##  [Bayessche Schätzung (Tomographie)](/de/node/50868) 

 Definition

Ein tomographischer Inferenzrahmen, der a priori Wissen über Quantenzustände mit Messdaten mittels Bayes’ Regel kombiniert, um eine Posterior-Verteilung über Zustände zu liefern; daraus lassen sich Punktschätzer (Posterior-Mittelwert, MAP) und Glaubwürdigkeitsbereiche ableiten.

 

 

 

 

 

 





## Prinzip

Prinzip

Aktualisiere die a priori Verteilung π(ρ) zur Posterior π(ρ|Daten) ∝ Pr(Daten|ρ) π(ρ) nach Bayes’ Theorem unter Beachtung des physikalischen Zustandsraums. Die Posterior kombiniert Likelihood und Prior-Regularisierung und ermöglicht eine prinzipielle Unsicherheitsquantifizierung und Einbindung von Vorwissen.

 

 

 

 

 





## Demonstration

Demonstration

Rekonstruktion eines Qubits mit einem Bures-ähnlichen Prior: Wähle einen Prior über die Bloch-Kugel, berechne die Likelihood aus Messzählungen, multipliziere für die Posterior, führe Monte-Carlo-Sampling (z. B. MCMC) durch und gib Posterior-Mittelwert und 95%-Glaubwürdigkeitsbereich für den Bloch-Vektor an.

 

 

 

 

## Fehlanwendung

Fehlanwendung

Auswahl eines schlecht begründeten oder nicht-normalisierbaren Priors, der die Posterior für verfügbare Daten dominiert; Vernachlässigung der Sensitivitätsanalyse gegenüber dem Prior; nur MAP berichten ohne Posterior-Spread. Einsatz schlechter Sampler, die multimodale Posteriors nicht explorieren, führt zu irreführenden Schlussfolgerungen.

 

 

 

 

 





## Konsequenz

Konsequenz

Lieferte eine vollständige probabilistische Beschreibung der Zustandunsicherheit, regularisiert schlecht gestellte Rekonstruktionsprobleme durch den Prior und erzeugt Glaubwürdigkeitsintervalle sowie verlustminimierende Punktschätzer. Nachteile sind Rechenaufwand und Priorabhängigkeit bei kleinen Datenmengen.

 

 

 

 

## Umkehrung

Umkehrung

Maximum-Likelihood- bzw. frequentistische Verfahren liefern eine einzelne Punktschätzung, die nur auf den Daten basiert; Bayessche Verfahren stehen dem gegenüber, indem sie Verteilungen liefern, die Vorwissen und endliche Stichprobenunsicherheit widerspiegeln.

 

 

 

 

 





## Abgrenzung

Abgrenzung

Anwendbar wenn Prior spezifiziert und Posterior berechenbar ist; schließt Kontexte aus, die streng frequentistische Nicht-Informationsgarantien verlangen, oder wenn mangelnde Rechenressourcen zuverlässiges Sampling unmöglich machen. Vorsicht bei hochdimensionalen Zustandsräumen, in denen Prior und Sampler stark dominieren können.

 

 

 

 

 





## Semantische Spannung

Semantische Spannung

Spannung zwischen subjektiver Prior-Einbindung und dem Wunsch nach objektiven, nur datenbasierten Schätzungen; Abwägung zwischen numerischer Umsetzbarkeit und Genauigkeit der Posterior-Approximation; und Spannung zwischen Meldung einer praktischen Punktschätzung und Kommunikation vollständiger Verteilungsunsicherheit.

 

 

 

 

 





## Synthese

Synthese

Bayessche Tomographie formuliert Zustandrekonstruktion als probabilistische Inferenz: Daten aktualisieren einen Prior zur Posterior über Zustände und liefern eine prinzipielle Unsicherheitsquantifizierung und Regularisierung auf Kosten expliziter Priorwahl und höherer Rechenkosten.