多元統計分析04：多元正態分布的抽樣分布

• 2021 年 11 月 5 日
• 筆記
• 《多元統計分析》學習筆記

Chapter 4：多元正態分布的抽樣分布

一、正態變數二次型的分布

Part 1：分類獨立的正態變數二次型

關於正態變數二次型的分布，首先考慮分量獨立且同方差的情況。記 \(X=\left(X_1,X_2,\cdots,X_n\right)’\) 是一個正態隨機向量，這裡我們首先考慮 \(X\sim N_n\left(\mu,\sigma^2I_n\right)\) 的情況，其中 \(\mu=\left(\mu_1,\mu_2,\cdots,\mu_n\right)’\) 。

設非隨機矩陣 \(A\) 是一個 \(n\times n\) 的對稱矩陣，我們記 \(\xi=X’AX\) ，稱為隨機向量 \(X\) 的二次型。下面介紹若干正態隨機向量二次型的性質。

結論 1：考慮 \(A=I_n\) 且 \(\mu=0\) 的情況，此時 \(\xi=X’X\) ，我們由 \(\chi^2\) 分布的定義可得

結論 2：考慮 \(A=I_n\) 但 \(\mu\neq0\) 的情況，此時需要引入非中心 \(\chi^2\) 分布的定義。

如果 \(n\) 維正態隨機向量 \(X\sim N(\mu,I_n)\) ，引入非中心參數 \(\delta\) ，滿足

則稱 \(\xi=X’X\) 服從自由度為 \(n\) ，非中心參數為 \(\delta\) 的非中心 \(\chi^2\) 分布，記為 \(\xi\sim\chi^2(n,\delta)\) 。

如果 \(n\) 維正態隨機向量 \(X\sim N\left(\mu,\sigma^2I_n\right)\) 且有 \(\sigma^2\neq1\) 時，令

記 \(Y=\left(Y_1,Y_2\cdots,Y_n\right)’\) ，則有

結論 3：考慮 \(A\neq I_n\) 但 \(\mu=0\) 的情況。

設 \(X\sim N_n\left(0,\sigma^2I_n\right)\) ，\(A\) 為 \(n\times n\) 對稱矩陣且 \({\rm rank}(A)=r\) ，則

結論 4：考慮 \(A\neq I_n\) 且 \(\mu\neq0\) 的情況。

設 \(X\sim N_n\left(\mu,\sigma^2I_n\right)\) ，\(A\) 為 \(n\times n\) 對稱矩陣且 \({\rm rank}(A)=r\) ，記 \(\delta=\mu’A\mu/\sigma^2\) ，則

這裡我們只對結論 3進行證明。

\(\Longrightarrow\) ：因為 \(A\) 是對稱矩陣，所以存在正交陣 \(\Gamma\) ，使得

\[\Gamma’A\Gamma={\rm diag}\left(\lambda_1,\lambda_2,\cdots,\lambda_r,0,\cdots,0\right) \ .
\]

令 \(Y=\Gamma’X\) ，則有 \(Y\sim N_n\left(0,\sigma^2I_n\right)\) 以及 \(X=\Gamma Y\) ，於是

\[\xi\xlongequal{def}\frac{1}{\sigma^2}X’AX=\frac{1}{\sigma^2}Y’\Gamma’A\Gamma Y=\frac{1}{\sigma^2}\sum_{i=1}^r\lambda_i Y_i^2 \ .
\]

且 \(Y_1,Y_2,\cdots,Y_r\) 相互獨立，同服從 \(N(0,\sigma^2)\) 分布。故 \(Y_i^2/\sigma^2\sim\chi^2(1)\ (i=1,2,\cdots,r)\) ，且相互獨立。所以 \(\xi\) 的特徵函數為

\[\varphi_\xi(t)=\prod_{i=1}^r\left(1-2i\lambda_it\right)^{-1/2} \ .
\]

又因為已知 \(\xi\sim\chi^2(r)\) ，故 \(\xi\) 的特徵函數為 \((1-2it)^{-r/2}\) 。利用

\[(1-2it)^{r/2}=\left[\prod_{i=1}^r\left(1-2i\lambda_it\right)\right]^{1/2} \ ,
\]

