Υπολογιστική Φυσική Στοιχειωδών Σωματιδίων

Σχετικά έγγραφα
Bayesian statistics. DS GA 1002 Probability and Statistics for Data Science.

ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ

Statistical Inference I Locally most powerful tests

Aquinas College. Edexcel Mathematical formulae and statistics tables DO NOT WRITE ON THIS BOOKLET

Lecture 34 Bootstrap confidence intervals

ΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 19/5/2007

APPENDICES APPENDIX A. STATISTICAL TABLES AND CHARTS 651 APPENDIX B. BIBLIOGRAPHY 677 APPENDIX C. ANSWERS TO SELECTED EXERCISES 679

Econ 2110: Fall 2008 Suggested Solutions to Problem Set 8 questions or comments to Dan Fetter 1

CE 530 Molecular Simulation

FORMULAS FOR STATISTICS 1

Areas and Lengths in Polar Coordinates

Solution Series 9. i=1 x i and i=1 x i.

5.4 The Poisson Distribution.

Other Test Constructions: Likelihood Ratio & Bayes Tests

Probability and Random Processes (Part II)

CHAPTER 25 SOLVING EQUATIONS BY ITERATIVE METHODS

Μηχανική Μάθηση Hypothesis Testing

Areas and Lengths in Polar Coordinates

Statistics 104: Quantitative Methods for Economics Formula and Theorem Review

Για να ελέγξουµε αν η κατανοµή µιας µεταβλητής είναι συµβατή µε την κανονική εφαρµόζουµε το test Kolmogorov-Smirnov.

Biostatistics for Health Sciences Review Sheet

3.4 SUM AND DIFFERENCE FORMULAS. NOTE: cos(α+β) cos α + cos β cos(α-β) cos α -cos β

Exercise 2: The form of the generalized likelihood ratio

Μαντζούνη, Πιπερίγκου, Χατζή. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 5 ο

Μενύχτα, Πιπερίγκου, Σαββάτης. ΒΙΟΣΤΑΤΙΣΤΙΚΗ Εργαστήριο 5 ο

ANSWERSHEET (TOPIC = DIFFERENTIAL CALCULUS) COLLECTION #2. h 0 h h 0 h h 0 ( ) g k = g 0 + g 1 + g g 2009 =?

Homework 3 Solutions

Pg The perimeter is P = 3x The area of a triangle is. where b is the base, h is the height. In our case b = x, then the area is

An Inventory of Continuous Distributions

6.3 Forecasting ARMA processes

6. MAXIMUM LIKELIHOOD ESTIMATION

ST5224: Advanced Statistical Theory II

Inverse trigonometric functions & General Solution of Trigonometric Equations

derivation of the Laplacian from rectangular to spherical coordinates

9.09. # 1. Area inside the oval limaçon r = cos θ. To graph, start with θ = 0 so r = 6. Compute dr

ΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 6/5/2006

Solutions to Exercise Sheet 5

b. Use the parametrization from (a) to compute the area of S a as S a ds. Be sure to substitute for ds!

Δείγμα (μεγάλο) από οποιαδήποτε κατανομή

ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ. Κεφάλαιο 13. Συμπεράσματα για τη σύγκριση δύο πληθυσμών

Uniform Convergence of Fourier Series Michael Taylor

ΠΑΝΔΠΗΣΖΜΗΟ ΠΑΣΡΩΝ ΣΜΖΜΑ ΖΛΔΚΣΡΟΛΟΓΩΝ ΜΖΥΑΝΗΚΩΝ ΚΑΗ ΣΔΥΝΟΛΟΓΗΑ ΤΠΟΛΟΓΗΣΩΝ ΣΟΜΔΑ ΤΣΖΜΑΣΩΝ ΖΛΔΚΣΡΗΚΖ ΔΝΔΡΓΔΗΑ

Phys460.nb Solution for the t-dependent Schrodinger s equation How did we find the solution? (not required)

Queensland University of Technology Transport Data Analysis and Modeling Methodologies

Υπολογιστική Φυσική Στοιχειωδών Σωματιδίων

Section 9.2 Polar Equations and Graphs

Instruction Execution Times

Άσκηση 10, σελ Για τη μεταβλητή x (άτυπος όγκος) έχουμε: x censored_x 1 F 3 F 3 F 4 F 10 F 13 F 13 F 16 F 16 F 24 F 26 F 27 F 28 F

Παράδειγμα: Γούργουλης Βασίλειος, Επίκουρος Καθηγητής Τ.Ε.Φ.Α.Α. Δ.Π.Θ.

