2025年统计学期末考试题库-统计推断与检验综合试题解析

2025年统计学期末考试题库——统计推断与检验综合试题解析考试时间：______分钟总分：______分姓名：______一、填空题（本部分共20小题，每小题1分，共20分）要求：请根据所学知识，将正确的答案填入题空中。填错或填空，均不得分。1.统计推断的核心任务是通过样本信息来推断总体的______和______。2.在假设检验中，我们通常将原假设记为______，备择假设记为______。3.当样本量较小时，我们常用______分布来近似抽样分布。4.在置信区间估计中，置信水平通常表示为______，它反映了我们______的信心程度。5.假设检验中，犯第一类错误的概率记为______，犯第二类错误的概率记为______。6.当总体分布未知或不满足正态性假设时，我们可以使用______检验来分析数据的差异性。7.在方差分析中，我们将总变异分解为______、______和______三个部分。8.回归分析中，自变量的系数称为______，它反映了自变量对因变量的______。9.在时间序列分析中，如果数据呈现周期性波动，我们可以使用______模型来描述。10.抽样调查中，样本的代表性直接影响到______的准确性。11.在相关分析中，相关系数的取值范围是______到______。12.当总体分布未知时，我们可以使用______检验来检验样本均值是否显著偏离假设值。13.在假设检验中，选择显著性水平______时，犯第一类错误的概率为______。14.置信区间的宽度受到______和______两个因素的影响。15.在方差分析中，我们需要检验______的差异性是否显著。16.回归分析中，残差平方和反映了______的大小。17.时间序列分析中，季节性因素通常用______来衡量。18.抽样调查中，抽样误差是指______与______之间的差异。19.在相关分析中，如果两个变量的相关系数为1，说明它们之间存在______关系。20.假设检验中，拒绝原假设的条件是______小于______。二、选择题（本部分共30小题，每小题1分，共30分）要求：请根据所学知识，选择最符合题意的选项。1.统计推断的主要目的是什么？A.描述样本的特征B.推断总体的特征C.分析数据的分布D.检验数据的假设2.在假设检验中，我们通常将原假设记为什么？A.H1B.H0C.H2D.H33.当样本量较小时，我们常用什么分布来近似抽样分布？A.正态分布B.t分布C.F分布D.卡方分布4.在置信区间估计中，置信水平通常表示为什么？A.显著性水平B.置信系数C.抽样误差D.标准误差5.假设检验中，犯第一类错误的概率记为什么？A.βB.αC.γD.δ6.当总体分布未知或不满足正态性假设时，我们可以使用什么检验来分析数据的差异性？A.t检验B.方差分析C.卡方检验D.曼-惠特尼U检验7.在方差分析中，我们将总变异分解为哪三个部分？A.组内变异、组间变异、误差变异B.总变异、组内变异、组间变异C.误差变异、总变异、组间变异D.组间变异、误差变异、总变异8.回归分析中，自变量的系数称为什么？A.回归系数B.标准误差C.相关系数D.置信区间9.在时间序列分析中，如果数据呈现周期性波动，我们可以使用什么模型来描述？A.AR模型B.MA模型C.ARIMA模型D.指数模型10.抽样调查中，样本的代表性直接影响到什么？A.抽样误差B.总体参数C.样本统计量D.置信区间11.在相关分析中，相关系数的取值范围是什么？A.-1到1B.0到1C.-∞到∞D.0到-112.当总体分布未知时，我们可以使用什么检验来检验样本均值是否显著偏离假设值？A.t检验B.Z检验C.卡方检验D.F检验13.在假设检验中，选择显著性水平0.05时，犯第一类错误的概率为多少？A.0.01B.0.05C.0.10D.0.0214.置信区间的宽度受到哪两个因素的影响？A.显著性水平和样本量B.显著性水平和总体标准差C.样本量和总体标准差D.样本量和置信水平15.在方差分析中，我们需要检验什么的差异性是否显著？A.组内均值B.组间均值C.总体均值D.