1. MAP 最大化后验概率（0-1 损失下最优）；MMSE 最小化均方误差（平方损失下最优），结果为后验均值。
2. 均值可以不是离散取值集合中的元素。例如离散后验均值 1.1 不在 {0,1,2} 中。
3. 看到正面应更支持正面概率更大的那枚硬币。若 $p_{1} > p_{2}$ 则更支持硬币 1。
有了后验分布之后，如果只能输出一个数，应该输出哪个？——从分布到决策。
理解MAP与MMSE估计的异同，能应用假设检验框架分析问题
建议先完成前面的课程，或具备线性代数与概率论基础。
观测 $x$ 后，我们有后验分布 $f(\theta|x)$。但实际应用常需要输出一个数：
这个 $g$ 叫 estimator（估计器）。关键在于：选哪个数最能代表整个分布？
连续情况：
离散情况：
💡 通俗解释： MAP 选择后验分布最高的那个点，也就是"最可能的参数值"。
⚠️ 易错点： MAP 不一定唯一。如果后验有两个同样高的峰，就有两个 MAP 解。
估计误差：$e = \theta - \hat\theta$。MMSE 要最小化：
结论——MMSE 估计就是后验均值：
💡 通俗解释： 如果损失函数是平方误差，那么均值是最好的代表点。
看最高点（众数）
优化：0-1 损失
看平均位置（均值）
优化：平方损失
如果后验分布对称且单峰（例如高斯分布）：
如果后验偏斜或多峰，两者可能不同。
上一讲得到后验分布：
这个密度随 $\theta$ 增大而下降，所以最大点在 $\theta = x$：
后验均值：
✨ 启发： 同一个后验，MAP 和 MMSE 会因为优化准则不同给出不同答案。选择哪个取决于你的损失函数。
假设 $\theta$ 只能取 0、1、2，后验概率为：
📝 注意： MMSE 不一定是 $\theta$ 的可取值之一（1.1 不是整数）。
如果 $\theta$ 只能取 $\theta_{1}, \ldots, \theta_{m}$，每个取值对应一个假设：
MAP 规则：选择使 $P(\theta_{i}|x)$ 最大的假设。
利用 Bayes rule：
因为 $P(x)$ 对所有假设一样，比较时只需比较 先验 × 似然：
有两枚硬币：硬币 1 正面概率 $p_{1}$，硬币 2 正面概率 $p_{2}$。随机等概率选一枚，投一次，观测到反面。
观测反面 $x=0$。比较：
如果 $p_{1} < p_{2}$，则 $1-p_{1} > 1-p_{2}$，所以更可能是硬币 1。
💡 通俗解释： 看到反面，更支持"更容易出反面"的那枚硬币。
假设 $p_{1}=0.3, p_{2}=0.8$，观测到反面。你选哪个假设？
在线性高斯系统中，后验分布是高斯分布。高斯分布对称单峰，所以：
这也是 Kalman Filter 能同时有多种解释的原因：
🎯 核心： 高斯让一切简化为优雅的解析解——这也是 KF 如此优美的原因。
后验的"最高点"
优化 0-1 损失
后验的"平均位置"
优化平方损失
MAP 规则：选择 $P(\theta_{i})P(x|\theta_{i})$ 最大的假设
1. MAP 最大化后验概率（0-1 损失下最优）；MMSE 最小化均方误差（平方损失下最优），结果为后验均值。
2. 均值可以不是离散取值集合中的元素。例如离散后验均值 1.1 不在 {0,1,2} 中。
3. 看到正面应更支持正面概率更大的那枚硬币。若 $p_{1} > p_{2}$ 则更支持硬币 1。
施老师大课堂 · 研讨会系列 9 · KF L6 MAP、MMSE 与假设检验
字幕来源：subtitles/20260104_施凌_研讨会系列9_KF_L6_audio_461f8fb080064680.srt