论文3：多维随机变量的几何嵌入：联合分布、边缘与条件的几何操作

作者：张苏杭

单位：河南洛阳

摘要

本文将论文1的概率-几何同构框架与论文2的一维几何实现推广到多维随机变量。我们证明：任意 n 维联合分布 p(x_1,\dots,x_n) 可以唯一地嵌入为 \mathbb{R}^{n+1} 中的一张超曲面（或更一般的黎曼流形），使得概率密度函数等于该超曲面的某个曲率函数或高度函数的指数。核心结果如下：

1. 边缘化：对联合分布的超曲面沿某坐标方向积分，等价于向低维坐标平面作正交投影，投影后的加权体积即为边缘分布。

2. 条件化：固定部分坐标得到的条件分布，对应于超曲面被一个平行切片所截得的低维轮廓，切片上的归一化测度即为条件分布。

3. 独立性：随机变量相互独立当且仅当联合超曲面可分解为坐标子空间的直积，此时势函数可加，体积元分解。

4. 贝叶斯定理：后验分布对应切片上的重归一化，先验对应切片的几何权重。

   我们以二维情形为例给出显式几何构造，证明多元正态分布的超曲面是椭球抛物面，其投影与切片仍是抛物面（即边缘与条件正态性）。本文为高维概率推断提供了纯几何语言，并为后续论文4（公理重构）和论文5（随机过程）奠定基础。

关键词

多元分布；几何嵌入；边缘化即投影；条件化即切片；独立性即直积；贝叶斯定理几何化

---

§1 引言

论文1建立了概率-几何同构：每个概率分布对应一个几何势函数 h(x)=-\log p(x)，概率成为加权体积 \int e^{-h}d\nu。论文2对所有一维分布给出了直观的密度曲线实现，其中正态分布对应抛物线。但实际应用中的随机变量往往是高维的：例如多元正态分布、回归分析中的条件分布、隐变量模型的边缘化等。高维情形下，几何直观变得更加有力——因为我们可以将联合分布想象成一张曲面或超曲面。

本文的目标是：将联合密度函数 p(x_1,\dots,x_n) 实现为 \mathbb{R}^{n+1} 中的图形

\Gamma = \{(x_1,\dots,x_n, z) : z = h(x_1,\dots,x_n)\},

\]  

其中 h = -\log p（势函数实现），或者更直观地，z = p(x)（密度曲面实现）。我们采用密度曲面实现为主，因为它让概率直接对应于体积元：

P(X \in A) = \int_A p(x) dx = \int_{x \in A} \int_{z=0}^{p(x)} dz\, dx = \text{曲面 } z=p(x) \text{ 下的体积}.

\]  

对于 n=2，联合密度是一个三维空间中的曲面，概率是曲面下的体积，边缘分布是曲面向坐标轴的投影面积，条件分布是曲面的切片曲线。

本文的几何操作将彻底改变高维概率推断的思维方式：不再做复杂的多重积分，而是通过投影、切片、分解等几何动作直接读出结果。

组织结构：§2建立多维几何嵌入的一般构造；§3以二维为例详细展示几何图形与运算；§4证明边缘化=投影；§5证明条件化=切片；§6证明独立性=直积分解；§7给出贝叶斯定理的几何版本；§8以多元正态分布验证所有操作；§9讨论高维情形（n>2）及计算几何意义；§10总结。

---

§2 多维几何嵌入的构造

2.1 密度曲面嵌入

设 X = (X_1,\dots,X_n) 是连续型随机向量，联合密度函数 p: \mathbb{R}^n \to [0,\infty)。定义嵌入映射

\iota: \mathbb{R}^n \to \mathbb{R}^{n+1}, \quad \iota(x) = (x, p(x)).

