咱们设定的显著性水平α，那就说明，如果原假设是真的，那么出现这么好的（或者更好的）样本结果的可能性非常非常小，这就像在法庭上，证据非常确凿，让人无法相信被告是无罪的。这时候，咱们就有理由怀疑原假设的真实性，就可能要拒绝它。如果p值很大，比如说大于α，那就说明，即使原假设是真的，出现当前这个样本结果的可能性也挺大的，这就像法庭上证据不充分，不能认定被告有罪。这时候，咱们就没有足够的证据来拒绝原假设，就可能要接受它（或者更准确地说，是“不能拒绝原假设”）。所以，p值的作用就是帮助咱们在观察到的数据和原假设之间做一个概率上的权衡，决定是接受还是拒绝原假设。四、计算题（本大题共4小题，每小题10分，共40分。请将答案写在答题纸上，要求列出计算步骤。）1.某工厂生产一种零件，其长度服从正态分布，方差为0.04。现随机抽取100个零件，测得样本均值为10.2毫米。问：能否在显著性水平α=0.05下认为这批零件的平均长度大于10毫米？好的，咱们来算算。首先，看看这题给的信息，零件长度是正态分布，方差知道是0.04，样本量是100，样本均值是10.2，想检验的是平均长度是不是大于10。这是一个单尾检验，而且是大于号。咱们先写上原假设和备择假设：H0:μ≤10，H1:μ>10。显著性水平α=0.05。因为方差已知，样本量大，咱们用Z检验。计算Z统计量：Z=(样本均值-假设的均值)/(标准差/√样本量)=(10.2-10)/(√0.04/√100)=0.2/(0.2/10)=0.2/0.02=10。然后，查标准正态分布表，或者用计算器，找到Z=10对应的p值。哇！Z=10这个值太大了，p值基本上就是0，肯定小于咱们0.05的α。所以，我们强烈拒绝原假设，认为这批零件的平均长度大于10毫米。2.某地区教育部门想知道该地区初中生数学成绩的方差是否显著大于50。随机抽取了30名初中生，测得他们的数学成绩样本方差为60。问：能否在显著性水平α=0.05下认为该地区初中生数学成绩的方差显著大于50？这个题考的是方差的检验，而且是用样本方差去估计总体方差，这得用χ²检验。题目的意思是检验总体方差σ²是否大于50，所以是右边检验。先写假设：H0:σ²≤50，H1:σ²>50。显著性水平α=0.05。计算χ²统计量：χ²=(样本方差*(样本量-1))/(假设的总体方差)=(60*(30-1))/50=(60*29)/50=1740/50=34.8。然后，我们需要查χ²分布表。自由度是n-1=30-1=29。我们需要找到α=0.05，自由度=29时的临界值χ²₀.05,29。查表得到这个值是42.557。咱们算出来的χ²统计量是34.8，这个值小于咱们查出来的临界值42.557。所以，我们没有足够的证据拒绝原假设，不能认为该地区初中生数学成绩的方差显著大于50。3.某公司生产一种灯泡，其寿命服从正态分布。过去的生产经验表明，灯泡的平均寿命为1500小时。为了检验新工艺是否提高了灯泡的寿命，随机抽取了25只灯泡进行测试，测得样本均值为1550小时，样本标准差为100小时。问：能否在显著性水平α=0.01下认为新工艺提高了灯泡的寿命？这道题，新工艺提高了寿命，意味着均值变大了，所以是单尾检验，大于号。方差不知道，但样本量25，不算小，可以用t检验。先写假设：H0:μ≤1500，H1:μ>1500。显著性水平α=0.01。计算t统计量：t=(样本均值-假设的均值)/(样本标准差/√样本量)=(1550-1500)/(100/√25)=50/(100/5)=50/20=2.5。然后，查t分布表。自由度是n-1=25-1=24。我们需要找到α=0.01，自由度=24时的临界值t₀.01,24。