Lec 2 离散概率模型

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

TL;DR

• 神经放电离散概率族：伯努利试验刻画单突触释放，二项分布刻画多囊泡释放，泊松过程刻画稳态脉冲序列。
• 泊松过程极限定理：在试次极大且单次成功率极微时，二项分布收敛于均值等于方差（$\lambda$）的泊松模型。
• Fano 因子与超泊松发放：真实皮层神经元的脉冲发放方差通常大于均值（$F > 1$），反映了内部网络放电率的动态慢调制。

1. 核心问题

• 驱动问题：- 为什么同样是「计数」，一次答题、40 次答题和一秒内的神经放电不能直接套同一公式？
• 随机变量把样本空间映射为数值；分布模型再描述数值的概率。模型名称应来自生成机制和假设，而非直方图外形。
• 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 2 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
随机变量	将实验结果映射为数值的函数，如两骰点数和	随机变量等同一个观测值
伯努利分布	单次 0/1 结果：$P(X=1)=p$	描述任意次数的成功总数
二项分布	$N$ 次独立同概率伯努利试验的成功总数	仅有 $N$ 次就足够，不需独立同分布
泊松分布	计数 $K$ 的质量函数 $e^{-\lambda}\lambda^k/k!$	所有神经放电必然泊松
PMF/CDF	分别是 $P(X=x)$ 和 $P(X\le x)$	CDF 只取当前点的质量

3. 证据链与数学推导

讲义算例：大鼠 T 迷宫的对错

• 设计：讲义借用听觉线索决定左右转、获得奖赏的程序学习任务；假设前一天 40 次中 22 次正确，定义本日单次结果 $X\in\{0,1\}$。
• 结果：若以前一天比例为参数估计，$\hat p=22/40=0.55$；伯努利均值 $p$、方差 $p(1-p)$。若再假设本日 40 次独立同概率，总正确数 $K$ 才可建模为二项分布。
• 推论：单次与总次数是不同随机变量，二项模型比伯努利模型多了独立同分布假设。
• 软肋：昨天表现不保证今天参数相同；学习、疲劳或侧偏都会破坏这些假设。

讲义算例：40 次中 36 次正确

• 设计：把前一天估计 $p=0.55$ 当作固定假设，计算今天恰好 $K=36$ 的二项概率。
• 结果：$P(K=36)={40\choose36}(0.55)^{36}(0.45)^4\approx1.686\times10^{-6}$。
• 推论：恰好 36 次在该模型下很罕见，值得检验表现是否变化。
• 软肋：「恰好」概率不等于更极端结果的尾部概率，也不等于学习的正式证据；讲义说后续要用置信区间处理第二个问题。

讲义推导：二项模型的泊松极限

• 设计：以大量释放位点、各位点小释放概率的量子释放例子，令 $N\to\infty$、$p\to0$ 且 $Np\to\lambda$。
• 结果：${N\choose k}p^k(1-p)^{N-k}\to e^{-\lambda}\lambda^k/k!$；泊松模型均值和方差同为 $\lambda$。
• 推论：稀有独立事件的计数可用泊松近似；在时间变率模型中，时间窗内期望数为 $\Lambda=\int\lambda(t)dt$。
• 软肋：讲义明确指出真实神经系统很少完全泊松，量子释放数据也不总吻合；生物学依赖和不应期使相邻时间窗的独立性可疑。

讲义分析工具：栅格图与 PSTH

• 设计：多次刺激下先画每个试次放电栅格图，再按时间箱汇总，形成刺激前后时间直方图（PSTH）。
• 结果：讲义展示海马神经元例图；强调 PSTH 形状依赖箱宽，可用时变泊松率作为候选描述。
• 推论：直方图是统计汇总，若进一步做概率模型则必须说明箱宽和放电依赖假设。
• 软肋：箱宽改变会改变曲线；PSTH 本身并非「无需假设」的分析。

4. 理论之争与计算模型

立场 A	立场 B	区分证据
放电可用独立泊松计数近似	放电受历史、不应期和行为状态影响	检查方差/均值、相邻箱相关及时间重标定
本日表现沿用昨日固定 $p$	学习使 $p$ 随时间变化	逐试次曲线与含时间参数的模型

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：纹状体学习任务、神经递质释放和神经元放电。
• 认知/信息加工：选择怎样的生成模型来解释观察计数。
• 行为：T 迷宫选择对错及表现变化。
• 社会/文化：未展开。

6. 边界条件与失效情形

• • 二项分布要求固定 $N$、每次同概率且独立；若某次表现依赖前一次，就需考虑其他模型。
• 泊松的均值等于方差是可检验预期，但实测不符并不意味着不能使用任何计数模型。
• 原讲义伯努利 CDF 一处写 $F(0)=p$；若定义 $P(X=1)=p$，正确应为 $F(0)=P(X=0)=1-p$。
• 原讲义「任意可求和函数归一化为 PMF」还须该函数非负，否则归一化后不一定是概率质量。
• 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：- Lec01-Introduction-to-Probability 的独立性和计数原理是二项推导的前提。
• 自举例：把一天的 40 次对错只保留总正确数会丢失顺序；若前 20 次全错、后 20 次全对，学习轨迹不能由同一个总数表达。
• 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。

8. 思考题与自测

1. 单次对错与 40 次正确总数分别用什么随机变量？二项模型额外要求什么？
2. 从 $P(X=1)=p$ 推出 $F(0)$，并检查讲义的写法。
3. 为什么「恰好 36 次」概率不是直接的学习检验结论？
4. PSTH 的箱宽改变时，哪些解释可能改变？

9. 开放问题与前沿探索

• 未决之谜：- 神经放电的历史依赖很强时，什么点过程模型比泊松更合适？
• 怎样利用按试次记录区分参数变化、侧偏与随机波动？
• 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 2: 离散概率模型. 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.