误差均值16.回归分析中，残差平方和反映了什么的大小？A.回归系数B.标准误差C.总体变异D.残差变异17.时间序列分析中，季节性因素通常用什么来衡量？A.AR系数B.MA系数C.季节指数D.自相关系数18.抽样调查中，抽样误差是指什么与什么之间的差异？A.样本统计量与总体参数B.样本统计量与样本均值C.总体参数与总体均值D.样本均值与总体均值19.在相关分析中，如果两个变量的相关系数为1，说明它们之间存在什么关系？A.线性关系B.非线性关系C.相关系数关系D.回归关系20.假设检验中，拒绝原假设的条件是什么小于什么？A.P值B.显著性水平C.t值D.Z值三、简答题（本部分共5小题，每小题4分，共20分）要求：请根据所学知识，简要回答下列问题。回答要简洁明了，突出重点。1.简述假设检验的基本步骤。答：假设检验的基本步骤主要包括：首先，根据实际问题提出原假设H0和备择假设H1；其次，选择合适的检验统计量，并确定其分布；然后，根据样本数据计算检验统计量的观测值；接着，根据显著性水平α和检验统计量的分布，确定拒绝域；最后，根据检验统计量的观测值是否落入拒绝域来决定是否拒绝原假设。2.解释什么是置信区间，并说明其含义。答：置信区间是指在一定置信水平下，估计总体参数的可能范围。置信区间的含义是：如果我们重复抽样多次，每次都根据样本数据计算一个置信区间，那么有100(1-α)%的置信区间会包含真实的总体参数。例如，95%的置信区间表示我们有95%的信心认为真实的总体参数落在这个区间内。3.在回归分析中，什么是多重共线性？它会对回归分析产生什么影响？答：多重共线性是指回归分析中多个自变量之间存在高度线性相关关系的情况。多重共线性会对回归分析产生以下影响：首先，回归系数的估计值会变得非常不稳定，即较小的样本数据变动可能导致回归系数发生较大变化；其次，回归系数的估计值的方差会增大，导致假设检验的功效降低，难以正确判断自变量对因变量的影响；最后，回归模型的解释能力会下降，难以准确解释自变量对因变量的影响。4.抽样调查中，什么是抽样误差？它与哪些因素有关？答：抽样误差是指样本统计量与总体参数之间的差异。抽样误差主要与以下因素有关：首先，样本量的大小，样本量越大，抽样误差越小；其次，总体标准差的大小，总体标准差越大，抽样误差越大；最后，抽样方法，不同的抽样方法可能导致不同的抽样误差。5.在进行时间序列分析时，如何判断数据是否存在季节性因素？答：在进行时间序列分析时，可以通过以下方法判断数据是否存在季节性因素：首先，观察时间序列图，如果数据存在明显的周期性波动，则可能存在季节性因素；其次，计算季节性指数，如果季节性指数存在显著差异，则说明数据存在季节性因素；最后，使用时间序列模型进行拟合，如果模型中包含季节性项，则说明数据存在季节性因素。四、计算题（本部分共4小题，每小题5分，共20分）要求：请根据所学知识，计算下列问题的答案。计算过程要清晰，结果要准确。1.某班级有50名学生，随机抽取10名学生进行成绩调查，样本均值为80分，样本标准差为10分。假设总体服从正态分布，请计算95%的置信区间。答：首先，根据样本数据计算标准误差：SE=s/sqrt(n)=10/sqrt(10)≈3.16。然后，根据t分布表，查找自由度为n-1=9时，95%置信水平的t值，约为2.262。接着，计算置信区间的上下限：下限=80-2.262*3.16≈73.3，上限=80+2.262*3.16≈86.7。因此，95%的置信区间为[73.3,86.7]。2.某医生想检验一种新药是否比现有药物更有效，他随机抽取了20名病人，其中10人服用新药，10人服用现有药物，服用新药的病人平均康复时间为15天，标准差为3天；服用现有药物的病人平均康复时间为18天，标准差为4天。请使用独立样本t检验，检验新药是否显著缩短了康复时间（显著性水平为0.05）。答：首先，计算两个样本的均值和标准差：新药组：均值=15，标准差=3；现有药物组：均值=18，标准差=4。然后，计算两个样本的合并方差：Sp^2=[(n1-1)s1^2+(n2-1)s2^2]/(n1+n2-2)=[(10-1)3^2+(10-1)4^2]/(10+10-2)≈38.67。