即可得出 \(\lambda_1=\lambda_2=\cdots=\lambda_r=1\) 的結論，於是

\[{\rm diag}\left(1,\cdots,1,0,\cdots,0\right)=\Gamma’A\Gamma=\Gamma’A\Gamma\cdot\Gamma’A\Gamma=\Gamma’A^2\Gamma \ .
\]

故 \(A^2=A\) ，即 \(A\) 是對稱冪等矩陣。

\(\Longleftarrow\) ：因為 \(A\) 是對稱冪等矩陣，而對稱冪等矩陣的特徵值非 \(0\) 即 \(1\) ，且只有 \(r\) 個非 \(0\) 特徵值，即存在正交矩陣 \(\Gamma\) ，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 \(X=\Gamma Y\) ，則有

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

進而有

\[\frac{1}{\sigma^2}X’AX=\frac{1}{\sigma^2}Y’\Gamma’A\Gamma Y=\frac1{\sigma^2}Y’\begin{bmatrix}
I_r & O \\
O & O
\end{bmatrix} Y=\frac{1}{\sigma^2}\sum_{i=1}^rY_i^2 \ .
\]

因為 \(Y_i\sim N\left(0,\sigma^2\right) \ (i=1,2,\cdots,r)\) 且相互獨立，所以

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

關於正態隨機向量的二次型和線性函數的獨立性問題，還有以下兩個結論。

結論 5：二次型與線性函數的獨立性：設 \(X\sim N_n\left(\mu,\sigma^2I_n\right)\) ，\(A\) 是 \(n\times n\) 對稱矩陣，\(B\) 是 \(m\times n\) 矩陣，則 \(BX\) 和 \(X’AX\) 相互獨立的充分必要條件是 \(BA=O\) 。

結論 6：兩個二次型的獨立性：設 \(X\sim N_n\left(\mu,\sigma^2I_n\right)\) ，\(A\) 和 \(B\) 均是 \(n\times n\) 對稱矩陣，則 \(X’AX\) 和 \(X’BX\) 相互獨立的充分必要條件是 \(AB=O\) 。

Part 2：一般情形的正態變數二次型

關於一般情形的正態變數二次型的分布，記 \(X=\left(X_1,X_2,\cdots,X_p\right)’\) 是一個正態隨機向量，這裡我們主要考慮 \(X\sim N_p\left(\mu,\Sigma\right),\,\Sigma>0\) 的情況。這裡我們要討論的正態變數二次型的性質，和分量獨立且同方差的情形類似，所以我們不再對 \(\mu\) 是否為 \(0\) 展開討論，因此我們將一般情形的正態變數二次型的性質總結為以下三個結論。

結論 1：設 \(X\sim N_p\left(\mu,\Sigma\right),\,\Sigma>0\) ，則 \(X’\Sigma^{-1}X\sim\chi^2(p,\delta)\) ，其中 \(\delta=\mu’\Sigma^{-1}\mu\) 。

因為 \(\Sigma>0\) ，由正定矩陣的分解可得 \(\Sigma=CC’\) ，其中 \(C\) 為非退化方陣。

令 \(Y=C^{-1}X\) ，即 \(X=CY\) ，則有 \(Y\sim N_p\left(C^{-1}\mu,C^{-1}\Sigma\left(C^{-1}\right)’\right)\) 。

因為 \(\Sigma=CC’\) ，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，非中心參數為

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

結論 2：設 \(X\sim N_p\left(\mu,\Sigma\right),\,\Sigma>0\) ，\(A\) 為 \(p\times p\) 的對稱矩陣，且 \({\rm rank}(A)=r\) ，則有

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

\[\Sigma^{1/2}=\Gamma{\rm diag}\left(\sqrt{\lambda_1},\sqrt{\lambda_2},\cdots,\sqrt{\lambda_p}\right)\Gamma’ \ .
\]

將 \(\Sigma^{1/2}\) 稱為 \(\Sigma\) 的平方根矩陣。記

\[\Sigma^{-1/2}=\Gamma{\rm diag}\left(\frac1{\sqrt{\lambda_1}},\frac1{\sqrt{\lambda_2}},\cdots,\frac1{\sqrt{\lambda_p}}\right)\Gamma’ \ ,
\]

