约束情况下的最小二乘法-清华高能物理中心-清华大学.pptVIP

粒子物理与核物理实验中的数据分析 杨振伟 清华大学 第九讲： 最小二乘法 上一章回顾 四种方法给出最大似然估计的方差 数值方法 蒙特卡罗方法 RCF 边界方法 图解法 双参数的最大似然法（等高线） 推广的最大似然法 （样本总量为随机数） 最大似然法处理分区数据 （区间大小） 用最大似然法合并多组测量结果 * * * * 本讲要点 最小二乘法与最大似然法的关系 线性情况下的最小二乘估计 非线性情况下的最小二乘估计* 约束情况下的最小二乘法* 检验最小二乘法的拟合优度 应用最小二乘法处理分区数据 不等精度关联实验结果的并合问题 * * 最小二乘法与最大似然法 设有高斯随机变量: yi, i=1,…,N ,均值为 对应的对数似然函数(去掉与? 无关的项)为 对于独立的高斯变量 yi，联合概率密度函数为 * * 最小二乘估计量的定义 如果 yi 是多维高斯变量，协方差矩阵为V ，满足 那么其对数似然函数为 也就是说，我们应求下式的最小值 它的最小值定义了最小二乘法的估计量 ? ，即使 yi 不是高斯变量，该定义依然适用。(实际上，yi 通常是高斯的，因为中心极限定理会导出测量误差近似高斯。) * * 两种情况下的最小二乘参数估计 尽管上式对任何含参数函数的具体形式均成立，但是，对 参数的估计，可以根据理论预期值中所含参数的具体特征 而采用不同的参数估计处理方法，简化问题。 线性情况：