多元统计分析04（多元正态分布的抽样分布）多元统计分析04：多元正态分布

Chapter 4：多元正态分布的抽样分布
- 一、正态变量二次型的分布
  - Part 1：分类独立的正态变量二次型
  - Part 2：一般情形的正态变量二次型
- 二、Wishart分布
  - Part 1：Wishart分布的定义
  - Part 2：Wishart分布的性质
- 三、Hotelling $T^2$ 分布
  - Part 1：Hotelling $T^2$ 分布的定义
  - Part 2：Hotelling $T^2$ 分布的性质
- 四、Wilks $\Lambda$ 分布
  - Part 1：Wilks $\Lambda$ 分布的定义
  - Part 2：Wilks $\Lambda$ 分布的性质

Chapter 4：多元正态分布的抽样分布一、正态变量二次型的分布 Part 1：分类独立的正态变量二次型
关于正态变量二次型的分布，首先考虑分量独立且同方差的情况。记 $X=\left(X_1,X_2,\cdots,X_n\right)'$ 是一个正态随机向量，这里我们首先考虑 $X\sim N_n\left(\mu,\sigma^2I_n\right)$ 的情况，其中 $\mu=\left(\mu_1,\mu_2,\cdots,\mu_n\right)'$ 。
设非随机矩阵 $A$ 是一个 $n\times n$ 的对称矩阵，我们记 $\xi=X'AX$ ，称为随机向量 $X$ 的二次型。下面介绍若干正态随机向量二次型的性质。
结论 1：考虑 $A=I_n$ 且 $\mu=0$ 的情况，此时 $\xi=X'X$ ，我们由 $\chi^2$ 分布的定义可得

\[\frac{\xi}{\sigma^2}=\frac{1}{\sigma^2}X'X\sim\chi^2(n) \ . \]
结论 2：考虑 $A=I_n$ 但 $\mu\neq0$ 的情况，此时需要引入非中心 $\chi^2$ 分布的定义。
如果 $n$ 维正态随机向量 $X\sim N(\mu,I_n)$ ，引入非中心参数 $\delta$ ，满足

\[\delta=\mu'\mu=\sum_{i=1}^n\mu_i^2 \ , \]
则称 $\xi=X'X$ 服从自由度为 $n$ ，非中心参数为 $\delta$ 的非中心 $\chi^2$ 分布，记为 $\xi\sim\chi^2(n,\delta)$ 。
如果 $n$ 维正态随机向量 $X\sim N\left(\mu,\sigma^2I_n\right)$ 且有 $\sigma^2\neq1$ 时，令

\[Y_i=\frac{1}{\sigma}X_i\sim N\left(\frac{\mu}{\sigma},1\right) \ , \quad i=1,2,\cdots,n \ , \]
记 $Y=\left(Y_1,Y_2\cdots,Y_n\right)'$ ，则有

\[Y'Y=\frac{1}{\sigma^2}X'X\sim\chi^2(n,\delta) \ , \quad \delta=\frac{1}{\sigma^2}\mu'\mu \ . \]
结论 3：考虑 $A\neq I_n$ 但 $\mu=0$ 的情况。
设 $X\sim N_n\left(0,\sigma^2I_n\right)$ ，$A$ 为 $n\times n$ 对称矩阵且 ${\rm rank}(A)=r$ ，则

\[\frac{1}{\sigma^2}X'AX\sim\chi^2(r) \quad \iff \quad A^2=A \ . \]
结论 4：考虑 $A\neq I_n$ 且 $\mu\neq0$ 的情况。
设 $X\sim N_n\left(\mu,\sigma^2I_n\right)$ ，$A$ 为 $n\times n$ 对称矩阵且 ${\rm rank}(A)=r$ ，记 $\delta=\mu'A\mu/\sigma^2$ ，则

\[\frac{1}{\sigma^2}X'AX\sim\chi^2(r,\delta) \quad \iff \quad A^2=A \ . \]

