A. 改进后平均抗拉强度有提高,但抗拉强度的波动也增加了. B. 改进后平均抗拉强度有提高,但抗拉强度的波动未变. C. 改进后平均抗拉强度无提高,但抗拉强度的波动增加了. D. 改进后平均抗拉强度无提高,抗拉强度的波动也未变.
（6）50. 为了比较A,B,C三种催化剂对硝酸氨产量的影响,在三种催化剂下,各生产了6批产品.进行 了单因素方差分析(ANOVA)后,得到结果如下所显示.
由上面这些结果,如果我们希望两两比较时总的第I类错误风险控制为5%,应该选用的结论是: A. 3种催化剂效果无显著差异.
B. 采用Tukey方法,总第I类错误风险为5%,其计算结果为:AC间,BC间无显著差异,
但催化剂A的产量显著高于催化剂B的产量.
C. 采用Tukey方法,全部总体参加比较时,总第I类错误风险选定为5%,其计算结果为: AC间无显著差异,但催化剂A及C的产量都显著高于催化剂B的产量.
D. 采用Fisher方法,多总体中任意二总体进行比较时,第I类错误风险皆选定为5%,其计算 结果为:3种催化剂下的产量都显著不同.催化剂A的产量显著高于催化剂C的产量,催 化剂C的产量显著高于催化剂B的产量,当然催化剂A的产量也显著高于催化剂B的产 量.
（6）51. M公司生产垫片.在生产线上,随机抽取100片垫片,发现其厚度分布均值为2.0mm,标准差为 0.2mm.取10片叠起来,则这10片垫片叠起来后总厚度的均值和方差为: A. 均值2.0mm;方差0.2 B. 均值20mm;方差0.04 C. 均值20mm;方差0.4 D. 均值20mm;方差4
（5）52. M车间负责测量机柜的总电阻值.由于现在使用的是自动数字式测电阻仪,不同的测量员间不再 有什么差别,但在测量时要先设定初始电压值V,这里对V可以有3种选择方法.作测量系统分析 时,使用传统方法,对10个机柜,都用3种不同选择的V值,各测量2次.在术语\测量系统的重 复性(Repeatability)\和\测量系统的再现性(Reproducibility)\中,术语\再现性\应这样解 释:
A. 不使用不同的测量员,就不再有\再现性\误差了. B. 不同的设定的V值所引起的变异是\再现性\误差.
C. 同一个设定的V值,多次重复测量同样一个机柜所引起的变异是\再现性\误差. D. 在不同时间周期内,用此测电阻仪测量同一个机柜时,测量值的波动是\再现性\误差.
（5）53. 在箱线图(Box-Plot)分析中,已知最小值=-4;Q1=1;Q3=4;最大值=7;则正确的说法是: A. 上须触线终点为:7;下须触线终点为:-3.5 B. 上须触线终点为:8.5;下须触线终点为:-3.5 C. 上须触线终点为:7;下须触线终点为:-4 D. 上须触线终点为:8.5;下须触线终点为:-4
（6）54. 强力变压器公司的每个工人都操作自己的 15 台绕线器生产同种规格的小型变压器.原定的变压 之电压比为 2.50,但实际上的电压比总有些误差.为了分析究竟是什么原因导致电压比变异过大, 让 3 个工人,每人都操作自己任意选定的 10 台绕线器各生产1 台变压器,对每台变压器都测量了 2 次电压比数值,这样就得到了共60个数据.为了分析电压比变异产生的原因,应该:
A. 将工人及绕线器作为两个因子,进行两种方式分组的方差分析(Two-Way ANOVA),分别计算 出两个因子的显著性,并根据其显著性所显示的P值对变异原因作出判断.
B. 将工人及绕线器作为两个因子,按两个因子交叉(Crossed)的模型,用一般线性模型(General Linear Model)计算出两个因子的方差分量及误差的方差分量,并根据这些方差分量的大小 对变异原因作出判断.
C. 将工人及绕线器作为两个因子,按两个因子嵌套(Nested)的模型,用全嵌套模型(Fully Nested ANOVA)计算出两个因子的方差分量及误差的方差分量,并根据这些方差分量的大小 对变异原因作出判断.
D. 根据传统的测量系统分析方法(GageRR Study- Crossed),直接计算出工人及绕线器两个因
子方差分量及误差的方差分量,并根据这些方差分量的大小对变异原因作出判断.