查表得到这个值是2.492。咱们算出来的t统计量是2.5，这个值大于咱们查出来的临界值2.492。所以，我们拒绝原假设，认为新工艺提高了灯泡的寿命。4.某医生想比较两种不同的治疗方法对降低血压的效果。他随机选取了30名高血压患者，将他们随机分成两组，每组15人。第一组用方法A治疗，第二组用方法B治疗。治疗一段时间后，第一组的样本均值为15mmHg，样本标准差为3mmHg；第二组的样本均值为13mmHg，样本标准差为4mmHg。问：能否在显著性水平α=0.05下认为两种治疗方法的效果有显著差异？这个题是两组均值比较，而且样本量都不大，而且各自的方差也不知道，所以要用两个独立样本t检验（这里假设两组方差不相等，即用Welch'st检验）。想检验两种方法效果有差异，不关心谁大谁小，所以是双尾检验。先写假设：H0:μA=μB（或者说μA-μB=0），H1:μA≠μB（或者说μA-μB≠0）。显著性水平α=0.05。计算t统计量，公式有点复杂，涉及到两组的均值、标准差和样本量：t=(样本均值A-样本均值B)/√[(样本方差A/样本量A)+(样本方差B/样本量B)]=(15-13)/√[(3²/15)+(4²/15)]=2/√[(9/15)+(16/15)]=2/√(25/15)=2/√(5/3)=2/(√5/√3)=2*√3/√5。这个值需要查t分布表，但是自由度的计算比较麻烦，需要用公式算或者查表得到一个近似值。假设算出来（或者查表得到）的自由度是df≈28，临界值是±t₀.025,28（因为双尾检验，α/2=0.025）。查表得到这个临界值大约是±2.048。咱们算出来的t值是2*√3/√5≈2*1.732/2.236≈3.464/2.236≈1.55。这个t值1.55小于临界值2.048。所以，我们没有足够的证据拒绝原假设，不能认为两种治疗方法的效果有显著差异。五、论述题（本大题共1小题，共15分。请将答案写在答题纸上。）结合实际例子，谈谈你对假设检验中第一类错误和第二类错误之间权衡的理解。嗯，咱们聊聊假设检验里这两个“小妖精”——第一类错误和第二类错误，以及怎么在它们之间找平衡。这确实是个挺实际的问题，尤其是在做研究或者做决策的时候。首先，咱们得清楚它们俩是啥。第一类错误，就是咱们前面说的，原假设其实是对的，咱们却把它给拒绝了，搞错了，把好人当成了坏人。第二类错误呢，就是原假设其实是不对的，咱们却没发现，把它给接受了，放跑了坏人。打个比方，假设检验就像是在找一种新药有没有效果。H0:新药无效；H1:新药有效。第一类错误就是新药其实无效，咱们却因为它的一些“偶然”的好效果，宣布它有效，病人吃了没效果还花冤枉钱，甚至更糟。第二类错误就是新药其实有效，咱们因为它的一些“偶然”的不好效果（比如早期样本里恰好有几个副作用反应大的人），或者样本量太小没显示出效果，宣布它无效，好药就这样被埋没了，病人错过了治疗机会。那这两者之间是怎么权衡的呢？这里头有个小秘密：它们是“此消彼长”的关系。你想啊，要减少冤枉好人（犯第一类错误）的概率，你把判“有罪”的标准定得更高，更难拒绝原假设，对吧？比如，以前犯第一类错误的概率是5%，现在你要求证据更强，这个概率可能就降到1%了。但是！这往往意味着，当那个坏人（原假设错误）真的存在的时候，你却更难发现他，也就是犯第二类错误的概率变大了。反之亦然。这就像咱们考试阅卷，标准定得严，及格的人就少了（少犯第一类错误），但可能很多明明会考的擦边分的学生也挂了（多犯第二类错误）。标准放得松，挂科的人多了（多犯第一类错误），但那些差点及格的也能混过去了（少犯第二类错误）。所以，关键就在于如何在“不能冤枉好人”和“不能放过坏人”之间找到一个平衡点。这个平衡点怎么找呢？