这里我们只对结论 3进行证明。
$\Longrightarrow$ ：因为 $A$ 是对称矩阵，所以存在正交阵 $\Gamma$ ，使得

\[\Gamma'A\Gamma={\rm diag}\left(\lambda_1,\lambda_2,\cdots,\lambda_r,0,\cdots,0\right) \ . \]
令 $Y=\Gamma'X$ ，则有 $Y\sim N_n\left(0,\sigma^2I_n\right)$ 以及 $X=\Gamma Y$ ，于是

\[\xi\xlongequal{def}\frac{1}{\sigma^2}X'AX=\frac{1}{\sigma^2}Y'\Gamma'A\Gamma Y=\frac{1}{\sigma^2}\sum_{i=1}^r\lambda_i Y_i^2 \ . \]
且 $Y_1,Y_2,\cdots,Y_r$ 相互独立，同服从 $N(0,\sigma^2)$ 分布。故 $Y_i^2/\sigma^2\sim\chi^2(1)\ (i=1,2,\cdots,r)$ ，且相互独立。所以 $\xi$ 的特征函数为

\[\varphi_\xi(t)=\prod_{i=1}^r\left(1-2i\lambda_it\right)^{-1/2} \ . \]
又因为已知 $\xi\sim\chi^2(r)$ ，故 $\xi$ 的特征函数为 $(1-2it)^{-r/2}$ 。利用

\[(1-2it)^{r/2}=\left[\prod_{i=1}^r\left(1-2i\lambda_it\right)\right]^{1/2} \ , \]
即可得出 $\lambda_1=\lambda_2=\cdots=\lambda_r=1$ 的结论，于是

\[{\rm diag}\left(1,\cdots,1,0,\cdots,0\right)=\Gamma'A\Gamma=\Gamma'A\Gamma\cdot\Gamma'A\Gamma=\Gamma'A^2\Gamma \ . \]
故 $A^2=A$ ，即 $A$ 是对称幂等矩阵。
$\Longleftarrow$ ：因为 $A$ 是对称幂等矩阵，而对称幂等矩阵的特征值非 $0$ 即 $1$ ，且只有 $r$ 个非 $0$ 特征值，即存在正交矩阵 $\Gamma$ ，使得

\[\Gamma'A\Gamma=\begin{bmatrix} I_r & O \\ O & O \end{bmatrix} \ . \]
令 $Y=\left(Y_1,Y_2,\cdots,Y_n\right)'=\Gamma'X$ ，即 $X=\Gamma Y$ ，则有

\[Y\sim N_n\left(0,\sigma^2\Gamma'I_n\Gamma\right)=N_n\left(0,\sigma^2I_n\right) \ . \]
进而有

\[\frac{1}{\sigma^2}X'AX=\frac{1}{\sigma^2}Y'\Gamma'A\Gamma Y=\frac1{\sigma^2}Y'\begin{bmatrix} I_r & O \\ O & O \end{bmatrix} Y=\frac{1}{\sigma^2}\sum_{i=1}^rY_i^2 \ . \]
因为 $Y_i\sim N\left(0,\sigma^2\right) \ (i=1,2,\cdots,r)$ 且相互独立，所以

\[\xi=\frac{1}{\sigma^2}X'AX=\frac{1}{\sigma^2}\sum_{i=1}^rY_i^2\sim\chi^2(r) \ . \]

关于正态随机向量的二次型和线性函数的独立性问题，还有以下两个结论。
结论 5：二次型与线性函数的独立性：设 $X\sim N_n\left(\mu,\sigma^2I_n\right)$ ，$A$ 是 $n\times n$ 对称矩阵，$B$ 是 $m\times n$ 矩阵，则 $BX$ 和 $X'AX$ 相互独立的充分必要条件是 $BA=O$ 。
结论 6：两个二次型的独立性：设 $X\sim N_n\left(\mu,\sigma^2I_n\right)$ ，$A$ 和 $B$ 均是 $n\times n$ 对称矩阵，则 $X'AX$ 和 $X'BX$ 相互独立的充分必要条件是 $AB=O$ 。
Part 2：一般情形的正态变量二次型
关于一般情形的正态变量二次型的分布，记 $X=\left(X_1,X_2,\cdots,X_p\right)'$ 是一个正态随机向量，这里我们主要考虑 $X\sim N_p\left(\mu,\Sigma\right),\,\Sigma>0$ 的情况。这里我们要讨论的正态变量二次型的性质，和分量独立且同方差的情形类似，所以我们不再对 $\mu$ 是否为 $0$ 展开讨论，因此我们将一般情形的正态变量二次型的性质总结为以下三个结论。
结论 1：设 $X\sim N_p\left(\mu,\Sigma\right),\,\Sigma>0$ ，则 $X'\Sigma^{-1}X\sim\chi^2(p,\delta)$ ，其中 $\delta=\mu'\Sigma^{-1}\mu$ 。

