{
  "id": "marginal-distribution",
  "title": "边缘分布",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "边缘分布是对联合概率分布中未保留的变量求和或积分，得到的所选变量的概率分布。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "边际分布",
    "边缘概率分布"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/marginal-distribution/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/marginal-distribution/",
      "json": "https://aiwiki.page/en/marginal-distribution.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "边缘分布是指在一组随机变量中，某个变量或选定的一组变量的概率分布。它由这些变量的联合概率分布推导而来，计算时需涵盖未保留变量的所有可能取值。这一运算称为边缘化：对于离散变量采用求和，对于具有联合密度的变量采用积分。与条件化不同，边缘化并不将被消去的变量固定为某些特定值。"
    },
    {
      "heading": "定义",
      "text": "对于随机变量 \\(X\\) 和 \\(Y\\)，它们的联合分布给出了同时涉及两个变量的概率。\\(X\\) 的边缘分布则给出仅涉及 \\(X\\) 的概率：\n\n\\[P_X(A)=P(X\\in A)=P(X\\in A,\\;Y\\in\\mathcal Y),\\]\n\n其中，\\(A\\) 是由 \\(X\\) 的可能取值构成的可测集，\\(\\mathcal Y\\) 是 \\(Y\\) 的整个状态空间。\n\n“边缘”一词源于二维概率表的布局：各行、各列的合计值可以写在表格边缘。这些合计值分别给出了行变量和列变量的分布。\n\n边缘分布不一定只描述一个变量。对于随机向量 \\((X_1,\\ldots,X_n)\\)，任意选定子向量的联合分布都是完整分布的一个边缘分布。例如，\\((X_1,X_3)\\) 的分布是 \\((X_1,X_2,X_3)\\) 分布的一个二维边缘分布。"
    },
    {
      "heading": "离散变量",
      "text": "如果 \\(X\\) 和 \\(Y\\) 是离散变量，它们的联合概率质量函数为\n\n\\[p_{X,Y}(x,y)=P(X=x,\\;Y=y).\\]\n\n边缘概率质量函数为\n\n\\[p_X(x)=\\sum_y p_{X,Y}(x,y), \\qquad p_Y(y)=\\sum_x p_{X,Y}(x,y).\\]\n\n每个求和都遍历被消去变量的所有可能取值，无须作出统计独立性假设。\n\n例如，考虑以下联合分布：\n\n | \\(Y=0\\) | \\(Y=1\\) | \\(X\\) 的边缘分布\n\\(X=0\\) | \\(0.10\\) | \\(0.20\\) | \\(0.30\\)\n\\(X=1\\) | \\(0.30\\) | \\(0.40\\) | \\(0.70\\)\n\\(Y\\) 的边缘分布 | \\(0.40\\) | \\(0.60\\) | \\(1.00\\)\n\n因此，\n\n\\[P(X=1)=0.30+0.40=0.70,\\]\n\n且\n\n\\[P(Y=0)=0.10+0.30=0.40.\\]\n\n边缘分布保留了各个变量各自的概率信息，但没有保留它们之间完整的关联模式。在这个例子中，两个变量并不独立，因为\n\n\\[P(X=0,Y=0)=0.10 \\ne P(X=0)P(Y=0)=0.12.\\]"
    },
    {
      "heading": "连续变量",
      "text": "如果 \\((X,Y)\\) 具有联合概率密度函数 \\(f_{X,Y}\\)，则其边缘密度为\n\n\\[f_X(x)=\\int_{-\\infty}^{\\infty}f_{X,Y}(x,y)\\,dy,\\]\n\n\\[f_Y(y)=\\int_{-\\infty}^{\\infty}f_{X,Y}(x,y)\\,dx.\\]\n\n这些等式所确定的密度在勒贝格测度为零的集合上可以有所不同。积分范围可以限制在联合密度非零的区域内。\n\n例如，假设\n\n\\[f_{X,Y}(x,y)= \\begin{cases} 2, & 0<x<y<1,\\\\ 0, & \\text{otherwise}. \\end{cases}\\]\n\n则 \\(X\\) 的边缘密度为\n\n\\[f_X(x)=\\int_x^1 2\\,dy=2(1-x), \\qquad 0<x<1,\\]\n\n而 \\(Y\\) 的边缘密度为\n\n\\[f_Y(y)=\\int_0^y 2\\,dx=2y, \\qquad 0<y<1.\\]\n\n两个密度在各自上述区间之外均为零。它们各自的积分都等于一。尽管联合密度在其三角形支撑区域上为常数，这两个边缘密度在 \\((0,1)\\) 上都不是常数。\n\n对密度进行边缘化，不等于将另一个变量固定在某个值后对密度求值。函数 \\(f_{X,Y}(x,y_0)\\) 通常既不是归一化的边缘密度，也不是归一化的条件密度。"
