第五版第二章.ppt

图中两个外点哪个更离群？ 在实际应用中，为了消除单位的影响和均等地对待每一分量，我们常须先对各分量作标准化变换，然后再计算欧氏距离。 令 ，则 由于 ，故平方和中各分量所起的平均作用都一样。 * 二、马氏距离 1.马氏距离概念的引出 *2.马氏距离公式的导出 3.马氏距离的定义 4.马氏距离的特点 * 1.马氏距离概念的引出 欧氏距离经变量的标准化之后能够消除各变量的单位或方差差异的影响，但不能消除变量之间相关性的影响。 * 3.马氏距离的定义 之间的平方马氏距离定义为 到总体π的平方马氏距离定义为 * 例2.3.1 设x是一个p维随机向量，E(x)= μ，V(x)= Σ0，c为一正数，试证到μ的马氏距离固定为c的x集合，即 是一个椭圆（p=2）或椭球面（p=3）或超椭球面 （p3）。 当Σ=σ2I时，上式是圆或圆球面或超圆球面。 * 4.马氏距离的特点 特点(1) 马氏距离对下列形式的p维向量x度量单位的改变具有不变性： y=Cx+b 其中C为p×p阶的非退化常数矩阵，b为p维常数向量。 * 证明 x1,x2经单位变换后为y1,y2 ，即有 * 比例单位变换 如x的分量是长度、重量、速度、费用和用时等，则变量的单位变换可表达为 其中 。 * 带有常数项的单位变换 例子 摄氏温度与华氏温度的换算公式：  F＝(C×9／5)＋32 ， C＝(F－32)×5／9 式中F——华氏温度，C——摄氏温度。 * 特点(2) 马氏距离是x和y经（多元）标准化之后的欧氏距离，即 其中 ，它们的均值 皆为0，协差阵皆为单位阵I。 特点(3) 若 ，则 即当各分量不相关时马氏距离即为各分量经标准化后的欧氏距离。 * * * 第二章 随机向量 §2.1 多元分布 §2.2 数字特征 §2.3 欧氏距离和马氏距离 *§2.4 随机向量的变换 *§2.5 特征函数 * §2.1 多元分布 一、多元概率分布函数 *二、两个常用的离散型多元分布 三、多元概率密度函数 四、边缘分布 五、条件分布 六、独立性 * 一、多元概率分布函数 一个向量，若它的分量都是随机变量，则称之为随机向量。 随机变量x的分布函数： 随机向量 的分布函数： * 三、多元概率密度函数 一元的情形： 多元的情形： 多元密度f (x1, ?,xp)的性质： * 四、边缘分布 设x是p维随机向量，由它的q(p) 个分量组成的向量x(1)的分布称为x的关于x(1)的边缘分布。 不妨设 ，则对连续型的分布，有 * 五、条件分布 设 是p维连续型的随机向量，在给 定 的条件下， 的条件密度定义为 或表达为 * 六、独立性 两个连续型随机向量的独立 n个连续型随机向量的独立 在实际应用中，若随机向量之间的取值互不影响，则认为它们之间是相互独立的。 * §2.2 数字特征 一、数学期望（均值） 二、协方差矩阵 三、相关矩阵 四、总变异性的度量 * 一、数学期望（均值） 随机向量 的数学期望 记为μ=(μ1,μ2,?,μp)′。 随机矩阵X=(xij)的数学期望 * 随机矩阵X的数学期望的性质 (1)设a为常数，则 E(aX)=aE(X) (2)设A,B,C为常数矩阵，则 E(AXB+C)=AE(X)B+C 特别地，对于随机向量x，有 E(Ax)=AE(x) (3)设X1,X2,?,Xn为n个同阶的随机矩阵，则 E