多元t分布随机点模拟及Matlab mvtrnd函数使用问题排查

方法1：基于分布定义手动实现 #

多元t分布的核心定义很直观：如果随机向量 $\mathbf{X}$ 服从均值为 $\boldsymbol{\mu}$、自由度为 $\nu$、尺度矩阵为 $\boldsymbol{\Sigma}$ 的多元t分布（记为 $\mathbf{X} \sim t_\nu(\boldsymbol{\mu}, \boldsymbol{\Sigma})$），可以通过以下方式构造：
$$\mathbf{X} = \boldsymbol{\mu} + \frac{\mathbf{Z}}{\sqrt{U/\nu}}$$
其中：

• $\mathbf{Z}$ 是服从均值为0、协方差矩阵为 $\boldsymbol{\Sigma}$ 的多元正态分布样本
• $U$ 是服从自由度为 $\nu$ 的卡方分布样本，且和 $\mathbf{Z}$ 相互独立

在Matlab里手动实现的代码示例：

function X = mvtrnd_manual(mu, Sigma, nu, n)
    d = length(mu);
    % 生成n个独立的卡方分布样本
    U = chi2rnd(nu, n, 1);
    % 生成n个多元正态分布样本
    Z = mvnrnd(zeros(1,d), Sigma, n);
    % 按定义计算多元t样本
    X = mu + Z ./ sqrt(U/nu);
end

方法2：使用Matlab内置函数mvtrnd #

Matlab的mvtrnd函数可以直接生成多元t样本，但一定要注意参数的实际含义：

• mvtrnd(S, nu, n) 生成的是均值为0、尺度矩阵为S、自由度为nu的多元t分布样本
• 如果需要非零均值，必须手动给生成的样本加上目标均值向量
• 若已知目标协方差矩阵C（仅当nu > 2时，多元t分布的协方差存在），需要先转换为尺度矩阵S，转换公式为：
  $$S = C \times \frac{\nu - 2}{\nu}$$

问题1：样本均值与目标均值偏差大 #

这个问题很直接——你没给生成的样本加上目标均值！mvtrnd默认输出均值为0的样本，如果你需要均值为[1,2,3,4,5]的样本，必须手动补充这个向量：

mu = [1,2,3,4,5];
nu = 3; % 替换为你的实际自由度
C = ...; % 你的目标协方差矩阵
% 先把协方差矩阵转成尺度矩阵
S = C * (nu - 2)/nu;
% 生成样本并添加均值
X = mvtrnd(S, nu, 1e6) + repmat(mu, 1e6, 1);

这样计算样本均值就会非常接近[1,2,3,4,5]了。

问题2：样本协方差与目标不符，但相关矩阵正确 #

你观察到的现象完全是因为误解了mvtrnd的第一个参数！mvtrnd的第一个参数是尺度矩阵，不是协方差矩阵。多元t分布的协方差矩阵（当nu > 2时）和尺度矩阵的关系是：
$$\text{Cov}(\mathbf{X}) = \frac{\nu}{\nu - 2} \times S$$

你的三个案例里，比如X1的目标协方差矩阵是C1 = [1,0.3;0.3,1]，自由度nu=3，但你直接把C1传给了mvtrnd作为尺度矩阵S，所以实际生成的样本协方差矩阵是：
$$\text{Cov}(\mathbf{X}) = \frac{3}{3-2} \times C1 = 3 \times C1 = [3, 0.9; 0.9, 3]$$
这和你看到的样本协方差接近[3,1;1,3]（样本量虽大但仍有随机误差）完全一致。

而相关矩阵只和变量间的相对尺度有关，尺度矩阵C1的相关系数本来就是0.3，所以样本相关矩阵自然会接近[1,0.3;0.3,1]。

解决办法 #

把目标协方差矩阵转换为尺度矩阵后再传入mvtrnd即可：

以X1为例：

nu = 3;
C1 = [1, 0.3; 0.3, 1];
% 计算正确的尺度矩阵
S1 = C1 * (nu - 2)/nu;
% 生成样本
X1 = mvtrnd(S1, nu, 1e6);
% 验证结果
disp(cov(X1)); % 应该接近C1
disp(corr(X1)); % 应该接近[1,0.3;0.3,1]

内容的提问来源于stack exchange，提问作者will_cheuk