鉴别分析是一种进行统计鉴别和分组的技术手段。它可以就一定数量案例的 个分组变量和相应的其他多元变量的已知信息,确定分组与其他多元变量之间 的数量关系,建立鉴别函数( discriminant function)o然后便可以利用这一数量 关系对其他已知多元变量信息、但未知分组类型所属的案例进行鉴别分组。沿用 多元回归模型的称谓,在鉴别分析中称分组变量( grouping variable)为因变量, 而用以分组的其他特征变量称为鉴别变量( disciminant variable)或自变量。其 实,这里的自变量并不一定是真正的“原因”变量,有时可能倒是真正的“结 果”或“反应”变量。它们与类型变量的关系从本质上并没有越过相关的范畴。 不过,既然我们要参照其值来进行分组,权且称之为自变量

鉴别分析是一种进行统计鉴别和分组的技术手段。它可以就一定数量案例的一个分组变量和相应的其他多元变量的已知信息,确定分组与其他多元变量之间 的数量关系,建立鉴别函数(discriminant function)然后便可以利用这一数量 关系对其他已知多元变量信息、但未知分组类型所属的案例进行鉴别分组。沿用 多元回归模型的称谓,在鉴别分析中称分组变量(grouping variable)为因变量, 而用以分组的其他特征变量称为鉴别变量( disciminant variable)或自变量。其 实,这里的自变量并不一定是真正的“原因变量,有时可能倒是真正的“结 果”或“反应”变量

要点：掌握概率、概率分布和随机变量等的基本概念。重 点区分清楚总体和样本。 2.1一些符号 2.2实验、样本空间、样本点和事件 2.3随机变量 2.4概率 2.5随机变量及其概率分布 2.6多元概率密度函数 2.7总结

第六节信息的放大与缩小 一、一元函数的微分 二、多元函数的全微分 三、小结 四、练习

• 贝叶斯规则 • 基于观察值，将类先验概率 和类条件密度转化为后验概率 • 贝叶斯决策 • 最小化总风险 • 最小化误差概率：选择最大后验概率的类别 • 贝叶斯决策是理论上的最优决策，贝叶斯风险是理论上的最小风险 • 判别函数 • 判决区域和判决边界 • 多元高斯概率密度函数 • 假设类条件概率密度满足高斯分布 • 判别函数 • 判决面

第一章 引论 第二章 单元函数微积分学 第三章 多元函数微积分学 第四章 级数论 第五章 微分方程

第五节如何才能是最优的 一、元可导函数的单调性 二、一元可导函数的极值与最值 三、一元可导函数的凹凸性 四、多元函数的极值 五、小结 六、练习

第三节函数的连续 一、函数的连续与间断 二、连续函数在闭区间上的性质 三、多元函数的极限与连续 四、小结 五、练习

第一篇 极限论 第一部分 极限初论 第二部分 极限续论 第二篇 单变量微积分学 第一部分 单变量微分学 第二部分 单变量积分学 第三篇 级数论 第一部 分数项级数和广义积分 第二部分 函数项级数 第四篇 多变量微积分学 第一部分 多元函数的极限论 第三部分 含参变量的积分和广义积分 第四部分 多变量积分学

我们这门课程叫高等数学,它的内容包括一元 和多元微积分学,无穷级数论和作为理论基础的 极限理论,以及作为一元微积分学的简单应用 常微分方程。由于构成它的主体是一元函数微 积分学,所以有时又称为微积分