主要看问题的性质和咱们对犯哪种错误的后果的容忍度。举个例子，假设咱们在检验一种新的、用来治疗严重传染病的药物。这种病要是没治好，后果不堪设想。这时候，咱们对犯第二类错误的容忍度就非常低，也就是咱们非常不希望新药其实有效，却被咱们当成无效给放弃了。咱们宁愿承担更高的犯第一类错误的概率（比如把一个无效药当成有效药），也要尽量把真正的“好药”找出来。因此，咱们可能会选择一个比较小的α值，比如0.01，把拒绝原假设（认为药物有效）的标准定得非常高，确保只有非常有力的证据才会改变主意。再比如，咱们在评估一个新的广告策略是否比旧的好。这个决策可能带来的后果就没那么严重。这时候，咱们对犯第一类错误的容忍度可能高一点，也就是把一个效果不好的广告当成好的，多花点广告费，损失相对可控。咱们可能更担心犯第二类错误，把一个效果很好的广告策略当成不好，错过了省钱或者提升销量的机会。因此，咱们可能会选择一个相对大一点的α值，比如0.10，把拒绝原假设（认为新广告效果好）的标准定得低一点，更容易发现新广告的潜在好处，即使证据不是那么“铁证如山”。再想想我们刚才说的血压药例子，如果医生发现的是一种比较温和的降压药，副作用可控，那么犯第一类错误的后果相对小，他可能更愿意接受一点风险，把一个效果不明显的药当成有效的（犯第一类错误概率高），以避免漏掉一个潜在的、哪怕效果不惊艳的好药（犯第二类错误）。但如果发现的是一种强力降压药，如果无效或者副作用太大，后果很严重，那医生肯定要非常谨慎，犯第一类错误的概率必须控制得很低，宁可选错（犯第二类错误），也不能把有效的药当成无效。所以你看，这个权衡不是绝对的，是随着具体情况变化的。咱们需要根据实际问题的背景，考虑哪种错误的后果更严重，然后设定一个合适的显著性水平α。这体现了统计推断中的一种决策思想，就是在不确定性下，根据证据做出最优（或者说风险可控）的选择。理解了这一点，咱们在使用假设检验的时候，就能更明白自己做的决策是基于什么样的考虑，而不仅仅是机械地计算一个p值，看它大不大。这背后其实蕴含着对现实世界复杂性的认识和判断。本次试卷答案如下一、单项选择题答案及解析1.B解析：原假设为真时，错误地拒绝了原假设，即拒绝了H0，接受了H1，这种错误称为第一类错误。2.B解析：总体服从正态分布，且方差已知，检验均值时，应选用Z检验。3.A解析：显著性水平α表示的是原假设为真时，拒绝原假设（即犯第一类错误）的概率。4.A解析：双尾检验时，拒绝域在两侧，每侧面积为α/2。α=0.05，则每侧面积为0.025。5.A解析：总体服从正态分布，且方差未知，检验均值时，应选用t检验。6.A解析：p值表示的是原假设为真时，观察到的样本结果或更极端结果的概率，即犯第一类错误的概率。7.B解析：左尾检验时，拒绝域在左侧，临界值为-Zα。α=0.01，则临界值为-Z0.01。8.B解析：总体服从正态分布，且方差已知，检验均值时，应选用Z检验。9.A解析：如果p值小于显著性水平α，说明观察到当前样本结果或更极端结果的概率很小，有理由拒绝原假设。10.A解析：总体服从正态分布，且方差未知，检验均值时，应选用t检验。11.B解析：如果p值大于显著性水平α，说明观察到当前样本结果或更极端结果的概率较大，没有足够理由拒绝原假设，即接受原假设。12.A解析：双尾检验时，拒绝域在两侧，临界值为±Zα/2。α=0.01，则临界值为±Z0.01/2。13.B解析：总体服从正态分布，且方差已知，检验均值时，应选用Z检验。14.A解析：原假设为真时，错误地接受了原假设，即接受了H0，拒绝了H1，这种错误称为第二类错误。15.C解析：总体服从正态分布，且方差未知，检验方差时，应选用χ²检验。