隨機向量範數的集中（concentration of the norm）

範數集中是高維幾何的第一個、也最鮮明的驚奇：具獨立次高斯座標的隨機向量並不把其長度攤開，反而其歐氏範數緊緊集中在 sqrt(n) 附近，本質上活在一層薄薄的球殼上。這個「薄殼現象」正是高維直覺與低維圖像如此天差地別的原因，也是隨機投影、最近鄰方法與資料雲幾何背後的引擎。

設 X = (X_1, ..., X_n) 具獨立、零均值、單位變異數的次高斯座標，psi_2 範數至多為 K。則 E[||X||_2^2] = sum E[X_i^2] = n，故典型長度為 sqrt(n)。集中陳述是 ||X||_2 本身（而非其平方）集中：||X||_2 - sqrt(n) 為次高斯，其變異數代理「不」隨 n 增長，對所有 t >= 0，P(| ||X||_2 - sqrt(n) | >= t) <= 2 exp(-c t^2 / K^4)。範數的偏差為 O(1)，與維度無關——因此相對波動 ||X||/sqrt(n) - 1 為 1/sqrt(n) 量級並趨於零。證明是乾淨的兩步：首先 ||X||_2^2 = sum X_i^2 是獨立次指數變數之和（每個 X_i^2 均值為 1），故由 Bernstein 它以偏差 O(sqrt(n)) 集中在 n 附近；接著不等式 | ||X|| - sqrt(n) | <= |||X||^2 - n| / sqrt(n) 把平方的 O(sqrt(n)) 偏差轉成範數的 O(1) 偏差。平方根正是馴服波動者。

其後果在資料科學中俯拾即是。在大 n 的 R^n 中，球的幾乎全部體積都靠近其表面，高斯的幾乎全部質量都靠近半徑 sqrt(n) 的球面，而兩個獨立的高維高斯向量幾乎正交，其內積為 sqrt(n) 量級而長度為 n 量級。這些事實是 Johnson-Lindenstrauss 引理與隨機特徵成功的基礎。誠實的提醒：乾淨的 sqrt(n) 集中需要座標為次高斯（或至少 X_i^2 為一致受控的次指數）；對於重尾座標，薄殼可能失效或變寬，而獨立性假設要緊——強相依的座標不一定集中，這正是一般對數凹向量之「薄殼猜想」（仍部分未解）的內容。