接着，计算合并标准差：Sp=sqrt(38.67)≈6.22。然后，计算检验统计量：t=(x1-x2)/Sp*sqrt(n1*n2/(n1+n2))=(15-18)/6.22*sqrt(10*10/(10+10))≈-1.59。最后，根据t分布表，查找自由度为n1+n2-2=18时，0.05显著性水平的双侧检验临界值，约为2.101。由于-1.59小于2.101，我们不能拒绝原假设，即新药没有显著缩短康复时间。3.某公司想分析广告投入与销售额之间的关系，他们收集了过去10年的数据，广告投入（单位：万元）分别为：2,4,6,8,10,12,14,16,18,20，销售额（单位：万元）分别为：30,40,50,60,70,80,90,100,110,120。请使用简单线性回归分析广告投入对销售额的影响。答：首先，计算广告投入和销售额的均值：广告投入均值=(2+4+6+8+10+12+14+16+18+20)/10=11，销售额均值=(30+40+50+60+70+80+90+100+110+120)/10=75。然后，计算广告投入和销售额的离差积之和：sum((x-x_mean)*(y-y_mean))=(2-11)*(30-75)+(4-11)*(40-75)+...+(20-11)*(120-75)=1750。接着，计算广告投入的离差平方和：sum((x-x_mean)^2)=(2-11)^2+(4-11)^2+...+(20-11)^2=700。然后，计算回归系数：b1=sum((x-x_mean)*(y-y_mean))/sum((x-x_mean)^2)=1750/700=2.5。接着，计算截距：b0=y_mean-b1*x_mean=75-2.5*11=20。因此，回归方程为：y=20+2.5x。这个方程表明，广告投入每增加1万元，销售额预计增加2.5万元。4.某超市想分析周末客流量与销售额之间的关系，他们收集了过去4周的数据，周末客流量（单位：人）分别为：200,250,300,350，销售额（单位：万元）分别为：5,7,9,11。请使用相关分析检验周末客流量与销售额之间的关系。答：首先，计算周末客流量和销售额的均值：客流量均值=(200+250+300+350)/4=275，销售额均值=(5+7+9+11)/4=8.25。然后，计算周末客流量和销售额的离差积之和：sum((x-x_mean)*(y-y_mean))=(200-275)*(5-8.25)+(250-275)*(7-8.25)+(300-275)*(9-8.25)+(350-275)*(11-8.25)=1875。接着，计算周末客流量的离差平方和：sum((x-x_mean)^2)=(200-275)^2+(250-275)^2+(300-275)^2+(350-275)^2=18750。然后，计算销售额的离差平方和：sum((y-y_mean)^2)=(5-8.25)^2+(7-8.25)^2+(9-8.25)^2+(11-8.25)^2=6.25。接着，计算相关系数：r=sum((x-x_mean)*(y-y_mean))/sqrt(sum((x-x_mean)^2)*sum((y-y_mean)^2))=1875/sqrt(18750*6.25)=0.99。因此，周末客流量与销售额之间的相关系数为0.99，说明它们之间存在很强的正相关关系。五、论述题（本部分共2小题，每小题10分，共20分）要求：请根据所学知识，详细回答下列问题。回答要全面，逻辑清晰，论述充分。1.论述抽样调查在统计分析中的重要性，并说明抽样调查中应注意哪些问题。答：抽样调查在统计分析中具有重要性，主要体现在以下几个方面：首先，抽样调查可以节省人力、物力和时间，相比于全面调查，抽样调查可以大大降低成本；其次，抽样调查可以提高效率，因为收集和处理样本数据比收集和处理总体数据要快得多；最后，对于一些无法进行全面调查的现象，如破坏性试验，抽样调查是唯一的选择。