顯然有 \(\Sigma^{1/2}\Sigma^{-1/2}=I_p\) 。令 \(Y=\Sigma^{-1/2}\left(X-\mu\right)\) ，則有

\[{\rm Var}(Y)=\Sigma^{-1/2}\Sigma\Sigma^{-1/2}=\Sigma^{-1/2}\Sigma^{1/2}\Sigma^{1/2}\Sigma^{-1/2}=I_p \ .
\]

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 \({\rm rank}(C)={\rm rank}(A)=r\) 。由分類獨立的正態變數二次型的結論3可知

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

結論 3：設 \(X\sim N_p\left(\mu,\Sigma\right),\,\Sigma>0\) ，\(A\) 和 \(B\) 為 \(p\times p\) 的對稱矩陣，則二次型 \((X-\mu)’A(X-\mu)\) 與二次型 \((X-\mu)’B(X-\mu)\) 相互獨立的充分必要條件為 \(\Sigma A\Sigma B\Sigma=O_{p\times p}\) 。

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

\[(X-\mu)’A(X-\mu)=Y’\Sigma^{1/2}A\Sigma^{1/2}Y \ ,\\ \\ (X-\mu)’B(X-\mu)=Y’\Sigma^{1/2}B\Sigma^{1/2}Y \ .
\]

由分類獨立的正態變數二次型的結論6可知，\(Y’\Sigma^{1/2}A\Sigma^{1/2}Y\) 與 \(Y’\Sigma^{1/2}B\Sigma^{1/2}Y\) 相互獨立的充分必要條件為

\[\Sigma^{1/2}A\Sigma^{1/2}\cdot\Sigma^{1/2}B\Sigma^{1/2}=O_{p\times p} \quad \iff \quad \Sigma A\Sigma B\Sigma=O_{p\times p} \ .
\]

所以 \((X-\mu)’A(X-\mu)\) 與 \((X-\mu)’B(X-\mu)\) 相互獨立的充分必要條件為 \(\Sigma A\Sigma B\Sigma=O_{p\times p}\) 。

二、Wishart分布

Part 1：Wishart分布的定義

Wishart分布是一元統計中 \(\chi^2\) 分布的推廣，在多元正態總體 \(N_p(\mu,\Sigma)\) 的抽樣分布中，Wishart分布常用來刻畫樣本離差陣的分布。這裡我們用 \(n\times p\) 的矩陣 \(X=\left(X_{(1)},X_{(2)},\cdots,X_{(n)}\right)’\) 來表示隨機樣本數據陣。

Wishart分布：設 \(X_{(\alpha)}\sim N_p\left(0,\Sigma\right)\ (\alpha=1,2,\cdots,n)\) 相互獨立，定義隨機陣

則稱隨機陣 \(W\) 的分布為Wishart分布，記為 \(W\sim W_p(n,\Sigma)\) 。

非中心Wishart分布：設 \(X_{(\alpha)}\sim N_p\left(\mu,\Sigma\right)\ (\alpha=1,2,\cdots,n)\) 相互獨立，記

則稱 \(W=X’X\) 服從非中心參數為 \(\Delta\) 的非中心Wishart分布，記為 \(W\sim W_p(n,\Sigma,\Delta)\) 。

一般的非中心Wishart分布：設 \(X_{(\alpha)}\sim N_p\left(\mu_\alpha,\Sigma\right)\ (\alpha=1,2,\cdots,n)\) 相互獨立，記

則稱 \(W=X’X\) 服從非中心參數為 \(\Delta\) 的非中心Wishart分布，記為 \(W\sim W_p(n,\Sigma,\Delta)\) 。

在保證抽取的隨機樣本肯定是同方差的前提下，區分Wishart分布是中心的還是非中心的，以及非中心參數的情況如何，關鍵在於隨機樣本是否來自於同一個多元正態總體，以及多元正態總體是否為零均值的。以上三種Wishart分布的非中心參數分別對應了三種不同情況：

1. 若樣本來自於一個零均值多元正態總體，則隨機陣 \(W\) 服從中心Wishart分布；
2. 若樣本來自於一個非零均值多元正態總體，則隨機陣 \(W\) 服從非中心Wishart分布；
3. 若樣本來自於多個均值不等的多元正態總體，則隨機陣 \(W\) 服從一般的非中心Wishart分布。