\]  

其像 \Sigma = \iota(\mathbb{R}^n) 是一张 n 维超曲面（若 p 光滑）。我们称 \Sigma 为密度曲面。对于任意 Borel 集 A \subseteq \mathbb{R}^n，

P(X \in A) = \int_A p(x) dx = \text{Vol}_n(\{(x,z): x\in A, 0\le z \le p(x)\}),

\]  

即超曲面 \Sigma 下方（到 z=0 平面之间）的 n+1 维柱体体积。注意这里体积是 Lebesgue 测度在 \mathbb{R}^{n+1} 中的限制。

2.2 势函数嵌入（备选）

为与论文1一致，也可采用势函数嵌入 \iota_h(x) = (x, h(x))，其中 h=-\log p。此时概率 P(A) = \int_A e^{-h(x)} dx，不再直接是曲面下的体积，而是曲面上某权重因子的积分。在理论推导中势函数形式更简洁（尤其与指数族、信息几何的联系），但在直观展示几何操作时密度曲面更自然。本文主要采用密度曲面，必要时指出与势函数的转换。

2.3 离散与混合情形

对于离散或混合分布，可类似嵌入：若 X 取值于离散点集，则曲面退化为点集上的垂直线段；若部分连续部分离散，可用混合测度。为简洁，本文假设绝对连续分布，结论可自然推广。

---

§3 二维情形：联合密度曲面

设 n=2，联合密度 p(x,y)。嵌入到三维空间得到曲面 z = p(x,y)。该曲面具有以下几何特征：

· 曲面总下方的体积 = 1（因为 \iint p(x,y) dxdy = 1）。

· 曲面非负，且与 z=0 平面相切于无穷远处（若支撑有界则边界处降为零）。

我们通过三个几何操作来对应概率论的核心概念。

图1（文字描述）：一个典型的二维正态分布曲面，形如一个山包。在 x 方向的投影（积分掉 y）得到一条钟形曲线（边缘密度 p_X(x)）；固定 x=x_0 做垂直切面，切线与曲面的交线是一条曲线 z = p(x_0,y)，归一化后即为条件密度 p(y|x_0)。

---

§4 边缘化 = 投影

定理4.1（边缘化作为投影）

设 (X,Y) 有联合密度 p(x,y)，曲面 \Sigma: z=p(x,y)。则边缘密度

p_X(x) = \int_{-\infty}^{\infty} p(x,y) dy

\]  

等于曲面 \Sigma 在 y-方向上的投影面积密度。具体地，考虑曲面 \Sigma 在 x-轴方向的“侧向投影”：对于每个固定的 x，曲线 y \mapsto p(x,y) 下的面积就是 p_X(x)。几何上，这相当于用平行于 y-轴的平面 x = \text{const} 去截曲面，得到一条曲线，计算该曲线与 z=0 之间围成的面积，即为 p_X(x)。

证明：

固定 x，定义函数 f_x(y)=p(x,y)。曲线 z=f_x(y) 在 yz-平面上的面积（从 z=0 到 z=f_x(y)）为 \int f_x(y) dy = \int p(x,y) dy = p_X(x)。因此，沿着 y 方向“积分”就是计算该截线下的面积。这正是垂直投影到 xz-平面（但带面积权重）的密度。 ∎

推论4.2：联合曲面向坐标平面 x 的正交投影（通过累积沿 y 方向的“体积投影”）直接给出边缘密度函数。

几何操作步骤（计算边缘 p_X）：

1. 用垂直于 x-轴的平面族 x=\text{const} 截取曲面 \Sigma。

2. 对每条截线，计算它与 z=0 之间的面积。

3. 将这些面积作为 x 的函数，即得 p_X(x)。

这个操作完全不需要概率语言，只涉及几何测量。

---

§5 条件化 = 切片

定理5.1（条件分布作为切片）

条件密度

p(y|x) = \frac{p(x,y)}{p_X(x)}

\]  

几何上等于：在固定 x=x_0 处作垂直平面 x=x_0 截曲面，得到截面曲线 z = p(x_0,y)，然后将该曲线归一化（使其下方面积为1），即

p(y|x_0) = \frac{p(x_0,y)}{\int p(x_0,y) dy}.

