scipy.stats.multivariate_normal.pdf与norm.pdf差异及标量密度获取

先把核心差异说透：

• scipy.stats.norm.pdf()是一元正态分布的密度函数，不管输入是单个值还是一维数组，它都会把每个元素当成独立的一元正态变量计算密度，输出形状和输入完全一致。
• scipy.stats.multivariate_normal.pdf()是多元正态分布的密度函数，专门处理多变量的联合密度——它会通过协方差矩阵考虑变量间的相关性，输入单个向量时输出标量密度值，输入多个向量时输出对应每个向量的密度标量数组。

为什么你的jax代码输出一致？ #

你用jax得到两者结果相同，大概率是构造了独立多元正态分布（协方差矩阵是对角阵，且每个维度的均值、方差和一元正态完全匹配）。这种情况下，多元正态的联合密度刚好等于各维度一元密度的乘积——比如你在jax里可能做了jax.numpy.prod(norm.pdf(x), axis=-1)，自然和multivariate_normal的结果一模一样，但这只是特殊情况。

用scipy获取多元正态归一化密度的正确方式 #

直接用multivariate_normal.pdf()，指定好均值向量、协方差矩阵，输入目标向量就能得到标量密度值：

from scipy.stats import multivariate_normal, norm
import numpy as np

# 定义带相关性的二维多元正态分布
mu = np.array([0, 0])
cov = np.array([[1, 0.6], [0.6, 1]])

# 单个向量输入，得到标量密度
x = np.array([1.0, 1.0])
mv_density = multivariate_normal.pdf(x, mean=mu, cov=cov)
print(mv_density)  # 输出约0.1093

# 对比独立情况的等价性：协方差为对角阵时
cov_diag = np.array([[1, 0], [0, 1]])
mv_density_diag = multivariate_normal.pdf(x, mean=mu, cov=cov_diag)
norm_prod_density = np.prod(norm.pdf(x))
print(np.isclose(mv_density_diag, norm_prod_density))  # 输出True，独立场景下两者等价

关键提醒 #

当变量之间存在相关性（协方差矩阵非对角元素不为0）时，multivariate_normal.pdf()的结果和norm.pdf()乘积的结果会完全不同——这才是两者最核心的区别：多元正态分布考虑变量间的关联，而一元正态只处理单一维度的独立概率。

内容的提问来源于stack exchange，提问作者paul