Lec 1概率理论导论

讲义完成更新于 2026-09-28

承接

这是当前课程已收录的第一篇。

后续Lec 2 · 离散概率模型

Lec 1 概率理论导论

MIT 9.07 · 脑与认知科学统计学 · 主讲 Emery N. Brown

TL;DR

概率公理化体系：从样本空间、可加性公理到条件概率定义，建立不确定性量化的数学根基。
罕见病筛查假阳性悖论：极低先验患病率下，高敏感度（98%）检测后阳性预测值仍仅约 2.7%，突显贝叶斯先验的决定性权重。
独立性充要判定：成对两两独立不等于相互独立，多变量联合概率分解需严格检验所有高阶子集相交性质。

1. 核心问题

驱动问题：- 如何从不确定的实验结果出发，严谨计算事件发生、条件更新与联合发生的概率？
常见陷阱是把「检测阳性的概率」与「阳性者患病的概率」混为一谈，也把两两独立误认为完全独立。
统计本质：神经生物与行为数据本质上是由微观随机过程（离子通道开关、递质释放、神经元脉冲时延）驱动的高噪声样本，统计学提供了连接不确定性数据与生理因果律的严谨数学公理体系。
课程坐标：本讲作为全课程第 1 讲，深度承接前后的理论进阶，构筑从基础概率空间向复杂参数估计与推断决策跃迁的关键量化基石。

2. 核心概念

概念	一句话定义	易混淆处
样本空间与事件	$\Omega$ 是所有可能结果；事件是结果的集合	单个结果与事件集合相同
概率公理	$P(\Omega)=1$ 、非负、互斥事件可加	所有事件都可直接相加
条件概率	$P(A\mid B)=P(A\cap B)/P(B)$ ，要求 $P(B)>0$	$P(A\mid B)=P(B\mid A)$
贝叶斯法则	用先验与条件似然更新事件概率	只看检测敏感度
独立性	联合概率等于边际概率乘积	两两独立必然完全独立

3. 证据链与数学推导

讲义算例：两次学习试验

设计：设每次正确记为 1、错误记为 0，两个试次组成 $\Omega=\{00,01,10,11\}$ ；讲义在「没有学习、四种结果等可能」的假设下计算事件。
结果：「第一次正确」概率 $0.5$ ，「第二次错误」概率 $0.5$ ；两者交集是 $\{10\}$ ，概率 $0.25$ ，因此并集概率为 $0.5+0.5-0.25=0.75$ 。
推论：事件相加时必须扣除重复计入的交集。
软肋：等可能、无学习是例题假设，不能未经数据检验就套入真正的学习实验。

讲义算例：生日悖论与计数

设计：假设 365 天等可能、无闰年，先计算 $n$ 人生日全部不同的概率。
结果： $P(\text{至少两人同生日})=1-365!/[ (365-n)!\,365^n]$ ；讲义给出 $n=23$ 时约 $0.507$ 。
推论：求补集往往比逐一枚举「至少一对相同」更简单。
软肋：真实生日分布不均，例题回答的是明确假设下的数学问题。

讲义算例：假设性筛查测试

设计：设疾病先验率 $0.0014$ ，敏感度 $0.98$ ，无病者假阳性率 $0.05$ 。
结果： $P(+)=0.98(0.0014)+0.05(0.9986)=0.051302$ ；所以 $P(\text{病}\mid +)=0.001372/0.051302\approx0.0267$ ，约 $2.7\%$ 。
推论：罕见事件的高敏感度检测仍可能有很低的阳性预测值，因为大量无病者也会出现假阳性。
软肋：数据仅用于教学；原讲义在下一步分母写成 $0.051032$ ，与前一步 $0.051302$ 不一致，本笔记按前一步算式重算。

讲义算例：两两独立并非完全独立

设计：四个等可能球中定义 $E_1=\{1,2\}$ 、 $E_2=\{1,3\}$ 、 $E_3=\{1,4\}$ 。
结果：各对交集概率是 $1/4=(1/2)(1/2)$ ，但三者交集概率 $1/4\ne(1/2)^3=1/8$ 。
推论：多事件独立性需检查更高阶交集，而不只检查每一对。
软肋：这是构造性反例，不是某一脑实验的数据。

4. 理论之争与计算模型

立场 A	立场 B	区分证据
概率解释为重复试验的频率	概率也可表示有限知识下的一致性信念	问题能否重复、怎样校准主观概率
结果等可能，可直接用 $k/n$	结果概率不同，需逐项赋值	实验设计与实际结果分布

