由均值向量(mu in mathbb{R}^{n})和协方差阵(Sigma in mathbb{R}^{n imes n})参数化的(n)维多元正态分布或多元高斯分布记作(mathcal{N}(mu, Sigma))。其中协方差矩阵(Sigma in mathbb{R}^{n imes n})是对称半正定矩阵。它的密度函数为，
[egin{equation}
p(x ; mu, Sigma)=frac{1}{(2 pi)^{n / 2}|Sigma|^{1 / 2}} exp left(-frac{1}{2}(x-mu)^{T} Sigma^{-1}(x-mu)
ight)
end{equation}
]
一个服从多元正态分布的随机向量的均值，即$Xsim mathcal{N}(mu, Sigma) $，有
[mathrm{E}[X]=int_{x} x p(x ; mu, Sigma) d x=mu
]
为了引出一个服从多元正态分布的协方差阵，首先（作为方差的推广）定义一个的随机向量的协方差阵为，
[egin{equation}
operatorname{Cov}(Z)=mathrm{E}left[(Z-mathrm{E}[Z])(Z-mathrm{E}[Z])^{T}
ight]
end{equation}
]
而且可以验证下面这种定义和上面滴是等价的，
[egin{equation}
operatorname{Cov}(Z)=mathrm{E}left[Z Z^{T}
ight]-(mathrm{E}[Z])(mathrm{E}[Z])^{T}
end{equation}
]
若$Xsim mathcal{N}(mu, Sigma) $ ，则有， $$operatorname{Cov}(X)=Sigma$$
直观印象
上面从左向右三个图分别表示均值为零，方差为单位矩阵，0.6倍单位矩阵，两倍单位矩阵的多元二维多元正态分布密度图。可以看到，方差协方差矩阵越大，分布越平坦。
下面三个图展示两个变量相关系数越来越大时，二元正态分布密度图。可以看到相关系数越大，越向45度角倾斜。这从下面相应的等高线图中可以更明显地看出。这三个相关系数矩阵，也分别列出来如下，
[Sigma=left[egin{array}{ll}{1} & {0} \ {0} & {1}end{array}
ight] ; Sigma=left[egin{array}{cc}{1} & {0.5} \ {0.5} & {1}end{array}
ight] ; Sigma=left[egin{array}{cc}{1} & {0.8} \ {0.8} & {1}end{array}
ight].
]
下面再来一组带有负相关系数的等高线图。三个协方差矩阵分别为，
[Sigma=left[egin{array}{rr}{1} & {-0.5} \ {-0.5} & {1}end{array}
ight] ; Sigma=left[egin{array}{rr}{1} & {-0.8} \ {-0.8} & {1}end{array}
ight] ; Sigma=left[egin{array}{rr}{3} & {0.8} \ {0.8} & {1}end{array}
ight]
]