Marco de inferencia tomográfica que combina información a priori sobre estados cuánticos con los datos de medida mediante la regla de Bayes para producir una distribución posterior sobre estados; de esa posterior se derivan resúmenes puntuales (media posterior, MAP) y regiones de credibilidad.

Principio

Actualizar la creencia previa π(ρ) a la posterior π(ρ|datos) ∝ Pr(datos|ρ) π(ρ) usando el teorema de Bayes, respetando el espacio de estados físico. La posterior integra la verosimilitud y la regularización por el prior, permitiendo cuantificación de incertidumbre y la incorporación de conocimiento previo o restricciones.

Demostración

Reconstrucción de un qubit usando un prior tipo Bures: escoger un prior sobre la bola de Bloch, calcular la verosimilitud a partir de los conteos de medida, multiplicar para obtener la posterior, aproximarla mediante muestreo Monte Carlo (por ejemplo MCMC) y reportar la media posterior y la región de credibilidad del 95% para el vector de Bloch.

Aplicación incorrecta

Elegir un prior mal justificado o impropio que domine la posterior con los datos disponibles, omitir análisis de sensibilidad al prior, o informar solo un estimador MAP sin mostrar la dispersión posterior. Usar muestreadores pobres que no exploren posteriors multimodales lleva a inferencias engañosas.

Consecuencia

Proporciona una descripción probabilística completa de la incertidumbre de estado, regulariza problemas de reconstrucción mal condicionados mediante el prior y produce intervalos creíbles y estimaciones puntuales que minimizan pérdida. Inconvenientes: coste computacional y dependencia del prior con datos limitados.

Inversión

Los enfoques por máxima verosimilitud (frecuentistas) dan una estimación puntual basada únicamente en los datos; los métodos bayesianos contrastan al producir distribuciones que reflejan conocimiento previo e incertidumbre de muestra finita.

Límite

Aplicable cuando se puede especificar un prior y realizar el cálculo posterior; excluye contextos que exigen garantías frecuentistas no informativas estrictas o donde los recursos computacionales impiden un muestreo fiable. Hay que tener cuidado en espacios de estados de alta dimensión donde priors y muestreadores influyen fuertemente.

Tensión semántica

Tensión entre la incorporación subjetiva del prior y el deseo de estimaciones objetivas solo por datos; compromiso entre factibilidad computacional y fidelidad en la aproximación de la posterior; tensión entre reportar un estimador puntual práctico y comunicar la incertidumbre completa de la distribución.

Síntesis

La tomografía bayesiana plantea la reconstrucción de estados como inferencia probabilística: los datos actualizan un prior para producir una posterior sobre estados, ofreciendo cuantificación de incertidumbre y regularización principiada a costa de elección explícita de prior y mayor coste computacional.