Le ricerche in HEP - Dipartimento di Fisica
Transcript
Le ricerche in HEP - Dipartimento di Fisica
Le ricerche in HEP y Les Très R Riches Heures du Duc de Berry. Le Mois de Décembre, le terme d’une chasse. Musée Condé de Chantilly (F). Paolo Bagnaia - Le ricerche in HEP 1 LaLaricerca Bosone gg con Acautela) LEP 6/5 a di ricerca del del Bosone di Higgs LEPHiggs (usare (avvertenze) • Le pagine che seguono provengono da un vero corso del 5 anno; • in questa sede NON è indispensabile conoscere la “parte teorica” (il modello standard delle particelle elementari, il ruolo del bosone di Higgs nella teoria), che sarà trattata negli anni successivi (*); • occorre soltanto capire il trattamento dei dati, assumendo : 1. l’esistenza di una teoria (accettata da quasi tutti, ma non ancora completamente verificata), che prevede certi stati (e.g. il b.H.), che sono sperimentalmente osservabili, ma non completamente fissati dalla teoria (e.g. nel nostro caso, la massa del b.H. non è fissata dalla teoria); 2. la definizione di sezione d’urto σx (∝ probabilità di un dato processo ”x”); 3. la definizione di luminosità differenziale Ld e di luminosità integrata LI (n numero di eventi nell’unità di tempo, (n=numero tempo N=numero N numero totale di eventi) : n x = L d σx , ________________________________________________________ ∫ LI = Nx/σx = Lddt . (*) Potrei rifrasare la lezione immaginando (e.g.) un criminologo, che cerchi arsenico sul luogo di un delitto con uno spettrometro di massa come quello delle pagine precedenti; però ci tengo a mostrare un vero esempio di analisi, realmente Paoloeffettuata Bagnaia - Le in HEP daricerche ricercatori del nostro Dipartimento. 2 sommario • • • • generalità sulle ricerche; “frequentisti” frequentisti e “bayesiani”; bayesiani ; probabilità, distribuzioni di Gauss e Poisson); procedura di analisi (“blind”); • esempio : Higgs a LEP 1; • luminosità di scoperta e di esclusione; • calcolo di un limite (“al 95% di CL”); • esempio : Higgs a LEP 2000; • metodo della likelihood; • appendice : alcune proprietà della funzione di likelihood. Paolo Bagnaia - Le ricerche in HEP 3 esempio : limiti su mH alla fine di LEP I - 4 exp. ~ 3.7 M [Z→adroni] / exp (1989-94); → mH>65.2 GeV @ 95% CL • questa curva congloba i limiti di tutti e quattro gli esperimenti : A : 63.1 GeV D : 55.4 “ L : 60.2 “ O : 59.1 “ ; • ll’evento evento a mH = 67 GeV (OPAL) peggiora il limite di O(.1 GeV). Paolo Bagnaia - Le ricerche in HEP J.F.Grivaz, Bruxelles '95 95 4 la fisica delle “ricerche” ricerche • preliminare : esiste un modello (ex. SM, SUSY, etc.) che predice un fenomeno ( (ex. una particella, i ll un effetto ff di dinamico) i ) in i funzione f i di qualche l h parametro non fissato (ex. la massa della particella per il bosone di Higgs); • [[altro caso p più semplice p : il fenomeno è completamente p fissato dalla teoria,, ex. la produzione di W± e Z al Collider SppS]; • un acceleratore di nuova costruzione è potenzialmente in grado di osservare il fenomeno in un intervallo dello spazio dei parametri ancora inesplorato; • pertanto, si possono dare due casi : A. osservazione del fenomeno : la teoria è “verificata” ((leggere gg Popper, please), ) g