對於服從Wishart分布的隨機陣 \(W\sim W_p(n,\Sigma,\Delta)\) ，參數 \(p\) 稱為隨機陣 \(W\) 的階數，參數 \(n\) 稱為自由度，參數 \(\Sigma\) 對應於多元正態總體中的協方差陣。

Part 2：Wishart分布的性質

關於Wishart分布的性質，有一些結論不需掌握其證明，只需記憶並學會應用即可。

性質 1：設 \(X_{(\alpha)},\,\alpha=1,2,\cdots,n\) 是來自 \(p\) 元正態總體 \(N_p(\mu,\Sigma)\) 的簡單隨機樣本，則樣本離差陣 \(A\) 服從Wishart分布，即

性質 2：Wishart分布關於自由度 \(n\) 具有可加性：設隨機陣 \(W_i\sim W_p\left(n_i,\Sigma\right)\ (i=1,2,\cdots,k)\) 且相互獨立，則

性質 3：Wishart分布具有可線性變換性：設隨機陣 \(W\sim W_p(n,\Sigma)\) ，\(C\) 是 \(m\times p\) 常數矩陣，則

• 特別地，取 \(C=\sqrt{a}I_p\) ，則有 \(aW\sim W_p\left(n,a\Sigma\right)\) ；

• 特別地，取 \(C=l’=\left(l_1,l_2,\cdots,l_p\right)\) ，則有 \(\xi=l’Wl\sim W_1\left(n,l’\Sigma l\right)\) ，即

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

性質 4：分塊Wishart分布：設 \(X_{(\alpha)}\sim N_p\left(0,\Sigma\right)\ (\alpha=1,2,\cdots,n)\) 相互獨立，若協方差陣 \(\Sigma\) 和隨機陣 \(W\) 可以按照如下形式分塊：

則有 \(W_{11}\sim W_r\left(n,\Sigma_{11}\right),\,W_{22}\sim W_{p-r}\left(n,\Sigma_{22}\right)\) ，且當 \(\Sigma_{12}=O\) 時，\(W_{11}\) 與 \(W_{22}\) 相互獨立。

性質 5：條件Wishart分布：設隨機陣 \(W\sim W_p(n,\Sigma)\) ，記 \(W_{22\cdot1}=W_{22}-W_{21}W_{11}^{-1}W_{12}\) ，則

其中 \(\Sigma_{22\cdot1}=\Sigma_{22}-\Sigma_{21}\Sigma_{11}^{-1}\Sigma_{12}\) ，且 \(W_{22\cdot1}\) 與 \(W_{11}\) 相互獨立。

性質 6：Wishart分布的期望：設隨機陣 \(W\sim W_p(n,\Sigma)\) ，則 \({\rm E}(W)=n\Sigma\) 。

性質 7：觀測數據陣的二次型的分布：設 \(X\sim N_{n\times p}\left(M,I_n\otimes\Sigma \right)\) ，\(A\) 為 \(n\times n\) 的對稱矩陣，則二次型 \(X’AX\sim W_p(r,\Sigma,\Delta)\) ，其中 \(\Delta=M’AM\) 的充分必要條件為 \(A^2=A\) 且 \({\rm rank}(A)=r\) 。

性質 8：觀測數據陣的二次型的獨立性：設 \(X\sim N_{n\times p}\left(M,I_n\otimes\Sigma \right)\) ，\(A\) 和 \(B\) 均 為 \(n\times n\) 的對稱冪等矩陣，則二次型 \(X’AX\) 與 \(X’BX\) 相互獨立的充分必要條件為 \(AB=O\) 。

三、Hotelling \(T^2\) 分布

Part 1：Hotelling \(T^2\) 分布的定義

Hotelling \(T^2\) 分布是一元統計中 \(t\) 分布的推廣。在一元統計中，服從自由度為 \(n\) 的 \(t\) 分布的隨機變數被定義為

其中 \(X\sim N(0,1),\,\xi\sim\chi^2(n)\) 且 \(X\) 與 \(\xi\) 相互獨立。如果我們考慮隨機變數 \(t^2=nX^2/\xi\) 的分布，並將其推廣到多元統計中，即可得到Hotelling \(T^2\) 分布的定義。

Hotelling \(T^2\) 分布：設 \(X\sim N_p\left(0,\Sigma\right)\) ，隨機陣 \(W\sim W_p\left(n,\Sigma\right)\ (\Sigma>0,\,n\geq p)\) ，且 \(X\) 與 \(W\)​ 相互獨立，定義隨機變數