然而，抽样调查也存在一些问题，需要注意：首先，样本的代表性问题，样本如果不能代表总体，那么抽样调查的结果就会失去意义；其次，抽样方法的选择问题，不同的抽样方法会导致不同的抽样误差；最后，抽样调查的实施过程要科学规范，避免人为因素干扰，确保数据的准确性。2.结合实际，谈谈假设检验在科学研究中的作用，并说明假设检验中容易犯哪些错误。答：假设检验在科学研究中起着重要作用，主要体现在以下几个方面：首先，假设检验可以帮助我们判断某个现象是否显著，从而做出科学的决策；其次，假设检验可以用来验证科学理论，通过实验数据来检验理论的正确性；最后，假设检验可以提高科学研究的严谨性，避免主观臆断。然而，假设检验中容易犯两种错误：首先，犯第一类错误，即拒绝原假设，但实际上原假设是正确的，这种错误也称为“以假为真”的错误；其次，犯第二类错误，即不能拒绝原假设，但实际上原假设是错误的，这种错误也称为“以真为假”的错误。为了避免犯这些错误，我们需要科学地选择显著性水平，并尽可能增大样本量，以提高检验的功效。本次试卷答案如下一、填空题1.参数参数解析：统计推断的核心任务就是通过样本的统计量来估计总体的未知参数，比如总体均值、总体方差等。2.H0H1解析：在假设检验中，H0通常代表原假设，也就是我们initiallysupposed为真的假设；H1代表备择假设，也就是我们希望检验成立的假设。3.t解析：当样本量较小时，样本均值的抽样分布不服从正态分布，而是服从t分布，t分布随着样本量的增大逐渐趋近于正态分布。4.1-α估计总体参数的信心程度解析：置信水平通常用1-α表示，α是显著性水平，1-α反映了我们估计总体参数时正确的把握程度，比如95%的置信水平意味着我们有95%的信心认为真实的总体参数包含在计算的置信区间内。5.αβ解析：犯第一类错误是指拒绝了一个实际上是正确的原假设，其概率用α表示；犯第二类错误是指接受了一个实际上是错误的原假设，其概率用β表示。6.曼-惠特尼U检验（或其他非参数检验，如秩和检验）解析：当总体分布未知或不满足正态性假设时，我们不能使用基于正态分布理论的参数检验方法，而需要使用非参数检验方法，这些方法对总体分布没有严格的要求，曼-惠特尼U检验是其中一种常用的方法。7.总变异组内变异组间变异解析：在方差分析中，我们将总体的变异分解为两部分：一部分是组内变异，它反映了每个组内个体之间的差异；另一部分是组间变异，它反映了不同组之间均值差异带来的变异。8.回归系数影响程度解析：在回归分析中，自变量的系数称为回归系数，它表示自变量每变化一个单位，因变量平均变化的数值，反映了自变量对因变量的影响程度。9.ARIMA解析：ARIMA模型是自回归积分移动平均模型的简称，它是一种常用的时间序列模型，可以用来描述具有趋势和季节性成分的时间序列数据。10.抽样误差解析：抽样调查中，由于样本只是总体的一部分，样本的统计量与总体的参数之间总会存在一定的差异，这种差异称为抽样误差，它直接影响到抽样调查结果的准确性。11.-11解析：相关系数是衡量两个变量之间线性关系强度的统计量，其取值范围在-1到1之间，-1表示完全负相关，1表示完全正相关，0表示没有线性关系。12.t检验（或其他适用于小样本的检验，如符号检验）解析：当总体分布未知时，如果总体是正态分布，我们可以使用t检验来检验样本均值是否显著偏离假设值；如果总体分布未知且不能假设为正态分布，我们可以使用符号检验等非参数检验方法。13.0.050.05解析：显著性水平α是我们在假设检验中预先设定的阈值，表示我们愿意承担犯第一类错误的概率，选择0.05作为显著性水平意味着我们愿意承担5%的概率拒绝了一个实际上是正确的原假设。14.显著性水平样本量解析：置信区间的宽度受到两个因素的影响：一是显著性水平α，α越小，置信区间越窄，但估计的信心程度越低；二是样本量n，n越大，置信区间越窄，估计的精度越高。15.组间均值解析：在方差分析中，我们需要检验的是不同组之间均值是否存在显著差异，如果组间均值差异显著，说明分组因素对结果有影响。16.残差变异解析：在回归分析中，残差平方和反映了模型拟合的好坏程度，它表示实际观测值与模型预测值之间差异的总和，残差平方和越小，说明模型拟合得越好，残差变异越小。17.