16.A解析：显著性水平α与第一类错误的概率相等，即α=P(拒绝H0|H0为真)。17.B解析：左尾检验时，拒绝域在左侧，临界值为-Zα。α=0.05，则临界值为-Z0.05。18.B解析：总体服从正态分布，且方差已知，检验均值时，应选用Z检验。19.A解析：如果p值小于显著性水平α，说明观察到当前样本结果或更极端结果的概率很小，有理由拒绝原假设。20.A解析：总体服从正态分布，且方差未知，检验均值时，应选用t检验。二、多项选择题答案及解析1.ABCDE解析：假设检验的基本步骤包括提出原假设和备择假设、选择检验方法、计算检验统计量、确定拒绝域、做出统计决策。2.AE解析：p值是原假设为真时，观察到的样本结果或更极端结果的概率，即犯第一类错误的概率。显著性水平α是咱们预先设定的犯第一类错误的概率上限。3.AB解析：Z检验适用于总体服从正态分布，且方差已知，或者样本量很大（n≥30）的情况。t检验适用于总体服从正态分布，但方差未知，且样本量较小的情况。4.ABD解析：如果p值小于显著性水平α，说明观察到当前样本结果或更极端结果的概率很小，有理由拒绝原假设，即做出统计决策拒绝原假设。如果p值大于α，则不能拒绝原假设。5.A解析：总体服从正态分布，且方差未知，检验均值时，应选用t检验。因为样本量25，属于小样本，需要用t检验。6.ACD解析：显著性水平α是咱们预先设定的犯第一类错误的概率上限。它表示在原假设为真的情况下，咱们愿意承担犯第一类错误的概率有多大。它是一个决策的门槛。7.AD解析：双尾检验时，拒绝域在两侧，每侧面积为α/2。α=0.05，则每侧面积为0.025。拒绝域的临界值是使得尾部面积等于α/2的值，即Zα/2和-Zα/2。8.A解析：总体服从正态分布，且方差已知，检验均值时，应选用Z检验。9.AB解析：第一类错误是原假设为真时，错误地拒绝了原假设。第二类错误是原假设为假时，错误地接受了原假设。10.C解析：总体服从正态分布，且方差未知，检验方差时，应选用χ²检验。三、简答题答案及解析1.答案：假设检验的基本思想是用样本信息来推断总体特征，通过计算检验统计量，并与临界值或p值进行比较，来决定是否拒绝原假设。其核心思想是“小概率反证法”，即假设一个原假设为真，然后看基于这个假设能观察到什么样的结果，如果观察到的小概率事件发生了，就怀疑原假设的真实性，从而拒绝原假设。解析：假设检验就像打官司，先假设被告是无罪的（原假设），然后收集证据（样本数据），看看这些证据能不能让人相信他有罪（备择假设）。如果证据足够硬（p值很小，小于α），咱们就判他有罪（拒绝原假设）。但咱们永远不能百分之百肯定被告到底有没有罪，只是一种可能性比较大的判断。如果证据不足（p值大于α），咱们就判他无罪（不能拒绝原假设）。关键在于，咱们永远不能百分之百肯定被告到底有没有罪，只是一种可能性比较大的判断。假设检验也是这样，咱们根据数据算出一个值（检验统计量），然后看看这个值是在支持咱们假设（原假设）的区域还是反对咱们假设的区域（与临界值或p值比较）。如果在反对的区域，咱们就可能要怀疑原来的假设了。不过呢，咱们也有可能搞错，就像法律上可能错判一样，这就是犯错的概率（α和β），咱们得控制住它。2.答案：第一类错误是原假设为真时，错误地拒绝了原假设，犯这种错误的概率用α表示。第二类错误是原假设为假时，错误地接受了原假设，犯这种错误的概率用β表示。这两类错误是相互制约的，减小α往往会导致β增大，反之亦然。在实际应用中，需要在α和β之间进行权衡，根据具体情况选择合适的显著性水平和样本量。解析：第一类错误就好比咱们冤枉了一个好人，原假设本来是真的，咱们却把它给拒绝了。比如，新药其实无效，咱们却因为它的一些“偶然”的好效果，宣布它有效，病人吃了没效果还花冤枉钱。