粒子物理与核物理实验中的数据分析-清华高能物理中心-清华大学.pptVIP

* 多维置信区间 研究中常遇到需要给出多参数拟合情况下的多维置信区间 参数的联合概率密度函数为 其中 这里 V-1 为协方差矩阵。当联合概率密度函数值不变时，其 等高线对应于常数的 Q。它们是在参数空间以真值为中央的 椭圆（或对于两维以上的超椭圆）。 * 二维参数的置信区间 例如在中微子振荡实验中的双参数拟合问题 Phys.Rev.D74:072003,2006 * 含本底泊松分布的经典置信区间 在观察到 nobs 个事例条件下的置信区间的确定 可能会出现的问题： 如果本底研究给出的预言值 ?b与实验观测值 nobs可比较， 那么可能会出现信号事例上限 只可能取零值的情况。 （参见教材P141图9.9（a）） 如果出现这种情况，需要采用贝叶斯方法。 * 贝叶斯方法确定置信区间 在期待值为 ?s 的条件下观察到 nobs 个事例的似然函数 根据贝叶斯定理，期待值为 ?s 的后验概率密度函数为 如果取先验概率密度函数 * 贝叶斯上限 因此，上限可表示为 1）贝叶斯上限 ?s 0 2）?s = 0 回到经典上限 粒子物理与核物理实验中的数据分析 杨振伟 清华大学 第十讲：矩方法、 置信区间 * 本讲要点 矩的定义、 矩的应用与参数估计 矩方法与最大似然法和最小二乘法的比较 统计误差中的标准误差问题 经典置信区间问题 利用似然函数或二乘函数确定置信区间 贝叶斯上限 * 矩的一般表达式 假设对随机变量 x 有n 次测量 x1,…,xn，服从概率密度函数 分布 f (x;? ) 。其中有 m 个未知参数 ?1,…,?m。如果可以构 造 m 个线性独立函数 ai(x), i=1,…,m，其均值可写为 为了确定参数，上述独立函数必须进行适当选择使得含参数 的函数 ei(? ) 可以确定。 此时，函数 ei(? ) 可以通过计算无偏的样本平均值来估计 因此，参数值可以通过求解 m 个 ei(? ) 方程组来确定。 矩的一般表达式 * 线性独立函数的方差矩阵 参数 ?1,…,?m 估计值的协方差矩阵可以首先进行无偏估计 它可以与样本平均值的协方差矩阵相联系, 即 * 线性独立函数均值的方差矩阵 根据线性独立函数均值和其估计值的定义，可以有 * 参数估计值的方差矩阵 由于待定参数 ? 是 e 的函数，由误差传递（教材式1.54） 因此待定参数 ? 的协方差矩阵估计值也可以确定。而根据线 性独立函数的均值估计值表达式 可知参数值的估计值 可通过求解 m 个 方程组来确定。 参数估计任务完成 ? * 简单矩、代数矩和中心矩 如果令 x0=0，则一阶矩就是随机变量 x 的期待值定义(也称 作一阶代数矩) 如果令 x0=E[x] , 随机变量 x 围绕期待值的二阶矩就是随机 变量 x 的方差定义(也称作二阶中心矩) 代数矩 * 代数矩与中心矩的关系 代数矩 中心矩 低阶矩之间的 关系 一般情况下，它们的关系可以有如下表示 高阶矩对研究概率密度函数在|x-?|大值区间的行为很有帮助。 对称分布的所有奇数中心矩为零。 * 角分布理论的简单验证 在实验 中，理论预言角分布为 将角分布化为 cos? 的概率密度函数，则其二阶代数矩期待值 ? n=事例数 为了验证理论，我们计算 cos? 二阶代数样本矩平均值 假设的统计检验可以通过简单比较二阶代数矩的期待值与样本矩平均值来完成。 * 简单验证中的误差估计 在前面例子中对于不含参数的简单情形 cos? 二阶代数矩平 均值的误差估计可以按下列方法进行 已知真值 样本矩的方差为 样本矩平均值的方差可以证明为 0.39±0.01 观测值在一个标准 误差范围内与理论预期相符。 * 含参数情况举例 在上例中，假设已知理论中包含一未知参数 ?，例如 和前例一样，计算出 cos? 二阶代数矩的理论期待值 则参数 ? 与二阶代数矩的关系为 只要函数是可积的，采用矩方法原则上就可以测定参数。 * 简单矩方法应用的其它问题 非物理解问题：利用矩方法测定参数，可能会出现非物理结 果。例如前例的二阶代数矩中，如果 在矩方法中，我们无法加上限制条件使得参数的测定值保持 在物理允许的范围内。 假设检验问题：利用矩方法测定参数，由于只比较积分值并 解方程得到参数估计值，信息含量不足，因此无法判断所得 到的参数是否合理。实际应用中需要辅之以其它方法来检验。 适用范围问题：矩方法虽然简单，但在处理多参数问题中， 由于涉及更高阶的积分，使研究变得复杂。在这种情况下， 可以考虑采用所谓的“广义矩方法”。 * 最大似然法、最小二乘法和矩 矩方法 最大似然法 最小二乘法 数据输入 单个事例 单个事例 直方图 多维问题 最容易 归一化较复杂 较难 充分性 会有信息