18、量子信息处理中的状态演化与完全正映射

量子信息处理中的状态演化与完全正映射

1. 习题解答与不等式推导

在信息论的学习中，我们会遇到一些习题和不等式的推导。例如，有如下不等式：
[
\leq n(1 - s) \log \left(\text{Tr} \left(\sum_{x} p’^{1 - s}(x) W^{1 - s}_{x} \right)^{\frac{1}{1 - s}} \right)
]
其中，(a) 是根据函数 (x \to \log x) 的凹性得出，(b) 则是由 (4.80) 推导而来。

还有一些具体的习题，如：
- 习题 4.31 ：对消息集 ({1, \ldots, N_n}) 上的均匀分布应用马尔可夫不等式。
- 习题 4.32 ：
- (a) 设 (p^{(n)}) 的第 (j) 个边缘分布为 (p_j)，由 (4.5) 可得 (\sum_{j = 1}^{n} I(p_j, W_i) \geq I(p^{(n)}, (W_i)^{(n)}))，由 (4.3) 可得 (\sum_{j = 1}^{n} I(p_j, W_i) \leq nI(\sum_{j = 1}^{n} \frac{1}{n}p_j, W_i))，所以分布 (\sum_{j = 1}^{n} \frac{1}{n}p_j) 满足所需条件。
- (b) 考虑一个大小为 (N_n) 的编码器 (\tilde{\Phi}^{(n)}) 和译码器 (Y^{(n)})，在 (X^n) 上选择分布 (p^{(n)}) 为：当 (x \in \text{Im} \tilde{\Phi}^{(n