MIT 9.07 脑与认知科学统计学（Statistics for Brain and Cognitive Science）

MIT 9.07 · Fall 2016 · 主讲 Emery N. Brown · 脑与认知科学系

MIT 9.07《脑与认知科学统计学》（Statistics for Brain and Cognitive Science）是麻省理工学院脑与认知科学系的核心量化方法基石课程，由美国三院院士（NAS, NAM, NAE）埃默里·布朗（Emery N. Brown）教授主讲。本课程打破传统生命科学中将统计学视为“SPSS 按钮食谱”的教条主义，将神经电生理、功能脑成像（MEG/fMRI）与行为心理物理学中的真实数据特征，深度融入现代概率论、点过程（Point Processes）、贝叶斯推断与统计流形几何。全课程系统奠定了从微观神经元动作电位泊松发放，到宏观行为假设检验与方差分析（ANOVA）的完整数学公理化证据链。

TL;DR

• 神经数据的点过程概率建模：将神经元动作电位脉冲序列抽象为非齐次泊松过程，推导放电率与反常发放的对数似然估计。
• 频率派与贝叶斯推断的双轨融合：从矩估计、Fisher 信息矩阵与极大似然渐近正态性，到先验共轭分布下的贝叶斯后验均值与不确定性更新。
• 连续时间序列与高斯随机场：利用重采样自举法（Bootstrap）、Q-Q 图与高阶矩母函数，严密监控脑电与肌电（EMG）信号的重尾与非线性偏差。
• 实验假设检验的因果严密性：系统剖析第一类/第二类错误率平衡、统计功效（Power）、多重比较校正以及单/双因素 ANOVA 的方差分解正交性。

14 讲完整课程导航

讲次	文档链接	核心主题	关键数学模型与神经科学应用
Lec 1	概率理论导论	概率公理与条件独立性	柯尔莫哥洛夫公理、全概率公式、临床筛查贝叶斯反转、两两独立 vs. 相互独立
Lec 2	离散概率模型	伯努利、二项与泊松分布	神经突触递质囊泡释放、大数近似、神经脉冲计数方差均值比（Fano Factor）
Lec 3	连续概率模型	概率密度函数与正态分布	累积分布函数（CDF）、高斯极限定理、脑磁图（MEG）传感器噪声与 Q-Q 图诊断
Lec 4	变量变换与联合分布	雅可比行列式与二维联合分布	表面肌电（EMG）全波整流非线性变换公式、边缘概率积分与联合高斯协方差
Lec 5	条件分布与随机变量和	条件期望与离散/连续卷积	锥体细胞树突棘计数的二项-泊松分层模型、独立随机变量和的概率密度卷积公式
Lec 6	矩、协方差与矩母函数	期望、方差与母函数代数	线性算子性质、皮尔逊相关系数、矩母函数（MGF）对独立变量和乘法性质的解析
Lec 7	大数定律与中心极限定理	弱/强大数定律与渐近正态	切比雪夫不等式依概率收敛、独立同分布标准化和向标准正态收敛的特征函数证明
Lec 8	矩估计与点估计理论	样本矩替换与估计量评价	视网膜神经元放电间隔伽马分布拟合、无偏性、有效性、均方误差（MSE）权衡
Lec 9	极大似然理论与 Fisher 信息	对数似然评分方程与 Cramér-Rao 界	得分函数（Score function）、Hessian 观测信息、渐近有效性与最小方差界
Lec 10	贝叶斯推断与共轭先验	后验概率分布与先验正则化	Beta-二项共轭更新、正态-正态均值估计、最大后验估计（MAP）与先验信息权衡
Lec 11	蒙特卡洛与自举法	非参数重采样与经验分布	经验累积分布函数（ECDF）、非参数 Bootstrap 置信区间、蒙特卡洛积分误差估计
Lec 12	统计假设检验	零假设、p 值与奈曼-皮尔逊引理	拒绝域设定、第一类错误 lpha 与第二类错误 eta、功效函数曲线、t 检验与似然比检验
Lec 13	简单线性回归与模型诊断	普通最小二乘法（OLS）与残差分析	高斯-马尔可夫定理最佳线性无偏估计（BLUE）、$R^2$ 判定系数、残差方差齐性检验
Lec 14	方差分析（ANOVA）	平方和正交分解与 F 分布检验	单因素组间/组内平方和分解（SSB/SSW）、双因素交互作用方差分解与多重事后检验

学习建议

• 推导与数据双向贯通：统计公式不是死记硬背的考卷答案，每一个求和与积分都在模拟神经元放电或脑区信号的真实物理测量；阅读时务必在草稿纸上亲手重现讲义算例。