Kalkylator för Mahalanobis-avstånd

Om denna kalkylator

Mahalanobis-avståndet mäter hur långt en punkt ligger från en fördelnings medelvärde, men till skillnad från det vanliga euklidiska avståndet tar det hänsyn till korrelationen och spridningen mellan variabler genom att dividera med fördelningens kovariansmatris: D² = (x − μ)ᵀ Σ⁻¹ (x − μ). En punkt som ligger långt bort längs en riktning där data varierar mycket betraktas som mindre ovanlig än samma avstånd längs en riktning där data knappt varierar.

Det gör det till ett standardverktyg inom multivariat detektering av extremvärden och avvikelser, klusteranalys, kvalitetskontroll och klassificering — till exempel för att flagga bedrägliga transaktioner, upptäcka felaktiga sensoravläsningar eller mäta hur typisk en ny observation är jämfört med en träningsdatamängd i maskininlärningsflöden.

Den här kalkylatorn tar en punkt med två variabler, fördelningens medelvärde och dess 2×2-kovariansmatris och beräknar sedan Mahalanobis-avståndet direkt. Statistiker, dataforskare och studenter som lär sig multivariat statistik använder den för att verifiera handräknade beräkningar eller rimlighetskontrollera utdata från statistikprogram.