【多元统计分析】05.多元统计的“三大分布”

五、多元统计的“三大分布”

一元正态总体参数$\mu ,{\sigma }^2$的参数检验，涉及到单总体、多总体，有三种比较常见的分布：${\chi }^2$分布，$t$分布，$F$分布；推广到多元正态总体上，也有三种对应的分布。在介绍多元统计的三大分布之前，先介绍正态变量二次型的分布以及非中心三大分布。

1.正态变量的二次型

正态变量二次型的分布，是对独立的同方差正态变量$X_i\sim N_1({\mu }_i,{\sigma }^2),{\sigma }^2\ne 0$而言的。如果记$X=(X_1,\cdots ,X_n{)}^{\prime }$，则$X\sim N_p(\mu ,{\sigma }^2{I}_n)$，这里$\mu =({\mu }_1,\cdots ,{\mu }_n{)}^{\prime }$。对于一个矩阵$A_{n\times n}$，$X^{\prime }AX$就称为二次型，很多时候$A$还会是对称阵。

从简单的开始讨论，首先讨论$A=I_n$，此时$\xi =X^{\prime }{I}_{n}X=X^{\prime }X$。更进一步简化$\mu =0$，就得到
$$\frac{\xi }{{\sigma }^2}=\sum _{\alpha =1}^n\frac{X_{\alpha }^2}{{\sigma }^2}\sim {\chi }^2(n).$$
这就是我们对${\chi }^2$分布的定义，为了方便记忆，我们也可以写成$X^{\prime }X\sim {\sigma }^2{\chi }^2(n)$。

而如果$\mu \ne 0$，我们可以类似定义非中心${\chi }^2$分布，只需要加入非中心参数$\delta ={\mu }^{\prime }\mu ={\sum }_{\alpha =1}^n{\mu }_{\alpha }^2$，此时对${\sigma }^2=1$时，就应该有$X^{\prime }X\sim {\chi }^2(n,\delta )$；当${\sigma }^2\ne 1$时，令$Y_i=X_i/\sigma$，则$Y_i\sim N_1(\mu /\sigma ,1)$，且$Y^{\prime }Y\sim {\chi }^2(n,\delta /{\sigma }^2)$，所以
$$X^{\prime }X\sim {\sigma }^2{\chi }^2(n,\frac{\delta }{{\sigma }^2}).$$
既然提出了非中心${\chi }^2$分布，就顺道提一下非中心$t$分布与非中心$F$分布。非中心$t$分布是指对相互独立的$X\sim N(\delta ,1),Y\sim {\chi }^2(n)$，$T=\frac{X}{\sqrt{Y/n}}$的分布，记作$T\sim t(n,\delta )$；非中心$F$分布是指对相互独立的$X\sim {\chi }^2(m,\delta ),Y\sim {\chi }^2(n)$，$F=\frac{X/m}{Y/n}$的分布，记作$F\sim F(m,n,\delta )$。

接下来，将情况变得复杂一点，$A$不是单位阵，而扩展到幂等对称阵，即$A^2=A$。幂等矩阵有一个特征，是它的特征值只能是0或1，因为$A(A-I)=0\iff \lambda (\lambda -1)=0$。基于此，我们得到以下结论：

若$X\sim N_n(0,{\sigma }^2{I}_n)$，$A$为对称阵且$\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{k}(A)=r$，则
$$X^{\prime }AX\sim {\sigma }^2{\chi }^2(r)\iff A^2=A.$$
若$X\sim N_n(\mu ,{\sigma }^2{I}_n)$，$A$为对称阵，则令$\delta ={\mu }^{\prime }A\mu /{\sigma }^2$，有
$$X^{\prime }AX\sim {\sigma }^2{\chi }^2(r,\delta )\iff A^2=A且\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{k}(A)=r.$$