犯第一类错误的概率咱们用α表示，通常是咱们预先设定的一个比较小的值，比如0.05或0.01，表示咱们最多只愿意有5%或1%的概率犯这种错误。第二类错误就好比咱们放了一个坏人，原假设本来是假的，咱们却没发现，把它给接受了。比如，新药其实有效，咱们却因为它的一些“偶然”的不好效果，或者样本量太小没显示出效果，宣布它无效，好药就这样被埋没了，病人错过了治疗机会。犯第二类错误的概率咱们用β表示。这两类错误是相互影响的，就像咱们考试阅卷时，标准定得太严，没几个人及格（少犯第一类错误），但是标准定得太死，那些擦边过的同学可能都挂了（多犯第二类错误）。反之亦然，标准放得松，挂科的人多了（多犯第一类错误），但那些差点及格的也能混过去了（少犯第二类错误）。所以，咱们在实际操作中，需要在两者之间找一个平衡点。比如，在医学上检测新药是否有效，对犯第一类错误的容忍度通常很低，因为把一个无效药当成有效药，可能会导致病人延误治疗，后果很严重。这时候，咱们可能会选择一个比较小的α值，比如0.01，把拒绝原假设（认为药物有效）的标准定得非常高，确保只有非常有力的证据才会改变主意，这样犯第一类错误的概率就小了，但犯第二类错误的概率（β）就可能变大了，也就是可能把一个有效的药当成无效的。而在市场调研中，可能对犯第一类错误的容忍度高一点，因为就算结论是错的，损失也相对可控。这时候，咱们可能会选择一个相对大一点的α值，比如0.10，更容易发现潜在的机会，即使证据不是那么“铁证如山”，这样犯第二类错误的概率（β）就小了，但也增加了犯第一类错误的概率。3.答案：Z检验适用于总体服从正态分布，且总体方差已知，或者样本量很大（n≥30）的情况。因为样本均值和样本量已知，可以计算检验统计量Z，并与标准正态分布的临界值比较，以判断是否拒绝原假设。解析：Z检验，你想想它的名字，是不是感觉挺“高大上”？它适用于啥情况呢？首先，你得知道总体的分布是正态分布，或者至少样本量够大（通常认为n≥30），这时候根据中心极限定理，样本均值的分布可以近似看作正态分布。其次，最重要的是，你得知道这个正态分布的方差（σ²）是多少！如果方差知道了，那Z检验就有用武之地了。咱们算出来的那个Z统计量，就是（样本均值-假设的总体均值）/（总体标准差/√样本量），这个值可以查标准正态分布表，看看它落在拒绝域里不。所以，总结一下，当总体方差已知，或者样本量很大，可以用Z检验。要是总体方差不知道，而且样本量也不小，那通常得用t检验了。比如，咱们刚才做的那个灯泡寿命的例子，如果题目告诉咱们灯泡寿命的方差是0.04，而且咱们抽了100个灯泡，这时候咱们就可以用Z检验。算出来的Z值是10，这个值太大了，查表发现p值几乎为0，小于咱们设定的0.05，所以咱们就认为新工艺提高了灯泡寿命。4.答案：显著性水平α是咱们在假设检验中预先设定的一个概率值，用来控制犯第一类错误的概率。它表示在原假设为真的情况下，咱们愿意承担犯第一类错误的概率有多大。α值的选择取决于问题的性质和对犯错误后果的容忍度。通常情况下，α值取0.05或0.01，但在某些情况下，可能需要根据具体情况调整α值。解析：显著性水平α，就好比咱们在打官司时设定的“证据门槛”或者说是“怀疑度”。它是一个咱们自己选定的概率值，表示在原假设为真的情况下，咱们愿意承担犯第一类错误（也就是把好人当坏人）的概率有多大。比如说，咱们通常取α=0.05，意思就是咱们最多只愿意有5%的概率犯下冤枉人的错误。α值选得小，说明咱们对原假设的保护程度高，拒绝原假设就更加困难，决策就更加保守；α值选得大，说明咱们愿意冒险，更容易拒绝原假设，决策就更加激进。这个值的选择，往往取决于问题的性质和咱们对错误的容忍程度。