因为 $\Sigma>0$ ，由正定矩阵的分解可得 $\Sigma=CC'$ ，其中 $C$ 为非退化方阵。
令 $Y=C^{-1}X$ ，即 $X=CY$ ，则有 $Y\sim N_p\left(C^{-1}\mu,C^{-1}\Sigma\left(C^{-1}\right)'\right)$ 。
因为 $\Sigma=CC'$ ，所以 $Y\sim N_p\left(C^{-1}\mu,I_p\right)$ ，且有

\[X'\Sigma^{-1}X=Y'C'\Sigma^{-1}CY=Y'Y\sim\chi^2(p,\delta) \ . \]
其中，非中心参数为

\[\delta=\left(C^{-1}\mu\right)'\left(C^{-1}\mu\right)=\mu'\Sigma^{-1}\mu \ . \]

结论 2：设 $X\sim N_p\left(\mu,\Sigma\right),\,\Sigma>0$ ，$A$ 为 $p\times p$ 的对称矩阵，且 ${\rm rank}(A)=r$ ，则有

\[(X-\mu)'A(X-\mu)\sim\chi^2(r) \quad \iff \quad \Sigma A\Sigma A\Sigma=\Sigma A\Sigma \ . \]

由 $\Sigma>0$ 可知 ${\rm rank}(\Sigma)=p$ ，且存在正交矩阵 $\Gamma$ 和 $\lambda_i\ (i=1,2,\cdots,p)$ ，使得 $\Sigma=\Sigma^{1/2}\cdot \Sigma^{1/2}$ ，其中

\[\Sigma^{1/2}=\Gamma{\rm diag}\left(\sqrt{\lambda_1},\sqrt{\lambda_2},\cdots,\sqrt{\lambda_p}\right)\Gamma' \ . \]
将 $\Sigma^{1/2}$ 称为 $\Sigma$ 的平方根矩阵。记

\[\Sigma^{-1/2}=\Gamma{\rm diag}\left(\frac1{\sqrt{\lambda_1}},\frac1{\sqrt{\lambda_2}},\cdots,\frac1{\sqrt{\lambda_p}}\right)\Gamma' \ , \]
显然有 $\Sigma^{1/2}\Sigma^{-1/2}=I_p$ 。令 $Y=\Sigma^{-1/2}\left(X-\mu\right)$ ，则有

\[{\rm Var}(Y)=\Sigma^{-1/2}\Sigma\Sigma^{-1/2}=\Sigma^{-1/2}\Sigma^{1/2}\Sigma^{1/2}\Sigma^{-1/2}=I_p \ . \]
所以有 $Y\sim N_p\left(0,I_p\right)$ ，且有

\[(X-\mu)'A(X-\mu)=Y'\Sigma^{1/2}A\Sigma^{1/2}Y\xlongequal{def}Y'CY \ . \]
其中 $C=\Sigma^{1/2}A\Sigma^{1/2}$ ，且 ${\rm rank}(C)={\rm rank}(A)=r$ 。由分类独立的正态变量二次型的结论3可知

\[\begin{aligned} Y'CY\sim\chi^2(r) \quad & \iff \quad C^2=C \\ \\ &\iff \quad \Sigma^{1/2}A\Sigma^{1/2}\cdot\Sigma^{1/2}A\Sigma^{1/2}=\Sigma^{1/2}A\Sigma^{1/2} \\ \\ &\iff \quad \Sigma A\Sigma A\Sigma=\Sigma A\Sigma \ . \end{aligned} \]

结论 3：设 $X\sim N_p\left(\mu,\Sigma\right),\,\Sigma>0$ ，$A$ 和 $B$ 为 $p\times p$ 的对称矩阵，则二次型 $(X-\mu)'A(X-\mu)$ 与二次型 $(X-\mu)'B(X-\mu)$ 相互独立的充分必要条件为 $\Sigma A\Sigma B\Sigma=O_{p\times p}$ 。