5. 分析层次的整合

系统层次	核心研究维度	本讲关键机制与实证
数学公理与概率层（Axiomatic）	测度论、概率空间、随机变量分布族代数性质	严格遵循全概率公式、矩母函数乘积与特征函数极限定理
统计推断与算法层（Algorithmic）	估计量构造、似然求解、置信区间与假设检验决策	最小化 MSE、求解得分方程与重采样经验分位数收敛
神经与实验数据层（Empirical）	动作电位放电时间序列、脑电/肌电连续信号与行为抉择	实测数据校准理论模型，Q-Q 图诊断残差偏态与过离散度

层次小结：- 神经/生理：讲义举神经放电间隔与运动皮层放电解码作为可能建模对象，不给新实验结果。
认知/信息加工：条件信息怎样改变事件概率。
行为：学习试验的对错、检测判断以及向八个方向伸手的解码例子。
社会/文化：主观概率在不同人之间如何校准，讲义只提出问题。

6. 边界条件与失效情形

- $P(A\mid B)$ 必须要求 $P(B)>0$ ；若分母为零，公式不能直接用。
$P(A)+P(B)$ 只有在互斥时才等于 $P(A\cup B)$ 。
讲义的筛查例还在一处把敏感度/特异度与预测值的条件方向写混；应以正式定义及前面的算式为准。
讲义中 DNA 三联体的 64 种是密码子组合数，不是 64 种氨基酸；该例的生物学标签需要校正。
常态与极端的辩证：大样本渐近理论（如 CLT、MLE 渐近正态）在小样本或强相关神经元群体中面临严重失效风险；必须通过非参数自举或精确检验监控统计稳健性。

7. 课程内外的横向关联

讲次串联：- Lec02-Discrete-Probability-Models 将继续给随机变量和离散分布建模。
自举例：两次答题若发生学习，第二次正确率可能依赖第一次结果；这时不能把试次默认独立。
跨学科生态联结：与 MIT 9.00《心理学导论》研究方法、9.35《知觉》心理物理学、以及 9.59《心理语言学实验》的方差分析与线性回归紧密贯通，构成了整个脑与认知科学的通用统计语言。

我的理解

统计神经科学家的心智诊断：在不确定的世界里——贝叶斯是理性的终极防线

罕见病筛查的阳性悖论给每一个自负的现代人上了最残酷的一课：一个号称准确率高达 98% 的医学仪器，在检测结果显示阳性时，你真正患病的概率竟然只有可怜的 2.7%。

常识直觉在这里遭遇了灾难性的溃败。

人类大脑天生厌恶先验概率（Base-rate Neglect），我们总是被眼前孤立、鲜活的测试信号所蒙蔽，却忘记了背景世界中数以万计未患病的庞大基底。

概率论不仅是一门数学技巧，它是一种在信息不对称的混沌迷雾中保持清醒的认知卫生学。理解了条件概率的乘积与全概率分母，我们才学会了对孤立奇迹的谦逊，学会了在噪声喧嚣的时代用贝叶斯的理性目光审视万物。

8. 思考题与自测

两次学习试验中，为什么 $P(A\cup B)=0.75$ 而不是 $1$ ？
用讲义的三个假设数值重算阳性预测值，并说清每个条件概率的方向。
四球反例为何证明两两独立不足以推出完全独立？
生日悖论为何先算「所有生日不同」？

9. 开放问题与前沿探索

未决之谜：- 在真实神经放电记录里，怎样检验试次独立或 Markov 依赖假设？
当先验率因人群不同而变化时，阳性预测值如何改变？
前沿计算交叉：点过程非线性滤波（Point Process Filter）与状态空间模型（State-space Models）在脑机接口（BCI）实时神经假体运动解码中的实证应用，展示了统计推断在闭环神经工程中的最前沿突破。

10. 参考文献与延伸阅读

课程核心材料：
- Brown, E. N. (2016). 9.07 Statistics for Brain and Cognitive Science, Lecture 1: 概率理论导论. MIT OpenCourseWare.
- Casella, G., & Berger, R. L. (2002). Statistical Inference (2nd ed.). Duxbury.
- Brown, E. N., Kass, R. E., & Mitra, P. P. (2004). Multiple neural spike train data analysis: State-of-the-art and future challenges. Nature Neuroscience, 7(5), 456–461.
- Kass, R. E., Eden, U. T., & Brown, E. N. (2014). Analysis of Neural Data. Springer.