证明第一个结论，先证充分性$\Rightarrow$。因为$A$对称，所以存在正交阵$\Gamma$使得
$$\Gamma A{\Gamma }^{\prime }=\mathrm{d}\mathrm{i}\mathrm{a}\mathrm{g}({\lambda }_1,{\lambda }_2,\cdots ,{\lambda }_r,0,\cdots ,0)\stackrel{\mathrm{d}}{=}\Lambda .$$
令$Y={\Gamma }^{\prime }X\sim N(0,{\sigma }^2{I}_n)$，则$X=\Gamma Y$，有
$$\xi =\frac{X^{\prime }AX}{{\sigma }^2}=\frac{Y^{\prime }\Lambda Y}{{\sigma }^2}=\sum _{\alpha =1}^r{\lambda }_{\alpha }{Y}_{\alpha }^2/{\sigma }^2.$$
这里$Y_{\alpha }^2/{\sigma }^2$服从${\chi }^2(1)$分布。又因为${\chi }^2(k)$分布的特征函数是$(1-2\mathrm{i}t{)}^{-k/2}$且各$Y_{\alpha }$独立，所以$\xi$的特征函数是
$${\phi }_{\xi }(t)=[(1-2\mathrm{i}{\lambda }_{1}t)\cdots (1-2\mathrm{i}{\lambda }_{r}t){]}^{1/2}=(1-2\mathrm{i}t{)}^{r/2}.$$
由此可以推出${\lambda }_1=\cdots ={\lambda }_r=1$，从而$A^2={\Gamma }^{\prime }\Lambda \Gamma {\Gamma }^{\prime }\Lambda \Gamma ={\Gamma }^{\prime }{\Lambda }^2\Gamma =A$。

再证必要性$\Leftarrow$，由题意存在一个$\Gamma$，使得
$${\Gamma }^{\prime }A\Gamma =\left[\begin{array}{cc}{I}_r& O\\ O& O\end{array}\right].$$
令$Y={\Gamma }^{\prime }X,X=\Gamma Y$，则$Y\sim N(0,{\sigma }^2{I}_n)$，且
$$\xi =\frac{X^{\prime }AX}{{\sigma }^2}=\frac{Y^{\prime }\Gamma A\Gamma Y}{{\sigma }^2}=\frac{1}{{\sigma }^2}{Y}^{\prime }\left[\begin{array}{cc}{I}_r& O\\ O& O\end{array}\right]Y=\frac{1}{{\sigma }^2}\sum _{\alpha =1}^r{Y}_{\alpha }^2.$$
所以$X^{\prime }AX\sim {\sigma }^2{\chi }^2(r)$。对于非中心的情况，在不知道非中心${\chi }^2$分布特征函数的情况下不太好证明，记住结论即可。

对于随机正态变量的二次型，还有以下关于独立性的结论：

设$X\sim N_n(\mu ,{\sigma }^2{I}_n)$，$A$为$n$阶对称矩阵，$B$为$m\times n$矩阵，令$\xi =X^{\prime }AX,Z=BX$，则
$$BA=O\iff Z=BX与\xi =X^{\prime }AX相互独立.$$

也就是，当$BA=O$时，多元正态分布$Z=BX$与二次型随机向量$X^{\prime }AX$相互独立。

最后，对于一般$p$维正态随机向量$X\sim N_p(\mu ,\Sigma ),\Sigma >0$，有以下结论：

1. 结论一：$X^{\prime }{\Sigma }^{-1}X\sim {\chi }^2(p,\delta )$，其中$\delta ={\mu }^{\prime }{\Sigma }^{-1}\mu$。证明的关键是将$\Sigma$分解成$C{C}^{\prime }$。

2. 结论二：对于对称阵$A$，$\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{k}(A)=r$，则
   $$(X-\mu {)}^{\prime }A(X-\mu )\sim {\chi }^2(r)\iff \Sigma A\Sigma A\Sigma =\Sigma A\Sigma .$$
   证明的关键是将$\Sigma$分解为$({\Sigma }^{1/2}{)}^2$，且用到$Y^{\prime }CY\sim {\chi }^2(p)\iff C^2=C$结论。

