1 . 将保护区分为面积大小相近的多个区域，用简单随机抽样的方法抽取其中15个区域进行编号，统计抽取到每个区域的某种水源指标和区域内该植物分布的数量（，2，…，15），得到数组．已知，，．
(1)求样本（，2…，15）的相关系数；
(2)假设该植物的寿命为随机变量X（X可取任意正整数）．研究人员统计大量数据后发现：对于任意的，寿命为的样本在寿命超过k的样本里的数量占比与寿命为1的样本在全体样本中的数量占比相同，均等于0.1，这种现象被称为“几何分布的无记忆性”．
（ⅰ）求（）的表达式；
（ⅱ）推导该植物寿命期望的值．
附：相关系数．

2 . 某校20名学生的数学成绩和知识竞赛成绩如下表：

学生编号	1	2	3	4	5	6	7	8	9	10
数学成绩	100	99	96	93	90	88	85	83	80	77
知识竞赛成绩	290	160	220	200	65	70	90	100	60	270
学生编号	11	12	13	14	15	16	17	18	19	20
数学成绩	75	74	72	70	68	66	60	50	39	35
知识竞赛成绩	45	35	40	50	25	30	20	15	10	5

计算可得数学成绩的平均值是，知识竞赛成绩的平均值是，并且，，．

(1)求这组学生的数学成绩和知识竞赛成绩的样本相关系数（精确到）．
(2)设，变量和变量的一组样本数据为，其中两两不相同，两两不相同．记在中的排名是第位，在中的排名是第位，．定义变量和变量的“斯皮尔曼相关系数”（记为）为变量的排名和变量的排名的样本相关系数．

（i）记，．证明：．

（ii）用（i）的公式求这组学生的数学成绩和知识竞赛成绩的“斯皮尔曼相关系数”（精确到）．

(3)比较（1）和（2）（ii）的计算结果，简述“斯皮尔曼相关系数”在分析线性相关性时的优势．

注：参考公式与参考数据．；；．

3 . 移动物联网广泛应用于生产制造、公共服务、个人消费等领域．截至2022年底，我国移动物联网连接数达18.45亿户，成为全球主要经济体中首个实现“物超人”的国家．右图是2018-2022年移动物联网连接数W与年份代码t的散点图，其中年份2018-2022对应的t分别为1~5．

(1)根据散点图推断两个变量是否线性相关．计算样本相关系数（精确到0.01），并推断它们的相关程度；
(2)(i)假设变量x与变量Y的n对观测数据为(x₁，y₁)，(x₂，y₂)，…，(x_n，y_n)，两个变量满足一元线性回归模型   （随机误差）．请推导：当随机误差平方和Q＝取得最小值时，参数b的最小二乘估计．
(ii)令变量，则变量x与变量Y满足一元线性回归模型利用(i)中结论求y关于x的经验回归方程，并预测2024年移动物联网连接数．
附：样本相关系数，，，，

4 . 小明在家独自用下表分析高三前5次月考中数学的班级排名y与考试次数x的相关性时，忘记了第二次和第四次月考排名，但小明记得平均排名，于是分别用m＝6和m＝8得到了两条回归直线方程：，，对应的相关系数分别为、，排名y对应的方差分别为、，则下列结论正确的是（     ）

x	1	2	3	4	5
y	10	m	6	n	2

（附：，）

A．

B．

C．

D．

5 . 维尼纶纤维的耐热水性能的好坏可以用指标“缩醛化度”来衡量，这个指标越高，耐热水性能也越好，而甲醛浓度是影响缩醛化度的重要因素，在生产中常用甲醛浓度（单位:）去控制这一指标，为此必须找出它们之间的关系，现安排一批实验，获得如下数据:

甲醛浓度 /（）	18	20	22	24	26	28	30
缩醛化度 /克分子%	26.86	28.35	28.75	28.87	29.75	30.00	30.36

(1)画散点图；
(2)求线性回归方程；
(3)求相关系数

6 . 某统计部门依据《中国统计年鉴——2017》提供的数据，对我国1997-2016年的国内生产总值（GDP）进行统计研究，作出了两张散点图：图1表示1997-2016年我国的国内生产总值（GDP），图2表示2007-2016年我国的国内生产总值（GDP）．


(1)用表示第i张图中的年份与GDP的线性相关系数，，依据散点图的特征分别写出的结果；
(2)分别用线性回归模型和指数回归模型对两张散点图进行回归拟合，分别计算出统计数据——相关指数的数值，部分结果如下表所示：

年份	1997-2016	2007-2016
线性回归模型	0.9306
指数回归模型	0.9899	0.978

①将上表中的数据补充完整（结果保留3位小数，直接写在答题卡上）；
②若估计2017年的GDP，结合数据说明采用哪张图中的哪种回归模型会更精准一些？若按此回归模型来估计，2020年的GDP能否突破100万亿元？事实上，2020年的GDP刚好突破了100万亿元，估计与事实是否吻合？结合散点图解释说明.