季节指数解析：时间序列分析中，季节性因素通常用季节指数来衡量，季节指数表示某个季节相对于平均水平的偏差程度，可以用来描述时间序列数据中存在的季节性波动。18.样本统计量总体参数解析：抽样误差是指样本统计量与总体参数之间的差异，这种差异是由于样本的随机性导致的，它反映了抽样调查结果与总体真实情况之间的偏差。19.完全线性解析：在相关分析中，如果两个变量的相关系数为1，说明它们之间存在完全线性关系，即一个变量的变化可以完全由另一个变量线性预测。20.检验统计量的观测值显著性水平解析：在假设检验中，我们根据样本数据计算检验统计量的观测值，然后将这个观测值与显著性水平α对应的临界值进行比较，如果观测值小于临界值，我们就不能拒绝原假设；如果观测值大于临界值，我们就拒绝原假设。二、选择题1.B解析：统计推断的主要目的是通过样本信息来推断总体的特征，比如总体的均值、方差等未知参数。2.B解析：在假设检验中，H0通常代表原假设，也就是我们initiallysupposed为真的假设。3.B解析：当样本量较小时，样本均值的抽样分布不服从正态分布，而是服从t分布，t分布随着样本量的增大逐渐趋近于正态分布。4.B解析：在置信区间估计中，置信水平通常表示为1-α，它反映了我们估计总体参数的信心程度。5.B解析：假设检验中，犯第一类错误的概率记为α，α是我们在假设检验中预先设定的阈值，表示我们愿意承担犯第一类错误的概率。6.D解析：当总体分布未知或不满足正态性假设时，我们不能使用基于正态分布理论的参数检验方法，而需要使用非参数检验方法，曼-惠特尼U检验是其中一种常用的方法。7.A解析：在方差分析中，我们将总变异分解为组内变异、组间变异和误差变异三个部分，这三个部分分别反映了不同来源的变异。8.A解析：在回归分析中，自变量的系数称为回归系数，它表示自变量每变化一个单位，因变量平均变化的数值，反映了自变量对因变量的影响程度。9.C解析：ARIMA模型是自回归积分移动平均模型的简称，它是一种常用的时间序列模型，可以用来描述具有趋势和季节性成分的时间序列数据。10.A解析：抽样调查中，样本的代表性直接影响到抽样误差的准确性，样本越具有代表性，抽样误差越小，抽样调查结果越准确。11.A解析：在相关分析中，相关系数是衡量两个变量之间线性关系强度的统计量，其取值范围在-1到1之间，-1表示完全负相关，1表示完全正相关，0表示没有线性关系。12.A解析：当总体分布未知时，如果总体是正态分布，我们可以使用t检验来检验样本均值是否显著偏离假设值；如果总体分布未知且不能假设为正态分布，我们可以使用符号检验等非参数检验方法。13.B解析：在假设检验中，选择显著性水平0.05时，犯第一类错误的概率为0.05，这意味着我们愿意承担5%的概率拒绝了一个实际上是正确的原假设。14.A解析：置信区间的宽度受到显著性水平α和样本量n两个因素的影响：一是显著性水平α，α越小，置信区间越窄，但估计的信心程度越低；二是样本量n，n越大，置信区间越窄，估计的精度越高。15.B解析：在方差分析中，我们需要检验的是不同组之间均值是否存在显著差异，如果组间均值差异显著，说明分组因素对结果有影响。16.D解析：在回归分析中，残差平方和反映了模型拟合的好坏程度，它表示实际观测值与模型预测值之间差异的总和，残差平方和越小，说明模型拟合得越好，残差变异越小。17.C解析：时间序列分析中，季节性因素通常用季节指数来衡量，季节指数表示某个季节相对于平均水平的偏差程度，可以用来描述时间序列数据中存在的季节性波动。18.A解析：抽样误差是指样本统计量与总体参数之间的差异，这种差异是由于样本的随机性导致的，它反映了抽样调查结果与总体真实情况之间的偏差。19.A解析：在相关分析中，如果两个变量的相关系数为1，说明它们之间存在完全线性关系，即一个变量的变化可以完全由另一个变量线性预测。20.A解析：在假设检验中，我们根据样本数据计算检验统计量的观测值，然后将这个观测值与显著性水平α对应的临界值进行比较，如果观测值小于临界值，我们就不能拒绝原假设；如果观测值大于临界值，我们就拒绝原假设。三、简答题1.