若旋转后的因子载荷具有简单结构，则
下面哪些矩阵肯定不是随机向量x的协差阵
设【图片】，则x离μ越远（近）密度越小（大）。度量这里远近的距离应是
聚类变量个数为多少时，一般最不建议使用系统聚类法等正规聚类方法直接进行聚类。
在两组的情形下，按最小期望误判代价法对新样品的归属进行判别，使得两个误判概率之和达到最小需要的条件是
对应分析图中每一维坐标轴上各行点（或列点）坐标的变异性是用方差来度量的。
对应分析图中，对于相近的行点和列点，它们离原点越远，其关联性就倾向于越强。
以下哪种判别方法既可用于判别分类也可用于分离各组。
因子旋转一定有利于因子的解释。
在向量间的欧氏距离计算中，取值大的分量在计算中所起的作用就必然大。
属于连接方法的系统聚类法有
随机向量x的协差阵σ总可有如下分解式：【图片】其中a的列数小于行数，d是对角线元素为非负的对角阵。
一般的理想聚类结果应是
容易产生链接倾向，不适合对分离得很差的群体进行聚类的系统聚类法有
对应分析图中相近的行点和列点之间的关联性与它们离原点的远近无关。
对应分析图中散点的坐标一般会是
k均值法的聚类结果与初始凝聚点的选择无关。
在费希尔判别中，各组如能在前几个判别函数构成的低维空间中分离得较好，则在原始变量的更高维空间中一般也会分离得好；反之亦然。
距离和相似系数的定义与变量的尺度无关。
对因子分析中的主成分解，当因子数增加时，原来因子的估计载荷并不变。
在样本容量n不是很大的情形下，以下一般最能给出好的误判概率估计值的非参数方法是
第i主成分变成相反符号后仍然是第i主成分。
不适合用于对变量聚类的方法有
下面哪个矩阵肯定不是随机向量x的协差阵。
名义变量数据可以用来进行主成分分析。
距离判别的判别规则不受变量单位的影响。
对于有序变量数据，有时也可用来进行主成分分析。
r型聚类分析的分类对象是样品。
总惯量反映了
对于两组的判别，最大后验概率法的判别规则可使总的误判概率达到最小。
设【图片】，其中【图片】以下哪些随机变量对是的？
马氏距离是无单位的。
在聚类分析中，可以采用只满足非负性和对称性而不满足三角不等式的“距离”。
设x和y是两个随机向量，则x和y的协差阵与y和x的协差阵
因子分析有时可用来对变量进行聚类分析。
对于两组的判别，最大后验概率法的判别规则可使两个误判概率之和达到最小。
主成分所含的信息是全方位的（即所有原始变量的各方面信息）。
费希尔判别函数得分图既可以用来分类，也可以用来分离。
误判概率的非参数估计方法有
贝叶斯判别中考虑误判代价时，所使用的最优判别规则使ecm达到
估计载荷矩阵和特殊方差矩阵的常用估计方法有
若总惯量为零，则
列联表中的两个分类变量哪个作为行变量哪个作为列变量不影响对应分析的分析结果。
如果对某公司在一个城市中的各个营业点按彼此之间的路程远近来进行聚类，则最适合采用的距离是
在判别分类中一般是利用不完备信息进行分类的。
样本协方差矩阵是总体协方差矩阵的无偏估计，这一结论需假定总体服从多元正态分布。
费希尔判别的判别规则既可以用来分类，也可以用来分离。
在因子模型中，（公共）因子是可以观测得到的。
列联表中类别组合的频数越大，表明相应行类别和列类别的关联性越强。
主成分法可以看成是一个特殊的主因子法。
列边缘频率向量可看成是各列轮廓的中心。
从（累计贡献率足够大的）以下对应分析图来看，哪一点对的关联性是最强的。【图片】
主成分法和主成分分析是一回事。
通常容易对异常值敏感的系统聚类法有
系统聚类法和分割系统聚类法都是开始时将n个样品各自作为一类。
若随机向量的各分量都做了标准化变换，则各分量在欧氏距离中所起的平均作用一定相同。
对于两组皆为正态组及协差阵不同的情形下，两组先验概率均相同及两个误判代价也都相等时的贝叶斯判别等价于距离判别。
设a是载荷矩阵，则衡量（公共）因子重要性的一个量是
中心化的主成分与非中心化的主成分在主成分分析中所起的作用本质上相同。
在两组协差阵相同的情形下，两组先验概率相同及误判代价也相等时的贝叶斯判别等价于距离判别。
因子旋转的目的是为了
因子载荷图中的坐标轴是因子的取值。
设有【图片】三个组，欲判别某样品【图片】属于何组，已知【图片】,【图片】。现按最大后验概率法将【图片】判为归属某组，则计算得的属于该组的后验概率应是
即使各原始变量的方差差异很大，从r出发和从σ出发得到的主成分结果一般也比较接近。
在主成分分析中，选取多少个主成分一般只需看陡坡图即可。
k均值法的类个数可以在其聚类的过程中加以确定。
q型聚类分析的分类对象是样品。
零是所有行点（或列点）在每一维坐标轴上的中心。
