Lec 3 连续概率模型

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

TL;DR

• 连续概率密度与积分：连续变量概率必须通过 PDF 定积分度量，单点概率测度为零，累积分布函数（CDF）具有单调有界性。
• 高斯分布与中心化表征：均值与方差完全决定正态形态，高斯白噪声是建模脑磁图（MEG）和脑电（EEG）背景扰动的基底。
• Q-Q 图残差正态性检验：通过比较样本分位数与理论标准高斯分位数，敏锐捕捉极端重尾、偏度与异常生理伪迹。

1. 核心问题

• 驱动问题：- 如何给连续的测量值建模，并判断一个看似钟形的神经测量噪声是否真的适合高斯分布？
• 对连续变量，密度高度不是概率；要同时检查样本分布、尾部、时间结构和模型假设。
• 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 3 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
概率密度（PDF）	$P(a\le X\le b)=\int_a^b f(x)dx$，总面积为 1	$f(x)$ 本身就是点概率
分布函数（CDF）	$F(x)=P(X\le x)$，连续可导时 $F'(x)=f(x)$	与频数直方图相同
逆变换模拟	若 $U\sim U(0,1)$，用 $F^{-1}(U)$ 生成目标分布样本	伪随机数完全无需检验
高斯分布	用均值 $\mu$、方差 $\sigma^2$ 描述对称钟形密度	所有噪声都高斯
Q-Q 图	比较样本分位数与模型分位数	点近直线就证明模型正确

3. 证据链与数学推导

讲义算例：均匀出生时刻与逆变换

• 设计：假设一天 24 小时出生时刻均匀，密度 $1/24$；另用 $U\sim U(0,1)$ 通过指数分布的逆 CDF 模拟等待时间。
• 结果：任意 30 分钟区间概率 $0.5/24=1/48$；若 $F(x)=1-e^{-\lambda x}$，则 $X=-\log(1-U)/\lambda$ 服从指数分布。
• 推论：概率来自面积；模拟可通过分位数变换连接均匀数与目标分布。
• 软肋：出生时刻均匀只是教学假设；伪随机生成器及模拟样本仍需检查。

讲义材料：MEG 仪器背景噪声

• 设计：在没有受试者时记录 MEG 通道约 14 分钟、采样率 601 Hz；先看时序图、直方图、箱线图和五数概括，再拟合高斯模型并画 Q-Q 图。
• 结果：讲义描述数据近似对称、钟形，Q-Q 图大体贴近参考直线；给出标准差约 $1.4\times10^{-11}$ Tesla，并展示尾部小偏差。
• 推论：高斯是合理的工作模型，但判断来自多种诊断图的共同支持。
• 软肋：图形吻合不保证观测独立；仪器漂移或时间相关会改变后续推断。缺少受试者的背景噪声也不是脑信号本身。

4. 理论之争与计算模型

立场 A	立场 B	区分证据
MEG 背景噪声可近似高斯	尾部、漂移或混合成分使单一高斯失效	Q-Q 尾部、残差时序与分段比较
等待时间是无记忆指数分布	等待时间受状态或历史影响	条件于已等待时间后的剩余时间分布

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：MEG 仪器噪声与讲义列举的睡眠段、离子通道等待时间。
• 认知/信息加工：根据数据类型选连续模型，理解模拟与模型诊断。
• 行为：讲义未提供新的行为实验。
• 社会/文化：未展开。

6. 边界条件与失效情形

• • 连续变量通常 $P(X=x)=0$；不能把点密度当作点概率。
• 五数概括和箱线图能发现偏斜/离群值，却不能单独证明高斯。
• 讲义还介绍 Gamma、Beta 和逆高斯分布；它们的支持集和形状不同，不能仅因均值相近就互换。
• 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 用求和得到概率，本讲改用积分。
• Lec04-Transformations-and-Joint-Distributions 将把连续密度用于变量变换与联合测量。
• 自举例：如果噪声直方图像钟形，但按时间连续上升，独立高斯样本模型仍可能错误。
• 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. 为什么连续变量在精确点上的概率可为零而仍可能取到该值？
2. 从指数 CDF 推出逆变换公式，并说明 $U$ 的分布。
3. MEG 噪声建模为何先看时序图，再看 Q-Q 图？

9. 开放问题与前沿探索

• 未决之谜：- 样本量很大时，Q-Q 图细微偏差何时会影响实际推断？
• MEG 背景噪声的时间相关怎样进入下一步的联合模型？
• 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 3: 连续概率模型. 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.