則稱隨機變數 \(T^2\) 的分布為Hotelling \(T^2\) 分布，記為 \(T^2\sim T^2(p,n)\) 。

非中心Hotelling \(T^2\) 分布：設 \(X\sim N_p\left(\mu,\Sigma\right),\,\mu\neq0\) ，隨機陣 \(W\sim W_p\left(n,\Sigma\right)\ (\Sigma>0,\,n\geq p)\) ，且 \(X\) 與 \(W\) 相互獨立，定義隨機變數

則稱隨機變數 \(T^2\) 的分布為非中心Hotelling \(T^2\) 分布，記為 \(T^2\sim T^2(p,n,\mu)\) 。

注意到，非中心Hotelling \(T^2\) 分布的非中心參數直接由正態隨機向量的均值 \(\mu\) 指定，而非中心Wishart分布的非中心參數則是由定義的矩陣 \(\Delta=n\mu\mu’\) 指定。

此外，在定義Hotelling \(T^2\) 統計量時，雖然正態隨機向量與Wishart隨機陣都指定了矩陣參數 \(\Sigma\) ，但是在指定Hotelling \(T^2\) 統計量的參數時並沒有出現，這說明Hotelling \(T^2\) 統計量的分布是與參數 \(\Sigma\) 無關的，這一點將作為Hotelling \(T^2\) 分布的性質進行證明。

Part 2：Hotelling \(T^2\) 分布的性質

關於Hotelling \(T^2\) 分布的性質，其結論也是以記憶和應用為主，不需掌握大量證明。

性質 1：設 \(X_{(\alpha)},\,\alpha=1,2,\cdots,n\) 是來自 \(p\) 元正態總體 \(N_p(\mu,\Sigma)\) 的簡單隨機樣本，\(\bar{X}\) 和 \(A\) 分別是樣本均值向量和樣本離差陣，則統計量

樣本均值向量 \(\bar{X}\) 和樣本離差陣 \(A\) 的分布分別為

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

於是有

\[\sqrt{n}\left(\bar{X}-\mu\right)\sim N_p\left(0,\Sigma\right) \ .
\]

又因為 \(\bar{X}\) 和 \(A\) 相互獨立，所以 \(\sqrt{n}\left(\bar{X}-\mu\right)\) 和 \(A\) 相互獨立。由Hotelling \(T^2\) 分布的定義可知，統計量 \(T^2\sim T^2(p,n-1)\) 。

性質 2：\(T^2\) 分布與 \(F\) 分布之間的關係：設 \(T^2\sim T^2(p,n)\) ，則

性質 3：設 \(X_{(\alpha)},\,\alpha=1,2,\cdots,n\) 是來自 \(p\) 元正態總體 \(N_p(\mu,\Sigma)\) 的簡單隨機樣本，\(\bar{X}\) 和 \(A\) 分別是樣本均值向量和樣本離差陣，定義統計量 \(T^2=n(n-1)\bar{X}’A^{-1}\bar{X}\) 則有

其中 \(\delta=n\mu’\Sigma^{-1}\mu\) 為非中心 \(F\) 分布的非中心參數。

性質 4：\(T^2\) 統計量的分布只與 \(p\) 和 \(n\) 有關，與 \(\Sigma\) 無關。

設 \(U\sim N_p\left(0,I_p\right),\,W_0\sim W_p\left(n,I_p\right)\) 且 \(U\) 和 \(W_0\) 相互獨立。

要證 \(T^2\) 統計量的分布與 \(\Sigma\) 無關，只要證對任何隨機變數 \(T^2=nX’W^{-1}X\) ，都與標準正態隨機向量 \(U\) 和對應的Wishart統計量 \(W_0\) 構成的 \(T^2\) 統計量 \(T_0^2=nU’W_0^{-1}U\) 同分布即可。

因為 \(X\sim N_p\left(0,\Sigma\right),\,W\sim W_p\left(n,\Sigma\right)\) ，則有 \(\Sigma^{-1/2}X\sim N_p\left(0,I_p\right)\) 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

