本科数学的问题之一就是没有把线性代数放在应有的地位上，没有讲透。而大家都知道后续科目中的公式基本上都要靠矩阵表达，这给后续学习带来不少困难，当初我也是重新自学的。闲话少叙，进入正题

绝大多数“多元统计”教材讲到多元正态分布时，都有这么一道习题，包括相关的2个证明：
1)、Y是随机变量，X是随机变量，c是常量，设Y=c.X，证明D(Y)=c^2*D(X)
2)、Y是随机变量，x是随机向量，c是常向量，设Y=c'x，证明D(Y)=c'.D(x).c
利用此结果：
∵第i个主成分Yi=Vi'.X,这里Vi是D(x)的第i个特征向量
∴D(Yi)=Vi'.D(X).Vi
∴D(Yi)=Vi'.[D(X).Vi]=Vi'[λi.Vi]，第2个等号的依据是特征向量的定义
∴D(Yi)=λi[Vi'.Vi]=λi，第1个等号的依据是提取常系数，第2个等号的依据是Vi是单位向量
All done。

ps：
其实，如果完全用线性代数的语言，完全可以把主成分分析表达的更漂亮
上面的习题有时还会有第3个证明：3)、y是随机向量，x是随机向量，C是常矩阵，设y=C'x，证明D(y)=C'.D(x).C
利用此结果：
主成分y=V'.x，这里V是特征向量排列成的矩阵
∴D(y)=V'.D(x).V=Λ，这里Λ是特征值沿着对角线排列成的矩阵

万分感谢3楼的老师。还有一问，不胜烦扰，如有时间，敬请回复：r（Yi,Xj）=第i特征值的根号*a(ij),想知道这个式子是怎么来的，我今天证明了好几个小时也没有结果。这个式子的意思是说第i个主成份和第j个变量x的相关系数，等于这个主成份对应的特征值的根号，再乘以特征根对应的单位特征向量的第j个分量。。。因为这些符号都打不出来，不知你能否看明白。万分感谢！

现在才感觉到矩阵真的能表达得很漂亮，那么复杂的东西可以用这么简洁的式子表达出来，真是美妙啊

4# regretless2006

从你的叙述看，你的教材有些问题，应该是Cov(Yi,Xj)=sqrt(λi)*v(ij)，而不是Cor(Yi,Xj)=sqrt(λi)*v(ij)
主要区别是是否对X进行归一化处理，国内许多教材相互抄袭，虽然没有大错，但大都没有讲清楚，实在误人子弟。
建议看《实用多元统计分析》，Johnson 和 Wichern 合著，陆璇翻译，论坛有第4版，China-pub上有第6版，讲的很清楚。
论坛打公式是在受罪，还是贴图片吧：