    },
    {
      "heading": "分布函数与一般表述",
      "text": "即使不存在联合密度，边缘分布仍然存在。对于实值变量，设联合累积分布函数为\n\n\\[F_{X,Y}(x,y)=P(X\\le x,\\;Y\\le y).\\]\n\n则\n\n\\[F_X(x)=\\lim_{y\\to+\\infty}F_{X,Y}(x,y), \\qquad F_Y(y)=\\lim_{x\\to+\\infty}F_{X,Y}(x,y).\\]\n\n这一表述适用于离散分布、连续分布、混合分布和奇异分布。\n\n用测度论的语言来说，假设联合分布是定义在可测空间的乘积 \\(\\mathcal X\\times\\mathcal Y\\) 上的概率测度 \\(\\mu\\)。则 \\(\\mathcal X\\) 上的边缘分布为\n\n\\[\\mu_X(A)=\\mu(A\\times\\mathcal Y).\\]\n\n等价地，它是由坐标投影诱导的测度：\n\n\\[\\pi_X(x,y)=x: \\qquad \\mu_X(A)=\\mu\\bigl(\\pi_X^{-1}(A)\\bigr).\\]\n\n根据这一定义，边缘化是求随机元素的可测函数之分布的一个特例。\n\n对于更高维的分布，分步进行边缘化与一次消去所有不需要的坐标会得到相同的结果。例如，从 \\((X,Y,Z)\\) 中先消去 \\(Z\\) 再消去 \\(Y\\)，与同时消去 \\((Y,Z)\\)，得到的 \\(X\\) 的边缘分布相同。对于非负的概率质量函数和密度函数，相关的求和与积分可以交换顺序。"
    },
    {
      "heading": "边缘分布与条件分布",
      "text": "边缘分布描述一个变量的分布，而不限制其他变量的取值。条件分布则描述该变量在指定条件下的分布。\n\n对于离散变量，由条件概率可得\n\n\\[p_{X\\mid Y}(x\\mid y) = \\frac{p_{X,Y}(x,y)}{p_Y(y)}, \\qquad p_Y(y)>0.\\]\n\n相比之下，\n\n\\[p_X(x)=\\sum_y p_{X,Y}(x,y) =\\sum_y p_{X\\mid Y}(x\\mid y)p_Y(y).\\]\n\n因此，边缘分布是条件分布按概率加权得到的平均，通常不是等权平均。\n\n当联合密度存在时，相应的公式为\n\n\\[f_X(x)=\\int f_{X\\mid Y}(x\\mid y)f_Y(y)\\,dy,\\]\n\n其中，条件密度针对满足 \\(f_Y(y)>0\\) 的相关 \\(y\\) 值定义。\n\n在上面的离散分布表中，\n\n\\[P(X=1\\mid Y=0)=\\frac{0.30}{0.40}=0.75,\\]\n\n而边缘概率为 \\(P(X=1)=0.70\\)。\n\n如果 \\(X\\) 与 \\(Y\\) 独立，那么以其中一个变量为条件不会改变另一个变量的分布，但对零概率集取条件时需要作适当限定。反之，如果对 \\(P_Y\\)-几乎处处的 \\(y\\)，\\(X\\) 的条件分布都等于其边缘分布，那么这两个变量相互独立。"
    },
    {
      "heading": "边缘分布能确定什么，不能确定什么",
      "text": "联合分布唯一确定其边缘分布。仅凭边缘分布，通常无法确定联合分布。\n\n例如，设 \\(U\\) 服从 \\([0,1]\\) 上的均匀分布。以下每种构造都使 \\(X\\) 和 \\(Y\\) 具有相同的均匀边缘分布：\n\n- \\(X=U\\)，\\(Y=U\\)；\n- \\(X=U\\)，\\(Y=1-U\\)；\n- \\(X=U\\)，\\(Y=V\\)，其中 \\(V\\) 是与 \\(U\\) 独立的均匀随机变量。\n\n然而，第一种构造的相关关系表现为相关系数 \\(1\\)，第二种的相关系数为 \\(-1\\)，第三种的两个坐标则相互独立。\n\n独立性给出了一种与指定边缘分布相容的特定联合分布：\n\n\\[P(X\\in A,\\;Y\\in B)=P_X(A)P_Y(B).\\]\n\n对于具有联合密度的变量，这一关系变为\n\n\\[f_{X,Y}(x,y)=f_X(x)f_Y(y)\\]\n\n且几乎处处成立。因此，只有在假设或证实独立性的情况下，才能通过边缘密度相乘得到联合密度。\n\n即使完全知道所有一维边缘分布，通常也无法确定一个多元分布。高阶依赖关系仍可能未被确定。"
    },
    {
      "heading": "期望与多元正态分布",
