python生成正态分布矩阵_统计学习 | 矩阵正态分布 (matrix normal distribution)

前言：在机器学习和统计学习中，正态分布的身影无处不在，最为常见的是标准正态分布和多元正态分布 (multivariate normal distribution)，两者分别作用于标量 (scalar) 和向量 (vector)。实际上，也存在一种正态分布的形式，它作用于矩阵，并广泛地应用于贝叶斯向量自回归模型 (Bayesian vector autoregression) 中。本文接下来将从大家所熟知的正态分布出发，先介绍矩阵正态分布，然后讨论矩阵正态分布在贝叶斯方法中的应用。

1 从标准正态分布到矩阵正态分布

1.1 标准正态分布

正态分布在机器学习和统计学习中随处可见，对于单一的随机变量

，其正态分布的形式为

其中，

表示均值，

表示标准差 (

表示方差)。当然，标准正态分布在我们中学时代就已经接触了。

1.2 多元正态分布

随着我们学习线性代数、概率论等相关课程，我们又认识到：若向量

服从正态分布，则存在一个多元正态分布 (multivariate normal distribution)，形式为

其中，

对应着正态分布的均值，

则表示协方差矩阵。

需要说明的是，这里将多元正态分布的指数项写成矩阵迹 (trace) 的形式是为了方面后续认识矩阵正态分布，其中，在多元正态分布的写法中，

是恒成立的。

1.3 矩阵正态分布

除了作用于向量的正态分布，实际上还存在一种正态分布，它作用于矩阵，常见于贝叶斯向量自回归模型 (Bayesian vector autoregression model)。一般而言，对于随机