\]  

归一化因子正是边缘密度 p_X(x_0)（由定理4.1）。

证明：直接由定义。几何上，切片曲线 z=p(x_0,y) 下方的面积是 p_X(x_0)。将曲线的高度除以该面积，得到的新曲线 \tilde{z}=p(y|x_0) 满足 \int \tilde{z} dy = 1，且形状完全相同，只是纵向缩放。 ∎

几何操作（给定 x_0，求条件分布）：

1. 用平面 x=x_0 切割曲面，得截面曲线。

2. 测量该曲线下的总面积 A = p_X(x_0)。

3. 将曲线的高度按比例 1/A 缩放，得到归一化条件密度曲线。

4. 该曲线完全决定条件分布（可进一步计算条件期望等）。

注：对于离散条件，类似操作（点集切片 + 归一化）。混合情形下，切片可能得到奇异分布，但归一化原理相同。

---

§6 独立性 = 直积分解

定理6.1（独立性的几何判据）

随机变量 X 与 Y 独立当且仅当联合密度曲面 \Sigma 可以表示为两个低维曲面的直积，即存在函数 f(x) 和 g(y) 使得

p(x,y) = f(x) g(y),

\]  

且 \int f(x) dx = \int g(y) dy = 1。此时曲面 \Sigma 是乘积曲面：在 (x,y) 处的高度等于 f(x) 和 g(y) 的乘积。几何上，这意味着：

· 所有平行于 x-轴的截线形状相同（只差常数倍），且与 g(y) 成比例；

· 所有平行于 y-轴的截线形状相同（只差常数倍），且与 f(x) 成比例；

· 曲面的等高线是矩形网格。

证明：独立性 \Leftrightarrow p(x,y)=p_X(x)p_Y(y)。令 f=p_X, g=p_Y 即得。几何特征直接来自乘积形式：固定 x，截面曲线 z = p_X(x) p_Y(y) 正比于 p_Y(y)，比例因子为 p_X(x)。 ∎

推论6.2：若独立性成立，则条件分布 p(y|x) = p_Y(y) 与 x 无关，几何上表现为所有切片曲线经归一化后完全重合。

几何检验独立性的方法：

1. 在曲面上取两个不同 x_1, x_2 的切片，归一化后若曲线重合，则 Y 与 X 独立。

2. 或者，检查曲面的高斯曲率是否可分解为两函数乘积（在相应坐标系下）。

---

§7 贝叶斯定理的几何版本

考虑先验分布 \pi(\theta) 和似然函数 L(x|\theta)，联合密度 p(x,\theta) = L(x|\theta)\pi(\theta)。后验密度 \pi(\theta|x) = \frac{p(x,\theta)}{p_X(x)}。

几何操作（贝叶斯更新）：

· 联合曲面 z = p(x,\theta) 已经包含了所有信息。

· 观测到 X=x_0 后，用平面 x=x_0 截曲面，得到曲线 z = p(x_0,\theta)。

· 该曲线下的面积为 p_X(x_0)（边缘似然）。

· 归一化该曲线得到后验 \pi(\theta|x_0) = p(x_0,\theta)/p_X(x_0)。

几何意义：贝叶斯推断就是沿着观测变量的坐标方向切片并归一化。先验信息隐含在曲面的沿 \theta 方向的整体形状中，似然则通过 x-方向的变化体现。

---

§8 例：多元正态分布的几何

8.1 二元正态

设 (X,Y) 服从二元正态分布，均值向量 \mu=(\mu_X,\mu_Y)，协方差矩阵

\Sigma = \begin{pmatrix} \sigma_X^2 & \rho\sigma_X\sigma_Y \\ \rho\sigma_X\sigma_Y & \sigma_Y^2 \end{pmatrix}.

\]  

联合密度

p(x,y) = \frac{1}{2\pi\sigma_X\sigma_Y\sqrt{1-\rho^2}} \exp\left( -\frac{1}{2(1-\rho^2)}\left[ \frac{(x-\mu_X)^2}{\sigma_X^2} + \frac{(y-\mu_Y)^2}{\sigma_Y^2} - \frac{2\rho(x-\mu_X)(y-\mu_Y)}{\sigma_X\sigma_Y} \right] \right).