gli eventuali parametri liberi sono misurati; B. non-osservazione : un qualche intervallo nello spazio dei parametri è dimostrato impossibile p ((cioè si p pone un “limite”); ); q quando tutto l’intervallo eventualmente permesso dalla teoria è esaurito, la teoria è “falsificata”; altro approccio (“model independent”), meno comune : cercare fenomeni imprevisti senza predizioni teoriche; ex. imprevisti, ex stati legati ℓ+ℓ- di alta massa (cfr. (cfr J/ψ). J/ψ) Paolo Bagnaia - Le ricerche in HEP 5 “blind blind analysis analysis” (perché blind ?) • di solito, b>>s, ma b e s hanno distribuzioni aspettate differenti → tagli nelle variabili cinematiche degli eventi (ex. (ex masse combinate, combinate distribuzioni angolari, angolari …); ); • quando il numero di eventi osservato è “grande” (n>>√n), le fluttuazioni statistiche modificano poco il risultato [però gli sperimentatori sono sempre impazienti …]; • viceversa, viceversa in caso di piccoli numeri, numeri la distribuzione di eventi trovati è discreta e fluttua; • piccole variazioni della selezione (che corrispondono a piccole differenze di eventi di fondo / segnale aspettati) producono grandi differenze di eventi trovati (ex., con fondo aspettato tt t trascurabile, t bil passare da d 0 → 1 evento t trovato, t t come nella ll figurina, fi i f grande fa d differenza); • nessun analista è “neutrale” : a posteriori, si possono sempre trovare t argomentiti formalmente f l t corretti per modificare di poco un taglio e cambiare di molto i risultati; • occorre fissare i criteri di analisi a priori sui mc, ottimizzando la visibilità del segnale aspettato, e poi applicare questi criteri “alla cieca” sugli eventi quale l è il taglio t li “giusto” “ i t ”? realili (→ ( “blind “bli d analysis”). l i ”) Paolo Bagnaia - Le ricerche in HEP 6 osservazione di un effetto nuovo [nel caso semplice, non c’è problema : se la ricerca di un fenomeno mai prima osservato non ha fondo significativo aspettato, aspettato la prima osservazione porta alla scoperta; anche un solo evento è significativo, ex. e+, pbar, Ω- a Brookhaven, W e Z al SppS]; • nel caso generale, esiste un fondo (calcolabile), prodotto da eventi di altri processi fisici che simulano quello cercato, cercato o da eventi mal misurati dal rivelatore; • la scoperta è pertanto un’osservazione che è incompatibile (ad un livello di confidenza predefinito) con una fluttuazione statistica +va del solo fondo aspettato; • si può invece porre un limite se si compie un’osservazione che è incompatibile con una fluttuazione -va del numero di eventi (fondo+segnale) aspettati, se la teoria fosse vera; e g , in app approssimazione oss a o e d di g grande a de numero u eo d di e eventi, e t, a p priori o ssi de deve e co confrontare o ta e il • e.g., segnale aspettato (s) con la fluttuazione del fondo (√b) : nσ = s / √b; a posteriori il numero osservato (N) con il solo fondo (b) o con la somma (s+b); Esempio Ci si aspettano 100 eventi di fondo (b=100, σb=√b=10) e 44 di segnale (s+b=144, σs+b=12). Si è scelto un livello di confidenza di “3σ”. Si può annunciare la scoperta se si osservano >130 eventi. Si può invece porre un limite se N < 108. 