Lec 4 随机变量变换与联合分布

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

TL;DR

• 单变量一维单调变换：严格依据概率守恒推导雅可比标量缩放公式 $f_Y(y) = f_X(g^{-1}(y)) |d/dy g^{-1}(y)|$。
• 表面肌电整流的非线性形变：EMG 全波半波整流将双极性电位转为单向能量包络，概率密度函数在原点发生剧烈折叠。
• 联合与边缘分布的几何投影：联合概率曲面在正交方向上的积分切片，构成了多维神经信号解耦的核心运算。

1. 核心问题

• 驱动问题：- 已知原始信号 $X$ 的分布，怎样求处理后 $Y=g(X)$ 的分布？两个同时测量的信号又如何用联合分布描述？
• 处理可改变支持集和密度形状；独立性必须在联合层面检查。
• 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 4 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
变换密度	将原变量的概率质量按映射 $g$ 转移到新变量	只把 $x$ 改名为 $y$
非一一映射	如 $Y=	X
联合分布	同时描述 $X,Y$ 取值的概率	仅有两个边际直方图
边际分布	对联合分布中的另一变量求和/积分	条件分布
双变量高斯与相关	联合高斯含相关参数 $\rho$	任何零相关变量都独立

3. 证据链与数学推导

讲义算例：整流肌电（EMG）

• 设计：讲义展示蛙游泳时半腱肌的正负 EMG 信号，令处理后 $Y=|X|$；假设原信号 $X$ 近似高斯。
• 结果：正负两侧在 $y>0$ 汇合，$f_Y(y)=f_X(y)+f_X(-y)$；若 $X\sim N(0,\sigma^2)$，则 $Y$ 服从半正态密度 $2\phi(y/\sigma)/\sigma$。
• 推论：整流后不能继续把 $Y$ 当作原来的对称高斯信号，支持集已变为非负。
• 软肋：高斯原信号是模型假设；讲义图展示形状变化，未证明所有 EMG 数据都高斯。

讲义材料：两个同时记录的 MEG 传感器

• 设计：比较前、后两个 SQUID 通道的同步时序、散点图、各自直方图和 Q-Q 图，并讨论联合高斯密度。
• 结果：讲义提供图形检查问题，但没有在正文给出样本相关系数的数值或正式独立性检验。
• 推论：边际近高斯只是第一步；散点结构和联合模型的 $\rho$ 仍需检验。
• 软肋：不能从两张一维 Q-Q 图独自宣称传感器独立，时间相关也可能影响样本有效数量。

讲义推导：零相关的特殊性

• 设计：将双变量高斯的 $\rho$ 设为零，代入其联合密度。
• 结果：联合密度可分解为 $f_X(x)f_Y(y)$，因此联合高斯下零相关推出独立。
• 推论：这是高斯联合族的特殊性质。
• 软肋：一般分布中零相关只说明线性协方差为零，仍可能有非线性依赖。

4. 理论之争与计算模型

立场 A	立场 B	区分证据
原始 EMG 可用高斯近似	信号偏斜、离群或状态混合	原始数据 Q-Q 图及分段残差
两 MEG 通道可当独立高斯	通道共享环境噪声或脑源	联合散点、相关和更广的依赖检验

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：肌肉电位与 MEG 传感器记录。
• 认知/信息加工：变换、联合建模和边际化。
• 行为：蛙游泳是 EMG 示范情境，讲义没有推断游泳表现。
• 社会/文化：未展开。

6. 边界条件与失效情形

• • 对 $Y=|X|$ 或 $Y=X^2$，单调变换公式必须分支处理，不能漏掉另一侧原像。
• 联合独立意味着密度可分解；零相关通常不够。
• 各边际高斯也不足以保证联合高斯，这是零相关推出独立时的重要条件。
• 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：- Lec03-Continuous-Probability-Models 先学习单变量高斯及 Q-Q 诊断。
• Lec05-Conditional-Distributions-and-Sums 将由联合分布计算条件分布与两个变量的和。
• 自举例：两支温度计各自误差都钟形，但共享同一个室温漂移；两个误差可能相关。
• 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. 若 $X\sim N(0,\sigma^2)$，为何 $|X|$ 在 $y>0$ 的密度要乘 2？
2. 两个通道的边际 Q-Q 图都近直线，还缺哪种联合检查？
3. 「零相关推出独立」要增加什么分布条件？

9. 开放问题与前沿探索

• 未决之谜：- 实际 EMG 或 MEG 数据有时间依赖时，联合模型如何加入滞后结构？
• 怎样在不假设高斯的情况下检验两个传感器的非线性依赖？
• 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 4: 随机变量变换与联合分布. 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.