转自切问路 by Z.H. Fu
我们在之前研究过两个随机变量的独立性,我们定义若两个随机变量X,YX,Y满足
P(X,Y)=P(X)P(Y)P(X,Y)=P(X)P(Y)
则我们说随机变量X,YX,Y独立。下面来直观地理解这个公式,可以发现,如果X,YX,Y独立,那么已知XX,将不会对YY的分布产生任何影响,即是说P(Y)=P(Y|X)P(Y)=P(Y|X),这个结果的证明也很简单,由贝叶斯公式:
P(Y|X)=P(X,Y)P(X)=P(X)P(Y)P(X)=P(Y)P(Y|X)=P(X,Y)P(X)=P(X)P(Y)P(X)=P(Y)
即证。
由此可以看出,独立性反应了已知XX的情况下,YY的分布是否会改变,或者说,在给定随机变量XX之后,能否为YY带来额外的信息。然而独立性只能表示出两个随机变量之间是否会有关系,但是却不能刻画他们的关系大小。下面我们引入互信息,它不仅能说明两个随机变量之间是否有关系,也能反应他们之间关系的强弱。我们定义互信息I(X,Y)I(X,Y):
I(X;Y)=∫X∫YP(X,Y)logP(X,Y)P(X)P(Y)I(X;Y)=∫X∫YP(X,Y)logP(X,Y)P(X)P(Y)
我们来稍微理解一下,log里面就是X,YX,Y的联合分布和边际分布的比值,如果对所有X,YX,Y,该值等于1,即是说他们独立的情况下,互信息I(X;Y)=0I(X;Y)=0,即是说这两个随机变量引入其中一个,并不能对另一个带来任何信息,下面我们来稍稍对该式做一个变形
I(X;Y)=∫X∫YP(X,Y)logP(X,Y)P(X)P(Y)=∫X∫YP(X,Y)logP(X,Y)P(X)−∫X∫YP(X,Y)logP(Y)=∫X∫YP(X)P(Y|X)logP(Y|X)−∫YlogP(Y)∫XP(X,Y)=∫XP(X)∫YP(Y|X)logP(Y|X)−∫YlogP(Y)P(Y)=−∫XP(X)H(Y|X=x)+H(Y)=H(Y)−H(Y|X)I(X;Y)=∫X∫YP(X,Y)logP(X,Y)P(X)P(Y)=∫X∫YP(X,Y)logP(X,Y)P(X)−∫X∫YP(X,Y)logP(Y)=∫X∫YP(X)P(Y|X)logP(Y|X)−∫YlogP(Y)∫XP(X,Y)=∫XP(X)∫YP(Y|X)logP(Y|X)−∫YlogP(Y)P(Y)=−∫XP(X)H(Y|X=x)+H(Y)=H(Y)−H(Y|X)
其中,H(Y)H(Y)是YY的熵,定义为
H(Y)=−∫YP(Y)logP(Y)H(Y)=−∫YP(Y)logP(Y)
衡量的是
YY的不确定度,即使说,
YY分布得越离散,
H(Y)H(Y)的值越高,而
H(Y|X)H(Y|X)则表示在已知
XX的情况下,
YY的不确定度,而
I(X;Y)I(X;Y)则表示由
XX引入而使
YY的不确定度减小的量,因而如果
X,YX,Y关系越密切,
I(X;Y)I(X;Y)越大,
I(X;Y)I(X;Y)最大的取值是
H(Y)H(Y),也就是说,
X,YX,Y完全相关,由于X的引入,
YY的熵由原来的
H(Y)H(Y)减小了
I(X;Y)=H(Y)I(X;Y)=H(Y),变成了0,也就是说如果
XX确定,那么
YY就完全确定了。而当
X,YX,Y独立时,
I(X;Y)=0I(X;Y)=0引入
XX,并未给
YY的确定带来任何好处。
总结下I(X;Y)
I(X;Y)的性质:
1)
I(X;Y)⩾0
I(X;Y)⩾0
2)
H(X)−H(X|Y)=I(X;Y)=I(Y;X)=H(Y)−H(Y|X)
H(X)−H(X|Y)=I(X;Y)=I(Y;X)=H(Y)−H(Y|X)
3)
当
X,YX,Y独立时,
I(X;Y)=0
I(X;Y)=0
4)当
X,YX,Y知道一个就能推断另一个时,
I(X;Y)=H(X)=H(Y)