令 $Y=\Sigma^{-1/2}(X-\mu)\sim N_p\left(0,I_p\right)$ ，则有

\[(X-\mu)'A(X-\mu)=Y'\Sigma^{1/2}A\Sigma^{1/2}Y \ ,\\ \\ (X-\mu)'B(X-\mu)=Y'\Sigma^{1/2}B\Sigma^{1/2}Y \ . \]
由分类独立的正态变量二次型的结论6可知，$Y'\Sigma^{1/2}A\Sigma^{1/2}Y$ 与 $Y'\Sigma^{1/2}B\Sigma^{1/2}Y$ 相互独立的充分必要条件为

\[\Sigma^{1/2}A\Sigma^{1/2}\cdot\Sigma^{1/2}B\Sigma^{1/2}=O_{p\times p} \quad \iff \quad \Sigma A\Sigma B\Sigma=O_{p\times p} \ . \]
所以 $(X-\mu)'A(X-\mu)$ 与 $(X-\mu)'B(X-\mu)$ 相互独立的充分必要条件为 $\Sigma A\Sigma B\Sigma=O_{p\times p}$ 。

二、Wishart分布 Part 1：Wishart分布的定义
Wishart分布是一元统计中 $\chi^2$ 分布的推广，在多元正态总体 $N_p(\mu,\Sigma)$ 的抽样分布中，Wishart分布常用来刻画样本离差阵的分布。这里我们用 $n\times p$ 的矩阵 $X=\left(X_{(1)},X_{(2)},\cdots,X_{(n)}\right)'$ 来表示随机样本数据阵。
Wishart分布：设 $X_{(\alpha)}\sim N_p\left(0,\Sigma\right)\ (\alpha=1,2,\cdots,n)$ 相互独立，定义随机阵

\[W=\sum_{\alpha=1}^nX_{(\alpha)}X_{(\alpha)}'=X'X \ , \]
则称随机阵 $W$ 的分布为Wishart分布，记为 $W\sim W_p(n,\Sigma)$ 。
非中心Wishart分布：设 $X_{(\alpha)}\sim N_p\left(\mu,\Sigma\right)\ (\alpha=1,2,\cdots,n)$ 相互独立，记

\[M=\begin{bmatrix} \mu_1 & \cdots & \mu_p \\ \vdots & & \vdots \\ \mu_1 & \cdots & \mu_p \end{bmatrix}=\boldsymbol1_n\mu' \ , \quad \Delta=M'M=n\mu\mu' \ . \]
则称 $W=X'X$ 服从非中心参数为 $\Delta$ 的非中心Wishart分布，记为 $W\sim W_p(n,\Sigma,\Delta)$ 。
一般的非中心Wishart分布：设 $X_{(\alpha)}\sim N_p\left(\mu_\alpha,\Sigma\right)\ (\alpha=1,2,\cdots,n)$ 相互独立，记

\[M=\begin{bmatrix} \mu_{11} & \cdots & \mu_{1p} \\ \vdots & & \vdots \\ \mu_{n1} & \cdots & \mu_{np} \end{bmatrix}=\begin{bmatrix} \mu_{1}'\\ \vdots \\ \mu_{n}' \end{bmatrix} \ , \quad \Delta=M'M=\sum_{\alpha=1}^n\mu_\alpha\mu_\alpha' \ . \]
则称 $W=X'X$ 服从非中心参数为 $\Delta$ 的非中心Wishart分布，记为 $W\sim W_p(n,\Sigma,\Delta)$ 。
在保证抽取的随机样本肯定是同方差的前提下，区分Wishart分布是中心的还是非中心的，以及非中心参数的情况如何，关键在于随机样本是否来自于同一个多元正态总体，以及多元正态总体是否为零均值的。以上三种Wishart分布的非中心参数分别对应了三种不同情况：

若样本来自于一个零均值多元正态总体，则随机阵 $W$ 服从中心Wishart分布；
若样本来自于一个非零均值多元正态总体，则随机阵 $W$ 服从非中心Wishart分布；
若样本来自于多个均值不等的多元正态总体，则随机阵 $W$ 服从一般的非中心Wishart分布。

