← 全部问题离散随机变量 X 的熵 H(X) 的正式定义是什么，它代表什么？
熵
H(X) 的正式定义是随机变量
X 的预期惊奇度（expected surprise）。它使用公式
H(X)=−∑xp(x)log2p(x) 进行计算，其中
p(x) 是
X 的概率质量函数。使用以 2 为底的对数意味着熵以比特（bits）为单位进行测量。它量化了
X 的固有不确定性；概率分布越均匀，熵就越高。
适用条件
- X 是离散随机变量。
- 求和遍历 x 的所有可能值。
- p(x) 是概率质量函数，满足 p(x)≥0 且 ∑xp(x)=1。
- 使用以 2 为底的对数得出的熵以比特为单位。
理解与推导
- 识别随机变量 X 及其可能的值 x。
- 确定每个值的概率质量函数 p(x)。
- 应用公式 H(X)=−∑xp(x)log2p(x)。
- 将结果解释为关于 X 的预期惊奇度或不确定性。
例子
对于 P(H)=0.5 且 P(T)=0.5 的公平硬币，熵恰好为 1.0 比特。对于 P(H)=0.9 且 P(T)=0.1 的不公平硬币，熵降至约 0.47 比特。
容易误解的地方
- 假设熵仅取决于可能结果的数量；实际上它取决于概率分布的均匀程度。
- 将熵与单个特定结果的概率混淆。
相关问题
认识概念↗ 条件熵 H(X|Y) 衡量在观察到另一个随机变量 Y 之后，关于随机变量 X 的平均剩余不确定性或惊讶程度。它被定义为条件自信息 h(x|y) 在 X 和 Y 的联合分布上的期望值。
适用条件：X 和 Y 是离散随机变量。；求和是在联合字母表 Ax×Ay 上进行的。
理解原因↗ 联合熵 H(X,Y) 不等于 H(X)+H(Y)，因为将边缘熵相加会重复计算变量之间共享的互信息 I(X;Y)。正确的关系是 H(X,Y)=H(X)+H(Y)−I(X;Y)。
适用条件：X 和 Y 是可能共享信息的随机变量（即它们不一定独立）。
认识概念↗ 在熵的韦恩图中，左圆代表熵 H(X)，右圆代表 H(Y)。它们的交集代表互信息 I(X;Y)。
适用条件：适用于说明两个离散随机变量 X 和 Y 之间的信息分解。
当 X 和 Y 独立时，知道其中一个并不能告诉你关于另一个的任何信息。在数学上，联合分布分解为边际分布的乘积，即 p(x,y)=p(x)⋅p(y)。
适用条件：适用于 X 和 Y 独立的情况。；显示的记号使用概率质量函数 p(x)、p(y) 和 p(x,y)。
是的，互信息是完全对称的。公式 I(X;Y)=I(Y;X) 成立。
适用条件：适用于定义互信息的任意一对随机变量 X 和 Y。
答案依据视频资料生成并经过独立核验。若有疑问，请核对原视频或联系原作者。