假设检验的基本步骤包括：首先，根据实际问题提出原假设H0和备择假设H1；其次，选择合适的检验统计量，并确定其分布；然后，根据样本数据计算检验统计量的观测值；接着，根据显著性水平α和检验统计量的分布，确定拒绝域；最后，根据检验统计量的观测值是否落入拒绝域来决定是否拒绝原假设。解析：假设检验的基本步骤可以概括为：提出假设、选择检验统计量、计算观测值、确定拒绝域、做出决策。这些步骤是假设检验的核心逻辑，通过这些步骤，我们可以根据样本数据来判断原假设是否成立。2.置信区间是指在一定置信水平下，估计总体参数的可能范围。置信区间的含义是：如果我们重复抽样多次，每次都根据样本数据计算一个置信区间，那么有100(1-α)%的置信区间会包含真实的总体参数。例如，95%的置信区间表示我们有95%的信心认为真实的总体参数落在这个区间内。解析：置信区间是统计推断中用来估计总体参数的一种重要工具，它提供了一个可能的参数范围，而不是一个单一的估计值。置信区间的含义是：如果我们重复抽样多次，每次都根据样本数据计算一个置信区间，那么有100(1-α)%的置信区间会包含真实的总体参数。这个含义反映了我们对估计结果的信心程度。3.在回归分析中，多重共线性是指多个自变量之间存在高度线性相关关系的情况。多重共线性会对回归分析产生以下影响：首先，回归系数的估计值会变得非常不稳定，即较小的样本数据变动可能导致回归系数发生较大变化；其次，回归系数的估计值的方差会增大，导致假设检验的功效降低，难以正确判断自变量对因变量的影响；最后，回归模型的解释能力会下降，难以准确解释自变量对因变量的影响。解析：多重共线性是回归分析中一个常见的问题，它会对回归分析的结果产生不利影响。多重共线性会导致回归系数的估计值不稳定、假设检验的功效降低、模型解释能力下降等问题，这些问题都会影响我们对回归分析结果的解释和应用。4.抽样误差是指样本统计量与总体参数之间的差异。抽样误差主要与以下因素有关：首先，样本量的大小，样本量越大，抽样误差越小；其次，总体标准差的大小，总体标准差越大，抽样误差越大；最后，抽样方法，不同的抽样方法可能导致不同的抽样误差。解析：抽样误差是抽样调查中不可避免的现象，它反映了抽样调查结果与总体真实情况之间的偏差。抽样误差的大小受到样本量、总体标准差和抽样方法等因素的影响，这些因素都会影响抽样调查结果的准确性。5.在进行时间序列分析时，可以通过以下方法判断数据是否存在季节性因素：首先，观察时间序列图，如果数据存在明显的周期性波动，则可能存在季节性因素；其次，计算季节性指数，如果季节性指数存在显著差异，则说明数据存在季节性因素；最后，使用时间序列模型进行拟合，如果模型中包含季节性项，则说明数据存在季节性因素。解析：时间序列分析是统计分析中一个重要的分支，它主要用于分析时间序列数据的特征和规律。季节性因素是时间序列数据中一种常见的规律性变化，它通常表现为数据在某个时间段内存在周期性的波动。判断数据是否存在季节性因素，可以通过观察时间序列图、计算季节性指数、使用时间序列模型进行拟合等方法来进行。四、计算题1.首先根据样本数据计算标准误差：SE=s/sqrt(n)=10/sqrt(10)≈3.16。然后根据t分布表查找自由度为n-1=9时，95%置信水平的t值，约为2.262。接着计算置信区间的上下限：下限=80-2.262*3.16≈73.3，上限=80+2.262*3.16≈86.7。因此，95%的置信区间为[73.3,86.7]。解析：计算置信区间的步骤包括：计算标准误差、查找t值、计算上下限。首先，根据样本数据计算标准误差，标准误差反映了样本均值的抽样变异程度。然后，根据自由度和置信水平查找t值，t值是确定置信区间宽度的关键参数。最后，根据样本均值、标准误差和t值计算置信区间的上下限。通过这些步骤，我们可以得到一个包含真实总体参数的可能范围。2.首先计算两个样本的均值和标准差：新药组：均值=15，标准差=3；现有药物组：均值=18，标准差=4。然后计算两个样本的合并方差：Sp^2=[(n1-1)s1^2+(n2-1)s2^2]/(n1+n2-2)=[(10-1)3^2+(10-1)4^2]/(10+10-2)≈38.67。