108 Se S 108<N<130 non c’è ’è decisione. d i i I valori l i N < 70 e N >180 sono “impossibili” “i ibili” in i questo t schema. h Paolo Bagnaia - Le ricerche in HEP 7 la distribuzione di Poisson • alcune difficoltà aggiuntive sorgono nel caso in cui l’approssimazione “n grande” (cioè distribuzione di Gauss) non possa essere utilizzata; grande • in questo caso, la distribuzione degli eventi segue la funzione di probabilità di Poisson [PDG, § 27.3.2 e § 28.6.5] : [NB i fisici fi i i misurano i n→ e−mmn (n | m ) = ; 〈 n〉 = m; σn = m; ottengono informazioni su m]; n! ℘ ex. n=0 → m ≤ 3 @ 95% CL. • caso con fondo (media b, nota) + segnale (media s, ignota) : ℘ e −( b +s ) (b + s )n (n | b + s ) = ; 〈 n〉 = b + s; σn = b + s; n! ¾ misurare n; ¾ decisione : ad un dato CL, n è incompatibile con b+s (scelta LEP per esclusione : 95%) ? n è incompatibile con b, cioè s≠0 (scelta LEP per scoperta : 5 σ → 5.7×10 5 7×10-5) ? oppure il caso è dubbio ? Paolo Bagnaia - Le ricerche in HEP 8 procedura di analisi mc segnale (teoria per vari valori dei parametri, σ, dσ/dcosθ, particelle di stato finale, …) mc fondi (σ, dσ/dcosθ, particelle di stato finale, …) identico !!! mc rivelatore (include risposta, risoluzione, malfunzionamenti, …) mc rivelatore (…) analisi : ottimizzazione dei tagli in modo da migliorare la visibilità del segnale (e.g. s/√b), talora funzione dei parametri liberi del segnale (e.g. mH) o di Lintegrata. tagli “standard” vietato tornare indietro (ottimali) sensibilità Paolo Bagnaia - Le ricerche in HEP scoperta p dati reali ??? limite 9 scoperta o esclusione ? • gli esperimenti, in genere, usano una convenzione omogenea (conservativa) per le richieste statistiche di scoperta e esclusione : ¾ SCOPERTA : CL di “5σ”, cioè P (b solamente) ≤ 5.7×10-5; ¾ ESCLUSIONE : CL di “2σ”, “2 ” cioè i è P (s+b) ( +b) ≤ 5×10 5 10-22 [in [i gergo, “95% CL”]; CL”] • a priori, si definisce la luminosità L necessaria per la scoperta /esclusione : ¾ Lscoperta =luminosità l i ità integrata i t t minima, i i affinchè ffi hè il 50% degli d li esperimenti i ti(Ã) (cioè un esperimento nel 50% dei casi) veda almeno 5σ oltre il fondo; ¾ Lesclusione =luminosità integrata minima, affinchè il 50% degli esperimenti(Ã) (cioè un esperimento nel 50% dei casi) veda almeno 2σ meno p per fondo + segnale; p g del valore aspettato NB : questa condizione è quella della mediana [“un esperimento, nel 50% dei casi…”], che è differente da quella della media [“un esperimento, che osservi esattamente il numero aspettato di eventi…”]. (Ã) talvolta un “esperimento” LEP [LHC] è la somma dei dati di tutte le 4 [2] collaborazioni. Paolo Bagnaia - Le ricerche in HEP 10 paradossi A. è necessaria molta più luminosità per la scoperta che per l’esclusione; cioè, assumendo d la l presenza del d l segnale l ad d un dato d valore l di massa, e un flusso fl continuo di dati, presumibilmente gli esperimenti si troveranno per lungo tempo in una situazione di “limbo”, senza poter distinguere tra una sovrafluttuazione del fondo (che impedisce di stabilire il limite) e una genuina presenza di segnale, che consenta di affermare la scoperta; B i valori aspettati sono “al B. al 50% 50%”;; cioè nella