3. 结论三：对于对称阵$A,B$，有
   $$(X-\mu {)}^{\prime }A(X-\mu )与(X-\mu {)}^{\prime }B(X-\mu )独立\iff \Sigma A\Sigma B\Sigma =O.$$

2.威沙特(Wishart)$W$分布

在一元统计中，${\chi }^2$分布用来刻画正态样本的样本方差分布，推广到多元统计，对应的样本离差阵的分布，也应该由一种分布来刻画，这种分布就是Wishart分布。其定义如下：

Wishart分布：设$X_{(\alpha )}\sim N_p(0,\Sigma )(\alpha =1,\cdots ,n)$相互独立，记$X=(X_{(1)},\cdots ,X_{(n)}{)}^{\prime }$为$n\times p$矩阵，则称随机阵$W=\sum _{\alpha =1}^n{X}_{(\alpha )}{X}_{(\alpha )}^{\prime }=X^{\prime }X$的分布为Wishart分布，记作$W\sim W_p(n,\Sigma )$。

非中心Wishart分布：设$X_{(\alpha )}\sim N_p(\mu ,\Sigma )(\alpha =1,\cdots ,n)$相互独立，记
$$M=\left[\begin{array}{ccc}{\mu }_1& \cdots & {\mu }_p\\ ⋮& & ⋮\\ {\mu }_1& \cdots & {\mu }_p\end{array}\right]=1_n{\mu }^{\prime },\Delta =M^{\prime }M=m\mu {\mu }^{\prime },$$
则称$W=X^{\prime }X$服从非中心参数为$\Delta$的非中心Wishart分布，记作$W\sim W_p(n,\Sigma ,\Delta )$。

更一般地如果$X_{(\alpha )}\sim N_p({\mu }_p,\Sigma )$相互独立，则
$$M=\left[\begin{array}{ccc}{\mu }_{11}& \cdots & {\mu }_{1p}\\ ⋮& & ⋮\\ {\mu }_{n1}& \cdots & {\mu }_{np}\end{array}\right],\Delta =M^{\prime }M=\sum _{\alpha =1}^n{\mu }_{\alpha }{\mu }_{\alpha }^{\prime }.$$
称$W=X^{\prime }X$服从非中心参数为$\Delta$的非中心Wishart分布，记作$W\sim W_p(n,\Sigma ,\Delta )$。

可以看到，区分Wishart分布是中心化的还是非中心的，以及非中心参数的情况如何，关键在于正态总体$N_p(\mu ,\Sigma )$是不是零均值的，均值是否随样本变化。当然，离差阵作为自协方差矩阵的估计，抽取的样本肯定要是同方差的。

关于Wishart分布，类似数理统计中的三大分布一样，有一些结论是不需证明，但需要记忆的。

• 设$X_{(\alpha )}\sim N_p(\mu ,\Sigma )$，则样本离差阵服从自由度为$n-1$的Wishart分布，即
  $$A=\sum _{\alpha =1}^n(X_{(\alpha )}-\bar{X})(X_{(\alpha )}-\bar{X}{)}^{\prime }\sim W_p(n-1,\Sigma ).$$
  这是因为我们已经证明了$W\stackrel{\mathrm{d}}{=}{\sum }_{t=1}^{n-1}{Z}_t{Z}_t^{\prime }$，这里$Z_t$独立同分布于$N_p(0,\Sigma )$。

• Wishart分布关于自由度$n$具有可加性，这与${\chi }^2$分布类似，即$W_i\sim W_p(n_i,\Sigma )$相互独立，则
  $$\sum _{i=1}^k{W}_i\sim W_p(\sum _{i=1}^k{n}_i,\Sigma ).$$

• Wishart分布服从可线性变换性，设$W\sim W_p(n,\Sigma )$，$C$是$m\times p$常数阵，则
  $$CW{C}^{\prime }\sim W_m(n,C\Sigma C^{\prime }).$$
  可以从定义式入手，$W={\sum }_{i=1}^n{Z}_{\alpha }{Z}_{\alpha }^{\prime }$，令$Y_{\alpha }=C{Z}_{\alpha }\sim N_m(0,C\Sigma C^{\prime })$，计算$CW{C}^{\prime }$就得结论。

