关联规则的置信度公式为 confidence(A=>B)是 A P(An B B、P(B|A)C P(AUB)D P(A|B)

2.某商店出售某种商品，由历史销售记录分析表明，月销售量（件）服从参数为8的泊松分布.问在月初进货时，需要多少库存量，才能有90%以上的把握可以满足顾客的需求.

A 00实验基础-10概率*sigma表示随机误差的标准偏差,服从正态分布的误差出现在[- sigma ,+ sigma ]区间内的概率为() A. 0.683B. 0.954C. 0.5D. 0.997

下列哪个表格可以作为某一离散型随机变量的分布列( )ξ 2 4 5-|||-A-|||-P 0.2 0.6 0.3-|||-ξ -5 ,0 5-|||-B-|||-P I -0.2 0.6 0.6-|||-ξ 12 3-|||-C-|||-P 0.2 0.3 0.4-|||-ξ 12 3 n-|||-D-|||-P 0.5 0.5^2 0.5^3...0.5^n..

下列哪个符号代表可靠系数?A. kssB. krelC. ksenD. kcon

关于精密度说法正确的是A. 精密度反应系统误差的大小B. 再现精密度就是批间精密度C. 重复性精密度又称为实验室间精密度D. 中间精密度又称为批内精密度E. 精密度是对同一样本进行多次测量所得结果的接近程度

关于精密度说法正确的是A. 精密度是对同一样本进行多次测量所得结果的接近程度B. 重复性精密度又称为实验室间精密度C. 精密度反应系统误差的大小D. 再现精密度就是批间精密度E. 中间精密度又称为批内精密度

在撰写研究方案时，需重点描述的内容包括()A. 研究方法的技术路线图B. 样本量计算的统计学依据C. 实验失败后的补救措施D. 数据收集的质量控制方法

7.测量某物体长度(单位:cm)6次,数值为12.41,12.40,12.43,12.4112.42,12.42,试-|||-求长度的标准误差(偏差)、相对误差,并把结果写成 =overline (l)pm hat (l) 的形式.-|||-知饱

120-|||-111-|||-102-|||-93-|||-84-|||-75-|||-66-|||-57-|||-48-|||-39-|||-30-|||-21|-|||-0 1 2 3 4 5 6 7 8 92019年，中国的国内生产总值（GDP）已经达到约100万亿元人民币，位居世界第二，这其中实体经济的贡献功不可没实体经济组织一般按照市场化原则运行，某生产企业一种产品的成本由原料成本及非原料成本组成，每件产品的非原料成本y（元）与生产该产品的数量x（千件）有关，经统计得到如下数据： x 1 2 3 4 5 6 7 8 y 112 61 44.5 35 30.5 28 25 24 根据以上数据，绘制了如下的散点图．现考虑用反比例函数模型y=a+(b)/(x)和指数函数模型y=cedx分别对两个变量的关系进行拟合．为此变换如下：令u=(1)/(x)，则y=a+bu，即y与u满足线性关系；令v=lny，则v=lnc+dx，即v与x也满足线性关系．这样就可以使用最小二乘法求得非线性的回归方程．已求得用指数函数模型拟合的回归方程为hat y=96.54(e^dx)，v与x的相关系数r1=-0.94，其他参考数据如表（其中ui=(1)/(({x_i))}vi=lnyi）： sum_(i=1)^8uiyi overline(u) overline(u)2 sum_(i=1)^8ui2 sum_(i=1)^8yi sum_(i=1)^8yi2 sqrt(0.61×6185.5) e-2 ln96.54 overline(v) 183.4 0.34 0.115 1.53 360 22385.5 61.4 0.135 4.6 3.7 （Ⅰ）求指数函数模型和反比例函数模型中y关于x的回归方程；（Ⅱ）试计算y与u的相关系数r2，并用相关系数判断：选择反比例函数和指数函数两个模型中的哪一个拟合效果更好（计算精确到0.01）？（Ⅲ）根据（Ⅱ）小题的选择结果，该企业采取订单生产模式（即根据订单数量进行生产，产品全部售出）．根据市场调研数据，该产品单价定为100元时得到签订订单的情况如表： 订单数（千件） 1 2 3 4 5 6 7 8 9 10 11 概率 （(1)/(2)）10 （(1)/(2)）9 （(1)/(2)）8 （(1)/(2)）7 （(1)/(2)）6 （(1)/(2)）5 （(1)/(2)）4 （(1)/(2)）3 （(1)/(2)）2 (1)/(2) （(1)/(2)）10 已知每件产品的原料成本为10元，试估算企业的利润是多少？（精确到1千元）参考公式：对于一组数据（u1，v1），（u2，v2），…，（un，vn），其回归直线v=α+βu的斜率和截距的最小二乘估计分别为：hat(β)=(sum_(i=1)^n)/(u)_(i{v)_(i)-noverline(uv)}(sum_{i=1)^n(u)_(i)^2-n(overline{u)}^2}，hat(α)=overline(v)-hat(β)overline(u)，相关系数r=(sum_(i=1)^n)/(u)_(i{v)_(i)-noverline(uv)}(sqrt(（sum_{i=1)^n{u)_(i)^2-n(overline{u)}^2）（sum_(i=1)^n(v)_(i)^2-n(overline{v)}^2）}}．