比如，在医学上检测新药是否有效，对犯第一类错误的容忍度通常很低，α可能会取0.01，因为把一个无效药当成有效药，可能会导致病人延误治疗，后果很严重。而在市场调研中，可能对犯第一类错误的容忍度高一点，α可能会取0.10，因为就算结论是错的，损失也相对可控。理解了α，咱们就能知道，咱们做决策的底线在哪里，不能为了追求绝对的“正确”而忽略了实际情况。它就像咱们开车，速度不能超过限速（α），这是咱们的底线，但有时候为了赶时间，可能还是超了一点点（犯第一类错误），但咱们也得知道超速的风险（犯错的后果）。5.答案：p值是原假设为真时，观察到的样本结果或更极端结果的概率，它反映了当前样本结果与原假设之间的不一致程度。如果p值小于显著性水平α，说明观察到当前样本结果或更极端结果的概率很小，有理由拒绝原假设；如果p值大于α，说明观察到当前样本结果或更极端结果的概率较大，没有足够理由拒绝原假设，即接受原假设。解析：p值，这个概念可以说是假设检验的“灵魂”，理解了p值，假设检验的很多困惑就解开啦。p值，全称叫“显著性水平”，它告诉你，在原假设为真的这个前提下，你观察到当前这个样本结果（或者更极端的结果）发生的概率有多大。简单来说，p值就是衡量当前证据力度的一个指标。如果p值很小，比如说小于咱们设定的显著性水平α，那就说明，如果原假设是真的，那么出现这么好的（或者更好的）样本结果的可能性非常非常小，这就像在法庭上，证据非常确凿，让人无法相信被告是无罪的。这时候，咱们就有理由怀疑原假设的真实性，就可能要拒绝它。如果p值很大，比如说大于α，那就说明，即使原假设是真的，出现当前这个样本结果的可能性也挺大的，这就像法庭上证据不充分，不能认定被告有罪。这时候，咱们就没有足够的证据来拒绝原假设，就可能要接受它（或者更准确地说，是“不能拒绝原假设”）。所以，p值的作用就是帮助咱们在观察到的数据和原假设之间做一个概率上的权衡，决定是接受还是拒绝原假设。它不是一个“接受”或“拒绝”的结论，而是一个衡量证据强度的度量。它越小，咱们拒绝原假设的理由就越充分。它的大小，结合咱们设定的显著性水平α，决定了咱们最终是否做出拒绝原假设的决策。它就像咱们看天气预报，如果概率是99%会下雨，咱们肯定要带伞（拒绝“不下雨”的原假设）；如果概率是50%会下雨，咱们可能就不带伞了（不能拒绝“不下雨”的原假设）。p值就是那个“概率”，帮咱们在不确定性中做出更明智的选择。四、计算题答案及解析1.答案：计算检验统计量Z=(样本均值-假设的均值)/(标准差/√样本量)=(10.2-10)/(0.2/10)=0.2/0.02=10。查标准正态分布表，Z=10对应的p值远小于0.05。因此，拒绝原假设，认为平均长度大于10毫米。解析：首先，根据题意，这是一个关于均值的大样本检验问题，总体方差已知，可以用Z检验。假设检验的原假设H0:μ≤10，备择假设H1:μ>10。显著性水平α=0.05。样本均值x̄=10.2，总体标准差σ=0.2，样本量n=100。计算检验统计量Z：Z=(x̄-μ0)/(σ/√n)=(10.2-10)/(0.2/√100)=0.2/0.02=10。然后，查标准正态分布表或者使用计算器计算Z=10对应的p值。Z=10的p值非常非常小，远小于0.05。因此，我们有足够的证据拒绝原假设H0，接受备择假设H1，认为这批零件的平均长度大于10毫米。2.答案：计算检验统计量χ²=(样本方差*(样本量-1))/(假设的总体方差)=(60*(30-1))/50=1740/50=34.8。查χ²分布表，自由度df=29，α=0.05的右侧临界值为42.557。因为34.8<42.557，所以不能拒绝原假设，