ΚΥΠΡΙΑΚΟΣ ΣΥΝΔΕΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY 21 ος ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ Δεύτερος Γύρος - 30 Μαρτίου 2011

6.1. Dirac Equation. Hamiltonian. Dirac Eq.

Main source: "Discrete-time systems and computer control" by Α. ΣΚΟΔΡΑΣ ΨΗΦΙΑΚΟΣ ΕΛΕΓΧΟΣ ΔΙΑΛΕΞΗ 4 ΔΙΑΦΑΝΕΙΑ 1

Matrices and Determinants

Problem Set 3: Solutions

Estimation for ARMA Processes with Stable Noise. Matt Calder & Richard A. Davis Colorado State University

A Bonus-Malus System as a Markov Set-Chain. Małgorzata Niemiec Warsaw School of Economics Institute of Econometrics

ΑΝΑΛΥΣΗ Ε ΟΜΕΝΩΝ. 5. Στατιστική συµπερασµατολογία για ποσοτικές µεταβλητές: Έλεγχοι υποθέσεων και διαστήµατα εµπιστοσύνης

1.α ιαγνωστικοί Έλεγχοι. 2.α Ευαισθησία και Ειδικότητα (εισαγωγικές έννοιες) ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΙΙ. Πολύ σηµαντικό το θεώρηµα του Bayes:

ΚΥΠΡΙΑΚΗ ΕΤΑΙΡΕΙΑ ΠΛΗΡΟΦΟΡΙΚΗΣ CYPRUS COMPUTER SOCIETY ΠΑΓΚΥΠΡΙΟΣ ΜΑΘΗΤΙΚΟΣ ΔΙΑΓΩΝΙΣΜΟΣ ΠΛΗΡΟΦΟΡΙΚΗΣ 24/3/2007

Δεδομένα (data) και Στατιστική (Statistics)

Υπολογιστική Φυσική Στοιχειωδών Σωματιδίων

ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΡΗΤΗΣ. Ψηφιακή Οικονομία. Διάλεξη 7η: Consumer Behavior Mαρίνα Μπιτσάκη Τμήμα Επιστήμης Υπολογιστών

χ 2 test ανεξαρτησίας

HOMEWORK 4 = G. In order to plot the stress versus the stretch we define a normalized stretch:

DESIGN OF MACHINERY SOLUTION MANUAL h in h 4 0.

ΚΟΙΝΩΝΙΟΒΙΟΛΟΓΙΑ, ΝΕΥΡΟΕΠΙΣΤΗΜΕΣ ΚΑΙ ΕΚΠΑΙΔΕΥΣΗ

Example Sheet 3 Solutions

Right Rear Door. Let's now finish the door hinge saga with the right rear door

1. Ηλεκτρικό μαύρο κουτί: Αισθητήρας μετατόπισης με βάση τη χωρητικότητα

Solution to Review Problems for Midterm III

Numerical Analysis FMN011

Lecture 2: Dirac notation and a review of linear algebra Read Sakurai chapter 1, Baym chatper 3

Mean bond enthalpy Standard enthalpy of formation Bond N H N N N N H O O O

Math 6 SL Probability Distributions Practice Test Mark Scheme

Πρόβλημα 1: Αναζήτηση Ελάχιστης/Μέγιστης Τιμής

A Note on Intuitionistic Fuzzy. Equivalence Relation

τατιστική στην Εκπαίδευση II

Section 8.3 Trigonometric Equations

Exercises to Statistics of Material Fatigue No. 5

t-distribution t a (ν) s N μ = where X s s x = ν 2 FD ν 1 FD a/2 a/2 t-distribution normal distribution for ν>120

Example of the Baum-Welch Algorithm

k A = [k, k]( )[a 1, a 2 ] = [ka 1,ka 2 ] 4For the division of two intervals of confidence in R +

Similarly, we may define hyperbolic functions cosh α and sinh α from the unit hyperbola

Lecture 12: Pseudo likelihood approach

Second Order Partial Differential Equations

The Simply Typed Lambda Calculus

519.22(07.07) 78 : ( ) /.. ; c (07.07) , , 2008

PHOS π 0 analysis, for production, R AA, and Flow analysis, LHC11h

: Monte Carlo EM 313, Louis (1982) EM, EM Newton-Raphson, /. EM, 2 Monte Carlo EM Newton-Raphson, Monte Carlo EM, Monte Carlo EM, /. 3, Monte Carlo EM

«Χρήσεις γης, αξίες γης και κυκλοφοριακές ρυθμίσεις στο Δήμο Χαλκιδέων. Η μεταξύ τους σχέση και εξέλιξη.»

