最新实验数据处理方法第三部分：统计学方法.pptVIP

kkkkk ggggg 实验数据处理方法第三部分：统计学方法 第十二章 最大似然法 (Maximum Likelihood method) * jjjkk 第十二章 最大似然法(Maximum Likelihood Method) 点估计的方法之一，是参数估计中常用的方法，具有以下的特点： 在一定的条件下，ML估计式满足一致性、无偏性、有效性等要求； 当样本容量n??时，ML估计式满足正态分布?方差容易计算； 用ML方法可较容易地得到参数的估计式； 本章内容： 最大似然原理； 用ML方法求解参数估计问题的步骤； ML估计式的特性； 如何计算ML估计值的方差； 利用似然函数进行区间估计 * jjjkk 第十二章 最大似然法(Maximum Likelyhood Method) 12.1 最大似然原理 * jjjkk 12.1 最大似然原理 (一) 似然函数的定义 p.d.f：f(x|?) 测量量：x = {x1, x2, …, xn } (二) 最大似然原理 未知参数?的最佳估计值 应满足如下的条件： 位于?的允许取值范围； 对于给定的一组测量值， 使L取极大值： * jjjkk 12.1 最大似然原理 (三)估计值 的求法 似然方程： 极大值条件： 因为lnL是L的单调上升函数，lnL和L具有相同的极大值点，所以，L?lnL， 求和运算比乘积运算容易处理 似然方程： 极大值条件： 如果有k个位置参数，? = {?1, ?2, …, ?k} ?k阶似然方程 估计值： * jjjkk 12.1 最大似然原理 极大值条件：二次矩阵 是负定的(Negative definite) * jjjkk 第十二章 最大似然法(Maximum Likelyhood Method) 12.2 用ML方法进行参数估计的步骤 * jjjkk 12.2 用ML方法进行参数估计的步骤 构造概率密度函数； 构造似然函数； 求似然函数的极大值。 * jjjkk 12.2 用ML方法进行参数估计的步骤 （一）构造概率密度函数 物理系统的特性：某些量的理论概率分布函数 实验的条件：分辨率、探测效率 ?ML方法中所需的p.d.f 例：不变质量谱分析：e+e-?J/???K+K- 通过测量K+K-的动量，可得到K+K-的不变质量分布，对该分布进行统计分析，可得到衰变过程中产生的共振态的信息； 描述不变质量m的分布的p.d.f应包含对该分布有贡献的物理过程 * jjjkk 12.2 用ML方法进行参数估计的步骤 1. 信号事例： 在不变质量为m0处出现共振态X的弹性散射振幅可用Breit-Wigner公式描述： ?：X的宽度，m0：X的静质量，m：K+K-的不变质量 （1）如果?较小 实验结果包含质量分辨率?和探测效率的影响， ?~ ?，故必须对理论公式进行修正 * jjjkk 12.2 用ML方法进行参数估计的步骤 ?(m)：效率函数，因?(m)随m的变化较小，故?(m)~常数 R(m,m′)：分辨率函数，真值为m时，获得测量值m′的概率 其中： ?：质量分辨率 因此，窄共振峰的p.d.f为 * jjjkk 12.2 用ML方法进行参数估计的步骤 （1）如果?较大，宽共振峰 如果在衰变过程中存在着多个宽共振，则可能存在仙湖干涉的现象，设有Namp个相干的共振峰，则描述这些共振峰的p.d.f为 因为? ?，所以R(m,m′)~ ?(m-m′) ?k-1：相位差 ?k-1：第k个相干的共振峰事例数/第一个相干的共振峰的事例数 * jjjkk 12.2 用ML方法进行参数估计的步骤 2. 本底事例：相空间本底、粒子误判本底、其它衰变道本底等 fps(m,?)：相空间函数 Pi(x)：i阶Legendre多项式 bi：未知参数 * jjjkk 12.2 用ML方法进行参数估计的步骤 如果衰变过程中：NBW个窄共振峰、Namp个相干共振峰，则m的pdf 其中：CBW、Camp、Cback为归一化常数，保证 ：第k个窄共振峰事例数/总事例数 ：Namp个相干共振峰事例数/总事例数 ?BES分析软件BWFIT程序中使用的p.d.f （二）构造似然函数 * jjjkk 12.2 用ML方法进行参数估计的步骤 设对某物理系统进行了n次测量，x1、x2、…xn 根据需要可对 在实验条件一定的条件下，事例的产生率为常数， 在时间t内获得n个事例的概率为泊松分布。 观测到n个事例，且测量量为x1、x2、…xn的联合概率为 条件：ν必须能够精确确定 进行变化： 1. 广义似然函数（Generalized Likelihood Function） 总事例数n也是随机变量，服从平均值为υ的泊松分布： ?广义似然函数， 优点：n对θ增加了附加