\]  

几何曲面：这是一个椭球状的山包，等高线是椭圆。势函数 h = -\log p 是二次型：

h(x,y) = \frac{1}{2}(x-\mu_X, y-\mu_Y) \Sigma^{-1} (x-\mu_X, y-\mu_Y)^T + \text{常数},

\]  

即一个椭球抛物面。

边缘分布：投影到 x-轴，得到一维正态 N(\mu_X, \sigma_X^2)。几何上，对任意 x，截面 y \mapsto p(x,y) 是一条正比于 N(\mu_{Y|x}, \sigma_{Y|x}^2) 的曲线，其下方面积就是边缘密度 p_X(x)——恰为一维正态曲线。

条件分布：固定 x=x_0，切片 p(x_0,y) 正比于 N(\mu_{Y|x_0}, \sigma_{Y|x}^2)，归一化后即条件正态。几何上，这些切片曲线形状相同（都是高斯钟形），但宽度和中心随 x_0 线性变化。

独立性：当 \rho=0 时，p(x,y)=p_X(x)p_Y(y)，曲面分解为两个一维正态曲面的乘积，截面形状不再随 x 变化（除缩放因子）。

8.2 高维正态

对于 n 维正态，密度超曲面 z=p(x) 在 \mathbb{R}^{n+1} 中，其边缘分布对应向低维坐标超平面投影，条件分布对应与坐标轴平行的切片，独立性对应于协方差矩阵的分块对角化。所有操作在几何上清晰易懂。

---

§9 高维情形与计算几何意义

对于 n>2，联合密度超曲面无法直接可视化，但几何操作定义不变：

· 边缘化：沿某些坐标方向积分，等同于向剩余坐标的超平面做投影（累积超曲面下的体积）。

· 条件化：固定某些坐标，作平行于剩余坐标轴的切片，得到低维超曲面，归一化即得条件分布。

· 独立性：联合超曲面可分解为两个低维超曲面的直积。

计算几何的潜力：传统多元概率计算（如高维积分）往往很困难。几何视角提示我们可以利用蒙特卡洛体积估计、适应性切片采样等几何算法来近似计算边缘和条件分布。例如，边缘密度 p_X(x) 等于超曲面在固定 x 时沿其他坐标的截面积，这可以通过在低维切片上采样估计。这为高维贝叶斯计算提供了新思路。

---

§10 总结与展望

本文完成了概率-几何同构框架的第三步：多维嵌入。我们证明：

· 联合分布 ↔ 超曲面；

· 边缘化 ↔ 正交投影（积分）；

· 条件化 ↔ 切片并归一化；

· 独立性 ↔ 直积分解；

· 贝叶斯定理 ↔ 切片+归一化。

这些结果使得高维概率推断可以完全在几何空间中进行，无需显式写出多重积分。结合论文1的同构框架和论文2的一维实例，我们已经拥有了从低维到高维、从连续到离散的完整几何化工具箱。

下一步（论文4）将证明概率公理与几何公理的等价性，从而宣告统一框架的完成。而论文5将把静态超曲面推广为动态几何流，覆盖随机过程。

---

附录A：二维情形几何图示（文字版）

图A.1：联合密度曲面 z=p(x,y)，呈山丘状。标注：

· 底面为 xy-平面。

· 在固定 x=x_0 处作垂直平面（平行于 yz-平面），与曲面交得一曲线（切片）。

· 该曲线与 z=0 之间的面积 = p_X(x_0)。

· 该曲线归一化后 = 条件密度 p(y|x_0)。

图A.2：两个不同 x_0 的切片曲线叠加。若独立，归一化后曲线完全重合；若相关，曲线形态变化（位置和形状随 x_0 改变）。

---

参考文献

[1] 张苏杭. 概率-几何同构的基础范式: 从高斯分布到一般测度对应, 2026. (论文1)

[2] 张苏杭. 一维概率分布的几何实现: 钟形、阶梯、点阵与分形, 2026. (论文2)

[3] Anderson, T. W. An Introduction to Multivariate Statistical Analysis. Wiley, 2003. (多元正态分布)

[4] Billingsley, P. Probability and Measure. Wiley, 1995. (测度论)

[5] Cover, T. M., & Thomas, J. A. Elements of Information Theory. Wiley, 2006. (信息几何与正态分布)

[6] 陈希孺. 高等数理统计. 中国科学技术大学出版社, 1999. (边缘与条件分布)

---

（正文完）