ΑΝΙΧΝΕΥΣΗ ΓΕΓΟΝΟΤΩΝ ΒΗΜΑΤΙΣΜΟΥ ΜΕ ΧΡΗΣΗ ΕΠΙΤΑΧΥΝΣΙΟΜΕΤΡΩΝ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ

Ασκήσεις Εξετάσεων. Μεταπτυχιακό Πρόγραμμα Σπουδών στη. Διοίκηση των Επιχειρήσεων

The challenges of non-stable predicates

Math221: HW# 1 solutions

VBA Microsoft Excel. J. Comput. Chem. Jpn., Vol. 5, No. 1, pp (2006)

Fractional Colorings and Zykov Products of graphs

( ) 2 and compare to M.

SOLUTIONS TO MATH38181 EXTREME VALUES AND FINANCIAL RISK EXAM

CHAPTER 48 APPLICATIONS OF MATRICES AND DETERMINANTS

Problem Set 9 Solutions. θ + 1. θ 2 + cotθ ( ) sinθ e iφ is an eigenfunction of the ˆ L 2 operator. / θ 2. φ 2. sin 2 θ φ 2. ( ) = e iφ. = e iφ cosθ.

Transcript:

Υπολογιστική Φυσική Στοιχειωδών Σωματιδίων Όρια Πιστότητας (Confidence Limits) 2/4/2014 Υπολογ.Φυσική ΣΣ 1

Τα όρια πιστότητας -Confidence Limits (CL) Tα όρια πιστότητας μιας μέτρησης Μπορεί να αναφέρονται : 68%, 95%, 99% Μπορεί να είναι άνωτερο (Upper), κατώτερο (Lower), ή και τα δύο (twosided) x<u, x>l, L<x<U L U U 2/4/2014 Υπολογ.Φυσική ΣΣ 2

CL κατα την συχναζουσα πιθανότητα- Frequentist Μετρούμε μήκος με ένα μέτρο: σφάλμα gauss 0.1 (1σ) Για πραγματική τιμή x T μετρούμε x M με κατανομή gauss Το x M διαφερει απο το x T 0.1 στο 68% των μετρήσεων ΚΑΙ Το x Τ διαφερει απο το x Μ 0.1 στο 68% των μετρήσεων Μπορούμε να πούμε x M -0.1<x T <x M +0.1 @68%CL 2/4/2014 Υπολογ.Φυσική ΣΣ 3

Για πιο περίπλοκες κατανομές (όχι True X gauss)δεν είναι τόσο απλό Αλλά η αρχή είναι ίδια: --έστω οτι γνωρίζω απο ανεξάρτητη μέθοδο την κατανομή της μεταβλητής Χ, που περιλαμβάνει και την αληθή τιμή True X --απο τον estimator Θ και τις µετρήσεις µου υπολογίζω Θobs Οι ζώνες πιστότητας- Confidence Belts Measured X Construct Horizontally Read Vertically 2/4/2014 Υπολογ.Φυσική ΣΣ 4

To πρόβλημα της CL κατα την συχναζουσα πιθανότητα-frequentist Αρνητικά Lower και/ή Upper όρια για θετικές μετρούμενες ποσότητες : μέτρηση του βάρους (δοχείο-c+περιεχόμενο- M) με σφάλμα gauss. Mετρούμε R : R- σ< M+C < R+σ @ 68%, R-C-σ<Μ<R-C+σ@68% εστω: C=50, R=55, σ=10 => -5<Μ<5 @68% Έστω: C=50, R=31, σ=10 => -29<Μ<-9 @68% Poisson: Signal + Background Background mean 2.50 Detect 3 events: Detect 0 events Total < 6.68 @ 95% Signal<4.18@95% Total < 2.30 @ 95% Signal < -0.20 @ 95% Tα όρια είναι μαθηματικά σωστά αλλά χωρίς νόημα 2/4/2014 Υπολογ.Φυσική ΣΣ 5