  特别地，取$C=\sqrt{a}{I}_p$时，得到$aW\sim W_p(n,a\Sigma )$；

  特别地，取$C^{\prime }=l=(l_1,\cdots ,l_p{)}^{\prime }$时，得到$l^{\prime }Wl=\xi \sim W(n,l^{\prime }\Sigma l)$。设${\sigma }^2=l^{\prime }\Sigma l$，则将Wishart分布与${\chi }^2$分布联系起来，有$\xi \sim {\sigma }^2{\chi }^2(n)$。这里建立了Wishart分布与一元统计的桥梁。

• 分块Wishart分布：将$W$类似$X,\Sigma$一样分解，则$W_{11}\sim W_r(n,{\Sigma }_{11}),W_{22}\sim W_{p-r}(n,{\Sigma }_{22})$，且当${\Sigma }_{12}=O$时$W_{11}$与$W_{22}$相互独立。

• 条件Wishart分布：$W$也可以类似寻找$W_{11}$对$W_{22}$的回归，记$W_{11\cdot 2}=W_{11}-W_{12}{W}_{22}^{-1}{W}_{21}$，则
  $$W_{11\cdot 2}\sim W_p(r,{\Sigma }_{11\cdot 2}),$$
  且$W_{11\cdot 2}$与$W_{22}$相互独立，这点与$X_{(1)}$对$X_{(2)}$的回归类似。

• Wishart分布的期望：$W\sim W_p(n,\Sigma )$，则$\mathrm{E}W=n\Sigma$。在${\chi }^2$的情形，如果$\xi \sim {\sigma }^2{\chi }^2(n)$，则$\mathrm{E}W={\sigma }^{2}n$。

• 与一元统计中二次型类似的结论：设$X\sim N_{n\times p}(M,I_n\otimes \Sigma )$，$A,B$都是$n$阶幂等矩阵，设$\Delta =M^{\prime }AM$，则
  $$\begin{gathered} X^{\prime }AX\sim W_p(r,\Sigma ,\Delta )\iff A^2=A,且\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{k}(A)=r; \\ {X}^{\prime }AX与X^{\prime }BX相互独立\iff AB=O. \end{gathered}$$

3.霍特林(Hotelling)$T^2$分布

Hotelling $T^2$分布是一元统计中$t$分布的推广，在一元统计中定义的$t$变量为$X/\sqrt{\xi /n}$，其中$X,\xi$相互独立，且$X$是标准正态变量，$\xi$服从自由度为$n$的卡方分布。现将$t^2$推广为$T^2$，就得到Hotelling $T^2$分布的定义。

Hotelling $T^2$分布：设$X\sim N_p(0,\Sigma )$，随机阵$W\sim W_p(n,\Sigma )$，$\Sigma >0,n\ge p$，且$X,W$相互独立，则Hotelling $T^2$统计量定义为$T^2=X^{\prime }(\frac{W^{-1}}{n})X=n{X}^{\prime }{W}^{-1}X$，记作$T^2\sim T^2(p,n)$。

非中心Hotelling $T^2$分布：设$X\sim N_p(\mu ,\Sigma )$，则存在非中心Hotelling $T^2$分布$T^2=n{X}^{\prime }{W}^{-1}X$，记作$T^2\sim T^2(p,n,\mu )$。

注意到，定义Hotelling $T^2$统计量时，虽然为正态向量与Wishart向量都指定了自协方差矩阵$\Sigma$，但在最后$T^2$分布的表达式中却没有出现，这说明Hotelling $T^2$统计量是与$\Sigma$无关的。同时，非中心Hotelling $T^2$分布的非中心参数也只是$\mu$，而不是非中心Wishart分布中的$n\mu {\mu }^{\prime }$。