对于服从Wishart分布的随机阵 $W\sim W_p(n,\Sigma,\Delta)$ ，参数 $p$ 称为随机阵 $W$ 的阶数，参数 $n$ 称为自由度，参数 $\Sigma$ 对应于多元正态总体中的协方差阵。
Part 2：Wishart分布的性质
关于Wishart分布的性质，有一些结论不需掌握其证明，只需记忆并学会应用即可。
性质 1：设 $X_{(\alpha)},\,\alpha=1,2,\cdots,n$ 是来自 $p$ 元正态总体 $N_p(\mu,\Sigma)$ 的简单随机样本，则样本离差阵 $A$ 服从Wishart分布，即

\[A=\sum_{\alpha=1}^n\left(X_{(\alpha)}-\bar{X}\right)\left(X_{(\alpha)}-\bar{X}\right)'\sim W_p\left(n-1,\Sigma\right) \ . \]
性质 2：Wishart分布关于自由度 $n$ 具有可加性：设随机阵 $W_i\sim W_p\left(n_i,\Sigma\right)\ (i=1,2,\cdots,k)$ 且相互独立，则

\[\sum_{i=1}^kW_i\sim W_p(n,\Sigma) \ , \quad n=n_1+n_2+\cdots+n_k \ . \]
性质 3：Wishart分布具有可线性变换性：设随机阵 $W\sim W_p(n,\Sigma)$ ，$C$ 是 $m\times p$ 常数矩阵，则

\[CWC'\sim W_m\left(n,C\Sigma C'\right) \ . \]

特别地，取 $C=\sqrt{a}I_p$ ，则有 $aW\sim W_p\left(n,a\Sigma\right)$ ；
特别地，取 $C=l'=\left(l_1,l_2,\cdots,l_p\right)$ ，则有 $\xi=l'Wl\sim W_1\left(n,l'\Sigma l\right)$ ，即

\[\frac{\xi}{\sigma^2}=\frac{l'Wl}{\sigma^2}\sim\chi^2(n) \ , \quad \sigma^2=l'\Sigma l \ . \]

性质 4：分块Wishart分布：设 $X_{(\alpha)}\sim N_p\left(0,\Sigma\right)\ (\alpha=1,2,\cdots,n)$ 相互独立，若协方差阵 $\Sigma$ 和随机阵 $W$ 可以按照如下形式分块：

\[\Sigma=\left[\begin{array}{c:c} \Sigma_{11} & \Sigma_{12} \\ \hdashline \Sigma_{21} & \Sigma_{22} \end{array}\right]\begin{array}{l} r \\ p-r \end{array} \ , \quad W=\left[\begin{array}{c:c} W_{11} & W_{12} \\ \hdashline W_{21} & W_{22} \end{array}\right]\begin{array}{l} r \\ p-r \end{array}\sim W_p(n,\Sigma) \ , \]
则有 $W_{11}\sim W_r\left(n,\Sigma_{11}\right),\,W_{22}\sim W_{p-r}\left(n,\Sigma_{22}\right)$ ，且当 $\Sigma_{12}=O$ 时，$W_{11}$ 与 $W_{22}$ 相互独立。
性质 5：条件Wishart分布：设随机阵 $W\sim W_p(n,\Sigma)$ ，记 $W_{22\cdot1}=W_{22}-W_{21}W_{11}^{-1}W_{12}$ ，则

\[W_{22\cdot1}\sim W_{p-r}\left(n-r,\Sigma_{22\cdot1}\right) \ , \]
其中 $\Sigma_{22\cdot1}=\Sigma_{22}-\Sigma_{21}\Sigma_{11}^{-1}\Sigma_{12}$ ，且 $W_{22\cdot1}$ 与 $W_{11}$ 相互独立。
性质 6：Wishart分布的期望：设随机阵 $W\sim W_p(n,\Sigma)$ ，则 ${\rm E}(W)=n\Sigma$ 。
性质 7：观测数据阵的二次型的分布：设 $X\sim N_{n\times p}\left(M,I_n\otimes\Sigma \right)$ ，$A$ 为 $n\times n$ 的对称矩阵，则二次型 $X'AX\sim W_p(r,\Sigma,\Delta)$ ，其中 $\Delta=M'AM$ 的充分必要条件为 $A^2=A$ 且 ${\rm rank}(A)=r$ 。
性质 8：观测数据阵的二次型的独立性：设 $X\sim N_{n\times p}\left(M,I_n\otimes\Sigma \right)$ ，$A$ 和 $B$ 均为 $n\times n$ 的对称幂等矩阵，则二次型 $X'AX$ 与 $X'BX$ 相互独立的充分必要条件为 $AB=O$ 。
三、Hotelling $T^2$ 分布 Part 1：Hotelling $T^2$ 分布的定义
Hotelling $T^2$ 分布是一元统计中 $t$ 分布的推广。在一元统计中，服从自由度为 $n$ 的 $t$ 分布的随机变量被定义为

