矩阵正态分布

正态分布

关于正态分布的由来，在文章《正态分布的前世今生》中写的很清楚，正态分布是由二项分布而来。正态分布的密度形式首次发现是在棣莫弗-拉普拉斯中心极限定理中。读者可以通过以下几个链接深入了解正态分布的含义
正态分布的前世今生（上）
正态分布的前世今生（下）
为什么正态分布如此常见

棣莫弗-拉普拉斯中心极限定理
设随机变量$X_n(n=1,2,\cdots)$服从参数为$n,p（0<p<1）$的二项分布，则对于任意$x$， 有

$$\begin{align} \underset{n\rightarrow \infty}{\lim} \text{P}\left\{{\frac{X_n-np}{\sqrt{np(1-p)}}\leq x}\right\}=\int_{-\infty}^x \frac{1}{\sqrt{2\pi}}\exp \left({-\frac{t^2}{2}}\right)\text{d}t=\Phi(x) \end{align}$$
从该定理中可以看出，当 $n\rightarrow \infty$时候，可以用二项分布趋于高斯分布。我们可以通过棣莫弗-拉普拉斯中心极限定理来计算二项分布的概率。

设随机变量随机变量$X$服从正态分布（高斯分布）$X\sim \mathcal{N}(\mu,\sigma_2^2)$，则其概率密度函数表示为

$$\begin{align} p(x)=\frac{1}{\sqrt{2\pi\sigma^2}}\exp\left[{-\frac{(x-\mu)^2}{2\sigma}}\right] \end{align}$$

多元正态分布

设$X,Y$为独立同分布的随机变量，且$X\sim \mathcal{N}(0,1)$。则$X,Y$的联合分布为

p(x,y)=p(x)p(y)=12πexp(−12(x2+y2)