1 . 设，.如果存在使得，那么就说可被整除（或整除），记做且称是的倍数，是的约数（也可称为除数、因数）．不能被整除就记做．由整除的定义，不难得出整除的下面几条性质：①若，，则；②，互质，若，，则；③若，则，其中.
(1)若数列满足，，其前项和为，证明：；
(2)若为奇数，求证：能被整除；
(3)对于整数与，，求证：可整除.

2 . 在一条只能沿单向行驶的高速公路上，共有个服务区.现有一辆车从第个服务区向第1个服务区行驶，且当它从第个服务区开出后，将等可能地停靠在第个服务区，直到它抵达第1个服务区为止，记随机变量为这辆车全程一共进入的服务区总数.
(1)求的分布列及期望；
(2)证明：是等差数列.

3 . 设点集，从集合中任取两个不同的点，，定义A，两点间的距离．
(1)求中的点对的个数；
(2)从集合中任取两个不同的点A，，用随机变量表示他们之间的距离，
①求的分布列与期望；
②证明：当足够大时，．（注：当足够大时，）

4 . 数列中，从第二项起，每一项与其前一项的差组成的数列称为的一阶差数列，记为，依此类推，的一阶差数列称为的二阶差数列，记为，…．如果一个数列的p阶差数列是等比数列，则称数列为p阶等比数列．
(1)已知数列满足，．
（ⅰ）求，，；
（ⅱ）证明：是一阶等比数列；
(2)已知数列为二阶等比数列，其前5项分别为，求及满足为整数的所有n值．

5 . （1）在的展开式中，求形如（，）的所有项的系数之和．
（2）证明：展开式中的常数项为．
（3）设的小数部分为，比较与1的大小

6 . 在机器学习中，精确率、召回率、卡帕系数是衡量算法性能的重要指标．科研机构为了测试某型号扫雷机器人的检测效果，将模拟战场分为100个位点，并在部分位点部署地雷．扫雷机器人依次对每个位点进行检测，表示事件“选到的位点实际有雷”，表示事件“选到的位点检测到有雷”，定义：精确率，召回率，卡帕系数，其中．
(1)若某次测试的结果如下表所示，求该扫雷机器人的精确率和召回率．

	实际有雷	实际无雷	总计
检测到有雷	40	24	64
检测到无雷	10	26	36
总计	50	50	100

(2)对任意一次测试，证明：．
(3)若，则认为机器人的检测效果良好；若，则认为检测效果一般；若，则认为检测效果差．根据卡帕系数评价（1）中机器人的检测效果．

7 . 树人中学高三（1）班某次数学质量检测（满分150分）的统计数据如下表：

性别	参加考试人数	平均成绩	标准差
男	30	100	16
女	20	90	19

在按比例分配分层随机抽样中，已知总体划分为2层，把第一层样本记为，其平均数记为，方差记为；把第二层样本记为，其平均数记为，方差记为；把总样本数据的平均数记为，方差记为．
(1)证明：；
(2)求该班参加考试学生成绩的平均数和标准差（精确到1）；
(3)假设全年级学生的考试成绩服从正态分布，以该班参加考试学生成绩的平均数和标准差分别作为和的估计值．如果按照的比例将考试成绩从高分到低分依次划分为四个等级，试确定各等级的分数线（精确到1）．
附：．

8 . 某高校“植物营养学专业”学生将鸡冠花的株高增量作为研究对象，观察长效肥和缓释肥对农作物影响情况.其中长效肥、缓释肥、未施肥三种处理下的鸡冠花分别对应1,2,3三组.观察一段时间后，分别从1,2,3三组随机抽取40株鸡冠花作为样本，得到相应的株高增量数据整理如下表.

株高增量（单位：厘米）
第1组鸡冠花株数	9	20	9	2
第2组鸡冠花株数	4	16	16	4
第3组鸡冠花株数	13	12	13	2

假设用频率估计概率，且所有鸡冠花生长情况相互独立.
(1)从第1组所有鸡冠花中随机选取1株，估计株高增量为厘米的概率；
(2)分别从第1组，第2组，第3组的所有鸡冠花中各随机选取1株，记这3株鸡冠花中恰有株的株高增量为厘米，求的分布列和数学期望；
(3)用“”表示第组鸡冠花的株高增量为，“”表示第组鸡冠花的株高增量为厘米，，直接写出方差，，的大小关系.（结论不要求证明）

9 . 某学校研究性学习小组在学习生物遗传学的过程中，为验证高尔顿提出的关于儿子成年后身高y（单位：）与父亲身高x（单位：）之间的关系及存在的遗传规律，随机抽取了5对父子的身高数据，如下表：

父亲身高	160	170	175	185	190
儿子身高	170	174	175	180	186

(1)根据表中数据，求出关于的线性回归方程，并利用回归直线方程分别确定儿子比父亲高和儿子比父亲矮的条件，由此可得到怎样的遗传规律？
(2)记，其中为观测值，为预测值，为对应的残差.求（1）中儿子身高的残差的和､并探究这个结果是否对任意具有线性相关关系的两个变量都成立？若成立加以证明；若不成立说明理由.
参考数据及公式：
.

10 . 独立事件是一个非常基础但又十分重要的概念，对于理解和应用概率论和统计学至关重要．它的概念最早可以追湖到17世纪的布莱兹·帕斯卡和皮埃尔·德·费马，当时被定义为彼此不相关的事件．19世纪初期，皮埃尔·西蒙·拉普拉斯在他的《概率的分析理论》中给出了相互独立事件的概率乘法公式．对任意两个事件与，如果成立，则称事件与事件相互独立，简称为独立．
(1)若事件与事件相互独立，证明：与相互独立；
(2)甲、乙两人参加数学节的答题活动，每轮活动由甲、乙各答一题，已知甲每轮答对的概率为，乙每轮答对的概率为．在每轮活动中，甲和乙答对与否互不影响，各轮结果也互不影响，求甲乙两人在两轮活动中答对3道题的概率．