\[t=\frac{X}{\sqrt{\xi/n}}\sim t(n) \ , \]
其中 $X\sim N(0,1),\,\xi\sim\chi^2(n)$ 且 $X$ 与 $\xi$ 相互独立。如果我们考虑随机变量 $t^2=nX^2/\xi$ 的分布，并将其推广到多元统计中，即可得到Hotelling $T^2$ 分布的定义。
Hotelling $T^2$ 分布：设 $X\sim N_p\left(0,\Sigma\right)$ ，随机阵 $W\sim W_p\left(n,\Sigma\right)\ (\Sigma>0,\,n\geq p)$ ，且 $X$ 与 $W$? 相互独立，定义随机变量

\[T^2=nX'W^{-1}X \ , \]
则称随机变量 $T^2$ 的分布为Hotelling $T^2$ 分布，记为 $T^2\sim T^2(p,n)$ 。
非中心Hotelling $T^2$ 分布：设 $X\sim N_p\left(\mu,\Sigma\right),\,\mu\neq0$ ，随机阵 $W\sim W_p\left(n,\Sigma\right)\ (\Sigma>0,\,n\geq p)$ ，且 $X$ 与 $W$ 相互独立，定义随机变量

\[T^2=nX'W^{-1}X \ , \]
则称随机变量 $T^2$ 的分布为非中心Hotelling $T^2$ 分布，记为 $T^2\sim T^2(p,n,\mu)$ 。
注意到，非中心Hotelling $T^2$ 分布的非中心参数直接由正态随机向量的均值 $\mu$ 指定，而非中心Wishart分布的非中心参数则是由定义的矩阵 $\Delta=n\mu\mu'$ 指定。
此外，在定义Hotelling $T^2$ 统计量时，虽然正态随机向量与Wishart随机阵都指定了矩阵参数 $\Sigma$ ，但是在指定Hotelling $T^2$ 统计量的参数时并没有出现，这说明Hotelling $T^2$ 统计量的分布是与参数 $\Sigma$ 无关的，这一点将作为Hotelling $T^2$ 分布的性质进行证明。
Part 2：Hotelling $T^2$ 分布的性质
关于Hotelling $T^2$ 分布的性质，其结论也是以记忆和应用为主，不需掌握大量证明。
性质 1：设 $X_{(\alpha)},\,\alpha=1,2,\cdots,n$ 是来自 $p$ 元正态总体 $N_p(\mu,\Sigma)$ 的简单随机样本，$\bar{X}$ 和 $A$ 分别是样本均值向量和样本离差阵，则统计量

\[\begin{aligned} T^2&=(n-1)\left[\sqrt{n}\left(\bar{X}-\mu\right)\right]'A^{-1}\left[\sqrt{n}\left(\bar{X}-\mu\right)\right] \\ \\ &=n(n-1)\left(\bar{X}-\mu\right)'A^{-1}\left(\bar{X}-\mu\right)\sim T^2(p,n-1) \ . \end{aligned} \]

样本均值向量 $\bar{X}$ 和样本离差阵 $A$ 的分布分别为

\[\bar{X}\sim N_p\left(\mu,\frac1n\Sigma\right) \ , \quad A\sim W_p(n-1,\Sigma) \ . \]
于是有

\[\sqrt{n}\left(\bar{X}-\mu\right)\sim N_p\left(0,\Sigma\right) \ . \]
又因为 $\bar{X}$ 和 $A$ 相互独立，所以 $\sqrt{n}\left(\bar{X}-\mu\right)$ 和 $A$ 相互独立。由Hotelling $T^2$ 分布的定义可知，统计量 $T^2\sim T^2(p,n-1)$ 。

