Как узнать, правильно ли я подбираю нормальное распределение к данным с помощью Scipy?

У меня есть набор данных, содержащий около 10 непрерывных функций и 1000 двоичных (категориальных) функций. После масштабирования и нормализации данных так, чтобы каждая функция имела среднее значение 0,0, я выполняю PCA для данных, чтобы получить уменьшенную матрицу z, сохраняя около 90% дисперсии (сохраняя ~ 700 основных компонентов).

Если теперь я хочу подобрать нормальное распределение для данных, у меня есть код ниже

import numpy as np
from scipy.stats import multivariate_normal
mean = np.mean(z, axis=0)
cov = np.cov(z, rowvar=0)

g = multivariate_normal(mean=mean, cov=cov)

# put a random sample of z through the pdf
# to check the probability of the sample occurring
print(g.pdf(z[np.random.randint(z.shape[0]),:]))
>>> 0.0

Проблема в том, что независимо от того, сколько раз я запускаю print(g.pdf(z[np.random.randint(z.shape[0]),:])), я получаю 0,0. Я ценю, что некоторые образцы в z будут лежать дальше от среднего, чем в среднем, что даст мне и ответ, близкий к 0,0. Но я бы подумал, что по крайней мере некоторые образцы в z будут ближе к среднему и, следовательно, дадут мне гораздо больший ответ, когда я введу случайное значение z в pdf.

Это может быть связано с моими исходными данными или сокращенным набором данных z и тем, как они распределяются. Но я выполнил несколько проверок как исходного набора данных, так и z, чтобы убедиться, что нет значений nan, гарантируя, что среднее значение каждого столбца z на самом деле равно 0,0 и т. д.

Мои результаты показывают, что у меня гауссиан с очень тонкими хвостами (очень узкий гауссиан), так что все далеко от пика. Я не думаю, что так должно быть.

Правильно ли я использую multivariate_normal? Могу ли я выполнить какие-либо другие проверки данных или иным образом? Я знаю, что делаю большое предположение, что данные распределяются нормально, но, конечно же, не все значения в z должны давать значение pdf 0,0.