metà dei casi la luminosità realmente necessaria è minore, e nell’altra metà maggiore; però LEP II ha preso realmente dati una sola volta nella storia del mondo [che succede se si costruisce un acceleratore e ci si lavora per anni, anni pensando che i dati saranno sufficienti a dirimere un problema, e poi c’è una fluttuazione ?]; C. 95% non è un numero molto alto, in un caso / 20 il limite è infondato; gli esperimenti pubblicano molti limiti (decine ogni anno); è bene sapere che circa il 5% di essi sono statisticamente infondati [non sono sbagliati, può darsi che il valore vero sia molto superiore p al limite,, solo che non si sa]. ] Paolo Bagnaia - Le ricerche in HEP 11 esempio ese p o : limite te pe per mHiggs (b (b=0, 0, n=0) 0) Neventi il disegno è solo un esempio s(mH) = σsegnale(mH) × Lint × εanalisi ℘ Animazione limiteeventivisti; CL=95% (n=0|m) ≥ 1-CL → m ≤ - ℓn (1-CL) → m ≤ 2.996 ≈ 3 3 esclusione al CL del 95% mlimite Paolo Bagnaia - Le ricerche in HEP mH 12 esempio ese p o : limite te aspettato pe per mHiggs (b (b>0) 0) Neeventi il disegno è solo un esempio s+b = Lint [σs(mH)×εs+ σb×εb] NB : εs e εb possono essere funzione di mH, oppure no (“mass independent selection”). l ti ) b = Lint× σb×εb limiteeventifondo; CL CL=95% 95% Animazione n (j|m) ≥ 1-CL j=0 Σ ℘ n m 0 3.00 1 4.74 2 6.30 3 7.75 n>> 1 n+ 1.96√n esclusione aspettata al CL del 95% mlimite Paolo Bagnaia - Le ricerche in HEP mH 13 esempio ese p o : limite te ttrovato o ato pe per mHiggs (b (b>0, 0, n>0) 0) Neeventi il disegno è solo un esempio eventi trovati (include risoluzione) Animazione il limite trovato può essere maggiore o minore di quello aspettato (variabile statistica → t trovare di t ib i distribuzione generando d molti “pseudo-esperimenti”). limite superiore al CL (95%) mlimite Paolo Bagnaia - Le ricerche in HEP mH 14 le distribuzioni statistiche reali ¾ nella vita reale, gli eventi non seguono le distribuzioni matematiche dei libri : la funzione di Gauss ((o di Poisson)) è un caso “semplice”, p , che richiede approssimazioni pp in g genere non valide; • le distribuzioni reali sono generate numericamente dal mc della fisica e del rivelatore; • molto spesso, spesso a causa di effetti sistematici complicati (ex. (ex le zone morte dei rivelatori), rivelatori) le “code” sono più importanti che nel caso gaussiano; l’eccessiva semplificazione può produrre gravi errori; • è possibile calcolare numericamente i parametri delle distribuzioni (media, (media s.d., s d valori corrispondenti ai limiti); • in gergo, si dice “n σ” per indicare il valore corrispondente all’integrale della funzione di Gauss : ex. ex “sovra-fluttuazione “sovra fluttuazione a 3 σ” vuol dire che la probabilità di ottenere un valore più elevato (calcolata numericamente dalla distribuzione realmente aspettata) è 0.27 % (pari all’integrale della gaussiana da <x>+3σ a +∞); non vuol dire che si è superato il valor medio (questo è vero solo nel caso g gaussiano)); di 3 volte la s.d. (q • per alcune distribuzioni statistiche (ex. distribuzione del limite aspettato), l’elemento della popolazione non è l’evento singolo, ma la distribuzione degli eventi (o un suo derivato); in questi casi si