性质 2：$T^2$ 分布与 $F$ 分布之间的关系：设 $T^2\sim T^2(p,n)$ ，则

\[\frac{n-p+1}{np}T^2\sim F(p,n-p+1) \ . \]
性质 3：设 $X_{(\alpha)},\,\alpha=1,2,\cdots,n$ 是来自 $p$ 元正态总体 $N_p(\mu,\Sigma)$ 的简单随机样本，$\bar{X}$ 和 $A$ 分别是样本均值向量和样本离差阵，定义统计量 $T^2=n(n-1)\bar{X}'A^{-1}\bar{X}$ 则有

\[\frac{n-p}{n}\frac{T^2}{n-1}\sim F(p,n-p,\delta) \ . \]
其中 $\delta=n\mu'\Sigma^{-1}\mu$ 为非中心 $F$ 分布的非中心参数。
性质 4：$T^2$ 统计量的分布只与 $p$ 和 $n$ 有关，与 $\Sigma$ 无关。

设 $U\sim N_p\left(0,I_p\right),\,W_0\sim W_p\left(n,I_p\right)$ 且 $U$ 和 $W_0$ 相互独立。
要证 $T^2$ 统计量的分布与 $\Sigma$ 无关，只要证对任何随机变量 $T^2=nX'W^{-1}X$ ，都与标准正态随机向量 $U$ 和对应的Wishart统计量 $W_0$ 构成的 $T^2$ 统计量 $T_0^2=nU'W_0^{-1}U$ 同分布即可。
因为 $X\sim N_p\left(0,\Sigma\right),\,W\sim W_p\left(n,\Sigma\right)$ ，则有 $\Sigma^{-1/2}X\sim N_p\left(0,I_p\right)$ 且 $\Sigma^{-1/2}W\Sigma^{-1/2}\sim W_p\left(n,I_p\right)$ ，故

\[U\xlongequal{d}\Sigma^{-1/2}X \ , \quad W_0\xlongequal{d}\Sigma^{-1/2}W\Sigma^{-1/2} \ . \]
所以有

\[T_0^2=nU'W_0^{-1}U\xlongequal{d}nX'W^{-1}X=T^2\sim T^2(p,n) \ . \]

性质 5：$T^2$ 统计量对非退化变换不变：设 $X_{(\alpha)},\,\alpha=1,2,\cdots,n$ 是来自 $p$ 元正态总体 $N_p(\mu,\Sigma)$ 的简单随机样本，记 $A_x$ 表示样本离差阵，则有

\[T_x^2=n(n-1)\left(\bar{X}-\mu\right)'A_x^{-1}\left(\bar{X}-\mu\right)\sim T^2(p,n-1) \ . \]
若存在 $p\times p$ 的非退化常数矩阵 $C$ 和 $p$ 维常向量 $d$ ，使 $Y_{(\alpha)}=CX_{(\alpha)}+d,\,\alpha=1,2,\cdots,n$ ，则有

\[T_y^2=T_x^2\sim T^2(p,n-1) \ . \]

如果将 $Y_{(\alpha)},\,\alpha=1,2,\cdots,n$ 写成数据阵的形式，注意到 $Y=XC'+\boldsymbol1_pd'$ ，于是有

\[\bar{Y}=C\bar{X}+d \ , \quad A_y=CA_xC' \ . \]
于是

\[\begin{aligned} T_y^2&=n(n-1)\left(\bar{Y}-C\mu-d\right)'A_y^{-1}\left(\bar{Y}-C\mu-d\right) \\ \\ &=n(n-1)\left(\bar{X}-\mu\right)'C'\left(C'\right)^{-1}A_x^{-1}C^{-1}C\left(\bar{X}-\mu\right) \\ \\ &=T_x^2\sim T^2(p,n-1) \ . \end{aligned} \]
注意，这里的 $T_y^2$ 和 $T_x^2$ 是严格相等，而不仅仅是同分布。