（6）55. 对于两总体均值相等性检验,当验证了数据是独立的且为正态后,还要验证二者的等方差性,然 后就可以使用双样本的T检验.这时是否可以使用单因子的方差分析(ANOVA)方法予以替代,这里 有不同看法.正确的判断是:
A. 两总体也属于多总体的特例,因此,所有两总体均值相等性T检验皆可用ANOVA方法解决. B. 两总体虽属于多总体的特例,但两总体均值相等性T检验的功效(Power)比ANOVA方法要 高,因而不能用ANOVA方法替代.
C. 两总体虽属于多总体的特例,但两总体均值相等性T检验的计算比ANOVA方法要简单,因 而不能用ANOVA方法替代.
D. 两总体虽属于多总体的特例,但两总体均值相等性T检验可以处理对立假设为单侧(例如 \大于\的情形,而ANOVA方法则只能处理双侧(即\不等于\的问题,因而不能用ANOVA 方法替代.
（6）56. M公司中的Z车间使用多台自动车床生产螺钉,其关键尺寸是根部的直径.为了分析究竟是什么 原因导致直径变异过大,让3个工人,并随机选择5台机床,每人分别用这5车床各生产10个螺钉, 共生产150个螺钉,对每个螺钉测量其直径,得到150个数据.为了分析直径变异产生的原因,应该: A. 将工人及螺钉作为两个因子,进行两种方式分组的方差分析(Two-Way ANOVA),分别计算 出两个因子的显著性,并根据其显著性所显示的P值对变异原因作出判断.
B. 将工人及螺钉作为两个因子,按两个因子交叉(Crossed)的模型,用一般线性模型(General Linear Model)计算出两个因子的方差分量及误差的方差分量,并根据这些方差分量的大 小对变异原因作出判断.
C. 将工人及螺钉作为两个因子,按两个因子嵌套(Nested)的模型,用全嵌套模型(Fully Nested ANOVA)计算出两个因子的方差分量及误差的方差分量,并根据这些方差分量的大小对变异 原因作出判断.
D. 根据传统的测量系统分析方法(GageRR Study- Crossed),直接计算出工人及螺钉两个因 子方差分量及误差的方差分量,并根据这些方差分量的大小对变异原因作出判断.
（6）57. 在选定Y为响应变量后, 选定了X1,X2,X3为自变量,并且用最小二乘法建立了多元回归方程.在 MINITAB软件输出的ANOVA表中,看到P-Value=0.0021.在统计分析的输出中,找到了对各个回归系 数是否为0的显著性检验结果.由此可以得到的正确判断是:
A. 3个自变量回归系数检验中,应该至少有1个以上的回归系数的检验结果是显著的(即至 少有1个以上的回归系数检验的 P-Value 小于0.05),不可能出现3个自变量回归系数检 验的 P-Value 都大于0.05的情况
B. 有可能出现3个自变量回归系数检验的 P-Value 都大于0.05的情况,这说明数据本身有 较多异常值,此时的结果已无意义,要对数据重新审核再来进行回归分析.
C. 有可能出现3个自变量回归系数检验的 P-Value 都大于0.05的情况,这说明这3个自变 量间可能有相关关系,这种情况很正常.
D.ANOVA表中的P-VALUE=0.0021说明整个回归模型效果不显著,回归根本无意义.