devono generare molti esperimenti indipendenti virtuali (“Gedanken-experiment”), ciascuno con alta statistica (dispendio di calcolo); Paolo Bagnaia - Le ricerche in HEP 15 [ancora : limiti su mH alla fine di LEP I - 4 exp.] ~ 3.7 M [Z→adroni] / exp (1989-94); → mH>65.2 GeV @ 95% CL • questa curva congloba i limiti di tutti e quattro gli esperimenti : A : 63.1 GeV D : 55.4 “ L : 60.2 “ O : 59.1 “ ; • ll’evento evento a mH = 67 GeV (OPAL) peggiora il limite di O(.1 GeV). Paolo Bagnaia - Le ricerche in HEP J.F.Grivaz, Bruxelles '95 95 16 problemi di analisi A. problemi finti (occupano la maggior parte delle pubblicazioni) : • difficoltà matematiche (calcoli vari, vari interpretazione, interpretazione …); ); • difficoltà statistiche (approccio soggettivo/oggettivo, …); B. problemi veri (i cosiddetti “errori sistematici”) : • statistica dei mc (molti fondi a molti valori di √s, √ “griglia” nello spazio dei parametri) → non risparmiare p sui computers p ((né sugli g uomini)) e non avere fretta;; • conoscenza della risposta del rivelatore (“code non gaussiane” a bassa statistica, malfunzionamenti rari, …) → molta pazienza, pazienza sforzo, sforzo tempi lunghi; • calcoli approssimati (ordini superiori, processi rari, parametrizzazioni che falliscono per 1 evento / 106, …) → … tempo t …; • errori di analisi (sono tante e molto complicate, difficile trovare veri esperti e controllarli) → controllo rigoroso e, se possibile, duplicazione dell’analisi. Paolo Bagnaia - Le ricerche in HEP 17 luminosità di scoperta con le definizioni precedenti, assumendo la probabilità di Poisson e chiamando σS (σB) le sezioni d d’urto urto osservate osservate* del segnale (del fondo) e L la luminosità integrata disponibile, si ha : ⎡L ( εB σB + εS σS ) ⎤⎦ ℘B +S (i | L ) = exp ⎡⎣ −L ( εB σB + εS σS ) ⎤⎦ ⎣ ; i! i ℘B (i | L ) = exp [ −LεB σB ] [ −LεB σB ]i ; LεBσB i! < n >B +S = L ( εB σB + εS σS )); ∆ B +S = L ( εB σB + εS σS ); < n >B = LεB σB ; ∆ B = LεB σB ; PB L(εBσB+εBσS) PB+S < n >B +S − < n >B = LεS σS ∝ L; < n > B +S − < n > B ∆ 2 B +S +∆ 2 B = L Paolo Bagnaia - Le ricerche in HEP ε S σS 2εB σB + εS σS ∝ L. i 18 definizione di luminosità di scoperta ¾ le equazioni precedenti possono essere interpretate e risolte in termini di LD, la “luminosità integrata di scoperta” : 1 − e− LDεB σB × N −1 ∑ ( LD εB σB ) i =0 e − LD ( εB σB +εS σS ) N −1 × ∑ i =0 i! i ≤℘(5σ) = 5.7 × 10 −5 ; ⎡⎣LD ( εB σB + εS σS ) ⎤⎦ ≤ 0.5; i! i cut PB PB+S ≥ 0.5 N = NS = LD ( εB σB + εS σS ) . ≤ 5.7×10-5 ¾ i “la luminosità per cui, nell’ipotesi di esistenza del segnale, il 50% degli esperimenti p trova una incompatibilità p con il solo fondo al livello di 5σ”. Paolo Bagnaia - Le ricerche in HEP 19 calcolo delle luminosità di scoperta/esclusione • le formule precedenti, a dispetto della grande complicazione formale, sono solo delle pallide approssimazioni dei calcoli realmente eseguiti [v. [v oltre]; • inoltre, non tengono conto degli errori sistematici (come si fa ?); • nella vita reale, la luminosità è raccolta a valori di √s via via crescenti; nel calcolo bisogna combinare tutti i valori di √s, senza perdere preziosa informazione; • tutto ciò premesso, premesso le formule precedenti