多变量正态分布亦称为多变量高斯分布。它是单维正态分布向多维的推广。它同矩阵正态分布有紧密的联系。
一般形式
N维随机向量
如果服从多变量正态分布,必须满足下面的三个等价条件:
- 任何线性组合
服从正态分布。
- 存在随机向量
( 它的每个元素服从独立标准正态分布),向量
及
矩阵
满足
.
- 存在
和一个对称半正定阵
满足
的特征函数
![{\displaystyle \phi _{X}\left(u;\mu ,\Sigma \right)=\mathrm {e} ^{i\mu ^{T}u-{\frac {1}{2))u^{T}\Sigma u))](https://wikimedia.org/api/rest_v1/media/math/render/svg/0955bbcd5f2dedba3188894a5ad77f19a111bc33)
如果
是非奇异的,那么该分布可以由以下的概率密度函数来描述:[1]
![{\displaystyle f_{\mathbf {x} }(x_{1},\ldots ,x_{k})={\frac {1}{\sqrt {(2\pi )^{k}|{\boldsymbol {\Sigma ))|))}\mathrm {e} ^{-{\frac {1}{2))({\mathbf {x} }-{\boldsymbol {\mu )))^{\mathrm {T} }{\boldsymbol {\Sigma ))^{-1}({\mathbf {x} }-{\boldsymbol {\mu )))},}](https://wikimedia.org/api/rest_v1/media/math/render/svg/9b3e366afa3b30394ecab952bf4e31ab76e5d4fe)
注意这里的
表示协方差矩阵的行列式。
- 二元的情况
在二维非奇异的情况下(k = rank(Σ) = 2),向量 [X Y]′ 的概率密度函数为:
![{\displaystyle f(x,y)={\frac {1}{2\pi \sigma _{X}\sigma _{Y}{\sqrt {1-\rho ^{2))))}\mathrm {e} ^{-{\frac {1}{2(1-\rho ^{2})))\left[({\frac {x-\mu _{X)){\sigma _{X))})^{2}-2\rho ({\frac {x-\mu _{X)){\sigma _{X))})({\frac {y-\mu _{Y)){\sigma _{Y))})+({\frac {y-\mu _{Y)){\sigma _{Y))})^{2}\right]))](https://wikimedia.org/api/rest_v1/media/math/render/svg/ad843d4d9fdc51ab1e09c7ffd01d2c3a6285f6b1)
其中 ρ 是 X 与 Y 之间的相关系数,
且
。在这种情况下,
![{\displaystyle {\boldsymbol {\mu ))={\begin{pmatrix}\mu _{X}\\\mu _{Y}\end{pmatrix)),\quad {\boldsymbol {\Sigma ))={\begin{pmatrix}\sigma _{X}^{2}&\rho \sigma _{X}\sigma _{Y}\\\rho \sigma _{X}\sigma _{Y}&\sigma _{Y}^{2}\end{pmatrix)).}](https://wikimedia.org/api/rest_v1/media/math/render/svg/1d6238c86bf561c952e0560e6f6ad3591278fb82)