设正态分布的均值分别为 和 ，协方差矩阵均为0.2I，先验概率相等，决策表为 。编写程序，由正态分布生成各1000个二维向量的数据集，利用其中的800个样本，采用最大似然估计方法估计样本分布的参数，利用最小风险贝叶斯决策方法对其余200个样本进行决策，并计算识别率。

在Python中，我们可以使用`numpy`库来处理正态分布数据和相关的统计分析，以及`scikit-learn`库来进行分类决策。首先，我们需要创建一个函数来生成正态分布的数据，然后使用最大似然估计估计参数，最后使用贝叶斯决策进行分类。

import numpy as np
from sklearn.metrics import accuracy_score

# 定义正态分布的参数
mu1 = np.array([1, 1])
mu2 = np.array([3, 3])
covariance_matrix = 0.2 * np.eye(2)

def generate_data(num_samples):
    # 同时生成两个类别的样本
    class1_data = np.random.multivariate_normal(mu1, covariance_matrix, num_samples // 2)
    class2_data = np.random.multivariate_normal(mu2, covariance_matrix, num_samples // 2)
    return np.vstack((class1_data, class2_data))

# 生成数据集
data = generate_data(1000)

# 划分训练集和测试集
train_data = data[:800]
test_data = data[800:]

# 使用最大似然估计估计训练集参数
MLE_mu1, MLE_mu2 = train_data.mean(axis=0)
MLE_covariance_matrix = train_data.cov()

# 确定类别标签
train_labels = np.concatenate([np.zeros(train_data.shape[0] // 2), np.ones(train_data.shape[0] // 2)])

# 计算后验概率，这里假设先验概率相等
prior = 0.5
posterior_class1_train = prior / (1 + prior)
posterior_class2_train = posterior_class1_train

# 使用最小风险贝叶斯决策法对测试集进行分类
predictions = []
for sample in test_data:
    likelihood_class1 = np.exp(-0.5 * ((sample - MLE_mu1) @ np.linalg.inv(MLE_covariance_matrix)) @ (sample - MLE_mu1).T)
    likelihood_class2 = np.exp(-0.5 * ((sample - MLE_mu2) @ np.linalg.inv(MLE_covariance_matrix)) @ (sample - MLE_mu2).T)
    
    posterior_class1_test = posterior_class1_train * likelihood_class1
    posterior_class2_test = posterior_class2_train * likelihood_class2
    
    if posterior_class1_test > posterior_class2_test:
        predictions.append(0)  # 类别1
    else:
        predictions.append(1)  # 类别2

# 计算识别率
accuracy = accuracy_score(test_labels, predictions)
print(f"识别率为: {accuracy}")

这个程序会生成数据、估计参数、进行分类并计算最终的识别率。注意实际运行此代码前，需要安装必要的库（如`numpy`和`scikit-learn`）。如果你想要调整其它细节或有其他疑问，可以继续提问。