你想弄懂什么？

在概念上，这个公式将互信息识别为实际联合分布 $p(x,y)$ 与独立参考分布 $p(x)p(y)$ 之间的库尔贝克-莱布勒（KL）散度。它衡量了实际联合分布偏离纯粹独立性的程度。

适用条件：显示的推导适用于使用概率质量函数的离散分布。；比率形式要求在求和支持集上 $p(x,y)>0$ 且 $p(x)p(y)>0$。

在概念上，这个公式将互信息识别为实际联合分布 $p(x,y)$ 与独立参考分布 $p(x)p(y)$ 之间的库尔贝克-莱布勒（KL）散度。它衡量了实际联合分布偏离纯粹独立性的程度。

适用条件：显示的推导适用于使用概率质量函数的离散分布。；比率形式要求在求和支持集上 $p(x,y)>0$ 且 $p(x)p(y)>0$。

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 $p(x,y) = p(x) \cdot p(y)$。

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 $p(x,y)$。

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 $p(x,y) = p(x) \cdot p(y)$。

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 $p(x,y)$。

互信息 $I(X;Y)$ 与边际熵 $H(X)$、$H(Y)$ 以及联合熵 $H(X,Y)$ 之间的关系由恒等式 $I(X;Y) = H(X) + H(Y) - H(X,Y)$ 给出。这是从韦恩图中推导出来的，其中两个熵圆的并集是联合熵，它们的交集是互信息。

适用条件：$X$ 和 $Y$ 是具有有限熵的随机变量。；该图将 $H(X,Y)$ 视为两个熵圆的并集，将 $I(X;Y)$ 视为它们的交集。

互信息 $I(X;Y)$ 与边际熵 $H(X)$、$H(Y)$ 以及联合熵 $H(X,Y)$ 之间的关系由恒等式 $I(X;Y) = H(X) + H(Y) - H(X,Y)$ 给出。这是从韦恩图中推导出来的，其中两个熵圆的并集是联合熵，它们的交集是互信息。

适用条件：$X$ 和 $Y$ 是具有有限熵的随机变量。；该图将 $H(X,Y)$ 视为两个熵圆的并集，将 $I(X;Y)$ 视为它们的交集。