现在证明Hotelling $T^2$统计量的分布与$\Sigma$无关，只要证明对任何$T^2=n{X}^{\prime }{W}^{-1}X$，都与标准正态随机向量$U\sim N_p(0,I_p)$与对应的Wishart统计量$W_0\sim W_p(n,I_n)$构成的$T_0^2=n{U}^{\prime }{W}_0^{-1}U$同分布即可。由于$X\sim N_p(0,\Sigma ),W\sim W_p(n,\Sigma )$，所以
$$\begin{gathered} U\stackrel{\mathrm{d}}{=}{\Sigma }^{-1/2}X,W_0\stackrel{\mathrm{d}}{=}{\Sigma }^{-1/2}W{\Sigma }^{-1/2}. \\ n{U}^{\prime }{W}_0^{-1/2}U\stackrel{\mathrm{d}}{=}n{X}^{\prime }{\Sigma }^{-1/2}{\Sigma }^{1/2}{W}^{-1}{\Sigma }^{1/2}{\Sigma }^{1/2}X=n{X}^{\prime }{W}^{-1}X. \end{gathered}$$
除此之外，Hotelling $T^2$分布还有以下不需证明，但需要记忆的性质。

• 设$X_{(\alpha )}$是来自$N_p(\mu ,\Sigma )$的随机样本，$\bar{X},A$分别是正态总体$N_p(\mu ,\Sigma )$的样本均值向量和样本离差阵，则建立如下统计量可以在$\Sigma$未知时用来对$\mu$进行参数检验
  $$T^2=[\sqrt{n}(\bar{X}-\mu ){]}^{\prime }(\frac{A}{n-1})[\sqrt{n}(\bar{X}-\mu )]=n(n-1)(\bar{X}-\mu {)}^{\prime }A(\bar{X}-\mu )\sim T^2(p,n-1).$$
  这一点与一元统计中$t$分布的应用是类似的。

• $T^2$分布与$F$分布之间存在关系：若$T^2\sim T^2(p,n)$，则
  $$\frac{n-p+1}{np}{T}^2\sim F(p,n-p+1).$$
  这就建立了$T^2$分布与一元三大分布的联系。另外，令$\delta =n{\mu }^{\prime }{\Sigma }^{-1}\mu$，还有
  $$\frac{n-p}{(n-1)p}{T}^2\sim F(p,n-p,\delta ).$$

• $T^2$统计量对非退化变换不变，即如果存在一个常数阵$C_{p\times p}$和$p$维向量$d$，$Y_{(\alpha )}=C{X}_{(\alpha )}+d$，则$T_y^2=n(n-1)[\bar{Y}-(C\mu +d){]}^{\prime }{A}_y^{-1}[\bar{Y}-(C\mu +d)]=T_x^2$，只要注意到$Y=X{C}^{\prime }+1_p{d}^{\prime }$。

4.威尔克斯(Wilks)$\Lambda$分布

显然，Wilks分布应该对应一元分布中的$F$分布，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，方差变成了自协方差矩阵，不能直接作比，除非我们用一个数值来描述总体的离散程度。为此，我们定义广义方差的概念。

对于正态总体$X\sim N_p(\mu ,\Sigma )$，协方差阵的行列式$|\Sigma |$称为总体$X$的广义方差；如果从总体中抽取样本$X_{(\alpha )}(\alpha =1,\cdots ,n)$，则样本广义方差定义为$\det (\frac{A}{n})$或$\det (\frac{A}{n-1})$。

在有了样本广义方差的定义后，我们可以介绍Wilks分布的定义。

Wilks分布：设$A_1\sim W_p(n_1,\Sigma ),A_2\sim W_p(n_2,\Sigma )$，则定义Wilks统计量为
$$\Lambda =\frac{|A_1|}{|A_1+A_2|}.$$
记作$\Lambda \sim \Lambda (p,n_1,n_2)$。

如果$p=1$，则上下两个Wishart分布将退化成${\chi }^2$分布，而${\chi }^2$分布又是同尺度参数的$\Gamma$分布，故$\Lambda (1,n_1,n_2)=\beta (\frac{n_1}{2},\frac{n_2}{2})$。