Η προσέγγυση στο πρόβλημα με την πιθανότητας Βayes Μετρούµε ποσότητα x µε κατανοµή gauss και πραγµατική τιµή Χ ΔΕΝ υπολογίζουµε CL s Θεωρούµε οτι ΔΕΝ έχουµε καµµια γνώση της πραγµατικής τιµής και της µέτρησης P(Data Theory) είναι Gaussian P(Theory Data) είναι Gaussian P t x 0 L x 0 t P t /P x 0. x true Τα όρια που υπολογίζουμε είναι όπως και με την συχνάζουσα πιθανότητα για κατανομή gauss 2/4/2014 Υπολογ.Φυσική ΣΣ 6

Βayesian Confidence Intervals Έστω ότι παρατηρούμε 2 γεγονότα P(λ;2) P(2; λ)=e -λ λ 2 Κανονικοποιούμε Αν γνωρίζουμε ότι: background mean είναι 1.7, τότε γνωρίζουµε ότι λ>1.7 2 λ Πολλαπλασιάζουµε, κανονικοποιούµε και ερµηνεύουµε 2/4/2014 Υπολογ.Φυσική ΣΣ 7

Παράδειγμα για κατά Bayes CL Έστω ότι σύμφωνα με την μέτρησή μας η μάζα είναι: -0.5±0.2 gr Υπολογίζουμε την πιθανότητα η μάζα να ειναι 0 (2.5σ) 10% αυτής της πιθανότητας αντιστοιχεί σε 3.24σ (πίνακες για one-tailed gaussian integral - %probability) =>το 90% confidence upper limit ειναι: -0.5+3.24x0.2=0.15 gr Mε την υπόθεση οτι η πραγματική τιμή Χ μπορεί με ίση πιθανότητα να πάρει ΟΠΟΙΑΔΗΠΟΤΕ τιμή >0 2/4/2014 Υπολογ.Φυσική ΣΣ 8

Τι κάνουμε στην Φυσική? Feldman-Cousins Unified Method Στην ιδανική περίπτωση:επιλέγουµε στρατηγική, εξετάζουµε τα δεδοµένα, δινουµε τα αποτελέσµατα. Στην πράξη: εξετάζουµε τα δεδοµένα, επιλέγουµε στρατηγική, δίνουµε αποτελέσµατα Example: You have a background of 3.2 Observe 5 events? Quote one-sided upper limit (9.27-3.2 =6.07@90%) Observe 25 events? Quote two-sided limits 2/4/2014 Υπολογ.Φυσική ΣΣ 9