possono essere interpretate come delle equazioni in LD e LS, note εB, σB, εS, σS (calcolate via mc, come discusso in precedenza). tornare a “Higgs a LEP” Paolo Bagnaia - Le ricerche in HEP 20 il metodo del caso Higgs a LEP II (A (A.D. D MM) una variazione del metodo pprecedente,, molto complicata; p ; però bisogna studiarla : il caso reale più complesso mai avvenuto finora; buon esempio di quello che succederà a LHC, se le cose si faranno interessanti… interessanti estratto da PL B565 (2003) 61. (2003), 61 Paolo Bagnaia - Le ricerche in HEP 21 metodo di calcolo dei limiti ((ancora …)) • [non è una ridefinizione in contrasto con le precedenti, ma un approfondimento]; • la l procedura d è lla seguente t [non [ tutte t tt le l sottigliezze, tti li mii pare già ià troppo] t ]: ¾ raccolta dei dati (4 exp × molte √s × tutti i possibili stati finali) [def. “canale”, ex. il canale L3 - 204 GeV – b bbar µ+µ-]; ¾ analisi su mc (segnale e fondi) e dati reali per tutti gli “N” canali : ripetuta per ogni valore accessibile di mH [“test mass”]; differente per ogni canale “c” c e per ogni mH “m” m : {σS, σB, εS, εB, L , n}c,m [def. L εS σS ≡ sc,m, L εB σB ≡ bc,m, entrambi ƒ(mH)]; per ognuno degli nc,m , eventi osservati (j=1,…nc,m , ), un insieme di valori osservati [ex. massa ricostruita mj, variabile di b-tag; def. ∑cnc,m≡Mm]; in genere “tutto è funzione di tutto il resto” [ex. mj = mjm = mj(mH), perché l’efficienza, i tagli e i fit cinematici dipendono da mH]; mc(segnale) e mc(fondo) producono anche ƒSc,m(x1,…) e ƒBc,m(x1,…), distribuzioni di densità per tutte le variabili misurabili “x”, a valle dei tagli e dei fit;; [… continua …] Paolo Bagnaia - Le ricerche in HEP 22 calcolo dei limiti - 2 combinazione statistica dei vari canali [LEP Higgs working group, LHWG] : funzione di distribuzione degli eventi osservatI per segnale e fondo [xjc sono le grandezze cinematiche del j-esimo evento del canale c] : G G ƒ S ( x jc ) ≡ ƒ Sc ( x jc | mH ); G G ƒB ( x jc ) ≡ ƒBc ( x jc | mH ) likelihood per segnale (ΛS) e fondo (ΛB) : G B G ⎧⎪ ⎡sc ƒ ( x jc ) + bc ƒ ( x jc )⎤ ⎫⎪ ΛS = ΛS (mH ) = ∏⎨℘(nc | sc ,bc ) × ∏⎢ ⎥ ⎬; sc + bc c =1 ⎪ j =1 ⎣ ⎦ ⎭⎪ ⎩ N nc S nc ⎧ B G ⎫ ΛB = ΛB(mH ) = ∏⎨℘(nc | bc ) ×∏ƒ (xjc )⎬; c=1 ⎩ j =1 ⎭ N test sul rapporto tra le likelihood Q (-2 ℓn Q → ∆χ2 a grande M) : − 2AnQ = −2An ( ΛS Λ B ) ; [… continua …] Paolo Bagnaia - Le ricerche in HEP 23 calcolo dei limiti - 3 G G ⎧⎪e−(sc +bc ) ( sc + bc )nc nc ⎡sc ƒS (x jc ) + bc ƒB ( x jc )⎤ ⎫⎪ esplicitamente : ΛS = ∏⎨ × ∏⎢ ⎥⎬= nc ! sc + bc c =1 ⎩ j =1 ⎣ ⎪ ⎦ ⎭⎪ N ⎧e−(sc +bc ) nc ⎫ S G B G − b n N ⎧e c × bc c nc B G ⎫ = ∏⎨ n ! × ∏⎡⎣sc ƒ (x jc ) + bc ƒ ( x jc )⎤⎦ ⎬; j =1 ⎭ ΛB = ∏⎨ × ∏ƒ (x jc )⎬ = c=1 ⎩ c nc ! c =1 ⎩ j =1 ⎭ N ⎧e−bc nc B G ⎫ = ∏⎨ × ∏bc ƒ (x jc )⎬; c =1 ⎩ nc ! j =1 ⎭ N ⎛ N ⎧ e −( sc + bc ) nc ⎫⎞ S G B G ⎡ ⎤ × s ƒ ( x ) + b ƒ ( x ) ⎜∏⎨ ∏ c jc ⎦ ⎬ ⎟ jc ⎣ c ! n ⎛ ΛS ⎞ j =1 ⎭⎟ = ⎜ c =1 ⎩ c −2AnQ = −2An ⎜ = − 2 n A ⎟ N ⎜ ⎟ ⎧ e − bc nc ⎫ ⎝ ΛB ⎠ B G × ∏ bc ƒ ( x jc )⎬ ⎨ ⎜ ⎟ ∏ n ! c =1 ⎩ c j =1 ⎭ ⎝ ⎠ G N N ⎡ nc ⎛ sc ƒ S ( x jc ) ⎞ ⎤ = 2 ∑ sc − 2 ∑ ⎢ ∑ An ⎜ 1 + ⎟ ⎥. B G c =1 c =1 ⎣ ⎢ j =1 ⎝ bc ƒ ( x jc ) ⎠ ⎥⎦ Paolo Bagnaia - Le ricerche in HEP 24 le likelihood e il loro rapporto