以下是一些$\Lambda$分布与$T^2$分布的联系，由于$T^2$分布可以直接转化成$F$分布，所以$\Lambda$分布也可以联系上$F$分布。

• $n_2=1$时，设$n=n_1>p$，则
  $$\begin{gathered} \Lambda (p,n,1)\stackrel{\mathrm{d}}{=}\frac{1}{1+\frac{1}{n}{T}^2(p,n)},T^2(p,n)\stackrel{\mathrm{d}}{=}n\cdot \frac{1-\Lambda (p,n,1)}{\Lambda (p,n,1)}. \\ \frac{n-p+1}{np}{T}^2(p,n)\stackrel{\mathrm{d}}{=}\frac{n-p+1}{p}\frac{1-\Lambda (p,n,1)}{\Lambda (p,n,1)}\stackrel{\mathrm{d}}{=}F(p,n-p+1). \end{gathered}$$

• $n_2=2$时，设$n=n_1>p$，则
  $$\frac{n-p+1}{n}\frac{1-\sqrt{\Lambda (p,n,2)}}{\sqrt{\Lambda (p,n,2)}}\stackrel{\mathrm{d}}{=}F(2p,2(n-p+1)).$$

• $p=1$时，
  $$\frac{n_1}{n_2}\frac{1-\Lambda (1,n_1,n_2)}{\Lambda (1,n_1,n_2)}\stackrel{\mathrm{d}}{=}F(n_2,n_1).$$

• $p=2$时，
  $$\frac{n_1-1}{n_2}\frac{1-\sqrt{\Lambda (2,n_1,n_2)}}{\sqrt{\Lambda (2,n_1,n_2)}}\stackrel{\mathrm{d}}{=}F(2n_2,2(n_1-1)).$$

• $n_2>2,p>2$时，可以用${\chi }^2$统计量近似，即对于$\Lambda (p,n_1,n_2)$，当$n\to \infty$时有
  $$-r\ln \Lambda \sim {\chi }^2(p{n}_2),r=n_1-\frac{1}{2}(p-n_2+1).$$

除此之外，还有两个结论：

• 若$\Lambda \sim \Lambda (p,n_1,n_2)$，则存在$B_k\sim \beta (\frac{n_1-p+k}{2},\frac{n_2}{2})(k=1,\cdots ,p)$相互独立，使得
  $$\Lambda \stackrel{\mathrm{d}}{=}{B}_1{B}_2\cdots B_k.$$

• 若$n_2<p$，则
  $$\Lambda (p,n_1,n_2)\stackrel{\mathrm{d}}{=}\Lambda (n_2,p,n_1+n_2-p).$$

本文中提到许多结论，大多在假设检验中发挥作用，尽管不需要证明，但还是需要牢记。

回顾总结

1. 非中心三大分布：

   分布	定义	非中心参数
   非中心${\chi }^2$分布	对于$n$个独立的正态随机变量$X_i\sim N({\mu }_i,{\sigma }^2)$，有${\chi }^2=\sum _{i=1}^n{X}_i^2\sim {\chi }^2(n,\delta )$。	$\delta =\sum _{i=1}^n{\mu }_i^2$
   非中心$t$分布	$X\sim N(\delta ,1),\xi \sim {\chi }^2(n)$相互独立，有$t=\frac{X}{\sqrt{\xi /n}}\sim t(n,\delta )$。	$\delta$
   非中心$F$分布	$X\sim {\chi }^2(n_1,\delta ),Y\sim {\chi }^2(n_2)$相互独立，有$F=\frac{X/n_1}{Y/n_2}\sim F(n_1,n_2,\delta )$。	$\delta$

2. 假设$X\sim N_p(\mu ,\Sigma )$，则$\mu =0$时$X^{\prime }AX\sim {\sigma }^2{\chi }^2(r)$等价于$A$是秩为$r$的幂等矩阵；$\mu \ne 0$时，$X^{\prime }AX\sim {\sigma }^2{\chi }^2(r,\delta )$等价于$A$是秩为$r$的幂等矩阵，这里$\delta ={\mu }^{\prime }A\mu$。