Feldman-Cousins Unified Method TABLE V. 90% C.L. intervals for the Poisson signal mean 6 to 15., for total events observed n 0, for known mean background b ranging from n 0 b 6.0 7.0 8.0 9.0 10.0 11.0 12.0 13.0 14.0 15.0 0 0.00, 0.97 0.00, 0.95 0.00, 0.94 0.00, 0.94 0.00, 0.93 0.00, 0.93 0.00, 0.92 0.00, 0.92 0.00, 0.92 0.00, 0.92 1 0.00, 1.14 0.00, 1.10 0.00, 1.07 0.00, 1.05 0.00, 1.03 0.00, 1.01 0.00, 1.00 0.00, 0.99 0.00, 0.99 0.00, 0.98 2 0.00, 1.57 0.00, 1.38 0.00, 1.27 0.00, 1.21 0.00, 1.15 0.00, 1.11 0.00, 1.09 0.00, 1.08 0.00, 1.06 0.00, 1.05 3 0.00, 2.14 0.00, 1.75 0.00, 1.49 0.00, 1.37 0.00, 1.29 0.00, 1.24 0.00, 1.21 0.00, 1.18 0.00, 1.15 0.00, 1.14 4 0.00, 2.83 0.00, 2.56 0.00, 1.98 0.00, 1.82 0.00, 1.57 0.00, 1.45 0.00, 1.37 0.00, 1.31 0.00, 1.27 0.00, 1.24 5 0.00, 4.07 0.00, 3.28 0.00, 2.60 0.00, 2.38 0.00, 1.85 0.00, 1.70 0.00, 1.58 0.00, 1.48 0.00, 1.39 0.00, 1.32 6 0.00, 5.47 0.00, 4.54 0.00, 3.73 0.00, 3.02 0.00, 2.40 0.00, 2.21 0.00, 1.86 0.00, 1.67 0.00, 1.55 0.00, 1.47 7 0.00, 6.53 0.00, 5.53 0.00, 4.58 0.00, 3.77 0.00, 3.26 0.00, 2.81 0.00, 2.23 0.00, 2.07 0.00, 1.86 0.00, 1.69 8 0.00, 7.99 0.00, 6.99 0.00, 5.99 0.00, 5.05 0.00, 4.22 0.00, 3.49 0.00, 2.83 0.00, 2.62 0.00, 2.11 0.00, 1.95 9 0.00, 9.30 0.00, 8.30 0.00, 7.30 0.00, 6.30 0.00, 5.30 0.00, 4.30 0.00, 3.93 0.00, 3.25 0.00, 2.64 0.00, 2.45 10 0.22,10.50 0.00, 9.50 0.00, 8.50 0.00, 7.50 0.00, 6.50 0.00, 5.56 0.00, 4.71 0.00, 3.95 0.00, 3.27 0.00, 3.00 11 1.01,11.81 0.02,10.81 0.00, 9.81 0.00, 8.81 0.00, 7.81 0.00, 6.81 0.00, 5.81 0.00, 4.81 0.00, 4.39 0.00, 3.69 12 1.57,13.00 0.83,12.00 0.00,11.00 0.00,10.00 0.00, 9.00 0.00, 8.00 0.00, 7.00 0.00, 6.05 0.00, 5.19 0.00, 4.42 13 2.14,14.05 1.50,13.05 0.65,12.05 0.00,11.05 0.00,10.05 0.00, 9.05 0.00, 8.05 0.00, 7.05 0.00, 6.08 0.00, 5.22 14 2.83,15.50 2.13,14.50 1.39,13.50 0.47,12.50 0.00,11.50 0.00,10.50 0.00, 9.50 0.00, 8.50 0.00, 7.50 0.00, 6.55 15 3.48,16.52 2.56,15.52 1.98,14.52 1.26,13.52 0.30,12.52 0.00,11.52 0.00,10.52 0.00, 9.52 0.00, 8.52 0.00, 7.52 16 4.07,17.99 3.28,16.99 2.60,15.99 1.82,14.99 1.13,13.99 0.14,12.99 0.00,11.99 0.00,10.99 0.00, 9.99 0.00, 8.99 17 5.04,19.02 4.11,18.02 3.32,17.02 2.38,16.02 1.81,15.02 0.98,14.02 0.00,13.02 0.00,12.02 0.00,11.02 0.00,10.02 18 5.47,20.16 4.54,19.16 3.73,18.16 3.02,17.16 2.40,16.16 1.70,15.16 0.82,14.16 0.00,13.16 0.00,12.16 0.00,11.16 19 6.51,21.51 5.51,20.51 4.58,19.51 3.77,18.51 3.05,17.51 2.21,16.51 1.58,15.51 0.67,14.51 0.00,13.51 0.00,12.51 20 7.55,22.52 6.55,21.52 5.55,20.52 4.55,19.52 3.55,18.52 2.81,17.52 2.23,16.52 1.48,15.52 0.53,14.52 0.00,13.52 PHYSICAL REVIEW D VOLUME 57, NUMBER 7 1 APRIL 1998 Unified approach to the classical statistical analysis of small signals 10

Maximum Likelihood and Confidence Levels ML estimator (large N) has variance given by MVB (Minimum Variance Bound) At peak Ln L is a parabola (L is a Gaussian) For large N Falls by ½ at Falls by 2 at a Read off 68%, 95% confidence regions 2/4/2014 Υπολογ.Φυσική ΣΣ 11

MVB (minimum variance bound) example N Gaussian measurements: estimate µ Ln L given by Differentiate twice wrt µ Take expectation value but it s a constant Invert and negate: 2/4/2014 Υπολογ.Φυσική ΣΣ 12

Another MVB example N Gaussian measurements: estimate σ Ln L still given by Differentiate twice wrt σ Take expectation value <(x i -µ) 2 >= σ 2 i Gives Invert and negate: 2/4/2014 Υπολογ.Φυσική ΣΣ 13

ln L is not a parabola ML for small N a a Argue: we could (invariance) transform to some a for which it is a parabola We could/should then get limits on a using standard L max -½ technique These would translate to limits on a These limits would be at the values of a for which L= L max -½ 2/4/2014 Υπολογ.Φυσική ΣΣ 14 So just do it directly

Multidimensional ML L is multidimensional Gaussian b For 2-d 39.3% lies within 1σ i.e. within region bounded by L=L max -½ For 68% need L=L max -1.15 a Construct region(s) to test using numbers from integrated χ 2 distribution 2/4/2014 Υπολογ.Φυσική ΣΣ 15