多元统计分析04：多元正态分布的抽样分布

本文主要介绍了多元正态分布的二次型，以及多元正态分布的三大抽样分布。

目录

• 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 分布
    • Part 1：Hotelling 分布的定义
    • Part 2：Hotelling 分布的性质
  • 四、Wilks 分布
    • Part 1：Wilks 分布的定义
    • Part 2：Wilks 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*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：

1. 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；
2. 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；
3. 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*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*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*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 \(n_2<p\) ，则

\[\Lambda\left(p,n_1,n_2\right)\xlongequal{d}\Lambda\left(n_2,p,n_1+n_2-p\right) \ . \]

该性质是一元统计中 \(F(n,m)\xlongequal{d}1/F(m,n)\) 的推广。