四、Wilks $\Lambda$ 分布 Part 1：Wilks $\Lambda$ 分布的定义
Wilks $\Lambda$ 分布是一元统计中 $F$ 分布的推广，而 $F$ 分布主要用于检验两个正态总体的方差比。在多元统计中，方差变成了协方差阵，不能直接作比，因此我们需要引入一个数值来描述对矩阵的离散程度的估计，所以我们引入了广义方差的概念。
广义方差：对于多元正态总体 $X\sim N_p(\mu,\Sigma)$ ，我们将协方差阵的行列式 $|\Sigma|$ 称为 $X$ 的广义方差；对于来自多元正态总体的简单随机样本 $X_{(\alpha)},\,\alpha=1,2,\cdots,n$ ，我们将 $\left|\dfrac1nA\right|$ 或 $\left|\dfrac1{n-1}A\right|$ 称为样本广义方差。
Wilks $\Lambda$ 分布：设 $A_1\sim W_p\left(n_1,\Sigma\right),\,A_2\sim W_p\left(n_2,\Sigma\right)\ (\Sigma>0,\,n_1\geq p,\,n_2\geq p)$ ，且 $A_1$ 与 $A_2$ 相互独立，定义广义方差之比为

\[\Lambda=\frac{\left|A_1\right|}{\left|A_1+A_2\right|} \ , \]
将 $\Lambda$ 的分布称为Wilks分布，将 $\Lambda$ 称为Wilks统计量或 $\Lambda$ 统计量，记为 $\Lambda\sim\Lambda(p,n_1,n_2)$ 。
特别地，当 $p=1$ 时， $\Lambda$ 统计量的分布正是一元统计中的Beta分布 $\Beta(n_1/2,n_2/2)$ 。
Part 2：Wilks $\Lambda$ 分布的性质
性质 1：当 $n_2=1$ 时，设 $n=n_1>p$ ，则有

\[\begin{aligned} &\Lambda(p,n,1)\xlongequal{d}\frac{1}{1+\dfrac{1}{n}T^2(p,n)} \ . \\ \\ &T^2(p,n)\xlongequal{d}n\cdot\frac{1-\Lambda(p,n,1)}{\Lambda(p,n,1)} \ . \\ \\ &\frac{n-p+1}{np}T^2(p,n)\xlongequal{d}\frac{n-p+1}{n}\frac{1-\Lambda(p,n,1)}{\Lambda(p,n,1)}\xlongequal{d}F(p,n-p+1) \ . \end{aligned} \]
性质 2：当 $n_2=2$ 时，设 $n=n_1>p$ ，则有

\[\frac{n-p+1}{p}\frac{1-\sqrt{\Lambda(p,n,2)}}{\sqrt{\Lambda(p,n,2)}}\xlongequal{d}F(2p,2(n-p+1)) \ . \]
性质 3：当 $p=1$ 时，则有

\[\frac{n_1}{n_2}\frac{1-\Lambda\left(1,n_1,n_2\right)}{\Lambda\left(1,n_1,n_2\right)}\xlongequal{d} F\left(n_2,n_1\right) \ . \]
性质 4：当 $p=2$ 时，则有

\[\frac{n_1-1}{n_2}\frac{1-\sqrt{\Lambda\left(2,n_1,n_2\right)}}{\sqrt{\Lambda\left(2,n_1,n_2\right)}}\xlongequal{d} F\left(2n_2,2(n_1-1)\right) \ . \]
性质 5：设 $\Lambda\sim\Lambda\left(p,n_1,n_2\right)$ ，当 $n_2>2,\,p>2$ 时，可以用 $\chi^2$ 统计量作为 $\Lambda$ 统计量的近似，即当 $n_1\to\infty$ 时，有

\[-r\ln\Lambda\sim\chi^2\left(pn_2\right) \ , \quad r=n_1-\frac12\left(p-n_2+1\right) \ . \]
性质 6：若 $\Lambda\sim\Lambda\left(p,n_1,n_2\right)$ ，则存在 $B_k\sim\Beta\left(\dfrac{n_1-p+k}{2},\dfrac{n_2}{2}\right),\,k=1,2,\cdots,p$ 且相互独立，使得

\[\Lambda\xlongequal{d}B_1B_2\cdots B_p \ . \]
该性质说明 $\Lambda$ 统计量可以看成若干个相互独立的 $\Beta$ 统计量的乘积。
性质 7：若 $n_2 ，则

\[\Lambda\left(p,n_1,n_2\right)\xlongequal{d}\Lambda\left(n_2,p,n_1+n_2-p\right) \ . \]
【多元统计分析04（多元正态分布的抽样分布）】该性质是一元统计中 \(F(n,m)\xlongequal{d}1/F(m,n)$ 的推广。