A. G G ⎧⎪e−(sc +bc ) ( sc + bc )nc nc ⎡ sc ƒS ( x jc ) + bc ƒB ( x jc ) ⎤ ⎫⎪ ΛS = ΛS (mH ) = ∏ ⎨ × ∏⎢ ⎥ ⎬; nc ! sc + bc c =1 ⎪ j =1 ⎣ ⎦ ⎪⎭ ⎩ N ⎧e−bc bc nc nc B G ⎫ ΛB = ΛB (mH ) = ∏ ⎨ × ∏ ƒ ( x jc )⎬; nc ! c =1 ⎩ j =1 ⎭ N la likelihood [PDG, §28.3.1, pag. 196] è il prodotto delle densità di probabilità [pdf], calcolata per i valori osservati degli eventi; nel nostro caso, il prodotto della funzione di Poisson, calcolato per il valore osservato di eventi in ogni canale, per la pdf di ciascun evento, calcolata per i valori osservati; il tutto è ripetuto due volte (ipotesi di segnale+fondo oppure di solo fondo), in funzione del parametro allo studio (mH). B. G N N ⎡ nc ⎛ sc ƒS ( x jc ) ⎞⎤ ⎛ ΛS ⎞ − 2AnQ = −2An ⎜ ⎟ = 2 sc − 2 ⎢ An ⎜1+ ⎟⎟⎥; B G ⎜ Λ b ƒ ( x ) ⎝ B⎠ c jc ⎠ ⎥ c =1 c =1 ⎢ ⎣ j =1 ⎝ ⎦ ∑ ∑∑ il rapporto tra le likelihood dello stesso fenomeno, generate da due pdf differenti, è un potente test di ipotesi tra le possibilità rappresentate dalle due pdf; nel nostro caso, il termine “-2 2 ℓn …” è solo per convenienza [ -2ℓn(Λ) 2ℓn(Λ) → χ2 , vedi prossima pag.]. pag ] Paolo Bagnaia - Le ricerche in HEP 25 limite “gaussiano” gaussiano La likelihood è definita come la probabilità combinata delle misure; pertanto, essa è maggiore i quando d lla ffunzione i di di distribuzione t ib i è corretta; tt quindi i di : G N N ⎡ nc ⎛ sc ƒS (x jc ) ⎞⎤ ⎛ ΛS ⎞ − 2AnQ = −2An⎜ ⎟ = 2 sc − 2 ⎢ An⎜1+ ⎟⎟⎥ = B G ⎜ Λ b ƒ ( x ) ⎝ B⎠ ⎢ j =1 ⎝ ⎥ c jc ⎠⎦ c=1 c=1 ⎣ ∑ ∑∑ -2ℓnQ Animazione ⎧−A n("grande"/"piccolo") → −∞ se (s+b) ok =⎨ ; − A n("piccolo"/"grande") n( piccolo / grande ) → +∞ se ( (b) b) ok ⎩ b dati reali mH ciò è confermato dal “limite gaussiano” [ -2ℓn(Λ) → χ2 ] : − 2AnQ = −2An( ΛS ΛB ) = χS2 − χB2 = ⎧("piccolo" - "grande") → −∞ se (s+b) ok =⎨ ; ( "grande" "piccolo" ) → +∞ se (b) ok ⎩ Paolo Bagnaia - Le ricerche in HEP s+b buona separazione cattiva ” 26 likelihood “binnata” binnata in pratica (per minimizzare le fluttuazioni statistiche mc), per ogni valore di mH, si fa una “scacchiera” scacchiera nel piano delle variabili cinematiche rilevanti : “mHrec”, la massa del candidato Higgs, ricostruita per ciascun evento; “G”, una variabile globale, che contiene b-tag, cinematica, jet, … ; i “quadratini” della scacchiera (“i”=1,…,N) devono essere abbastanza piccoli da poter trascurare le variazioni di ƒS,B all’interno e abbastanza grandi da non dare problemi con la statistica mc; di conseguenza [stot ≡ segnale totale aspettato; G si, bi, ni ≡ segnale, fondo, eventi trovati in “i”] : G ⎡ nc ⎛ sc ƒS (x jc ) ⎞⎤ −2AnQ = 2 ∑sc − 2 ∑⎢∑An⎜1+ ⎟⎥ = B G c =1 ⎢ c =1 ⎣ j =1 ⎝ bc ƒ (x jc ) ⎠⎥⎦ N N ⎡ ⎛ si ⎞⎤ = 2stot − 2∑⎢ni An⎜1+ ⎟⎥ . i =1 ⎣ ⎝ bi ⎠⎦ si;bi Q Paolo Bagnaia - Le ricerche in HEP mHrec 27 risultati per mH a LEP 2 (esempio) ⎡ ⎛ s − 2AnQ = 2stot − 2∑ ⎢ni An ⎜ 1 + i i =1 ⎣ ⎝ bi Q ⎞⎤ ⎟⎥ . ⎠⎦ di solito il risultato viene mostrato in una figura con : ascisse : mH “test mass”; ordinate : -2 2 ℓn Q per quel valore di mH; valore di -2 ℓn Q in : ¾ caso aspettato di s+b : ····; ¾ caso aspettato di solo b (+ bande a ±1σ ±1 e ±2σ) ±2 ) : ----;; ¾ dati osservati (—); Paolo Bagnaia - Le ricerche in HEP 28 Fine – Limiti e ricerche Paolo Bagnaia - Le ricerche in HEP ♠ 29