1. 从一元到多元:正态分布的进化之路
第一次接触统计学时,我们都学过那个著名的钟形曲线——一元正态分布。记得我刚开始做数据分析时,总以为掌握了这个"万能分布"就能解决所有问题,直到遇到真实数据集中的多维变量关系,才意识到需要更强大的工具。多元正态分布就像是一元版本的"升级装备",它能同时描述多个随机变量之间的关系。
举个实际例子:假设我们要研究某地区居民的健康状况,单独看身高或体重的分布都呈现钟形曲线,但这两个指标之间存在关联(通常个子高的人体重也更重)。这时候就需要多元正态分布来刻画这两个变量的联合分布。其概率密度函数的几何形态不再是平面上的钟形曲线,而是高维空间中的"钟形曲面"。
数学上,p维随机向量X服从多元正态分布记作X∼Nₚ(μ,Σ),其中μ是均值向量(描述各维度的中心位置),Σ是协方差矩阵(刻画变量间的相关关系)。当p=1时,这个定义就退化为一元正态分布,所以多元正态确实是一元情况的自然推广。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 多元正态分布的四种等价定义
2.1 概率密度函数定义
最直观的定义方式是通过概率密度函数。对于一个p维随机向量X,其密度函数形式看起来复杂,但其实结构清晰:
python复制import numpy as np
def multivariate_normal_pdf(x, mu, sigma):
p = len(mu)
det = np.linalg.det(sigma)
inv = np.linalg.inv(sigma)
norm_const = 1.0 / ((2 * np.pi) ** (p/2) * np.sqrt(det))
exponent = -0.5 * (x - mu).T @ inv @ (x - mu)
return norm_const * np.exp(exponent)
这个公式包含三个关键部分:
- 归一化常数:确保整个概率空间积分为1
- 马氏距离:(x-μ)ᵀΣ⁻¹(x-μ)衡量样本点与中心的距离
- 指数衰减:保证概率随距离增加而快速下降
2.2 线性变换定义
多元正态分布也可以通过标准正态变量的线性变换来定义。假设我们有p个独立的标准正态变量Z₁,...,Zₚ,通过线性变换X=AZ+μ就能得到多元正态变