      "text": "任何只涉及 \\(X\\) 的期望值都可以由其边缘分布计算。对于可积函数 \\(g\\)，\n\n\\[\\mathbb E[g(X)] = \\int g(x)\\,P_X(dx).\\]\n\n当联合密度存在时，等价地有\n\n\\[\\mathbb E[g(X)] = \\int\\!\\!\\int g(x)f_{X,Y}(x,y)\\,dy\\,dx.\\]\n\n因此，\\(X\\) 的均值和方差仅取决于其边缘分布。相比之下，\\(X\\) 与 \\(Y\\) 之间的协方差通常需要利用它们的联合分布信息。\n\n多元正态分布是一个具有闭式结果的重要例子。如果\n\n\\[\\begin{pmatrix}X\\\\Y\\end{pmatrix} \\sim \\mathcal N\\left( \\begin{pmatrix}\\mu_X\\\\\\mu_Y\\end{pmatrix}, \\begin{pmatrix} \\Sigma_{XX}&\\Sigma_{XY}\\\\ \\Sigma_{YX}&\\Sigma_{YY} \\end{pmatrix} \\right),\\]\n\n则\n\n\\[X\\sim\\mathcal N(\\mu_X,\\Sigma_{XX}), \\qquad Y\\sim\\mathcal N(\\mu_Y,\\Sigma_{YY}).\\]\n\n这里，\\(X\\) 和 \\(Y\\) 本身也可以是向量。选取相应的均值分量和协方差矩阵分块，即可得到它们的边缘分布参数。交叉协方差分块会影响它们之间的依赖关系和条件分布，但不影响这些边缘分布。"
    },
    {
      "heading": "应用与计算",
      "text": "在贝叶斯推断中，边缘化用于消去当前不感兴趣的参数或潜变量。如果 \\(\\theta\\) 是目标参数，\\(z\\) 表示其他未知量，\\(D\\) 表示观测数据，则边缘后验分布为\n\n\\[p(\\theta\\mid D)=\\int p(\\theta,z\\mid D)\\,dz.\\]\n\n这一过程通过对 \\(z\\) 的后验分布求平均，保留了关于 \\(z\\) 的不确定性。用 \\(z\\) 的某个单一估计值代入，通常会得到不同的结果。\n\n类似地，边际似然是对似然函数按先验分布积分得到的：\n\n\\[p(D)=\\int p(D\\mid\\theta)p(\\theta)\\,d\\theta.\\]\n\n在概率图模型中，计算边缘概率是一项核心推断任务。因子分解和条件独立可以显著提高某些计算的效率。\n\n尽管这一数学运算本身很直接，精确边缘化的计算成本却可能很高。对大量离散变量直接求和，可能需要计算指数级数量的项，而高维积分则可能遇到维数灾难。实际采用的方法包括数值积分、精确消元方法、蒙特卡洛方法、马尔可夫链蒙特卡洛和变分推断。\n\n还应将边缘化与优化区分开来。对不需要的参数进行积分，是按概率权重考虑其各种可能取值；对该参数进行最大化，则是选取使目标函数最大的值。由此得到的函数通常回答的是不同的统计问题。"
    }
  ],
  "links": [
    "random-variable",
    "probability-distribution",
    "joint-probability-distribution",
    "probability-mass-function",
    "statistical-independence",
    "probability-density-function",
    "lebesgue-measure",
    "cumulative-distribution-function",
    "measure-theory",
    "measurable-space",
    "measurable-function",
    "conditional-probability",
    "uniform-distribution",
    "correlation",
    "expected-value",
    "variance",
    "covariance",
    "multivariate-normal-distribution",
    "covariance-matrix",
    "bayesian-inference",
    "posterior-distribution",
    "marginal-likelihood",
    "probabilistic-graphical-model",
    "conditional-independence",
    "curse-of-dimensionality",
    "monte-carlo-method",
    "markov-chain-monte-carlo",
    "variational-inference"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}