接着计算合并标准差：Sp=sqrt(38.67)≈6.22。然后计算检验统计量：t=(x1-x2)/Sp*sqrt(n1*n2/(n1+n2))=(15-18)/6.22*sqrt(10*10/(10+10))≈-1.59。最后根据t分布表查找自由度为n1+n2-2=18时，0.05显著性水平的双侧检验临界值，约为2.101。由于-1.59小于2.101，我们不能拒绝原假设，即新药没有显著缩短康复时间。解析：进行独立样本t检验的步骤包括：计算均值和标准差、计算合并方差、计算检验统计量、查找临界值、做出决策。首先，计算两个样本的均值和标准差，这些参数反映了样本的中心趋势和变异程度。然后，计算两个样本的合并方差，合并方差是用于计算检验统计量的关键参数。接着，根据样本均值、合并方差和样本量计算检验统计量。最后，根据自由度和显著性水平查找临界值，将检验统计量与临界值进行比较，根据比较结果做出决策。通过这些步骤，我们可以判断新药是否显著缩短了康复时间。3.首先计算广告投入和销售额的均值：广告投入均值=(2+4+6+8+10+12+14+16+18+20)/10=11，销售额均值=(30+40+50+60+70+80+90+100+110+120)/10=75。然后计算广告投入和销售额的离差积之和：sum((x-x_mean)*(y-y_mean))=(2-11)*(30-75)+(4-11)*(40-75)+...+(20-11)*(120-75)=1750。接着计算广告投入的离差平方和：sum((x-x_mean)^2)=(2-11)^2+(4-11)^2+...+(20-11)^2=700。然后计算回归系数：b1=sum((x-x_mean)*(y-y_mean))/sum((x-x_mean)^2)=1750/700=2.5。接着计算截距：b0=y_mean-b1*x_mean=75-2.5*11=20。因此，回归方程为：y=20+2.5x。这个方程表明，广告投入每增加1万元，销售额预计增加2.5万元。解析：进行简单线性回归分析的步骤包括：计算均值、计算离差积之和和离差平方和、计算回归系数和截距、写出回归方程。首先，计算广告投入和销售额的均值，这些均值反映了样本的中心趋势。然后，计算广告投入和销售额的离差积之和和离差平方和，这些参数是用于计算回归系数的关键。接着，根据离差积之和和离差平方和计算回归系数和截距。最后，根据回归系数和截距写出回归方程。通过这些步骤，我们可以得到一个描述广告投入与销售额之间关系的回归方程，并解释回归系数的含义。4.首先计算周末客流量和销售额的均值：客流量均值=(200+250+300+350)/4=275，销售额均值=(5+7+9+11)/4=8.25。然后计算周末客流量和销售额的离差积之和：sum((x-x_mean)*(y-y_mean))=(200-275)*(5-8.25)+(250-275)*(7-8.25)+(300-275)*(9-8.25)+(350-275)*(11-8.25)=1875。接着计算周末客流量的离差平方和：sum((x-x_mean)^2)=(200-275)^2+(250-275)^2+(300-275)^2+(350-275)^2=18750。然后计算销售额的离差平方和：sum((y-y_mean)^2)=(5-8.25)^2+(7-8.25)^2+(9-8.25)^2+(11-8.25)^2=6.25。接着计算相关系数：r=sum((x-x_mean)*(y-y_mean))/sqrt(sum((x-x_mean)^2)*sum((y-y_mean)^2))=1875/sqrt(18750*6.25)=0.99。因此，周末客流量与销售额之间的相关系数为0.99，说明它们之间存在很强的正相关关系。解析：进行相关分析的步骤包括：计算均值、计算离差积之和和离差平方和、计算相关系数、解释相关系数的含义。首先，计算周末客流量和销售额的均值，这些均值反映了样本的中心趋势。然后，计算周末客流量和销售额的离差积之和和离差平方和，这些参数是用于计算相关系数的关键。接着，根据离差积之和和离