核心目标
- 建立数据素养基本框架:定义关键术语(如数据点、数据集、变量类型)。
- 区分描述性统计与推断性统计的应用场景与局限。
- 强调决策中“相关不等于因果”的基本原则。
方法论基础
数据收集原则
- 随机抽样是保障样本代表性的前提条件。
- 避免自我选择偏差(self-selection bias)和回忆偏差(recall bias)。
数据质量维度
- 准确性:数据值与真实值的一致程度。
- 完整性:关键字段缺失率应低于5%。
- 时效性:业务决策所用数据延迟不得超过T+1日。
基础统计工具
- 集中趋势:均值(适用于正态分布)、中位数(适用于偏态分布)。
- 离散程度:标准差(定量变量)、四分位距(IQR,抗异常值干扰)。
- 分布形态:偏度(Skewness)与峰度(Kurtosis)用于诊断模型假设。
预备知识与基本定义
Weyl-Titchmarsh函数与Livšic函数
- Weyl-Titchmarsh函数定义为M(z)=((A−zI)−1(z+i)g+,g+),其中z∈C+,g+∈ker((A˙)∗−iI)且∥g+∥=1。
- Livšic函数定义为s(z)=z+iz−i⋅(gz,g+)(gz,g−),其中gz∈ker((A˙)∗−zI),g±满足g+−g−∈Dom(A)。
-M(z)不依赖于归一化亏量元g+的具体选取;s(z)在条件g+−g−∈Dom(A)下亦不依赖于g±的具体选取,但依赖于参考自伴算子A。
-M(z)与s(z)满足关系式s(z)=M(z)+iM(z)−i。
von Neumann参数与特征函数
- 对A˙的极大耗散扩张A(满足Im(Af,f)≥0),存在唯一κ∈C,∣κ∣<1,使得g+−κg−∈Dom(A);称κ为三元组(A˙,A,A)的von Neumann参数。
- 特征函数定义为S(z)=κs(z)−1s(z)−κ,z∈C+。
-S(z)可用M(z)表示为S(z)=−M(z)+i1−κ1+κM(z)−i1−κ1+κ。
- von Neumann参数可由特征函数在z=i处取值得到:κ=S(i)。
- 当κ=0时,有S(z)=−s(z)。
亏量子空间的投影刻画
- 对任意z∈C+,存在唯一γ(z)∈C使得gz−γ(z)g~z∈Dom(A),其中gz,g~z∈ker((A˙)∗−zI)且非零。
- 此γ(z)满足∣γ(z)∣=∣S(z)∣。
- 若gz∈Dom(A),则导致Im(Agz,gz)<0,与A耗散性矛盾,故必有α=0(即投影系数非零)。
von Neumann对数势与完备酉不变量
- von Neumann(对数)势定义为ΓA(z)=log∣S(z)∣,定义域为C+∖{zk∣S(zk)=0}。
- 若A˙是素型算子,则M(z)和s(z)分别是二元组(A˙,A)的完备酉不变量;S(z)是三元组(A˙,A,A)的完备酉不变量。
-∣s(z)∣是对称算子A˙的完备酉不变量;∣S(z)∣是极大耗散算子A的完备酉不变量。
- von Neumann参数κ是三元组(A˙,A,A)的酉不变量;其模∣κ∣是耗散算子A的良定酉不变量。
- von Neumann对数势ΓA(z)可唯一确定A至多差一个酉等价。
开放量子系统的数学
第2章:耗散算子与对称算子的谱理论基础
单位不变量与特征函数
完全单位不变量
- 在对称算子A˙为素算子(prime)的假设下,Weyl–Titchmarsh 函数M(z)与 Livšic 函数s(z)共同构成对(A˙,A)的完全单位不变量。
- 特征函数S(z)是三元组(A˙,A,A)的完全单位不变量(参见文献[86]及附录C中定理C.1)。
- 若A˙非素,其素部分A˙∣H′定义在子空间H′⊂H上,则三元组(A˙,A,A)与(A˙∣H′,A∣H′,A∣H′)具有相同的特征函数(见附录B中定理B.2)。
模长型单位不变量
-∣s(z)∣是对称算子A˙的(完全)单位不变量(引理E.1与命题E.2,附录E)。
-∣S(z)∣是极大耗散算子A的(完全)单位不变量。
- von Neumann 参数κ(A˙,A,A)是三元组(A˙,A,A)的单位不变量;其绝对值κ(A)=∣κ(A˙,A,A)∣是耗散算子A的良定义单位不变量(公式2.16)。
函数刻画与唯一性
- 已知s(z)与S(z)(至多相差一个模为1的常数因子),等价于已知∣s(z)∣与∣S(z)∣,即可在A˙为素算子时,分别唯一确定A˙与极大耗散扩张A的单位等价类(文献[73])。
- von Neumann 对数势ΓA(z)的取值完全决定了耗散算子A的单位等价类。