边缘分布初探

最近在调研域自适应学习的时候，接触到了分布假设，即源域与目标域的边缘分布和条件分布均不同。条件分布由于用得比较多，大家应该比较熟知；而边缘分布用的比较少，在这里记录下边缘分布的定义，备忘。
##边缘分布的定义

1、定义 1

设$F(x,y)$为二维随机变量 $(X,Y)$ 的联合分布函数， F ( x , y ) = P { X ≤ x , Y ≤ y } F(x,y)=P\{X\leq x, Y\leq y\} F(x,y)=P{X≤x,Y≤y}，分别称
　　 P { X ≤ x } = P { X ≤ x , Y < ∞ } = F ( x , ∞ ) ≜ F X ( x ) P\{X\leq x\} = P\{X\leq x, Y <\infty \} = F(x,\infty)\triangleq F_X(x) P{X≤x}=P{X≤x,Y<∞}=F(x,∞)≜FX​(x)
　　 P { Y ≤ y } = P { X < ∞ , Y ≤ y } = F ( ∞ , y ) ≜ F Y ( y ) P\{Y\leq y\} = P\{X< \infty, Y \leq y\} = F(\infty,y)\triangleq F_Y(y) P{Y≤y}=P{X<∞,Y≤y}=F(∞,y)≜FY​(y)
　　 为二维随机变量$(X,Y)$关于$X$和关于$Y$的边缘分布函数。

2、定义 2

设二维离散型随机变量 $(X,Y)$的联合分布律为
　　 P { X = x i , Y = y j } = p i j , i , j = 1 , 2 , ⋯ P\{X=x_i,Y=y_j\}=p_{ij}, i,j=1,2,\cdots P{X=xi​,Y=yj​}=pij​,i,j=1,2,⋯
　　记
　　 p i ⋅ = ∑ j = 1 ∞ p i j = P { X = x i } , i = 1 , 2 , ⋯ p_{i\cdot}=\sum_{j=1}^\infty p_{ij}=P\{X=x_i\}, i=1,2,\cdots pi⋅​=∑j=1∞​pij​=P{X=xi​},i=1,2,⋯
　　 p ⋅ j = ∑ i = 1 ∞ p i j = P { Y = y j } , j = 1 , 2 , ⋯ p_{\cdot j}=\sum_{i=1}^\infty p_{ij}=P\{Y=y_j\}, j=1,2,\cdots p⋅j​=∑i=1∞​pij​=P{Y=yj​},j=1,2,⋯
　　 分别称$p_{i\cdot }(i=1,2,\cdots )$ 和 $p_{\cdot j}(j=1,2,\cdots )$为二维离散型随机变量$(X,Y)$关于X和关于Y的边缘分布律。

3、几何意义

这里选择定义1进行解释：由定义1，二维随机变量$(X,Y)$可视为平面上的随机点（为方便，随机点与随机变量可视为等同），二维随机变量$(X,Y)$的（联合）分布函数 F ( X , Y ) = P { X ≤ x , Y ≤ y } F(X,Y)=P\{X\leq x, Y\leq y\} F(X,Y)=P{X≤x,Y≤y}的几何意义显然是随机点$(X,Y)$落在平面区域 { ( x , y ) ∣ X ≤ x , Y ≤ y } \{(x,y)|X\leq x, Y\leq y\} {(x,y)∣X≤x,Y≤y}内发生的概率，见图１。
　　二维随机变量$(X,Y)$关于$X$的边缘分布函数$F_X(x)$表示平面上的随机点$(X,Y)$落在平面直线$X=x$ 左边平面区域内（含直线） { ( x , y ) ∣ X ≤ x , Y < ∞ } \{(x,y)|X\leq x, Y<\infty\} {(x,y)∣X≤x,Y<∞}发生的概率，见图２。
　　$(X,Y)$关于$Y$的边缘分布函数$F_Y(y)$表示平面上的随机$(X,Y)$落在直线$Y=y$下边平面区域内（含直线） { ( x , y ) ∣ X < ∞ , Y ≤ y } \{(x,y)| X<\infty,Y\leq y\} {(x,y)∣X<∞,Y≤y}发生的的概率，见图３。