经典测量理论(贝叶斯统计推断)
更新于 Sat Jul 11
贝叶斯定理:知识更新的基本法则
- 状态知识由先验概率分布P(x)刻画;测量结果y通过条件概率P(y|x)(即似然函数)与x关联。
- 贝叶斯定理给出后验分布:P(x|y) = P(y|x)P(x)/P(y),其中P(y)为归一化因子(边际分布)。
- 更新规则:先验×似然函数→归一化→后验;先验即x的边际分布,后验即获得y后的知识状态。
贝叶斯定理的直观理解
- 均匀先验情形:后验正比于似然函数,结果y最可能来自使P(y|x)最大的x值。
- 强偏置先验情形(如HIV检测):即使检测高度可靠(假阳性率0.1%),若疾病先验极低(如0.1%),阳性结果仍导致约50%后验患病概率——凸显先验不可忽略。
- 测量未必增信:单次测量可能降低确定性(如HIV初筛后不确定性反增),但多次测量平均而言提升确定性(第2章量化)。
多次测量与高斯分布的普适性
- 独立多次测量:后验为先验与各似然函数乘积再归一化:P(x|y₁,…,yₙ) ∝ P(x)∏ᵢP(yᵢ|x)。
- 知识融合:两独立观测者PA(x)、PB(x)的知识可融合为P(x) ∝ PA(x)PB(x)(归一化后)。
- 高斯似然的成因:测量误差常为多源独立随机变量之和,中心极限定理保证其近似高斯分布(均值为x、方差V)。
- 高斯知识状态的成因:多次测量的似然函数乘积亦趋近高斯(乘法版中心极限定理),故实践中先验与后验常为高斯。
先验知识状态与不变性原理
- 无信息先验难题:对位置x取(−∞,∞)上均匀分布;对正量λ(如体积)则需尺度不变先验P(λ) ∝ 1/λ(杰弗里斯先验)。
- 不变性方法:先验应在参数空间的传递群(如平移群、尺度群、幺正群)下保持不变;例如N维量子态的零知识先验为幺正不变(Haar测度)。
- 两信封悖论警示:任意选取平坦先验(P(x) = const)会导致逻辑矛盾;真正“无知”的先验需满足尺度无关性(如P₀(x) ∝ 1/√x)。