特定协方差结构的多元正态分布在超矩形区域内的概率计算及上下界求解
嘿，这个问题的协方差结构很有特点——只有第一个变量$x_1$和其他变量存在相关性，其余变量之间完全独立，这刚好能帮我们大幅简化计算。下面我分精确计算思路和上下界估计方法两部分来给你梳理：
一、精确计算的实现思路
你的问题本质是计算联合正态分布在超矩形$\Omega={ x \mid a_i \leq x_i \leq b_i }$内的概率，利用给定的协方差结构，我们可以通过条件概率+单变量数值积分来解决：
1. 拆解联合分布
根据多元正态分布的条件性质，当给定$x_1$时，$x_2, x_3, ..., x_{n+1}$是相互独立的正态变量。具体来说：
对于每个$i \geq 2$，$x_i \mid x_1$服从正态分布：
$$x_i \mid x_1 \sim N\left( \mu_i + \frac{c_{i-1}}{d_1}(x_1 - \mu_1),\ d_i - \frac{c_{i-1}^2}{d_1} \right)$$
这里的条件均值和方差是通过多元正态的条件分布公式推导而来：条件均值为原均值加上协方差与$x_1$方差的比值乘以$x_1$的偏差，条件方差为原方差减去协方差平方与$x_1$方差的比值。联合密度可以拆分为：
$$f(x) = f(x_1) \cdot \prod_{i=2}^{n+1} f(x_i \mid x_1)$$
2. 转化为单变量积分
超矩形内的概率可以写成：
$$
P(x \in \Omega) = \int_{a_1}^{b_1} f(x_1) \cdot \left[ \prod_{i=2}^{n+1} \left( \Phi\left( \frac{b_i - \mathbb{E}[x_i \mid x_1]}{\sqrt{\text{Var}(x_i \mid x_1)}} \right) - \Phi\left( \frac{a_i - \mathbb{E}[x_i \mid x_1]}{\sqrt{\text{Var}(x_i \mid x_1)}} \right) \right) \right] dx_1
$$
其中$\Phi(\cdot)$是标准正态分布的累积分布函数（CDF）。
3. 数值计算实现
这个积分是单变量积分，完全可以用数值积分方法求解，比如：
- 用自适应高斯求积法（adaptive Gaussian quadrature）
- 借助编程语言的数值积分库，比如Python的
scipy.integrate.quad函数
需要注意的是，当$n$很大时，多个CDF差值的乘积可能会出现数值下溢的情况，这时候可以考虑对乘积取对数，计算完后再取指数，来提升数值稳定性。
二、上下界估计方法
如果精确计算的数值积分耗时过长（比如$n$极大），或者只需要快速得到概率的范围，可以用以下几种方法：
1. Bonferroni不等式（通用型界）
这是最基础的概率不等式，适用于任意分布：
下界：
$$P(x \in \Omega) \geq 1 - \sum_{i=1}^{n+1} P(x_i \notin [a_i, b_i])$$
其中每个$P(x_i \notin [a_i, b_i])$都可以直接用单变量正态CDF计算：$1 - \Phi\left( \frac{b_i - \mu_i}{\sqrt{\text{Var}(x_i)}} \right) + \Phi\left( \frac{a_i - \mu_i}{\sqrt{\text{Var}(x_i)}} \right)$上界：
可以用Union bound的简化形式，比如：
$$P(x \in \Omega) \leq P(x_1 \in [a_1, b_1])$$
不过这个界通常比较松，更紧的上界可以结合条件独立结构来构造。
2. 利用条件独立结构的紧界
基于你的协方差结构，我们可以针对$x_1$的范围，给每个条件概率项找上下界：
- 对于每个$i \geq 2$，找到在$x_1 \in [a_1, b_1]$时，$\Phi\left( \frac{b_i - \mathbb{E}[x_i \mid x_1]}{\sqrt{\text{Var}(x_i \mid x_1)}} \right) - \Phi\left( \frac{a_i - \mathbb{E}[x_i \mid x_1]}{\sqrt{\text{Var}(x_i \mid x_1)}} \right)$的最小值$m_i$和最大值$M_i$
- 那么概率的下界为：
$$\int_{a_1}^{b_1} f(x_1) \cdot \prod_{i=2}^{n+1} m_i\ dx_1$$ - 概率的上界为：
$$\int_{a_1}^{b_1} f(x_1) \cdot \prod_{i=2}^{n+1} M_i\ dx_1$$
这种方法得到的界会比Bonferroni不等式紧很多，因为它利用了变量之间的相关性结构。
3. Slepian不等式（针对正态变量的专用界）
如果你的超矩形是对称的（比如$a_i = -\infty, b_i = t$这类单侧区间，或者对称双侧区间），可以用Slepian不等式来构造更紧的界。它利用正态变量的相关性符号来调整概率的上下界，不过需要满足一些区间对称性的条件，你可以根据实际情况判断是否适用。
备注：内容来源于stack exchange，提问作者Dognchan