（5）58. 已知一组寿命(Life Time)数据不为正态分布.现在希望用Box-Cox变换将其转化为正态分布. 在确定变换方法时得到下图:
从此图中可以得到结论:
A. 将原始数据取对数后,可以化为正态分布. B. 将原始数据求其 0.2次方后,可以化为正态分布. C. 将原始数据求平方根后,可以化为正态分布.
D. 对原始数据做任何Box-Cox变换,都不可能化为正态分布.
（6）59. 为了研究轧钢过程中的延伸量控制问题,在经过2水平的4个因子的全因子试验后,得到了回归 方程.其中,因子A代表轧压长度,低水平是50cm,高水平为70cm.响应变量Y为延伸量(单位为 cm).在代码化后的回归方程中, A因子的回归系数是4.问,换算为原始变量(未代码化前)的方 程时,此回归系数应该是多少 A. 40 B. 4 C. 0.4 D. 0.2
（6）60. 为了判断两个变量间是否有相关关系,抽取了 30 对观测数据.计算出了他们的样本相关系数为 0.65,对于两变量间是否相关的判断应该是这样的: A. 由于样本相关系数小于0.8,所以二者不相关 B. 由于样本相关系数大于0.6,所以二者相关
C. 由于检验两个变量间是否有相关关系的样本相关系数的临界值与样本量大小有关, 所以要查样本相关系数表才能决定
D. 由于相关系数并不能完全代表两个变量间是否有相关关系,本例信息量不够,不可 能得出判定结果
（6）61. 响应变量Y与两个自变量(原始数据)X1及X2建立的回归方程为: 210003.0300002.2xxy++= 由此方程可以得到结论是:
A. X1对Y的影响比X2对Y的影响要显著得多 B. X1对Y的影响比X2对Y的影响相同 C. X2对Y的影响比X1对Y的影响要显著得多 D. 仅由此方程不能对X1及X2对Y影响大小作出判定
（6）62. 为了判断改革后的日产量是否比原来的200 (千克)有所提高,抽取了20次日产量,发现日产 量平均值为201(千克).对此可以得到判断: A.只提高1千克,产量的提高肯定是不显著的
B.日产量平均值为201(千克),确实比原来200(千克)有提高 C.因为没有提供总体标准差的信息,因而不可能作出判断
D.不必提供总体标准差的信息,只要提供样本标准差的信息就可以作出判断
（6）63. 六西格玛团队分析了历史上本车间产量(Y)与温度(X1)及反应时间(X2)的记录.建立了Y 对 于X1及X2的线性回归方程,并进行了ANOVA,回归系数显著性检验,相关系数计算等,证明我们选 择的模型是有意义的,各项回归系数也都是显著的.下面应该进行: A. 结束回归分析,将选定的回归方程用于预报等
B. 进行残差分析,以确认数据与模型拟合得是否很好,看能否进一步改进模型 C. 进行响应曲面设计,选择使产量达到最大的温度及反应时间
D. 进行因子试验设计,看是否还有其它变量也对产量有影响,扩大因子选择的范围 （6）64. 回归方程XY = ∧
30中,Y的误差的方差的估计值为9,当1=X时,Y的95%的近似预测区间 是 A. (23,35) B. (24,36) C. (20,38) D. (21,39)
（7）65. 某工序过程有六个因子A,B,C,D,E,F,工程师希望做部分因子试验确定主要的影响因素,准 备采用26-2设计,而且工程师根据工程经验判定AB,BC,AE, DE之间可能存在交互作用,但是MINITAB 给出的生成元(Generators)为 E = ABC, F = BCD,为了不让可能显著的二阶交互作用相互混杂, 下列生成元可行的是: A. E=ABD, F=ABC B. E=BCD, F=ABC C. E=ABC, F=ABD D. E=ACD, F=BCD
（7）66. 下列哪项设计是适合作为改进阶段开始的筛选实验(Screening Experiment): A. 8因子的全因子实验 B. 8因子的部分因子实验 C. 中心复合设计(CCD) D. Box-Behnken 设计