在累计贡献率足够大的对应分析图中，如果两个行点越接近（远离），则表明相应的两个行轮廓就越相似（不相似）。
主成分分析中各主成分之间是
设先验概率，误判代价及概率密度值已列于下表。【图片】应将样品【图片】分到的组是
在所有误判代价都相同的情形下，最小期望误判代价法的判别规则等价于最大后验概率法的判别规则。
贝叶斯判别可能需考虑到的已知条件有
按不同时期的数据各自得出的主成分一般可比较其得分大小。
在聚类分析中马氏距离一般不是理想的距离。
关于主成分的总方差与原始变量的总方差之间的关系，如下哪一论述是正确的。
关于主成分的含义，以下哪一叙述一般是正确的。
具有很小方差的最后一个主成分一定显得没有价值。
当只取两个因子时，因子旋转角度也可通过目测主观确定。
关于样本主成分的总样本方差与原始变量的总样本方差之间的关系，如下哪一论述是正确的。
k均值法有改善系统聚类法聚类结果的可能性。
k均值法的类个数需事先指定。
对于两组皆为正态组及协差阵相同的情形下，两组先验概率相同及两个误判代价也相等时的贝叶斯判别等价于距离判别，也等价于费希尔判别。
当变量数p=2时，从平面散点图上进行主观聚类的效果在一般情况下不如正规的聚类方法（如系统聚类法或k均值法等）。
所有共性方差之和是所有（公共）因子对总方差的累计贡献。
以下哪两种系统聚类法在许多场合下被认为是更值得推荐的方法。
相比于主成分分析，因子分析更强调用少数几个因子解释原始变量的总方差。
因子分析中对因子解释成功的可能性一般大于主成分分析中对主成分解释成功的可能性。
正交旋转将改变共性方差。
马氏距离不受变量单位的影响。
马氏距离何时退化为欧氏距离。
设x和y是两个同维随机向量，则x和y的协差阵与y和x的协差阵必相等。
在对各原始变量都做了标准化变换后的正交因子模型中，因子载荷必是
设a是载荷矩阵，则共性方差是
费希尔判别既可用于分类也可用于分离，且在实际应用中更多地用于分离。
利用降维之后的散点图对聚类效果进行评估，以下哪个叙述是正确的。
以下哪种系统聚类法不具有单调性。
因子载荷矩阵具有简单结构一定有利于因子的解释。
对于多元正态总体，μ和σ的极大似然估计都是无偏的。
大的类之间不易合并，而小的类之间易于合并的系统聚类法有
变量之间的相似性也可用距离来度量，样品之间的相似性也可用相似系数来度量。
利用降维之后的散点图进行聚类分析，以下哪个叙述是正确的。
若向量的各分量单位都相同，则两个向量之间的欧氏距离一定是有意义的。
类的个数适当，类之间较为分开而类内相近，也未出现不合理的过大的类，这必然是一个好的聚类结果。
中心化的费希尔判别函数与非中心化的费希尔判别函数所起的作用本质上相同。
主成分法的（未旋转的）因子解释与主成分分析中的主成分解释一定会完全相同。
能够直接看清楚单个行轮廓的有
二元正态分布的密度等高线有无穷多条，都是同中心同方向的椭圆。
对应分析图中的所有坐标轴上的（主）惯量之和必等于总惯量。
在实际问题中，我们实际所使用的判别规则一般是
在任何情况下，主成分都需要进行解释。
设随机向量【图片】的协差阵为【图片】则【图片】的协差阵为
在聚类分析中使用主成分的目的是为了更好地计算样品间的距离。
对于同样的样品和同样的原始变量，某时期的主成分分析能成功未必意味着其他时期的主成分分析也能成功。
以下误判概率的非参数估计方法中哪一种给出的估计值通常偏低。
正交旋转将改变所有（公共）因子的累计贡献率。
以下哪种系统聚类法的类与类之间的距离定义不止一种。
所有行点（或列点）在每一维坐标轴上的平均坐标值为零。
在各组协差阵均相同，各组先验概率均相同及所有误判代价也都相等的情形下，贝叶斯判别等价于距离判别。
两组情形下的最小期望误判代价法的判别规则包含三个比值，其中最富有实际意义的是
在计算主成分时，理论上样品的观测个数必须大于原始变量的个数。
对于间隔变量，距离常用来度量样品之间的相似性，相似系数常用来度量变量之间的相似性。
从以下对应分析图可以看出，具有关联性的点对是【图片】
行边缘频率向量可看成是各行轮廓的中心
在列联表中，若各行轮廓之间的差异大，则列轮廓之间的差异也必然大；反之亦然。
所有的系统聚类法都满足单调性。
在费希尔判别中需要假定各组的协差阵相同。
对应分析图中行点和列点之间的距离是没有意义的。
在费希尔判别中，如果各组点在由前两个判别函数构成的低维空间中分离得不好，则一定意味着它们在由所有原始变量构成的高维空间中分离得也不好。
若各组的样本容量普遍较小，则采用线性判别函数一般比采用二次判别函数更为合适。