هنگام تشخیص ناهنجاری با توزیع گاوسی چند متغیره، مقدار $\mu$ و $\Sigma$ را به صورت عادی محاسبه می‌کنیم. سپس با استفاده از فرمول بخش قبل مقدار $p(x)$ را محاسبه کرده و در صورتی که $p(x) < \varepsilon $ باشد به عنوان ناهنجاری مشخص می‌کنیم.
مدل اصلی برای $p(x)$ هنگامی مطابق با گاوسی چند متغیره است که خطوط $p(x;\mu,\Sigma )$ تراز محور باشند.
مدل گاوسی چند متغیره می‌تواند همبستگی بین ویژگی‌های مختلف x را به صورت خودکار تشخیص دهد.
هرچند، مدل اصلی چند مزیت دارد: از نظر محاسباتی ارزان‌تر است(ماتریسی برای وارون کردن وجود ندارد، که این مسئله در تعداد بالای ویژگی‌ها هزینه گرانی خواهد داشت) و حتی با اندازه کوچک مجموعه آموزشی به خوبی اجرا خواهد شد(در مدل گاوسی چند متغیره برای وارون پذیر بودن $\Sigma$ این اندازه باید از تعداد ویژگی‌ها بیشتر باشد).