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

性質 5：\(T^2\) 統計量對非退化變換不變：設 \(X_{(\alpha)},\,\alpha=1,2,\cdots,n\) 是來自 \(p\) 元正態總體 \(N_p(\mu,\Sigma)\) 的簡單隨機樣本，記 \(A_x\) 表示樣本離差陣，則有

若存在 \(p\times p\) 的非退化常數矩陣 \(C\) 和 \(p\) 維常向量 \(d\) ，使 \(Y_{(\alpha)}=CX_{(\alpha)}+d,\,\alpha=1,2,\cdots,n\) ，則有

如果將 \(Y_{(\alpha)},\,\alpha=1,2,\cdots,n\) 寫成數據陣的形式，注意到 \(Y=XC’+\boldsymbol1_pd’\) ，於是有

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

於是

\[\begin{aligned}
T_y^2&=n(n-1)\left(\bar{Y}-C\mu-d\right)’A_y^{-1}\left(\bar{Y}-C\mu-d\right) \\ \\
&=n(n-1)\left(\bar{X}-\mu\right)’C’\left(C’\right)^{-1}A_x^{-1}C^{-1}C\left(\bar{X}-\mu\right) \\ \\
&=T_x^2\sim T^2(p,n-1) \ .
\end{aligned}
\]

注意，這裡的 \(T_y^2\) 和 \(T_x^2\) 是嚴格相等，而不僅僅是同分布。

四、Wilks \(\Lambda\) 分布

Part 1：Wilks \(\Lambda\) 分布的定義

Wilks \(\Lambda\) 分布是一元統計中 \(F\) 分布的推廣，而 \(F\) 分布主要用於檢驗兩個正態總體的方差比。在多元統計中，方差變成了協方差陣，不能直接作比，因此我們需要引入一個數值來描述對矩陣的離散程度的估計，所以我們引入了廣義方差的概念。
廣義方差：對於多元正態總體 \(X\sim N_p(\mu,\Sigma)\) ，我們將協方差陣的行列式 \(|\Sigma|\) 稱為 \(X\) 的廣義方差；對於來自多元正態總體的簡單隨機樣本 \(X_{(\alpha)},\,\alpha=1,2,\cdots,n\) ，我們將 \(\left|\dfrac1nA\right|\) 或 \(\left|\dfrac1{n-1}A\right|\) 稱為樣本廣義方差。

Wilks \(\Lambda\) 分布：設 \(A_1\sim W_p\left(n_1,\Sigma\right),\,A_2\sim W_p\left(n_2,\Sigma\right)\ (\Sigma>0,\,n_1\geq p,\,n_2\geq p)\) ，且 \(A_1\) 與 \(A_2\) 相互獨立，定義廣義方差之比為

將 \(\Lambda\) 的分布稱為Wilks分布，將 \(\Lambda\) 稱為Wilks統計量或 \(\Lambda\) 統計量，記為 \(\Lambda\sim\Lambda(p,n_1,n_2)\) 。

特別地，當 \(p=1\) 時， \(\Lambda\) 統計量的分布正是一元統計中的Beta分布 \(\Beta(n_1/2,n_2/2)\) 。

Part 2：Wilks \(\Lambda\) 分布的性質

性質 1：當 \(n_2=1\) 時，設 \(n=n_1>p\) ，則有

性質 2：當 \(n_2=2\) 時，設 \(n=n_1>p\) ，則有

性質 3：當 \(p=1\) 時，則有

性質 4：當 \(p=2\) 時，則有

性質 5：設 \(\Lambda\sim\Lambda\left(p,n_1,n_2\right)\) ，當 \(n_2>2,\,p>2\) 時，可以用 \(\chi^2\) 統計量作為 \(\Lambda\) 統計量的近似，即當 \(n_1\to\infty\) 時，有

性質 6：若 \(\Lambda\sim\Lambda\left(p,n_1,n_2\right)\) ，則存在 \(B_k\sim\Beta\left(\dfrac{n_1-p+k}{2},\dfrac{n_2}{2}\right),\,k=1,2,\cdots,p\) 且相互獨立，使得

該性質說明 \(\Lambda\) 統計量可以看成若干個相互獨立的 \(\Beta\) 統計量的乘積。

性質 7：若 \(n_2<p\) ，則

該性質是一元統計中 \(F(n,m)\xlongequal{d}1/F(m,n)\) 的推廣。