3. 假设$X\sim N_p(\mu ,\Sigma )$，则$X^{\prime }{\Sigma }^{-1}X\sim {\chi }^2(p,\delta )$，这里$\delta ={\mu }^{\prime }{\Sigma }^{-1}\mu$。

4. 如果$A_{n\times n}$是对称阵，$B_{m\times n}$，则$X^{\prime }AX$与$BX$独立$\iff BA=O$。

5. 对于对称阵$A,B$与$X\sim N_p(\mu ,\Sigma )$，有
   $$\begin{gathered} (\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{k}(A)=r)(X-\mu {)}^{\prime }A(X-\mu )\sim {\chi }^2(r)\iff \Sigma A\Sigma A\Sigma =\Sigma A\Sigma , \\ (X-\mu {)}^{\prime }A(X-\mu )和(X-\mu {)}^{\prime }B(X-\mu )独立\iff AB=O. \end{gathered}$$

6. 多元三大分布：

   分布	类型	表达式
   Wishart $W$分布	随机矩阵的分布。$X_{(\alpha )}\sim N_p(0,\Sigma ),\alpha =1,\cdots ,n$.	$W=\sum _{\alpha =1}^n{X}_{(\alpha )}{X}_{(\alpha )}^{\prime }\sim W_p(n,\Sigma )$
   Hotelling $T^2$分布	一元分布。$X\sim N_p(0,\Sigma ),W\sim W_p(n,\Sigma )$。	$T^2=n{X}^{\prime }{W}^{-1}X\sim T^2(p,n)$
   Wilks $\Lambda$分布	一元分布。$A_1\sim W_1(n_1,\Sigma ),A_2\sim W(n_2,\Sigma )$。	$\Lambda=\dfrac{

7. Wishart分布的相关性质

   • 正态总体样本中，$A\sim W_p(n-1,\Sigma )$。
   • 关于$n$服从可加性。
   • 可线性变换，$W\sim W_p(n,\Sigma )$，则$CW{C}^{\prime }\sim W_p(n,C\Sigma C^{\prime })$。特别地有$aW\sim W_p(n,a\Sigma )$，$l^{\prime }Wl\sim W_p(n,l^{\prime }\Sigma l)\sim l^{\prime }\Sigma l{\chi }^2(n)$。
   • $\mathrm{E}W=n\Sigma$。

8. Hotelling $T^2$分布的相关性质

   • Hotelling $T^2$分布与定义中的$\Sigma$无关。

   • $n(n-1)X^{\prime }{A}^{-1}X\sim T^2(p,n-1)$。

   • $T^2$统计量在非退化变换下不变。

   • $T^2$分布与$F$分布存在联系，有
     $$\frac{n-p+1}{np}{T}^2(p,n)\stackrel{\mathrm{d}}{=}F(p,n-p+1).$$

9. Wilks $\Lambda$分布的相关性质

   • $\Lambda (p,n_1,n_2)$可以看成$p$个独立的$B_k=\beta (\frac{n_1-p+k}{2},\frac{n_2}{2})$的乘积。

   • 如果$n_2<p$，则$1/\Lambda (p,n_1,n_2)=\Lambda (n_2,p,n_1+n_2-p)$。

   • $\Lambda$可以转化为$T^2$分布，当$n_2,p>2$时，随着$n_1$的增加，有
     $$-r\ln \Lambda ={\chi }^2(p{n}_2),r=n_1-\frac{1}{2}(p-n_2+1).$$
     特别当$n_2=1$时，有
     $$\Lambda (p,n,1)\stackrel{\mathrm{d}}{=}\frac{1}{1+\frac{1}{n}{T}^2(p,n)},$$
     当$p=1$时，有
     $$\frac{n_1}{n_2}\frac{1-\Lambda (1,n_1,n_2)}{\Lambda (1,n_1,n_2)}\stackrel{\mathrm{d}}{=}F(n_2,n_1).$$